摘要
为实现卷烟纸燃烧时燃烧线的准确识别，构建了常见应用场景下的卷烟纸燃烧线数据集。针对检测背景复杂、多目标、燃烧线尺度不一且形状各异的难题，将并行混合注意机制嵌入了YOLO v5主干网络，构建了PHAM-YOLO网络模型用于卷烟纸燃烧线的检测。采用特征金字塔快速池化、边界盒回归等方法提升了卷烟纸燃烧线的定位准确性。结果表明，对于卷烟纸燃烧线数据集， PHAM-YOLO网络检测平均精度均值、精度和召回率分别为99.0%、99.8%和99.0%，其中平均精度均值比原始模型提高了5.0%，高于其他类型的目标检测方法。
卷烟纸是为数不多的主动参与燃烧的纸张，燃烧性能是卷烟纸最关键的指标，在卷烟纸燃烧性能的检测过程中，卷烟纸燃烧匹配性、包灰性能等的评价均依赖于燃烧线的准确定
随着深度学习技术与计算机计算能力的进步，深度学习目标检测方法被广泛应用于各种场景的缺陷检
BACST600卷烟燃烧灰烬特征参数测量仪、CFP800A 卷烟燃烧锥落头倾向测试仪、FBS00卷烟自由燃烧测量仪（自带图像自动采集和处理软件），以上仪器均由合肥众沃仪器技术有限公司提供；深度学习训练使用NVIDIA GTX 2080Ti显卡，美国英伟达公司。
本研究分别采集3种场景下细支、中支和常规卷烟的燃烧图像组成数据集，数据集一共包含1200张图片，包含卷烟包灰图像500张、卷烟燃烧锥落头倾向图像200张、卷烟自由燃烧图像500张，数据集的典型图像见
图1 (a)卷烟包灰性能测试图；(b)卷烟落头倾向测试图；(c)卷烟自由燃烧测试图
Fig. 1 Cigarette paper burning line detection dataset images of cigarette ash performance test(a); cigarette falling tendency test(b); cigarette free burning test (c)
数据标注使用LabelImg软件对训练集数据进行人工标注，标注数据严格按照公开数据集PascalVOC格式进行制作，标注文件为xml格式。
YOLO（you only look once）指只需要浏览1次就可以识别出图中的物体的类别和位置的网络模型。目前该模型已发展到第7代（YOLO v7），常用的仍是较为稳定的YOLO v5网络模型。
本研究针对卷烟包灰、燃烧锥落头、自由燃烧3个场景下卷烟纸燃烧线的图像特征，在YOLO v
图2 PHAM-YOLO网络模型结构
Fig. 2 Architecture of the PHAM-YOLO network
本研究采用金字塔快速池化（SPPF）模块连续固定卷积核，对输入特征图进行快速池化以融合不同感受野的特征图并提高特征图的表达能
模型训练的目的是通过机器学习算法和大量的训练数据，使得模型能够准确地识别图像中的物体类别和位置。通过训练，模型可以学习到不同物体的特征和位置信息，从而对新的图像进行准确的识别。
在Ubuntu18.04 LTS 64位操作系统下，采用Python3.7和Pytorch1.5框架进行训练。使用PHAM-YOLO网络在1.3中构建的数据集上进行训练和验证，网络的训练参数如下：迭代次数epochs设置为500，图像尺寸imgsz设置为640像素×640像素×3像素，初始学习率设置为0.01，最终学习率设置为0.001，权值衰减weight decay设置为0.000 5，采用SGD优化算法，训练batchsize设置为16。
按照T/SAITA 001—2021《人工智能 计算机视觉系统测评规范》的要求，对模型的性能进行了评价。
为了验证改进之处对模型性能的影响，本研究以原始的YOLO v5为基线网络，使用EIOU loss损失函数代替CIOU loss损失函数、添加PHAM注意力机制和使用SPPF模块代替SPP模块，进行消融实验。各更改项的消融实验结果如
| 原始网络 | EIOU | PHAM | SPPF | P | R | mAP |
|---|---|---|---|---|---|---|
| YOLO v5 | × | × | × | 94.5 | 94.1 | 94.0 |
| √ | × | × | 95.0 | 95.2 | 95.8 | |
| × | √ | × | 99.1 | 98.7 | 98.5 | |
| × | × | √ | 95.3 | 95.8 | 95.5 | |
| √ | √ | √ | 99.8 | 99.0 | 99.0 |
为了进一步验证PHAM-YOLO网络针对卷烟燃烧线检测的有效性，分别选取了目前主流目标检测算法YOLO v3、YOLO v4、SSD、Faster R-CNN及YOLO v5进行对比，结果如
| 模型 | P | R | mAP |
|---|---|---|---|
| YOLO v3 | 84.3 | 84.5 | 84.2 |
| YOLO v4 | 87.2 | 86.9 | 87.4 |
| SSD | 93.5 | 93.2 | 93.7 |
| Faster R-CNN | 79.8 | 79.1 | 79.3 |
| YOLO v5 | 94.5 | 94.1 | 94.0 |
| PHAM-YOLO | 99.8 | 99.0 | 99.0 |
图3 常规、细支卷烟的燃烧线检测效果图
Fig. 3 Combustion line detection results of conventional and thin cigarette
注 (a)自由燃烧测试；(b)落头倾向测试；(c)包灰性能测试。
针对目前卷烟包灰性能、燃烧锥落头倾向及卷烟阴燃速率的测试中卷烟纸燃烧线检测存在的问题，本研究通过构建卷烟纸燃烧线检测数据集，采用多种表征手段对数据集进行表征，有效地提高了卷烟纸的燃烧线检测的科学性。
3.1 通过嵌入的并行混合注意机制（PHAM）、采用特征金字塔快速池化、边界盒回归等方法能够提升模型的性能，3个模块融合后模型的平均精度均值提高了5.0个百分点。
3.2 所提出的PHAM-YOLO网络检测平均精度均值、精度和召回率分别为99.0%、99.8%和99.0%，均高于其他类型的目标检测方法。
3.3 在3种应用场景下，模型只有1%的概率将目标判断为背景，基于PHAM-YOLO网络模型的卷烟纸燃烧线检测方法能够适用于多场景下燃烧线的准确检测。
参 考 文 献
雀 静， 鲁红昌， 刘 明， 等. 碳酸钙形态对卷烟纸透气性能和凝灰性能的影响［J］. 中国造纸， 2021， 40（10）： 128-132. [百度学术]
QUE J， LU H C， LIU M， et al. Effect of Calcium Carbonate Forms on the Air Permeability and Ash Condensation Performance of Cigarette Paper［J］. China Pulp & Paper， 2021， 40（10）： 128-132. [百度学术]
李 赓， 丁海燕， 孙 军， 等. 改善卷烟纸包灰效果的研究［J］. 中国造纸， 2012， 31（8）： 32-35. [百度学术]
LI G， DING H Y， SUN J， et al. Study on Improvement of Cigarette Ash Packing Effect［J］. China Pulp & Paper， 2012， 31（8）： 32-35. [百度学术]
张 莹， 詹建波， 缪明明， 等. 卷烟纸对卷烟凝灰性能的影响分析［J］. 中国造纸， 2017， 36（7）： 44-47. [百度学术]
ZHANG Y， ZHAN J B， MIAO M M， et al. Evaluation and Analysis of Ash Condensation Performance of Cigarette Paper［J］. China Pulp & Paper， 2017， 36（7）： 44-47. [百度学术]
王孝峰， 张 劲， 李延岩，等. 卷烟燃烧速率与其包灰性能关系分析［J］. 烟草科技， 2021，54（10）：70-76. [百度学术]
WANG X F，ZHANG J，Ll Y Y，et al. Correlation between burning rate and ash integrity of lit cigarettes［J］. Tobacco Science & Technology， 2021， 54（10）： 70-76. [百度学术]
穆 林，惠建权，陶世春，等.卷烟燃烧锥形态参数测定及与燃烧速度间的关系［J］.中国烟草学报， 2019， 25（1）： 25-32. [百度学术]
MU L， HUI J Q，TAO S C，et al. Shape parameters of cigarette burning cone and the relationships with burning rate ［J］. Acta Tabacaria Sinica ， 2019，25（ 1）：25-32. [百度学术]
许 蛟， 王 浩， 王 涛， 等. 机械手仿真及全视觉卷烟燃烧包灰检测设备的系统设计［J］. 新型工业化， 2021， 11（5）： 136-138. [百度学术]
XU J， WANG H， WANG T， et al. Manipulator simulation and full visual cigarette burning ash detection equipment system design［J］. The Journal of New Industrialization， 2021， 11（5）： 136-138. [百度学术]
冯亚婕， 王建民， 梁 淼， 等. 基于ImageJ的卷烟包灰值定量测定方法优化［J］. 食品与机械， 2018， 34（3）： 216-219. [百度学术]
FENG Y J， WANG J M， LIANG M， et al. Optimization of the quantitative determination method of the burning cigarette ash integration based on ImageJ ［J］. Food & Machinery， 2018， 34（3）： 216-219. [百度学术]
董 浩， 王 澍， 周明珠， 等. 卷烟表观燃烧性能质量状况分析［J］. 烟草科技， 2022， 55（4）： 70-78. [百度学术]
DONG H， WANG S， ZHOU M Z， et al. The overall status of combustion cone characteristics of domestic cigarettes［J］. Tobacco Science & Technology， 2022， 55（4）： 70-78. [百度学术]
NI H G， WANG M Z， ZHAO L Y. An improved faster R-CNN for defect recognition of key components of transmission line［J］. Mathematical Biosciences and Engineering， 2021， 18（4）： 4679-4695. [百度学术]
JIA B， RONG J A， WEI L A， et al. High precision detection algorithm based on improved Retina Net for defect recognition of transmission lines［J］. Energy Reports， 2020， 6： 2430-2440. [百度学术]
李志诚，曾志强.基于改进YOLO v3的卷纸包装缺陷实时检测算法［J］.中国造纸学报，2022，37（2）：87-93. [百度学术]
LI Z C， ZENG Z Q. Real-time Defect Detection Algorithm for Roll Paper Packaging Based on Improved YOLO v3［J］. Transactions of China Pulp and Paper，2022，37（2）：87-93. [百度学术]
高震宇， 王 安， 董 浩， 等. 基于卷积神经网络的烟丝物质组成识别方法［J］. 烟草科技， 2017， 50（9）： 68-75. [百度学术]
GAO Z Y， WANG A， DONG H， et al. Identification of tobacco components in cut filler based on convolutional neural network ［J］. Tobacco Science & Technology， 2017， 50 （9）： 68-75. [百度学术]
单宇翔，龙 涛，楼卫东， 等. 基于深度学习的复杂场景中卷烟烟盒检测与识别方法［J］.中国烟草学报，2021，27（5）：71-80. [百度学术]
SHAN Y X， LONG T， LOU W D， et al. A detection and recognition method of cigarette cases in complex scene based on deep learning ［J］. Acta Tabacaria Sinica， 2021，27 （5）： 71-80. [百度学术]
Ultralytics. Yolo v5. ［EB/OL］ （2021-09-21）［2023-06-09］. https：//github.com/ultralytics/yolov5. [百度学术]
HOU Q B， ZHOU D Q， FENG J H. Coordinate Attention for Efficient Mobile Network Design［J］. arXiv， DOI：10.48550/arXiv.2103.02907. [百度学术]
QIU M L， HUANG L， TANG B H. ASFF-YOLO v5： Multielement Detection Method for Road Traffic in UAV Images Based on Multiscale Feature Fusion［J］. Remote Sensing，DOI：10.3390/rs14143498. [百度学术]
YU J， JIANG Y， WANG Z， et al. UnitBox： An advanced object detection network［J］. ACM，DOI：10.1145/2964284.2967274. [百度学术]
REZATOFIGHI H， TOSI N， GWAK J， et al.. Generalized intersection over union： A metric and a loss for bounding box regression［J］ IEEE， DOI：10.1109/CVPR.2019.00075. [百度学术]
ZHENG Z H， WANG P， LIU W， et al. Distance-IOU Loss： Faster and Better Learning for Bounding Box Regression［J］.arXiv， DOI：10.1609/aaai.v34i07.6999. [百度学术]
ZHANG Y F， REN W Q， ZHANG Z， et al. Focal and efficient IOU loss for accurate bounding box regression［J］. Neurocomputing， DOI： 10.1016/j.neucom.2022.07.042. CPP [百度学术]