一种基于图像分析的烟草烘丝质量预测方法
本发明涉及图像分析预测,更具体地说,它涉及一种基于图像分析的烟草烘丝质量预测方法。
背景技术:
1、烟草烘丝是卷烟加工过程中的核心工序之一,其主要目的是去除烟丝中多余的水分,使烟丝产生体积膨胀,卷曲定型,从而提高烟丝的填充值、改善吸味并降低焦油释放量。
2、目前,行业内对烘丝质量的检测主要依赖于两种方式:一是通过在线红外水分仪进行水分检测;二是通过人工定时抽样,送至实验室进行物理指标(如填充值、整丝率、碎丝率)的离线检测。
3、现有技术存在以下局限性:在线红外水分仪仅能获取水分这一单一维度的指标,无法反映烟丝的形态和颜色等物理形貌变化;而离线实验室检测存在严重的滞后性(通常需要数小时),导致无法根据检测结果对烘丝机工艺参数进行实时闭环调节。
4、此外,工业现场的高温高湿环境导致常规图像采集极易受水汽和粉尘干扰,且工艺调整与出口视觉反馈之间存在复杂的时空不对齐现象。
技术实现思路
1、本发明提供一种基于图像分析的烟草烘丝质量预测方法,解决相关技术中的烟草烘丝质量检测中检测指标单一、视觉反馈受恶劣环境干扰,以及工艺时序反馈错位的技术问题。
2、本发明提供了一种基于图像分析的烟草烘丝质量预测方法,包括以下步骤:
3、s1,同步采集烘丝机出料口的烟丝图像与实时工艺参数,实时工艺参数至少包括排潮风门开度、热风温度、物料流量和烘筒转速;
4、构建受排潮风门开度与热风温度约束的透射率估计函数,结合大气散射模型对烟丝图像进行去雾反演,得到无散射干扰的有效烟丝清晰图像区域;
5、s2,将有效烟丝清晰图像区域输入预训练的多尺度视觉网络,进行实例分割与拓扑骨架提取,分别计算表征填充值的烟丝卷曲畸变指数和表征造碎率的烟丝尺度分布熵,进而得到综合视觉特征向量;
6、s3,基于物料流量和烘筒转速,利用流体力学模型计算动态滞后时间偏置;利用长短期记忆网络对实时工艺参数进行特征提取,得到经过动态滞后时间偏置对齐的工艺时序特征,并通过跨模态注意力门控机制将工艺时序特征与综合视觉特征向量进行融合,得到跨模态因果对齐特征;
7、s4,将跨模态因果对齐特征输入多任务学习预测头进行联合预测,输出包含水分、填充值和造碎率的实时质量预测结果,并将实时质量预测结果反馈至控制系统,以执行烘丝机工艺参数的闭环微调。
8、进一步地,s1中构建受实时工艺参数约束的透射率估计函数,其表达式为:
9、
10、其中,为透射率函数,为图像中的像素点坐标,为指数函数,为基于排潮风门开度与热风温度的散射系数映射函数,为像素点对应的场景深度。
11、进一步地,s1中通过大气散射模型进行去雾反演的过程包括:通过暗通道先验算法估算全局大气光照值,并结合透射率估计函数反演复原出有效烟丝清晰图像区域。
12、进一步地,s2中提取烟丝卷曲畸变指数的过程包括: 采用实例分割算法识别独立烟丝总数量,提取每根烟丝的轮廓周长和投影面积,并通过细化算法提取每根烟丝的中心骨架以计算骨架弧长及直线弦长,进而计算出烟丝卷曲畸变指数。
13、进一步地,烟丝卷曲畸变指数的计算公式为:
14、
15、其中,为烟丝卷曲畸变指数,为圆周率,和为经验权重系数且满足。
16、进一步地,s2中提取烟丝尺度分布熵的过程包括: 将识别出的根烟丝按其投影面积划分为个尺度区间,计算落入各个尺度区间的烟丝总面积占全体烟丝总面积的概率占比,进而利用信息熵原理计算出烟丝尺度分布熵。
17、进一步地,s3中计算动态滞后时间偏置的过程包括: 获取烘筒的物理长度和烟丝在烘筒内的基准轴向流速,结合实时采集的烘筒转速与物料流量,通过联合流变修正函数计算得出动态滞后时间偏置。
18、进一步地,s3中得到跨模态因果对齐特征的过程包括:通过激活函数计算视觉特征与工艺时序特征的融合权重,利用融合权重与可学习权重矩阵,对综合视觉特征向量和经过时间偏置对齐的工艺时序特征进行哈达玛积运算,得到跨模态因果对齐特征。
19、进一步地,多任务学习预测头在训练阶段,采用均方误差损失作为联合损失函数,并利用自适应学习的任务不确定性参数对各个预测任务的损失权重进行动态平衡调节。
20、进一步地,s4中,控制系统根据实时质量预测结果与目标设定值的偏差,采用pid算法计算控制量,以触发对排潮风门开度和热风温度的闭环微调。
21、本发明的有益效果在于:
22、本发明将排潮风门、温度等工艺参数作为图像去雾散射模型的物理先验,解决了传统纯图像去噪算法在复杂水汽粉尘下失效的问题,保障了底层视觉数据的可靠性。
23、并通过卷曲畸变指数结合尺度分布熵的双指标并行,将抽象的填充值与造碎率物理检验转化为图像几何与概率统计计算,实现了烟草物理质量指标的线上实时量化。
24、同时引入基于转速和流量的动态时间偏置计算,且模型融合具有因果关系的过去的参数与当前的图像,提升了模型在工业现场动态变工况下的预测精度与鲁棒性。
1.一种基于图像分析的烟草烘丝质量预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于图像分析的烟草烘丝质量预测方法,其特征在于,所述s1中构建受实时工艺参数约束的透射率估计函数,其表达式为:
3.根据权利要求2所述的一种基于图像分析的烟草烘丝质量预测方法,其特征在于,所述s1中通过大气散射模型进行去雾反演的过程包括:通过暗通道先验算法估算全局大气光照值,并结合所述透射率估计函数反演复原出所述有效烟丝清晰图像区域。
4.根据权利要求1所述的一种基于图像分析的烟草烘丝质量预测方法,其特征在于,所述s2中提取所述烟丝卷曲畸变指数的过程包括: 采用实例分割算法识别独立烟丝总数量,提取每根烟丝的轮廓周长和投影面积,并通过细化算法提取每根烟丝的中心骨架以计算骨架弧长及直线弦长,进而计算出烟丝卷曲畸变指数。
5.根据权利要求4所述的一种基于图像分析的烟草烘丝质量预测方法,其特征在于,所述烟丝卷曲畸变指数的计算公式为:
6.根据权利要求1所述的一种基于图像分析的烟草烘丝质量预测方法,其特征在于,所述s2中提取所述烟丝尺度分布熵的过程包括: 将识别出的根烟丝按其投影面积划分为个尺度区间,计算落入各个尺度区间的烟丝总面积占全体烟丝总面积的概率占比,进而利用信息熵原理计算出所述烟丝尺度分布熵。
7.根据权利要求1所述的一种基于图像分析的烟草烘丝质量预测方法,其特征在于,所述s3中计算动态滞后时间偏置的过程包括: 获取烘筒的物理长度和烟丝在烘筒内的基准轴向流速,结合实时采集的烘筒转速与物料流量,通过联合流变修正函数计算得出动态滞后时间偏置。
8.根据权利要求1所述的一种基于图像分析的烟草烘丝质量预测方法,其特征在于,所述s3中得到跨模态因果对齐特征的过程包括:通过激活函数计算视觉特征与工艺时序特征的融合权重,利用所述融合权重与可学习权重矩阵,对所述综合视觉特征向量和经过时间偏置对齐的工艺时序特征进行哈达玛积运算,得到所述跨模态因果对齐特征。
9.根据权利要求1所述的一种基于图像分析的烟草烘丝质量预测方法,其特征在于,所述多任务学习预测头在训练阶段,采用均方误差损失作为联合损失函数,并利用自适应学习的任务不确定性参数对各个预测任务的损失权重进行动态平衡调节。
10.根据权利要求1所述的一种基于图像分析的烟草烘丝质量预测方法,其特征在于,所述s4中,控制系统根据所述实时质量预测结果与目标设定值的偏差,采用pid算法计算控制量,以触发对排潮风门开度和热风温度的闭环微调。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com