一种烟丝杂物智能识别方法与流程

技术特征：
1.一种烟丝杂物智能识别方法，其特征在于，包括以下步骤：采用线阵全光谱光源对混有杂物烟丝进行光照，所述线阵全光谱光源覆盖400nm
‑
1000nm的波段范围；采集线阵全光谱光源光照下的烟丝图像，并将烟丝图像像素转换为多个向量；将多个向量划分成多个类，利用模糊c均值算法对向量进行聚类时，采用海鸥优化算法更新聚类中心，优化结束后，依据聚类结果进行图像分割以分离杂物。2.如权利要求1所述的烟丝杂物智能识别方法，其特征在于，所述线阵全光谱光源由光源设备发射，所述光源设备包括由u型散热管连接且呈对称分布的两块光源基材，所述光源基材上安装有多个条形led光源，所述led光源发射400nm
‑
1000nm的波段范围的光照。3.如权利要求2所述的烟丝杂物智能识别方法，其特征在于，所述两块光源基材穿过u型散热管的两壁，通过紧固件固定在u型散热管的两壁。4.如权利要求2或3所述的烟丝杂物智能识别方法，其特征在于，所述两块光源基材的内壁为弧形，两块光源基材的弧形内壁相对设置，且两块光源基材3中间形成一个用于拍照的缝，多个条形led光源安装在弧形内壁，对弧形内壁形成的空间进行光照。5.如权利要求2所述的烟丝杂物智能识别方法，其特征在于，所述u型散热管中空，以输送冷却液，达到水冷散热方式，其中冷却液优选为水。6.如权利要求2或5所述的烟丝杂物智能识别方法，其特征在于，所述u型散热管外壁包裹有散热鳍片，以达到风冷散热方式。7.如权利要求1所述的烟丝杂物智能识别方法，其特征在于，利用模糊c均值算法对向量进行聚类过程中，采用的目标函数q为：其中，i为向量的索引，j为聚类中心的索引，s为向量个数，c为聚类中心个数，x
i
表示第i个向量，y
j
表示第j个聚类中心，w表示模糊权重指数，d
ij
表示模糊隶属度矩阵，具体计算公式为：其中，k为聚类中心索引，聚类中心y为通过海鸥优化算法在解空间中搜索出最优聚类中心。8.如权利要求1或7所述的烟丝杂物智能识别方法，其特征在于，采用海鸥优化算法更新聚类中心的过程为：将向量初始化为海鸥优化算法的每个海鸥位置，利用海鸥优化算法进行迁移和攻击运动，即进行全局搜索和局部搜搜，以在解空间中搜索出最优向量作为最优聚类中心；
海鸥迁徙过程中，海鸥位置变化过程为：n(t)＝k p
a
(t)其中，n(t)表示海鸥不会发生冲突的新位置，k表示海鸥在解空间中的运动方式，p
a
(t)表示海鸥在解空间中当前所处位置，f表示能够改变k的频率，x表示算法的最大的迭代次数，t表示当前迭代次数；h(t)＝v(p
b
(t)
‑
p
a
(t))其中，h(t)表示海鸥向最优解靠近的最佳运动方向，p
b
(t)表示海鸥的最佳位置，v表示0到k2变化的随机数；海鸥攻击过程为：p
a
(t)＝b(t)r3αsinαcosα p
b
(t)其中，p
a
(t)作为海鸥攻击猎物的位置，α表示0至2π的随机值，r表示海鸥攻击猎物时螺旋运动轨迹的半径，r＝m z e
α
，m、z表示海鸥螺旋状运动轨迹的相关常数。9.如权利要求1所述的烟丝杂物智能识别方法，其特征在于，所述依据聚类结果进行图像分割以分离杂物包括：依据聚类结果筛选出杂物对应的像素，并将这部分像素区域分割出来，以指导分类杂物。

技术总结
本发明公开了一种烟丝杂物智能识别方法，包括：采用线阵全光谱光源对混有杂物烟丝进行光照，所述线阵全光谱光源覆盖400nm


技术研发人员：徐栋炯 徐荣华 冯海 高杰 孙科雷
受保护的技术使用者：浙江中烟工业有限责任公司
技术研发日：2021.08.24
技术公布日：2021/11/28