基于圖像處理的煙條段搭口寬度測(cè)量方法

文 韜，韓 龍，文一夫

(常德煙草機(jī)械有限責(zé)任公司，湖南 常德 415000)

0 引言

煙條搭口上膠是指對(duì)卷煙紙包裹煙絲的重疊區(qū)域進(jìn)行封口上膠的工藝過(guò)程，如圖1所示，它是卷煙產(chǎn)品在卷制成型過(guò)程中的關(guān)鍵。然而，因搭口過(guò)寬或過(guò)窄導(dǎo)致封口上膠不良的外觀缺陷煙支不易被卷接機(jī)組的檢測(cè)系統(tǒng)識(shí)別，僅僅依靠人工檢測(cè)極易出現(xiàn)漏檢和誤檢等問(wèn)題，嚴(yán)重影響卷煙品質(zhì)。隨著計(jì)算機(jī)軟件和硬件技術(shù)的發(fā)展以及圖像處理技術(shù)的完善，煙草行業(yè)已廣泛應(yīng)用圖像處理技術(shù)于生產(chǎn)檢測(cè)和過(guò)程控制。劉勇等人[1]提出了一種利用圖像處理計(jì)算煙支污點(diǎn)面積的方法，其精確度達(dá)到0.03 mm2。王輝等人[2]設(shè)計(jì)了一種用于檢測(cè)接裝紙外觀缺陷的檢測(cè)裝置，其檢出率遠(yuǎn)高于人工檢驗(yàn)水平。Cao Juli等人[3]設(shè)計(jì)了一種用于檢測(cè)煙支表面缺陷的自學(xué)習(xí)控制系統(tǒng)，它能夠全自動(dòng)地對(duì)整個(gè)煙支表面進(jìn)行光學(xué)檢測(cè)。為此，基于圖像處理技術(shù)，提出了煙條段搭口寬度檢測(cè)方法，以解決搭口上膠不良的問(wèn)題煙支不能被機(jī)組識(shí)別并剔除的問(wèn)題。

圖1 煙條搭口區(qū)域

1 硬件結(jié)構(gòu)

實(shí)現(xiàn)該方法的硬件結(jié)構(gòu)主要包括高速工業(yè)相機(jī)、LED光源、圖像采集處理器、工業(yè)計(jì)算機(jī)(IPC)，如圖2所示。其中，煙支脈沖信號(hào)保證高速相機(jī)能夠獲取完整煙支的數(shù)字圖像(分辨率為835像素×92像素)；圖像處理的核心是一臺(tái)工業(yè)計(jì)算機(jī)(IPC)，它對(duì)采集到的數(shù)字圖像進(jìn)行分析并對(duì)問(wèn)題煙支圖像發(fā)出剔除信號(hào)；剔除鼓輪接收到剔除指令剔除檢測(cè)到問(wèn)題的煙支。

圖2 檢測(cè)方法硬件結(jié)構(gòu)圖

2 圖像處理算法設(shè)計(jì)

對(duì)完整煙支的數(shù)字圖像進(jìn)行視覺(jué)顯著性檢測(cè)，獲取搭口區(qū)域的高對(duì)比度灰度圖像；然后根據(jù)先驗(yàn)知識(shí)，選取煙條段的五組列向量作為感興趣區(qū)域，使用灰度變換降低背景干擾；最后通過(guò)專家模型確定感興趣區(qū)域中位于搭口邊緣的上下特征點(diǎn)從而測(cè)算出搭口寬度。圖像處理結(jié)果如圖3所示。

圖3 關(guān)鍵步驟的處理結(jié)果圖

2.1 視覺(jué)顯著性檢測(cè)

LC(Luminance-based Contrast)是由Zhai Yun等人[4]提出的一種視覺(jué)顯著性檢測(cè)算法，定義了在RGB空間下每一個(gè)像素點(diǎn)的全局對(duì)比度：

(1)

其中，

(2)

(3)

將這種利用圖像全局信息的視覺(jué)顯著性算法應(yīng)用于完整煙支圖像，能夠有效表達(dá)搭口與煙條段的其他區(qū)域之間的顏色差異，如圖3b所示。

2.2 提取感興趣區(qū)域

圖像處理中，從被處理的圖像中以方框、圓等方式勾勒出需要處理的區(qū)域稱為感興趣區(qū)域。根據(jù)先驗(yàn)知識(shí)，選取不包含煙支濾嘴的煙支圖像右半部分作為感興趣區(qū)域A。然后以感興趣區(qū)域A的左上角為原點(diǎn)，豎直向下為y軸，水平向右為x軸建立圖像坐標(biāo)系。用于檢測(cè)搭口上下邊緣的專家模型是以列向量作為處理單元，因此提取位于坐標(biāo)位置(10,0)至(10,92)的列向量X1,與之平行且水平向右偏移量分別為50，100，150，200的列向量X2,X3,X4,X5，共5組列向量作為后續(xù)處理的感興趣區(qū)域，如圖3c所示。

2.3 灰度變換

(4)

下標(biāo)m表示列向量由一個(gè)含有m個(gè)元素的列所組成，下標(biāo)n表示列向量元素的索引值，avg則表示列向量的平均灰度值，threshold為閾值。

2.4 專家模型

得到經(jīng)過(guò)灰度變換的圖像后，需要分割出搭口區(qū)域以測(cè)算搭口寬度。常用的圖像分割方法主要有：基于閾值的分割方法[5]、基于區(qū)域的分割方法[6]以及基于邊緣的分割方法[7-8]。閾值分割是圖像分割中應(yīng)用數(shù)量最多的一類，其優(yōu)點(diǎn)是運(yùn)算效率較高，但是這種方法只考慮像素本身的灰度值而忽略了空間特征，因而對(duì)噪聲很敏感。區(qū)域分割中的區(qū)域生長(zhǎng)需要人工確定種子點(diǎn)，區(qū)域分割中的區(qū)域分裂合并算法復(fù)雜，運(yùn)算量大，因此皆不適合應(yīng)用于高速運(yùn)行的工業(yè)生產(chǎn)場(chǎng)景。邊緣分割采用一個(gè)小區(qū)域模板和圖像進(jìn)行卷積，運(yùn)算量大并且對(duì)噪聲的魯棒性差。由于待測(cè)目標(biāo)近似一塊由上下兩條水平線段包裹且灰度值突出的長(zhǎng)方形區(qū)域，因此只需要在豎直方向找出位于這兩條水平線段中的上下邊界點(diǎn)即可計(jì)算出長(zhǎng)方形即搭口的寬度。為了降低背景噪聲干擾，提高運(yùn)算效率，設(shè)計(jì)了一種分別用于測(cè)算上下邊界點(diǎn)的專家模型：

(5)

式中，in=1…5表示專家模型對(duì)Y1～Y5即經(jīng)過(guò)灰度變換后感興趣區(qū)域中的每一個(gè)列向量選取的上邊界點(diǎn)的縱坐標(biāo)。T(i,m)是一個(gè)包含于Yn且元素個(gè)數(shù)為m=3…10的任意子集，這個(gè)子集由縱坐標(biāo)為i～i+m-1共m個(gè)元素的像素點(diǎn)組成，avg計(jì)算T(i,m)的平均灰度值。使得avg[T(i,m)]取最大值所對(duì)應(yīng)的變量in=1…5即為列向量Yn的上邊界點(diǎn)的縱坐標(biāo)。

下邊界點(diǎn)專家模型以上邊界點(diǎn)的縱坐標(biāo)為起點(diǎn)豎直向下檢索，當(dāng)連續(xù)三個(gè)像素點(diǎn)的灰度值小于max{avg[T(i,m)]}時(shí)，則判定其中第一個(gè)像素點(diǎn)的縱坐標(biāo)為下邊界點(diǎn)的縱坐標(biāo)kn=1…5。

wn=1…5=kn=1…5-in=1…5

(6)

式中，wn=1…5即為專家模型計(jì)算出的五組搭口寬度，對(duì)其取平均值得到煙條段搭口寬度的測(cè)量值。

3 性能分析

為了驗(yàn)證檢測(cè)方法的有效性，本文對(duì)多組煙支圖像進(jìn)行了大量實(shí)驗(yàn)，采用常用的Meanshift分割算法以及Canny邊緣檢測(cè)算法針對(duì)同一幅圖像進(jìn)行比較。實(shí)驗(yàn)環(huán)境為64位Windows 7操作系統(tǒng)、8 GB內(nèi)存、Intel(R) Core(TM) i7-7820HQ CPU 處理器。實(shí)驗(yàn)結(jié)果表明本文提出的檢測(cè)方法在搭口邊緣的提取精度以及運(yùn)算效率上皆優(yōu)于上述兩種算法。

Meanshift算法能夠較好地分割出煙支搭口區(qū)域，但是搭口邊緣分割不夠清晰并且沒(méi)有很好地抑制噪聲干擾，如圖4(a)所示。Canny算法對(duì)紋理信息非常敏感，如圖4(b)所示。本文算法很好地抑制了背景噪聲以及紋理信息的干擾，能夠準(zhǔn)確獲取煙支搭口的上下邊緣特征點(diǎn)，如圖4(c)所示。

圖4 檢測(cè)效果對(duì)比圖

表1是上述三種算法對(duì)相同圖像處理時(shí)的時(shí)間對(duì)比。從實(shí)驗(yàn)結(jié)果可以看出本文算法的處理速度更快，可以應(yīng)用于卷接速度不超過(guò)15 000支/min的超高速卷接機(jī)組。

表1 算法處理時(shí)間對(duì)比

4 結(jié)論

本文提出了一種基于圖像處理的煙條段搭口寬度測(cè)量方法，在搭建的硬件平臺(tái)上，通過(guò)視覺(jué)顯著性檢測(cè)、選取感興趣區(qū)域、灰度變換以及專家模型等算法，實(shí)現(xiàn)了搭口寬度的測(cè)算。實(shí)驗(yàn)結(jié)果表明，本文提出的算法能夠快速準(zhǔn)確地測(cè)算出搭口寬度，滿足卷接機(jī)組檢測(cè)需求。