本发明涉及图像处理以及烟草科技领域,尤其是一种基于深度学习的滤棒装盒质量识别方法。
背景技术:
目前,我国是烟草最大的生产与消费国,在香烟滤棒装盒机自动装盒的过程中,由于成型机输送滤棒速率的变化或者是装盒机在整理时不到位,装盒后的产品便会出现缺支、错位、横支等问题,这些问题产生之后则需要额外由人工进行滤棒的分类和整理。人工检测工作时间受限,工作地点受限,且人工成本费用也日趋渐高,如果这些带有缺陷的产品不能被及时发现并且被剔除,那么将会给企业带来非常大的负面影响。因此,找到一种能够快速准确进行滤棒质量判定的检测算法就显得尤为重要。
使用机器视觉对产品质量进行判断是工业上使用的最频繁的一种处理手段,而机器视觉的本质就是希望计算机能够模拟人类大脑做出有意义的判断。人类的大脑就像是一个复杂的神经网络,深度学习就是神经网络的进一步发展,它通过卷积层等对输入数据从低层到高层逐步地进行特征提取,模拟大脑的学习过程,对所提取的特征进行判断和分类,从而提高分类精度。
2006年,hinton等首次提出深度学习的概念,利用深度学习的方法进行数据的分类和降维,他们认为多层神经网络具有更加优异的特征学习能力,能够对图像进行更本质的刻画。随后,深度学习便在学术界以至工业界持续升温,在目标跟踪、人脸识别、语音识别等多个领域取得了突破性进展,这也证明了深度学习是一种行之有效的分类识别工具。
技术实现要素:
本发明的目的是针对目前的人工判断受时间,主观因素以及疲劳因素的影响,提供一种基于深度学习的滤棒装盒质量识别方法,识别更加准确、高效,能够在一定程度上可以适应生产线需要,提高生产效率,为后续无人化打包做好准备。
本发明是采取以下技术方案实现的:
一种基于深度学习的滤棒装盒质量识别方法,包括如下步骤:
1)在训练阶段下,将采集到的滤棒装盒图像样本分为错位、缺支、错位和缺支共存、以及标准装盒四类;
2)随机从步骤1)中的每类样本中选取相同固定数量的训练样本作为卷积神经网络模型的输入进行训练,通过反向传播,对网络参数进行优化,最终得到具有权值的微调网络,并取得测试样本;
3)进入测试阶段,用测试样本来测试训练阶段所得出的最终模型的泛化能力。
优选的,步骤(1)中,通过拍摄某烟滤嘴公司滤棒生产线上装盒机的装盒产品图像,进行小样本训练,确定选取的样本,并将选取的样本形成一个训练集。
步骤2)中,在本发明的小样本训练下,对网络参数进行优化时经过60次迭代。
步骤2)中所取得的训练样本数量为400张,其中每类是100张。
优选的,步骤(2)可具体为:
2-1)在所选取的训练样本之外,挑选120张作为附加测试样本,确保每类测试样本均为30张,并将所述附加测试样本按照缺支、错位、缺支及错位以及标准装盒平均分类;所述附加测试样本用于来测试训练后深度网络的识别分类情况,与所述训练样本没有一张是相同的。
2-2)将步骤2-1)所得样本作为卷积神经网络模型的输入,通过激活函数得到经过卷积层的输出特征图;
假设
式(1)中,mj是用于进行卷积计算的特征图子集,
2-3)经由下式(2)的下采样层对输出特征图进行降维,对输出结果进行更新;
式(2)中,
2-4)通过全连接层处理进行分类输出,根据样本的分类个数,将输出参数的类目设置为4,全连接层输出后的特征图表达为式(3),
xn=f(wnxn-1+dn)(3)
式(3)中,f(·)是激活函数,此处选用relu函数,xn-1是前一层特征图,wn是全连接层的权重系数,dn是偏置参数,其中n取值为1和2;对于输入x=(x1,x2,x3...)在第k类的概率pk,可以在softmax层按照下式得出:
式(4)中zk是softmax层的输入,最大pk所在分类k即为模型对输入的分类结果;
2-5)采用交叉熵函数l作为四种模型的损失函数,通过反向传播更新网络参数,得到四种微调后的网络。
所述交叉熵函数l见式(5),
其中,h是训练样本容量,本发明中设置为10,os表示输入xs对应的模型预测输出,ys表示对应的实际标签。每层参数wi和bi的更新计算公式如下,其中ρ为学习率:
优选的,步骤(3)中,将测试样本输入到所得微调网络中进行测试,得到样本预测值。
本发明的有益效果为:经过试验证明,本发明的深度学习模型在滤棒装盒质量的分类上结果优于传统的分类方法,同时对合格的标准装盒有着很高的查准率和查全率,能帮助更好地实现装盒到检测的自动化操作,从而进一步提高整个生产线的自动化生产率。
附图说明
以下将结合附图对本发明作进一步说明:
图1是本发明方法的流程示意图;
图2是本发明使用的alexnet迁移学习模型示意图。
具体实施方式
下面参照附图和具体实施例,对本发明方法作进一步说明。
如图1所示,是本发明方法的流程示意图。流程具体包括:
1)在训练阶段下,也即图中所示的迁移学习模型训练,将采集到的滤棒装盒图像样本分为错位、缺支、错位和缺支共存、以及标准装盒四类;
2)随机从步骤1)中的每类样本中选取相同固定数量的训练样本作为卷积神经网络模型的输入进行训练,采用交叉熵函数l作为四种模型的损失函数;通过反向传播,对网络参数进行优化,最终得到具有权值的微调网络,并取得测试样本;
3)进入测试阶段,用测试样本来测试训练阶段所得出的最终模型的泛化能力。
图2通过图示方式,显示本发明使用的alexnet迁移学习模型的过程。将给定的尺寸为227*227*3的训练样本或者测试样本作为模型的输入,经由第一层3*3的卷积层降维之后得到卷积层1的输出,后经过3*3的最大池化层操作,得到池化层1的输出,尺寸为27*27*96。依据如图的卷积尺寸和池化层尺寸得到一6*6*256的向量。第一层全连接层将6*6*256的向量转换成1*4096的向量,最后一层全连接层将其转换为1*4的向量送入分类器进行识别分类,输出送入模型的样本所预计的样本标签。
本发明所使用的深度学习网络模型,经过小样本训练,在测试阶段能够达到95%的较高的准确率。相较于普通的lbp特征特征提取结合svm分类器分类的方法,普通的lbp特征特征提取结合最近邻分类的方法,在准确率上分别提升了8.5%和6.5%。