一种烟草输送设备用杂物检测方法和系统与流程

1.本发明属于烟草传输技术领域，具体涉及一种烟草输送设备用杂物检测方法和系统。


背景技术：

2.烟草生产中，制丝部负责向卷包部供给成品烟丝，但是，由于制丝线制程较长，从机器人开包工序到储丝工序，制程长达数百米，具有杂物混入在成品烟丝中的风险
3.烟草制品在传输过程中发现的杂物主要有：麻绳、棉絮、纸制包装物、金属、玻璃、石头碎屑、塑料包装物、羽毛等。其中金属、玻璃、石头碎屑等杂物因为其自身材质较硬，一旦进入卷烟机，往往造成卷烟机及附属设备损坏，而部分杂物，尤其是塑料制品、羽毛等，因其燃烧时气味刺鼻，无论是对设备安全还是产品质量来说，风险都是巨大的。
4.目前绝大多数针对烟丝异物识别的方法均基于传统机器学习理论，采用成像设备对生产线上的烟草流进行成像，并将获取的图像传入计算机，运用图像识别技术检测异物。若存在异物，则将异物通过压缩空气进行剔除。
5.但当监测粉尘较大、异物类别较多、烟丝与异物颜色与尺寸相近的复杂烟草生产现场时，模型参数的迭代寻优需耗费大量的通信、存储与计算资源，导致检测的识别速度较慢，无法满足烟草在皮带传输机上的传输速度。


技术实现要素：

6.本发明的目的是：旨在提供一种烟草输送设备用杂物检测方法和系统，用来解决在复杂烟草生产现场时，模型参数的迭代寻优需耗费大量的通信、存储与计算资源，导致检测的识别速度较慢，无法满足烟草在皮带传输机上的传输速度的问题。
7.为实现上述技术目的，本发明采用的技术方案如下：
8.第一方面，本技术实施例提供了一种烟草输送设备用杂物检测方法，所述方法包括：
9.获取第一训练图像集，所述第一训练图像集包括具有烟丝且不具有杂物的第一类图像集和具有杂物的第二类图像集；
10.将所述第一训练图像集输入卷积神经网络模型进行训练，得到第一神经网络模型；
11.基于参数共享策略，对第一神经网络模型进行参数共享，得到第二神经网络模型；
12.基于预设剪枝策略，对第二神经网络模型进行剪枝，以得到稀疏网络模型；
13.利用第二训练图像集，对所述稀疏网络模型进行训练，得到完成训练的卷积神经网络模型，以作为烟草杂物识别模型，其中，所述第二训练图像集包括具有烟丝且不具有杂物的第三类图像集和具有杂物的第四类图像集，所述烟草杂物识别模型用于检测待识别图像中是否存在杂物。
14.结合第一方面，在一些可选的实施方式中，所述方法还包括：
15.获取摄像头拍摄烟草得到待识别图像；
16.将所述待识别图像输入所述烟草杂物识别模型，得到由所述烟草杂物识别模型输出的检测结果，所述检测结果包括所述待识别图像中存在杂物或不存在杂物的结果。
17.结合第一方面，在一些可选的实施方式中，所述方法还包括：
18.当所述待识别图像中存在杂物时，基于杂物在所述待识别图像中的目标位置，控制杂物清理模块剔除所述目标位置的杂物。
19.结合第一方面，在一些可选的实施方式中，所述基于参数共享策略，对第一神经网络模型进行参数共享，包括：
20.对第一神经网络模型中的全连接层权重参数共享；
21.对第一神经网络模型中的卷积层权重参数共享。
22.结合第一方面，在一些可选的实施方式中，基于预设剪枝策略，对完成训练的卷积神经网络模型进行剪枝，包括：
23.在第二神经网络模型的网络链接中确定目标网络链接，所述目标网络链接为权重阈值低于预设阈值的网络链接；
24.从完成训练的卷积神经网络模型中剔除所述目标网络链接。
25.第二方面，一种烟草输送设备用杂物检测系统，所述系统包括存储模块及处理模块，所述存储模块内存储有计算机程序，当所述计算机程序被所述处理模块执行时，使得所述系统执行所述烟草输送设备用杂物检测方法。
26.结合第二方面，在一些可选的实施方式中，所述系统还包括：
27.资源协同模块、切片协同模块、数据协同模块、识别协同模块和业务协同模块；
28.所述业务协同模块用于根据不同业务类型进行编排，以获得多种请求业务；
29.所述切片协同模块用于根据每种请求业务构建业务切片。
30.所述资源协同模块用于根据每种请求业务的优先级构建对应的资源切片，并将每种业务切片映射到对应的资源切片；
31.所述数据协同模块用于采集待识别的烟丝图像集，并传输至所述识别协同模块；
32.所述识别协同模块用于将待识别的烟丝图像集传输至烟草杂物识别模型中，推理后获得识别结果。
33.结合第二方面，在一些可选的实施方式中，所述资源切片包括：
34.每种请求业务的计算、存储和通信资源。
35.结合第二方面，在一些可选的实施方式中，所述系统还包括：
36.第一皮带机、第二皮带机和第三皮带机，所述第一皮带机设置于第二皮带机的上方，所述第二皮带机设置于第三皮带机的上方，所述第一皮带机的出料端安装有振动筛，所述振动筛位于第二皮带机的进料端的上方，所述第二皮带机上固定安装限位板，所述限位板与第二皮带机的传输带具有间隙，所述限位板和数据协同模块沿第二皮带机的传输方向依次设置。
37.结合第二方面，在一些可选的实施方式中，所述系统还包括。
38.斜槽，所述斜槽固定安装于第二皮带机的出料端，所述斜槽的最低端位于第三皮带机的进料端的上方，所述斜槽内开设有剔除口，所述斜槽于剔除口内并列安装有多个翻动板，所述剔除口的下方放置有收集槽。
39.采用上述技术方案的发明，具有如下优点：
40.在本技术提供的技术方案中，由于基于参数共享策略，对第一神经网络模型进行参数共享，压缩了神经网络的参数量，基于预设剪枝策略，对第二神经网络模型进行剪枝，将稠密网络转换为稀疏网络，加快了烟草杂物识别模型的推理速度，从而提高了烟草杂物检测的识别速度，以满足烟草在皮带传输机上的传输速度。
附图说明
41.本发明可以通过附图给出的非限定性实施例进一步说明；
42.图1为本技术实施例提供的烟草输送设备用杂物检测方法的步骤流程图；
43.图2为本技术实施例提供的烟草输送设备用杂物检测系统的原理框图；
44.图3为本技术实施例提供的烟草输送设备用杂物检测系统的结构示意图；
45.主要元件符号说明如下：10-资源协同模块、20-切片协同模块、30-数据协同模块、40-识别协同模块、50-业务协同模块、210-第一皮带机、220-第二皮带机、230-第三皮带机、240-振动筛、250-限位板、310-斜槽、320-翻动板、330-收集槽。
具体实施方式
46.以下将结合附图和具体实施例对本发明进行详细说明，需要说明的是，在附图或说明书描述中，相似或相同的部分都使用相同的图号，附图中未绘示或描述的实现方式，为所属技术领域中普通技术人员所知的形式。另外，实施例中提到的方向用语，例如“上”、“下”、“顶”、“底”、“左”、“右”、“前”、“后”等，仅是参考附图的方向，并非用来限制本发明的保护范围。
47.请参照图1-图3，本发明的一种烟草输送设备用杂物检测方法。其中，所述烟草输送设备用杂物检测方法可以包括如下步骤：
48.步骤110，获取第一训练图像集，所述第一训练图像集包括具有烟丝且不具有杂物的第一类图像集和具有杂物的第二类图像集；
49.步骤120，将所述第一训练图像集输入卷积神经网络模型进行训练，得到第一神经网络模型；
50.步骤130，基于参数共享策略，对第一神经网络模型进行参数共享，得到第二神经网络模型；
51.步骤140，基于预设剪枝策略，对第二神经网络模型进行剪枝，以得到稀疏网络模型；
52.步骤150，利用第二训练图像集，对所述稀疏网络模型进行训练，得到完成训练的卷积神经网络模型，以作为烟草杂物识别模型，其中，所述第二训练图像集包括具有烟丝且不具有杂物的第三类图像集和具有杂物的第四类图像集，所述烟草杂物识别模型用于检测待识别图像中是否存在杂物。
53.在上述的实施方式中，由于基于参数共享策略，对第一神经网络模型进行参数共享，压缩了神经网络的参数量，基于预设剪枝策略，对第二神经网络模型进行剪枝，将稠密网络转换为稀疏网络，从而提高了烟草杂物检测的识别速度，以满足烟草在皮带传输机上的传输速度。
54.下面将对烟草输送设备用杂物检测方法的各步骤进行详细阐述，如下：
55.在步骤110中，第一皮带机210和第二皮带机220进行试运行，将人工筛选过的烟草放置于第一皮带机210上进行传输，此时通过ccd相机拍摄烟草在第二皮带机220上的传输照片，作为第一类图像集和第三类图像集，再将不同的杂物逐个放置于第一皮带机210上，杂物跟随烟草一起传输，通过ccd相机拍摄烟草和杂物在第二皮带机220上的传输照片，作为第二图像集和第四类图像集。
56.第一类图像集和第三类图像集可以是相同的图像集，或者可以为不同的图像集。第二图像集和第四类图像集可以是相同的图像集，或者可以为不同的图像集，这里对各图像集所具有的图像不作具体限定。
57.烟草可以是进行卷烟前的成品烟丝。
58.杂物可以是麻绳、棉絮、纸制包装物、金属、玻璃、石头碎屑、塑料包装物、羽毛。
59.在步骤120中，将第一图像集输入卷积神经网络模型进行训练，提取杂物的特征数据，其特征数据包括杂物和烟草的轮廓特征、纹理特征和颜色特征，通过多种特征数据进行组合识别，从而提高杂物识别的精确度。
60.在步骤130中，基于参数共享策略，对第一神经网络模型中的全连接层权重参数共享，对第一神经网络模型中的卷积层权重参数共享，通过增大网络结构来改善toeplitz矩阵规划权重参数矩阵后网络的性能，与原网络相比，网络的参数量大大减少。
61.在步骤140中，基于预设剪枝策略，在第二神经网络模型的网络链接中确定目标网络链接，所述目标网络链接为权重阈值低于预设阈值的网络链接，从完成训练的卷积神经网络模型中剔除所述目标网络链接，将稠密网络转换为稀疏网络。
62.在步骤150中，利用训练图像集再次训练后，得到完成训练的卷积神经网络模型，可进行烟草传输杂物检测，摄像头持续拍照，获取待识别图像，完成训练的卷积神经网络模型对待识别图像进行识别，当所述待识别图像中存在杂物时，基于杂物在所述待识别图像中的目标位置，控制杂物清理模块剔除所述目标位置的杂物。
63.作为一种可选的实施方式，方法还可以包括：
64.获取摄像头拍摄烟草得到待识别图像；
65.将所述待识别图像输入所述烟草杂物识别模型，得到由所述烟草杂物识别模型输出的检测结果，所述检测结果包括所述待识别图像中存在杂物或不存在杂物的结果。
66.在本实施例中，根据第二皮带机220的传输速度，ccd相机按设定频次拍摄第二皮带机220上的烟草传输图片，作为待识别图片传输至烟草杂物识别模型，将待识别图片分割为像素区域进行识别；
67.设定烟草纹理特征相似度区间、烟草颜色特征相似度区间和烟草轮廓特征值；
68.优先进行纹理特征识别，筛选出低于烟草纹理特征相似度区间的像素区域，判断该像素区域具有杂物；
69.再筛选出位于烟草纹理特征相似度区间的像素区域，进行颜色特征识别，筛选出低于烟草颜色特征相似度区间的像素区域，判断该像素区域具有杂物；
70.再筛选出位于烟草颜色特征相似度区间的像素区域，进行轮廓特征识别，低于烟草轮廓特征值的像素区域，判断该像素区域具有杂物；
71.其余像素区域均为不存在杂物，通过分级识别，减轻了推理计算负荷，提高了烟草
杂物检测的识别速度。
72.作为一种可选的实施方式，方法还可以包括：
73.当所述待识别图像中存在杂物时，基于杂物在所述待识别图像中的目标位置，控制杂物清理模块剔除所述目标位置的杂物。
74.在本实施例中，根据第二皮带机220的传输速度，判断目标位置的杂物出现在杂物控制模块上方的时间点，从而精确控制控制杂物清理模块剔除所述目标位置的杂物。
75.作为一种可选的实施方式，基于参数共享策略，对第一神经网络模型进行参数共享，还可以包括：
76.对第一神经网络模型中的全连接层权重参数共享；
77.对第一神经网络模型中的卷积层权重参数为m
×
n维的矩阵w，n为输入层神经元个数，m为输出层神经元个数，w
ij
表示输出层的第i个神经元与输入层的第j个神经元之间的连接。输出层第i个神经元与上一层神经元之间的连接为一个n维向量，记为wi，wi＝(w
i1
，w
i2
，w
i3
，
…
，w
in
)，针对m＝n的全连接层；
78.用toeplitz矩阵对全连接层的权重参数来实现共享，toeplitz矩阵中自左上至右下斜线上的元素相同，运用toeplitz矩阵对全连接层进行规划后，网络反向传播时，梯度求取公式将发生改变。全连接层可学习权重参数为两个向量w
row
和w
col
，行向量w
row
＝(w
11
，w
12
，w
13
，
…
，w
1n
)，列向量w
col
＝(w
11
，w
21
，w
31
，
…
，w
m1
)
t
，行向量和列向量有共同的权重参数w
11
。x为输入神经元，x＝(x1，x2，x3，
…
，xn)
t
，y为输出神经元，y＝(y1，y2，y3，
…
，ym)
t
，e为模型误差，为模型误差反向传播到当前层的值，与y同是m维列向量，在求取权重参数梯度时，为得到一个统一的公式，将输入的n维x扩展为n+m－1维，具体是:当j＞n时，xj＝0即x＝(x1，x2，x3，
…
，xn，0，0，0，
…
，0)
t
。行向量w
row
的梯度公式如式(1)－式(4)：
[0079][0080][0081][0082][0083]
列向量w
col
的梯度公式如式(5)－式(8)，w
11
的梯度由上述公式(1)求得式(5)，公式(5)－式(8)如下：
[0084][0085][0086][0087][0088]
其中lsr(w，g)表示将向量ω逻辑右移g位，上述公式中，*表示矩阵乘法，右上标t
表示转置。
[0089]
对第一神经网络模型中的卷积层权重参数共享；
[0090]
在本实施例中，卷积层卷积核的维度为c*n*h*w，其中c为输出层特征图的数量，n为输入层特征图的数量，h和w为每个卷积核的高和宽。可基于输入或输出两个角度对卷积核实现共享。
[0091]
输出层每张特征图与输入层连接的权重参数维度为n*h*w，基于输出的角度，卷积核可学习的权重参数为k，维度为n*h*w。将第1张输出特征图的第α个卷积核的第i行，j列的权重参数(1≤α≤n 1≤i≤h 1≤j≤w)沿w方向循环右移1位，此循环操作遍历α、i、j，将得到n*h*w维的参数，将其作为第2张输出特征图的权重参数，将第2张输出特征图的卷积核权重参数沿着w方向循环右移1位，得到n*h*w维的参数，将其作为第3张输出特征图的权重参数，以此类推，循环右移c－1次，得到的输出作为输出层第c张特征图与输入层连接的权重参数，第1张输出特征图的权重参数中第α个卷积核中的第1列权重(1≤i≤h)在第p张输出图权重中的位置为第α个卷积核的第col
p
列，其中col
p
＝(p－1)％w+1。基于输出角度共享卷积层权重参数后，该层可学习参数压缩倍数为(c*n*h*w+c)/(n*h*w+c)；
[0092]
通过参数共享，保证了测试的准确率的同时，大大减少了神经网络的参数量，从而减少了识别杂物时的计算负荷。
[0093]
作为一种可选的实施方式，基于预设剪枝策略，对完成训练的卷积神经网络模型进行剪枝，方法还可以包括：
[0094]
在第二神经网络模型的网络链接中确定目标网络链接，所述目标网络链接为权重阈值低于预设阈值的网络链接；
[0095]
从完成训练的卷积神经网络模型中剔除所述目标网络链接。
[0096]
在本实施例中，首先对预先训练好的模型中神经元或权重进行重要性评估，之后剪除掉无关紧要的神经元或权重(可通过设置阈值等方法实现)，再对剪枝后的模型进行微调，再多次重复上述过程，进行迭代剪枝，获得的压缩模型更加紧凑，尺寸更小。迭代剪枝为常规剪枝方式，这里不再赘述。
[0097]
请参照图2-图3，本技术还提供一种烟草输送设备用杂物检测系统，所述系统包括存储模块及处理模块，所述存储模块内存储有计算机程序，当所述计算机程序被所述处理模块执行时，使得所述系统执行烟草输送设备用杂物检测方法。
[0098]
可选地，所述系统还包括资源协同模块10、切片协同模块20、数据协同模块30、识别协同模块40和业务协同模块50，各模块的功能如下：
[0099]
所述数据协同模块30用于采集待识别的烟丝图像集，并通过所述识别协同模块40进行识别；
[0100]
其中，所述数据协同模块30包括ccd摄像头和预处理单元，通过ccd摄像头拍摄第二皮带机220上传输的烟草图像，并通过预处理单元将烟草图像进行像素区域划分，以得到待识别图像。
[0101]
所述识别协同模块40将待识别的烟丝图像集传输至烟草杂物识别模型中，推理后获得识别结果；
[0102]
所述业务协同模块50根据不同业务类型进行编排，以获得多种请求业务；
[0103]
其中，所述业务协同模块根据使用者预设功能设置各种请求业务，预设功能可以是不同杂物的识别、ccd摄像头拍摄、历史数据回放和模型再训练，所述请求业务包含性能参数或功能参数；
[0104]
功能参数包括以下参数的至少一种：
[0105]
所述网络类型、网元类型、网元功能模块类型。
[0106]
所述性能参数包括以下参数的至少一种：允许用户接入数量参数、存储空间、处理速度。
[0107]
所述切片协同模块20根据每种请求业务构建业务切片；
[0108]
其中，所述切片协同模块采用资源管理器，所述资源管理器包括但不限于网络功能虚拟化管理和编排mano。
[0109]
所述资源协同模块10用于根据每种请求业务的优先级构建对应的资源切片，并将每种业务切片映射到对应的资源切片。
[0110]
其中，所述资源协同模块10可以由使用者根据对网络资源的规划策略预先部署,也可由每种请求业务的参数比值进行资源规划，基于规划结果，获得每种请求业务对应的资源切片。
[0111]
在本实施例的使用流程如下：
[0112]
所述业务协同模块根据使用者预设功能设置各种请求业务，预设功能可以是不同杂物的识别、历史数据回放和模型训练；
[0113]
将所述请求业务发送给所述切片协同模块，资源管理器接收请求业务后，创建网络切片；
[0114]
基于功能参数，通知虚拟化网络功能模块管理器vnfm创建对应的功能，创建程序端对应的功能选项，程序端可以是计算机程序或手机app；
[0115]
基于性能参数，通知所述资源协同模块分配网络性能资源，获得资源切片；
[0116]
将资源切片和业务切片一一映射；
[0117]
当数据协同模块采集待识别的烟丝图像集，所述识别协同模块用于将待识别的烟丝图像集传输至烟草杂物识别模型中。
[0118]
可选地，所述资源切片包括：
[0119]
计算、存储和通信资源。
[0120]
其中，生产现场的多台计算机，计算机内部的处理器提供计算资源，计算机内部的硬盘或内存条提供存储资源，计算机连接的带宽为通信资源，通过资源切片分配，使得该系统在运行时，每台计算机所占用的资源均衡，从而保证该系统的正常运行。
[0121]
可选地，所述系统还包括：
[0122]
第一皮带机210、第二皮带机220和第三皮带机230，所述第一皮带机210设置于第二皮带机220的上方，所述第二皮带机220设置于第三皮带机230的上方，所述第一皮带机210的出料端安装有振动筛240，所述振动筛240位于第二皮带机220的进料端的上方，所述第二皮带机220上固定安装限位板250，所述限位板250与第二皮带机220的传输带具有间隙，所述限位板250和数据协同模块30沿第二皮带机220的传输方向依次设置。
[0123]
在本实施例中，需要转运的烟草通过第一皮带机210的进料端传输至出料端，并进入振动筛240，振动筛240远离第一皮带机210的一端向下倾斜，振动筛240通过振动电机驱
动，振动筛240内的烟草被打散，并通过振动筛240的筛孔掉落至第二皮带机220的进料端，烟草通过第二皮带机220依次传输至限位板250和数据协同模块30的下方，限位板250限制烟草的厚度，使得异物不易被烟草覆盖，从而提高识别精度。
[0124]
可选地，所述系统还包括：
[0125]
斜槽310，所述斜槽310固定安装于第二皮带机220的出料端，所述斜槽310的最低端位于第三皮带机230的进料端的上方，所述斜槽310内开设有剔除口，所述斜槽310于剔除口内并列安装有多个翻动板320，所述剔除口的下方放置有收集槽330。
[0126]
在本实施例中，烟草通过第二皮带机220的出料端进入斜槽310内，翻动板320通过电磁铁控制，翻动板320的转动轴安装有扭簧，当电磁铁工作时，吸引翻动板320向下方翻动，烟草通过剔除口掉入收集槽330，电磁铁不工作时，利用扭簧的弹性使得翻动板320复原，从而精确剔除目标位置的杂物。
[0127]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本技术可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现，基于这样的理解，本技术的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，制动设备，或者网络设备等)执行本技术各个实施场景所述的方法。
[0128]
综上所述，本技术实施例提供一种烟草输送设备用杂物检测方法和系统，对第一神经网络模型进行参数共享，压缩了神经网络的参数量，对第二神经网络模型进行剪枝，将稠密网络转换为稀疏网络，加快了烟草杂物识别模型的推理速度；通过对杂物识别进行编排，以获得多种请求业务，并分配每种请求业务对应的计算、存储和通信资源，从而提高该系统识别异物的精度和识别效率。
[0129]
在本技术所提供的实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0130]
以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种烟草输送设备用杂物检测方法，其特征在于，所述方法包括：获取第一训练图像集，所述第一训练图像集包括具有烟丝且不具有杂物的第一类图像集和具有杂物的第二类图像集；将所述第一训练图像集输入卷积神经网络模型进行训练，得到第一神经网络模型；基于参数共享策略，对第一神经网络模型进行参数共享，得到第二神经网络模型；基于预设剪枝策略，对第二神经网络模型进行剪枝，以得到稀疏网络模型；利用第二训练图像集，对所述稀疏网络模型进行训练，得到完成训练的卷积神经网络模型，以作为烟草杂物识别模型，其中，所述第二训练图像集包括具有烟丝且不具有杂物的第三类图像集和具有杂物的第四类图像集，所述烟草杂物识别模型用于检测待识别图像中是否存在杂物。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取摄像头拍摄烟草得到待识别图像；将所述待识别图像输入所述烟草杂物识别模型，得到由所述烟草杂物识别模型输出的检测结果，所述检测结果包括所述待识别图像中存在杂物或不存在杂物的结果。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：当所述待识别图像中存在杂物时，基于杂物在所述待识别图像中的目标位置，控制杂物清理模块剔除所述目标位置的杂物。4.根据权利要求1所述的方法，其特征在于，基于参数共享策略，对第一神经网络模型进行参数共享，包括：对第一神经网络模型中的全连接层权重参数共享；对第一神经网络模型中的卷积层权重参数共享。5.根据权利要求1所述的方法，其特征在于，基于预设剪枝策略，对完成训练的卷积神经网络模型进行剪枝，包括：在第二神经网络模型的网络链接中确定目标网络链接，所述目标网络链接为权重阈值低于预设阈值的网络链接；从完成训练的卷积神经网络模型中剔除所述目标网络链接。6.一种烟草输送设备用杂物检测系统，其特征在于，所述系统包括存储模块及处理模块，所述存储模块内存储有计算机程序，当所述计算机程序被所述处理模块执行时，使得所述系统执行如权利要求1-5中任一项所述的方法。7.根据权利要求6所述的系统，其特征在于，所述系统还包括：资源协同模块、切片协同模块、数据协同模块、识别协同模块和业务协同模块；所述业务协同模块用于根据不同业务类型进行编排，以获得多种请求业务；所述切片协同模块用于根据每种请求业务构建业务切片；所述资源协同模块用于根据每种请求业务的优先级构建对应的资源切片，并将每种业务切片映射到对应的资源切片；所述数据协同模块用于采集待识别的烟丝图像集，并传输至所述识别协同模块；所述识别协同模块用于将待识别的烟丝图像集传输至烟草杂物识别模型中，推理后获得识别结果。8.根据权利要求7所述的系统，其特征在于，所述资源切片包括：
每种请求业务的计算、存储和通信资源。9.根据权利要求7所述的系统，其特征在于，所述系统还包括：第一皮带机、第二皮带机和第三皮带机，所述第一皮带机设置于第二皮带机的上方，所述第二皮带机设置于第三皮带机的上方，所述第一皮带机的出料端安装有振动筛，所述振动筛位于第二皮带机的进料端的上方，所述第二皮带机上固定安装限位板，所述限位板与第二皮带机的传输带具有间隙，所述限位板和数据协同模块沿第二皮带机的传输方向依次设置。10.根据权利要求9所述的系统，其特征在于，所述系统还包括：斜槽，所述斜槽固定安装于第二皮带机的出料端，所述斜槽的最低端位于第三皮带机的进料端的上方，所述斜槽内开设有剔除口，所述斜槽于剔除口内并列安装有多个翻动板，所述剔除口的下方放置有收集槽。

技术总结
本申请提供一种烟草输送设备用杂物检测方法和系统，涉及烟草传输技术领域。方法包括：获取第一训练图像集；将第一训练图像集输入卷积神经网络模型进行训练，得到第一神经网络模型；基于参数共享策略，对第一神经网络模型进行参数共享，得到第二神经网络模型；基于预设剪枝策略，对第二神经网络模型进行剪枝，以得到稀疏网络模型；利用第二训练图像集，对稀疏网络模型进行训练，得到完成训练的卷积神经网络模型，以作为烟草杂物识别模型，烟草杂物识别模型用于检测待识别图像中是否存在杂物，如此，提高了烟草杂物检测的识别速度和识别精度，以满足烟草在皮带传输机上的传输速度。以满足烟草在皮带传输机上的传输速度。以满足烟草在皮带传输机上的传输速度。


技术研发人员：唐兵 罗钢印 邓胜勇 袁廷文 张海泉 陈颖 李飞宇 余兴华
受保护的技术使用者：重庆中烟工业有限责任公司
技术研发日：2023.04.10
技术公布日：2023/8/9