缺陷烟包识别装置及识别方法、剔除装置及香烟加工系统与流程

1.本公开涉及香烟加工设备技术领域，特别涉及一种缺陷烟包识别装置及识别方法、剔除装置及香烟加工系统。


背景技术：

2.烟包外观质量缺陷一直是困扰香烟生产企业的一个质量难题，在识别出烟包外观缺陷后，由于设备高速运转，人工难以观察，有时又会频繁启停设备，因此烟包运行速度也会存在变化，很难准确地将缺陷烟包剔除，但无论任何速度下检测到的缺陷烟包都需要及时准确剔除。


技术实现要素：

3.本公开提供了一种缺陷烟包识别装置及识别方法、剔除装置及香烟加工系统，能够准确地识别出缺陷烟包。
4.本公开第一方面提供了一种缺陷烟包识别装置，包括：
5.输送部件，用于输送烟包；
6.图像采集组件，被配置为采集待识别烟包输送过程中的外观图像；和
7.图像分析部件，包括神经网络模型，神经网络模型包括生成器和判别器，生成器被配置为对图像采集组件获取的待识别烟包的原图进行修复，生成不带缺陷的虚拟图片；判别器被配置为将待识别烟包的原图和虚拟图片进行对比，推理出原图与虚拟图片是否存在差异，并在存在差异的情况下确定出待识别烟包具有缺陷。
8.在一些实施例中，判别器被配置为计算待识别烟包的原图和虚拟图片之间的损失值，并在损失值大于预设阈值的情况下判定原图和虚拟图片存在差异。
9.在一些实施例中，生成器被配置为将待识别烟包的原图生成一张对应的虚拟图片，并与预存的合格烟包样本学习形成的模型文件的图像特征规律进行对比，将虚拟图片中不符合图像特征规律的区域进行修正，以实现对虚拟图片的修复，从而产生一张与待识别烟包的原图对应状态下的不带缺陷的虚拟图片。
10.在一些实施例中，生成器被配置为在神经网络模型训练的过程中，接收合格烟包的原图并生成虚拟图片；判别器被配置为接收合格烟包的原图和虚拟图片，并判别出属于原图还是虚拟图片，以对生成器进行训练生成更优的虚拟图片，直至判别器无法区分出原图和虚拟图片停止训练。
11.在一些实施例中，神经网络模型为卷积神经网络。
12.在一些实施例中，图像采集组件包括多个图像采集部件，分别用于获取烟包不同表面的图像，生成器和判别器均具有多个通道，多个通道分别对不同图像采集部件获得的原图进行分析。
13.在一些实施例中，判别器被配置为在其中一个通道判定出具有缺陷的情况下，确定待识别烟包具有缺陷。
14.在一些实施例中，图像采集组件包括：
15.第一图像采集部件，设在输送部件的一侧，用于获取烟包的前表面和第一侧面的图像；
16.第二图像采集部件，设在输送部件的另一侧，用于获取烟包的后表面和第二侧面的图像；和
17.第三图像采集部件，设在输送部件的上方，用于获取烟包的顶面的图像；
18.其中，图像分析部件被配置为接收第一图像采集部件、第二图像采集部件和第三图像采集部件获得的原图。
19.在一些实施例中，缺陷烟包识别装置还包括光源盒，罩住输送部件的部分长度段，第一图像采集部件和第二图像采集部件分别位于光源盒的两侧，第三图像采集部件设在光源盒的顶部，光源盒上设有供图像采集和烟包进出的避让部。
20.在一些实施例中，缺陷烟包识别装置还包括底板和三个第一安装架，三个第一安装架分别用于安装第一图像采集部件、第二图像采集部件和第三图像采集部件；其中，第一安装架相对于底板的安装位置和/或安装角度可调。
21.本公开第二方面提供了一种基于上述实施例缺陷烟包识别装置的缺陷烟包识别方法，包括：
22.通过图像采集组件采集待识别烟包输送过程中的外观图像；
23.通过生成器，对图像采集组件获取的待识别烟包的原图进行修复，生成不带缺陷的虚拟图片；
24.通过判别器，将待识别烟包的原图和虚拟图片进行对比，推理出原图与虚拟图片是否存在差异，并在存在差异的情况下确定出待识别烟包具有缺陷。
25.在一些实施例中，推理出原图与虚拟图片是否存在差异的步骤包括：
26.通过判别器计算待识别烟包的原图和虚拟图片之间的损失值，并在损失值大于预设阈值的情况下判定原图和虚拟图片存在差异。
27.在一些实施例中，对图像采集组件采集的待识别烟包的原图进行修复的步骤包括：
28.通过生成器将待识别烟包的原图生成一张对应的虚拟图片；
29.将虚拟图片与预存的合格烟包样本学习形成的模型文件的图像特征规律进行对比；
30.将虚拟图片中不符合所述图像特征规律的区域进行修正，以实现对虚拟图片的修复，从而产生一张与待识别烟包的原图对应状态下的不带缺陷的虚拟图片。
31.在一些实施例中，缺陷烟包识别方法还包括：对神经网络模型进行训练，训练步骤包括：
32.通过生成器接收合格烟包的原图并生成虚拟图片；
33.通过判别器接收合格烟包的原图和虚拟图片，并判别出属于原图还是虚拟图片；
34.通过判别结果对生成器进行训练生成更优的虚拟图片，直至判别器无法区分出原图和虚拟图片停止训练。
35.本公开第三方面提供了一种缺陷烟包剔除装置，包括：
36.上述实施例的缺陷烟包识别装置；和
37.剔除部件，沿烟包的输送方向位于图像采集组件的下游，被配置为将具有缺陷的烟包剔除。
38.在一些实施例中，缺陷烟包剔除装置还包括：
39.第一位置检测部件和第二位置检测部件，沿烟包的输送方向依次间隔设置，均用于检测烟包沿输送方向的位置，以得到烟包的运行速度；
40.其中，剔除部件沿输送方向设在第二位置检测部件下游的剔除工位，且具有不同的剔除方向，用于在烟包存在缺陷的情况下，依据烟包的运行速度以合适的剔除方向将烟包从输送部件上剔除。
41.在一些实施例中，图像采集组件设在第一位置检测部件和第二位置检测部件之间，被配置为在第一位置检测部件检测到烟包的情况下开启。
42.在一些实施例中，缺陷烟包剔除装置还包括：
43.第三位置检测部件，沿烟包的输送方向设在第二位置检测部件和剔除部件之间，用于检测烟包沿输送方向的位置；
44.其中，剔除部件用于在第三位置检测部件检测到烟包的情况下开启。
45.本公开第四方面提供了一种香烟加工系统，包括上述实施例的缺陷烟包识别装置或缺陷烟包剔除装置。
46.本公开实施例的缺陷烟包识别装置，对每个待识别烟包都获得输送过程中的原图，并对原图修复生成不带缺陷的虚拟图片，与所有待识别烟包均基于同一张标准图像进行对比的方式相比，本公开考虑了每个烟包都具有不同的运行姿态，为每个烟包均相应地生成了符合该烟包运行姿态的虚拟图片，可区分出真实的缺陷，能够提高烟包缺陷识别的准确性。
附图说明
47.为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
48.图1为本公开缺陷烟包剔除装置的一些实施例的立体图。
49.图2为本公开缺陷烟包剔除装置的一些实施例的俯视图。
50.图3为本公开缺陷烟包剔除装置的一些实施例的局部放大图。
51.图4为本公开缺陷烟包识别装置中神经网络模型的工作原理示意图。
52.图5为本公开缺陷烟包识别装置中神经网络模型的训练原理图。
53.附图标记说明
54.1、输送部件；2、第一位置检测部件；3、第二位置检测部件；4、第三位置检测部件；5、剔除部件；51、第一电磁阀；52、第二电磁阀；53、吹气管；6、第一安装架；61、横板；611、第一长圆孔；62、第一竖板；63、第二竖板；7、第一图像采集部件；8、第二图像采集部件；9、第三图像采集部件；10、光源盒；10’、避让部；11、第二安装架；12、第三安装架；13、底板；14、剔除口；15、烟包；s1、前表面；s2、第一侧面；s3、后表面；s4、第二侧面；s5、顶面；k、输送方向。
具体实施方式
55.下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，本领域普通技术人员在没有开展创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
56.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。
57.在本公开的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本公开和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本公开保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
58.在本公开的描述中，需要理解的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本公开保护范围的限制。
59.首先，本公开提供了一种缺陷烟包识别装置，如图1至图4所示，在一些实施例中，缺陷烟包识别装置包括：
60.输送部件1，用于输送烟包15；
61.图像采集组件，被配置为采集待识别烟包15输送过程中的外观图像；和
62.图像分析部件，包括神经网络模型，神经网络模型包括生成器g和判别器d，生成器g被配置为对图像采集组件获取的待识别烟包15的原图进行修复，生成不带缺陷的虚拟图片；判别器d被配置为将待识别烟包15的原图和虚拟图片进行对比，推理出原图与虚拟图片是否存在差异，并在存在差异的情况下确定出待识别烟包15具有缺陷。
63.其中，输送部件1用于输送烟包15，例如输送部件1可以是皮带或滑道等，能够将烟包15沿输送方向k移动，烟包15为包覆透明纸后的成品烟包15，例如，在输送时可使烟包15的最大侧面朝向输送部件1的侧面。
64.图像采集组件可包括拍摄部件，例如ccd相机等；或者也可采用光学检测器件。
65.如图4所示，神经网络模型包括生成器g和判别器d，输送部件1上每经过一个烟包15，生成器g都会基于输入的待识别烟包15的原图进行修复，生成一张不带缺陷的虚拟图片，原图也可称为真图，虚拟图片也可成为假图。在对待识别烟包15的原图进行修复的过程中，只修改了缺陷区域，而烟包15输送过程中由于形态的不确定性(例如由于输送部件1振动使烟包15发生抖动或跳动)，或者烟包15小范围平移、晃动，则在修复中则不会去处理，以反映出烟包15的真实输送姿态。
66.判别器d将待识别烟包15的原图和不带缺陷的虚拟图片进行对比，推理出原图与虚拟图片是否存在差异，并在存在差异的情况下确定出待识别烟包15具有缺陷。该缺陷可以是烟包的透明纸有破损或污渍等。在识别过程中，深度学习算法可以从采集的烟包原图的像素特征中逐渐组合出线条、边、角、简单形状、复杂形状等更加有效的复杂特征，以便进行识别判断。
67.该实施例对每个待识别烟包15都获得输送过程中的原图，并对原图修复生成不带缺陷的虚拟图片，与所有待识别烟包15均基于同一张标准图像进行对比的方式相比，本公开考虑了每个烟包15都具有不同的运行姿态，为每个烟包15均相应地生成了符合该烟包15运行姿态的虚拟图片，这样可以消除因为烟包15运行过程中不同姿态造成的每一张图片的特征值不一样引起的干扰，由此可区分出真实的缺陷，能够提高烟包缺陷识别的准确性。
68.因此，此种缺陷识别装置模拟了生物视觉作用原理，对于烟包外观缺陷点位置的不同、形态的不确定性和烟包输送过程中小范围的平移或晃动有较好适应效果。
69.例如，某个烟包15存在污渍缺陷，在输送过程中也出现了跳起状态，只要在神经网络模型通过大量数据训练的过程中，出现了这种含有跳起特征的图像，则不认为烟包跳起状态相关的特征属于缺陷，只认为烟包表面的污渍为缺陷。
70.在一些实施例中，判别器d被配置为计算待识别烟包15的原图和虚拟图片之间的损失值，并在损失值大于预设阈值的情况下判定原图和虚拟图片存在差异。
71.该实施例能够通过量化计算来确定出原图和虚拟图片是否存在差异，提高烟包缺陷识别的准确性。
72.在一些实施例中，生成器g被配置为将待识别烟包15的原图生成一张对应的虚拟图片，并与预存的合格烟包15样本学习形成的模型文件的图像特征规律进行对比，将虚拟图片中不符合图像特征规律的区域进行修正，以实现对虚拟图片的修复，从而产生一张与待识别烟包15的原图对应状态下的不带缺陷的虚拟图片。
73.其中，模型文件中存储了正常烟包的图像规律，以及各个特征或者像素之间的关系，当向生成器g输入一张原图时，就可以将生成的虚拟图片与模型文件中的图像特征规律进行对比，以将缺陷区域进行修复，得到正常的虚拟图片。
74.该实施例将合格烟包15对应的图像特征规律预存在图像分析部件中，由于运输过程中的烟包15具有不同的姿态，通过采集大量的合格烟包15的图片并将图像特征规律进行存储，能够在对待识别烟包15进行修复时，可与合格烟包15的图像特征规律进行对比，匹配出烟包姿态接近的图像，以更准确地确定出缺陷区域，避免将烟包姿态不同造成的图像区别认为缺陷区域，从而更准确地识别出是否缺陷烟包。
75.在一些实施例中，如图5所示，生成器g被配置为在神经网络模型训练的过程中，接收合格烟包15的原图并生成虚拟图片；判别器d被配置为接收合格烟包15的原图和虚拟图片，并判别出属于原图还是虚拟图片，以对生成器g进行训练生成更优的虚拟图片，直至判别器d无法区分出原图和虚拟图片停止训练。
76.其中，在烟包缺陷检测的过程中，生成器g和判别器d在模型的训练中应用到了生成式对抗网络gan，通过生成器g和判别器d互相博弈，产生以假乱真的虚拟图片。其中，生成器g和判别器d是两个独立的模块，生成器g用于根据原图产生虚拟图片，判别器d用于判断接收的图片是原图还是虚拟图片，例如可给出概率来标识判断结果更倾向于那种结果。
77.通过模型不断的对抗模拟，最终生成一个以假乱真的图片，完全找不出真实图片与模拟生成图片之间的差异，就是训练的过程。真实的训练过程中是将一张张图片从低分辨率到高分辨率不断演化的过程，首先将一张图片分为4
×
4个像素，学习这其中的特征，然后将分辨率不断提高，当训练到256
×
256时，就可以清晰的看出图像的样子了，当生成的图片(虚拟图片)与原图完全分辨不出区别时，即判别器d对于任何图片判断的概率都接近
0.5，训练就完成了。那么，该神经网络模型就是一套如何生成虚拟图片以及如何进行对比的数据。
78.该实施例在通过神经网络模型识别缺陷烟包之前，先通过大量的合格烟包15输送过程中的图片对神经网络模型进行训练，使以便后续能准确地识别烟包缺陷。
79.例如，在训练的时候以64张图片为一组进行生成器g训练，每一组的这个训练参数引入的是随机数，然后训练完之后生成的这个虚拟图片，再去计算虚拟图片与原图之间的差值，这个差值就叫损失函数，然后找到最小的损失函数那一组，这就是整个一次的训练过程，然后不断重复这个次数，每一个批次不断的下一次，会把这个64张图片，比如说是5000张，分别打乱成64一组，重新打乱分组，让这个模型的参数分布的相对比较均匀，不断的重复，这样过程一般要训练个几百次，所以训练的这个工作量非常的大，总共要进行上百万次的图像特征的采集训练，直到最后，对于生成器g生成的虚拟图片，计算它的损失函数已经小于某个值的时候，判别器d就难以判断出是原图还是虚拟图片了，这时候就训练完成。
80.神经网络模型训练完成以后，在进行推理的过程中，就是来一张原图，之后就会通过训练好的生成器g，会生成一张相应的虚拟图片，如果原图是有缺陷的，那么生成器g会对虚拟图片进行修复，输出这张原图特征准确的虚拟图片，再对虚拟图片和原图之间做差，去计算它的损失值，只要损失值小于我们设定的值，那么这张图片就是无缺陷的，如果大于设定值，那么这张图片就是有缺陷的。
81.在一些实施例中，神经网络模型为卷积神经网络。
82.卷积神经网络在实际应用中，分为学习(训练)和识别(推理)的过程，其中学习的过程是让机器认识需要识别的物体，推理过程是让机器利用学习到的内容，对需要识别的内容进行识别，是否是需要的物体。
83.推理过程中，应用最多的过程就是卷积，一张图片是由无数个像素组成。为了简单理解原理，可用一个5*5的矩形进行说明。可以将一张图片理解为5*5的像素组成的，在学习过程中，会生成n个特征点，这些特征点是3*3的像素组成。那么，卷积的过程就是，用这些特征点在5*5的图像上进行一一的对比，如所需识别的图像中像素数据与模型一致则+1，如不同则算做0，卷积完成后得到另一个矩阵数据图，这个过程就叫做卷积。
84.上面介绍的是最基本的原理，实际上会有很多个特征点在图像上进行卷积过程。卷积的过程会得到缩小的矩阵数据图。而这些进行卷积的特征点，可以叫做卷积模型。
85.下面对卷积神经网络如何让机器能够识别进行说明，以x和o的图像对这个过程进行说明。
86.如何判断一张图上的字符是x还是o，如果都是标准的图像，用传统图像对比就能够识别出来，但是当字符变形了，比如加粗、拉伸、旋转、平移了之后，传统的像素对比方式就无法识别了。
87.首先，为了能够识别字符，肯定要先进行训练，对于x字符，会提取一些特征点，当使用特征点进行卷积过程时，通过设定好的判断逻辑，得到所需的数据矩阵。当使用一个特征点(卷积模型)进行推理时，会得到一个得分矩阵。
88.当每一个特征点都卷积完成后，还无法准确的判断当前字符是什么，需要通过其他的方式来进一步处理。首先会进行激活函数的处理，就是说对卷积后的数据设定一个阈值，当不满足阈值时，将该区域数据算作0。激活函数这个过程处理完成后，对得到的数据矩
阵进行池化处理，即将矩阵缩小，4个数据合成一个。那么不断的进行如上的过程，不断地卷积，激活函数、池化的过程。最终会得到如下的一个数据，通过设定合理的阈值来判断该字符是x还是o。
89.在一些实施例中，图像采集组件包括多个图像采集部件，分别用于获取烟包15不同表面的图像，生成器g和判别器d均具有多个通道，多个通道分别对不同图像采集部件获得的原图进行分析。
90.该实施例在采用多个图像采集部件获取烟包15的外观图片时，可通过多个通道独立进行训练、生成虚拟图片和缺陷判别，能够避免多个图像采集部件获得的图片之间相互影响，再通过多个通道的分析结果进行综合分析。
91.在一些实施例中，判别器d被配置为在其中一个通道判定出具有缺陷的情况下，确定待识别烟包15具有缺陷。
92.在一些实施例中，如图1所示，图像采集组件包括：第一图像采集部件7，设在输送部件1的一侧，用于获取烟包15的前表面s1和第一侧面s2的图像；第二图像采集部件8，设在输送部件1的另一侧，用于获取烟包15的后表面s3和第二侧面s4的图像；和第三图像采集部件9，设在输送部件1的上方，用于获取烟包15的顶面s5的图像；其中，图像分析部件被配置为接收第一图像采集部件7、第二图像采集部件8和第三图像采集部件9获得的原图。
93.例如，第一图像采集部件7可以的拍摄面可以朝前倾斜设置，以在烟包15到来的过程中同时获取烟包15的前表面s1和第一侧面s2的图像；第二图像采集部件8的拍摄面可以朝后倾斜设置，以在烟包15离开的过程中同时获取烟包15的后表面s3和第二侧面s4的图像。
94.例如，各图像采集部件可以为拍摄部件，例如ccd相机等。
95.该实施例通过设置三个图像采集部件，可在烟包15经过的过程中获得各个不同表面的图像，以便通过图像分析部件对烟包15各表面的图像综合分析，以确定出烟包15是否存在缺陷，与基于灰度检测的方式相比，能够分辨出烟包上的微小缺陷，对于白色烟包也能准确识别。
96.在一些实施例中，缺陷烟包识别装置还包括光源盒10，罩住输送部件1的部分长度段，第一图像采集部件7和第二图像采集部件8分别位于光源盒10的两侧，第三图像采集部件9设在光源盒10的顶部，其中，光源盒10上设有供图像采集和烟包15进出的避让部10’。
97.例如，光源盒10可以为拱形结构，其沿输送方向k的两端分别设有避让部10’，以供烟包15的进出，光源盒10的侧壁上也设有多处避让部10’，以供采集图像和第一位置检测部件2进行检测。
98.该实施例通过设置光源盒10，能够在烟包15通过时补充光线，以使图像采集部件能够清晰地获得烟包15不同表面的图像，提高缺陷检测的准确性。
99.在一些实施例中，缺陷烟包识别装置还包括底板13和三个第一安装架11，三个第一安装架11分别用于安装第一图像采集部件7、第二图像采集部件8和第三图像采集部件9；其中，第一安装架11相对于底板13的安装位置和/或安装角度可调。
100.例如，第二安装架11上可设置第三长圆孔，第二安装架11通过紧固件固定在底板13上。
101.该实施例能够灵活地调整第二安装架11的位置，以改变图像采集部件的安装位置
和拍摄角度，能够以合适的角度获得烟包15不同表面的图像，以适应不同的设备。
102.其次，本公开提供了一种基于上述实施例缺陷烟包识别装置的缺陷烟包识别方法，包括：
103.通过图像采集组件采集待识别烟包15输送过程中的外观图像；
104.通过生成器g，对图像采集组件获取的待识别烟包15的原图进行修复，生成不带缺陷的虚拟图片；
105.通过判别器d，将待识别烟包15的原图和虚拟图片进行对比，推理出原图与虚拟图片是否存在差异，并在存在差异的情况下确定出待识别烟包15具有缺陷。
106.其中，该实施例中的三个步骤顺序执行。
107.该实施例对每个待识别烟包15都获得输送过程中的原图，并对原图修复生成不带缺陷的虚拟图片，与所有待识别烟包15均基于同一张标准图像进行对比的方式相比，本公开考虑了每个烟包15都具有不同的运行姿态，为每个烟包15均相应地生成了符合该烟包15运行姿态的虚拟图片，这样可以消除因为烟包15运行过程中不同姿态造成的每一张图片的特征值不一样引起的干扰，由此可区分出真实的缺陷，能够提高烟包缺陷识别的准确性。
108.在一些实施例中，推理出原图与虚拟图片是否存在差异的步骤包括：
109.通过判别器d计算待识别烟包15的原图和虚拟图片之间的损失值，并在损失值大于预设阈值的情况下判定原图和虚拟图片存在差异。
110.该实施例能够通过量化计算来确定出原图和虚拟图片是否存在差异，提高烟包缺陷识别的准确性。
111.在一些实施例中，对图像采集组件采集的待识别烟包15的原图进行修复的步骤包括：
112.通过生成器g将待识别烟包15的原图生成一张对应的虚拟图片；
113.将虚拟图片与预存的合格烟包15样本学习形成的模型文件的图像特征规律进行对比；
114.将虚拟图片中不符合图像特征规律的区域进行修正，以实现对待识别烟包15原图的修复，从而产生一张与待识别烟包15的原图对应状态下的不带缺陷的虚拟图片。
115.该实施例将合格烟包15对应的图像特征规律预存在图像分析部件中，由于运输过程中的烟包15具有不同的姿态，通过采集大量的合格烟包15的图片并将图像特征规律进行存储，能够在对待识别烟包15进行修复时，可与合格烟包15的图像特征规律进行对比，匹配出烟包姿态接近的图像，以更准确地确定出缺陷区域，避免将烟包姿态不同造成的图像区别认为缺陷区域，从而更准确地识别出是否缺陷烟包。
116.在一些实施例中，在使用神经网络模型对缺陷烟包进行识别之前，缺陷烟包识别方法还包括：对神经网络模型进行训练，训练步骤包括：
117.通过生成器g接收合格烟包15的原图并生成虚拟图片；
118.通过判别器d接收合格烟包15的原图和虚拟图片，并判别出属于原图还是虚拟图片；
119.通过判别结果对生成器g进行训练生成更优的虚拟图片，直至判别器d无法区分出原图和虚拟图片停止训练。
120.该实施例在通过神经网络模型识别缺陷烟包之前，先通过大量的合格烟包15输送
过程中的图片对神经网络模型进行训练，使以便后续能准确地识别烟包缺陷。
121.再次，如图1所示，本公开提供了一种缺陷烟包剔除装置，在一些实施例中，包括：上述实施例的缺陷烟包识别装置；和剔除部件5，沿烟包15的输送方向位于图像采集组件的下游，被配置为将具有缺陷的烟包15剔除。
122.例如，剔除部件5可通过施加气压或机械推动力的方式将烟包15剔除。剔除部件5可通过控制器进行控制，控制器可接收图像分析部件的检测结果，在确定出烟包15的外观存在缺陷后，在烟包15经过剔除工位时控制剔除部件5动作将该烟包15剔除。为了接收剔除后的烟包15，输送部件1与剔除部件5相对的一侧设有剔除口14。
123.该实施例通过设置剔除部件5，能够在通过图像分析部件识别出烟包15存在缺陷的情况下，及时将缺陷烟包15剔除。
124.在一些实施例中，缺陷烟包剔除装置还包括：第一位置检测部件2和第二位置检测部件3，沿烟包15的输送方向k依次间隔设置，均用于检测烟包15沿输送方向k的位置，以得到烟包15的运行速度；其中，剔除部件5沿输送方向k设在第二位置检测部件3下游的剔除工位，且具有不同的剔除方向，用于在烟包15存在缺陷的情况下，依据烟包15的运行速度以合适的剔除方向将烟包15从输送部件1上剔除。
125.具体地，通过设置控制器或定时器，可获取第一位置检测部件2和第二位置检测部件3都检测到烟包15的前表面s1或后表面s3的时刻，以得到烟包15经过第一位置检测部件2和第二位置检测部件3之间这段距离所需的时间，并通过将距离除以时间得到烟包15的运行速度。
126.例如，第一位置检测部件2和第二位置检测部件3可以为光纤传感器、光电传感器、激光传感器等。例如，如图2所示，第一位置检测部件2和第二位置检测部件3均可在输送部件1的两侧分别设置一个，对于能够通过单个检测部件实现检测功能的情况，两个检测部件能够提高检测的可靠性，或者通过两侧的传感器配合实现检测功能，例如光电对射管等。
127.该实施例能够通过第一位置检测部件2和第二位置检测部件3检测烟包15的位置，以获取烟包15的运行速度，并根据运行速度使剔除部件5选择合适的剔除方式方向，以尽量朝烟包15侧面的中间区域施加作用力，即使设备处于高速运转或频繁启停的状态使烟包15速度变化，也能随之调整剔除策略，以便及时准确地将存在缺陷的烟包15剔除。
128.在一些实施例中，图像采集组件设在第一位置检测部件2和第二位置检测部件3之间，被配置为在第一位置检测部件2检测到烟包15的情况下开启。
129.该实施例能够在通过第一位置检测部件2准确地确定出图像采集组件的开启时机，既能及时获取到烟包15的图片，又能使图像采集组件在无需拍摄时处于待机状态，节约系统耗电量。
130.在一些实施例中，缺陷烟包剔除装置还包括：第三位置检测部件4，沿烟包15的输送方向k设在第二位置检测部件3和剔除部件5之间，用于检测烟包15沿输送方向k的位置；其中，剔除部件5用于在第三位置检测部件4检测到烟包15的情况下开启。
131.由此，第一位置检测部件2、第二位置检测部件3和第三位置检测部件4沿输送方向k依次间隔设置，第三位置检测部件4可设在靠近剔除部件5的位置。
132.例如，第三位置检测部件4可采用与第一位置检测部件2或第二位置检测部件3类似的器件。
133.该实施例考虑到剔除部件5在接收到控制信号之后距离执行剔除动作仍有一段时间的延迟，如烟包15高速运行，则很容易发生烟包15已经过剔除工位之后剔除部件5才动作，为避免这种情况，将第三位置检测部件4设在剔除部件5上游的位置，能够在第三位置检测部件4检测到烟包15后就开启剔除部件5，能够及时准确地将存在缺陷的烟包15剔除。
134.在一些实施例中，剔除部件5包括至少两个剔除电磁阀，用于在开启的状态下向存在缺陷的烟包15吹气以将烟包15剔除，至少两个剔除电磁阀的吹气方向不同。
135.该实施例通过设置多个剔除电磁阀可实现不同的吹气方向，以便在烟包15运行速度不同时以合适的角度吹气，能够可靠地将烟包15剔除，可实现较大的作用力，而且吹气时在烟包15表面的作用面积较大，可防止烟包15外表面受到损伤。此外，电磁阀动作灵敏迅速，易于控制。
136.在一些实施例中，如图2和图3所示，剔除电磁阀的吹气口设有吹气管53，吹气管53的自由端延伸至烟包15的侧面靠近中间的区域。
137.该实施例通过在剔除电磁阀的吹气口设置吹气管53，可引导吹气口排出的气体沿特定的方向排出，准确地向烟包15的中间区域施加气压作用，以使烟包15进入剔除口14。而且，通过设置吹气管53，易于精确地调整不同剔除电磁阀的吹气方向。
138.在一些实施例中，至少两个剔除电磁阀的安装方向不同以使各剔除电磁阀的吹气方向不同。
139.该实施例通过剔除电磁阀的安装方向实现不同的吹气方向，可提高多个剔除电磁阀的一致性，降低成本。
140.在一些实施例中，如图2和图3所示，至少两个剔除电磁阀包括成角度安装的第一电磁阀51和第二电磁阀52，第一电磁阀51的吹气口正对经过剔除工位的烟包15的侧面，第二电磁阀52的吹气口与经过剔除工位的烟包15的侧面倾斜相对，例如可在水平面内与烟包15的侧面倾斜相对。
141.例如，第一电磁阀51可位于第二电磁阀52沿输送方向k的上游，在烟包15运行速度相对较低时，可选择第一电磁阀51吹气；在烟包15运行速度相对较高时，可选择第二电磁阀52吹气，第二电磁阀52的吹气方向也朝向烟包15侧面的中间区域。
142.该实施例通过设置成角度安装的第一电磁阀51和第二电磁阀52，能够根据烟包15的运行速度选择不同的吹气方向，以及时准确地将烟包15剔除。
143.在一些实施例中，如图1所示，缺陷烟包剔除装置还包括第一安装架6，第一安装架6包括横板61、第一竖板62和第二竖板63，第一竖板62和第二竖板63在水平面内成锐角且底部均连接于横板61，第一竖板62垂直于横板61，第二竖板63位于第一竖板62沿输送方向k的下游。其中，第一电磁阀51安装于第一竖板62的外侧壁，第二电磁阀52安装于第二竖板63的内侧壁，即第二电磁阀52位于第一竖板62和第二竖板63之间。
144.该实施例的第一安装架6能够同时设置两个呈不同安装角度的剔除电磁阀，第一电磁阀51安装于第一竖板62的外侧壁，第二电磁阀52安装于第二竖板63的内侧壁，既能避免第一电磁阀51和第二电磁阀52在安装时相互干涉，也能使第一电磁阀51和第二电磁阀52的安装位置尽量靠近，以满足吹气方向微调的需求。
145.在一些实施例中，缺陷烟包剔除装置还包括底板13，第一安装架6相对于底板13沿输送方向k的位置、第一电磁阀51在第一安装架6上的安装高度，和/或第二电磁阀52在第一
安装架6上的安装高度可调。
146.例如，横板61上设有第一长圆孔611，第一长圆孔611沿输送方向k延伸，第一安装架6通过紧固件穿过第一长圆孔611安装在底板13上。第一竖板62和第二竖板63上均设有沿高度方向延伸的第二长圆孔，第一电磁阀51通过紧固件穿过第二长圆孔固定在第一竖板62上，第二电磁阀52通过紧固件穿过第二长圆孔固定在第二竖板63上。
147.该实施例能够灵活地调节多个剔除电磁阀的安装位置，以根据需求调整至合适的吹气方向，以适应不同的设备和烟包速度。
148.在一些实施例中，缺陷烟包剔除装置还包括底板13和三个第三安装架12，三个第三安装架12分别用于安装第一位置检测部件2、第二位置检测部件3和第三位置检测部件4；其中，第三安装架12相对于底板13的安装位置和/或安装角度可调。
149.例如，第三安装架12上可设置第四长圆孔，第三安装架12通过紧固件固定在底板13上。
150.该实施例能够灵活地调整第三安装架12的位置，以改变位置检测部件的安装位置，能够准确地获得烟包15的位置，以适应不同的设备和烟包速度。
151.最后，本公开提供了一种香烟加工系统，包括上述实施例的缺陷烟包识别装置，或者上述实施例的缺陷烟包剔除装置。
152.以上所述仅为本公开的示例性实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。