条烟光电自动识别分类关键技术的研究

摘要

条烟分拣或复核是条烟配送体系的重要环节，研究条烟自动识别分类技术对于加速烟草企业的自动化流程，将劳动人员从重复枯燥的人工分拣流水线解放出来，提高烟草企业的经济效益有着重要的意义。使用机器视觉代替人眼，数字图像处理技术代替人脑，是工业检测和识别领域的一大趋势。条烟的自动识别分类的准确率直接决定了自动化条烟分拣复核方案的可行性，所以研究准确度高、速度快和高鲁棒性的条烟分类识别算法十分有必要。 对于物体的识别分类，目前主要有两种思路，第一种首先定位目标位置，然后分割出目标，通过提取目标的特征并和已有的类别标准比较相似程度进行分类；另一种使用了最近得到快速发展的深度学习技术，通过大量数据训练网络参数，将图像输入网络得到分类结果。本文主要研究内容如下： 条烟由于表面的塑料包装，使用自然光照明会引起环境变化带来的图像亮度、对比度上的差异，而使用常规光源很难避免表面的反光现象。同时要考虑条烟在传送带上以较快速度运动的问题。本文通过实验搭建了合适的光学系统和图像采集系统，这对进一步的识别分类十分重要。 针对检测需求，本文研究了一种基于特征提取与匹配的条烟分类识别方法。首先通过图像预处理算法分割前景与背景区域，然后通过轮廓检测确定目标的位置，通过仿射变换矫正图像后截取目标。对于粘连的条烟，本文提出一种基于轮廓与凸包的凹点检测算法，可以快速地将粘连的目标进行分割。然后对于已经分割的目标，分析并提取了一些常用特征如颜色、边缘、纹理等，最后确立了一种多个特征加权的匹配度算法，实验表明该算法识别率高于99.5%。 针对检测需求，本文研究了一种基于SSD（Single Shot MultiBoxDetector）模型的条烟分类识别方法，研究了深度学习技术在目标检测方向的应用。首先通过大量来自工业现场的图片制作数据集，然后使用SSD算法训练条烟分类识别网络。实验表明算法识别率高于99.7%。 通过对比两种方式，在训练或建模方式上，特征匹配算法更简单高效；在准确率方面，SSD算法在测试样本上取得的识别率更高，并且随着样本量增大有进一步的提高空间。

目录

声明

第一章 绪论

1.1 课题研究背景及意义

1.2 国内外研究现状

1.3 本论文主要研究内容

第二章 系统结构设计

2.1 条烟成像需求分析

2.2 光源的选择

2.3 系统结构

2.3.1 硬件结构

2.3.2软件结构

2.4 本章小结

第三章条烟ROI提取

3.1 条烟图像特征分析

3.2 图像预处理

3.3 基于轮廓与形态学的区域提取

3.3.1 目标与背景的分割

3.3.2 形态学操作

3.3.3 轮廓提取

3.4 粘连情况下的ROI提取

3.4.1 图像粘连分割算法概述

3.4.2 轮廓的凸包

3.4.3 基于凸包与轮廓的粘连分离算法

3.5 本章小结

第四章基于特征匹配的条烟图像识别分类

4.1 基于颜色特征的粗匹配

4.1.1 颜色空间

4.1.2 颜色直方图

4.2 基于边缘和纹理的特征匹配

4.2.1 边缘特征

4.2.2 纹理特征

4.3 多特征加权的匹配度算法

4.3.1 模板的选取

4.3.2 图像匹配算法

4.3.3 算法结构

4.4 不同方式正确率及时间对比

4.5 本章小结

第五章基于深度学习的条烟图像识别分类

5.1 深度学习概述

5.1.1 感知机

5.1.2 前馈神经网络

5.1.3 卷积神经网络

5.2 深度学习方法与模型

5.2.1 VGGNet模型

5.2.2 深度学习在目标检测中的应用

5.2.3 SSD模型框架

5.3 实验结果与分析

5.3.1 数据集的构建

5.3.2 模型训练

5.4 与特征匹配方式的结果对比与分析

5.5 本章小结

第六章总结与展望

6.1 论文总结

6.2 工作展望

致谢

参考文献

攻读硕士学位期间取得的成果