基于图像分类算法的自动化摘酒方法研究

基于图像分类算法的自动化摘酒方法研究白酒酿造业近十多年来持续致力于加大机械化生产的试点,并在摊晾等环节进行了部分机械化的改造。但由于上甑、摘酒等依赖人工判断的关键环节难以实现自动化生产,使得整个白酒机械化行业未能形成一个有机的整体,因此白酒酿造业整体仍处于半机械化水平。

其中的摘酒过程目前依旧以看花摘酒传统工艺为主。在白酒蒸馏过程中,酒液成分随着时间推移而产生变化,酒液从冷却器经过流酒管冲击到盛酒容器中形成大小和数量各异的酒花,摘酒工人根据酒花形态将酒液分为不同品质的基酒进行分开存储,该过程即称为看花摘酒。

该方法过于依赖摘酒工人的经验、自身水平和生产状态导致产量难以提升、劳动密集、产品质量不稳定且存在潜在的安全风险。各大酒厂目前也在积极进行自动化摘酒的研究以解决该问题,但目前尚缺少一种有效的自动化摘酒方法。

针对上述问题,本文利用图像采集设备对摘酒过程进行了采集,同时使用图像处理等方法,对采集到的酒花图像进行处理、分类和自动分段,并设计了一套自动化摘酒系统,从而避免了人工操作,以提高摘酒质量的稳定性。本文的主要工作和研究成果如下:1)本文通过分析酒花的人工分类方法、酒液成分不同所导致的酒花特性和酒液图像特征的变化,初步验证了看花摘酒的可行性。

本文以四川某白酒厂的风味白酒生产流程中的摘酒环节为研究对象,提出了基于图像处理和卷积神经网络的自动化摘酒方案。同时本文采集了大量的摘酒图像数据并让专业摘酒工人进行标注,该数据将作为摘酒数据集对分类算法进行训练和验证。

2)针对酒液和容器的分界面会不停波动,酒液透明导致边界难以提取等因素,

本文提出了一种面向自动化摘酒的基于椭圆曲线检测的酒液前景提取方法。该方法能够在诸多摘酒生产线和历次摘酒中有效地提取到酒液前景,减少背景信息的干扰并减少数据的存储量和计算量。

3)为了能够对酒花图像进行准确地分类并保证算法的泛化性和高效性,本文提出了基于酒花特征的随机图像块裁剪方法,并参考[ncept ion网络设计和训练了针对摘酒的灰值Vini-Incception分类网络。用酒花图像数据集对该分类算法进行测试,取得了 97.9%的分类准确率。

4)在对摘酒图像处理和分类研究的基础上,本文设计了一套针对摘酒流程的自动化系统。同时本文提出了衡量摘酒系统的性能指标,运用具有代表性的样本图像流进行模拟测试,摘酒分段算法的平均时间误差为1.02s,证明了该系统具有较高地分类准确率和分段实时性。