为进一步提高烟草厂商对香烟小包外观检测的效率,提出了基于Faster RCNN深度学习的人工智能系统方案。该方案将机器视觉与人工智能图像识别以及ICT技术相结合,突破了传统检测算法原理的局限性,提升了烟包外观检测的精度,降低了误检率。经测试,一般缺陷检出率高于99%,严重缺陷100%检出,误检率低于0.01%,有效提升了香烟包装品质。

针对目前烟草行业高速小盒烟包生产过程中出现的外观缺陷等问题，设计了一种小盒烟包外观质量检测系统。首先对系统进行总体方案设计，确定系统工作流程；其次对系统进行图像采集、信号处理、图像处理与显示模块的硬件设计，并通过对烟包图像进行多种算法综合处理，有效定位并识别烟包多种外观质量缺陷；最后进行在线实时检测验证。实验表明，该系统稳定可靠性强，检测精度高、速度快，适用性强，易于安装维护。

为解决目前烟草行业小盒烟包外观检测装置误检率高、稳定性能差、操作界面繁琐等问题,设计了一种新型的小盒烟包外观检测系统。该系统选用稳定的LED光源和具有超高速曝光技术的工业相机,获取高质量、高清晰度的随皮带高速运动的小盒烟包图像。软件上,采用Windows操作系统,上层应用软件采用VC＋＋编程,辅之以图像处理技术,并设计友好的人机操作界面,实现产品实时统计、商标识别和缺陷小盒烟包剔除功能。实验表明,该装置兼具适用性和易用性,系统稳定,易于维护。