一种片烟包解包残余杂物的视觉检测方法与流程

本发明涉及一种片烟包解包残余杂物的视觉检测方法，属于数字图像处理。

背景技术：

1、在成品卷烟整个过程中，片烟包解包后需要保持烟草整体清洁无包装如塑料薄膜、纸板、编织袋等杂物的残余，进而保证后续烟丝制作过程在干净无杂物条件下，保证成品烟丝的质量。当前片烟包解包成功判断需要人工处理，增加人力成本的同时也增加时间消耗，出现漏查和误查等问题，大大降低生产效率，为产品质量埋下安全隐患。

技术实现思路

1、本发明的目的在于提供一种片烟包解包残余杂物的视觉检测方法，以解决现有技术片烟包解包成功判断需要人工处理，出现漏查和误查的缺陷。

2、一种片烟包解包残余杂物的视觉检测方法，所述方法包括：

3、在线获取片烟包表面图像；

4、将获取的片烟包表面图像输入预先训练的centernet网络，检测片烟包表面是否存在残留物，若无残留，则解包成功。

5、进一步地，所述centernet网络训练方法包括：

6、离线获取片烟包表面图像，对片烟包图像进行分析处理，构建离线片烟包表面数据集；

7、通过片烟包表面数据集训练centernet网络。

8、进一步地，所述对片烟包图像进行分析处理包括：

9、对图像中纸板、编织袋除塑料薄膜之外的数据进行图像增强；

10、对有杂物残留的数据进行增强。

11、进一步地，所述构建离线片烟包表面数据集的方法包括：

12、通过机械手解包完成，采用工业相机拍摄整个片烟包图像；

13、判断每张图像片烟包上表面是否含有残余杂物，并给出解包成功片烟包表面干净类别或解包失败片烟包表面残余杂物的类别；

14、分析解包成功、解包不成功数据集分布，分析解包片烟包表面含有残余杂物的种类塑料薄膜、纸板、编织袋的数据分布。

15、进一步地，所述centernet网络经过主干网络后，产生两个预测分支，分别为一对角点和中心关键点的预测，其中角点和中心点通过focal loss训练网络检测，角点和中心关键点的偏移量通过kl loss训练网络预测；

16、根据在线检测得到的片烟包表面坐标并判断是否存在残余杂物。

17、进一步地，所述centernet网络采用混合损失函数。

18、进一步地，所述混合损失函表达式为：

19、

20、和是focal loss训练网络检测角点和中心点，是角的拉损失，用于最小化属于同一目标角点对的嵌入向量的距离，是角的push损失，用于最大化不同对象的嵌入向量的距离。

21、进一步地，所述方法还包括：若解包失败，则通过人工干预。

22、与现有技术相比，本发明所达到的有益效果：

23、本发明提出的检测方法实施简单，硬件要求低，采用无接触测量，操作简单；通过数据增强解决遮挡类别数据不均衡问题，缓解过拟合；采用centernet网络在线判断片烟包解包残余杂物是否存在；

24、本发明能够直接应用在现有生产线上，避免了生产线改造，减少了安装成本。

技术特征：

1.一种片烟包解包残余杂物的视觉检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的片烟包解包残余杂物的视觉检测方法，其特征在于，所述centernet网络训练方法包括：

3.根据权利要求2所述的片烟包解包残余杂物的视觉检测方法，其特征在于，所述对片烟包图像进行分析处理包括：

4.根据权利要求2所述的片烟包解包残余杂物的视觉检测方法，其特征在于，所述构建离线片烟包表面数据集的方法包括：

5.根据权利要求1所述的片烟包解包残余杂物的视觉检测方法，其特征在于，所述centernet网络经过主干网络后，产生两个预测分支，分别为一对角点和中心关键点的预测，其中角点和中心点通过focal loss训练网络检测，角点和中心关键点的偏移量通过klloss训练网络预测；

6.根据权利要求1所述的片烟包解包残余杂物的视觉检测方法，其特征在于，所述centernet网络采用混合损失函数。

7.根据权利要求6所述的片烟包解包残余杂物的视觉检测方法，其特征在于，所述混合损失函表达式为：

8.根据权利要求1所述的片烟包解包残余杂物的视觉检测方法，其特征在于，所述方法还包括：若解包失败，则通过人工干预。

技术总结
本发明公开了一种片烟包解包残余杂物的视觉检测方法，所述方法包括：在线获取片烟包表面图像；将获取的片烟包表面图像输入预先训练的CenterNet网络，检测片烟包表面是否存在残留物，若无残留，则解包成功。本发明提出的检测方法实施简单，硬件要求低，采用无接触测量，操作简单；采用CenterNet网络在线判断片烟包解包残余杂物是否存在。

技术研发人员：金振训,章强,汤尧平,王刚
受保护的技术使用者：浙江中烟工业有限责任公司
技术研发日：
技术公布日：2024/1/13