[发明专利]一种基于深度学习的卷包设备保养质量自动判别方法、装置及系统

说明书

本发明提供了一种基于深度学习的卷包设备保养质量自动判别方法、装置及系统，其中的方法，分别构建了用于保养部位识别的识别模型和用于保养部位脏物检测的检测模型，其中，识别模型采用嵌入SE模块的ResNet50网络模型，提高了识别的准确性，检测模型采用Faster R‑CNN模型，通过添加RPN网络，基于Anchor机制来生成候选框，将特征提取、候选框选取、边框回归和分类都整合到一个网络中，有效地提高了检测精度和检测效率。并结合保养部位识别的信息以及脏物检测结果，可以实现对保养质量的自动判别，并提高了判别的准确性。

技术领域

本公开涉及烟草行业卷包设备保养判别领域，尤其涉及一种基于深度学习的卷包设备保养质量自动判别方法、装置及系统。

背景技术

在香烟的生产型企业中，卷包设备是不可或缺的核心要素。其中，卷包设备的保养是香烟生产环节的重要环节，而保养质量的判别又是整个保养的关键。当前卷包设备的保养质量的判别一般是通过具备丰富经验的专业技术人员进行检测、判别和管理的。此项工作不仅需要的人力资源成本较高，并且耗费的时间也比较长，较大地影响了工厂生产效率。随着生产规模的扩大，卷包设备型号和数量还会增加，这种靠人工进行保养质量判别的问题还会进一步加重。因此，设计和研制一套自动的，不依赖于人工的卷包设备保养质量判别系统就显得很有必要。

传统的基于图像的目标检测和识别技术，都严重依赖于人工精心设计的特征，特征必须具有平移、尺度、旋转和光照不变性，譬如用来描述图像局部纹理特征的LBP算子、方向梯度直方图的HOG算法和HOG算法的扩展DPM算法。然而，由于人对视觉机理认识的局限性，手工设计的特征是很难准确地描述要识别和检测的目标物体的。其次，在目标检测任务中，为检测到一幅图像中各种不同尺度的目标，常常需要采用滑动窗口法，这个过程是非常耗时的。上述两个短板，使得传统的目标识别与检测技术在工业界的应用受到了很大的限制。

本申请发明人在实施本发明的过程中，发现现有技术中存在如下技术问题：

传统的基于图像的目标检测和识别技术，都严重依赖于人工精心设计的特征，特征必须具有平移、尺度、旋转和光照不变性，譬如用来描述图像局部纹理特征的LBP算子、方向梯度直方图的HOG算法和HOG算法的扩展DPM算法。然而，由于人对视觉机理认识的局限性，手工设计的特征是很难准确地描述要识别和检测的目标物体的。其次，在目标检测任务中，为检测到一幅图像中各种不同尺度的目标，常常需要采用滑动窗口法，这个过程是非常耗时的。上述两个短板，使得传统的目标识别与检测技术在工业界的应用受到了很大的限制。并且，由于卷包设备保养部位多、保养质量自动判别较为复杂，目前烟草行业类，还没有较好的办法能够实现保养质量的自动判别。

发明内容

本发明提出了一种基于深度学习的卷包设备保养质量自动判别方法、装置及系统，用于解决或者至少部分解决现有技术中的方法无法实现对卷包设备保养质量进行自动判别或者判别效果不佳的技术问题。

为了解决上述技术问题，本发明第一方面提供了一种基于深度学习的卷包设备保养质量自动判别方法，包括：

S1：构建分别用于保养部位识别的识别模型和用于保养部位脏物检测的检测模型，其中，识别模型采用嵌入压缩激励模块：SE模块的ResNet50网络模型，SE模块用于将卷积层的输出特征通过一系列变换操作后得到一个通道加权的与输出特征同维度的特征；检测模型采用Faster R-CNN模型，包括特征提取子模块、区域建议子模块以及分类子模块，特征提取子模块用于提取当次输入的保养部位图像的特征，区域建议子模块用于根据提取的图像特征生成可能包含目标的候选框，分类子模块用于对生成的候选区域进行脏物分类以及位置预测；

S2：通过人工拍照方式获得保养部位图像数据集，对图像进行设备名称标注后构建第一训练数据集，对图像中的脏物类别进行矩形框标注后构建第二训练数据集，利用第一训练数据集对识别模型进行训练，得到训练好的识别模型，利用第二训练集对检测模型进行训练，得到训练好的检测模型；