一种用于茶和面粉复合的烘焙分析系统技术方案

本发明专利技术公开了一种用于茶和面粉复合的烘焙分析系统，该系统包括图像采集模块、图像识别管理模块、后端视觉云平台模块、设备控制模块以及企业生产业务模块，所述图像采集模块包括工业相机、工业光源和面团位置，所述工业相机将拍摄的图片传输给图像识别管理模块，所述面团位置是面团接收工业光源发出最大光亮时所处的位置；所述图像识别管理模块根据确定的训练模型，对采集的面团图像进行推理预测，得到不同的预测结果，并根据预测结果转化成对应的设备控制信息，发送至设备控制模块：本系统通过创建自定义的核心训练模型，能够极大提高缺陷面团的检出率，增加工厂经济效益，值得大力推广。力推广。力推广。

【技术实现步骤摘要】
一种用于茶和面粉复合的烘焙分析系统


[0001]本专利技术涉及工业视觉检测
，具体涉及一种用于茶和面粉复合的烘焙分析系统。

技术介绍

[0002]随着现代城市生活节奏加快，饼干和蛋糕等食用方便的烘焙产品越来越受到市场欢迎，单一类型的产品口感寡淡、营养较低，通过面粉与茶复合配制则既有主粮营养成分又有茶营养成分，且色香味均有改善，具有较大市场潜力。
[0003]但现有工厂在实际生产中仍然存在以下技术缺陷：
[0004]1、生面团虽已经过整形再入炉烘烤，但是由于茶面混合不均一、生面团各部位C1
‑
C2发酵程度不同，因此很难保证入炉前的生面团的稳定时间，进而导致入炉后的生面团结构不整一；
[0005]2、生面团入炉烘焙过程中，由于各面团摆放位置不同、面团内外部差异的原因，导致生面团受热不一致，进而影响面团膨胀效果，最终烘焙成品大小存在差异；
[0006]3、面团在烘焙冷却阶段，由于散热不均匀，面团表面因为过度烘烤导致面团表皮破裂。

技术实现思路

[0007]为了克服现有技术的上述缺陷，本专利技术的实施例提供一种用于茶和面粉复合的烘焙分析系统。通过基于深度学习为核心的工业视觉检测方法可以极大提高缺陷面团检出速度和正确率。
[0008]为实现上述目的，本专利技术提供如下技术方案：一种用于茶和面粉复合的烘焙分析系统，包括图像采集模块、图像识别管理模块、后端视觉云平台模块、设备控制模块以及企业生产业务模块，所述图像采集模块包括工业相机、工业光源和面团位置，所述工业相机用于拍摄面团大小、位置、形状、表面积、体积、颜色特征，并将拍摄的图片传输给图像识别管理模块，所述工业光源为用于对面团补光的工业照明设备发出的光源，所述面团位置是面团接收工业光源发出最大光亮时所处的位置；所述图像识别管理模块根据确定的训练模型，对采集的面团图像进行推理预测，得到不同的预测结果，并根据预测结果转化成对应的设备控制信息，发送至设备控制模块。
[0009]作为本专利技术再进一步的方案，所述图像识别管理模块包括图像采集与特征标注单元和深度学习推理单元；所述图像识别管理模块利用深度学习模型执行对面团进行检测，将工业相机拍摄的面团图片和深度学习模型内的样本图片进行识别和比对，对比结果出来以后，将面团按照对比结果分成不同的类别并计数，计数出来之后将面团的不合格率和缺陷计数上传给企业信息管理系统；同时将筛选检测过程中拍摄的面团图片信息，通过图像预处理软件进行图像处理，制作成正负样本，并添加到已有的样本库。
[0010]作为本专利技术再进一步的方案，所述图像采集与特征标注单元使用工业相机对面团
在烘焙各阶段的大小、位置、形状、表面积、体积、颜色特征进行拍照，将拍好的照片按照预先设定的参数分类为正样本和负样本，并存储在样本存储内，建立正负样本库，供深度学习训练所用；其中，面团烘焙过程包括入炉前阶段、烘焙阶段及冷却阶段，在这三个阶段都需要采集面团的图像特征信息，并且烘焙阶段应实施采集，烘焙阶段用时T，采样间隔为1秒，则烘焙阶段需要采集T/1张图像。
[0011]作为本专利技术再进一步的方案，深度学习训练单元包括以下过程：
[0012]1)结合质量评估聚焦损失函数与概率分布聚焦损失函数的训练过程，通过网络损失函数，训练一个z层的QFL+DFL组合的深度神经网络：
[0013][0014]式中，N
pos
是正样本的个数，z是多层候选框的层数，是将狄拉克分布限定在(0,1]范围输出值，L
QFL
是QFL的损失函数，控制着正负样本的质量得分值，候选目标为负样本时，L
QFL
的得分值为0，L
B
是广义基于并集交叉点的损失函数(GIoU Loss)，作为对L
DFL
的惩罚项，L
DFL
是DFL的损失函数，控制着候选框靠近目标点时具有较高的概率，λ0和λ1是额外附加的非负的损失函数超参数，λ0＝2，每层训练时都由上一层训练学习得到的参数作为输入再接着进行下一层的训练；
[0015]2)使用交叉熵的完全形式来替换DFL，具体公式如下：
[0016]DFL(S
i
,S
i+1
)＝
‑
((y
i+1
‑
y)log(S
i
)+(y
‑
y
i
)log(S
i+1
))
[0017]3)在具有z层网络结构的训练层前端，借鉴YOLOv7 ELAN设计思想，将公版的YOLOv5的C3结构替换成C2f结构，并通过调整模型通道数以适应拍摄不同尺度的样本，以增强模型泛化能力；
[0018]4)使用面积基于并集交叉点损失函数替换损失函数，以加快模型训练的收敛速度。
[0019]作为本专利技术再进一步的方案，图像识别管理模块根据确定的训练模型，对采集的面团图像进行推理预测，得到不同的预测结果，并根据预测结果转化成对应的设备控制信息，发送至设备控制模块。
[0020]作为本专利技术再进一步的方案，后端视觉云平台模块主要用于接收存储拍摄的样本图像，结合深度学习AI算法，完成数据预处理、数据标注及训练生成深度学习模型。本专利技术所述后端视觉云平台通过软硬件综合技术实现，硬件部分包括但不仅局限于指工厂私有云、公有云，软件部分为用于图像数据预处理及自定义深度学习模型的计算机程序。
[0021]作为本专利技术再进一步的方案，设备控制模块接收到图像识别管理模块发送的设备控制信息后，完成对分拣设备动作控制。
[0022]作为本专利技术再进一步的方案，企业生产业务模块用于实时收集烘焙过程数据，并存储于企业信息化管理系统，便于之后企业回溯数据。企业信息化管理系统包括MES，WMS，ERP其中的至少一种。
[0023]本专利技术一种用于茶和面粉复合的烘焙分析系统的技术效果和优点：本专利技术通过工业相机对烘焙过程前后的面团采集图像数据，然后通过一定算法程序对图像进行预处理及特征标注，形成涉及烘焙过程的正负样本集，并以此建立深度学习模型，使检测系统在进行
深度学习训练的时候，能够对面团的大小、位置、形状、表面积、体积、颜色特征进行对比，同时在进行烘焙过程检测的时候，能够根据预设正负样本集对面团进行精确检测，显著降低检错率；
[0024]本专利技术通过将深度学习模型训练和测试分别置于图像识别管理模块和后端视觉云平台模块，大大提高了系统鲁棒性，优化了硬件资源利用率，并且通过对接企业自有生产业务模块，使得生产数据发挥二次价值，避免了历史数据无用化。
附图说明
[0025]图1为本专利技术的深度学习模型图
[0026]图2为本专利技术的系统框图
具体实施方式
[0027]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述地实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于茶和面粉复合的烘焙分析系统，其特征在于：包括图像采集模块、图像识别管理模块、后端视觉云平台模块、设备控制模块以及企业生产业务模块，所述图像采集模块包括工业相机、工业光源和面团位置，所述工业相机用于拍摄面团大小、位置、形状、表面积、体积、颜色特征，并将拍摄的图片传输给图像识别管理模块，所述工业光源为用于对面团补光的工业照明设备发出的光源，所述面团位置是面团接收工业光源发出最大光亮时所处的位置；所述图像识别管理模块根据确定的训练模型，对采集的面团图像进行推理预测，得到不同的预测结果，并根据预测结果转化成对应的设备控制信息，发送至设备控制模块。2.根据权利要求1所述的一种用于茶和面粉复合的烘焙分析系统，其特征在于：所述图像识别管理模块包括图像采集与特征标注单元和深度学习推理单元；所述图像识别管理模块利用深度学习模型执行对面团进行检测，将工业相机拍摄的面团图片和深度学习模型内的样本图片进行识别和比对，对比结果出来以后，将面团按照对比结果分成不同的类别并计数，计数出来之后将面团的不合格率和缺陷计数上传给企业信息管理系统；同时将筛选检测过程中拍摄的面团图片信息，通过图像预处理软件进行图像处理，制作成正负样本，并添加到已有的样本库。3.根据权利要求2所述的一种用于茶和面粉复合的烘焙分析系统，其特征在于：图像采集与特征标注单元使用工业相机对面团在烘焙各阶段的大小、位置、形状、表面积、体积、颜色特征进行拍照，将拍好的照片按照预先设定的参数分类为正样本和负样本，并存储在样本存储内，建立正负样本库，供深度学习训练所用；其中，面团烘焙过程包括入炉前阶段、烘焙阶段及冷却阶段，在这三个阶段都需要采集面团的图像特征信息，并且烘焙阶段应实施采集，烘焙阶段用时T，采样间隔为1秒，则烘焙阶段需要采集T/1张图像。4.根据权利要求2所述的一种用于茶和面粉复合的烘焙分析系统，其特征在于：深度学习训练单元包括以下过程：1)结合质量评估聚焦损失函数与概率分布聚焦损失函数的训练过程，通过网络损失函数，训练一个z层的QFL+DFL组合的深度神经网络：式中，N
pos
是正样本的个数，z是多层候选框的层数，是将狄拉克分布限定在(0，1]范围输出值，L
QFL
是QFL的损失函数，控制着正负样本的质量得分值，候选目标为负样本时，L
QFL<...

【专利技术属性】
技术研发人员：孙超，王清伟，尤国安，赵中华，孙强，赵德成，
申请(专利权)人：安徽皖雪食品股份有限公司，
类型：发明
国别省市：