【技术实现步骤摘要】
本专利技术涉及卷烟制造领域，尤其涉及一种基于视觉目标检测的烟支端面缺陷检测方法。
技术介绍
1、在烟草生产中，烟支端面缺陷会影响烟支的燃烧一致性和吸烟体验，还可能在包装过程中引发漏气和损坏等问题。因此，烟支端面缺陷的检测是保障产品质量的重要环节。
2、传统上，端面缺陷检测主要依赖于人工检查和简单的图像处理方法。人工检测依赖于操作员的经验和主观判断，能够发现部分细微缺陷，但效率低且易受疲劳影响，难以满足现代高速生产线的需求；为提高检测效率和一致性，行业引入了计算机视觉与自动检测技术。常见的传统检测方案包括基于图像处理的自动化方法和机器视觉系统。基于图像处理的方法通常利用边缘检测（如canny、sobel）和形态学操作（如腐蚀、膨胀）来识别端面缺陷，通过特征提取分析端面完整性。
3、然而，上述现有方法在光照变化和复杂背景干扰下效果不佳，对形态复杂的小缺陷（如微小裂口和毛刺）的检测精度有限，尤其在实际生产环境中表现出鲁棒性不足；此外，机器视觉系统通过结合工业相机和光源设计，优化图像采集质量，但其检测精度依赖于光源设计和特征提取算法，对于复杂形态和多变环境下的缺陷检测能力有限。
技术实现思路
1、鉴于上述，本专利技术旨在提供一种基于视觉目标检测的烟支端面缺陷检测方法，以解决前述提及的技术问题。
2、本专利技术采用的技术方案如下：
3、本专利技术提供了一种基于视觉目标检测的烟支端面缺陷检测方法，其中包括：
4、采集烟支端面的原始数据
5、在对原始图像进行预处理后，从中分割得到烟支端面图像；
6、结合实际拍摄烟支端面的场景特点，对所述烟支端面图像进行扩展强化，得到多样化的烟支端面视觉样本；
7、对所述烟支端面视觉样本进行标注后训练基于深度学习的目标检测模型；
8、利用训练后的所述目标检测模型实时检测生产过程中采集的烟支端面实拍图，并对检出的端面缺陷进行量化表征后予以估分。
9、在其中至少一种可能的实现方式中，所述预处理包括去噪处理以及对比度增强处理。
10、在其中至少一种可能的实现方式中，所述扩展强化包括：添加高斯噪声和/或椒盐噪声，以模拟在生产线拍摄烟支端面时出现的真实噪声。
11、在其中至少一种可能的实现方式中，所述扩展强化还包括：通过随机旋转、水平翻转、缩放、裁剪和平移，模拟出在生产线拍摄烟支端面时的不同拍摄角度、视角以及尺寸变化。
12、在其中至少一种可能的实现方式中，所述扩展强化还包括：通过对亮度、对比度、饱和度和色调调整，模拟出在生产线拍摄烟支端面时不同光照和相机设置下的图像采集效果。
13、在其中至少一种可能的实现方式中，所述目标检测模型的训练过程包括：采用余弦退火学习率策略对视觉目标检测模型进行优化。
14、在其中至少一种可能的实现方式中，所述标注包括：标记烟支端面的每个缺陷类别标签和缺陷边界框坐标。
15、在其中至少一种可能的实现方式中，所述对检出的端面缺陷进行量化表征后予以估分包括：
16、获取检出的各缺陷类别以及边界框坐标；
17、利用所述边界框坐标估算各缺陷的面积；
18、根据预设的对应缺陷类别的权重值以及面积，对烟支端面缺陷进行扣分评估。
19、在其中至少一种可能的实现方式中，所述扣分评估按照下述公式计算：
20、扣除分数=；
21、其中，n为检测到的缺陷数量，为第类缺陷的权重系数，为第个缺陷的面积。
22、在其中至少一种可能的实现方式中，烟支端面的缺陷类别包括至少如下一种或多种组合：空头、触头、稀头、胶孔、污渍、裂纹、毛刺、凹陷、气孔、残留杂质。
23、与现有技术相比，本专利技术的主要设计构思在于，主要包括采集烟支端面的原始数据，在对原始图像进行预处理后，从中分割得到烟支端面图像；结合实际拍摄烟支端面的场景特点，对所述烟支端面图像进行扩展强化，得到多样化的烟支端面视觉样本；对所述烟支端面视觉样本进行标注后训练基于深度学习的目标检测模型；利用训练后的所述目标检测模型实时检测生产过程中采集的烟支端面实拍图，并对检出的端面缺陷进行量化表征后予以估分。传统图像处理方式根据缺陷的像素，轮廓等信息来判断缺陷有无，但是无法准确判断缺陷的种类与缺陷程度量化。相比于传统的图像处理方法和机器视觉系统，本专利技术为烟支端面缺陷检测提供了新的解决途径，能够满足高速生产线对检测精度和实时性的双重要求，并且至少具有如下优势：
24、（1）高精度检测：烟支端面可能会出现极其微小的缺陷，如裂纹、毛刺、凹陷、气孔、残留杂质等，这些缺陷直接影响烟支的外观、品质以及吸烟体验。传统的基于边缘检测或形态学处理的算法，往往只能识别较为明显的缺陷，并且容易受到图像噪声、光照变化等影响，导致误检和漏检。
25、本专利技术方案不仅能检测出明显缺陷，还能识别烟支表面微小的裂口、细微的毛刺和轻微的凹陷，这对于高端烟草产品的质量控制尤为重要，避免了漏检和误检，确保每一根烟支的质量都符合标准。
26、（2）实时性强：在烟草生产线的速度非常快的情况下，进行高效的自动化检测至关重要。传统的图像方法不仅耗时，而且效率低下，容易出现遗漏或疏忽。
27、如后文一实施例中提及的，本专利技术利用余弦退火学习率策略对网络结构进行优化，提升其高度并行的计算能力，能够在高速生产线环境下实现实时检测，确保每根烟支都能在生产过程中被及时检测并处理。
28、（3）鲁棒性高：烟草生产中的环境往往复杂多变，光照条件、烟支的摆放角度、背景的变化等因素都可能影响传统检测方法的准确性。例如，烟支端面可能因不同生产批次的设备差异而呈现出不同的光泽度、阴影或反射，从而增加了检测的难度。
29、如后文一实施例中提及的，基于yolov8的深度学习模型通过对大量含有不同背景和光照条件的多样化烟支端面图像进行训练，能够学习到不同条件下的特征，从而保证模型在复杂环境中的鲁棒性。也即是具有较强的环境适应性，即使在光照变化、烟支摆放角度不同或背景复杂的情况下，模型依然能够保持较高的检测精度。
30、（4）自动化程度高：传统的烟支端面缺陷检测方法通常依赖人工设定阈值、参数调整和规则定义，这不仅增加了操作复杂度，也容易引入人为误差。
31、而本专利技术提供的解决途径可以但不限于通过端到端训练，能够自动从大量图像数据中学习出端面缺陷的特征，无需人工干预，消除了人工参数设定的步骤的同时，减少了人为操作带来的误差，提高了检测的稳定性和一致性。
32、（5）缺陷量化: 本专利技术通过量化分析，能够对烟支端面缺陷的严重程度进行定量评价。例如，烟支端面凹陷或缺失的面积，以及端面胶孔与污渍的大小等，都会影响烟支的质量。通过对缺陷进行量化表征，生产线可以根据缺陷的严重程度决策是否需要返工或直接剔除不合格品，从而避免不良品进入市场。
本文档来自技高网...【技术保护点】
1.一种基于视觉目标检测的烟支端面缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于视觉目标检测的烟支端面缺陷检测方法，其特征在于，所述预处理包括去噪处理以及对比度增强处理。
3.根据权利要求2所述的基于视觉目标检测的烟支端面缺陷检测方法，其特征在于，所述扩展强化包括：添加高斯噪声和/或椒盐噪声，以模拟在生产线拍摄烟支端面时出现的真实噪声。
4.根据权利要求3所述的基于视觉目标检测的烟支端面缺陷检测方法，其特征在于，所述扩展强化还包括：通过随机旋转、水平翻转、缩放、裁剪和平移，模拟出在生产线拍摄烟支端面时的不同拍摄角度、视角以及尺寸变化。
5.根据权利要求3所述的基于视觉目标检测的烟支端面缺陷检测方法，其特征在于，所述扩展强化还包括：通过对亮度、对比度、饱和度和色调调整，模拟出在生产线拍摄烟支端面时不同光照和相机设置下的图像采集效果。
6.根据权利要求1所述的基于视觉目标检测的烟支端面缺陷检测方法，其特征在于，所述目标检测模型的训练过程包括：采用余弦退火学习率策略对视觉目标检测模型进行优化。
7.
8.根据权利要求7所述的基于视觉目标检测的烟支端面缺陷检测方法，其特征在于，所述对检出的端面缺陷进行量化表征后予以估分包括：
9.根据权利要求8所述的基于视觉目标检测的烟支端面缺陷检测方法，其特征在于，所述扣分评估按照下述公式计算：
10.根据权利要求1~9任一项所述的基于视觉目标检测的烟支端面缺陷检测方法，其特征在于，烟支端面的缺陷类别包括至少如下一种或多种组合：空头、触头、稀头、胶孔、污渍、裂纹、毛刺、凹陷、气孔、残留杂质。
...【技术特征摘要】
1.一种基于视觉目标检测的烟支端面缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于视觉目标检测的烟支端面缺陷检测方法，其特征在于，所述预处理包括去噪处理以及对比度增强处理。
3.根据权利要求2所述的基于视觉目标检测的烟支端面缺陷检测方法，其特征在于，所述扩展强化包括：添加高斯噪声和/或椒盐噪声，以模拟在生产线拍摄烟支端面时出现的真实噪声。
4.根据权利要求3所述的基于视觉目标检测的烟支端面缺陷检测方法，其特征在于，所述扩展强化还包括：通过随机旋转、水平翻转、缩放、裁剪和平移，模拟出在生产线拍摄烟支端面时的不同拍摄角度、视角以及尺寸变化。
5.根据权利要求3所述的基于视觉目标检测的烟支端面缺陷检测方法，其特征在于，所述扩展强化还包括：通过对亮度、对比度、饱和度和色调调整，模拟出在生产线拍摄烟支端面时不同光照和相机设置下的图像采集效...
【专利技术属性】
技术研发人员：刘颖，刘穗君，田斌强，程东旭，崔廷，王岩，胡冰，李箐，姬会福，鲁晓平，
申请(专利权)人：河南中烟工业有限责任公司，
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。