陕西中烟工业有限责任公司宝鸡卷烟厂 陕西 宝鸡 721013

1 卷积神经网络工作原理及组成

卷积神经网络实现图像分类的原理可用“盲人摸象”这一成语进行概况，即使用多个过滤器（卷积核）从多个维度对原始图像的特征进行采集，并将采集到的特征进行集成最终实现图像分类。卷积神经网络由卷积层、池化层、全连接层、正则化方法组件组成。卷积层实现对原始图像特征的提取，构成多个特征图；池化层对原始图像的特征图进行下采样降维处理，提高效率；全连接层将特征图转换为一维向量，便于目标函数的运算实现分类；正则化方法提高分类模型的泛化能力，减小过拟合，实现较高的分类准确率。在模型训练过程中，将预测值与真实类别标签值的误差反向传播至网络各层，各层级根据实际误差调整参数，反复进行训练，最终得到较高的图像分类准确率模型[1]。

2 烟梗异物剔除系统的硬件实现

基于卷积神经网络的烟梗异物剔除系统的工作原理为：使用全局快门工业相机对运动中的烟梗物料图像进行采集，AI工控机利用卷积神经网络分类模型对采集到的图像进行推理分类，以辨别图像中是否含有异物。如果含有异物，AI工控机中的程序控制继电器、电磁阀、气缸，打开振动输送机下方的翻板门，将异物排出，实现异物的剔除。其中全局快门相机实现整个系统的图像采集，需调整曝光时间等参数，以减少图像中存在的拖影。AI工控机中存放训练好的分类模型，及运行调用分类模型的程序，以实现图像的采集分类。可使用Modbus网络连接AI工控机及继电器，使用相应编程语言实现AI工控机控制继电器。根据振动输送机运行特点，可采用活塞式双作用气缸，实现对翻板门的开闭控制[2]。

3 烟梗异物剔除系统的软件实现

烟梗异物剔除系统的软件实现主要是利用卷积神经网络构建分类模型，在本案例中，使用Python编程语言的Keras包进行分类模型的构建。在构建分类模型前，需进行不含杂物物料和含杂物物料的图像采集。在正常生产过程中，使用全局快门工业相机采集不含杂物物料和含杂物物料的图像各10000张。采集完成后，在计算机上建立目录，存放图像。在计算机上建立名为base的目录，在base目录下建立train和test两个子目录，分别用于存放训练集图像和测试集图像。在实际生产环境中，可收集到的图像有限，可考虑使用图像增强技术扩充训练集和测试集。以Keras为例，可利用ImageDataGenerator类实现数据集的扩充，并实现将数据集图片从base目录导入模型进行训练。

数据集构造完成后，便可进行模型的搭建。可考虑从两个方面建立模型，一是自定义卷基层、池化层等构建分类模型；二是利用预训练网络构建分类模型，例如使用VGG16、Xception、MobileNet等。笔者倾向于选择利用预训练网络构建分类模型，该方式对于较小数据集可构建高准确率分类模型。使用预训练网络构建分类模型时需注意，只需使用预训练网络的卷积基即可，根据案例的实际情况，开发人员需自行添加全连接层。

模型构建完成后，需设置编译参数，包括优化器的选择、损失函数的确定、指定评估方法。

由于使用预训练网络构建分类模型，在第一次训练过程中，可使用imagenet数据集中的参数，即冻结所使用的预训练网络卷积基所有层中的参数，只对全连接层参数进行训练。第一次训练结束后，在此基础上，冻结预训练网络卷积基部分层的参数，对剩余层参数进行训练，目的是使得得到的分类模型更好的应用于实际案例中。

由于使用的预训练网络为深层卷积神经网络，所以在训练过程中一般不会出现欠拟合的情况。为了防止过拟合情况的出现，可在各全连接层后添加随机失活层。随机失活在一定程度上缓解了神经元之间复杂的协同适应效应，降低了神经元之间的依赖程度，避免了网络过拟合的发生。

4 结束语

通过以上思路，可得到分类模型文件。可利用Python语言编写程序加载分类模型文件，并对工业相机采集到的图像进行分类，结合分类结果和简单的条件判断语句实现异物的剔除。