[发明专利]一种自学习型的烟丝杂物视像检测方法

权利要求书

1.一种自学习型的烟丝杂物视像检测方法，其特征在于，包括：

采集含有不同种类杂物的烟丝图片，并对所述烟丝图片进行图像预处理；

对处理后的所述烟丝图片采用图像分割技术提取烟丝杂物图像，并对所述烟丝杂物图像进行变换、旋转和明暗度调整处理，得到多张对应的烟丝杂物图像；

将烟丝标准图像和所述烟丝杂物图像进行融合，以形成深度学习所需要的训练集图像；

建立深度学习算法模型，并通过所述训练集图像对所述深度学习算法模型进行训练，以预测输出杂物目标；

通过工业相机拍摄烟丝输送带的烟丝得到烟丝图像，将所述烟丝图像输入训练后的所述深度学习算法模型进行杂物检测。

2.根据权利要求1所述的自学习型的烟丝杂物视像检测方法，其特征在于，还包括：

采用Python语言构建所述深度学习算法模型和卷积神经网络，并通过所述卷积神经网络调用所述深度学习算法模型进行杂物检测。

3.根据权利要求2所述的自学习型的烟丝杂物视像检测方法，其特征在于，还包括：

通过Python语言构建工控机与工业相机之间的控制界面，通过所述认为控制界面控制工业相机的拍摄、图像流抓取和图像流格式转换的操作。

4.根据权利要求3所述的自学习型的烟丝杂物视像检测方法，其特征在于，还包括：

通过Python语言构建工控机与PLC控制器的通讯界面，通过所述通讯界面实现工控机对烟丝输送带的启停控制。

5.根据权利要求4所述的自学习型的烟丝杂物视像检测方法，其特征在于，所述深度学习算法模型采用Yolo V3模型，并采用Keras-TensorFlow深度学习GPU加速平台实现GPU加速。

6.根据权利要求5所述的自学习型的烟丝杂物视像检测方法，其特征在于，还包括：

通过实验测试对Yolo V3模型进行更改损失函数中没有杂物部分图像的权重系数，找到最适合检测输送带上烟丝表面杂物的权重系数后运用Yolov3模型对所述训练集图像进行训练并得到权重文件；

通过基于Keras的Yolo V3模型完成基于Tensorflow的权重文件转换，以实现烟丝输送带上的烟丝进行杂物检测。

7.根据权利要求6所述的自学习型的烟丝杂物视像检测方法，其特征在于，所述对所述烟丝图片进行图像预处理，包括：

对所述烟丝图片进行图像增强处理和图像平滑处理；

对所述烟丝图片中的杂物进行边框标记和边框坐标提取。

8.根据权利要求7所述的自学习型的烟丝杂物视像检测方法，其特征在于，所述建立深度学习算法模型，并通过所述训练集图像对所述深度学习算法模型进行训练，包括：

搭建Keras-TensorFlow深度学习GPU加速平台；

构建Yolo V3模型，并按设定格式定义darknet块类、卷积池化块类和卷积块类；

通过Keras-TensorFlow深度学习平台调用Yolo V3模型和训练集图像进行深度学习训练，并生成权重文件。