基于圖像處理的煙條段搭口寬度測量方法

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卷煙紙包裹煙絲的重疊區(qū)域進(jìn)行封口上膠的工藝過程，如圖1所示，它是卷煙產(chǎn)品在卷制成型過程中的關(guān)鍵。然而，因搭口過寬或過窄導(dǎo)致封口上膠不良的外觀缺陷煙支不易被卷接機(jī)組的檢測系統(tǒng)識別，僅僅依靠人工檢測極易出現(xiàn)漏檢和誤檢等問題，嚴(yán)重影響卷煙品質(zhì)。隨著計算機(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)檢測和過程控制。劉勇等人[1]提出了一種利用圖像處理計算煙支污點面積的方法，其精確度達(dá)到0.03 mm2。王輝等人[2]設(shè)計了一種用于檢測接裝紙外觀缺陷的檢測裝置，其檢出率遠(yuǎn)高于人工檢驗水平。Cao Juli等人[3]設(shè)計了一種用于檢測煙支表面缺陷的自學(xué)習(xí)控制系統(tǒng)，它能夠全自動地對整個煙支表面進(jìn)行光學(xué)檢測。為此，基于圖像處理技術(shù)，提出了煙條段搭口寬度檢測方法，以解決搭口上膠不良的問題煙支不能被機(jī)組識別并剔除的問題。

圖1 煙條搭口區(qū)域

1 硬件結(jié)構(gòu)

實現(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)計算機(jī)(IPC)，如圖2所示。其中，煙支脈沖信號保證高速相機(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工業(yè)計算機(jī)(IPC)，它對采集到的數(shù)字圖像進(jìn)行分析并對問題煙支圖像發(fā)出剔除信號；剔除鼓輪接收到剔除指令剔除檢測到問題的煙支。

圖2 檢測方法硬件結(jié)構(gòu)圖

2 圖像處理算法設(shè)計

對完整煙支的數(shù)字圖像進(jìn)行視覺顯著性檢測，獲取搭口區(qū)域的高對比度灰度圖像；然后根據(jù)先驗知識，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從而測算出搭口寬度。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 視覺顯著性檢測

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

(1)

其中，

(2)

(3)

將這種利用圖像全局信息的視覺顯著性算法應(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)先驗知識，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，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表示列向量由一個含有m個元素的列所組成，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)過灰度變換的圖像后，需要分割出搭口區(qū)域以測算搭口寬度。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)點是運算效率較高，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，因而對噪聲很敏感。區(qū)域分割中的區(qū)域生長需要人工確定種子點，區(qū)域分割中的區(qū)域分裂合并算法復(fù)雜，運算量大，因此皆不適合應(yīng)用于高速運行的工業(yè)生產(chǎn)場景。邊緣分割采用一個小區(qū)域模板和圖像進(jìn)行卷積，運算量大并且對噪聲的魯棒性差。由于待測目標(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即可計算出長方形即搭口的寬度。為了降低背景噪聲干擾，提高運算效率，設(shè)計了一種分別用于測算上下邊界點的專家模型：

(5)

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

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

wn=1…5=kn=1…5-in=1…5

(6)

式中，wn=1…5即為專家模型計算出的五組搭口寬度，對其取平均值得到煙條段搭口寬度的測量值。

3 性能分析

為了驗證檢測方法的有效性，本文對多組煙支圖像進(jìn)行了大量實驗，采用常用的Meanshift分割算法以及Canny邊緣檢測算法針對同一幅圖像進(jìn)行比較。實驗環(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。實驗結(jié)果表明本文提出的檢測方法在搭口邊緣的提取精度以及運算效率上皆優(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有很好地抑制噪聲干擾，如圖4(a)所示。Canny算法對紋理信息非常敏感，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，如圖4(c)所示。

圖4 檢測效果對比圖

表1是上述三種算法對相同圖像處理時的時間對比。從實驗結(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15 000支/min的超高速卷接機(jī)組。

表1 算法處理時間對比

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量方法，在搭建的硬件平臺上，通過視覺顯著性檢測、選取感興趣區(qū)域、灰度變換以及專家模型等算法，實現(xiàn)了搭口寬度的測算。實驗結(jié)果表明，本文提出的算法能夠快速準(zhǔn)確地測算出搭口寬度，滿足卷接機(jī)組檢測需求。