[发明专利]一种基于视觉识别的烟丝生产线自动换批异常检测方法

说明书

本发明公开了一种基于视觉识别的烟丝生产线自动换批异常检测方法，该方法包括获取相机采集的目标区域对应的目标图像，并基于生成对抗网络模型生成目标图像对应的缺陷图像；基于缺陷类型标记并分类各目标图像与缺陷图像，得到样本图像；基于Faster RCNN提取样本图像的图像特征，构建并训练生成视觉识别神经网络模型；获取相机的实时图像，将实时图像输入至视觉识别神经网络模型，结合烟丝生产线的当前工作状态，生成异常检测结果。本发明实现了通过构建视觉识别神经网络模型来对烟丝生产线进行图像识别，结合模型的识别结果和生产线的当前工作状态，能够及时检测发现堵料或者跑空的问题，避免了问题处理不及时而影响生产质量稳定性及生产效率。

技术领域

本申请涉及智能检测技术领域，具体而言，涉及一种基于视觉识别的烟丝生产线自动换批异常检测方法。

背景技术

烟丝生产线在生产过程中会根据生产需求自动进行运输物料批次的更换，这期间很容易发生物料堵料或跑空等现象，需要及时发现并对问题进行处理。目前传统的生产过程中，当生产线出现堵料或跑空现象时，需要由现场巡视的操作工发现，然后采取措施或上报中控，最后解决问题。这样的方式中现场操作工发现问题需要一定的时间，且现场操作工的处理方式及速度因人而异，不能够第一时间解决堵料或者跑空问题，也可能无法及时准确地处理异常，进而影响生产质量稳定性及生产效率。

发明内容

为了解决上述问题，本申请实施例提供了一种基于视觉识别的烟丝生产线自动换批异常检测方法。

第一方面，本申请实施例提供了一种基于视觉识别的烟丝生产线自动换批异常检测方法，所述方法包括：

获取相机采集的目标区域对应的目标图像，并基于生成对抗网络模型生成所述目标图像对应的缺陷图像；

基于缺陷类型标记并分类各所述目标图像与缺陷图像，得到样本图像；

基于Faster RCNN提取所述样本图像的图像特征，构建并训练生成视觉识别神经网络模型；

获取所述相机的实时图像，将所述实时图像输入至所述视觉识别神经网络模型，结合烟丝生产线的当前工作状态，生成异常检测结果。

优选的，所述基于Faster RCNN提取所述样本图像的图像特征，构建并训练生成视觉识别神经网络模型，包括：

基于Faster RCNN提取所述样本图像的图像特征，基于各所述图像特征生成数据集，所述数据集包括训练集、验证集和测试集；

构建视觉识别神经网络模型，并基于所述数据集训练所述视觉识别神经网络模型。

优选的，所述获取所述相机的实时图像，将所述实时图像输入至所述视觉识别神经网络模型，结合烟丝生产线的当前工作状态，生成异常检测结果，包括：

获取所述相机的实时图像，将所述实时图像输入至所述视觉识别神经网络模型，得到视觉识别结果信息；

确定烟丝生产线的当前工作状态，基于所述视觉识别结果信息与当前工作状态的匹配结果生成异常检测结果。

优选的，所述基于所述视觉识别结果信息与当前工作状态的匹配结果生成异常检测结果，包括：

确定所述视觉识别结果信息对应的第一物料状态以及当前工作状态对应的第二物料状态，基于所述第一物料状态与第二物料状态的匹配结果生成异常检测结果；

当所述第一物料状态与第二物料状态匹配时，所述异常检测结果表征无异常；

当所述第一物料状态与第二物料状态不匹配时，所述异常检测结果表征出现异常。

优选的，所述方法还包括：

当所述异常检测结果表征出现异常时，向预设的目标终端发送警告信息。

第二方面，本申请实施例提供了一种基于视觉识别的烟丝生产线自动换批异常检测装置，所述装置包括：

获取模块，用于获取相机采集的目标区域对应的目标图像，并基于生成对抗网络模型生成所述目标图像对应的缺陷图像；