[发明专利]基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置

权利要求书

1.基于深度学习的卷烟识别分拣方法，其特征在于，包括如下步骤：

步骤1：启动整个卷烟(3)识别分拣装置，图像采集器处于待命状态；

步骤2：当卷烟(3)位于图像采集器下方时，图像采集器开始采集图像；

步骤3：将采集到的图像进行压缩编码，并将其传送至图像识别系统(5)中；

步骤4：图像识别系统(5)中，将采集到的条烟图像输入到卷积神经网络中，得到的输出为条烟的种类；

步骤5图像识别系统(5)调出数据库的其中一个订单，确认客户所需的条烟的品牌以及数量是否符合，如果符合则进入步骤6；如果不符合订单要求，则停止分拣，并立即更正错误条烟，待错误纠正后，返回步骤3；

步骤6：检测步骤5中获取的订单分拣是否完成，如果没有完成则回到步骤3，如果完成，则再次调出下一个订单；当所有订单分拣完成，系统关闭。

2.根据权利要求1中所述的基于深度学习的卷烟识别分拣方法，其特征在于，所述步骤4中的卷积神经网络的获得包括搭建过程和训练过程，卷积神经网络的搭建过过程为：搭建4个卷积层、2个池化层、2个全连接层以及1个输出层。

3.根据权利要求2所述的基于深度学习的卷烟识别分拣方法，其特征在于，所述卷积神经网络的训练过程为：

步骤4.1：模拟卷烟(3)分拣场景，采集客户需求的所有卷烟种类的图像；；如果已有的条烟图像库足够大，则不需要该步骤；

步骤4.2：将采集到的所有图像做翻转、对称变化以扩大训练样本，并贴上相应的类别标签；

步骤4.3：将贴上标签的图像分为训练集和测试集；

步骤4.4：将训练集导入建立好后的卷积神经网络中进行训练，经过10k次以上的训练，得到参数合理的神经网络；

步骤4.5：将测试集导入步骤4.4得到的卷积神经网络进行分类，如果识别率达到要求，则神经网络训练完成，否则重复步骤4.1到步骤4.5，直到识别率达到要求。

4.根据权利要求1－3所述的基于深度学习的卷烟识别分拣方法，其特征在于，所述的卷积神经网络的具体结构为：

卷积层1：卷积核尺寸为3×3，颜色通道为3，卷积核数量为64，卷积步长为1×1；

卷积层2：卷积核尺寸为5×5，通道为64，卷积核数量为128，卷积步长为1×1；

池化层1：卷积核尺寸为3×3，卷积步长为2×2；

卷积层3：卷积核尺寸为3×3，颜色通道为128，卷积核数量为64，卷积步长为1×1；

卷积层4：卷积核尺寸为5×5，通道为64，卷积核数量为64，卷积步长为1×1；

池化层2：卷积核尺寸为3×3，卷积步长为2×2；

全连接层1：输入：M，输出：128；

全连接层2：输入：128，输出：128；

输出层：输入：128，输出：N，N为待识别卷烟(3)总数。

5.根据权利要求1－3中任意一项所述的卷烟识别分拣装置，其特征在于，卷烟(3)识别分拣装置，包括：

传送装置(1)，用于放置并传送卷烟(3)；

图像采集器，用于采集卷烟(3)的图像；

传感器，用于感应所述图像采集器下方是否有卷烟(3)；

补光器(4)，用于对卷烟(3)进行补充光亮；

图像识别系统(5)，用于根据接收到的客户订单数据，对图像采集器采集到的图像那个进行基于卷积神经网络的图像识别；

控制中心，用于传送装置(1)、传感器、图像采集器、补光器(4)和图像识别系统(5)的打开与启动。

6.根据权利要求4中任意一项所述的卷烟识别分拣装置，其特征在于，包括：

传送装置，用于放置并传送卷烟(3)；

图像采集器，用于采集卷烟(3)的图像；

传感器，用于感应所述图像采集器下方是否有卷烟(3)；

补光器(4)，用于对卷烟(3)进行补充光亮；

图像识别系统(5)，用于根据接收到的客户订单数据，对图像采集器采集到的图像那个进行基于卷积神经网络的图像识别；

控制中心，用于传送装置(1)、传感器、图像采集器、补光器(4)和图像识别系统(5)的打开与启动。