一种烟叶霉变检测方法及系统

技术领域

本发明属于烟叶质量检测技术领域，具体涉及一种烟叶霉变检测方法及系统。

背景技术

烟叶是卷烟制品的重要原料，新收获的烟叶在投入生产之前，往往需要经过初烤、复烤、储藏、发酵和醇化等一系列步骤。通常需要经过两到三年的时间来进行发酵，以达到醇化的目的，由此可以很大程度上提升卷烟的口感和品质。因此，烟叶从收获到投入生产之前还需要经过一段漫长的过程，烟叶具有较强的吸湿性且含有微生物生长繁殖所需要的糖类、蛋白质、有机酸等物质，在适宜的条件下容易滋生各种微生物而发生霉变；高质量的烟叶原料的持续供给是保障产业可持续发展的关键，因此，为了避免供给的烟叶原料出现质量问题，需要及时准确地检测出霉变的烟叶以进行相应处理。

目前烟叶霉变检测的方式包括纯粹的机器视觉检测或光谱分析检测方式，以上两种方式主要是针对松散回潮后的烟叶进行的霉变检测，但是醇化烟箱拆箱后的烟垛在松散回潮后会使霉变烟叶存在一定程度的扩散，对后续制丝过程造成更大的影响；且由于部分霉变烟叶在视觉上和非霉变烟叶并无明显区别，所以使用纯机器视觉检测的方式，并不能达到较好的检测结果，误差较大，而烟叶的内在化学成分无相应的检测手段，无法为产品质量控制提供数据支持。如果使用光谱分析的方式进行检测则会面临耗费时间长，效率低下的问题。

发明内容

本发明的目的在于提供一种烟叶霉变检测方法及系统，用于解决现有的烟叶霉变检测的方式检测结果误差较大或检测效率较低的问题。

为了实现上述目的，本发明提供了一种烟叶霉变检测方法，先通过机器视觉模型对目标烟垛进行检测识别，识别出可能存在霉变的区域；再通过近红外光谱分析模型对可能存在霉变的区域进行二次检测，若二次检测后确认所述区域内存在霉变，则将该目标烟垛判定为发生霉变的烟垛。

上述技术方案的有益效果为：首先通过机器视觉识别出烟垛上可能存在霉变的区域，进而利用近红外光谱分析对高霉变风险区(即烟垛上可能存在霉变的区域)进行有针对性的二次检测，将二次检测时确认高霉变风险区的确存在霉变的烟垛判定为发生霉变的烟垛，这样的检测方法节省了光谱分析检测的时间，同时提高了检测的准确率，能够兼顾机器视觉和光谱检测的优点。

进一步地，近红外光谱分析模型的构建方式为：

选择包括设定浓度范围以及空间范围的用于建模的霉变烟叶样本类型信息，其中，浓度范围包括霉变烟叶样本的浓度成分范围，空间范围包括霉变烟叶样本的物理空间范围；测定霉变烟叶样本的近红外光谱数据，并测定霉变烟叶样本的参比值；

根据霉变烟叶样本的近红外光谱数据，确定建模所需的近红外光谱数据样本；

使用主成分分析法，根据建模所需的近红外光谱数据样本确定特征变量；建立特征变量和参比值矩阵的关联模型；根据所述关联模型得到近红外光谱分析模型。

进一步地，所述机器视觉模型的训练集通过烟叶的样本图像得到；所述烟叶的样本图像的获取方式为：

选取同一等级的烟叶，使烟叶舒展后将烟叶分为两部分，一部分放置于第一设定环境下进行平衡，做为非霉变烟叶组；另一部分放置于第二设定环境下进行霉变实验，做为霉变烟叶组；将不同程度霉变烟叶铺撒在正常烟叶表面进行烟叶图像采集，作为烟叶的样本图像。

上述技术方案的有益效果为：通过不同设定环境下的霉变实验得到正常的烟叶和不同霉变程度的烟叶的图像，作为烟叶的样本图像，用于机器视觉模型的训练，提高机器视觉模型识别烟叶霉变的准确性。

进一步地，通过机器视觉模型对目标烟垛进行检测识别的方式为：

将目标烟垛放置在传送带上，当目标烟垛传送至特定位置时，利用机器视觉设备对烟垛的各个表面进行视觉识别，得到对应的烟垛图像，并利用训练好的机器视觉模型对所述烟垛图像进行检测，识别出可能存在霉变的区域。

进一步地，通过近红外光谱分析模型对可能存在霉变的区域进行二次检测的方式为：

经过机器视觉模型检测的烟垛通过传送带传递到近红外光谱检测设备中，针对机器视觉模型识别出的烟垛上可能存在霉变的区域，获取对应的近红外光谱数据，结合近红外光谱分析模型对该区域进行检测，确认该区域内是否存在霉变。

进一步地，所述可能存在霉变的区域通过三维坐标的形式表示，并形成三维点云坐标用于在进行二次检测时读取。

上述技术方案的有益效果为：便于在二次检测时，准确地定位到机器视觉模型检测出的烟垛上可能存在霉变的区域。

进一步地，通过烟叶的样本图像得到所述机器视觉模型的训练集的方式为：

对烟叶的样本图像制作分类标签，选取若干制作分类标签后的烟叶的样本图像进行Mosaic图像增强，再利用翻转、缩放比例、部分裁剪、高斯噪声的处理方式对所述样本图像对应的样本数据进行数据样本扩充，得到机器视觉模型的训练集。

上述技术方案的有益效果为：利用Mosaic图像增强能够增加训练集的多样性和难度，提高目标检测模型的鲁棒性和泛化能力；扩充数据样本则能够使训练集中的样本图像达到训练所需要的数量。

进一步地，根据霉变烟叶样本的近红外光谱数据，确定建模所需的近红外光谱数据样本的方式为：

对于霉变烟叶样本的近红外光谱数据进行预处理，将样本吸光度或者参比值超出设定阈值范围的异常样本进行剔除，之后对剔除异常样本后的近红外光谱数据进行光谱预处理，确定分析变量的范围后，最终确定建模所需的近红外光谱数据样本。

上述技术方案的有益效果为：去除可能带来较大误差的异常样本，从而提高近红外光谱分析模型的识别准确性。

进一步地，所述机器视觉模型为yolov5模型。

本发明还提供了一种烟叶霉变检测系统，包括处理器，所述处理器用于执行程序指令，以实现如上述的烟叶霉变检测方法。

该烟叶霉变检测系统能够实现与上述的烟叶霉变检测方法相同的有益效果。

附图说明

图1为本发明烟叶霉变检测方法实施例中烟叶霉变检测方法的流程框图；

图2为本发明烟叶霉变检测方法实施例中通过机器视觉模型及近红外光谱分析模型对目标烟垛进行检测的工作场景示意图；

图3为本发明烟叶霉变检测方法实施例中非霉变烟叶对应的样本图像示意图；

图4为本发明烟叶霉变检测方法实施例中轻微霉变烟叶对应的样本图像示意图；

图5为本发明烟叶霉变检测方法实施例中重度霉变烟叶对应的样本图像示意图；

图6为本发明烟叶霉变检测方法实施例中训练后的机器视觉模型对轻微霉变烟叶的检测结果示意图；

图7为本发明烟叶霉变检测方法实施例中训练后的机器视觉模型对重度霉变烟叶的检测结果示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明了，以下结合附图及实施例，对本发明进行进一步详细说明。

烟叶霉变检测方法实施例

本实施例给出了一种烟叶霉变检测方法的技术方案，参照图1，该烟叶霉变检测方法先通过机器视觉模型对目标烟垛进行检测识别，识别出可能存在霉变的区域；再通过近红外光谱分析模型对可能存在霉变的区域进行二次检测，若二次检测后确认所述区域内存在霉变，则将该目标烟垛判定为发生霉变的烟垛；将经过二次确认后确定已经发生霉变的烟垛从生产系统中剔除出去，即可确保生产烟丝的质量。

其中，通过机器视觉模型对目标烟垛进行检测识别的方式为：

如图2所示，将目标烟垛放置在传送带上，当目标烟垛传送至特定位置时，利用机器视觉设备对烟垛的各个表面(考虑到烟垛的形状，通常为五个面)进行视觉识别，得到对应的烟垛图像，并利用训练好的机器视觉模型对所述烟垛图像进行检测，识别出可能存在霉变的区域。本实施例中，目标烟垛即为醇化烟箱拆箱后的烟垛，机器视觉模型采用的是yolov5模型，机器视觉设备则为六轴控制的机器人，如图2右半部分的设备；识别出的可能存在霉变的区域则用三维坐标的形式表示出来，形成三维点云坐标传输到计算机内存进行存储，以供二次检测时读取；

机器视觉模型的训练集通过烟叶的样本图像得到；烟叶的样本图像的获取方式为：

选取同一等级的烟叶，对烟叶喷洒一定量的水分，使烟叶舒展后将烟叶分为两部分，一部分放置于第一设定环境下进行平衡，做为非霉变烟叶组；另一部分放置于第二设定环境下进行霉变实验，做为霉变烟叶组；将不同程度霉变烟叶铺撒在正常烟叶表面进行烟叶图像采集，作为烟叶的样本图像，如图3、图4和图5所示。本实施例中，第一设定环境为22℃、65％rh，第二设定环境为40℃、80％rh；对得到的烟叶的样本图像制作分类标签后，按一定比例划分分别用于构建训练集和测试集的样本图像，分别用于模型训练和模型性能评估；具体地，选取若干制作分类标签后的烟叶的样本图像进行Mosaic图像增强，再利用翻转、缩放比例、部分裁剪、高斯噪声的处理方式对这些样本图像对应的样本数据进行数据样本扩充，得到机器视觉模型的训练集，对yolov5模型进行训练。利用Mosaic图像增强能够增加训练集的多样性和难度，提高目标检测模型的鲁棒性和泛化能力；数据样本扩充则能够使训练集中的样本图像达到训练所需要的数量。分类标签包括非霉变烟叶和霉变烟叶对应的标签，还包括不同霉变程度的烟叶对应的标签；如图6和图7所示，通过对不同发酵时期的霉变烟叶的检测结果发现，训练后的机器视觉模型对于霉变区域的识别具有较高的精度，无论重度霉变还是轻微霉变均能够较为准确地识别，可以实现初步检测的目的。

参照图2，通过近红外光谱分析模型对可能存在霉变的区域进行二次检测的方式为：

经过机器视觉模型检测的烟垛通过传送带传递到近红外光谱检测设备(如图2中左半部分的设备所示)中，针对机器视觉模型识别出的烟垛上可能存在霉变的区域，获取对应的近红外光谱数据，结合近红外光谱分析模型对该区域进行检测，确认该区域内是否存在霉变；本实施例中，近红外光谱分析模型的构建方式为：

利用近红外光谱对上述烟草霉变实验中培养的不同程度霉变样品以及正常烟叶样品(即获取烟叶的样本图像的方式中的霉变烟叶组和非霉变烟叶组)进行检测，获取不同霉变程度烟叶样本以及正常烟叶样品的近红外光谱信息。利用机器学习算法建立物质目标含量的预测模型。

具体地，对于霉变烟叶样本的近红外光谱数据进行预处理，将样本吸光度超出设定阈值范围的异常样本进行剔除(即将样本吸光度偏大或偏小的异常样本进行剔除)，之后对剔除异常样本后的近红外光谱数据进行光谱预处理，包括平滑、小波变换、基线校准等，利用主成分分析的方法对预处理后的近红外光谱数据进行降维，将多个变量化为少数几个主成分的统计分析方法，这些主成分能够反映原始变量的绝大部分信息。将降维后的近红外光谱数据作为机器学习模型的输入量，将不同程度霉变烟叶的类别作为机器学习模型的输出量。利用训练好的模型对未知的烟叶近红外光谱信息进行分类识别。

由此可见，本实施例的烟叶霉变检测方法首先通过机器视觉识别出目标烟垛上可能存在霉变的区域，并进行三维坐标标记，进而利用近红外光谱分析对高霉变风险区进行有针对性的二次确认，节省了光谱分析检测的时间，同时提高了检测的准确率，能够兼顾机器视觉和光谱检测的优点。

烟叶霉变检测系统实施例

本实施例给出了一种烟叶霉变检测系统的技术方案，该烟叶霉变检测系统包括处理器，处理器用于执行程序指令，以实现如上述的烟叶霉变检测方法实施例中的烟叶霉变检测方法。

由于本实施例中的烟叶霉变检测系统的工作方式及原理已经在上述的烟叶霉变检测方法实施例中进行了详细说明，则此处不再赘述。

本发明具有以下特点：

1)首先通过机器视觉识别出目标烟垛上可能存在霉变的区域，并进行标记，进而利用近红外光谱分析对高霉变风险区(即目标烟垛上可能存在霉变的区域)进行有针对性的二次检测，将二次检测时确认高霉变风险区的确存在霉变的烟垛判定为发生霉变的烟垛，这样的检测方法节省了光谱分析检测的时间，同时提高了检测的准确率，能够兼顾机器视觉和光谱检测的优点。

2)通过不同设定环境下的霉变实验得到正常的烟叶和不同霉变程度的烟叶，将不同程度霉变烟叶铺撒在正常烟叶表面进行图像采集以生成烟叶的样本图像，能够得到更贴合烟叶霉变的实际情况的样本图像用于机器视觉模型的训练，使训练出的机器视觉模型更符合实际工况，从而提高机器视觉模型识别烟叶霉变的准确性。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。