一种基于烟蒂图像的抽吸容量确定方法及装置

技术领域

本发明涉及一种基于烟蒂图像的抽吸容量确定方法及装置，属于烟支抽吸行为研究技术领域。

背景技术

烟草原料是否完全燃烧会导致燃烧产物的不同，使吸烟者吸入的物质种类及吸入量不一样，从而对身体带来不同的影响。烟支设计和吸烟者的抽吸习惯是影响烟草原料燃烧的重要因素，同时烟支设计可能会影响吸烟者的抽吸习惯。针对单个吸烟者，其抽吸容量与产品口味、产品质量、个人抽吸习惯等相关，但足够大的卷烟抽吸行为数据往往可以反映出一些共性特征，例如：某款产品整体的抽吸容量高于所有卷烟品类的平均水平，则可以消除个体差异对这一结果的影响，从而反映吸烟者群体针对该产品的抽吸行为，与消费者评价数据结合，可以挖掘产生这一行为的深层原因，为产品的改进提供支持。

为了对烟支进行改进，使其符合大众需求，需要获取不同吸烟者的抽吸口数、抽吸容量等抽吸习惯数据。目前主要采用吸烟行为记录仪来监测吸烟者抽吸卷烟过程的抽吸容量和抽吸口数，但是该方式需要借助专用的设备，不适用于开展大规模人群调查，因此通常作为实验装置用于抽样人群的抽吸行为分析。同时由于这种方式需要将烟支插入吸烟行为记录仪的滤棒插入通道中，外置装置的介入会使用户产生检测或测试的“心理暗示”，可能会引起用户抽吸习惯的改变，从而使得所采集的抽吸容量数据偏离真实值。

发明内容

本发明的目的是提供一种基于烟蒂图像的抽吸容量确定方法及装置，以解决目前抽吸容量确定过程存在的成本高、效率低、不准确的问题。

本发明为解决上述技术问题而提供一种基于烟蒂图像的抽吸容量确定方法，该确定方法包括以下步骤：

1)收集抽吸后的烟蒂，对收集到的烟蒂进行图像采集，获取抽吸后的烟蒂滤棒的截面图像；

2)将带有标签的不同抽吸容量的烟蒂滤棒截面图像作为训练数据，标签指的是抽吸容量，基于训练数据构建抽吸容量图像分类模型；

3)将获取的抽吸后的烟蒂滤棒的截面图像输入到训练后的抽吸容量图像分类模型中进行分类，确定其对应的抽吸容量。

本发明基于不同抽吸容量下烟蒂滤棒截面图像的颜色存在差异的发现，构建了图像分类模型，利用不同抽吸容量下的烟蒂滤棒截面图像作为训练数据，训练图像分类模型；再将收集的抽吸后的烟蒂的滤棒截面图像数据输入到训练好的分类模型中，以此得到吸烟者的抽吸容量。本发明通过图像识别的方式实现抽吸容量的确定，不需要借助专用的设备，也不需要人工判别，不仅节省了成本，还能够提高效率，对收集的各类抽吸后的烟蒂进行全面检测，保证了数据的有效性，为后续的研究提供了可靠的支撑。

进一步地，所述步骤2)采用深度学习算法或者机器学习算法构建图像分类模型，基于训练数据中不同抽吸容量下烟蒂滤棒截面图像的颜色不同实现分类。

进一步地，所述的步骤2)采用的机器学习算法为SVM分类法，采用的深度学习算法为卷积神经网络。

本发明采用深度学习算法或者机器学习算法能够快速、准确实现抽吸后烟蒂的分类，将属于同一抽吸容量级别的作为一类，以确定出各抽吸后烟蒂对应的抽吸容量。

进一步地，所述的训练数据还包括有不同视角、光照条件下拍摄的烟蒂滤棒截面图像。

本发明采用不同视角、光照条件下拍摄烟蒂滤棒截面图像，不仅能够增加训练数据数量，还能够提高模型的抗干扰能力，进一步地提高分类的精度。

进一步地，该方法还包括对步骤1)获取的抽吸后的烟蒂滤棒的截面图像进行图像增强处理的步骤。

考虑到图像增强处理后不同抽吸容量的对应的烟蒂滤棒的截面图像的颜色更加突出，本发明对抽吸后的烟蒂滤棒的截面图像进行图像增强处理，能够进一步提高分类的精度。

进一步地，所述步骤2)在训练时将训练数据按照烟支的品牌规格进行划分，不同品牌规格的训练数据划分到不同子集中，利用各子集中的训练数据分别训练分类模型，得到不同品牌规格对应的抽吸容量分类模型。

进一步地，所述步骤3)先判断获取的抽吸后的烟蒂对应的烟支品牌规格，再将抽吸后的烟蒂滤棒的截面图像输入到与其烟支的品牌规格对应的抽吸容量分类模型中进行分类。

由于不同品牌规格的卷烟产品的设计、吸烟者群体、吸烟者习惯等不相同，其抽吸后烟蒂滤棒截面图像本身存在一定的差异，因此，本发明按照不同品牌规格将训练数据划分成多个子集，利用每个子集分别训练分类模型，得到与各品牌规格对应的分类模型，以实现对各品牌规格的抽吸后烟蒂抽吸容量的精确判定。

进一步地，抽吸后的烟蒂对应的烟支的品牌规格的确定过程为：对抽吸后的烟蒂图像进行图像分割，以标注出烟支的滤棒和烟支的烟条部分，对标注完的抽吸后的烟蒂图像进行特征提取，并利用提取出的特征对图像进行分类，将属于同一品牌规格的烟蒂图像作为一类。

进一步地，图像分割通过迁移学习和主动学习的方式实现对烟蒂图像的自动标注，在利用提取出的特征对图像进行品牌规格分类时，是基于烟支粗细、滤棒长短、滤棒接装纸的颜色和花纹以及烟条部分卷烟纸的颜色和花纹的特征实现的。

为避免人工标注效率低、成本高的问题，本发明利用少量的人工标注样本，通过迁移学习和主动学习的方式实现图像的自动标注，大大提高了标注的效率。

本发明还提供一种基于烟蒂图像的抽吸容量确定装置，包括存储器和处理器，所述处理器用于执行存储在所述存储器中的指令，以实现本发明的基于烟蒂图像的抽吸容量确定方法。

附图说明

图1是本发明基于烟蒂图像的抽吸容量确定方法的流程图；

图2a是本发明实施例中抽吸容量为25ml对应的滤棒的截面图；

图2b是本发明实施例中抽吸容量为35ml对应的滤棒的截面图；

图2c是本发明实施例中抽吸容量为45ml对应的滤棒的截面图；

图2d是本发明实施例中抽吸容量为55ml对应的滤棒的截面图；

图3a是本发明实施例中图像增强处理后的抽吸容量为25ml对应的滤棒的截面图；

图3b是本发明实施例中图像增强处理后的抽吸容量为35ml对应的滤棒的截面图；

图3c是本发明实施例中图像增强处理后的抽吸容量为45ml对应的滤棒的截面图；

图3d是本发明实施例中图像增强处理后的抽吸容量为55ml对应的滤棒的截面图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步地说明。

基于烟蒂图像的抽吸容量确定方法的实施例

本发明通过收集抽吸后的烟蒂，对收集到的烟蒂进行图像采集，获取抽吸后的烟蒂滤棒的截面图像；构建图像分类模型，利用带有标签的不同抽吸容量的烟蒂滤棒截面图像作为训练数据，标签指的是抽吸容量，利用训练数据构建图像分类模型；将获取的抽吸后的烟蒂滤棒的截面图像输入到训练后的图像分类模型中进行分类，确定其对应的抽吸容量。该方法通过图像处理的方式，能够根据抽吸后的烟蒂滤棒的截面图像确定其对应的抽吸容量。该方法的实现流程如图1所示，下面进行详细说明。

1.收集抽吸后的烟蒂，对收集到的烟蒂进行图像采集，获取抽吸后的烟蒂滤棒的截面图像。

本发明可面向不同城市机场、火车站、商场等场景中的吸烟室或吸烟点收集抽吸后烟蒂，对收集到的抽吸后的烟蒂进行图像采集，得到抽吸后烟蒂滤棒的截面图像数据。

2.对获取的烟蒂图像进行预处理。

采集到的抽吸后烟蒂图像的数据质量存在较大差异，而图像质量的高低直接影响后续识别算法的精度。因此，本发明需要对采集到的图像进行预处理，以提升图像数据的质量和鲁棒性。

本发明采用基于深度学习的图像质量评价算法，分析采集的烟蒂图像在光线、色彩、对比度等方面的质量，划分高、低质量数据集。针对低质量数据，利用图像增强算法实现图像曝光、对比度、饱和度、高亮等方面的优化，进而提升数据质量，本实施例中的图像增强算法可采用灰度变换、直方图增强、图像平滑滤波等方法。针对高质量数据，本发明采用图像超分辨率算法进行处理，重建有用的图像特征并提高图像特征的可检测性。

3.建立图像分类模型，基于该图像分类模型对预处理后的烟蒂图像进行分类，以确定其对应的抽吸容量。

首先，构建训练数据，本实施例采用直线型吸烟机，按照设定的抽吸时间和不同的抽吸容量对烟支进行抽吸实验，得到不同抽吸容量对应的烟蒂，获取各烟蒂滤棒的截面图像，例如本实施例中设定的抽吸时间为2s，每次抽吸4支相同品牌规格卷烟，抽吸容量分别设置为25ml、35ml、45ml、55ml时对应的抽吸后滤棒的截面分别如图2a、图2b、图2c和图2d所示，从中可以看出，不同抽吸容量下，抽吸后滤棒截面颜色存在明显差异，且抽吸容量越大，滤棒截面颜色越深；经过图像增强后，滤棒截面颜色特征对比更加明显，如图3a、图3b、图3c和图3d所示。本发明利用上述实验设备，进行不同抽吸容量的大量实验，得到大量不同抽吸容量对应的烟蒂，对这些烟蒂滤棒的截面进行图像采集，以形成相应的训练数据。作为其他实施方式，若要实现更加精细的分类，在构建训练数据时，可设置更多等级的抽吸容量进行抽吸实验。

在对抽吸实验后的烟蒂滤棒的截面图像进行采集时，考虑到不同光照条件下烟蒂滤棒的截面图像颜色特征不同的问题，本发明需要采集不同光照条件下烟蒂滤棒的截面图像构建训练数据，为后期图像分类提供丰富的原始数据，保证图像分类的准确性。作为其他实施方式，也可以在形成训练数据时，按照设定的光照条件进行采集，同时，对于待确定抽吸容量的烟蒂图像也按照相应的光照条件进行采集。

其次，构建图像分类模型，本实施例可采用深度学习算法来构建，也可以采用机器学习算法来构建。深度学习算法可采用卷积神经网络、编码-解码模型等。机器学习模型可采用支持向量机来实现图像分类，支持向量机(SVM)模型在进行图像分类时，可以看作给每一种图像的类别生成一个图像模版，然后将待分类的图像和各图像模版做内积，计算相似度，选取相似度最高的图像模版对应类别作为该待分类图像的类别。作为其他实施方式，也可以采用其他机器学习模型进行分类。

然后将经过步骤2预处理完成的抽吸后烟蒂滤棒的截面图像输入到分类模型中，按照不同抽吸容量进行分类，以此实现根据抽吸后的烟蒂滤棒的截面图像进行抽吸容量的确定。

通过上述过程，本发明可利用训练后的分类模型对收集的抽吸后的烟蒂进行分类，得到各抽吸后烟蒂的抽吸容量。

考虑到不同品牌规格烟蒂滤棒的截面颜色存在一定的差异，如果不进行区分的话，会影响抽吸容量确定的精度。为此，本发明在构建训练数据时，按照不同品牌规格进行抽吸容量的实验，得到不同品牌规格对应的训练数据；然后利用各品牌规格对应的训练数据分别构建不同品牌规格对应的抽吸容量分类模型；在将获取抽吸后的烟蒂滤棒截面图像输入到分类模型时，先判断该抽吸后的烟蒂所属的品牌规格，在确定出品牌规格后，再将该烟蒂的滤棒截面图像输入到对应品牌规格的分类模型中进行分类识别，以此确定该抽吸后烟蒂对应的抽吸容量。

因此，为了确定抽吸后的烟蒂图像所属的品牌规格，本发明的步骤1在获取抽吸后的烟蒂滤棒的截面图像的同时，还需要获取抽吸后的烟蒂图像，利用图像分割模型对烟蒂图像进行分割，通过分析烟蒂图像特征，自动定位图像中烟蒂不同部分的信息(滤棒、烟条剩余部分(或烟条部分)、产品规格特征位置及产品规格等)；利用分割结果，根据不同部位的特征对烟支的品牌规格进行分类。下面对该过程进行详细说明。

为了实现图像分割，本发明首先构建图像分割模型以实现对未知样本的分割。分割模型采用的是深度学习算法，深度学习算法的精度依赖于训练样本的规模，若要实现准确的分割，需要大量的训练样本和测试样本。对本实施例而言，训练样本和测试样本指的是已经标注好各个部位的烟蒂图像，目前对训练样本和测试样本的标注主要采用的人工标注方法，对于大量样本而言，若直接采用人工标注，则效率低、成本高。因此，本发明在少量人工标注样本的基础上，采用迁移学习和主动学习技术，构建高价值数据筛选与自动标注模型，通过分析烟蒂图像特征，自动定位图像中烟蒂不同部分的信息(滤棒、烟条剩余部分(或烟条部分)、产品规格特征位置及产品规格等)，同时自动挑选对模型优化价值最大的重要数据，交由专家辅助修改确认，不断更新已标注数据(源域)与未标注数据(目标域)的特征分布，在交互中实现自动标注准确性的迭代提升。

本实施例中的图像分割采用卷积神经网络模型，通过卷积神经网络模型实现图像分割，具体而言，将标注好的烟蒂图像样本划分成训练集和测试集，利用训练集训练图像分割模型，利用测试集对训练后的模型进行验证和调整，以提高模型的分割精度。作为其他实施方式，也可以采用其他深度学习模型，例如全卷积神经网络(FCN)、RCNN、残差网络ResNet等。FCN模型采用卷积层对输入图像进行高级语义特征提取，利用反卷积进行像素级分类预测，利用跳跃连接从最后一层的特征图上采样和前几层输出的特征图融合(summation操作)，连接高层次粗的语义信息和低层次精细的位置信息，实现精准分割。

在完成烟蒂图像分割后，本发明还需要按照烟支的品牌规格进行分类，不同品牌规格的烟支粗细(圆周)、滤棒长短、滤棒物理结构、滤棒接装纸的颜色和花纹、烟条部分卷烟纸的颜色和花纹会存在不同，因此，本发明基于分割结果，根据烟蒂图像数据集分割后的各部分特征进行图像分类，将同一品牌规格的分成一类，不同品牌规格的分成不同类。本实施例的图像分类可采用深度学习模型来实现，也可以采用机器学习模型。深度学习模型可采用卷积神经网络、编码-解码模型等，利用图像分割结果，对烟支的滤棒、烟条进行特征提取，基于不同品牌规格烟支的滤棒、烟条特征的不同进行分类。机器学习模型可采用支持向量机来实现图像分类，支持向量机(SVM)模型在进行图像分类时，可以看作给每一种图像的类别生成一个图像模版，然后将待分类的图像和各图像模版做内积，计算相似度，选取相似度最高的图像模版对应类别作为该待分类图像的类别。作为其他实施方式，也可以采用其他机器学习模型进行分类。

通过上述过程，本发明能够将采集到的抽吸后的烟蒂图像按照不同品牌规格进行分类，将不同品牌规格的抽吸后的烟蒂滤棒截面图像输入到对应品牌规格的抽吸容量分类模型中，由该分类模型基于不同抽吸容量对应的烟蒂滤棒截面图像的差异确定对应的抽吸容量。因此，本发明通过图像识别技术能够快速、准确确定抽吸后烟蒂对应的抽吸容量，反映吸烟者的抽吸行为，为产品的改进提供可靠的数据来源。

基于烟蒂图像的抽吸容量确定装置的实施例：

本实施例提供一种基于烟蒂图像的抽吸容量确定装置，包括存储器和处理器，存储器用于存储基于烟蒂图像的抽吸行为确定的指令。处理器用于执行存储在存储器中的指令，以实现上述的基于烟蒂图像的抽吸容量确定方法。基于烟蒂图像的抽吸容量确定方法具体内容可以参照方法实施例中相应的介绍，此处不再赘述。

在本实施例中，处理器可以为微处理器MCU、可编程逻辑器件FPGA等处理装置。

在本实施例中，存储器可以为利用电能方式存储信息的各式存储器(例如RAM、ROM等)、利用磁能方式存储信息的各式存储器(例如硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘等)、利用光学方式存储信息的各式存储器(例如CD、DVD等)。当然，存储器还可以为其他方式的存储器(例如量子存储器、石墨烯存储器等)。