CN114549485B 一种基于x射线视觉的梗签检测方法 （河南中心线电子科技有限公司）

本发明提供一种基于X射线视觉的梗签检测解决现有卷烟产品的梗签检测存在效率低和准2随机选取不同品牌的卷烟作为检测对象，利用X射线设备对获取所述检测对象的人工标注样本，将所述扩充标注样本输入将总体分类精度作为训练后的梗签分类网络的评价指标，所述总将所述筛选指标作为训练后的梗签分类网络的评价指标，所述筛选指标根据公式SDri,=aNPFID,tpTR,ne[0,N]计算得到，其中，SDrF,为生成的第n组的伪标注样本的评SM,代表RS和PS,的相似度，DIV,代表PS,的相对于es的相对多样性，NSM,e[0,]和NDV,e[0,]分别是SM,和DIV,的归一化版本，λ和代表NSIM,和NDIV,的权重系数，并且;利用基于改进损失函数的SinGAN模型生成多组所;其中，Dn为第n个判别器，G,为第n个生成器，x是和的联合采样空间，是梯度惩罚项，u是权重系数，是第n+l个生成器生成的伪图32.根据权利要求1所述的基于X射线视觉的梗所述SinGAN模型在训练结束后生成N+1组伪图像(PS,,…,PS,…,PS,}，所述SinGAN根据选定的所述筛选指标SDr,评估所述伪标注样本的真实性和多样性，并利用公式分别代表真实图像和第n组生成图像PS,的特征向量平均值，和CFix,分别代表通过含有聚焦损失函数的Softmax分类器对目标样本进行预测分类，并根据公式选取不同品牌的卷烟作为检测对象并将采集后的数据制作成数据集，并集对训练后的梗签分类网络进行检测验证，以判断梗签的最终检测率是否达到设定阈值，5.根据权利要求4所述的基于X射线视觉的梗签首先经由X射线设备照射卷烟获得卷烟透视图像并对其进行人工标注，每种品牌的香然后利用训练后的SinGAN模型对每个类别有无梗签的图像按照20%和50%的训练率分利用区域生长法对滤噪预处理后的X射线黑白图像进行图像分割，以分割为烟梗像素采用模糊C聚类算法对得到每个分割的烟梗像素对所属烟梗中心的隶属度，以对干扰45[0001]本发明涉及卷烟产品检测技术领域，尤其涉及一种基于X射丝视觉的梗签检测方[0003]本发明提供一种基于X射丝视觉的梗签检测方法，解决现有卷烟产品的梗签检测6nLdiv为生成图像之间距离和噪声之间距离的比值。[0018]所述SinGAN模型在训练结束后生成N+1组伪图像{PSN,…,PSn,…,PS0}，所述[0021]通过含有聚焦损失函数的Softmax分类器对目标样本进行预测分类，并根据公式[0025]首先经由X射线设备照射卷烟获得卷烟透视图像并对其进行人工标注，每种品牌[0026]然后利用训练后的SinGAN模型对每个类别有无梗签的图像按照20％和50％的训7[0030]基于烟丝与梗签的X射线透射成像特性的差异，X射线透射成像形成X射线黑白图[0032]利用区域生长法对滤噪预处理后的X射线黑白图像进行图像分割，以分割为烟梗[0033]采用模糊C聚类算法对得到每个分割的烟梗像素对所属烟梗中心的隶属度，以对[0040]针对当前卷烟内的梗签检测效率低和准确率不高的问题，本发明提供一种基于X射丝视觉的梗签检测方法，解决现有卷烟产品的梗签检测存在效率低和准确率不高的问8nnLdiv为生成图像之间距离和噪声之间距离的比值。GAN只有一个生成器(GenerativeModel,G)和一个判别器(DiscriminativeModel,D)，的感受野，相同感受野的设置可以使每一层的GAN都关注到图像的整体布局和目标的全局9[0053]SinGAN是从单幅图像中学习到图像的分布，这是与其他GAN模型相比最为重要的[0054]与生成器{G0…GN}相对应的是判别器{D0…DN}，每一层的判别器是用来区分相对函数采用WGAN-GP(WasserteinDistanceGenerativeAdversarialNetworks-Gradient当样本梯度超过该阈值时即实行惩罚。该方法有效的解决了上述问题并稳定了GAN网络的[0068]SinGAN改进前后的生成效果对比可知，原始SinGAN生成说明生成图像具有高度真实性但多样性较低；而改进后的SinGAN生成的伪标注样本在粗[0070]所述SinGAN模型在训练结束后生成N+1组伪图像{PSN,…,PSn,…,PS0}，所述[0072]在实际应用中，SinGAN在训练结束后会生成N+1组伪图像，即{PSN,…,PSn,…,PS0FID(FréchetInceptionDistance)分数和PSn的训练评价分数，α和β分表NFIDn和TRn的权[0078]FID是2017年提出的用于评估生成图像质量的度量标准，并专门用于评估生成式对抗网络的性能。由于FID出色的度量方式，它可以很好的度量生成图像的真实性与多样于计算的特征向量均由经过ImageNet数据集预训练过的InceptionV3网样本上的深度神经网络在对真实样本进行测试时就不能得到高精度分类结果，即DIVn很RS)表示训练好的网络DNN(PSn)由RS是必须的，这也是式(7)和式(9)中归一化的原因。这样可以保证最终的取值范围都在[0,[0091]通过含有聚焦损失函数的Softmax分类器对目标样本进行预测分类，并根据公式[0098]首先经由X射线设备照射卷烟获得卷烟透视图像并对其进行人工标注，每种品牌[0099]然后利用训练后的SinGAN模型对每个类别有无梗签的图像按照20％和50％的训[0102]具体地，参数设置采用SinGAN默认设置，即N＝8，所以会产生共9组伪样本{PS8,…,PS0=2。[0105]如表1在筛选有效性对比的实验结果所示，表1第一行是9组不同的伪样本[0114]基于烟丝与梗签的X射线透射成像特性的差异，X射线透射成像形成X射线黑白图[0116]利用区域生长法对滤噪预处理后的X射线黑白图像进行图像分割，以分割为烟梗[0117]采用模糊C聚