Echtzeit-Bewertung der Ordnung der Ausrichtung von geschnittenem Tabak mit einem verbesserten Einstufig-Regressionsmodell

Zusammenfassung

Ein verbessertes einstufiges Regressionsmodell wurde entwickelt, um in Echtzeit die Ordnung der Ausrichtung von Tabakgeschnitten zu erkennen. Der Ansatz integriert drei strukturelle Optimierungen und eine maßgeschneiderte Orientierungsprognosemethode, um die Erkennungsgenauigkeit zu verbessern und gleichzeitig Modellparameter und Rechenkomplexität zu reduzieren und so eine effiziente Bewertung der Ausrichtung von geschnittenem Tabak in industriellen Produktionsumgebungen zu ermöglichen.

Zusammenfassung

Die Ordnung im Schnitttabak, definiert als die Ausrichtungskonsistenz von Tabak entlang der Zigarettenachse, ist ein entscheidender Faktor für die Optimierung der Produktionsqualität. Eine genaue und automatisierte Bewertung dieses Grundstücks bleibt aufgrund komplexer Strängstrukturen und variabler Bildbedingungen eine Herausforderung. Ein verbessertes einstufiges Regressionsmodell wurde entwickelt, um eine zuverlässige Erkennung der Ordnung der Ausrichtung von geschnittenem Tabak zu ermöglichen. Der Ansatz beinhaltet drei architektonische Modifikationen: eine multifrequente interaktive Abtastmethode zur Erhaltung von Merkmalsinformationen, eine dreifache komplementäre Fusionsstrategie zur Verbesserung der mehrskaligen Merkmalsrepräsentation und einen dynamischen Detektionskopf zur Verbesserung der Lokalisierung über verschiedene Skalen hinweg. Zusätzlich wird eine benutzerdefinierte Orientierungsvorhersagemethode implementiert, um die Ausrichtungsordnung zu quantifizieren. Das Modell wird auf einem industriellen Bilddatensatz ausgewertet und erreicht eine durchschnittliche Genauigkeit von 89,9 %, eine Genauigkeit von 90,6 % und einen Rückruf von 88,7 %. Im Vergleich zum Basismodell reduziert der vorgeschlagene Ansatz die Modellparameter um 30,8 % (von 2,6 Millionen auf 1,8 Mio.) und die Rechenkomplexität um 21,5 % (von 6,5G auf 5,1G), während die Leistung verbessert wird. Insgesamt ermöglicht die Methode eine effiziente und genaue Beurteilung der Ordnung der Ausrichtung von Schnitttabak und demonstriert die Eignung für industrielle Anwendungen in Echtzeit.

Einleitung

Die Ordnung des geschnittenen Tabaks bezieht sich auf den Grad der axialen Ausrichtung des geschnittenen Tabaks innerhalb einer Zigarette. Das Verständnis der Faktoren, die diese Eigenschaft beeinflussen, wie Tabakmorphologie und pneumatische Förderparameter, ist entscheidend für die Optimierung der Schneide- und Montageprozesse. Daher ist die Untersuchung dieser einflussreichen Faktoren zu einer Schlüsselstrategie für Tabakunternehmen geworden, die darauf abzielen, Kosten zu senken und die Produktionseffizienz zu verbessern. Die traditionelle Beurteilung der Ordnung im Tabakgeschnitten basiert auf manuellen Methoden, die ineffizient sind und oft an Konsistenz und Genauigkeit fehlen. Daher besteht in der Branche ein dringender Bedarf an einem automatisierten, präzisen und Echtzeit-Erkennungssystem zur Optimierung der Produktionsprozesse. Mit dem raschen Fortschritt des Deep Learning ist eine automatisierte Bewertung der Ordnung von Tabakgeschnitten auf Basis von Objekterkennung möglich geworden. Die Implementierung solcher Bewertungssysteme an Produktionslinien bleibt jedoch ein weitgehend unerforschtes Forschungsthema. Dennoch wurde maschinelle Visionstechnologie erfolgreich auf Inspektionsaufgaben in anderen Bereichen^{angewandt 1} und liefert wertvolle Referenzen für diese Studie. In diesem Zusammenhang sind Detektoren auf Basis von Convolutional Neural Network (CNN) als dominierendes Paradigma hervorgegangen und werden allgemein in zweistufige Ansätze wie Faster R-CNN² und einstufige Frameworks wie die You Only Look Once (YOLO) Serie ^3,4 eingeteilt.

In den letzten Jahren haben Deep-Learning-basierte Objekterkennungsalgorithmen, insbesondere das Faster R-CNN-Framework, in verschiedenen Bereichen ein erhebliches Potenzial gezeigt. Ihre direkte Anwendung auf spezifische industrielle und berufliche Szenarien ist jedoch oft durch komplexe Betriebsumgebungen und besondere Aufgabenanforderungen eingeschränkt. Daher wurden zahlreiche maßgeschneiderte Verbesserungen vorgeschlagen, um diese Herausforderungen zu bewältigen. In der medizinischen Bildanalyse konzentrierten sich Su et ^al.5 beispielsweise darauf, Parameter zu optimieren und Netzwerkarchitekturen zu verfeinern, um die Erkennungsgenauigkeit kleiner, kritischer Ziele bei der Erkennung von Lungenknoten zu verbessern. Bei der industriellen Fehlererkennung adressierten Chen et ^al.6 Texturinterferenz bei der Gewebeinspektion, indem sie Gabor-Filter – optimiert durch genetische Algorithmen – in das Faster R-CNN-Backbone integrierten, um komplexe Hintergründe effektiv zu unterdrücken. Um die Herausforderungen von Datenknappheit und Umweltkomplexität bei der Unterwasser-Zielerkennung zu überwinden, führten Zeng et ^al.7 ein adversariales Okklusionsnetzwerk ein. Dieses Netzwerk konkurriert während des Trainings mit dem Detektor, zwingt das Modell dazu, robustere Merkmale zu erlernen und so Überanpassungen zu mindern. Darüber hinaus verbesserten Li et ^al.8 für feinkorrelierte Abrufaufgaben wie die Identifikation spezifischer Instanzen Faster R-CNN durch Merkmalschicht-Konkatenation und Feinabstimmungsstrategien, wodurch die Leistung bei niedrig aufgelösten Bildern deutlich verbessert wurde. Wang et ^al.9 schlugen kürzlich ein Faster R-CNN-Framework vor, das die Privatsphäre mit mehreren Parteien schützt und sichere Berechnungen auf verschlüsselten Bildern und Modellparametern durch neuartige Protokolle für sichere Division, Exponentiation und Logarithmus ermöglicht. Sun et ^al.10 zeigten die Wirksamkeit eines verbesserten Faster R-CNN bei der Erkennung mehrerer Defekttypen an Radnaben, wobei eine höhere durchschnittliche Genauigkeit (mAP) als R-CNN und YOLOv3 erreicht wurde. Zusammen unterstreichen diese Bemühungen die fortschreitende Entwicklung von Faster R-CNN hin zu größerer Anpassungsfähigkeit, Robustheit und Anwendbarkeit in unterschiedlichen realen Szenarien. Parallel zu diesen Fortschritten bei zweistufigen Detektoren haben auch einstufige Rahmenwerke wie die YOLO-Serie eine erhebliche Weiterentwicklung erfahren.

Als prominente Alternative zu zweistufigen Detektoren hat die YOLO-Serie sowohl in der Industrie als auch in der Forschung aufgrund ihrer effizienten Architektur und exzellenten Echtzeit-Erkennungsleistung große Anerkennung erlangt. Seit der Einführung des Erstgenerationsmodells durch Redmon et ^al.11im Jahr 2016 haben aufeinanderfolgende Iterationen verschiedene technische Einschränkungen schrittweise adressiert, was Forscher dazu veranlasst hat, spezialisierte Anpassungen für domänenspezifische Anwendungen zu entwickeln. In Verkehrsüberwachungssystemen beispielsweise implementierten Jamtsho et ^al.12 YOLOv2 in Kombination mit einem Schwerpunktverfolgungsalgorithmus, um Kennzeichen von Motorradfahrern ohne Helm in Videostreams genau zu identifizieren, wodurch Fehlalarme effektiv reduziert und eine hohe Erkennungsrate von 98,52 % erhalten bleibt. Für herausfordernde Unterwasserumgebungen entwickelten Neelamegam et ^al.13 ein YOLO-Transformer-Hybridmodell, das die Echtzeit-Detektionsfähigkeit von YOLO mit transformatorbasierten Aufmerksamkeitsmechanismen für ein verbessertes kontextuelles Verständnis integriert. Durch die Integration von Echtzeit-IoT-Sensordaten zu Umweltfaktoren wie Trübung und Lichtniveau passt sich das Modell dynamisch an veränderte Bedingungen an, erreicht eine Erkennungsgenauigkeit von 97,5 % und übertrifft konventionelle Modelle in lauten, wenig sichtbaren Szenarien. Ähnlich schlugen Zhang et ^al.14 ein verbessertes YOLO-Modell für Fernerkundungsanwendungen vor. Um Herausforderungen unzureichender Merkmalsdarstellung und Hintergrundverwirrung zu bewältigen, führten sie spezialisierte Module für Merkmalserweiterung, Mehrskalenfusion und globale Kontextwahrnehmung ein, die die Genauigkeit der Erkennung kleiner Objekte deutlich verbessern. Zusammen zeigen diese Studien die kontinuierliche Entwicklung der YOLO-Serie hin zu größerer Anpassungsfähigkeit, Robustheit und Wirksamkeit in verschiedenen realen Szenarien.

Trotz dieser Fortschritte sind neuere Versionen der YOLO-Familie, wie YOLOv11³, nicht von Natur aus für die spezifischen texturlichen und strukturellen Komplexitäten von Schnitttabak in industriellen Umgebungen optimiert. Ihre standardmäßigen Downsampling-Verfahren können zum Verlust feinkörniger Merkmale führen, die entscheidend sind, um Alignment von ungeordnetem geschnittenem Tabak zu unterscheiden. Darüber hinaus haben ihre fest dimensionierten Detektionsköpfe Schwierigkeiten, die multiskalige Natur von Tabakmerkmalen unter unterschiedlichen Bildgebungsbedingungen effektiv zu bewältigen.

Um diese Herausforderungen zu bewältigen, schlägt dieses Papier ein verbessertes einstufiges Regressionsmodell auf Basis von YOLOv11n vor, kombiniert mit einer maßgeschneiderten Orientierungsprognosemethode, um eine robuste Online-Erkennung der Ordnung im Tabak zu gewährleisten. Die Hauptbeiträge dieses Artikels sind dreifach. (1) Eine Multifrequenz-Interaktive Downsampling-Methode (MFID) wird vorgeschlagen. Standard-Strided-Faltungs- oder Pooling-Operationen verwerfen feinkörnige Informationen, während MFID Merkmale explizit in Nieder- und Hochfrequenzkomponenten mittels der Haar-Wavelet-Transformation zerlegt. Dieser Ansatz bewahrt mehr Originalinformationen und mindert Informationsverluste während des Downsamplings. (2) Eine Methode der dreifachen komplementären Fusion (TCF) ist darauf ausgelegt, die Merkmalsqualität zu verbessern, indem sie flache, mittlere und tiefe semantische Informationen fusioniert. Obwohl einfache Verkettungs- oder Additionsoperationen häufig für Merkmalsfusionen verwendet werden, führt TCF eine mittelschichtgesteuerte gewichtete Fusion mit umgekehrten Gewichtszweigen ein und erreicht so Komplementarität zwischen semantischen und detaillierten Informationen. (3) Ein dynamischer Detektionskopf (DynamicHead) wird eingeführt, um den ursprünglichen Detektionskopf zu ersetzen. Der ursprüngliche Detektionskopf basiert auf festen Faltungsoperationen; im Gegensatz dazu integriert DynamicHead skalierungsbewusste, räumliche und aufgabenbewusste Aufmerksamkeitsmechanismen. Dies ermöglicht eine dynamische Anpassung der Merkmalsbedeutung sowie eine flexiblere und effektivere Multiskal-Funktionsfusion, wodurch die Fähigkeit des Modells verbessert wird, ordnungsbezogene Merkmale genau zu lokalisieren und zu klassifizieren.

Protokoll

Diese Studie umfasste weder menschliche Probanden noch Wirbeltiere oder regulierte Gewebe; daher war keine ethische Genehmigung oder eine Genehmigung des institutionellen Prüfungsausschusses erforderlich. Der in dieser Studie verwendete Datensatz stammt von Longyan Tobacco Industry Co., Ltd. Die Bilder wurden über einen Zeitraum von drei Monaten aus fünf unabhängigen Produktionschargen gesammelt. Die Stichproben wurden zufällig zu verschiedenen Tageszeiten (morgens, nachmittags und abends) durchgeführt, um natürliche Schwankungen in den Produktionsbedingungen zu erfassen. Der Datensatz enthält Proben mit einem Tabakfeuchtebereich von 12 % bis 18 %, Schneidgeschwindigkeiten von 1,5, 2,0 und 2,5 m/s sowie pneumatischen Förderdrücken von 0,4, 0,5 und 0,6 MPa, wodurch die Abdeckung der typischen Produktionsbedingungen gewährleistet ist.

Datensatzerfassung und -einrichtung
Hardware-Konfiguration
Das Bildaufnahmesystem wurde so konfiguriert, dass es die Anforderungen zur Erkennung der Ordnung von geschnittenem Tabak in Zigaretten ohne Wärme zu verbrennen erfüllte. Sie bestand hauptsächlich aus einer Industriekamera, einer Industrielinse, einer Lichtquelle und einer industriellen Steuereinheit. Das System verwendete eine MV-CH120-10GC Industriekamera, kombiniert mit einem MVL-KF0818M-12MP Industrieobjektiv, um hochauflösende Bilder der Tabakregion auf der Oberfläche geschnittener Zigarettenstangen aufzunehmen. Die Kamera war in einem Arbeitsabstand von 150 mm von der Oberfläche der Zigarettenstange positioniert. Die LED-Lichtquelle des Streifens war koaxial mit der Kamera in einem Abstand von 80 mm zum Ziel montiert, mit einem Einfallswinkel von 45°. Die Bildgebung erfolgte in einem matt-schwarzen Gehäuse, um Umgebungslichtstörungen zu eliminieren. Das Gehäuse ist eine matt-schwarz lackierte Aluminiumhaube mit Innenmaßen von 400 mm (Breite) × 350 mm (Tiefe) × 300 mm (Höhe) und Innenflächen mit matt-schwarzer Farbe (Reflexion < 5 % bei 550 nm) beschichtet, um innere Reflexionen zu minimieren und gleichmäßige Lichtverhältnisse zu gewährleisten. Um Bildqualität und -konsistenz sicherzustellen, wurde eine MV-LRDS-H-95-30-W Lichtquelle verwendet, um eine stabile Beleuchtungsumgebung zu schaffen und so die Auswirkungen von Umgebungslichtvariationen auf die Extraktion und Orientierungserkennung von Tabaksträngen zu minimieren. Die aufgenommenen Bilder wurden von einem PC1010-AX360 Industriecomputer empfangen, verarbeitet und gespeichert, der auch nachfolgende Erkennungsalgorithmen, Ergebnisberechnungen und Schnittstellenausgaben durchführte. Es wurde keine explizite Kamerakalibrierung oder Verzerrungskorrektur durchgeführt, da die industrielle Kamera- und Objektivkombination eine vernachlässigbare radiale Verzerrung (weniger als 0,5 % an den Bildrändern) im Sichtfeld von 896 × 1600 Pixeln aufwies. Kamera und Lichtquelle waren starr auf einem festen Rahmen montiert, um die Positionsstabilität während der Bildaufnahme zu gewährleisten. Die Lichtquellenintensität wurde während der gesamten Bildaufnahme konstant gehalten. Das Sichtfeld wurde so konfiguriert, dass es den freiliegenden Bereich des geschnittenen Tabaks innerhalb der Stahltragstruktur vollständig abdeckt.

Einstellung von Kameraparametern
Die Bildaufnahme wurde ausgelöst, und Bilder wurden aufgenommen, nachdem die Musterzigarette positioniert, zerschnitten und dann im JPG-Format gespeichert wurde. Um die Konsistenz der aufgenommenen Bilder zu gewährleisten, wurden die Aufnahmeparameter manuell eingestellt. Konkret wurde die Bildauflösung auf 896 × 1600 gesetzt. Die Belichtungszeit war zunächst auf 4000 μs eingestellt und konnte je nach Vororthelligkeit innerhalb eines Bereichs von 3000 bis 6000 μs fein abgestimmt werden. Alle Parameterabstimmungen wurden mit der Probe durchgeführt, die im oben beschriebenen matte-schwarzen Gehäuse unter vollständig kontrollierten Lichtverhältnissen platziert wurde. Während der Abstimmung war kein externes Umgebungslicht vorhanden, da das Bildgebungssystem in einer vollständig geschlossenen Umgebung mit ausgeschaltetem Raumlicht arbeitete. Die Verstärkung wurde zunächst auf 2 dB eingestellt und im Bereich von 0 bis 6 dB basierend auf dem Rauschpegel gesteuert. Der Gamma-Wert wurde auf 0,8 gesetzt und der Weißabgleich mit festen Parametern konfiguriert. Die endgültigen Aufnahmeparameter wurden wie folgt gesetzt: Belichtungszeit = 4000 μs, Verstärkung = 2 dB, Gamma = 0,8, Weißabgleichsmodus = fest, Bildauflösung = 896 × 1600 Pixel und Bildformat = JPG. Für den Weißabgleich wurde der Festparametermodus verwendet. Die Kalibrierung erfolgte mit einer standardmäßigen weißen Referenzkarte (X-Rite ColorChecker), die an der Probenposition platziert wurde. Die roten und blauen Kanalgewinne wurden angepasst, bis die RGB-Werte der weißen Karte innerhalb einer Abweichung von ±2 % ausgeglichen waren. Nach der Kalibrierung wurden die Weißabgleichsparameter wie folgt festgelegt: roter Gewinn = 1,2, grüner Gewinn = 1,0 (fest) und blauer Gewinn = 1,5. Die Kalibrierung erfolgte einmal nach jedem Systemstart oder wenn die Lichtquelle Anzeichen von Alterung zeigte, die Farbtemperaturabweichungen verursachen könnten. Diese Einstellungen halfen, klare Grenzen des geschnittenen Tabaks und eine stabile Helligkeitsverteilung zu gewährleisten und gleichzeitig die Verarbeitungsanforderungen für die anschließende Tabakstrangsegmentierung, Orientierungsberechnung und Ordnungsanalyse zu erfüllen.

Bildersammlung
Die Bildaufnahme richtete sich auf den Bereich des geschnittenen Tabaks, der nach dem Schneiden auf der Oberfläche von Hitze-nicht-verbrennenden Zigarettenstangen freiliegt. Während der Erkennung wurde die Zigarettenprobe zunächst an die Inspektionsstation geliefert, wo ihre Position und Haltung durch den Probenpositionierungsmechanismus angepasst und festgelegt wurden. Der Positionierungsmechanismus besteht aus einer pneumatischen Klemme mit V-förmigen Ausrichtungsführungen. Das System erreicht eine Positionswiederholbarkeit von ±0,5 mm über 1000 aufeinanderfolgende Zyklen, wie durch Laserverschiebungssensormessungen bestätigt wird. Anschließend wurde das äußere Umwicklungsmaterial durch den Schneidmechanismus stabil durchschnitten, wodurch der oberflächengeschnittene Tabak vollständig im Sichtfeld des Sehsystems freigelegt wurde. Es wurde eine kreisförmige rotierende Klinge (Durchmesser 50 mm, Dicke 0,3 mm, Material aus Hochgeschwindigkeitsstahl) verwendet. Die Schnitttiefe wurde auf 1,5 mm mit einer Drehzahl von 300 U/min eingestellt. Die Schnittkonsistenz wurde durch eine Rückkopplung des linearen Encoders überwacht, wobei die Dickenvariation innerhalb von ±0,05 mm aufrechterhalten wurde. Sobald die Probenposition stabil und der Bildbereich klar definiert war, wurde die Bildaufnahme mit der Industriekamera unter stabiler Lichtquelle durchgeführt. Insgesamt wurden 634 Bilder gesammelt; typische Bilder sind in Abbildung 1 dargestellt. Der Datensatz umfasst drei Tabakdichtestufen (niedrig, mittel, hoch; etwa 180, 220 und 260 mg/cm^³), Strängorientierungen von −180° bis 180° sowie Lichtverhältnisse von normaler Beleuchtung bis zu schwachen Randbedingungen. Die Beleuchtungsstärke wurde mit einem kalibrierten digitalen Lux-Messgerät (TA8133, Genauigkeit ±3 %) gemessen, wobei der Sensor an der Probenoberfläche positioniert war. Der gemessene normale Beleuchtungsbereich beträgt 200–800 Lux, bereitgestellt durch die LED-Lichtleiste innerhalb der geschlossenen Haube, ohne dass Umgebungslicht austritt. Der untere Endwert (etwa 200 Lux) stellt einen Randfallzustand dar, der durch das Dimmen der Lichtquelle zur Bewertung der Modellrobustheit erzeugt wird. Zusätzlich ist in etwa 30 % der Bilder eine partielle Okklusion von Tabaksträngen (zwischen 10 % und 50 %) vorhanden. Diese Variationen spiegeln eine echte Vielfalt der Produktionslinien wider.

Abbildung 1. Repräsentative Rohbilder von geschnittenem Tabak, aufgenommen vom Sehsystem. (a–h) Repräsentative Beispiele von Rohbildern von geschnittenem Tabak, die unter industriellen Feldbedingungen mit dem Bildaufnahmesystem aufgenommen wurden. Die Bilder wurden mit einer Auflösung von 896 × 1600 Pixel unter kontrollierter Beleuchtung mit einer Lichtstreifenquelle aufgenommen, um eine gleichmäßige Helligkeit zu gewährleisten und Umwelteinflüsse zu minimieren. Diese Bilder veranschaulichen Variationen in der Verteilung, Dichte und Ausrichtung der Tabakstränge vor der Modellverarbeitung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Bildannotation
Mit dem Open-Source-Tool LabelImg wurden Begrenzungsboxen um sichtbar geschnittenen Tabak- und Stahlstützelemente gezeichnet. Der korrekte Winkel wurde als Beschriftung für jede Begrenzungsbox zugewiesen. Die horizontale Achse (0°) wurde als Rechtsrichtung parallel zur Bildunterkante definiert. Für jeden Tabakstrang wurde die Winkelmessfunktion des Annotationsinstruments verwendet, um eine Linie entlang der Hauptachse des Strangs zu zeichnen. Der Winkel wurde als Winkel zwischen dieser Achse und der horizontalen Referenz (Bereich: −180° bis 180°) aufgezeichnet. Anmerkungen wurden im Standard-Einstufigkeits-Erkennungsformat gespeichert, wobei zu jedem Bild eine TXT-Datei gehörte. Jede .txt Datei enthält Zeilen, die wie folgt formatiert sind: class_id x_center y_center Breite Höhe. Die Koordinaten werden zu [0,1] relativ zu den Bilddimensionen normalisiert. Klasse 0 = Tabakfaden, Klasse 1 = Stahlstütze. Das Winkel-Label wird als sechste Spalte in der Annotation .txt Datei gespeichert und nach den fünf Standard-YOLO-Feldern angehängt. Das genaue Format pro Zeile ist: class_id x_center y_center Breite, Höhenwinkel. Der Winkelwert wird in Grad als Gleitkommazahl von −180,0 bis 180,0 gespeichert, mit zwei Dezimalstellen (z. B. 45,75). Beispielzeile: 0 0,5230 0,4170 0,0850 0,0620 38,25.

Qualitätskontrolle
Ein zweiter Annotator überprüfte zufällig ausgewählte 20 % der annotierten Bilder. Die Zufallsauswahl erfolgte mit der random.sample()-Funktion aus der Python-Zufallsbibliothek mit einem festen Zufallsseed von 2024. Eine Liste aller Bilddateinamen wurde erstellt, und 20 % der Bilder wurden ohne Ersatz mit diesem geseedeten Zufallszahlengenerator gesampelt, um eine reproduzierbare Auswahl über wiederholte Qualitätskontrollverfahren hinweg sicherzustellen. Etwaige Unstimmigkeiten wurden besprochen und behoben, um die Konsistenz der Bezeichnung sicherzustellen. Die Übereinstimmung zwischen den Annotatoren wurde mittels Winkelabweichung bewertet: Die mittlere absolute Differenz zwischen den Winkelbeschriftungen der beiden Annotatoren betrug 2,8° (Standardabweichung = 1,5°). Anmerkungen mit Abweichung >5° wurden überprüft und abgestimmt.

Einstufiges Regressionsmodell zur Ordnungserkennung von geschnittenem Tabak
Die Erkennung der Ordnung der Schnitttabakausrichtung ist entscheidend, um sowohl den Herstellungsprozess als auch die Endproduktqualität in der Zigarettenproduktion zu verbessern. Diese Inspektionsaufgabe steht jedoch vor mehreren Herausforderungen, darunter überlappendes geschnittenes Tabak, kleine Zielgrößen und ungleichmäßige Beleuchtung, die alle die Erkennungsgenauigkeit und Robustheit beeinträchtigen. Ein verbessertes einstufiges Regressionsmodell auf Basis von YOLOv11n wird zur Online-Erkennung der Ordnung von geschnittenem Tabak verwendet. Das vorgeschlagene Framework identifiziert genau die morphologischen Merkmale von geschnittenem Tabak während der Bildung von Zigarettenstangen, was eine zuverlässige Erkennung der Ausrichtungsregelmäßigkeit ermöglicht und gleichzeitig Genauigkeit, Robustheit und Echtzeitverarbeitungsfähigkeit verbessert. Die Gesamtkonfiguration des vorgeschlagenen einstufigen Regressionsrahmens ist in Abbildung 2 dargestellt.

Abbildung 2. Gesamtarchitektur des vorgeschlagenen einstufigen Regressionsmodells. Das Diagramm zeigt die gesamte Netzwerkstruktur, einschließlich Rückgrat, Hals und Detektionskopf. Das Backbone extrahiert Multiscale-Features und integriert Multifrequency Interactive Downsampling (MFID)-Module, um Feature-Informationen zu erhalten. Der Hals integriert Funktionen mithilfe der Triple Complementary Fusion (TCF)-Strategie für eine verbesserte mehrstufige Darstellung. Der Detektionskopf verwendet das DynamicHead-Modul, das skalierungsbewusste (π_L), räumlich bewusste (π_S) und aufgabenbewusste (π_C) Aufmerksamkeitsmechanismen integriert, um die Lokalisierungs- und Klassifikationsleistung zu verbessern. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Multifrequenz-Informations-Downsampling-Modul (MFID)
Im Backbone-Netzwerk von YOLOv11 führt die Faltungsoperation mit einem Schritt von 2 Downsampling durch das Überspringen von Pixeln durch. Dieser Prozess verwirft direkt die Hälfte der räumlichen Informationen, was zum Verlust hochfrequenter Details (z. B. Kanten und Texturen kleiner Objekte) und erheblichem Informationsverlust für kleine Ziele führt. Darüber hinaus verwerfen die Max-Pooling- und Average-Pooling-Operationen im Backbone auch detaillierte Informationen innerhalb von Objektregionen, glatte Features und führen zu Rauschen ein, was sich alle negativ auf das Merkmalslernen auswirkt.

Um diese Probleme zu lösen, wird ein MFID-Modul eingeführt, inspiriert vom Konzept der Wavelet-Hierarchiezerlegung^15,16. Dieses Modul zerlegt zunächst Merkmale in zwei komplementäre Teile mittels der Haar-Wavelet-Transformation: niederfrequente Hintergrundinformationen, die die Klassifikation verbessern, und hochfrequente Details reich an Kanten und Texturen, die die Erkennung kleiner Ziele verbessern. Um die Wahrnehmung kleiner Ziele weiter zu stärken, integriert das MFID-Modul zwei zusätzliche Zweige: einen Max-Pooling-Zweig, der Translationsinvarianz nutzt, um feinkörnige Merkmale kleiner Ziele zu erhalten, und einen Strided-Convolution-Zweig, der lernbare Parameter nutzt, um eine stärkere Repräsentationskapazität und eine reichere Informationszusammensetzung zu erreichen. Durch diese Multibranch-Struktur erhält das MFID-Modul während des Downsampling vollständigere räumliche und frequenzbezogene Informationen. Die Architektur des MFID-Moduls ist in Abbildung 3 dargestellt.

Abbildung 3. Struktur des MFID-Moduls. Das MFID-Modul trennt Eingangsmerkmale mithilfe einer Haar-Wavelet-Transformation in Niederfrequenz- und Hochfrequenzkomponenten, um während des Downsamplings kritische strukturelle Informationen zu erhalten. H_LL bezeichnet die niederfrequente Approximationskomponente, während H_LH, H_HL und H_HH hochfrequente Detailkomponenten in horizontaler, vertikaler bzw. diagonaler Richtung darstellen. Das Symbol 2↓ weist auf zweifache Downsampling hin. Merkmalskarten mehrerer Zweige werden durch Verkettungs- und Sperrmechanismen verschmolzen, um die Merkmalsrepräsentation zu verbessern. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Während des Downsamplings wird das Bild mithilfe der Haar-Wavelet-Transformation zerlegt, die wegen ihrer Einfachheit und Effizienz bei der Zerlegung von Nieder- und Hochfrequenzmerkmalen verwendet wird und so für Echtzeit-Erkennungsaufgaben geeignet ist. H_L und H_H bezeichnen jeweils die Tiefpass- bzw. Hochpass-Zerlegungsfilter und werden verwendet, um niederfrequente und hochfrequente Informationen aus dem Bild zu extrahieren. Die Wavelet-Basisfunktion und die Skalierungsfunktion für eine einstufe, eindimensionale Haar-Transformation werden mit Gleichung 1 wie folgt definiert:

(1)

Die Haar-Basisfunktion wird mit Gleichung 2 wie folgt definiert:

(2)

Hier bezeichnen die Parameter j und k jeweils den Skalierungskoeffizienten und die Translationsmenge der Haar-Basisfunktion. Konkret wird die Nullordnungs-Haar-Basisfunktion mit Gleichung 3 wie folgt definiert:

(3)

In Abbildung 3 bezeichnet das Symbol 2↓ das zweifache Downsampling. Eine zweistufige Haar-Wavelet-Dekomposition ergibt vier Komponenten: die Niederfrequenz-Näherung (H_LL) und die hochfrequenten Detailkomponenten in horizontaler (H_LH), vertikaler (H_HL) und diagonaler (H_HH) Richtung. Die_{H-LL-Komponente} überträgt Kontur-, Hintergrund- und globale Informationen, während die Hochfrequenzkomponenten (H_LH, H_HL und H_HH) Kanten-, Textur- und feinkörnige Merkmale erfassen.

Die Hochfrequenzkomponenten H_LH, H_HL und H_HH, die nach zweifacher Abtastung erhalten werden, werden durch die Concat-Operation verkettet, wodurch die multidirektionalen Detailinformationen integriert werden, um die integrierten Hochfrequenzdetailinformationen zu erzeugen, wie in Gleichung 4 gezeigt.

(4)

Anschließend wird die sekundäre Informationsfusion auf dem Max-Pooling-Zweig durchgeführt, um detaillierte Features mit globalen Features zu integrieren und so rekonstruierte Informationen zu erzeugen, wie in Gleichung 5 gezeigt, die einen breiteren Satz relevanter Features integriert und hochfrequente detaillierte Informationen für eine verbesserte Merkmalsrepräsentation wiederverwendet.

(5)

Anschließend wird ein Gating-Mechanismus eingesetzt, um den Informationsfluss dynamisch zu regulieren, und der wird genutzt, um die Identifikation kleiner Zielmerkmale innerhalb des Bereichs zu steuern, wobei nützliche Merkmale erhalten bleiben und gleichzeitig inhärente nutzlose Rauschstörungen unterdrückt werden. Der Gating-Mechanismus ist definiert als: Gating (x) = Linear_2(ReLU(Linear_1(x))), wobei Linear_1 die Kanaldimension um einen Reduktionsfaktor von 4 reduziert und Linear_2 sie auf die ursprüngliche Kanaldimension zurücksetzt. Der Ausgang des Gating-Mechanismus wird durch eine Sigmoid-Aktivierung geleitet, um Modulationsgewichte im Bereich [0,1] zu erzeugen. Die lernbaren Parameter umfassen die Gewichtsmatrizen und Bias-Terme beider linearen Schichten, die mittels einheitlicher Initialisierung initialisiert werden. Dies stellt sicher, dass detaillierte und kritische Merkmalsinformationen richtig ausbalanciert und genutzt werden, sodass das endgültige detaillierte Merkmal wie in Gleichung 6 dargestellt wird.

(6)

Schließlich werden die Schritt-Faltungs-Downsampling-Informationen, der niederfrequente Vektor und das abschließende detaillierte Merkmal mittels Concat verkettet, um die Interaktion mit dem Abtasten des Merkmals über mehrere Dimensionen und Frequenzbänder zu erweitern, wie in Gleichung 7 gezeigt.

(7)

Aktions-Implementierungsschritte
Moduldefinition
Ein benutzerdefiniertes PyTorch-Modul namens MFID sollte in den Modelldefinitionsdateien des Projekts definiert werden. Die Implementierung dieses Moduls besteht aus vier parallelen Pfaden: (1) Wavelet-Transformation: Eine zweistufige Dekomposition wird auf die Eingangsfeature-Abbildung mit vordefinierten Haar-Wavelet-Filtern angewendet, wodurch eine Niederfrequenz-Approximationskomponente und hochfrequente Detailkomponenten in horizontaler, vertikaler und diagonaler Richtung erzeugt werden, danach werden die drei Hochfrequenzkomponenten miteinander verkettet; (2) Max-Pooling: Max-Pooling wird auf die Eingabe angewendet, um wichtige Merkmale zu erhalten; (3) Strided Convolution: Standard-Downsampling wird durch eine Faltungsschicht mit einem Schritt von 2 durchgeführt; (4) Merkmalsrekonstruktion und Fusion: Zunächst werden die hochfrequenten Informationen, die aus der Wavelet-Transformation gewonnen werden, mit den Merkmalen des Max-Pooling-Zweigs fusioniert; anschließend wird ein von den niederfrequenten Informationen gesteuerter Gating-Mechanismus eingesetzt, um feinkörnige Merkmale zu filtern; Schließlich werden die verarbeiteten feinkörnigen Merkmale, niederfrequenten Komponenten und Strided Convolution-Ausgaben verkettet, um die endgültige heruntergemusterte Merkmalskarte zu erhalten.

Bearbeitung von Konfigurationsdateien
Die Basismodell-Konfigurationsdatei (config.yaml) sollte geöffnet werden. Alle Fälle von Standard-Downsampling-Modulen sowohl im Backbone- als auch im Nackennetzwerk sollten systematisch identifiziert werden. Jeder identifizierte Downsampling-Modul-Eintrag sollte dann durch das MFID-Modul ersetzt werden.

Designmotivation
Das MFID-Modul ist darauf ausgelegt, Informationsverluste bei Standard-Downsampling-Operationen zu mindern, was besonders nachteilig für die Erkennung kleiner Objekte ist. Sein Kernkonzept ist von der hierarchischen Zerlegung der Wellenstücke inspiriert. Indem es niederfrequente globale Informationen explizit von hochfrequenten Details im Bild trennt und entsprechend verarbeitet, stellt das Modul sicher, dass kritische Textur- und Kantenmerkmale während des Downsamplings erhalten bleiben. Die Einbeziehung von Max-Pooling- und Strided-Convolution-Zweigen erfasst und ergänzt Merkmale aus komplementären Perspektiven – insbesondere Übersetzungsinvarianz versus lernbare Repräsentation. Durch Multibranch Fusion bietet das Modul nachfolgenden Netzwerkschichten eine informativere und robustere Darstellung von Multifrequenzmerkmalen. Alle nicht spezifizierten architektonischen Parameter und Schichtkonfigurationen folgen den Standardimplementierungseinstellungen des YOLOv11n-Frameworks innerhalb von PyTorch.

Dreifach-Kreuz-Funktions-Fusionsmodul (TCF)
In der Phase der Halsfunktionsfusion der YOLOv11-Netzwerkarchitektur wird typischerweise eine einfache Verkettungsoperation verwendet, um Merkmalskarten gleichen Maßstabs zusammenzuführen. Dieser direkte Ansatz hat jedoch klare Einschränkungen: Erstens berücksichtigt er nicht vollständig semantische Unterschiede zwischen Merkmalen auf verschiedenen Ebenen; Zweitens macht das Fehlen expliziter Modellierung von Interkanal-Korrelationen kleine Zielmerkmale anfällig für Verdünnung oder Verlust während der Fusion, was die Erkennungsleistung beeinträchtigt. Um diese Probleme zu lösen, wird eine interaktivere Fusionsmethode, das sogenannte TCF-Modul, eingeführt¹⁷. Diese Methode verwendet eine mehrstufige progressive Fusionsstrategie, die den Informationsfluss durch Querschichtübertragung zur Erkennung kleiner Ziele lenkt. Es integriert außerdem zusätzliche nichtlineare Operationen, um tiefebene Informationen über Skalen hinweg zu erforschen und so die Verschmelzung von Multiscale-Features zu verbessern. Im Gegensatz zu herkömmlichen Modulen, die auf einfache Addition oder durchschnittliche Fusion setzen, verfolgt TCF einen gewichteten Fusionsansatz. Dies ermöglicht es, auf jeder Ebene detaillierte Informationen adaptiv zu erlernen, die Informationsgewinnungswege dynamisch zu optimieren und sich auf die diskriminierendsten Merkmale zu konzentrieren, was letztlich die Erkennungsgenauigkeit verbessert. Die Architektur des TCF-Moduls ist in Abbildung 4 dargestellt.

Abbildung 4. Struktur des TCF-Moduls. Das TCF-Modul führt mehrstufige Merkmalsfusionen über flache, mittlere und tiefe Schichten durch, um die Darstellung kleiner Ziele zu verbessern. P repräsentiert Eingabemerkmale auf verschiedenen Ebenen. Conv bezeichnet Faltungsoperationen, Upsample zeigt Merkmal-Upsampling an und AdaptiveAvgPool steht für adaptives Average Pooling. Das Modul integriert kalibrierte Funktionen durch gewichtete Fusion und Interaktion zwischen mehreren Schichten, um die semantische und räumliche Komplementarität zu verbessern. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Bei der Objekterkennung unterscheiden sich die Informationen im tiefen Schicht-Merkmal P_i+1 und im flachen Schicht-Merkmal P_i-1 erheblich. Um die Verschmelzung von Ebenenübergreifenden Informationen zu verbessern, wird die mittlere Ebene P_i als abschließende Merkmalsfusionsschicht eingeführt, um die Unterschiede zwischen Merkmalsinformationen auf verschiedenen Ebenen auszugleichen.

Zunächst werden die Eingabeinformationen der flachen, mittleren und tiefen Schichten mit der Sigmoid-Aktivierungsfunktion verarbeitet, um gewichtete Merkmale , , und zu erzeugen, die dazu dienen, Schlüsselmerkmale zu stärken und redundante zu schwächen, wie in Gleichung 8 gezeigt.

(8)

Zweitens werden die Eingabeinformationen der flachen, mittleren und tiefen Schichten elementweise mit den abgebildeten gewichteten Merkmalen multipliziert, um kalibrierte Merkmale , , und , wie in Gleichung 9 gezeigt, zu erzeugen. Die Bedeutung der Merkmale wird dynamisch über den Gewichts-Aufmerksamkeitsmechanismus angepasst, wodurch eine adaptive Merkmalsauswahl und Neukalibrierung erreicht wird.

(9)

In der Phase der Fusion der Merkmale der mittleren Schicht werden zwei Äste mit umgekehrtem Gewicht genutzt, um mit den kalibrierten flachen und tiefen Schichtmerkmalen zu fusionieren, wobei die falschen Detailinformationen, die durch Rauschen in den flachen Strukturen induziert werden, und die verzerrten semantische Informationen in den tiefen Schichtmerkmalen herausgefiltert werden. Anschließend werden die Multibranch-Informationen integriert, und die ursprünglichen Features, kalibrierten Features und interaktiven Features dieser Ebene sowie die kalibrierten flachen und tiefen Schichtmerkmale werden miteinander verschmolzen. Dies erreicht die Erhaltung und Ergänzung von multiskaligen Feature-Informationen, mindert Probleme von Verlust und Fehleinschätzungen bei kleinen Zielinformationen und liefert schließlich mittelschichtige verschmolzene Features , die mit Gleichung 10 wie folgt formuliert sind:

(10)

Die Assoziationen zwischen der flachen Schicht, der tiefen Schicht und der mittleren Schicht werden separat hergestellt, wie in den Gleichungen 11 und 12 gezeigt.

(11)

(12)

Schließlich werden die Ausgaben der drei Merkmalsfusionspfade über die Concat-Operation miteinander verkettet, um die Merkmalsunabhängigkeit jedes einzelnen Pfades zu erhalten. Schlüsselinformationen aus jedem Pfad werden dynamisch basierend auf den Gewichten α, β und γ gelernt, die als lernbare skalare Parameter definiert sind, die auf 1.0 initialisiert und während des Trainings durch Backpropagation optimiert werden, was eine dynamische Ausgleichung von Beiträgen aus flachen, mittleren und tiefen Merkmalspfaden ermöglicht. Darüber hinaus werden konvolutionelle Operationen eingesetzt, um kontextuelle Informationen zu aggregieren, inkohärente Feature-Grenzantworten durch schichtübergreifende Verkettung zu eliminieren und die Erfassung sowie verfeinerte Darstellung von Details mit kleinen Zielen zu optimieren. Der Prozess wird mit Gleichung 13 wie folgt formuliert:

(13)

Aktions-Implementierungsschritte
Moduldefinition
Ein benutzerdefiniertes PyTorch-Modul namens TCF sollte in den Modelldefinitionsdateien des Projekts definiert werden. Dieses Modul nimmt als Eingabe die flachen Schicht-, Mittelschicht- und Tiefschicht-Feature-Karten, die aus verschiedenen Stufen des Backbone-Netzwerks extrahiert wurden. Sein interner Verarbeitungsfluss besteht aus drei Hauptschritten: (1) Feature-Kalibrierung: Die Sigmoid-Funktion wird auf jede der drei Eingabefeature-Schichten angewendet, um Gewichtskarten zu erzeugen, die dann elementweise mit den ursprünglichen Merkmalskarten multipliziert werden, um wichtige Merkmale zu verbessern und redundante zu unterdrücken; (2) Interaktive Fusion: In der Phase der Fusion der Merkmale der mittleren Schicht werden zwei Äste mit umgekehrtem Gewicht eingeführt, die mit den kalibrierten flachen bzw. tiefen Schichtmerkmalen fusionieren, wobei falsche Detailinformationen, die durch Rauschen in den flachen Strukturen induziert werden, sowie verzerrte semantische Informationen in den tiefen Schichtmerkmalen herausfiltern; (3) Multipath-Aggregation: Die ursprünglichen Features, kalibrierten Features, interaktive Features sowie Features, die mit flachen und tiefen Informationen fusioniert sind, werden integriert, woraufhin konvolutionelle Operationen angewendet werden, um inkohärente Feature-Boundary-Reaktionen durch Schichtüberschreitung zu eliminieren, was letztlich fusionierte Features mit reicher Multiskal-Information erzeugt.

Bearbeitung von Konfigurationsdateien
Die Modellkonfigurationsdatei (config.yaml) sollte geöffnet werden. Die Feature-Fusion-Abschnitte im Halsnetzwerk – insbesondere die Schichten, in denen Features aus verschiedenen Phasen des Backbone-Netzwerks fusioniert sind – sollten sich befinden. An diesen Positionen sollten die ursprünglichen einfachen Verkettungsoperationsschichten durch einen Aufruf des TCF-Moduls ersetzt werden, um sicherzustellen, dass die Moduleingänge korrekt mit den entsprechenden flachen, mittleren und tiefen Merkmalen verbunden sind.

Designmotivation
Das Design des TCF-Moduls ist durch die Herausforderungen der Informationsungleichheit und des Informationsverlusts während der Feature-Fusion motiviert. Flache Merkmale sind detailreich, enthalten aber erhebliche Störungen, während tiefe Merkmale eine starke Semantik, aber eine geringe Auflösung aufweisen. Um dem entgegenzuwirken, führt das TCF-Modul eine Funktion der mittleren Ebene als Informationsbalancer ein und integriert sorgfältig gestaltete Kalibrierungs-, Interaktions- und Aggregationspfade, um die komplementären Vorteile von ebeneübergreifenden Funktionen zu maximieren. Die zugrundeliegende Motivation ist es, einen effektiveren Fusionsmechanismus zu etablieren, der in der Lage ist, die Bedeutung von Merkmalen auf jeder Ebene dynamisch zu bewerten und Informationen selektiv zu integrieren. Dadurch erzeugt es eine hochwertige Merkmalsrepräsentation für den nachfolgenden Detektionskopf, die sowohl detailreich als auch semantische Informationen ist und sich besonders für die Erkennung kleiner Objekte eignet.

DynamicHead-Modul
Die Detektionskopfkomponente erfüllt den grundlegenden Zweck, Multiscale-Objekterkennung bei Feature-Darstellungen durchzuführen, die vom Backbone und Feature-Fusionsnetzwerken generiert werden. Dieser Prozess ermöglicht eine genaue räumliche Lokalisierung detektierter Objekte, eine kategoriale Zuordnung und Zuverlässigkeitsschätzung von Begrenzungsbox-Vorhersagen. Angesichts der erheblichen Größenunterschiede der Zielmerkmale in visuellen Daten und der dichten Konzentration von Begrenzungs-Box-Vorschlägen in bestimmten Frames erfordert eine präzise Identifikation von geschnittenem Tabak die Analyse von Multiscale-Mustern. Um dies zu beheben, verwendet die Methode die DynamicHead-Architektur¹⁸ als Ersatz für den nativen Detektionskopf in YOLOv11n und etabliert ein Selbstbeobachtungsframework, das skalierungsbewusste, räumliche und aufgabenbewusste Mechanismen integriert, um sowohl die Erkennungsfähigkeit als auch die operative Effizienz zu verbessern. Die strukturelle Konfiguration der DynamicHead-Komponente ist in Abbildung 5 dargestellt.

Abbildung 5. Struktur des DynamicHead-Erkennungsmoduls. Das DynamicHead-Modul integriert drei sequentielle Aufmerksamkeitsmechanismen: skalenbewusst (π_L), räumlich bewusst (π_S) und aufgabenbewusst (π_C). Diese Komponenten passen die Merkmalsbedeutung dynamisch über Skalen, räumliche Regionen und Detektionsaufgaben hinweg an. Dieses Design verbessert sowohl die Lokalisierungsgenauigkeit als auch die Klassifikationsleistung, indem es adaptive Feature-Verfeinerungen im Detektionskopf ermöglicht. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Diese Architektur besteht aus drei spezialisierten Aufmerksamkeitseinheiten: skalenbewusste (π_L), räumlich bewusste (π_S) und aufgabenbewusste (π_C) Komponenten. Der skalenbewusste Aufmerksamkeitsmechanismus (π_L) mittelt zunächst die Eingabefeature-Karte über räumliche und Kanaldimensionen. Das Ergebnis wird durch eine lineare Projektionsschicht geleitet, gefolgt von einer Hard-Sigma-Aktivierung, um Skalengewichte zu erzeugen, die dann elementweise mit der ursprünglichen Merkmalskarte multipliziert werden. Der räumlich bewusste Aufmerksamkeitsmechanismus (π S) verwendet deformierbare_Faltung mit K = 9 spärlich ausgewählten Abtastpunkten. Es sagt für jeden Stichprobenpunkt Offsetvektoren Δpk und Modulationsskalare Δm_k voraus und aggregiert dann die betasteten Merkmale, um räumliche Aufmerksamkeitsgewichte zu erzeugen. Der aufgabenbewusste Aufmerksamkeitsmechanismus (πC) wendet eine lernbare lineare Transformation auf jeden Kanal unabhängig an, wobei zwei Parametersätze verwendet werden (α¹, β¹ und α², β²). Es wählt die maximale Antwort zwischen den beiden transformierten Darstellungen, um Features dynamisch für Klassifikations- und Regressionsaufgaben anzupassen. Schließlich werden diese drei Aufmerksamkeitsmechanismen sequentiell auf die Eingabefeature-Abbildung angewendet, als F_out = πC(πS(πL(F) · F) · F) · F. Der skalenbewusste Mechanismus verwendet maßstabsgetreue Merkmalsgewichtung, um Multiresolution-Darstellungen adaptiv zu kombinieren und so die Modellempfindlichkeit gegenüber dimensionalen Variationen zu verfeinern. Die räumlich bewusste Komponente implementiert regionale Betonungsgewichtung innerhalb von Merkmalsabbildungen, lenkt den rechnerischen Fokus auf Vordergrundentitäten und unterdrückt irrelevante Hintergrundinterferenz. Gleichzeitig moduliert das aufgabenbewusste Modul dynamisch die Ausgabedarstellungen für spezifische Ziele und verfeinert sowohl Klassifikations- als auch Regressionsergebnisse, um die Modellgenauigkeit und operative Robustheit zu stärken. Das rechnerische Verfahren ist in den Gleichungen 14–17 formalisiert.

(14)

(15)

(16)

(17)

Hier bezeichnet W_L(F) die aufmerksamkeitsangereicherte Merkmalsrepräsentation, während π_L(F), π_S(F) und π_C(F) skalierende, räumliche und aufgabenorientierte Aufmerksamkeitsoperationen entsprechen. Die Transformation f stellt eine lineare Projektionsschicht dar, σ(x) steht für die Hard-Sigma-Aktivierungsverarbeitung, K spezifiziert die Anzahl der spärlich ausgewählten räumlichen Punkte, p_k+Δp_k führt Positionsanpassungen zur Betonung diskriminierender Bereiche ein, Δm_k stellt ein trainierbares Signifikanzmaß für den räumlichen Punkt p_k dar, und α(F) sowie β(F) sind lernbare parametrische Funktionen, die Aktivierungsschwellenwerte steuern. Unter ihnen ist K in allen Experimenten auf 9 gesetzt, da dieser Wert eine ausreichende räumliche Abdeckung bietet und gleichzeitig die Recheneffizienz aufrechterhält.

Aktions-Implementierungsschritte
Moduldefinition
Ein benutzerdefiniertes PyTorch-Modul namens DynamicHead sollte in den Modelldefinitionsdateien des Projekts definiert werden. Die Implementierung dieses Moduls besteht aus drei nacheinander angewandten Aufmerksamkeitseinheiten: (1) Skalenbewusste Aufmerksamkeit: Merkmalschichten auf unterschiedlichen Skalen werden dynamisch mit lernbaren Parametern gewichtet; (2) räumlich-bewusste Aufmerksamkeit: Basierend auf dem Konzept der deformierbaren Faltung konzentriert sich diese Einheit auf spärliche, aber diskriminierende räumliche Orte innerhalb der Merkmalskarten; (3) Aufgabenbewusste Aufmerksamkeit: Aktivierungsschwellenwerte werden dynamisch erlernt, um Merkmalsrepräsentationen für Klassifikations- bzw. Regressionsaufgaben zu optimieren. Diese drei Aufmerksamkeitsmechanismen werden sequentiell auf die Eingabe-Feature-Pyramide angewendet und erzeugen letztlich Merkmale zur Vorhersage. Alle Module wurden mit Standard-PyTorch-Operationen implementiert, einschließlich Faltungsschichten, linearen Schichten, Aktivierungsfunktionen und Aufmerksamkeitsmechanismen wie oben beschrieben.

Bearbeitung von Konfigurationsdateien
Die Modellkonfigurationsdatei (config.yaml) sollte geöffnet werden. Der Abschnitt, der den Detektionskopf definiert, sollte sich befinden. Die ursprüngliche Detektionskopf-Konfiguration, die typischerweise aus einer Reihe von Faltungsschichten zur Klassifikation und Regression besteht, sollte durch einen Aufruf des DynamicHead-Moduls ersetzt werden, der sicherstellt, dass dessen Eingang durch das Halsnetzwerk mit dem Ausgang der Merkmalspyramide verbunden ist.

Designmotivation
Traditionelle Detektionsköpfe wenden typischerweise denselben Satz von Faltungsparametern auf alle Merkmalschichten, räumlichen Standorte und Aufgaben an, da ihnen die aufgabenspezifische Anpassungsfähigkeit fehlt. Die Einführung des DynamicHead-Moduls ist durch die Komplexität der Erkennungsaufgaben motiviert und zielt darauf ab, diese Herausforderungen durch eine einheitliche, aufmerksamkeitsbasierte Architektur zu entkoppeln und anzugehen. Seine Designmotivation ist dreifach: (1) sich adaptiv auf Merkmalschichten zu konzentrieren, die Zielen unterschiedlicher Größe entsprechen, über das skalenbewusste Modul; (2) Konzentration der Rechenressourcen auf Vordergrund-Zielregionen statt auf den Hintergrund über das räumlich bewusste Modul; und (3) um Merkmalsrepräsentationen dynamisch für die unterschiedlichen Ziele von Klassifikation und Regression über das aufgabenbewusste Modul zu optimieren. Diese Kombination aus Entkopplung und dynamischer Optimierung verbessert die Lokalisierungsgenauigkeit und Klassifikationszuverlässigkeit des Modells für dicht angeordnete, mehrskalige Ziele wie Schnitttabak.

Individuelle Bewertungsmethode für die Ordnung des geschnittenen Tabaks
Modulbeschreibung und Designprinzip: Die quantitative Bewertung der Ordnung der Schnitttabak-Ausrichtung ist unerlässlich, um die Stabilität des Herstellungsprozesses zu bewerten und die Endproduktqualität bei der Zigarettenproduktion vorherzusagen. Traditionelle Bewertungsmethoden basieren auf manueller visueller Inspektion, die subjektiv, zeitaufwendig ist und keine konsistenten quantitativen Messungen liefern kann. Um diese Einschränkungen zu beheben, wird eine maßgeschneiderte Winkelprognosemethode verwendet, die mit dem verbesserten einstufigen Regressionsdetektor integriert ist. Das grundlegende Prinzip dieser Methode besteht darin, ein räumliches Bezugssystem zu etablieren, wobei die Stahlstützstruktur innerhalb der Zigarettenstange als geometrischer Maßstab dient. Da der Stahlträger während der Herstellung eine feste Ausrichtung beibehält, dient er als ideale Referenzlinie zur Berechnung der relativen Ausrichtung des einzelnen geschnittenen Tabaks. Durch die Messung der absoluten Winkel des detektierten geschnittenen Tabaks und des Stahlstützes relativ zur horizontalen Referenzlinie und anschließend Berechnung ihrer relativen Winkeldifferenzen ermöglicht die Methode eine quantitative Bewertung der Ausrichtungsordnung. Ein relativer Winkel von null zeigt perfekte Parallelität zwischen einem Strang und der Stütze an, während eine zunehmende Winkelabweichung eine schlechtere Ausrichtung bedeutet. Die horizontale Referenzachse ist die Linie definiert, die parallel zum unteren Rand des Bildes ist und von links nach rechts ausgerichtet ist. Diese Achse entspricht 0°, wobei positive Winkel gegen den Uhrzeigersinn gemessen und negative Winkel im Uhrzeigersinn von dieser Achse aus gemessen werden. Die endgültige Ordnungsmetrik wird erhalten, indem die relativen Winkel aller detektierten Stränge innerhalb eines Bildes gemittelt werden, was eine konsistente und objektive Qualitätsbewertung ermöglicht.

Aktions-Implementierungsschritte
Definition des Winkelberechnungsmoduls
Implementieren Sie ein Post-Processing-Modul, das die Detektionsausgaben des verbesserten einstufigen Regressionsmodells verarbeitet. Für jedes entdeckte Objekt (geschnittener Tabak und Stahlstütze) werden die Begrenzungsbox-Koordinaten extrahiert. Berechnen Sie die Koordinaten des Mittelpunkts für jedes entdeckte Objekt mit Gleichung 18. Berechnen Sie die Koordinaten des Bildzentrums basierend auf den Bilddimensionen mit Gleichung 19.

(18)

(19)

wobei x₁, x₂, y₁, y₂ die Koordinaten der vier Ecken der detektierten Begrenzungsbox für entweder einen Tabakstrang oder die Stahlstütze bezeichnen; C_{, X} und C,_y repräsentieren die Koordinaten ihrer jeweiligen Mittelpunkte innerhalb des Detektionsbereichs; w und h geben die Breite und Höhe des Zigarettenbildes an; d_{, x} und d_y definieren die Koordinaten des Bildmittelpunkts.

Berechnung des absoluten Winkels
Für jeden detektierten Tabakstrang und die Stahlstütze berechnen Sie den Vektor vom Bildzentrum zum Objektzentrum. Berechnen Sie den absoluten Winkel relativ zur horizontalen Bezugslinie mit der Arctangensfunktion, wie sie in Gleichung 20 formuliert ist. Der Winkel wird mit atan2(d_y, d_x) berechnet, wobei atan2 die vier-Quadranten-inverse Tangentialfunktion ist, die in der Python-Mathematikbibliothek verfügbar ist. Diese Funktion gibt Werte im Bereich (−π, π] Radianten zurück, die dann in Grad umgewandelt werden, was zu Ausgangswinkeln im Bereich (−180°, 180°) führt. Das Quadranten-Handling erfolgt mit ATAN2 automatisch, basierend auf den Anzeichen von d_y und d_x. Dies ergibt _A-Stahl für die Stahlstütze und _A-Schnitt für jeden Tabakstrang.

(20)

Berechnung des relativen Winkels
Für jeden detektierten Tabakstrang berechnen Sie den relativen Winkel, indem der absolute Winkel der Stahlstütze vom absoluten Winkel des Strangs subtrahiert wird, wie in Gleichung 21 gezeigt. Der Absolute Wert gewährleistet positive Winkelabweichungsmessungen.

(21)

Generierung von Ordnungsmetriken
Aggregieren Sie die relativen Winkel aller detektierten Stränge in einem einzelnen Bild. Berechnen Sie den durchschnittlichen relativen Winkel, indem Sie alle relativen Winkel T_o addieren und durch die Gesamtzahl der detektierten Stränge n teilen, wie in Gleichung 22 formuliert. Dieser Durchschnittswert dient als quantitatives Maß für die Ausrichtungsordnung dieses Bildes.

(22)

Implementierung von Qualitätsbewertungen
Implementieren Sie eine Klassifikationsfunktion, die den berechneten Wert auf qualitative Noten basierend auf vordefinierten Schwellenwerten abbildet, wie in Gleichung 23 definiert. Die Bewertungsschwellenwerte (0°–30° = Ausgezeichnet, 30°–60° = Gut, >60° = Schlecht) wurden auf Grundlage von Rücksprache mit drei Qualitätskontrollexperten der Longyan Tobacco Industry Co., Ltd. festgelegt. Diese Experten bewerteten unabhängig 200 Probenbilder und korrelierten die berechneten durchschnittlichen relativen Winkel mit der wahrgenommenen Ausrichtungsqualität mithilfe einer Drei-Kategorien-Skala (Ausgezeichnet, Gut und Schlecht). Die 30°- und 60°-Grenzen wurden als Konsensgrenzwerte gewählt, bei denen die Einigung zwischen Experten 90 % überstieg. Diese Bewertung ermöglicht eine intuitive Interpretation der quantitativen Ergebnisse für Qualitätskontrollpersonal.

(23)

Bearbeitung von Konfigurationsdateien
Die Modell-Konfigurationsdatei (config.yaml oder model.yaml) sollte geöffnet werden. Der Abschnitt für die Nachbearbeitung oder der Inferenzeinstellungen der Konfiguration sollte sich befinden. Das benutzerdefinierte Winkelberechnungsmodul sollte korrekt referenziert und aktiviert sein. Die Ausgabe-Parsing-Einstellungen sollten überprüft werden, um die Begrenzungsbox-Koordinaten sowohl für Schnitttabak als auch für den Stahlträger korrekt zu extrahieren. Für diese Bewertungsmethode ist keine zusätzliche Schichteinfügung erforderlich, da sie nach den Ausgaben des Detektionskopfes als Nachbearbeitungsmodul funktioniert.

Designmotivation
Das Design dieser maßgeschneiderten Bewertungsmethode ist motiviert durch die Notwendigkeit, subjektive visuelle Inspektion in objektive, reproduzierbare quantitative Messungen umzuwandeln. Die traditionelle manuelle Inspektion leidet unter Variabilität zwischen den Beobachtern und kann keine kontinuierlichen numerischen Daten zur Prozessoptimierung liefern. Durch die Nutzung des Stahlträgers als natürliche geometrische Referenz innerhalb der Zigarettenstange entfällt die Notwendigkeit externer Kalibrierungsmarker und gewährleistet Messkonsistenz zwischen verschiedenen Bildern und Produktionschargen. Der Einsatz von Mittelpunktvektoren und Arctangentialberechnungen bietet einen mathematisch robusten und recheneffizienten Ansatz zur Winkelschätzung, was sie für die Echtzeiteinsatz geeignet macht. Diese vektorbasierte Berechnung vom Bildzentrum zum Objektzentrum ist so konzipiert, dass sie unverändert gegenüber dem Kamerasichtfeld und der Position der Zigarettenstange im Bild ist und so Robustheit unter unterschiedlichen Aufnahmebedingungen gewährleistet. Die Mittelungsstrategie über mehrere erkannte Stränge berücksichtigt natürliche Variationen in der Orientierung der Stränge und liefert eine statistisch zuverlässige Gesamtordnungsmetrik. Ein dreistufiges Bewertungssystem übersetzt kontinuierliche numerische Messungen in umsetzbare Qualitätskategorien und erleichtert so schnelle Entscheidungen in der Qualitätskontrolle der Produktionslinie. Insgesamt kombiniert dieser integrierte Ansatz die Detektionsfähigkeiten des verbesserten einstufigen Regressionsmodells mit präzisen geometrischen Berechnungen und ermöglicht so eine umfassende und automatisierte Bewertung der Ordnung der Schnitttabak-Ausrichtung.

Modelltraining zur Ordnungserkennung von geschnittenem Tabak
PyTorch 2.1.0, Compute Unified Device Architecture (CUDA) 12.1 und alle Abhängigkeiten sollten ordnungsgemäß installiert sein. Die Implementierung folgt den Standard-PyTorch YOLO-Pipelines und kann basierend auf den detaillierten Modulbeschreibungen und Konfigurationsschritten reproduziert werden.

Ausbildungskommando
Vor dem Neutraining sollten die partitionierten Bilddatensätze und Annotationsdateien im Standard-Einstufe-Erkennungsformat (z. B. YOLO-Format mit einer .txt Datei pro Bild) vorbereitet werden. Eine .yaml-Datei zur Datensatzkonfiguration, die die Bildpfade, die Anzahl der Klassen (Schnitttabak- und Stahlunterstützung) und Klassennamen angibt, sollte erstellt werden. Basierend auf den zuvor beschriebenen Modellverbesserungen sollte die ursprüngliche Detektor-.yaml-Konfigurationsdatei durch die vorgeschlagene Modell .yaml-Datei ersetzt werden, die die MFID-, TCF- und DynamicHead-Module enthält. Das train.py-Skript sollte so geschrieben oder modifiziert werden, dass es das einstufige Detektorpaket importiert, das Trainingsmodell und die Datensatzkonfiguration lädt und folgende Trainingsparameter setzt: imgsz=640, epochs=100, batch=4, workers=0, device='0', optimizer='SGD', close_mosaic=10 usw. Der zufällige Seed wurde auf 42 festgelegt, und die Modellgewichtungen wurden mit der Standardinitialisierungsstrategie des Deep-Learning-Frameworks initialisiert. Die Reproduzierbarkeit wurde gewährleistet, indem torch.backends.cudnn.deterministic = True und torch.backends.cudnn.benchmark = False gesetzt wurden.

Hyperparameter
Die wichtigsten Hyperparameter für das Training sind wie folgt: Eingabebildauflösung von 896 × 1600 Pixel; Batchgröße von 4, begrenzt durch GPU-Speicher; anfängliche Lernrate von 0,01 mit einem Cosinus-Annealing-Scheduler für allmählichen Zerfall; stochastischer Gradientenabstieg (SGD) Optimierer mit einem Impuls von 0,912 zur Beschleunigung der Konvergenz; und ein Gewichtsabfall von 0,0004 für die Regularisierung. Die Bilder wurden mit Mittelwert [0,485, 0,456, 0,406] und Standardabweichung [0,229, 0,224, 0,225] normalisiert. Die Erweiterung umfasste zufällige horizontale Umdrehung (50 %), zufällige Helligkeitsanpassung (±20 %) und zufällige Rotation (±15°). Mosaikaugmentation ist während der frühen Trainingsphasen standardmäßig aktiviert, um die Modellrobustheit gegenüber unterschiedlichen Objektskalen und Okklusionen zu erhöhen. Sie wird in den letzten 10 Epochen (close_mosaic = 10) deaktiviert, um die Erkennungsgenauigkeit zu verfeinern.

Trainingsüberwachung
Während der Ausbildung liefert das Framework zu jeder Epoche umfassende Kennzahlen. Die Verlustfunktion ist eine gewichtete Summe aus drei Komponenten: Klassifikationsverlust (binäre Kreuzentropie [BCE] mit Logits), Lokalisationsverlust (vollständige Schnittmenge über Vereinigungsverlust [IoU]) und Objektitätsverlust (BCE). Die Gesamtverlustgewichte wurden auf λ_cls = 0,5, λ_box = 0,05 und λ_obj = 1,0 festgelegt. Die Trainings- und Validierungsverlustkurven sollten überwacht werden, um eine stetige Konvergenz sicherzustellen und Anzeichen von Überanpassung zu erkennen. Der mAP bei einem IoU-Schwellenwert von 0,5 (mAP@0,5) im Validierungssatz wird als primärer Leistungsindikator für die Detektion von geschnittenen Tabaksträngen verwendet. Angesichts der Datensatzgröße und Modellkomplexität reicht das Training über 100 Epochen typischerweise für Konvergenz aus. Der am besten performende Modell-Checkpoint wird automatisch basierend auf dem Validierungs-mAP gespeichert.

Modellbewertung und -einführung
Bewertung
Nach Abschluss des Trainings werden die optimalen Modellgewichte als runs/train/exp/weights/best.pt. gespeichert. Das trainierte Modell sollte auf dem dedizierten Validierungssatz mit folgendem Befehl ausgewertet werden: python val.py --data cigarette_dataset.yaml --weights runs/train/exp/weights/best.pt. Das Bewertungsskript liefert wichtige Leistungskennzahlen wie Präzision, Rückruf und mAP@0,5 für beide Detektionsklassen (Schnitttabak und Stahlunterstützung). Der mAP sollte verifiziert werden, um die erforderliche Schwelle für den industriellen Einsatz zu erfüllen (z. B. >95 % für Strang-Erkennung). Der Einsatzschwellenwert (mAP >95 % für die Strangerkennung) stellt eine interne Leistungsanforderung für die Zielindustrie dar. Das berichtete Ergebnis spiegelt die Leistung auf einem vielfältigen Testsatz wider, der herausfordernde Randfälle umfasst. Der mAP des Modells für routinemäßige Produktionsbedingungen übersteigt 96 %, wenn er auf einer Teilmenge bewertet wird, die auf ideale Beleuchtung und minimale Okklusion gefiltert ist. Der Teilbereich der routinemäßigen Produktion wurde durch folgende Kriterien definiert: Beleuchtung im Bereich von 500–800 Lux (optimale Beleuchtung), Okklusionsprozentsatz unter 10 % (minimale Überlappung) und keine sichtbaren spiegelnden Reflexionen. Diese Teilmenge enthält 427 Bilder, was etwa 67 % des Testsatzes ausmacht. Diese Teilmenge entspricht den Standardproduktionsbedingungen am Tag unter normaler Beleuchtung und einer gut ausgerichteten Stranganordnung.

Inferenzverifikation
Um die Erkennungsleistung des Modells auf unsichtbaren Bildern visuell zu validieren, wird bei Beispiel-Testbildern mit folgendem Befehl Inferenz durchgeführt: python detect.py --weights runs/train/exp/weights/best.pt --source path/to/test/images --conf 0.5. Dieser Befehl erzeugt annotierte Bilder mit Begrenzungsboxen um erkannte geschnittenen Tabak- und Stahlstützen. Die Inferenzgeschwindigkeit wurde auf einer NVIDIA GeForce RTX 3080 Ti GPU (12 GB VRAM) mit CUDA 12.1 und PyTorch 2.1.0 gemessen. Die gemeldeten Bilder pro Sekunde (FPS) wurden als Durchschnitt von über 100 aufeinanderfolgenden Vorwärtsdurchgängen nach 50 Aufwärm-Iterationen berechnet. Zusätzlich wird die Inferenzgeschwindigkeit (in Bildern pro Sekunde) angegeben, um ihre Echtzeiteignung für die Bereitstellungsumgebung zu bestätigen.

Modellbereitstellung
Um eine Echtzeitbereitstellung auf dem industriellen Steuerungssystem zu ermöglichen, sollte das trainierte PyTorch-Modell (best.pt, etwa 7–9 MB) in ein optimiertes Inferenzformat exportiert werden, wie TensorRT oder Open Neural Network Exchange (ONNX). Diese Umwandlung verbessert die Inferenzgeschwindigkeit und erhält gleichzeitig die Erkennungsgenauigkeit. Für den ONNX-Export verwenden Sie: torch.onnx.export(model, dummy_input, "model.onnx", opset_version=11, input_names=["images"], output_names=["outputs"]). Für die TensorRT-Konvertierung verwenden Sie: trtexec --onnx=model.onnx --saveEngine=model.trt --fp16 --workspace=4096. Der FP16-Präzisionsmodus wurde verwendet, um die Inferenzgeschwindigkeit zu optimieren. Das endgültig eingesetzte Modell liefert Begrenzungsbox-Koordinaten, Klassenetiketten (geschnittener Tabakstrang oder Stahlstütze) und Konfidenzwerte für jedes detektierte Objekt, die als Eingaben für die benutzerdefinierte Winkelbewertungsmethode dienen, die zur Quantifizierung der Ordnung des geschnittenen Tabaks verwendet wird.

Ergebnisse

Versuchsumgebung
Alle Experimente wurden mit dem PyTorch-Deep-Learning-Framework durchgeführt, wobei detaillierte Hardware- und Softwarekonfigurationen in Tabelle 1 zusammengefasst sind. Insgesamt wurden 634 Bilder zufällig in Trainings-, Validierungs- und Testsets mit einem Verhältnis von 7:2:1 unterteilt. Während des Trainings wurden die Eingabebilder einheitlich auf 896 × 1600 Pixel verkleinert, und die anfängliche Lernrate wurde auf 0,01 gesetzt. ...

Diskussion

Ein wesentlicher Vorteil des vorgeschlagenen Modells bei der Ordnungserkennung von geschnittenem Tabak ist das Gleichgewicht zwischen Detektionsgenauigkeit und Recheneffizienz. Diese Aufgabe erfordert die Echtzeitverarbeitung zahlreicher feinkörniger geschnittener Tabake in hochauflösenden Bildern, was hohe Anforderungen an Modellpräzision und Geschwindigkeit stellt. Wie in Tabelle 2 gezeigt, erzielt das vorgeschlagene Modell die höchste mAP@0,5 (89,9 %) bei der Erkennun...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Codeleser	Hikvision	ID5050	Wurde verwendet, um Barcodes auf Paletten zu lesen; benötigt eine 24-V-Stromversorgung
Datensatz (Bilder von geschnittenem Tabak)	Longyan Tobacco Industrial Co., Ltd.	N/A	Benutzerdefinierter Bilddatensatz von geschnittenem Tabak, der für Modelltraining, Validierung und Tests verwendet wird
Deep-Learning-Framework (PyTorch 2.1.0)	PyTorch Stiftung	Open-Source-Software	Verwendet für die Entwicklung und Ausbildung von Deep-Learning-Modellen
Industriekamera	Hikvision	MV-CH120-10GC	Für die Bildaufnahme verwendet; benötigt eine 24-V-Stromversorgung
Industriecomputer	Yanzhi-Technologie	PC1010-AX360	Verwendet für Bildverarbeitung, Modellinferenz und Datenspeicherung
LED-Lichtquelle	Hikrobot	MV-LRDS-H-95-30-W	Lichtstreifen, die stabile Beleuchtung für die Bildgebung liefert.
Linse	Hikvision	MVL-KF0818M-12MP	Brennweite: 8 mm; Blendenbereich: F1.8 & Strich; F16; 12-MP-Auflösung
Metallhalterungen	Longyan Tobacco Industrial Co., Ltd.	7075-T6 Aluminiumlegierung	Verwendet zur Montage und Stabilisierung von Hardwarekomponenten
Netzwerkkabel	Longyan Tobacco Industrial Co., Ltd.	RJ45-Kristallkopf	Verwendet zum Anschluss von Industriecomputern, Kameras und Netzwerkgeräten
Python (Version 3.9)	Python Software Foundation	Open-Source-Software	Programmierumgebung für die Implementierung
Wechsel	TP-Link	TL-SH1005	8 Ethernet-Ports; benötigt eine 220-V-Stromversorgung
Drahtloser Zugangspunkt (industrielles Kommunikationsmodul)	Shandong Huachuang Xunlian	BH-ANT5158S-14HV; BH-MS-AC1600HWH	Ermöglicht die drahtlose Kommunikation zwischen Kamera und Industriecomputer
Kamerasteuerungssoftware (MVS)	Hikvision	V4.5.1	Verwendet für Kamera-Debugging, Parameterkonfiguration und Datenerfassung
Visionsverarbeitungssoftware (Vision Master)	Hikvision	V4.3.0	Verwendet für Vorlagenabgleich und Bildergebniserkennung
Integrierte Entwicklungsumgebung (PyCharm)	JetBrains	2020.1.3 x64	Verwendung für Modellentwicklung und Systemimplementierung
CUDA Toolkit (Version 12.1)	NVIDIA	Software-Toolkit (keine Katalognummer)	Ermöglicht GPU-Beschleunigung für Training und Inferenz