点击图片查看原图
烟视觉检测霉变烟识别属于机器视觉领域，涉及深度学习算法。霉变模型采用卷积神经网络算法提取烟特征图联合通道注意力和空间注意力特征输出为终特征，网络输入为符合相机采集分辨率等比缩放至固定尺寸，骨干网络(Backbone）的设计兼顾速度与精度选取合适的模型深度。
复杂的神经网络在小数据集上训练时需要防止过拟合，因此我们还需要考虑算法出现过拟合的状态，算法加入“随机失活"在训练时让一定比例的隐藏节点为0，但是在推理时其实是对每个权重取失活概率后的值。
后需要对网络的终特征使用激活函数将数据分类为正常烟和霉变烟，使其输出范围在0-1之间，同时在模型检测服务端预留可调控阈值，既可采用初始建议阈值，也可根据现场实际应用情况对霉变检测结果进行合理调控。
烟视觉检测模型对切片烟、烟包等图像分析定位霉变烟并给出霉变率；该算法在**了低误检率的前提下提高霉变检出率，在实际生产中可以提高产品质量，减轻人工工作量。
应用效果
经过现场测试霉变检测系统对于成品烟箱开箱表面霉变检测模型的误检率在0.87%左右，而霉变的检出率在96.83%左右；对于切片后检测包芯霉变烟检测模型的误检率在1.5%左右，检出率在86.44%左右。
更多访问：
https://www.chem17.com/st478554/list_2359858.html
http://www.bjshounuo.com.cn/Products-36966302.html