技術(shù)簡(jiǎn)述

煙草視覺(jué)檢測霉變煙葉識別屬于機器視覺(jué)領(lǐng)域，涉及深度學(xué)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）的設計兼顧速度與精度選取合適的模型深度。

復雜的神經(jīng)網(wǎng)絡(luò )在小數據集上訓練時(shí)需要防止過(guò)擬合，因此我們還需要考慮算法出現過(guò)擬合的狀態(tài)，算法加入“隨機失活"在訓練時(shí)讓一定比例的隱藏節點(diǎn)為0，但是在推理時(shí)其實(shí)是對每個(gè)權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將數據分類(lèi)為正常煙葉和霉變煙葉，使其輸出范圍在0-1之間，同時(shí)在模型檢測服務(wù)端預留可調控閾值，既可采用初始建議閾值，也可根據現場(chǎng)實(shí)際應用情況對霉變檢測結果進(jìn)行合理調控。

煙草視覺(jué)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(shí)際生產(chǎn)中可以提高產(chǎn)品質(zhì)量，減輕人工工作量。

應用效果

經(jīng)過(guò)現場(chǎng)測試霉變檢測系統對于成品煙箱開(kāi)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。