文献类型：期刊文章

作　　者：肖雷雨[1] 王澍[2] 刘渊根[4] 张龙[2] 王玲[2] 堵劲松[3] 徐大勇[3]

XIAO Leiyu;WANG Shu;LIU Yuangen;ZHANG Long;WANG Ling;DU Jinsong;XU Dayong(Institute of Physical Science and Information Technology,Anhui University,Hefei 230601,China;Hefei Institute of Physical Science,CAS,Hefei 230031,China;Zhengzhou Tobacco Research Institute of CNTC,Zhengzhou 450001,China;Anhui Provincial Tobacco Corporation,Hefei 230072,China)

机构地区：[1]安徽大学物质科学与信息技术研究院,合肥市230601 [2]中科院合肥物质科学研究院,合肥市230031 [3]中国烟草总公司郑州烟草研究院,郑州450001 [4]安徽省烟草公司,合肥市230072

出　　处：《烟草科技》

基　　金：中国烟草总公司郑州烟草研究院院长基金项目“基于机器视觉的烟梗形态分类识别技术研究”(212018CA0169)。

年　　份：2021

卷　　号：54

期　　号：6

起止页码：65-74

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为解决打叶复烤中人工分选纯烟梗、梗头及梗含叶检测效率低、识别误差大等问题,基于深度学习方法建立了一种烟梗在线分类识别模型。首先,基于数字图像处理方法对采集到的烟梗图像进行目标提取,制作烟梗数据集;其次,根据烟梗图像特征对原始YOLOv3模型进行改进,构建新的网络结构;然后,使用制作好的烟梗数据对改进后YOLOv3模型进行训练,生成深度学习烟梗分类识别模型;最后,将模型加载于烟梗在线分类识别系统对其性能进行验证。结果表明:所建立模型在测试集上的表现良好,烟梗识别精确度达到95.01%,相比原始YOLOv3模型提高5.97百分点,召回率提高4.76百分点,且均优于SSD与Mask R-CNN等模型;针对不同复杂场景,模型抗干扰能力强,可有效识别出烟梗位置及类别,能够满足烟梗快速分类识别需求。该方法可为提高烟梗分类效率和识别精度提供支持。

关 键 词：打叶复烤 深度学习  烟梗 YOLOv3模型  分类  识别  

分 类 号：TS443]