随着烟草行业的快速发展,企业订单数不断增多,为了提高企业的物流管理效率,许多烟草企业采用了自动化或半自动化的烟条分拣、配送系统。现有的烟条分拣系统存在准确性不足的问题,若订单发生错误,不仅会影响烟草企业及客户的经济利益,也会严重影响烟草企业的信誉、形象。采用人工的方法核对烟条分拣结果,效率低下且难以实现,因此烟条订单准确性核对技术成为重要的研究方向。使用图像采集装置获取传动平台视频数据,通过图像分类与识别技术实现烟条订单自动核对具有重要的研究意义。本文针对分拣传动平台进行烟条的分类与识别算法设计,主要研究内容如下:(1)研究了图像预处理相关理论,包括RGB颜色空间、彩色图像灰度化、图像形态学处理、仿射变换理论。针对无烟传动平台图像颜色分布特点,提出了逐像素颜色非均匀光照矫正处理方法,有利于更准确的区分烟条与非烟条区域。(2)研究了基于阈值的图像分割、基于边缘的图像分割以及基于区域的图像分割算法。根据传动平台背景像素相似,烟条之间像素多变,但都与背景像素区别较大的特点,进行背景差分阈值分割,区分无烟区域和有烟区域。(3)研究了深度学习相关理论。介绍了常见的深度神经网络模型,包括深度信念网络、循环神经网络、卷积神经网络;并详细介绍了卷积神经网络的基本结构,包括卷积层、激活函数、池化层、损失函数;最后介绍了用于神经网络优化的相关方法。(4)研究了传动平台烟条分割方法,使用背景差分阈值分割获得二值图像,进行形态学处理,提高分割的完整性;提取连通域的近似多边形曲线,得到一系列轮廓的拐点;根据烟条的形状、尺寸、位置信息,拟合轮廓拐点,得到烟条四个顶点信息。统计分割结果,确认通过的条烟数量,并对分割结果进行仿射变换,供烟条分类使用。测试数据上召回率为99.75%,准确率为100%。(5)研究了深度学习中的图像分类模型、基于卷积神经网络的烟条分类,包括直接训练卷积神经网络的方法,以及将ImageNet数据集训练好的参数,迁移到烟条分类任务的方法。由于烟条的形状固定,为了保持更多的信息,将网络输入图像由正方形更改为长方形,相应的全连接层参数也进行调整。迁移学习的方法在验证集上获得了100%的准确率,证明了该算法的有效性。