(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210179428.1 (22)申请日 2022.02.25 (71)申请人 河南中心线电子科技有限公司 地址 450000 河南省郑州市金 水区东里路 41号楼305室 (72)发明人 李超　王岩　姚建松　饶小燕　 吴雅琦　 (74)专利代理 机构 北京维澳专利代理有限公司 11252 专利代理师 常小溪 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/62(2017.01) G06T 5/00(2006.01)G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于X射线视 觉的梗签 检测方法 (57)摘要 本发明提供一种基于X射线视觉的梗签检测 方法， 包括： 随机选取不同品牌的卷烟作为检测 对象， 利用X射线设备对检测对象进行X射线照射 并获得对应的卷烟透视图像； 利用生成式对抗网 络将所述卷烟透视图像生 成多组伪标注样本， 并 根据筛选指标对 所述伪标注样 本进行筛选， 以确 定最终的扩充标注样本； 获取所述检测对象 的人 工标注样 本， 将所述扩充 标注样本输入预设的梗 签分类网络进行预训练， 并利用所述人工标注样 本对训练网络进行调整； 利用训练后的梗签分类 网络对测试的卷烟样本进行梗签检测。 本发明能 解决现有卷烟产品的梗签检测存在效率低和准 确率不高的问题， 能提高梗签检测 效率， 减少烟 梗检测的误检率或者漏检率。 权利要求书2页 说明书11页 附图1页 CN 114549485 A 2022.05.27 CN 114549485 A 1.一种基于X射线视 觉的梗签 检测方法， 其特 征在于， 包括： 随机选取不同品牌的卷烟作为检测对象， 利用X射线设备对检测对象进行X射线照射并 获得对应的卷烟透 视图像； 利用生成式对抗网络将所述卷烟透视图像生成多组伪标注样本， 并根据筛选指标对所 述伪标注样本进行筛 选， 以确定最终的扩充标注样本； 获取所述检测对象的人工标注样本， 将所述扩充标注样本输入预设的梗签分类网络进 行预训练， 并利用所述人工标注样本对训练网络进行调整； 利用训练后的梗签分类网络对测试的卷烟样本进行梗签 检测。 2.根据权利要求1所述的基于X射线视 觉的梗签 检测方法， 其特 征在于， 还 包括： 将总体分类精度作为训练后的梗签分类网络的评价指标， 所述总体分类精度根据公式 计算得到， 其中， OA为总体分类精度， Z 为总体样本数， Z为所有分类正确的样本 数。 3.根据权利要求2所述的基于X射线视 觉的梗签 检测方法， 其特 征在于， 还 包括： 将所述筛选指标作为训练后的梗签分类网络的评价指标， 所述筛选指标根据公式SDFn ＝αNFIDn+β TRn,n∈[0,N]计算得到， 其中， SDFn为生成的第N组的伪标注样本的评价分数， NFIDn∈[0,1]为归一化后的FID分数和TRn∈[0,1]为归一化后的训练评价分数， α 为NFIDn的 权重系数， β 为TRn的权重系数， 且α +β ＝1。 4.根据权利要求3所述的基于X射线视觉的梗签检测方法， 其特征在于， 利用基于改进 损失函数的SinGAN模型生成多组所述伪 标注样本， 并基于所述SinGAN模型进行样本训练， 所述SinGAN模型的判别器的损失函数为： 所述SinGAN模型的生成器的损失函数为： 其中， Gn为第n个生成器， χ是xn和 的联合采样空间， 是梯度惩罚 项， μ是权重系数， 是第n+1个生成器生成的伪图像， 是第n个生成器生成的伪图像， xn 是每个尺度下对应的真实图像， z*为训练前选取的随机值， Ldiv为生成图像之间距离和噪声 之间距离的比值。 5.根据权利要求4所述的基于X射线视觉的梗签检测方法， 其特征在于， 所述根据筛选 指标对所述伪标注样本进行筛 选， 包括： 所述SinGAN模型在训练结束后生成N+1组伪图像{PSN,…,PSn,…,PS0}， 所述SinGAN模 型根据所述伪图像生成所述伪标注样本， 根据选定的所述筛选指标SDFn评估所述伪标注样本的真实性和多样性， 并利用公式 评估生成图像的质量， 其中FRS和 分 别代表真实图像RS和第n组生成图像PSn的特征向量平均值， CFRS和 分别代表以RS和 PSn的特征向量计算得到的协方差矩阵， Tr( ·)代表矩阵的迹 。权　利　要　求　书 1/2 页 2 CN 114549485 A 26.根据权利要求5所述的基于X射线视觉的梗签检测方法， 其特征在于， 所述利用训练 后的梗签分类网络对测试的卷烟样本进行梗签 检测， 包括： 通过含有聚焦损失函数的Softmax分类器对目标样本进行预测分类， 并根据公式FL(pi) ＝‑αi(1‑pi)γlog(pi)确定损失函数值， 其 中， FL(pi)为损失函数值， pi表示模型预测样本中 含有梗签的概 率， γ表示控制 “聚焦”的超参数， αi表示控制正负 样本对总损失的 “贡献”。 7.根据权利要求6所述的基于X射线视 觉的梗签 检测方法， 其特 征在于， 还 包括： 选取不同品牌的卷烟作为检测对象并将采集后的数据制作成数据集， 并根据 所述数据 集对训练后的梗签分类网络进行检测验证， 以判断梗签的最终检测率是否达到设定阈值， 如果是， 则所述梗签分类网络的训练合格。 8.根据权利要求7所述的基于X射线视觉的梗签检测方法， 其特征在于， 制作数据集步 骤包括： 首先经由X射线设备照射卷烟获得卷烟透视 图像并对其进行人工标注， 每种 品牌的香 烟采集图像10 0张， 其中有梗签和无梗签的各5 0张， 共20 00张图像； 然后利用训练后的SinGAN模型对每个类别有无梗签的图像按照20％和50％的训练率 分别进行 数据扩充， 剩下的80％和5 0％用于后续测试； 图像扩充比例为1:20， 在训练率为20％时， 扩充数据集为20类， 每类400幅图像， 共8000 幅图像； 在训练率 为50％时， 扩充数据集 为20类， 每 类1000幅图像， 共20 000幅图像。 9.根据权利要求8所述的基于X射线视觉的梗签检测方法， 其特征在于， 所述利用X射线 设备对检测对象进行 X射线照射并获得对应的卷烟透 视图像， 包括： 基于烟丝与梗签的X射线透射成像特性的差异， X射线透射成像形成X射线黑白图像； 对所述X射线黑白图像进行 滤噪预处 理， 以去除图像中的背景噪音； 利用区域生长法对滤噪预处理后的X射线黑 白图像进行图像分割， 以分割为烟梗像素 和背景像素； 采用模糊C聚类算法对得到每个分割的烟梗像素对所属烟梗中心 的隶属度， 以对干扰 信息进行 滤除和归属判断； 在模糊C聚类算法处理后， 对聚集在一起的像素进行形状分析， 并计算分割区域面积和 区域的长 宽比， 以进行 形状识别。权　利　要　求　书 2/2 页 3 CN 114549485 A 3