CN115578371A - 一种基于烟包切片前霉变杂物的检测方法及装置 - Google Patents
一种基于烟包切片前霉变杂物的检测方法及装置 Download PDFInfo
- Publication number
- CN115578371A CN115578371A CN202211344292.1A CN202211344292A CN115578371A CN 115578371 A CN115578371 A CN 115578371A CN 202211344292 A CN202211344292 A CN 202211344292A CN 115578371 A CN115578371 A CN 115578371A
- Authority
- CN
- China
- Prior art keywords
- tobacco leaf
- image
- training data
- mildew
- tobacco
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241000208125 Nicotiana Species 0.000 title claims abstract description 220
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 220
- 238000001514 detection method Methods 0.000 title claims abstract description 101
- 238000012549 training Methods 0.000 claims abstract description 114
- 230000011218 segmentation Effects 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 34
- 235000019504 cigarettes Nutrition 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 239000012535 impurity Substances 0.000 claims description 68
- 230000015654 memory Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000011087 paperboard Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于烟包切片前霉变杂物的检测方法及装置，该方法包括获取烟叶杂物图像，对烟叶杂物图像进行均值滤波处理后，将处理后的烟叶杂物图像按RGB颜色通道分解，并分别对各个RGB颜色通道对应的烟叶杂物图像进行单阈值分割，得到烟叶杂物训练数据；获取烟叶霉变图像，对烟叶霉变图像进行增强对比度处理后，对处理后的烟叶霉变图像进行单阈值分割，得到烟叶霉变训练数据；基于烟叶杂物训练数据和烟叶霉变训练数据构建检测模型，并基于检测模型处理新接收到的烟叶图像，生成烟叶检测结果。该方法减小对小面积霉变或杂物的漏报风险，保证了烟包的质量，提高了检测效率和准确率。
Description
技术领域
本申请涉及烟叶技术领域，具体而言，涉及一种基于烟包切片前霉变杂物的检测方法及装置。
背景技术
目前，FT531型解包***总共有3套CCD视觉***，分别检测烟箱打包带、烟包上表面的纸板和烟包下表面的纸板，无法对表面霉变、遗留物（掉落到烟包侧面的纸板、塑料袋、扎带等）进行监测，存在霉变及杂物的质量隐患。
因此，还需要对烟包进行人工目检，人工目检的方式存在两点问题：一是需要对烟包六个面进行霉变和杂物检测需要多个工位完成，人工消耗大；二是人工长时间工作容易造成视觉疲劳，增大对小面积霉变或杂物的漏报风险。
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烟包切片前霉变杂物的检测方法及装置。
第一方面，本申请实施例提供了一种基于烟包切片前霉变杂物的检测方法，所述方法包括：
获取烟叶杂物图像，对所述烟叶杂物图像进行均值滤波处理后，将处理后的所述烟叶杂物图像按RGB颜色通道分解，并分别对各个所述RGB颜色通道对应的所述烟叶杂物图像进行单阈值分割，得到烟叶杂物训练数据；
获取烟叶霉变图像，对所述烟叶霉变图像进行增强对比度处理后，对处理后的所述烟叶霉变图像进行单阈值分割，得到烟叶霉变训练数据；
基于所述烟叶杂物训练数据和烟叶霉变训练数据构建检测模型，并基于所述检测模型处理新接收到的烟叶图像，生成烟叶检测结果。
优选的，所述将处理后的所述烟叶杂物图像按RGB颜色通道分解，并分别对各个所述RGB颜色通道对应的所述烟叶杂物图像进行单阈值分割，得到烟叶杂物训练数据，包括：
基于RGB颜色通道将处理后的所述烟叶杂物图像分解，得到R通道图像、G通道图像和B通道图像，所述RGB颜色通道包括R通道、G通道和B通道；
分别对所述R通道图像、G通道图像和B通道图像进行单阈值分割，提取面积数值小于第一预设阈值的第一特征数据，所述第一特征数据即为烟叶杂物训练数据。
优选的，所述方法还包括：
将所述R通道图像、G通道图像和B通道图像转换为HSI通道图像；
对所述HSI通道图像进行单阈值分割，提取面积数值小于第二预设阈值的第二特征数据，将所述第二特征数据添加至所述烟叶杂物训练数据。
优选的，所述对处理后的所述烟叶霉变图像进行单阈值分割，得到烟叶霉变训练数据，包括：
对处理后的所述烟叶霉变图像进行单阈值分割，提取面积数值小于第三预设阈值的第三特征数据，所述第三特征数据即为烟叶霉变训练数据。
优选的，所述检测模型包括第一检测模型和第二检测模型；
所述基于所述烟叶杂物训练数据和烟叶霉变训练数据构建检测模型，包括：
获取训练图像，并对所述训练图像切片，基于所述烟叶杂物训练数据和烟叶霉变训练数据对切片后的所述训练图像打上标签并训练，构建所述第一检测模型；
基于所述烟叶杂物训练数据和烟叶霉变训练数据对所述训练图像进行语义分割，对所述训练图像打上标签，训练构建所述第二检测模型。
优选的，所述基于所述检测模型处理新接收到的烟叶图像，生成烟叶检测结果，包括：
对新接收到的烟叶图像进行切片，将切片后的所述烟叶图像导入至所述第一检测模型，得到第一判断结果；
将所述烟叶图像导入至所述第二检测模型，得到第二判断结果；
基于所述第一判断结果与第二判断结果生成烟叶检测结果。
第二方面，本申请实施例提供了一种基于烟包切片前霉变杂物的检测装置，所述装置包括：
第一获取模块，用于获取烟叶杂物图像，对所述烟叶杂物图像进行均值滤波处理后，将处理后的所述烟叶杂物图像按RGB颜色通道分解，并分别对各个所述RGB颜色通道对应的所述烟叶杂物图像进行单阈值分割，得到烟叶杂物训练数据；
第二获取模块，用于获取烟叶霉变图像，对所述烟叶霉变图像进行增强对比度处理后，对处理后的所述烟叶霉变图像进行单阈值分割，得到烟叶霉变训练数据；
检测模块，用于基于所述烟叶杂物训练数据和烟叶霉变训练数据构建检测模型，并基于所述检测模型处理新接收到的烟叶图像，生成烟叶检测结果。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法。
本发明的有益效果为：通过分别处理得到烟叶杂物训练数据和烟叶霉变训练数据构建检测模型的方式对烟包进行检测，减小对小面积霉变或杂物的漏报风险，保证了烟包的质量，提高了检测效率和准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于烟包切片前霉变杂物的检测方法的流程示意图；
图2为本申请实施例提供的一种基于烟包切片前霉变杂物的检测装置的结构示意图；
图3为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本申请的多个实施例，不同实施例之间可以替换或者合并组合，因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征A、B、C，另一个实施例包含特征B、D，那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。
下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示例中。
参见图1，图1是本申请实施例提供的一种基于烟包切片前霉变杂物的检测方法的流程示意图。在本申请实施例中，所述方法包括：
S101、获取烟叶杂物图像，对所述烟叶杂物图像进行均值滤波处理后，将处理后的所述烟叶杂物图像按RGB颜色通道分解，并分别对各个所述RGB颜色通道对应的所述烟叶杂物图像进行单阈值分割，得到烟叶杂物训练数据。
本申请的执行主体可以是云端服务器。
在本申请实施例中，为了能够对烟叶中的杂物和霉变进行检测，云端服务器需要构建用于对烟叶图像进行杂物和霉变检测的检测模型。为此，首先需要分别处理用于对模型进行训练的烟叶杂物图像和烟叶霉变图像，其中，烟叶杂物图像和烟叶霉变图像可以是从历史数据中选取确定的。
对于烟叶杂物图像而言，首先需要对其进行均值滤波的预处理。均值滤波是对所有输入图像(图像)的灰度值进行线性平滑。过滤器矩阵由1(计算相等)和大小Mask Heightx Mask Width。卷积的结果除以掩码高度x掩码宽度。对于边界处理，将灰度值反射到图像边缘。均值滤波中的任意一点的像素值，都是周围N/times M个像素的均值。
为了能够对杂物进行较好的识别与分别，将预处理后的烟叶杂物图像按RGB颜色通道进行分解，来得到各个颜色通道的图像，接着分别对各个颜色通道的图像按照单个阈值进行分割，来从中确定出用于训练的烟叶杂物训练数据。
在一种可实施方式中，所述将处理后的所述烟叶杂物图像按RGB颜色通道分解，并分别对各个所述RGB颜色通道对应的所述烟叶杂物图像进行单阈值分割，得到烟叶杂物训练数据，包括：
基于RGB颜色通道将处理后的所述烟叶杂物图像分解，得到R通道图像、G通道图像和B通道图像，所述RGB颜色通道包括R通道、G通道和B通道；
分别对所述R通道图像、G通道图像和B通道图像进行单阈值分割，提取面积数值小于第一预设阈值的第一特征数据，所述第一特征数据即为烟叶杂物训练数据。
在本申请实施例中，根据RGB颜色通道对预处理后的烟叶杂物图像分解，将得到R通道图像、G通道图像和B通道图像，接着根据面积大小来分别在各个通道中按照第一预设阈值来进行特征分割，提取出杂物所对应的第一特征数据。
在一种可实施方式中，所述方法还包括：
将所述R通道图像、G通道图像和B通道图像转换为HSI通道图像；
对所述HSI通道图像进行单阈值分割，提取面积数值小于第二预设阈值的第二特征数据，将所述第二特征数据添加至所述烟叶杂物训练数据。
在本申请实施例中，还会将RGB三个颜色通道的图像转化为HSI通道图像，以此也对HSI通道图像进行单阈值分割的第二特征数据提取过程。最终实现通过阈值分割R通道图像，提取偏红杂物；阈值分割G通道图像，提取偏绿杂物；阈值分割B通道图像，提取偏蓝杂物；阈值分割HIS的S通道图像，提取饱和度高的杂物。此外，还可以通过SG滤波器对图像进行滤波，以此采用SG差分图像解决红色容易有反光烟叶误报问题。
S102、获取烟叶霉变图像，对所述烟叶霉变图像进行增强对比度处理后，对处理后的所述烟叶霉变图像进行单阈值分割，得到烟叶霉变训练数据。
在本申请实施例中，对于烟叶中的霉变而言，其不像杂物那么容易区分，故采用增强对比度的方式首先对烟叶霉变图像进行预处理，以增强图像的高频区域（边缘和拐角），该过程可以使用低通（mean_image）进行过滤。由过滤后的灰度值（mean）和原始灰度值（orig）计算得到增强对比度的灰度值（res）如下：
res:=round((orig - mean)*Favctor + orig
完成增强对比度的预处理后，再对处理后的图像进行单阈值分割，以此来得到用以进行霉变识别训练的烟叶霉变训练数据。
在一种可实施方式中，所述对处理后的所述烟叶霉变图像进行单阈值分割，得到烟叶霉变训练数据，包括：
对处理后的所述烟叶霉变图像进行单阈值分割，提取面积数值小于第三预设阈值的第三特征数据，所述第三特征数据即为烟叶霉变训练数据。
在本申请实施例中，对于预处理后的烟叶霉变图像，霉变部分与正常部分已能够进行较好的区分，故可以对图像进行单阈值分割，按照面积来从中提取出面积较小的，即霉变部分所对应的第三特征数据来作为烟叶霉变训练数据。
其中，第一预设阈值、第二预设阈值和第三预设阈值可以设置为相同数值，也可以设置为不同数值。
S103、基于所述烟叶杂物训练数据和烟叶霉变训练数据构建检测模型，并基于所述检测模型处理新接收到的烟叶图像，生成烟叶检测结果。
在本申请实施例中，通过烟叶杂物训练数据和烟叶霉变训练数据，能够训练并构建出检测模型。当新接收到需要进行杂物与霉变识别的烟叶图像时，通过检测模型来对烟叶图像的处理，便能够生成得到烟叶检测结果。其中，检测模型可以是神经卷积网络模型，其包含有一个输入层，一个隐含层，一个全连接层，一个输出层，输入层用于输入烟叶图像。
在一种可实施方式中，所述检测模型包括第一检测模型和第二检测模型；
所述基于所述烟叶杂物训练数据和烟叶霉变训练数据构建检测模型，包括：
获取训练图像，并对所述训练图像切片，基于所述烟叶杂物训练数据和烟叶霉变训练数据对切片后的所述训练图像打上标签并训练，构建所述第一检测模型；
基于所述烟叶杂物训练数据和烟叶霉变训练数据对所述训练图像进行语义分割，对所述训练图像打上标签，训练构建所述第二检测模型。
在本申请实施例中，考虑到实际情况中烟叶图像可能存在杂物特征较为明显的情况和霉变特征不明显的情况，为了更高效的进行识别，将训练有第一检测模型和第二检测模型，通过二者实现级联检测。具体而言，第一检测模型的训练过程为，首先对训练图像切片为64*64（可根据分类网络调整），根据两类训练数据中的特征对切片后的图像进行打标分类（正常、霉变、缺陷）之后输入训练，输出模型。第二检测模型将直接通过传统的语义分割算法来为图像打上标签并训练，以此输出模型。
在一种可实施方式中，所述基于所述检测模型处理新接收到的烟叶图像，生成烟叶检测结果，包括：
对新接收到的烟叶图像进行切片，将切片后的所述烟叶图像导入至所述第一检测模型，得到第一判断结果；
将所述烟叶图像导入至所述第二检测模型，得到第二判断结果；
基于所述第一判断结果与第二判断结果生成烟叶检测结果。
在本申请实施例中，对于新接收的烟叶图像，将分别通过第一检测模型和第二检测模型进行检测，以此来得到第一判断结果和第二判断结果。通过整合第一判断结果与第二判断结果，即综合生成烟叶检测结果，以此表征烟叶图像中是否存在杂物和霉变。
下面将结合附图2，对本申请实施例提供的基于烟包切片前霉变杂物的检测装置进行详细介绍。需要说明的是，附图2所示的基于烟包切片前霉变杂物的检测装置，用于执行本申请图1所示实施例的方法，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请图1所示的实施例。
请参见图2，图2是本申请实施例提供的一种基于烟包切片前霉变杂物的检测装置的结构示意图。如图2所示，所述装置包括：
第一获取模块201，用于获取烟叶杂物图像，对所述烟叶杂物图像进行均值滤波处理后，将处理后的所述烟叶杂物图像按RGB颜色通道分解，并分别对各个所述RGB颜色通道对应的所述烟叶杂物图像进行单阈值分割，得到烟叶杂物训练数据；
第二获取模块202，用于获取烟叶霉变图像，对所述烟叶霉变图像进行增强对比度处理后，对处理后的所述烟叶霉变图像进行单阈值分割，得到烟叶霉变训练数据；
检测模块203，用于基于所述烟叶杂物训练数据和烟叶霉变训练数据构建检测模型，并基于所述检测模型处理新接收到的烟叶图像，生成烟叶检测结果。
在一种可实施方式中，第一获取模块201包括：
分解单元，用于基于RGB颜色通道将处理后的所述烟叶杂物图像分解，得到R通道图像、G通道图像和B通道图像，所述RGB颜色通道包括R通道、G通道和B通道；
第一提取单元，用于分别对所述R通道图像、G通道图像和B通道图像进行单阈值分割，提取面积数值小于第一预设阈值的第一特征数据，所述第一特征数据即为烟叶杂物训练数据。
在一种可实施方式中，所述装置还包括：
转换模块，用于将所述R通道图像、G通道图像和B通道图像转换为HSI通道图像；
提取模块，用于对所述HSI通道图像进行单阈值分割，提取面积数值小于第二预设阈值的第二特征数据，将所述第二特征数据添加至所述烟叶杂物训练数据。
在一种可实施方式中，第二获取模块202包括：
第二提取单元，用于对处理后的所述烟叶霉变图像进行单阈值分割，提取面积数值小于第三预设阈值的第三特征数据，所述第三特征数据即为烟叶霉变训练数据。
在一种可实施方式中，检测模块203包括：
第一构建单元，用于获取训练图像，并对所述训练图像切片，基于所述烟叶杂物训练数据和烟叶霉变训练数据对切片后的所述训练图像打上标签并训练，构建所述第一检测模型；
第二构建单元，用于基于所述烟叶杂物训练数据和烟叶霉变训练数据对所述训练图像进行语义分割，对所述训练图像打上标签，训练构建所述第二检测模型。
在一种可实施方式中，检测模块203还包括：
第一判断单元，用于对新接收到的烟叶图像进行切片，将切片后的所述烟叶图像导入至所述第一检测模型，得到第一判断结果；
第二判断单元，用于将所述烟叶图像导入至所述第二检测模型，得到第二判断结果；
生成单元，用于基于所述第一判断结果与第二判断结果生成烟叶检测结果。
本领域的技术人员可以清楚地了解到本申请实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列（Field－ProgrammableGate Array，FPGA）、集成电路（Integrated Circuit，IC）等。
本申请实施例的各处理单元和/或模块，可通过实现本申请实施例所述的功能的模拟电路而实现，也可以通过执行本申请实施例所述的功能的软件而实现。
参见图3，其示出了本申请实施例所涉及的一种电子设备的结构示意图，该电子设备可以用于实施图1所示实施例中的方法。如图3所示，电子设备300可以包括：至少一个中央处理器301，至少一个网络接口304，用户接口303，存储器305，至少一个通信总线302。
其中，通信总线302用于实现这些组件之间的连接通信。
其中，用户接口303可以包括显示屏（Display）、摄像头（Camera），可选用户接口303还可以包括标准的有线接口、无线接口。
其中，网络接口304可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。
其中，中央处理器301可以包括一个或者多个处理核心。中央处理器301利用各种接口和线路连接整个电子设备300内的各个部分，通过运行或执行存储在存储器305内的指令、程序、代码集或指令集，以及调用存储在存储器305内的数据，执行终端300的各种功能和处理数据。可选的，中央处理器301可以采用数字信号处理（Digital SignalProcessing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable Logic Array，PLA）中的至少一种硬件形式来实现。中央处理器301可集成中央中央处理器（Central Processing Unit，CPU）、图像中央处理器（GraphicsProcessing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作***、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到中央处理器301中，单独通过一块芯片进行实现。
其中，存储器305可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。可选的，该存储器305包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器305可用于存储指令、程序、代码、代码集或指令集。存储器305可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器305可选的还可以是至少一个位于远离前述中央处理器301的存储装置。如图3所示，作为一种计算机存储介质的存储器305中可以包括操作***、网络通信模块、用户接口模块以及程序指令。
在图3所示的电子设备300中，用户接口303主要用于为用户提供输入的接口，获取用户输入的数据；而中央处理器301可以用于调用存储器305中存储的基于烟包切片前霉变杂物的检测应用程序，并具体执行以下操作：
获取烟叶杂物图像，对所述烟叶杂物图像进行均值滤波处理后，将处理后的所述烟叶杂物图像按RGB颜色通道分解，并分别对各个所述RGB颜色通道对应的所述烟叶杂物图像进行单阈值分割，得到烟叶杂物训练数据；
获取烟叶霉变图像，对所述烟叶霉变图像进行增强对比度处理后，对处理后的所述烟叶霉变图像进行单阈值分割，得到烟叶霉变训练数据；
基于所述烟叶杂物训练数据和烟叶霉变训练数据构建检测模型，并基于所述检测模型处理新接收到的烟叶图像，生成烟叶检测结果。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米***（包括分子存储器IC），或适合于存储指令和/或数据的任何类型的媒介或设备。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器（Read-Only Memory， ROM）、随机存取存储器（Random Access Memory，RAM）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器（Read-Only Memory， ROM）、随机存取器（Random AccessMemory，RAM）、磁盘或光盘等。
以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。
Claims (9)
1.一种基于烟包切片前霉变杂物的检测方法，其特征在于，所述方法包括：
获取烟叶杂物图像，对所述烟叶杂物图像进行均值滤波处理后，将处理后的所述烟叶杂物图像按RGB颜色通道分解，并分别对各个所述RGB颜色通道对应的所述烟叶杂物图像进行单阈值分割，得到烟叶杂物训练数据；
获取烟叶霉变图像，对所述烟叶霉变图像进行增强对比度处理后，对处理后的所述烟叶霉变图像进行单阈值分割，得到烟叶霉变训练数据；
基于所述烟叶杂物训练数据和烟叶霉变训练数据构建检测模型，并基于所述检测模型处理新接收到的烟叶图像，生成烟叶检测结果。
2.根据权利要求1所述的方法，其特征在于，所述将处理后的所述烟叶杂物图像按RGB颜色通道分解，并分别对各个所述RGB颜色通道对应的所述烟叶杂物图像进行单阈值分割，得到烟叶杂物训练数据，包括：
基于RGB颜色通道将处理后的所述烟叶杂物图像分解，得到R通道图像、G通道图像和B通道图像，所述RGB颜色通道包括R通道、G通道和B通道；
分别对所述R通道图像、G通道图像和B通道图像进行单阈值分割，提取面积数值小于第一预设阈值的第一特征数据，所述第一特征数据即为烟叶杂物训练数据。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
将所述R通道图像、G通道图像和B通道图像转换为HSI通道图像；
对所述HSI通道图像进行单阈值分割，提取面积数值小于第二预设阈值的第二特征数据，将所述第二特征数据添加至所述烟叶杂物训练数据。
4.根据权利要求1所述的方法，其特征在于，所述对处理后的所述烟叶霉变图像进行单阈值分割，得到烟叶霉变训练数据，包括：
对处理后的所述烟叶霉变图像进行单阈值分割，提取面积数值小于第三预设阈值的第三特征数据，所述第三特征数据即为烟叶霉变训练数据。
5.根据权利要求1所述的方法，其特征在于，所述检测模型包括第一检测模型和第二检测模型；
所述基于所述烟叶杂物训练数据和烟叶霉变训练数据构建检测模型，包括：
获取训练图像，并对所述训练图像切片，基于所述烟叶杂物训练数据和烟叶霉变训练数据对切片后的所述训练图像打上标签并训练，构建所述第一检测模型；
基于所述烟叶杂物训练数据和烟叶霉变训练数据对所述训练图像进行语义分割，对所述训练图像打上标签，训练构建所述第二检测模型。
6.根据权利要求5所述的方法，其特征在于，所述基于所述检测模型处理新接收到的烟叶图像，生成烟叶检测结果，包括：
对新接收到的烟叶图像进行切片，将切片后的所述烟叶图像导入至所述第一检测模型，得到第一判断结果；
将所述烟叶图像导入至所述第二检测模型，得到第二判断结果；
基于所述第一判断结果与第二判断结果生成烟叶检测结果。
7.一种基于烟包切片前霉变杂物的检测装置，其特征在于，所述装置包括：
第一获取模块，用于获取烟叶杂物图像，对所述烟叶杂物图像进行均值滤波处理后，将处理后的所述烟叶杂物图像按RGB颜色通道分解，并分别对各个所述RGB颜色通道对应的所述烟叶杂物图像进行单阈值分割，得到烟叶杂物训练数据；
第二获取模块，用于获取烟叶霉变图像，对所述烟叶霉变图像进行增强对比度处理后，对处理后的所述烟叶霉变图像进行单阈值分割，得到烟叶霉变训练数据；
检测模块，用于基于所述烟叶杂物训练数据和烟叶霉变训练数据构建检测模型，并基于所述检测模型处理新接收到的烟叶图像，生成烟叶检测结果。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211344292.1A CN115578371A (zh) | 2022-10-31 | 2022-10-31 | 一种基于烟包切片前霉变杂物的检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211344292.1A CN115578371A (zh) | 2022-10-31 | 2022-10-31 | 一种基于烟包切片前霉变杂物的检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115578371A true CN115578371A (zh) | 2023-01-06 |
Family
ID=84589030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211344292.1A Pending CN115578371A (zh) | 2022-10-31 | 2022-10-31 | 一种基于烟包切片前霉变杂物的检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115578371A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117274986A (zh) * | 2023-09-22 | 2023-12-22 | 陕西省食品药品检验研究院 | 一种药食同源中药材霉变识别方法、装置及存储介质 |
-
2022
- 2022-10-31 CN CN202211344292.1A patent/CN115578371A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117274986A (zh) * | 2023-09-22 | 2023-12-22 | 陕西省食品药品检验研究院 | 一种药食同源中药材霉变识别方法、装置及存储介质 |
| CN117274986B (zh) * | 2023-09-22 | 2024-04-05 | 陕西省食品药品检验研究院 | 一种药食同源中药材霉变识别方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113160257B (zh) | 图像数据标注方法、装置、电子设备及存储介质 | |
| CN107871122A (zh) | 安检检测方法、装置、***及电子设备 | |
| WO2020177470A1 (zh) | 验证码识别方法、装置、终端及存储介质 | |
| US8515164B2 (en) | Non-product image identification | |
| CN107943811B (zh) | 内容的发布方法和装置 | |
| CN115578371A (zh) | 一种基于烟包切片前霉变杂物的检测方法及装置 | |
| CN113554008B (zh) | 静态物体区域内检测方法、装置、电子设备及存储介质 | |
| JP2013105245A (ja) | 画像処理方法、装置及びプログラム | |
| CN114120307A (zh) | 显示内容的识别方法、装置、设备和存储介质 | |
| CN114581646A (zh) | 文本识别方法、装置、电子设备及存储介质 | |
| CN112035821A (zh) | 图形验证码识别方法、装置、计算机设备及存储介质 | |
| CN109151574B (zh) | 视频处理方法、装置、电子设备以及存储介质 | |
| CN113963162A (zh) | 安全帽佩戴识别方法、装置、计算机设备和存储介质 | |
| CN113487473A (zh) | 一种添加图像水印的方法、装置、电子设备及存储介质 | |
| CN116434346B (zh) | 无人值守商店内顾客行为的检测方法、装置及存储介质 | |
| CN114677319A (zh) | 干细胞分布确定方法、装置、电子设备及存储介质 | |
| CN117689651A (zh) | 一种基于语义分割和目标检测的煤矿皮带跑偏检测方法 | |
| CN112465753A (zh) | 花粉颗粒检测方法、装置及电子设备 | |
| CN110363092B (zh) | 柱状图识别方法、装置、设备及计算机可读存储介质 | |
| CN110598575B (zh) | 表格版面分析与提取方法及相关装置 | |
| CN111383054A (zh) | 广告检验方法和装置 | |
| CN113221742B (zh) | 视频分屏线确定方法、装置、电子设备、介质和程序产品 | |
| CN112634382B (zh) | 一种非自然对象的图像识别、替换方法和装置 | |
| CN117291859A (zh) | 一种页面异常检测方法、装置、电子设备和存储介质 | |
| CN111797922B (zh) | 文本图像分类方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |