1.本技术涉及烟丝生产管理技术领域，特别是涉及一种烟丝杂物检测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术：2.烟支的品质与口感都与其烟丝的质量息息相关，而在烟丝生产运输过程中，不可避免的会混入碎纸、包装碎屑等杂物，对烟丝的内在质量造成极其严重的影响。因此对生产过程中的烟丝进行杂物检测并除杂是保证烟支质量的必要手段。
3.在现有生产过程中，烟丝的除杂还是停留于人工检测阶段，人工检测受到主观因素的影响，且由于人长时间盯着烟丝看，容易产生疲劳，当烟丝杂物较为细小时，经常会造成漏检、误检的现象，使得整个烟丝杂物检测过程准确率和检测效率均有待提高。
技术实现要素：4.基于此，有必要针对上述技术问题，提供一种能够提高烟丝杂物检测的准确率与检测效率的烟丝杂物检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种烟丝杂物检测方法，所述方法包括：
6.获取生产过程中实时监测的烟丝图像；
7.将所述烟丝图像输入预先训练得到的烟丝杂物检测模型，对所述烟丝图像进行杂物检测，得到所述烟丝图像的杂物检测结果，其中，所述烟丝杂物检测模型包括特征提取层，所述特征提取层的至少一个目标中间层插入至少一个se结构，通过所述se结构对所述特征提取层的结果进行加权处理，得到强化特征图，根据所述强化特征图得到所述烟丝图像的杂物检测结果；
8.根据所述烟丝图像的杂物检测结果生成预警信息，并将所述预警信息返回至监管前端，对所述烟丝图像中的杂物进行预警。
9.在其中一个实施例中，所述目标中间层包括第一目标中间层与第二目标中间层，所述第二目标中间层所处的层数大于所述第一目标中间层所处的层数，所述第一目标中间层中之后插入第一se结构，所述第二目标中间层之后插入第二se结构；
10.所述将所述烟丝图像输入预先训练得到的烟丝杂物检测模型，对所述烟丝图像进行杂物检测，得到所述烟丝图像的杂物检测结果，包括：
11.将所述烟丝图像输入预先训练得到的烟丝杂物检测模型，所述烟丝杂物检测模型的特征提取层对所述烟丝图像进行特征提取处理；将所述第一目标中间层前的多层特征提取层提取的第一尺寸特征图，输入到所述第一se结构中，所述第一se结构对所述第一尺寸特征图进行加权处理，得到第一强化特征图；
12.将所述第一强化特征图输入至所述第一se结构后的特征提取层，得到第二尺寸特征图，将所述第二尺寸特征图输入至所述第二se结构中，得到第二强化特征图；
13.将所述第二强化特征图输入至所述第二se结构之后的特征提取层，得到第三尺寸特征图。
14.根据第一尺寸特征图、第二尺寸特征图以及第三尺寸特征图，得到所述烟丝图像的杂物检测结果。
15.在其中一个实施例中，所述se结构包括了全局平均池化层、全连接网络层和激发层；
16.所述通过所述se结构对所述特征提取层的结果进行加权处理，得到强化特征图，包括：
17.将所述特征提取层输出的特征图输入至全局平均池化层中进行压缩操作，得到全局感受野特征图；
18.基于所述全连接网络层以及所述激发层，对所述全局感受野特征图进行计算处理，得到特征图向量；
19.将所述特征向量与所述特征提取层输出的特征图进行加权处理，得到强化特征图。
20.在其中一个实施例中，所述将所述特征提取层输出的特征图输入至全局平均池化层中进行压缩操作，得到全局感受野特征图，包括：
21.将所述特征提取层输出的特征图输入至全局平均池化层中进行计算，得到所述特征图中特征通道的全局分布特征；
22.去除所述特征通道中的空间分布特征，得到全局感受野特征图。
23.在其中一个实施例中，所述烟丝杂物检测模型的训练过程包括：
24.采集含有不同种类杂物的烟丝图像，得到第一烟丝图像集；
25.对所述第一烟丝图像集进行数据增强操作，得到第二烟丝图像集；
26.将所述第一烟丝图像集与所述第二颜色图像集进行合并，得到烟丝样本数据集；
27.对所述烟丝样本数据集中的烟丝以及杂物进行标注，得到标注烟丝样本数据集；
28.将所述标注烟丝样本数据集输入至初始检测模型中进行训练，获得所述烟丝杂物检测模型。
29.在其中一个实施例中，所述将所述标注烟丝样本数据集输入至初始检测模型中进行训练之前，还包括：
30.将所述标注烟丝样本数据集按照预设比例分为烟丝样本训练集与烟丝样本测试集；
31.所述将所述标注烟丝样本数据集输入至初始检测模型中进行训练，获得所述烟丝杂物检测模型，包括：
32.将所述烟丝样本训练集输入至初始检测模型中进行训练，得到训练后的初始烟丝杂物检测模型；
33.基于所述烟丝样本测试集对所述初始烟丝杂物检测模型进行测试，获得所述烟丝杂物检测模型。
34.第二方面，本技术还提供了一种烟丝杂物检测装置，所述装置包括：
35.烟丝图像获取模块，用于获取生产过程中实时监测的烟丝图像；
36.杂物检测模块，用于将所述烟丝图像输入预先训练得到的烟丝杂物检测模型，对
所述烟丝图像进行杂物检测，得到所述烟丝图像的杂物检测结果，其中，所述烟丝杂物检测模型包括特征提取层，所述特征提取层的至少一个目标中间层插入至少一个se结构，通过所述se结构对特征提取层的结果进行加权处理，得到强化特征图，根据所述强化特征图得到杂物检测结果；
37.杂物预警模块，用于根据所述烟丝图像的杂物检测结果生成预警信息，并将所述预警信息返回至监管前端，对所述烟丝图像中的杂物进行预警。
38.第三方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
39.第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
40.第五方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
41.上述烟丝杂物检测方法、装置、计算机设备、存储介质和计算机程序产品，基于预先训练得到的烟丝杂物检测模型对实际生产过程监测得到的烟丝图像进行杂物检测，由于烟丝杂物检测模型中插入有至少一个se结构，se结构对特征提取层的结果进行加权处理，得到强化特征图，强化特征图强化了原特征图中的有效特征，弱化低效或无效特征，使提取的特征具有更强的指向性，即使烟丝杂物较为细小，也可以得到更加准确的检测结果。根据烟丝杂物检测模型输出的杂物检测结果生成预警信息，并将预警信息返回至监管前端，通过预警信息对烟丝图像中存在的杂物进行预警，可以有效避免杂物检测过程受到人为主观因素影响，以及由于人力检测时出现的视觉疲劳而导致的漏检、误检等问题的发生，使整个烟丝杂物检测过程的准确率以及检测效率都得到大幅度提升。
附图说明
42.图1为一个实施例中烟丝杂物检测方法的应用环境图；
43.图2为一个实施例中烟丝杂物检测方法的流程示意图；
44.图3为一个实施例中将烟丝图像输入预先训练得到的烟丝杂物检测模型，对烟丝图像进行杂物检测，得到烟丝图像的杂物检测结果步骤的流程示意图；
45.图4为一个实施例中se结构的结构框图；
46.图5为一个实施例中通过se结构对特征提取层的结果进行加权处理，得到强化特征图步骤的流程示意图；
47.图6为一个实施例中烟丝杂物检测模型的训练过程的流程示意图；
48.图7为另一个实施例中烟丝杂物检测方法的应用环境图；
49.图8为另一个实施例中烟丝杂物检测方法的流程示意图；
50.图9为一个实施例中初始检测模型的结构框图；
51.图10为一个实施例中烟丝杂物检测装置的结构框图；
52.图11为一个实施例中计算机设备的内部结构图。
具体实施方式
53.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对
本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
54.本技术实施例提供的烟丝杂物检测方法，可以应用于如图1所示的应用环境中。其中，图像采集设备102、监管前端106分别通过通信网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104获取生产过程中图像采集设备102实时监测采集的烟丝图像，将烟丝图像输入预先训练得到的烟丝杂物检测模型中，对烟丝图像进行杂物检测，得到烟丝图像的杂物检测结果，其中，烟丝杂物检测模型包括特征提取层，特征提取层的至少一个目标中间层插入至少一个se结构，通过se结构对特征提取层的结果进行加权处理，得到强化特征图，根据强化特征图得到烟丝图像的杂物检测结果。根据烟丝图像的杂物检测结果生成预警信息，并将预警信息返回至监管前端106，对烟丝图像中的杂物进行预警。其中，监管前端106可以但不限于是各种个人计算机、笔记本电脑、平板电脑等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现，也可以是部署在云端的云服务器。
55.在一个实施例中，如图2所示，提供了一种烟丝杂物检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
56.步骤202，获取生产过程中实时监测的烟丝图像。
57.其中，烟丝图像是图像采集设备对生产过程中的烟丝进行拍摄得到的图像，可以理解的，烟丝图像可以是图像采集设备对烟丝生产运输带上的烟丝进行实时监测拍摄得到的图像。
58.具体地，图像采集设备对生成过程中的烟丝进行拍摄，得到烟丝图像，服务器获取图像采集设备实时监测采集的烟丝图像。其中，图像采集设备可以是任意一种具备图像采集功能的设备，例如工业相机等。
59.步骤204，将烟丝图像输入预先训练得到的烟丝杂物检测模型，对烟丝图像进行杂物检测，得到烟丝图像的杂物检测结果，其中，烟丝杂物检测模型包括特征提取层，特征提取层的至少一个目标中间层插入至少一个se结构，通过se结构对特征提取层的结果进行加权处理，得到强化特征图，根据强化特征图得到烟丝图像的杂物检测结果。
60.其中，烟丝杂物检测模型事先部署在服务器上，是预先训练得到的可以对输入的烟丝图像进行杂物检测的深度学习模型。烟丝杂物检测模型中包括有特征提取层，在特征提取层的至少一个目标中间层插入至少一个se结构。可以理解的，目标中间层在特征提取层中所处的具体位置以及目标中间层的具体个数可以根据实际情况进行设定。
61.其中，se结构为se-net(squeeze and excitation networks)中的核心结构，se结构主要由压缩(squeeze)和激发(excitation)两个操作组成，经过se结构处理的特征图可以强化有效特征、弱化低效或无效特征，使提取的特征具有更强的指向性。
62.具体地，服务器将获取到的烟丝图像输入至事先部署好的烟丝杂物检测模型中，烟丝杂物检测模型特征提取层中的se结构对特征提取层输入的结果进行加权处理，得到强化特征图，烟丝杂物检测模型根据强化特征图得到烟丝图像的杂物检测结果。
63.步骤206，根据烟丝图像的杂物检测结果生成预警信息，并将预警信息返回至监管前端，对烟丝图像中的杂物进行预警。
64.其中，预警信息包括了烟丝图像中的杂物信息。可以理解的，杂物信息可以包括杂物位置信息、杂物种类信息等。
65.具体地，服务器根据烟丝杂物检测模型生成的杂物检测结果生成预警信息，将预警信息返回至监管前端，对烟丝图像中的杂物进行预警。监控前端可以根据预警信息查看烟丝图像对应位置的烟丝物料，对杂物进行清理。
66.上述烟丝杂物检测方法中，基于预先训练得到的烟丝杂物检测模型对实际生产过程监测得到的烟丝图像进行杂物检测，由于烟丝杂物检测模型中插入有至少一个se结构，se结构对特征提取层的结果进行加权处理，得到强化特征图，强化特征图强化了原特征图中的有效特征，弱化低效或无效特征，使提取的特征具有更强的指向性，即使烟丝杂物较为细小，也可以得到更加准确的检测结果。根据烟丝杂物检测模型输出的杂物检测结果生成预警信息，并将预警信息返回至监管前端，通过预警信息对烟丝图像中存在的杂物进行预警，可以有效避免杂物检测过程受到人为主观因素影响，以及由于人力检测时出现的视觉疲劳而导致的漏检、误检等问题的发生，使整个烟丝杂物检测过程的准确率以及检测效率都得到大幅度提升。
67.在一个实施例中，目标中间层包括第一目标中间层与第二目标中间层，第二目标中间层所处的层数大于第一目标中间层所处的层数，第一目标中间层中之后插入第一se结构，第二目标中间层之后插入第二se结构。如图3所示，将烟丝图像输入预先训练得到的烟丝杂物检测模型，对烟丝图像进行杂物检测，得到烟丝图像的杂物检测结果，包括：
68.步骤302，将烟丝图像输入预先训练得到的烟丝杂物检测模型，烟丝杂物检测模型的特征提取层对烟丝图像进行特征提取处理；将第一目标中间层前的多层特征提取层提取的第一尺寸特征图，输入到第一se结构中，第一se结构对第一尺寸特征图进行加权处理，得到第一强化特征图。
69.其中，烟丝杂物检测模型的特征提取层中包括有第一目标中间层与第二目标中间层，第二目标中间层所处的层数大于第一目标中间层所处的层数，即第一目标中间层在第二目标中间层之前。第一目标中间层之后插入第一se结构，第二目标中间层之后插入第二se结构。第一目标中间层之前、第一se结构与第二目标中间层之间以及第二se结构之后都存在预设层数的特征提取层。
70.具体地，将烟丝图像输入预先训练得到的烟丝杂物检测模型中的特征提取层，烟丝图像在经过第一目标中间层前的多层特征提取层提取后，在第一目标中间层输出得到的第一尺寸特征图，同时将第一尺寸特征图输入到第一se结构中，第一se结构对第一尺寸特征图进行加权处理，将第一尺寸特征图中的有效特征进行强化，弱化第一尺寸特征图中的低效或无效特征，得到第一强化特征图。
71.步骤304，将第一强化特征图输入至第一se结构后的特征提取层，得到第二尺寸特征图，将第二尺寸特征图输入至第二se结构中，得到第二强化特征图。
72.具体地，将强化特征之后的第一强化特征图继续输入至第一se结构后的特征提取层，特征提取层对第一强化特征图中的特征进行提取后，在第二目标中间层输出第二尺寸特征图，并将第二尺寸特征图输入至第二se结构中，第二se结构对第二尺寸特征图进行加权处理，将第二尺寸特征图中的有效特征进行强化，弱化第二尺寸特征图中的低效或无效特征，得到第二强化特征图。
73.步骤306，将第二强化特征图输入至第二se结构之后的特征提取层，得到第三尺寸特征图。
74.具体地，将第二se结构输出的第二强化特征图继续输入至第二se结构之后的特征提取层，特征提取层对第二强化特征图中的特征进行提取后，输出第二尺寸特征图。
75.步骤308，根据第一尺寸特征图、第二尺寸特征图以及第三尺寸特征图，得到烟丝图像的杂物检测结果。
76.具体地，烟丝图像检测模型根据得到的第一尺寸特征图、第二尺寸特征图以及对特征图中的有效特征进行强化后的第三尺寸特征图，得到烟丝图像的杂物检测结果。
77.本实施例中，通过在特征提取层的目标层中插入两个se结构，利用两个se结构对特征提取层提取的特征图像进行加权处理，将特征图像中的有效特征进行强化，弱化特征图中的低效或无效特征，根据得到的第一尺寸特征图、第二尺寸特征图以及强化后的第三尺寸特征图进行检测得到烟丝图像的杂物检测结果，在检测时即使烟丝杂物较为细小，也可以得到更加准确的检测结果，提高了烟丝杂物检测过程中的准确率。
78.在一个实施例中，如图4所示，se结构包括了全局平均池化层、全连接网络层和激发层。具体地，输入的特征图依次经过全局平均池化层、全连接网络层以及激发层处理，得到最终的强化特征图。
79.如图5所示，通过se结构对特征提取层的结果进行加权处理，得到强化特征图，包括：
80.步骤502，将特征提取层输出的特征图输入至全局平均池化层中进行压缩操作，得到全局感受野特征图。
81.具体地，将se结构之前的特征提取层输出的特征图输入至se结构中的全局平均池化层中进行压缩操作，为特征图赋予网络全局感受野，得到全局感受野特征图。
82.步骤504，基于全连接网络层以及激发层，对全局感受野特征图进行计算处理，得到特征图向量。
83.其中，全连接网络层中隐含有relu激活函数，全连接网络层用于构建特征通道之间的相关性，并输出与输入特征同样数目的权重。可以理解的，全连接网络层的层数可以根据实际需求进行设备，例如，使用层数为3层的全连接网络层，可以具有更多的非线性，更好的拟合通道间复杂的相关性。
84.其中，激发层中设置有激活函数，激活函数对输入的特征图进行计算得到对应的特征图向量。可以理解的，激活函数可以为sigmoid激活函数。
85.具体地，将全局感受野特征图输入至全连接网络层中，构建特征图中的特征通道之间的相关性，将构建好之后的全局感受野特征图输入至激发层中，通过激活函数计算后得到特征图向量。
86.步骤506，将特征向量与特征提取层输出的特征图进行加权处理，得到强化特征图。
87.具体地，将特征向量中的元素作为特征图的各层权值，用于衡量每个特征通道的重要程度，通过scale操作将特征图向量与特征提取层输出的特征图进行相乘，得到施加权值后的强化特征图，来强化有效特征，弱化低效或无效特征，使得提取的特征具有更强的指向性，从而提高检测结果。
88.在一个实施例中，将特征提取层输出的特征图输入至全局平均池化层中进行压缩操作，得到全局感受野特征图，包括：将特征提取层输出的特征图输入至全局平均池化层中进行计算，得到特征图中特征通道的全局分布特征；去除特征通道中的空间分布特征，得到全局感受野特征图。
89.具体地，将特征提取层输出的特征图输入至全局平均池化层中进行计算，得到特征图中特征通道的全局分布特征；去除特征通道中的空间分布，顺着空间维度对特征图进行特征压缩，得到全局感受野特征图。通过使用全局平均池化来生成特征通道统计信息，将全局空间信息压缩为一个通道描述符，实现特征通道描述，为后续使用激活函数进行计算以及对特征图进行加权处理提供数据支持。
90.在一个实施例中，如图6所示，烟丝杂物检测模型的训练过程包括：
91.步骤602，采集含有不同种类杂物的烟丝图像，得到第一烟丝图像集。
92.具体地，通过图像采集设备采集生产运输过程中含有不同种类杂物的烟丝图像，得到第一烟丝图像集。其中，杂物可以包括：石头、纸屑、线、海绵、塑料等。
93.步骤604，对第一烟丝图像集进行数据增强操作，得到第二烟丝图像集。
94.其中，数据增强也叫数据扩增，意思是在不实质性的增加数据的情况下，让有限的数据产生等价于更多数据的价值。具体地，数据增强操作可以是采用预设的数据变换规则，在已有数据的基础上进行数据的扩增操作。
95.具体地，对采集得到的第一烟丝图像集按照预设的数据变换规则，进行数据扩增，将变换后得到的烟丝图像集作为第二烟丝图像集。
96.在其中一个实施例中，数据增强操作包括：旋转、平移、缩放以及水平翻转。
97.步骤606，将第一烟丝图像集与第二颜色图像集进行合并，得到烟丝样本数据集。
98.具体地，将第一烟丝图像集与对第一烟丝图像集进行数据增强后得到的第二烟丝图像集进行合并，得到烟丝样本数据集。可以理解的，合并过程可以是将第一烟丝图像集与第二烟丝图像进行直接进行相加的过程。
99.步骤608，对烟丝样本数据集中的烟丝以及杂物进行标注，得到标注烟丝样本数据集。
100.具体地，使用图像标注工具对烟丝样本数据集中的烟丝以及杂物进行标注，得到标注烟丝样本数据集。其中，图像标注工具可以是任意一种具有图像标注功能的工具，例如lablelmg图像标注工具等。
101.步骤610，将标注烟丝样本数据集输入至初始检测模型中进行训练，获得烟丝杂物检测模型。
102.其中，初始检测模型是在特征提取层中插入了至少一个se结构的深度学习模型。可以理解的，深度学习模型可以为yolo-v3模型。
103.具体地，将标注得到的标注烟丝样本数据集输入至初始检测模型中进行训练，获得烟丝杂物检测模型。
104.在其中一个实施例中，深度学习模型可以为yolo系列模型，例如yolo-v3模型、yolo-v4模型等。
105.本实施例中，通过对采集得到的烟丝图像集进行数据增强处理，将原烟丝图像集与数据增强处理后的烟丝图像集进行合并后得到烟丝样本数据集，可以有效避免模型训练
的数据量少，导致模型过拟合的问题。将标注后的烟丝样本数据集输入至初始检测模型中，对初始检测模型进行训练，得到具备烟丝杂物检测能力的烟丝杂物检测模型，提升了烟丝杂物检测过程中的检测效率。
106.在一个实施例中，将标注烟丝样本数据集输入至初始检测模型中进行训练步骤之前，还包括：将标注烟丝样本数据集按照预设比例分为烟丝样本训练集与烟丝样本测试集。
107.具体地，在得到标注烟丝样本数据集后，将标注烟丝样本数据集按照预设比例分为烟丝样训练集与烟丝样本测试集。其中，烟丝样本训练集为对初始检测模型进行训练的烟丝样本数据集；烟丝样本测试集为对训练好之后的初始检测模型的检测效果进行测试的烟丝样本数据集。可以理解的，预设比例可以根据样本数据的实际情况进行设定。
108.将标注烟丝样本数据集输入至初始检测模型中进行训练，获得烟丝杂物检测模型，包括：将烟丝样本训练集输入至初始检测模型中进行训练，得到训练后的初始烟丝杂物检测模型；基于烟丝样本测试集对初始烟丝杂物检测模型进行测试，获得烟丝杂物检测模型。
109.具体地，将烟丝样本训练集输入至初始检测模型中，根据烟丝样本训练集对初始检测模型进行训练，得到训练后的初始烟丝杂物检测模型。为了测试初始烟丝杂物检测模型的检测准确性，将烟丝样本测试集输入至初始烟丝杂物检测模型中，根据烟丝样本测试集对初始烟丝杂物检测模型进行测试，以获得烟丝杂物检测模型。通过对模型进行训练并对训练好的模型进行测试，可以保证训练好的烟丝杂物检测模型在实际使用时具备良好的检测准确性，提升烟丝杂物检测过程中对杂物检测的准确率。
110.在一个实施例中，提供了一种烟丝杂物检测方法，以该方法应用图7的应用场景中为例。如图7所示，图像采集设备701对烟丝输送传送带704上的烟丝物料705进行实时监测，并将采集得到的烟丝图像数据通过通信网络传输至部署在私有云平台上的云服务器702中，云服务器702上部署有烟丝图像检测模型。当烟丝图像检测模型根据输入的烟丝图像输出烟丝杂物检测结果后，云服务器根据烟丝杂物检测结果生成预警信息，并将预警信息放回至监管前端706，提示监管前端对烟丝中的杂物进行检查与清理。
111.其中，图像采集设备为工业相机，例如工业电荷耦合器件(ccd)相机，2/3
°
定焦镜头。
112.其中，通信网络可以为5g网络。
113.具体地，如图8所示，烟丝杂物检测方法包括：
114.首先，通过工业相机采集得到包含不同种类杂物的烟丝图像，通过5g网络，将烟丝图像上传至私有云平台，形成第一烟丝图像集。对采集得到的烟丝图像利用opencv的python接口，通过旋转、平移、缩放及水平翻转等方式进行数据增强操作，得到第二烟丝图像集。
115.将第一烟丝图像集与第二烟丝图像集进行合并，同时通过使用图像标注工具lablelmg对图像中的烟丝以及杂物进行标注，得到标注烟丝样本数据集。标注的杂物包括小石头、纸屑、线、海绵、塑料等。
116.将标注烟丝样本数据集按照预设比例8:2的方式划分为烟丝样本训练集和烟丝样本测试集。采用深度学习训练框架tensorflow根据烟丝样本训练集对初始检测模型进行训练，得到训练好的初始烟丝杂物检测模型。
117.其中，如图9所示，初始检测模型为在特征提取层插入两个se结构的yolo-v3模型(yolo-v3-se模型)。具体地，yolo v3模型网络深度为102层，其中darknet特征提取层是准确检测目标的关键，包含75层。yolo v3-se是在yolo v3模型的第37、52层分别输出scale3、scale2两个尺寸的特征图后嵌入se结构，使darknet增至77层，se结构作为yolo v3-se模型的第38、54层。yolo v3-se为提升模型对高分辨率图像的处理能力。例如，采用512*512*3作为输入图像尺寸，两个se层分别将前一层输出的尺寸为64*64*256、32*32*512的特征图作为输入，全局平均池化后得到尺寸为l*l*256、1*1*512的特征图，经过全连接网络后仍为1*1*256、l*1*512，再由sigmoid激活函数处理后得到1*l*256和1*1*512的权值，将权值与原输入特征图相乘，得到输出特征图为64x64*256、32*32*512。yolo v3模型的第85、95层为route层，用于将浅层特征与深层特征上采样后进行拼接融合，这种多尺度融合预测的思想使网络性能更强。嵌入se结构后，yolo v3-se模型在第87层为route层，将第86层(32*32*256)与第54层(32*32*512)连接，构成尺寸为32*32*768的特征图。同样，第97层route层得到的特征图尺寸为64*64*384。
118.使用烟丝样本测试集对训练好的初始烟丝杂物检测模型进行测试，查看训练好的初始烟丝杂物检测模型的检测效果。当检测效果满足检测要求时，将该初始烟丝杂物检测模型确定为烟丝杂物检测模型。将烟丝杂物检测模型布置在私有云平台上。
119.实际应用时，工业相机对烟丝输送传送带上的烟丝物料进行实时监测，将采集得到的烟丝图像发送至私有云平台，私有云平台的烟丝杂物检测模型对输入的烟丝图像进行杂物检测，得到杂物检测结果，根据杂物检测结果生成预警信息，将预警信息以json字符串形式返回至监管前端进行预警提示。
120.在其中一个实施例中，模型训练采用的软件与硬件配置为：windows10系统，计算机运行内存为16gb，搭载intelcorei7-7700kcpu，4.00ghz主频，x8处理器，其中，图像处理单元(cpu)使用英伟达gtx2080ti，选用python3.6.5编程语言。
121.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
122.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的烟丝杂物检测方法的烟丝杂物检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个烟丝杂物检测装置实施例中的具体限定可以参见上文中对于烟丝杂物检测方法的限定，在此不再赘述。
123.在一个实施例中，如图10所示，提供了一种烟丝杂物检测装置1000，包括：烟丝图像获取模块1001、杂物检测模块1002和杂物预警模块1003，其中：
124.烟丝图像获取模块1001，用于获取生产过程中实时监测的烟丝图像。
125.杂物检测模块1002，用于将烟丝图像输入预先训练得到的烟丝杂物检测模型，对烟丝图像进行杂物检测，得到烟丝图像的杂物检测结果，其中，烟丝杂物检测模型包括特征
提取层，特征提取层的至少一个目标中间层插入至少一个se结构，通过se结构对特征提取层的结果进行加权处理，得到强化特征图，根据强化特征图得到杂物检测结果。
126.杂物预警模块1003，用于根据烟丝图像的杂物检测结果生成预警信息，并将预警信息返回至监管前端，对烟丝图像中的杂物进行预警。
127.上述烟丝杂物检测装置，基于预先训练得到的烟丝杂物检测模型对实际生产过程监测得到的烟丝图像进行杂物检测，由于烟丝杂物检测模型中插入有至少一个se结构，se结构对特征提取层的结果进行加权处理，得到强化特征图，强化特征图强化了原特征图中的有效特征，弱化低效或无效特征，使提取的特征具有更强的指向性，即使烟丝杂物较为细小，也可以得到更加准确的检测结果。根据烟丝杂物检测模型输出的杂物检测结果生成预警信息，并将预警信息返回至监管前端，通过预警信息对烟丝图像中存在的杂物进行预警，可以有效避免杂物检测过程受到人为主观因素影响，以及由于人力检测时出现的视觉疲劳而导致的漏检、误检等问题的发生，使整个烟丝杂物检测过程的准确率以及检测效率都得到大幅度提升。
128.在一个实施例中，杂物检测模块还包括：将烟丝图像输入预先训练得到的烟丝杂物检测模型，烟丝杂物检测模型的特征提取层对烟丝图像进行特征提取处理；将第一目标中间层前的多层特征提取层提取的第一尺寸特征图，输入到第一se结构中，第一se结构对第一尺寸特征图进行加权处理，得到第一强化特征图；将第一强化特征图输入至第一se结构后的特征提取层，得到第二尺寸特征图，将第二尺寸特征图输入至第二se结构中，得到第二强化特征图；将第二强化特征图输入至第二se结构之后的特征提取层，得到第三尺寸特征图。根据第一尺寸特征图、第二尺寸特征图以及第三尺寸特征图，得到烟丝图像的杂物检测结果。
129.在一个实施例中，杂物检测模块还包括：将特征提取层输出的特征图输入至全局平均池化层中进行压缩操作，得到全局感受野特征图；基于全连接网络层以及激发层，对全局感受野特征图进行计算处理，得到特征图向量；将特征向量与特征提取层输出的特征图进行加权处理，得到强化特征图。
130.在一个实施例中，杂物检测模块还包括：将特征提取层输出的特征图输入至全局平均池化层中进行计算，得到特征图中特征通道的全局分布特征；去除特征通道中的空间分布特征，得到全局感受野特征图。
131.在一个实施例中，烟丝杂物检测装置还包括：烟丝杂物检测模型训练模块，用于采集含有不同种类杂物的烟丝图像，得到第一烟丝图像集；对第一烟丝图像集进行数据增强操作，得到第二烟丝图像集；将第一烟丝图像集与第二颜色图像集进行合并，得到烟丝样本数据集；对烟丝样本数据集中的烟丝以及杂物进行标注，得到标注烟丝样本数据集；将标注烟丝样本数据集输入至初始检测模型中进行训练，获得烟丝杂物检测模型。
132.在一个实施例中，烟丝杂物检测模型训练模块还包括：将标注烟丝样本数据集按照预设比例分为烟丝样本训练集与烟丝样本测试集；将烟丝样本训练集输入至初始检测模型中进行训练，得到训练后的初始烟丝杂物检测模型；基于烟丝样本测试集对初始烟丝杂物检测模型进行测试，获得烟丝杂物检测模型。
133.上述烟丝杂物检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形
式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
134.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储烟丝图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种烟丝杂物检测方法。
135.本领域技术人员可以理解，图11中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
136.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
137.获取生产过程中实时监测的烟丝图像；
138.将烟丝图像输入预先训练得到的烟丝杂物检测模型，对烟丝图像进行杂物检测，得到烟丝图像的杂物检测结果，其中，烟丝杂物检测模型包括特征提取层，特征提取层的至少一个目标中间层插入至少一个se结构，通过se结构对特征提取层的结果进行加权处理，得到强化特征图，根据强化特征图得到烟丝图像的杂物检测结果；
139.根据烟丝图像的杂物检测结果生成预警信息，并将预警信息返回至监管前端，对烟丝图像中的杂物进行预警。
140.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
141.将烟丝图像输入预先训练得到的烟丝杂物检测模型，烟丝杂物检测模型的特征提取层对烟丝图像进行特征提取处理；将第一目标中间层前的多层特征提取层提取的第一尺寸特征图，输入到第一se结构中，第一se结构对第一尺寸特征图进行加权处理，得到第一强化特征图；
142.将第一强化特征图输入至第一se结构后的特征提取层，得到第二尺寸特征图，将第二尺寸特征图输入至第二se结构中，得到第二强化特征图；
143.将第二强化特征图输入至第二se结构之后的特征提取层，得到第三尺寸特征图。
144.根据第一尺寸特征图、第二尺寸特征图以及第三尺寸特征图，得到烟丝图像的杂物检测结果。
145.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
146.将特征提取层输出的特征图输入至全局平均池化层中进行压缩操作，得到全局感受野特征图；
147.基于全连接网络层以及激发层，对全局感受野特征图进行计算处理，得到特征图向量；
148.将特征向量与特征提取层输出的特征图进行加权处理，得到强化特征图。
149.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
150.将特征提取层输出的特征图输入至全局平均池化层中进行计算，得到特征图中特征通道的全局分布特征；
151.去除特征通道中的空间分布特征，得到全局感受野特征图。
152.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
153.采集含有不同种类杂物的烟丝图像，得到第一烟丝图像集；
154.对第一烟丝图像集进行数据增强操作，得到第二烟丝图像集；
155.将第一烟丝图像集与第二颜色图像集进行合并，得到烟丝样本数据集；
156.对烟丝样本数据集中的烟丝以及杂物进行标注，得到标注烟丝样本数据集；
157.将标注烟丝样本数据集输入至初始检测模型中进行训练，获得烟丝杂物检测模型。
158.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
159.将标注烟丝样本数据集按照预设比例分为烟丝样本训练集与烟丝样本测试集；
160.将烟丝样本训练集输入至初始检测模型中进行训练，得到训练后的初始烟丝杂物检测模型；
161.基于烟丝样本测试集对初始烟丝杂物检测模型进行测试，获得烟丝杂物检测模型。
162.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
163.获取生产过程中实时监测的烟丝图像；
164.将烟丝图像输入预先训练得到的烟丝杂物检测模型，对烟丝图像进行杂物检测，得到烟丝图像的杂物检测结果，其中，烟丝杂物检测模型包括特征提取层，特征提取层的至少一个目标中间层插入至少一个se结构，通过se结构对特征提取层的结果进行加权处理，得到强化特征图，根据强化特征图得到烟丝图像的杂物检测结果；
165.根据烟丝图像的杂物检测结果生成预警信息，并将预警信息返回至监管前端，对烟丝图像中的杂物进行预警。
166.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
167.将烟丝图像输入预先训练得到的烟丝杂物检测模型，烟丝杂物检测模型的特征提取层对烟丝图像进行特征提取处理；将第一目标中间层前的多层特征提取层提取的第一尺寸特征图，输入到第一se结构中，第一se结构对第一尺寸特征图进行加权处理，得到第一强化特征图；
168.将第一强化特征图输入至第一se结构后的特征提取层，得到第二尺寸特征图，将第二尺寸特征图输入至第二se结构中，得到第二强化特征图；
169.将第二强化特征图输入至第二se结构之后的特征提取层，得到第三尺寸特征图。
170.根据第一尺寸特征图、第二尺寸特征图以及第三尺寸特征图，得到烟丝图像的杂物检测结果。
171.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
172.将特征提取层输出的特征图输入至全局平均池化层中进行压缩操作，得到全局感受野特征图；
173.基于全连接网络层以及激发层，对全局感受野特征图进行计算处理，得到特征图向量；
174.将特征向量与特征提取层输出的特征图进行加权处理，得到强化特征图。
175.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
176.将特征提取层输出的特征图输入至全局平均池化层中进行计算，得到特征图中特征通道的全局分布特征；
177.去除特征通道中的空间分布特征，得到全局感受野特征图。
178.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
179.采集含有不同种类杂物的烟丝图像，得到第一烟丝图像集；
180.对第一烟丝图像集进行数据增强操作，得到第二烟丝图像集；
181.将第一烟丝图像集与第二颜色图像集进行合并，得到烟丝样本数据集；
182.对烟丝样本数据集中的烟丝以及杂物进行标注，得到标注烟丝样本数据集；
183.将标注烟丝样本数据集输入至初始检测模型中进行训练，获得烟丝杂物检测模型。
184.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
185.将标注烟丝样本数据集按照预设比例分为烟丝样本训练集与烟丝样本测试集；
186.将烟丝样本训练集输入至初始检测模型中进行训练，得到训练后的初始烟丝杂物检测模型；
187.基于烟丝样本测试集对初始烟丝杂物检测模型进行测试，获得烟丝杂物检测模型。
188.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
189.获取生产过程中实时监测的烟丝图像；
190.将烟丝图像输入预先训练得到的烟丝杂物检测模型，对烟丝图像进行杂物检测，得到烟丝图像的杂物检测结果，其中，烟丝杂物检测模型包括特征提取层，特征提取层的至少一个目标中间层插入至少一个se结构，通过se结构对特征提取层的结果进行加权处理，得到强化特征图，根据强化特征图得到烟丝图像的杂物检测结果；
191.根据烟丝图像的杂物检测结果生成预警信息，并将预警信息返回至监管前端，对烟丝图像中的杂物进行预警。
192.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
193.将烟丝图像输入预先训练得到的烟丝杂物检测模型，烟丝杂物检测模型的特征提取层对烟丝图像进行特征提取处理；将第一目标中间层前的多层特征提取层提取的第一尺寸特征图，输入到第一se结构中，第一se结构对第一尺寸特征图进行加权处理，得到第一强化特征图；
194.将第一强化特征图输入至第一se结构后的特征提取层，得到第二尺寸特征图，将第二尺寸特征图输入至第二se结构中，得到第二强化特征图；
195.将第二强化特征图输入至第二se结构之后的特征提取层，得到第三尺寸特征图。
196.根据第一尺寸特征图、第二尺寸特征图以及第三尺寸特征图，得到烟丝图像的杂物检测结果。
197.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
198.将特征提取层输出的特征图输入至全局平均池化层中进行压缩操作，得到全局感受野特征图；
199.基于全连接网络层以及激发层，对全局感受野特征图进行计算处理，得到特征图向量；
200.将特征向量与特征提取层输出的特征图进行加权处理，得到强化特征图。
201.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
202.将特征提取层输出的特征图输入至全局平均池化层中进行计算，得到特征图中特征通道的全局分布特征；
203.去除特征通道中的空间分布特征，得到全局感受野特征图。
204.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
205.采集含有不同种类杂物的烟丝图像，得到第一烟丝图像集；
206.对第一烟丝图像集进行数据增强操作，得到第二烟丝图像集；
207.将第一烟丝图像集与第二颜色图像集进行合并，得到烟丝样本数据集；
208.对烟丝样本数据集中的烟丝以及杂物进行标注，得到标注烟丝样本数据集；
209.将标注烟丝样本数据集输入至初始检测模型中进行训练，获得烟丝杂物检测模型。
210.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
211.据集输入至初始检测模型中进行训练之前，还包括：
212.将标注烟丝样本数据集按照预设比例分为烟丝样本训练集与烟丝样本测试集；
213.将烟丝样本训练集输入至初始检测模型中进行训练，得到训练后的初始烟丝杂物检测模型；
214.基于烟丝样本测试集对初始烟丝杂物检测模型进行测试，获得烟丝杂物检测模型。
215.需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
216.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
217.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
218.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。
技术特征：1.一种烟丝杂物检测方法，其特征在于，所述方法包括：获取生产过程中实时监测的烟丝图像；将所述烟丝图像输入预先训练得到的烟丝杂物检测模型，对所述烟丝图像进行杂物检测，得到所述烟丝图像的杂物检测结果，其中，所述烟丝杂物检测模型包括特征提取层，所述特征提取层的至少一个目标中间层插入至少一个se结构，通过所述se结构对所述特征提取层的结果进行加权处理，得到强化特征图，根据所述强化特征图得到所述烟丝图像的杂物检测结果；根据所述烟丝图像的杂物检测结果生成预警信息，并将所述预警信息返回至监管前端，对所述烟丝图像中的杂物进行预警。2.根据权利要求1所述的方法，其特征在于，所述目标中间层包括第一目标中间层与第二目标中间层，所述第二目标中间层所处的层数大于所述第一目标中间层所处的层数，所述第一目标中间层中之后插入第一se结构，所述第二目标中间层之后插入第二se结构；所述将所述烟丝图像输入预先训练得到的烟丝杂物检测模型，对所述烟丝图像进行杂物检测，得到所述烟丝图像的杂物检测结果，包括：将所述烟丝图像输入预先训练得到的烟丝杂物检测模型，所述烟丝杂物检测模型的特征提取层对所述烟丝图像进行特征提取处理；将所述第一目标中间层前的多层特征提取层提取的第一尺寸特征图，输入到所述第一se结构中，所述第一se结构对所述第一尺寸特征图进行加权处理，得到第一强化特征图；将所述第一强化特征图输入至所述第一se结构后的特征提取层，得到第二尺寸特征图，将所述第二尺寸特征图输入至所述第二se结构中，得到第二强化特征图；将所述第二强化特征图输入至所述第二se结构之后的特征提取层，得到第三尺寸特征图；根据第一尺寸特征图、第二尺寸特征图以及第三尺寸特征图，得到所述烟丝图像的杂物检测结果。3.根据权利要求1所述的方法，其特征在于，所述se结构包括了全局平均池化层、全连接网络层和激发层；所述通过所述se结构对所述特征提取层的结果进行加权处理，得到强化特征图，包括：将所述特征提取层输出的特征图输入至全局平均池化层中进行压缩操作，得到全局感受野特征图；基于所述全连接网络层以及所述激发层，对所述全局感受野特征图进行计算处理，得到特征图向量；将所述特征向量与所述特征提取层输出的特征图进行加权处理，得到强化特征图。4.根据权利要求3所述的方法，其特征在于，所述将所述特征提取层输出的特征图输入至全局平均池化层中进行压缩操作，得到全局感受野特征图，包括：将所述特征提取层输出的特征图输入至全局平均池化层中进行计算，得到所述特征图中特征通道的全局分布特征；去除所述特征通道中的空间分布特征，得到全局感受野特征图。5.根据权利要求1所述的方法，其特征在于，所述烟丝杂物检测模型的训练过程包括：采集含有不同种类杂物的烟丝图像，得到第一烟丝图像集；
对所述第一烟丝图像集进行数据增强操作，得到第二烟丝图像集；将所述第一烟丝图像集与所述第二颜色图像集进行合并，得到烟丝样本数据集；对所述烟丝样本数据集中的烟丝以及杂物进行标注，得到标注烟丝样本数据集；将所述标注烟丝样本数据集输入至初始检测模型中进行训练，获得所述烟丝杂物检测模型。6.根据权利要求5所述的方法，其特征在于，所述将所述标注烟丝样本数据集输入至初始检测模型中进行训练之前，还包括：将所述标注烟丝样本数据集按照预设比例分为烟丝样本训练集与烟丝样本测试集；所述将所述标注烟丝样本数据集输入至初始检测模型中进行训练，获得所述烟丝杂物检测模型，包括：将所述烟丝样本训练集输入至初始检测模型中进行训练，得到训练后的初始烟丝杂物检测模型；基于所述烟丝样本测试集对所述初始烟丝杂物检测模型进行测试，获得所述烟丝杂物检测模型。7.一种烟丝杂物检测装置，其特征在于，所述装置包括：烟丝图像获取模块，用于获取生产过程中实时监测的烟丝图像；杂物检测模块，用于将所述烟丝图像输入预先训练得到的烟丝杂物检测模型，对所述烟丝图像进行杂物检测，得到所述烟丝图像的杂物检测结果，其中，所述烟丝杂物检测模型包括特征提取层，所述特征提取层的至少一个目标中间层插入至少一个se结构，通过所述se结构对特征提取层的结果进行加权处理，得到强化特征图，根据所述强化特征图得到杂物检测结果；杂物预警模块，用于根据所述烟丝图像的杂物检测结果生成预警信息，并将所述预警信息返回至监管前端，对所述烟丝图像中的杂物进行预警。8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
技术总结本申请涉及一种烟丝杂物检测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取生产过程中实时监测的烟丝图像；将烟丝图像输入预先训练得到的烟丝杂物检测模型，对烟丝图像进行杂物检测，得到烟丝图像的杂物检测结果，其中，烟丝杂物检测模型包括特征提取层，特征提取层的至少一个目标中间层插入至少一个SE结构，通过SE结构对特征提取层的结果进行加权处理，得到强化特征图，根据强化特征图得到烟丝图像的杂物检测结果；根据烟丝图像的杂物检测结果生成预警信息，并将预警信息返回至监管前端，对烟丝图像中的杂物进行预警。采用本方法可以使整个烟丝杂物检测过程的准确率以及检测效率都得到大幅度提升。程的准确率以及检测效率都得到大幅度提升。程的准确率以及检测效率都得到大幅度提升。
技术研发人员：林敬炬 李晓刚 廖俊辉 陈桂平 郭天文 郭剑华 蓝占明 江楠 吴永辉 林慧 刘倩 刘雄辉
受保护的技术使用者：龙岩烟草工业有限责任公司
技术研发日：2022.03.28
技术公布日：2022/7/5
