本發(fā)明涉及煙草檢測(cè)，更具體的說(shuō)是涉及一種煙支空頭檢測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、隨著社會(huì)的發(fā)展和進(jìn)步，制造商和商家對(duì)香煙生產(chǎn)的質(zhì)量和效率要求逐漸提高。產(chǎn)品的質(zhì)量、知名度和吸引力是煙草品牌的核心競(jìng)爭(zhēng)力。煙支空頭的現(xiàn)象會(huì)嚴(yán)重影響產(chǎn)品質(zhì)量，甚至影響人們對(duì)香煙品牌和制造商的信任。因此，對(duì)煙支空頭的檢測(cè)有助于提高香煙質(zhì)量，增強(qiáng)品牌效應(yīng)。目前，常規(guī)卷煙機(jī)的生產(chǎn)速度約為7000-16000支/分鐘，出現(xiàn)香煙缺陷的可能性為3％。最快的卷煙機(jī)可達(dá)20000支/分鐘，生產(chǎn)速度很快。僅僅依靠人工檢測(cè)缺支香煙是不可能的。對(duì)于香煙缺陷的檢測(cè)，傳統(tǒng)方法主要包括紅外光電自動(dòng)檢測(cè)、傳統(tǒng)機(jī)械接觸檢測(cè)方法。隨著人工智能、深度學(xué)習(xí)、機(jī)器學(xué)習(xí)等技術(shù)的發(fā)展和推廣，香煙缺支的檢測(cè)技術(shù)逐漸向智能化轉(zhuǎn)變。利用深度學(xué)習(xí)方法檢測(cè)煙支缺陷已成為當(dāng)前研究的熱點(diǎn)。缺陷檢測(cè)屬于目標(biāo)檢測(cè)的范疇，主要包括以下幾類(lèi)：

2、一)兩階段方法，以r-cnn系列算法為代表，首先生成候選檢測(cè)框，然后借助神經(jīng)網(wǎng)絡(luò)算法對(duì)候選檢測(cè)框進(jìn)行校準(zhǔn)，以獲得最終的預(yù)測(cè)邊界。

3、二)單階段方法，以ssd、yolo系列等算法為代表，直接使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，不生成候選區(qū)域。

4、公開(kāi)號(hào)為cn112432952a，名稱(chēng)為一種基于機(jī)器視覺(jué)技術(shù)的煙支空頭檢測(cè)方法，屬于煙支空頭檢測(cè)領(lǐng)域，包括如下步驟：采用線性激光源照射待檢測(cè)煙支的煙絲端面；通過(guò)對(duì)稱(chēng)分布的兩個(gè)高速面陣圖像傳感器交替對(duì)水平運(yùn)動(dòng)的煙支進(jìn)行等間隔圖像采集并傳送給計(jì)算機(jī)；計(jì)算機(jī)通過(guò)圖像處理技術(shù)計(jì)算出下陷深度超過(guò)設(shè)定閾值的像素總數(shù)，最終確定待檢測(cè)煙支是否為空頭煙支。

5、公開(kāi)號(hào)為cn117233165a，名稱(chēng)為一種基于條紋結(jié)構(gòu)光的視覺(jué)空頭檢測(cè)方法，屬于檢測(cè)技術(shù)領(lǐng)域。本發(fā)明通過(guò)利用特殊結(jié)構(gòu)光輔助照明煙支煙絲端部，并采用一定傾斜角度的工業(yè)相機(jī)采集圖像，最后通過(guò)水平線檢測(cè)、連通域面積特征濾波、區(qū)域位置濾波等方法，計(jì)算光線斷裂程度間接表征煙絲凹陷大小，實(shí)現(xiàn)視覺(jué)空頭的精確檢測(cè)。

6、但是，現(xiàn)有煙支空頭的圖像數(shù)據(jù)缺乏，使用目標(biāo)缺陷檢測(cè)方法進(jìn)行訓(xùn)練存在樣本數(shù)據(jù)不足和訓(xùn)練效果不理想的問(wèn)題，這可能會(huì)影響煙支空頭的檢測(cè)精度。

7、因此，如何提供一種基于began-yolo-dspp檢測(cè)煙支末端未充滿煙絲而導(dǎo)致的空鼓現(xiàn)象是本領(lǐng)域技術(shù)人員亟需解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種煙支空頭檢測(cè)方法及系統(tǒng)，旨在解決煙支空頭的圖像數(shù)據(jù)缺乏，使用目標(biāo)缺陷檢測(cè)方法進(jìn)行訓(xùn)練存在樣本數(shù)據(jù)不足和訓(xùn)練效果不理想，影響煙支空頭的檢測(cè)精度技術(shù)問(wèn)題。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、一種煙支空頭檢測(cè)方法，包括以下方法：

4、s1、獲取煙支原始數(shù)據(jù)，并基于began算法生成樣本數(shù)據(jù)，基于原始數(shù)據(jù)和樣本數(shù)據(jù)劃分訓(xùn)練集和測(cè)試集，并對(duì)訓(xùn)練集和測(cè)試集進(jìn)行數(shù)據(jù)增強(qiáng)；

5、s2、構(gòu)建基于dspp的yolov4網(wǎng)絡(luò)模型，通過(guò)訓(xùn)練集對(duì)骨干網(wǎng)絡(luò)進(jìn)行訓(xùn)練；對(duì)圖像特征進(jìn)行提取并識(shí)別，獲取訓(xùn)練損失函數(shù)；基于sgd優(yōu)化器優(yōu)化模型權(quán)重，對(duì)上述訓(xùn)練過(guò)程進(jìn)行多次迭代，選擇最佳yolov4-dspp模型；

6、s3、將測(cè)試集輸入至最佳yolov4-dspp模型中，獲取預(yù)測(cè)結(jié)果。

7、進(jìn)一步的，所述s1中基于began算法生成樣本數(shù)據(jù)具體為：

8、判斷原始數(shù)據(jù)是一維圖像還是二維圖像，若是一維圖像，則通過(guò)生成器將一維高斯噪聲輸入映射為二維圖像，若是二維圖像，則對(duì)二維圖像進(jìn)行編碼，將二維圖像映射至低維空間，然后通過(guò)生成器將低維空間中的圖像映射為二維圖像。

9、進(jìn)一步的，began算法基于wasserstein距離作為損失函數(shù)：

10、l(x；θ)＝e[||x-g(z；θ)||1]

11、式中，x為真實(shí)圖像，g(z；θ)為生成器生成的圖像，z為隨機(jī)高斯噪聲，θ為生成器參數(shù)。

12、進(jìn)一步的，began算法引入平衡因子kt控制判別器對(duì)生成圖像和真實(shí)圖像的關(guān)注度，更新公式為：

13、kt+1＝kt+λ(γl(x)-l(g(z)))

14、式中，λ為學(xué)習(xí)率，γ為目標(biāo)分配比例，l(x)為真實(shí)圖像x的損失值，l(g(z))為生成圖像g(z)的損失值。

15、進(jìn)一步的，所述步驟s2具體為：

16、yolov4使用cspdarknet53作為主干網(wǎng)絡(luò)，通過(guò)fpn對(duì)不同尺度的特征進(jìn)行融合，提高對(duì)小目標(biāo)的檢測(cè)能力，將路徑聚合網(wǎng)絡(luò)panet引入到fpn中，進(jìn)一步增強(qiáng)特征的融合和傳遞，通過(guò)對(duì)不同大小的池化窗口進(jìn)行池化，spp模塊通過(guò)對(duì)不同大小的池化窗口進(jìn)行池化，提取多尺度特征，增強(qiáng)模型的感受野，并在網(wǎng)絡(luò)的多個(gè)層次上應(yīng)用spp模塊來(lái)捕獲不同尺度的特征。

17、進(jìn)一步的，yolov4使用mish作為激活函數(shù)。

18、進(jìn)一步的，所述yolov4的損失函數(shù)為：

19、給定一個(gè)隨機(jī)值向量，即潛在輸入，滿足一定特征分布的任意向量，，即gan結(jié)構(gòu)圖中的noise，生成器生成與訓(xùn)練集具有相同數(shù)據(jù)特征的數(shù)據(jù)，構(gòu)建損失函數(shù)lciou：

20、

21、其中，bgt代表真實(shí)框，即目標(biāo)框，b代表預(yù)測(cè)框，b為預(yù)測(cè)框的中心點(diǎn)，bgt為真實(shí)框的中心點(diǎn)，ρ為兩個(gè)中心點(diǎn)的歐氏距離，c為同時(shí)包含預(yù)測(cè)框和真實(shí)框的最小閉包區(qū)域的對(duì)角線距離，β為權(quán)重函數(shù)，v為長(zhǎng)寬比的相似性度量，iou為交并比度量指標(biāo)。

22、進(jìn)一步的，權(quán)重函數(shù)β為：

23、

24、長(zhǎng)寬比的相似性度量v為：

25、

26、式中，ωgt為真實(shí)框的寬度，hgt為真實(shí)框的高度，ω為預(yù)測(cè)框的寬度，h為預(yù)測(cè)框的高度。

27、進(jìn)一步的，dspp算法的實(shí)現(xiàn)過(guò)程為：

28、將圖像輸入到網(wǎng)絡(luò)中，通過(guò)多個(gè)卷積層提取圖像的特征，spp模塊被應(yīng)用在不同的層次上，每個(gè)spp模塊被池化在不同大小的池化窗口上，將不同spp模塊輸出的特征拼接在一起，形成多尺度特征表示，通過(guò)全連接層或卷積層對(duì)拼接后的特征進(jìn)一步處理生成最終的輸出。

29、一種煙支空頭檢測(cè)系統(tǒng)，包括：

30、樣本數(shù)據(jù)生成模塊，用于生成煙支空頭樣本數(shù)據(jù)，數(shù)據(jù)集構(gòu)建模塊，用于合并生成的樣本數(shù)據(jù)與真實(shí)圖像，形成訓(xùn)練集和測(cè)試集，檢測(cè)模型訓(xùn)練模塊，用于訓(xùn)練yolov4算法以檢測(cè)煙支空頭現(xiàn)象，特征提取增強(qiáng)模塊，用于在yolov4算法中應(yīng)用dspp算法，以提高檢測(cè)準(zhǔn)確率；

31、樣本數(shù)據(jù)生成模塊使用began算法，并且該算法通過(guò)wasserstein距離作為損失函數(shù)，實(shí)現(xiàn)生成器和判別器之間的動(dòng)態(tài)平衡；

32、檢測(cè)模型訓(xùn)練模塊使用yolov4算法，并且該算法使用cspdarknet53作為主干網(wǎng)絡(luò)，mish激活函數(shù)和ciou損失函數(shù)進(jìn)行訓(xùn)練；

33、特征提取增強(qiáng)模塊使用dspp算法，并且該算法在網(wǎng)絡(luò)的多個(gè)層次上應(yīng)用spp模塊，以捕獲不同尺度的特征，并通過(guò)拼接這些特征形成多尺度特征表示。

34、上述技術(shù)方案至少包括如下技術(shù)效果：

35、經(jīng)由上述的技術(shù)方案可知，本發(fā)明公開(kāi)提供了一種煙支空頭檢測(cè)方法及系統(tǒng)，相較于現(xiàn)有技術(shù)，本發(fā)明能夠針對(duì)煙支樣本數(shù)據(jù)較少的問(wèn)題，采用began算法生成高質(zhì)量圖像，實(shí)現(xiàn)樣本數(shù)據(jù)的擴(kuò)充，提高模型的泛化能力，其次，選用基于回歸方法的深度學(xué)習(xí)目標(biāo)檢測(cè)算法yolov4對(duì)煙支空頭現(xiàn)象進(jìn)行檢測(cè)，滿足了準(zhǔn)確性和快速性的要求，最后，選擇深度可分離金字塔池化dspp算法對(duì)其進(jìn)行替換，聚合多尺度上下文特征，提高不同目標(biāo)的檢測(cè)能力，提高煙支短支檢測(cè)的準(zhǔn)確率。