1.本发明属于香烟检测领域,尤其是一种基于深度学习的香烟端面烟草缺失量化检测方法和装置。
背景技术:2.香烟生产过程中,常常伴随出现各种香烟外质量缺陷。如何有效的识别香烟的外质量缺陷成为提高香烟质量的一个重要手段。香烟端面检测是香烟外质量缺陷检测过程中一个重要的检测指标,具体的检测标准为,香烟端面空陷入深度大于1mm且小于5mm的空陷区域的截面积大于2/3端面时,即认为不合格。
3.现有的检测方法为人工抽样检测,通过对生产线上的待包装的香烟按照如上标准进行抽检,这样使得人为劳动的强度非常大,而且由于是人为的观察和统计,相对的随意性非常大,无法完全满足香烟质量指标的要求。
技术实现要素:4.本发明的发明目的是提供一种基于深度学习的香烟端面烟草缺失量化检测方法、装置、服务器及可读存储介质,以解决背景技术中所涉及的问题。
5.基于上述技术问题,本发明提出了一种基于深度学习的香烟端面烟草缺失量化检测方法、装置、服务器及可读存储介质,包括如下四个方面。
6.第一方面,本发明提供一种基于深度学习的香烟端面烟草缺失量化检测方法,所述方法包括:
7.获取香烟端面的第一图像,所述第一图像为待包装香烟的俯视图像;
8.根据第一图像制作深度图;
9.对深度图进行轮廓提取;基于所述第一图像的轮廓,对每根香烟的位置进行定位,并确定每根香烟的外部轮廓;
10.根据每根香烟的外部轮廓对深度图进行分割,得到多个第二图像;
11.计算第一比值;所述第一比值为所述第二图像上图像深度大于第一阈值的累计面积与所述第二图像的轮廓面积的比值;
12.判断所述第一比值是否大于第二阈值,第二阈值为烟草缺失量的极限值;若是,则说明该香烟的装配不符合要求,反之说明该香烟的装配符合要求。
13.优选地或可选地,所述方法还包括:
14.所述第一图像通过激光轮廓仪进行采集,所述激光轮廓仪可直接设置在传输带的一侧;且所述激光轮廓仪的计算速度小于300ms、扫描频率不低于5khz。
15.优选地或可选地,所述第一比值的计算方法包括:
16.将第二图像转化像素点矩阵,并统计上述像素点矩阵的个数,像素点矩阵内元素的深度信息大于第一阈值的个数;
17.计算像素点矩阵内元素的深度信息大于第一阈值的元素个数与像素点矩阵的内
元素个数之比。
18.优选地或可选地,所述轮廓提取方法包括:
19.预处理得到包括烟盒在内的区域轮廓;
20.将计算初始迭代点和迭代半径,其中初始迭代点可根据标准深度图确定;所述标准深度图为三维模型中获得的理论深度图;
21.利用均值漂移算法进行迭代,找到深度图上每根香烟的相对圆心,并得到半径;
22.以每根香烟的相对圆心,得到多个香烟的初始区域轮廓;
23.然后利用凸包检测算法得到初始区域轮廓的外部的凸包轮廓,并结合初始区域轮廓和外部的凸包轮廓的hu不变矩阵信息,得到更新的区域轮廓。
24.优选地或可选地,所述方法还包括:
25.当同一个包装盒内不合格的香烟数量达到一定数量时,将该包装盒内不合格的香烟进行替换。
26.优选地或可选地,计算第一比值之前,所述方法还包括:
27.计算第二比值,所述第二比值为所述第二图像深度小于第三阈值的累计面积与所述第二图像的轮廓面积的比值;
28.判断所述比值是否大于第三阈值,第三阈值为烟草被遮挡的极限值;
29.若是,则需要人工参与进行纠正或直接判定为不合格;反之说明该香烟的装配符合要求。
30.优选地或可选地,所述方法还包括:
31.对所述第二图像的轮廓面积进行修正,修正第二图像的轮廓面积=修正前第二图像的轮廓面积-所述第二图像深度小于第三阈值的累计面积。
32.第二方面,本发明还提供一种基于深度学习的香烟端面烟草缺失量化检测装置,所述装置包括:
33.第三方面,本发明还提供一种基于深度学习的香烟端面烟草缺失量化检测用服务器,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现所述基于深度学习的香烟端面烟草缺失量化检测方法的步骤。
34.第四方面,一种计算机可读存储介质,该程序被处理器执行时实现所述基于深度学习的香烟端面烟草缺失量化检测方法的步骤。
35.有益效果:本发明涉及一种基于深度学习的香烟端面烟草缺失量化检测方法、装置、服务器及可读存储介质,本发明通过获取待包装香烟的俯视图像,并制作深度图,根据深度信息判断每根香烟的端面烟草缺失深度,然后通过计算图像深度大于第一阈值的累计面积与所述第二图像的轮廓面积的比值,得出香烟端面烟草缺失量,实现香烟的自动化检测。不仅大大的提高了检测效率,而且由于无需人工参与,能够有效的提高香烟质量管理。
附图说明
36.图1为本发明实施例1中一种基于深度学习的香烟端面烟草缺失量化检测方法的流程示意图。
37.图2为本发明实施例2中一种基于深度学习的香烟端面烟草缺失量化检测装置。
38.图3为本发明实施例3中示例性电子设备的结构示意图。
39.图4为本发明实施例1中待包装香烟的俯视图像。
40.图5为本发明实施例1中烟盒和香烟的外部轮廓。
41.图6为本发明实施例1中每根香烟的定位图像。
42.图7为本发明实施例1中根据第一图像制作的深度图。
43.图8至16为本发明实施例1中针对单根香烟的处理过程图。
44.附图标记说明:第一获取单元11、第一处理单元12、第二处理单元13、第三处理单元14、第一计算单元15、第一判断单元16、第一执行单元17、总线300、接收器301、处理器302、发送器303、存储器304、总线接口305。
具体实施方式
45.在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。在其他的例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
46.实施例1
47.如附图1所示,图1为本发明实施例1中一种基于深度学习的香烟端面烟草缺失量化检测方法的流程示意图,一种基于深度学习的香烟端面烟草缺失量化检测方法包括如下步骤:
48.s100、获取香烟端面的第一图像,所述第一图像为待包装香烟的俯视图像;
49.具体而言,通过激光雷达、tof相机、双目立体视觉和结构光能多种形式的方法获得待包装香烟的俯视图像。
50.在本实施例中,所述第一图像通过激光轮廓仪进行采集,所述激光轮廓仪可直接设置在传输带的一侧。激光轮廓仪是通过激光扫描的方式获得三维信息,其基本原理是按照一定时间间隔向带包装的香烟发射激光,并记录各个扫描点的信号从激光雷达到被测场景中的物体,随后又经过物体反射回到激光雷达的相隔时间,据此推算出物体表面与激光雷达之间的距离。由于实际产线的线速度约在350mm/s,因此,对应计算轮廓仪的扫描频率不低于5khz,所述激光轮廓仪的计算速度小于300ms。如此,在保证不会对现有生产线产生影响的同时,能够准确的获取待包装香烟的俯视图像。
51.s200、根据第一图像制作深度图;
52.根据俯视图像的获得方式的不同,对于本领域技术人员,可以根据情况选择合适的方式制作深度图。例如,双目立体视觉,通过两个相隔一定距离的摄像机同时获取同一场景的两幅图像,通过立体匹配算法找到两幅图像中对应的像素点,随后根据三角原理计算出时差信息,而视差信息通过转换可用于表征场景中物体的深度信息。
53.在本实施例中,上述激光轮廓仪通过柱面物镜头将激光扩散为线激光后,投射在目标表面形成漫反射,使得反射光在cmos上成像,通过检测位置及形状的变化进而计算出待包装香烟的形状和深度信息。
54.当然对于本领域技术人员而言,除此之外,场景深度信息还可以通过对图像的光度特征、明暗特征等特征进行分析间接估算得到,在此不做具体赘述。
55.s300、对深度图进行轮廓提取;基于所述第一图像的轮廓,对每根香烟的位置进行
定位,并确定每根香烟的位置和外部轮廓;
56.具体的,所述轮廓特征提取方法包括:预处理得到包括烟盒在内的区域轮廓,降低后续计算的工作量。然后将计算初始迭代点和迭代半径,其中初始迭代点可根据标准深度图确定;所述标准深度图,以待包装香烟内所有香烟的烟草缺失深度小于1mm、且卷纸未发生形变的标准样品获得的深度图;在实际操作过程中,所述标准深度图可以直接采用三维模型中获得的理论深度图;在此基准上,初始迭代点的位置为深度图上为多个定点,由于每盒香烟内的香烟的位置相对标准深度图内香烟的位置变化相对较小,如此可以大幅度降低迭代计算次数,节省计算资源。然后利用均值漂移算法进行迭代,找到深度图上每根香烟的相对圆心,并得到半径,以每根香烟的相对圆心,得到多个香烟的初始区域轮廓,然后利用凸包检测算法得到初始区域轮廓的外部的凸包轮廓,并结合初始区域轮廓和外部的凸包轮廓的hu不变矩阵信息,得到更新的区域轮廓。hu不变矩阵作为特征向量具有旋转,缩放和平移不变性,可以反应图像轮廓信息。及时在检测过程中,某些待包装香烟的摆放位置发生变化,也会对计算结果产生影响,如此,可以尽可能的保证轮廓特征的精准性和全面性,为后续的比值计算,提供更为精准的输入数据源。
57.s400、根据每根香烟的位置和外部轮廓对深度图进行分割,得到多个第二图像;所述第二图像为每根香烟的深度图。
58.具体而言,对于根据香烟的外部轮廓对深度图进行分割,以单根香烟为单位,得到多个第二图像,然后根据第二图像,对每根香烟的深度图,计算烟草缺失量。
59.s500、计算第一比值;所述第一比值为所述第二图像上图像深度大于第一阈值的累计面积与所述第二图像的轮廓面积的比值。
60.具体而言,所述第一阈值当香烟的烟草缺失深度为1mm时,测得的深度信息。其中具体的计算方法,将第二图像转化像素点矩阵,并统计上述像素点矩阵的个数,像素点矩阵内元素的深度信息大于第一阈值的个数,计算像素点矩阵内元素的深度信息大于第一阈值的元素个数与像素点矩阵的内元素个数之比。对应到每根香烟上来说,当该像素点的深度信息大于第一阈值,则说明该像素点所对应的区域的烟草缺失深度大于1mm。通过计算缺失面积,将烟草缺失进行量化;然后将面积计算转化为多个像素点进行计算,方便就是那个将烟草缺失进行统计和计算。
61.s600、判断所述第一比值是否大于第二阈值,第二阈值为烟草缺失量的极限值;若是,则说明该香烟的装配不符合要求,反之说明该香烟的装配符合要求。
62.具体而言,所述第二阈值为根据实际生产需求,设计的相关参数,可以为0.1~70%,优选地,所述第二阈值为35%。
63.需要说明的是,在实际检测过程位于香烟外部的卷纸很容易发生形变,部分卷纸相内弯区,导致部分香烟被遮盖住了,无法准确获得该区域的真实数据。根据发明人的实际观测,出现上述情况的很大一部分原因,就是由于位于烟草周边区域的烟草缺失深度1mm以上,如此在受到外力作用下,很容易卷纸覆盖住处于外边缘的烟草这种情况。
64.因此,在检测过程中执行步骤s500之前,需要将该种情况进行进一步判断,具体地,计算第二比值,所述第二比值为所述第二图像深度小于第三阈值的累计面积与所述第二图像的轮廓面积的比值。判断所述比值是否大于第三阈值,第三阈值为烟草被遮挡的极限值;若是,则说明该香烟的大概率不符合计算需求,因此需要人工参与进行纠正;当然,由
于这种情形的发生概率相对较低,为了提高自动化程度,可以将该香烟直接判定为不合格;反之说明该香烟的装配符合要求。其中,所述第三阈值,可以为0.1~50%,优选地,所述第三阈值为20%。对应到每根香烟上来说,所述第二图像深度小于第三阈值对应着是卷纸向烟草区域弯曲、香烟被遮盖住的区域。因此需要扣除该部分区域的影响。
65.同时,当该香烟的装配符合要求。再执行步骤s500,此时,需要对所述第二图像的轮廓面积进行修正,修正后轮廓面积应该第二图像的轮廓面积扣除所述第二图像深度小于第三阈值的累计面积。扣除卷纸向烟草区域弯曲,导致烟草部分被遮盖住的情况的影响。
66.上述参数更多的是对每根香烟的数据进行测量,因此根据上述情况当同一个包装盒内不合格的香烟数量达到一定数量时,可以认定为该包装盒内香烟不合格,需要将不合格的香烟进行替换,再进行包装。
67.相对于现有技术而言,本实施例具有如下优点:通过获取待包装香烟的俯视图像,并制作深度图,根据深度信息判断每根香烟的端面烟草缺失深度,然后通过计算图像深度大于第一阈值的累计面积与所述第二图像的轮廓面积的比值,得出香烟端面烟草缺失量,实现香烟的自动化检测。不仅大大的提高了检测效率,而且由于无需人工参与,能够有效的提高香烟质量管理。
68.实施例2
69.基于与前述实施例1中一种基于深度学习的香烟端面烟草缺失量化检测方法同样的发明构思,本发明还提供一种基于深度学习的香烟端面烟草缺失量化检测装置,如图2所示,所述装置包括:
70.第一获取单元11,适于获取香烟端面的第一图像,所述第一图像为待包装香烟的俯视图像;
71.第一处理单元12,适于根据第一图像制作深度图;
72.第二处理单元13,适于对深度图进行轮廓提取;基于所述第一图像的轮廓,对每根香烟的位置进行定位,并确定每根香烟的位置和外部轮廓;
73.第三处理单元14,适于根据每根香烟的位置和外部轮廓对深度图进行分割,得到多个第二图像;
74.第一计算单元15,适于计算第一比值;所述第一比值为所述第二图像上图像深度大于第一阈值的累计面积与所述第二图像的轮廓面积的比值;
75.第一判断单元16,适于判断所述第一比值是否大于第二阈值,第二阈值为烟草缺失量的极限值;
76.第一执行单元17,若是则说明该香烟的装配不符合要求,反之说明该香烟的装配符合要求。
77.进一步的,第一获取单元包括:激光轮廓仪;所述激光轮廓仪可直接设置在传输带的一侧;且所述激光轮廓仪的计算速度小于300ms、扫描频率不低于5khz。
78.进一步的,所述装置还包括:
79.第四处理单元,适于将第二图像转化像素点矩阵,并统计上述像素点矩阵的个数,像素点矩阵内元素的深度信息大于第一阈值的个数;
80.第二计算单元,适于计算像素点矩阵内元素的深度信息大于第一阈值的元素个数与像素点矩阵的内元素个数之比。
81.进一步的,所述装置还包括:
82.第五处理单元,适于预处理得到包括烟盒在内的区域轮廓;
83.第三计算单元,适于将计算初始迭代点和迭代半径,其中初始迭代点可根据标准深度图确定;所述标准深度图,以待包装香烟内所有香烟的烟草缺失深度小于1mm、且卷纸未发生形变的标准样品获得的深度图;
84.第四计算单元,适于利用均值漂移算法进行迭代,找到深度图上每根香烟的相对圆心,并得到半径;
85.第五计算单元,适于以每根香烟的相对圆心,得到多个香烟的初始区域轮廓;
86.第六计算单元,适于利用凸包检测算法得到初始区域轮廓的外部的凸包轮廓,并结合初始区域轮廓和外部的凸包轮廓的hu不变矩阵信息,得到更新的区域轮廓。
87.进一步的,所述装置还包括:
88.第二执行单元,当同一个包装盒内不合格的香烟数量达到一定数量时,将该包装盒内不合格的香烟进行替换。
89.进一步的,所述装置还包括:
90.第七计算单元,适于计算第二比值,所述第二比值为所述第二图像深度小于第三阈值的累计面积与所述第二图像的轮廓面积的比值;
91.第二判断单元,适于判断所述比值是否大于第三阈值,第三阈值为烟草被遮挡的极限值;
92.第三执行单元,若是,则需要人工参与进行纠正或直接判定为不合格;反之说明该香烟的装配符合要求。
93.进一步的,所述装置还包括:
94.第六处理单元,适于对所述第二图像的轮廓面积进行修正,修正第二图像的轮廓面积=修正前第二图像的轮廓面积-所述第二图像深度小于第三阈值的累计面积。
95.前述实施例1中的一种基于深度学习的香烟端面烟草缺失量化检测方法的各种变化方式和具体实例同样适用于本实施例的一种基于深度学习的香烟端面烟草缺失量化检测装置,通过前述对一种基于深度学习的香烟端面烟草缺失量化检测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于深度学习的香烟端面烟草缺失量化检测装置的实施方法,所以为了说明书的简洁,在此不再详述。
96.实施例3
97.基于与前述实施例中一种基于深度学习的香烟端面烟草缺失量化检测方法同样的发明构思,本发明还提供一种基于深度学习的香烟端面烟草缺失量化检测用服务器,如图3所示,图3为实施例3中示例性电子设备,包括存储器304、处理器302及存储在存储器304上并可在处理器302上运行的计算机程序,所述处理器302执行所述程序时实现前文所述基于深度学习的香烟端面烟草缺失量化检测方法的任一方法的步骤。
98.其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器
303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。
99.处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
100.实施例4
101.基于与前述实施例中一种基于深度学习的香烟端面烟草缺失量化检测方法同样的发明构思,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:获取香烟端面的第一图像,所述第一图像为待包装香烟的俯视图像;根据第一图像制作深度图;对深度图进行轮廓提取;基于所述第一图像的轮廓,对每根香烟的位置进行定位,并确定每根香烟的位置和外部轮廓;根据每根香烟的位置和外部轮廓对深度图进行分割,得到多个第二图像;计算第一比值;所述第一比值为所述第二图像上图像深度大于第一阈值的累计面积与所述第二图像的轮廓面积的比值;判断所述第一比值是否大于第二阈值,第二阈值为烟草缺失量的极限值;若是,则说明该香烟的装配不符合要求,反之说明该香烟的装配符合要求。
102.本发明实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:通过获取待包装香烟的俯视图像,并制作深度图,根据深度信息判断每根香烟的端面烟草缺失深度,然后通过计算图像深度大于第一阈值的累计面积与所述第二图像的轮廓面积的比值,得出香烟端面烟草缺失量,实现香烟的自动化检测。不仅大大的提高了检测效率,而且由于无需人工参与,能够有效的提高香烟质量管理。
103.另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
技术特征:1.一种基于深度学习的香烟端面烟草缺失量化检测方法,其特征在于,所述方法包括:获取香烟端面的第一图像,所述第一图像为待包装香烟的俯视图像;根据第一图像制作深度图;对深度图进行轮廓提取;基于所述第一图像的轮廓,对每根香烟的位置进行定位,并确定每根香烟的外部轮廓;根据每根香烟的外部轮廓对深度图进行分割,得到多个第二图像;计算第一比值;所述第一比值为所述第二图像上图像深度大于第一阈值的累计面积与所述第二图像的轮廓面积的比值;判断所述第一比值是否大于第二阈值,第二阈值为烟草缺失量的极限值;若是,则说明该香烟的装配不符合要求,反之说明该香烟的装配符合要求。2.根据权利要求1所述的基于深度学习的香烟端面烟草缺失量化检测方法,其特征在于,所述方法还包括:所述第一图像通过激光轮廓仪进行采集,所述激光轮廓仪可直接设置在传输带的一侧;且所述激光轮廓仪的计算速度小于300ms、扫描频率不低于5khz。3.根据权利要求1所述的基于深度学习的香烟端面烟草缺失量化检测方法,其特征在于,所述第一比值的计算方法包括:将第二图像转化像素点矩阵,并统计上述像素点矩阵的个数,像素点矩阵内元素的深度信息大于第一阈值的个数;计算像素点矩阵内元素的深度信息大于第一阈值的元素个数与像素点矩阵的内元素个数之比。4.根据权利要求1所述的基于深度学习的香烟端面烟草缺失量化检测方法,其特征在于,所述轮廓提取方法包括:预处理得到包括烟盒在内的区域轮廓;将计算初始迭代点和迭代半径,其中初始迭代点可根据标准深度图确定;所述标准深度图为三维模型中获得的理论深度图;利用均值漂移算法进行迭代,找到深度图上每根香烟的相对圆心,并得到半径;以每根香烟的相对圆心,得到多个香烟的初始区域轮廓;然后利用凸包检测算法得到初始区域轮廓的外部的凸包轮廓,并结合初始区域轮廓和外部的凸包轮廓的hu不变矩阵信息,得到更新的区域轮廓。5.根据权利要求1所述的基于深度学习的香烟端面烟草缺失量化检测方法,其特征在于,所述方法还包括:当同一个包装盒内不合格的香烟数量达到一定数量时,将该包装盒内不合格的香烟进行替换。6.根据权利要求1所述的基于深度学习的香烟端面烟草缺失量化检测方法,其特征在于,计算第一比值之前,所述方法还包括:计算第二比值,所述第二比值为所述第二图像深度小于第三阈值的累计面积与所述第二图像的轮廓面积的比值;判断所述比值是否大于第三阈值,第三阈值为烟草被遮挡的极限值;若是,则需要人工参与进行纠正或直接判定为不合格;反之说明该香烟的装配符合要
求。7.根据权利要求6所述的基于深度学习的香烟端面烟草缺失量化检测方法,其特征在于,所述方法还包括:对所述第二图像的轮廓面积进行修正,修正第二图像的轮廓面积=修正前第二图像的轮廓面积-所述第二图像深度小于第三阈值的累计面积。8.一种基于深度学习的香烟端面烟草缺失量化检测装置,其特征在于,所述装置包括:第一获取单元,适于获取香烟端面的第一图像,所述第一图像为待包装香烟的俯视图像;第一处理单元,适于根据第一图像制作深度图;第二处理单元,适于对深度图进行轮廓提取;基于所述第一图像的轮廓,对每根香烟的位置进行定位,并确定每根香烟的外部轮廓;第三处理单元,适于根据每根香烟的外部轮廓对深度图进行分割,得到多个第二图像;第一计算单元,适于计算第一比值;所述第一比值为所述第二图像上图像深度大于第一阈值的累计面积与所述第二图像的轮廓面积的比值;第一判断单元,适于判断所述第一比值是否大于第二阈值,第二阈值为烟草缺失量的极限值;第一执行单元,若是则说明该香烟的装配不符合要求,反之说明该香烟的装配符合要求。9.一种基于深度学习的香烟端面烟草缺失量化检测用服务器,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。10.一种计算机可读存储介质,其特征在于,该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
技术总结本发明公开了一种基于深度学习的香烟端面烟草缺失量化检测方法和装置,属于香烟检测领域,包括:获取香烟端面的第一图像;根据第一图像制作深度图;对深度图进行轮廓提取;根据每根香烟的外部轮廓对深度图进行分割,得到多个第二图像;计算第一比值;所述第一比值为所述第二图像上图像深度大于第一阈值的累计面积与所述第二图像的轮廓面积的比值;判断所述第一比值是否大于第二阈值;若是,则说明该香烟的装配不符合要求,反之说明该香烟的装配符合要求。本发明通过计算图像深度大于第一阈值的累计面积与所述第二图像的轮廓面积的比值,得出香烟端面烟草缺失量,实现香烟的自动化检测,大大的提高了检测效率。大大的提高了检测效率。大大的提高了检测效率。
技术研发人员:黄良斌 黄良臻 蔡福海
受保护的技术使用者:领先光学技术(常熟)有限公司
技术研发日:2022.04.20
技术公布日:2022/7/5