为提高卷烟质量评价过程中燃烧锥落头倾向的判断效率和准确性,构建了卷烟燃烧锥落头检测和分类识别模型.测试了100种市售卷烟的燃烧锥落头倾向,对收集的卷烟燃烧锥图像进行缺陷剔除、分类标注以及特征增强或减弱等处理后分别建立落头检测数据集和落头分类识别数据集;选取ResNet、MobileNet和ViT(Vision Transformer)作为主干网络建立3个深度神经网络模型,利用燃烧锥落头图像对模型进行训练,并采用精确率(P)、召回率(R)、f1分数以及模型容量对模型表现进行评估.结果表明:①3个模型均能较好地进行落头检测(模型损失值L<0.05,P>99％,R>99％),但Vi T模型在落头分类识别测试集上的损失值一直未能收敛,不适用于落头分类识别(P=86.05％,R=76.04％);②基于f1分数和模型容量优选出的MobileNet模型具有准确度高、运算速度快等优势,对落头检测和落头分类识别的平均精确率分别为99.64％和89.50％.该方法可为研究卷烟表观燃烧性能提供支持.

为快速、准确地识别叶丝、梗丝、膨胀叶丝、再造烟叶丝等烟丝类型,利用各类烟丝图像特征差异,以残差神经网络为基础构建了识别模型,并对模型的预训练权值、优化算法、学习率等超参数进行了研究,结果表明:①基于残差神经网络的识别方法可以有效识别4种类型烟丝,相比基于卷积神经网络的识别方法,模型具有更高的识别率、泛化能力与鲁棒性.②较优超参数对模型的训练速度及表现影响显著,通过训练得到的模型在测试集上的准确率及召回率均高于96％,且与训练集表现差异较小.该方法可为提高烟丝类型识别效率和准确性提供支持.

为解决人工鉴别真伪卷烟效率低、主观性强等问题,基于计算机视觉和机器学习建立了一种真伪卷烟包装鉴别模型.利用计算机视觉对卷烟包装进行图像处理和特征向量提取,分别以相似性度量模型、机器学习模型对特征向量进行分类并判定卷烟真伪.相似性度量模型采用曼哈顿距离模型进行分类,并对高斯双边滤波函数进行了参数优化;机器学习模型则以图像分块为基础,确定最优分块数量和面积.以"中华(软)""玉溪(软)""钻石(荷花)"3个卷烟品牌共603个真伪样品为对象,分别采用两种模型进行判定,结果表明:相似性度量模型在"玉溪(软)"样品测试集的准确率为96.17％;机器学习模型在"中华(软)""玉溪(软)""钻石(荷花)"3个样品测试集的准确率分别为98.99％、96.61％和100％.机器学习模型与相似性度量模型相比较,具有较好的迁移能力和鲁棒性,适用于卷烟真伪鉴别样品量大、品类多、图像复杂等情况.该方法可为提高真伪卷烟鉴别效率和准确率提供技术支持.