技術(shù)簡述

煙草視覺檢測霉變煙葉識別屬于機器視覺領(lǐng)域，涉及深度學習算法。霉變模型采用卷積神經(jīng)網(wǎng)絡(luò)算法提取煙葉特征圖聯(lián)合通道注意力和空間注意力特征輸出為最終特征，網(wǎng)絡(luò)輸入為符合相機采集分辨率等比縮放至固定尺寸，骨干網(wǎng)絡(luò)(Backbone）的設(shè)計兼顧速度與精度選取合適的模型深度。

復(fù)雜的神經(jīng)網(wǎng)絡(luò)在小數(shù)據(jù)集上訓(xùn)練時需要防止過擬合，因此我們還需要考慮算法出現(xiàn)過擬合的狀態(tài)，算法加入“隨機失活"在訓(xùn)練時讓一定比例的隱藏節(jié)點為0，但是在推理時其實是對每個權(quán)重取失活概率后的值。

最后需要對網(wǎng)絡(luò)的最終特征使用激活函數(shù)將數(shù)據(jù)分類為正常煙葉和霉變煙葉，使其輸出范圍在0-1之間，同時在模型檢測服務(wù)端預(yù)留可調(diào)控閾值，既可采用初始建議閾值，也可根據(jù)現(xiàn)場實際應(yīng)用情況對霉變檢測結(jié)果進行合理調(diào)控。

煙草視覺檢測模型對切片煙葉、煙包等圖像分析定位霉變煙并給出霉變率；該算法在保證了低誤檢率的前提下提高霉變檢出率，在實際生產(chǎn)中可以提高產(chǎn)品質(zhì)量，減輕人工工作量。

應(yīng)用效果

經(jīng)過現(xiàn)場測試霉變檢測系統(tǒng)對于成品煙箱開箱表面霉變檢測模型的誤檢率在0.87%左右，而霉變的檢出率在96.83%左右；對于切片后檢測包芯霉變煙檢測模型的誤檢率在1.5%左右，檢出率在86.44%左右。