基于坐标注意力机制增强的CenterNet模型在烟草甲检测中的应用

通过在CenterNet模型中引入坐标注意力机制,使CAM-CenterNet模型更多地关注对烟草甲(Lasioderma serricorne)(以下简称烟虫)表征能力好的通道和位置,降低烟丝、烟末等杂质的干扰,将精确率(Precision)、召回率(Recall)、平均精度(mAP)、每秒帧率(FPS)以及模型参数量(Params size)作为评价指标,对CAM-CenterNet模型、CenterNet模型、YOLOv3模型和Faster R-CNN模型的烟虫检测性能进行对比。结果表明,在召回率和平均精度方面,YOLOv3模型表现最好,CAM-CenterNet模型稍落后于YOLOv3模型,但高于其他模型;在帧率方面,CAM-CenterNet模型检测烟虫图像的速度较YOLOv3模型更快,且模型参数量更少,对设备配置要求更低。在检测个体较小的烟虫时,CAM-CenterNet模型的烟虫检出数量高于Faster R-CNN模型、YOLOv3模型。CAM-CenterNet模型不仅能更多地关注烟虫目标特征,而且能很好地抑制烟丝、烟末等杂质带来的干扰,实现烟虫的有效检测。CAM-CenterNet模型能满足卷烟厂对烟虫检测速度和精度的要求,可以为烟厂的烟虫整治提供技术支持。

基于AR技术的5G智慧工厂培训系统的设计及实现

在卷烟厂中存在一些如空压机等重要设备,需要保持持续的运行状态。无法在现实中对设备安装和拆卸,员工只能通过理论和图纸等间接的方式对设备进行学习。伴随基于AR技术的引入,设备在虚拟系统中进行模拟还原,使得员工在虚拟系统中实现了直观的对设备模拟拆解、故障分析等操作,便于员工对设备和设备故障等方面的学习。并通过AR技术与5G网络的结合,使得员工可以随时随地通过AR设备进行设备状态查看和学习。这提升了员工在无实体设备下培训的效率和操作设备的熟练度,同时也为工厂在数字化和智能化方面提供了参考。