一种基于孪生神经网络判别卷烟爆珠受潮程度的方法

技术领域

本发明属于声音信号处理和模式识别领域，具体涉及一种基于孪生神经网络判别香烟卷烟爆珠受潮程度的方法。

背景技术

卷烟爆珠是卷烟厂在烟草过滤嘴内放置的一颗液体小胶珠，卷烟爆珠内放置不同类型的香料制品所做成的液体。吸烟者在吸烟前将卷烟爆珠捏碎后，吸烟时口中会带有卷烟爆珠内液体的味道，口感会更加香甜、润滑舒适；并且吸烟者在捏碎卷烟爆珠时，卷烟爆珠清脆的破碎声会给吸烟者带来更加愉快的感受。因此研究卷烟爆珠的声音信号对于判断含有卷烟爆珠的烟草制品的品质有重要意义。目前研究卷烟爆珠的声音采用的方法多是人工检测的方法，但这种方法检测效率低，且容易受人工如专家本身主观态度影响。

目前针对卷烟爆珠的检测主要是根据卷烟爆珠的物理指标，诸如物理直径、胶皮厚度、破碎压力及外观等的检测，利用卷烟爆珠爆破音量质量去评判卷烟爆珠质量的研究尚不充分。卷烟爆珠挤破音质是影响吸烟者对卷烟爆珠烟的喜爱程度的重要因素，卷烟爆珠挤破音质会受到卷烟爆珠潮湿程度、卷烟爆珠包裹材料的成分、胶皮厚度、卷烟爆珠加工工艺等的影响，因此，研究卷烟爆珠挤破音效判断卷烟爆珠品质的评价方法，对于卷烟爆珠的卷烟生产企业和检测机构检测卷烟爆珠卷烟品质、剔除不合格品、利于卷烟爆珠的卷烟消费者的体验等都具有重要意义。

发明内容

本发明公开了一种基于孪生神经网络快速判别卷烟爆珠受潮程度的方法，具体技术方案如下：

本发明公开了一种基于孪生神经网络判别卷烟爆珠受潮程度方法，包括以下步骤：

①将标准卷烟爆珠声音谱图和待测试的不同受潮程度的卷烟爆珠的声谱图输入到训练准确率不再变化的孪生神经网络的两个通道中，利用已保存的权重模型，得到两组不同的特征向量；

②将步骤①得到两组特征向量通过度量层，计算两组不同的特征向量之间的欧氏距离；计算公式为

③将步骤②得到的欧氏距离经过归一化处理，得到一个0-1之间的数值；计算公式为

④将步骤③得到的0-1之间的数值作为待测试的判断卷烟爆珠受潮程度的依据；数字越接近0，受潮程度越高；数字越接近1，受潮程度越低。

优选地，得到所述训练准确率不再变化的孪生神经网络的步骤为：

(1)采集标准卷烟爆珠捏碎的声音信号、和不同受潮程度的卷烟爆珠的捏碎的声音信号；

(2)将步骤(1)中采集到的标准卷烟爆珠的捏碎的声音信号、和不同受潮程度的卷烟爆珠的捏碎的声音信号进行傅里叶变换得到各自的声谱图；

(3)将步骤(2)的标准卷烟爆珠的声谱图、和不同受潮程度的卷烟爆珠的声谱图分别输入到孪生神经网络的两个通道，得到两组不同的特征向量；

(4)将步骤(3)得到的两组特征向量输入到度量层，计算两组特征向量的欧氏距离；计算公式为

(5)将步骤(4)计算得到的欧式距离通过归一化处理，得到一组0-1之间的结果；计算公式为

(6)将步骤(5)中得到的欧式距离归一化的结果利用交叉熵函数作为损失函数去修改所述孪生神经网络中的权重模型；

(7)将步骤(5)中得到的欧式距离归一化的结果与输入的受潮卷烟爆珠的受潮程度进行比较，得到当前的训练准确率；

(8)在步骤(7)所述的训练准确率不再变化后，将步骤(6)中的所述权重模型进行保存；即得到所述训练准确率不再变化的孪生神经网络。

优选地，所述标准卷烟爆珠为未受潮卷烟爆珠。

本发明的有益效果：

1、本发明的方法利用已知受潮程度不同的卷烟爆珠声音信号和未受潮的标准卷烟爆珠的声音信号作为对比输入孪生神经网络中，通过计算样本之间的欧氏距离，训练得到孪生神经网络卷烟爆珠声音的对比模型，将标准卷烟爆珠声音和待测的不同受潮程度的卷烟爆珠信号作为网络输入，得到待测卷烟爆珠受潮程度。

2、本发明的方法不需要进行化学分析，只需直接捏碎卷烟爆珠即可，在几秒钟内就可以判断出卷烟爆珠的受潮程度，且判断结果准确。而现有技术的卷烟爆珠的受潮程度的人工检测的化学分析方法需要将卷烟剥开取出卷烟爆珠，通常需要数小时才能给出判断结果，费时费力，而且判断结果存在误差。本发明的方法提高了卷烟爆珠受潮的判断准确度，且判断的速度较快，减轻了卷烟爆珠受潮程度的判断难度。

附图说明

图1为本发明的孪生神经网络的结构示意图。

图2为本发明的孪生神经网络的训练模型示意图。

图3为孪生神经网络判别卷烟爆珠的受潮程度的结果示意图；左图为标准卷烟爆珠声音谱图，右图为待测卷烟爆珠A的声音谱图。

图4为孪生神经网络判别卷烟爆珠的受潮程度的结果示意图；左图为标准卷烟爆珠声音谱图，右图为待测卷烟爆珠B的声音谱图。

图5为孪生神经网络判别卷烟爆珠的受潮程度的结果示意图；左图为标准卷烟爆珠声音谱图，右图为待测卷烟爆珠C的声音谱图。

具体实施方式

以下结合附图对本发明的实施方式进行详细说明。

如图1所示本发明的孪生神经网络结构示意图；图2为本发明的孪生神经网络的训练模型示意图。

本发明的一种基于孪生神经网络判别卷烟爆珠受潮程度方法，包括以下步骤：

(1)采集标准卷烟爆珠捏碎的声音信号、和不同受潮程度的卷烟爆珠的捏碎的声音信号；标准卷烟爆珠为未受潮的卷烟爆珠；

(2)将步骤(1)中采集到的标准卷烟爆珠的捏碎的声音信号、和不同受潮程度的卷烟爆珠的捏碎的声音信号进行傅里叶变换得到各自的声谱图；

(3)将步骤(2)的标准卷烟爆珠的声谱图、和不同受潮程度的卷烟爆珠的声谱图分别输入到孪生神经网络的两个通道，得到两组不同的特征向量；

(4)将步骤(3)得到的两组特征向量输入到度量层，计算两组特征向量的欧氏距离；计算公式为

(5)将步骤(4)计算得到的欧式距离通过归一化处理，得到一组0-1之间的结果；计算公式为

(6)将步骤(5)中得到的欧式距离归一化的结果利用交叉熵函数作为损失函数去修改所述孪生神经网络中的权重模型；

(7)将步骤(5)中得到的欧式距离归一化的结果与输入的受潮卷烟爆珠的受潮程度进行比较，得到当前的训练准确率；

(8)在步骤(7)所述的训练准确率不再变化后，将步骤(6)中的所述权重模型进行保存；

(9)将标准卷烟爆珠声音谱图和待测试的不同受潮程度的卷烟爆珠的声谱图输入到准确率不再变化的孪生神经网络的两个通道中，利用步骤(8)保存的权重模型，得到两组不同的特征向量；标准卷烟爆珠为未受潮的卷烟爆珠；

(10)将步骤(9)得到两组特征向量通过度量层，计算两组不同的特征向量之间的欧氏距离；计算公式为

(11)将步骤(10)得到的欧氏距离经过归一化处理，得到一个0-1之间的数值；计算公式为

(12)将步骤(11)得到的0-1之间的数值作为待测试的判断卷烟爆珠受潮程度的依据；数字越接近0，受潮程度越高；数字越接近1，受潮程度越低。

利用上述的孪生神经网络判断三个未知的受潮程度的卷烟爆珠A、B和C的受潮程度的方法步骤如上所述，得到三个未知的受潮程度的卷烟爆珠的受潮程的结果为：受潮程度的数字分别为A为0.862，B为0.535和C为0.246。其孪生神经网络输出结果如图3-图5所示，从图3-图5可以看出不同受潮程度的A、B、C三个卷烟爆珠的声谱图不同，经过孪生神经网络后，得到受潮程度数字分别A为0.862，B为0.535和C为0.246，可以得出结论卷烟爆珠C的受潮程度较高，卷烟爆珠A的受潮程度较低。

用现有技术的化学分析的方法得出卷烟爆珠A、B和C的含水量分别为24％、45％和76％，说明卷烟爆珠C的受潮程度较高，卷烟爆珠A的受潮程度较低。

以上说明本发明的基于孪生神经网络判别卷烟爆珠受潮程度方法，判断结果与用现有技术的化学分析的方法结论一致，但本发明的方法准确度明显较高。因此本发明的基于孪生神经网络判别卷烟爆珠受潮程度方法，相对于现有技术的判断方法，判断结果准确、判断速度快。

以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。