来源：期刊VIP网 时间：
作者：吴迪;顾茜;罗旻晖;
单位：厦门烟草工业有限责任公司制丝车间;福建中烟工业有限责任公司信息中心;
摘要：【背景和目的】烟叶中实际异物难以预料，而常用的有监督目标识别类算法仅适用于被训练过的已知类型异物。为实现对零样本的未知类型烟叶异物实时检测能力，有效提高物料纯净度。【方法】应用无监督的图像异常检测（Anomaly Detection,AD）技术，考虑人眼视觉系统（Human Visual System,HVS）的注意机制与基于深度学习的条件归一化流（Conditional Normalizing Flows,CFlow）框架，将感兴趣区域（Region of Interest,ROI）与正常烟叶样本构建的检测模型结合，共同预测图像像素块的未知异物概率。【结果】1）对未知异物检测F1分数为94.61%，而目标识别类算法YOLOv8对已知异物的检出率为100%，对未知异物的检出率为0%。2）提出的基于计算机视觉的烟叶异物检测部署方案，平均预测时间为0.26 s/张，可满足实时性的要求。【结论】该方案比常见的目标识别类异物检测算法应对非期望输入的鲁棒性更强，能实时检测烟叶中异物，具备成本低、部署快等优点，有良好的推广价值。
关键词：计算机视觉;;深度学习;;无监督;;异常检测;;ROI
基金资助：福建中烟中细支卷烟产品质量提升关键核心技术攻关重大专项;福建中烟重点科技项目“基于光谱成像技术的在线杂物智能识别与剔除系统研究及应用”(FJZYKJJH2022ZD055)
