【技术实现步骤摘要】
本专利技术涉及一种雪茄烟的外观缺陷检测方法及装置，属于计算机。
技术介绍
1、检测技术是提升传统手工雪茄烟产品质量的重要保障，也是雪茄烟制造业中不可缺少的技术研究之一。
2、雪茄主要由茄衣、茄套和茄芯三部分组成，其中对于雪茄茄衣的质量要求，主要集中在烟叶的外观质量和包裹特性。雪茄茄衣完全体现出了雪茄的外部特征，是雪茄视觉美感的主要体现部分，完美的雪茄茄衣是优质高端的雪茄烟所必须具备的特征。在标准《gb15269.3-2011》中，特别规定了雪茄烟包装、卷制和贮存的技术要求，其中，对于烟支外观的要求包括了中心轴线的最大偏移量、切口斜面高低差、指环、脉纹、折痕、病斑、污痕、缝口、洞眼、脱皮、破碎、周长等一系列的外观参数。
3、目前雪茄外观缺陷检测技术仍然停留在传统的机器学习方法，需要手动提取图像特征，选取的特征优劣性将直接影响图像的处理效果，由于雪茄烟的外观的缺陷(例如青斑、病斑和洞眼)大小不一，且受雪茄烟本身形状限制，该方法的检测准确率比较低，具有很大的局限性。
技术实现思路
1、本专利技术的目的是提供一种雪茄烟的外观缺陷检测方法及装置，用以解决现有的雪茄烟外观检测方式检测识别准确率不高的问题。
2、为实现上述目的，本专利技术的方案包括：
3、本专利技术的一种雪茄烟的外观缺陷检测方法，包括以下步骤：
4、1)构建目标检测模型，利用训练数据对该目标检测模型训练，所述训练数据为采集的经过标注后带有标签的雪茄烟外观图像数据；>
5、2)获取待检测的雪茄烟外观图像数据，将待检测的雪茄烟外观图像数据输入至训练后的目标检测模型中，对雪茄烟外观进行缺陷的检测，得到该检测图像的预测框数据，所述预测框数据包括预测框内目标位置、目标大小和目标缺陷的类别；
6、所述目标检测模型为优化后的yolo v5模型，优化后的yolo v5模型包括包括主干网络和头部网络，主干网络与头部网络连接处增设有epsa模块，所述epsa模块用于利用金字塔挤压注意力对主干网络提取的特征进行处理，以得到多尺度特征信息的细化特征图。
7、有益效果：本专利技术的雪茄烟的外观缺陷检测方法，通过建立优化后的yolo v5模型对待测雪茄烟的外观图像进行识别检测，进而得到各缺陷位置、大小以及缺陷类别，其中优化后的yolo v5模型中的主干网络与头部网络连接处增加有epsa模块，epsa模块能够作为即插即用的插件加入主干网络中，从而达到显著提高模型性能、提供更强的多尺度表示能力的作用且还可以学习更丰富的多尺度特征表示，并自适应地重新校准跨维度通道注意权重。通过优化后的yolo v5模型能够提高检测到雪茄烟外观缺陷的精准性。
8、进一步地，所述头部网络采用加权双向特征金字塔网络结构，所述加权双向特征金字塔网络结构用于基于输入的不同分辨率的特征图的权值，对不同尺度的特征图进行融合，所述权值通过自学习获得。
9、有益效果：将头部网络中原有的panet模块更换为加权双向特征金字塔网络结构，加权双向特征金字塔网络结构能够简单快速的实现多尺度特征融合，以达到优化颈部神经网络性能的效果。
10、进一步地，多尺度特征信息的细化特征图获取过程为：获取从主干网络输出的各通道的多尺度特征图，提取不同尺度特征图的通道注意力，根据所述通道注意力获得各通道注意力向量；校准通道注意力向量，得到各通道的校准权重；利用各通道的校准权重与对应的特征图进行乘积得到多尺度的特征图。
11、进一步地，带有标签的雪茄烟外观图像数据包括合格图像和缺陷图像，所述缺陷图像的缺陷包括青斑、病斑和洞眼。
12、进一步地，目标检测模型在训练中采用的训练数据为利用mosaic图像增强算法处理后的数据。
13、有益效果：利用mosaic图像增强增加训练集的多样性和难度，能够提高目标检测模型的鲁棒性和泛化能力。
14、进一步地，目标检测模型在训练过程中，输入框的锚框参数采用自适应锚框算法得到。
15、有益效果：本专利技术采用自适应锚框算法通过学习的方式计算出最适合输入图像的锚框参数，提高目标检测模型的检测精度。
16、进一步地，目标检测模型进行检测时采用设定大小的检测框，设定大小是通过对雪茄烟外观缺陷数据集分类，根据每个缺陷类别的大小确定。
17、本专利技术的一种雪茄烟的外观缺陷检测装置，包括图像采集模块和图像处理模块，所述图像采集模块用于获取待检测的雪茄烟外观图像数据，所述图像处理模块用于对图像采集模块获取的图像进行处理，以实现如上所述的雪茄烟的外观缺陷检测方法。
18、有益效果：本专利技术的雪茄烟的外观缺陷检测装置，由图像采集模块和图像处理模块组成，该系统构成简单，通过图像采集模块采集待检测的雪茄烟外观图像数据，节省人力成本，利用图像处理模块对获取的图像进行处理，图像处理模块采用了优化后的yolo v5模型提高了雪茄烟外观缺陷检测精度。
19、进一步地，所述图像采集模块为图像采集装置，图像采集装置包括有图像采集卡和设置在待检测的雪茄烟不同角度的若干个相机镜头，所述若干个相机镜头用于采集不同角度的待检测雪茄烟外观图像，所述图像采集卡用于将各相机采集到的图像数据进行融合处理，得到具有各角度的雪茄烟完整图像。
20、有益效果：通过图像采集装置采集待检测雪茄烟的外观图像，节省人力成本，且该装置能够采集不同角度的待检测雪茄烟外观图像，外观图像采集的更全面完整。
21、进一步地，所述图像采集装置还包括用于放置待检测雪茄烟的传送带，传送带一端设置有用于安装相机镜头的安装架，靠近传送带的安装架上设置有能够感应雪茄烟的限位开关，图像采集卡检测到限位开关后控制各相机镜头进行拍摄。
22、有益效果：通过图像采集装置中的传送带防止待检测雪茄烟，靠近传送带的安装架上设置有能够感应雪茄烟的限位开关，图像采集卡在检测到限位开关后控制各相机镜头进行拍摄，拍摄的雪茄烟位置更加精准，拍摄高度、角度均为固定的，拍摄的图像更清晰完整，同时无需人工摆放节省人力成本。
本文档来自技高网...【技术保护点】
1.一种雪茄烟的外观缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的雪茄烟的外观缺陷检测方法，其特征在于，所述头部网络采用加权双向特征金字塔网络结构，所述加权双向特征金字塔网络结构用于基于输入的不同分辨率的特征图的权值，对不同尺度的特征图进行融合，所述权值通过自学习获得。
3.根据权利要求1或2所述的雪茄烟的外观缺陷检测方法，其特征在于，多尺度特征信息的细化特征图获取过程为：获取从主干网络输出的各通道的多尺度特征图，提取不同尺度特征图的通道注意力，根据所述通道注意力获得各通道注意力向量；校准通道注意力向量，得到各通道的校准权重；利用各通道的校准权重与对应的特征图进行乘积得到多尺度的特征图。
4.根据权利要求2所述的雪茄烟的外观缺陷检测方法，其特征在于，带有标签的雪茄烟外观图像数据包括合格图像和缺陷图像，所述缺陷图像的缺陷包括青斑、病斑和洞眼。
5.根据权利要求2所述的雪茄烟的外观缺陷检测方法，其特征在于，目标检测模型在训练中采用的训练数据为利用Mosaic图像增强算法处理后的数据。
6.根据权利要求5所
7.根据权利要求6所述的雪茄烟的外观缺陷检测方法，其特征在于，目标检测模型进行检测时采用设定大小的检测框，设定大小是通过对雪茄烟外观缺陷数据集分类，根据每个缺陷类别的大小确定。
8.一种雪茄烟的外观缺陷检测装置，包括图像采集模块和图像处理模块，所述图像采集模块用于获取待检测的雪茄烟外观图像数据，其特征在于，所述图像处理模块用于对图像采集模块获取的图像进行处理，以实现如权利要求1-7任一项所述的雪茄烟的外观缺陷检测方法。
9.根据权利要求8所述的雪茄烟的外观缺陷检测装置，其特征在于，所述图像采集模块为图像采集装置，图像采集装置包括有图像采集卡和设置在待检测的雪茄烟不同角度的若干个相机镜头，所述若干个相机镜头用于采集不同角度的待检测雪茄烟外观图像，所述图像采集卡用于将各相机采集到的图像数据进行融合处理，得到具有各角度的雪茄烟完整图像。
10.根据权利要求9所述的雪茄烟的外观缺陷检测装置，其特征在于，所述图像采集装置还包括用于放置待检测雪茄烟的传送带，传送带一端设置有用于安装相机镜头的安装架，靠近传送带的安装架上设置有能够感应雪茄烟的限位开关，图像采集卡检测到限位开关后控制各相机镜头进行拍摄。
...【技术特征摘要】
1.一种雪茄烟的外观缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的雪茄烟的外观缺陷检测方法，其特征在于，所述头部网络采用加权双向特征金字塔网络结构，所述加权双向特征金字塔网络结构用于基于输入的不同分辨率的特征图的权值，对不同尺度的特征图进行融合，所述权值通过自学习获得。
3.根据权利要求1或2所述的雪茄烟的外观缺陷检测方法，其特征在于，多尺度特征信息的细化特征图获取过程为：获取从主干网络输出的各通道的多尺度特征图，提取不同尺度特征图的通道注意力，根据所述通道注意力获得各通道注意力向量；校准通道注意力向量，得到各通道的校准权重；利用各通道的校准权重与对应的特征图进行乘积得到多尺度的特征图。
4.根据权利要求2所述的雪茄烟的外观缺陷检测方法，其特征在于，带有标签的雪茄烟外观图像数据包括合格图像和缺陷图像，所述缺陷图像的缺陷包括青斑、病斑和洞眼。
5.根据权利要求2所述的雪茄烟的外观缺陷检测方法，其特征在于，目标检测模型在训练中采用的训练数据为利用mosaic图像增强算法处理后的数据。
6.根据权利要求5所述的雪茄烟的外观缺陷检测方法，其特征在于，目标检测模型在训练过程中，输入框的锚框参数...
【专利技术属性】
技术研发人员：朱文魁，刘涛，张荣亚，刘洋，高森，张佳巍，张明建，张齐，文武，刘民昌，王乐，
申请(专利权)人：中国烟草总公司郑州烟草研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。