本發(fā)明涉及計算機視覺檢測，具體地涉及一種雜質實時檢測方法和計算機程序產品。

背景技術：

1、經濟類作物的原材料篩選對于確保農產品的質量和安全至關重要，尤其是對于莖葉類原材料(如煙草)，其在收割、初烤、復烤、發(fā)酵等工序中，會混雜多種不同形態(tài)的雜質異物，例如麻繩、木屑、泡沫、紙片、羽毛、塑料、橡膠、金屬、石塊，或產生霉變的煙葉以及梗簽等。

2、根據(jù)上述雜質，目前的篩選方法主要有：(1)利用篩網和風力分離器去除尺寸較大的雜質，如麻繩、木屑、石塊等；(2)利用磁性設備吸附和去除金屬雜質；(3)通過液體浮選法去除輕質雜質，如羽毛、紙片等；(4)使用光電色選機根據(jù)顏色差異識別和剔除霉變煙葉和其他顏色異常的雜質。最后再人工復檢和挑選，以確保所有雜質都被去除，從而提升原材料純凈度。

3、但在上述人工復檢和挑選中，依賴于工人的視覺和經驗，容易出現(xiàn)疲勞和誤判現(xiàn)象，且上述挑選受主觀因素影響較大，導致挑選出的煙絲質量參差不齊，難以保證生產所需的一致性和準確性?；诖耍壳耙阎饾u利用光電成像技術實時對煙絲進行拍照識別，通過物理光學信息的獲取和解譯，能夠在傳統(tǒng)幾何光學成像的基礎上引入更高維度的信息。

4、然而該技術目前主要適用于實時識別和剔除煙絲中的梗簽等雜質，難以適用于大規(guī)模數(shù)據(jù)和多樣化任務，對于上述各類形態(tài)不固定、且與原材料特征相似的雜質，其檢測與剔除的準確率較低，漏檢和誤檢概率大。

技術實現(xiàn)思路

1、本發(fā)明提供了一種雜質實時檢測方法和計算機程序產品，以解決現(xiàn)有技術中實時識別檢測設備漏檢與誤檢概率較大的問題。

2、為解決上述技術問題，本發(fā)明采用的技術方案是提供一種雜質實時檢測方法，所述雜質實時檢測方法包括：實時獲取待檢圖像；輸入所述待檢圖像至訓練后的神經網絡模型，并獲得第一雜質檢測結果；輸入所述待檢圖像至訓練后的分類預測模型，并獲得第二雜質檢測結果；根據(jù)預設的權重占比計算所述第一雜質檢測結果和所述第二雜質檢測結果，并輸出檢測結果。

3、在一些實施方案中，所述輸入所述待檢圖像至訓練后的神經網絡模型，并獲得第一雜質檢測結果包括：預獲取第一圖像集x和第二圖像集x′，其中，所述第一圖像集x與所述第二圖像集x′為同一原材料的不同形態(tài)。

4、采用所述神經網絡模型依次對所述第一圖像集x和所述第二圖像集x′進行訓練，并計算所述第一圖像集x中雜質特征的第一映射值ф(x)和所述第二圖像集x′中雜質特征的第二映射值ф(x′)。

5、計算所述第一圖像集x和所述第二圖像集x′的聯(lián)合概率分布p，記為：

6、p(z＝c,z′＝c′|x,x′)＝фc(x)фc(x′)

7、其中，c為雜質分類總數(shù)，z表示所述第一圖像集x的分類結果，z′表示所述第二圖像集x′的分類結果。

8、計算所述第一圖像集x和所述第二圖像集x′共有信息i的最大值，記為：

9、maxi(ф(x),ф(x′))

10、對i個所述第一圖像集x和所述第二圖像集x′進行邊緣化處理，得到：

11、

12、其中，t表示矩陣轉置。則所述第一圖像集x和所述第二圖像集x′共有信息i，可記為:

13、

14、最大化所述第一圖像集x和所述第二圖像集x′共有信息i。

15、采用上述技術方案，通過上述深度學習的方式來找尋一種映射關系，以盡可能的保留第一圖像集x和第二圖像集x′的共有特征，從而便于后續(xù)對原產品進行區(qū)別。

16、進一步地，所述神經網絡模型包括輸入層、多個卷積層、池化層和全連接層，所述池化層為平均池化，所述全連接層用于將共有信息i映射至待檢圖像，其中，所述全連接層的輸入和輸出維度由所述待檢圖像的高和寬確定。

17、進一步地，多個所述卷積層包括第一卷積層、第二卷積層和第三卷積層，其中，所述第一卷積層的卷積核大小配置為4x4，所述第二卷積層的卷積核大小配置為4x4，所述第三卷積層的卷積核大小配置為2x2。

18、在一些實施方案中，所述輸入所述待檢圖像至訓練后的分類預測模型，并獲得第二雜質檢測結果包括：預獲取第四圖像集，并提取所述第四圖像集的特征，其中，所述特征為圖片灰度值的和。

19、定義k個簇數(shù)量，并重復迭代簇內平方誤差總和以訓練分類預測模型；將所述待檢圖像輸入至訓練后的分類預測模型，并提取所述待檢圖像的圖像特征；將所述圖像特征分配到最近的聚類中心，并識別出所述待檢圖像的雜質區(qū)域。通過增加分類預測模型再預測以雜質分類的準確性和魯棒性。

20、在一些實施方案中，所述輸入所述待檢圖像至訓練后的神經網絡模型，并獲得第一雜質檢測結果包括：預獲取第三圖像集y，記為：

21、y＝{y1,y2...yn}

22、所述第三圖像集y中圖像yn與標簽mn∈{0，1}k一一對應，其中，k表示雜質的分類總數(shù)；最小化目標函數(shù)，記為：

23、

24、其中，gw表示分類器，fθ(yn)表示所述第三圖像集y的映射操作，loss表示多類邏輯損失函數(shù)，定義為：

25、

26、其中，n表示樣本數(shù)量，k表示雜質的分類總數(shù)。

27、在一些實施方案中，所述輸入所述待檢圖像至訓練后的神經網絡模型，并獲得第一雜質檢測結果還包括：獲取fθ(yn)；學習重心矩陣c∈rd×k和n個圖像的分類結果zn，記為：

28、

29、其中，zn∈{0，1}k，分類結果作為后續(xù)標簽，并更新至mn∈{0，1}k；迭代交替上述過程，直至獲得最終解。

30、進一步地，所述神經網絡模型為alexnet架構，并包括輸入層，多個卷積層、多個最大池化層、多個droupt層、多個全連接層和輸出層，其中，所述卷積層的第一卷積層、第二卷積層和第五卷積層后設置所述最大池化層，所述全連接層的第一全連接層和第二全連接層后設置所述droupt層用于防止過擬合。

31、在一些實施方案中，所述實時獲取位于生產線上的待檢圖像包括：一個或多個攝像機實時拍攝位于所述生產線一側的反射圖像。

32、本發(fā)明提供的技術方案相較于現(xiàn)有技術帶來的有益效果是：

33、通過神經網絡模型和分類預測模型相互獨立完成分類預測，并對不同模型的預測結果進行加權計算，形成最終的分類決策，能夠有效地結合兩種輸出結果，從而提高雜質檢測的準確性。其中，當神經網絡模型采取非監(jiān)督聚類的方法時，無需人工標記數(shù)據(jù)。該神經網絡從輸入數(shù)據(jù)到聚類表示為端到端過程，即從輸入待檢圖片到最終的聚類輸出該圖片中存在的雜質批注及其類型，無需額外的干預或調整。上述的目標函數(shù)為第一圖像集和第二圖像集之間分類之間的互信息，以優(yōu)化模型并提高不同分類雜質所形成聚類的一致性和可區(qū)分性，進而可檢測識別出多種雜質類型。

34、此外，采用神經網絡模型結合分類預測模型識別生產線上的雜質，例如麻繩、木屑、泡沫、紙片、羽毛、塑料、橡膠、金屬、石塊，或產生霉變的煙葉以及梗簽等，能夠實時準確檢測并標記各類雜質，提高生產線的篩選效率。

35、在一些實施方案中，本技術還提供了一種計算機程序產品，包括計算機程序/指令，所述計算機程序/指令被處理器執(zhí)行時實現(xiàn)上述的雜質實時檢測方法。