基于深度学习的烟包识别与分类

目的 提取烟包图像数据训练深度学习目标检测模型,提升烟包流水线拣包效率和准确性。方法 基于深度学习建立一种烟包识别分类模型,对原始YOLOv3模型进行改进,在原网络中加入设计的多空间金字塔池化结构(M–SPP),将64×64尺度的特征图下采样与32×32尺度的特征图进行拼接,并去除16×16尺度的预测特征层,提高模型的检测准确率和速度,并采用K–means++算法对先验框参数进行优化。结果 实验表明该目标检测模型平均准确率达到99.68%,检测速度达到70.82帧/s。结论 基于深度学习建立的图像识别分类模型准确率高且检测速度快,有效满足烟包流水线自动化实时检测。

试论烟草行业的数字化转型与创新

疫情防控常态化形势下,传统卷烟签收方式问题凸显,影响烟草的流通及其行业的发展。随着智慧物流建设的不断深入,通过“互联网+烟草”建立互联互通、人性化、精准化的卷烟营销、卷烟交付模式,有助于烟草的流通与稳定。本文构建动态感知的卷烟配送“数智签收”服务新模式,通过设置距离预警确保人、货、时间、地点的一致性,实现零售户、送货员、卷烟订单、配送运单系统化。应用推广证明该系统规范了送货作业,加强了过程控制,改善了服务体验,极大提高了企业的经济效益。