技術簡述

煙草視覺檢測霉變煙葉識別屬于機器視覺領域，涉及深度學習算法。霉變模型采用卷積神經網絡算法提取煙葉特征圖聯(lián)合通道注意力和空間注意力特征輸出為最終特征，網絡輸入為符合相機采集分辨率等比縮放至固定尺寸，骨干網絡(Backbone）的設計兼顧速度與精度選取合適的模型深度。

復雜的神經網絡在小數據集上訓練時需要防止過擬合，因此我們還需要考慮算法出現過擬合的狀態(tài)，算法加入“隨機失活"在訓練時讓一定比例的隱藏節(jié)點為0，但是在推理時其實是對每個權重取失活概率后的值。

最后需要對網絡的最終特征使用激活函數將數據分類為正常煙葉和霉變煙葉，使其輸出范圍在0-1之間，同時在模型檢測服務端預留可調控閾值，既可采用初始建議閾值，也可根據現場實際應用情況對霉變檢測結果進行合理調控。

煙草視覺檢測模型對切片煙葉、煙包等圖像分析定位霉變煙并給出霉變率；該算法在保證了低誤檢率的前提下提高霉變檢出率，在實際生產中可以提高產品質量，減輕人工工作量。

應用效果

經過現場測試霉變檢測系統(tǒng)對于成品煙箱開箱表面霉變檢測模型的誤檢率在0.87%左右，而霉變的檢出率在96.83%左右；對于切片后檢測包芯霉變煙檢測模型的誤檢率在1.5%左右，檢出率在86.44%左右。