基于支持向量機的條煙包裝外觀缺陷檢測

孫娜 管一弘 崔云月

摘 ?要： 針對卷煙生產過程中條煙包裝外觀缺陷問題，提出一種基于支持向量機（SVM）的條煙包裝缺陷圖像檢測方法。該方法首先采用模板匹配法定位條煙檢測區域;然后利用Haar小波變換進行頻域分解，并通過灰度共生矩陣算法對頻域圖提取紋理特征;最后結合紋理特征建立條煙支持向量機分類模型，對待測樣本進行分類識別。結果表明：基于SVM分類模型的識別率為96.1%，該方法通用性強，實時性好，滿足條煙異常情況檢測要求。與BP神經網絡測試性能相比，分類性能優于BP神經網絡。

關鍵詞： 圖像處理;缺陷檢測;支持向量機;條煙

中圖分類號： TP391.41 ? ?文獻標識碼： A ? ?DOI：10.3969/j.issn.1003-6970.2020.01.045

本文著錄格式：孫娜，管一弘，崔云月，等. 基于支持向量機的條煙包裝外觀缺陷檢測[J]. 軟件，2020，41（01）：205210

【Abstract】： Aiming at the appearance defects of cigarette packaging in cigarette production process， an image detection method of cigarette packaging defects based on support vector machine （SVM） is proposed. Firstly， the template matching method is used to locate the cigarette detection area. Then， Haar wavelet transform is used to decompose the frequency domain， and texture feature is extracted from frequency domain image by gray level co-occurrence matrix algorithm. Finally， a support vector machine classification model is established based on texture feature， and the samples to be tested are classified and recognized. The results show that the recognition rate based on SVM classification model is 96.1%. The method is universal and real-time， and meets the detection requirements of abnormal situation of cigarettes. Compared with BP neural network， its classification performance is better than BP neural network.

【Key words】： Image processing; Defect detection; Support vector machine; Cigarette

0 ? 引言

隨著煙草企業生產技術的現代化發展，香煙生產過程的集成度越來越高，香煙在包裝過程中會出現一些不可避免的外觀缺陷，比如：翹邊、透明紙破損、包裝紙破損、無透明紙、包裝紙污染等問題[1]，嚴重影響了產品質量和視覺效果。因此，卷煙包裝外觀缺陷檢測成為了卷煙生產過程中的關鍵步驟。

對于卷煙包裝缺陷檢測，基于機器視覺的檢測方法成為了當今的主流，但在實際生產過程中，由于每臺包裝設備生產的條煙包裝外觀各不相同，導致條煙包裝外觀檢測系統出現穩定性差、通用性不強、處理精度不高、檢測缺陷類型不夠完善等問題。為此，研究人員展開了深入的研究，文獻[2]研究了煙條外觀檢測系統軟件設計方法，通過對增強的圖像進行紋理分析、模板匹配判斷有無外觀缺陷。該方法檢測模塊較多，操作復雜。文獻[3]提出了一種基于視覺感知特征的條煙異常檢測算法，該算法從視覺感知角度對圖像進行特征提取，利用不同分類器對條煙生產中的異常情況進行檢測。該方法雖然滿足精度要求，但算法的實時性還有待提高。文獻[4]設計了一種新型的BV包裝機條煙外觀視覺檢測系統，運用Haar算法提取圖像特征并進行特征匹配，實現對條煙外觀缺陷的檢測與剔除。該方法雖然檢測精度高，但只能針對拉線及透明紙缺陷檢測，檢測缺陷類型不夠完善。

針對以上條煙包裝檢測問題，提出一種基于支持向量機（Support Vector Machine，SVM）[5]的條煙包裝外觀缺陷檢測方法。該方法通過模板匹配法準確定位條煙位置后，結合 Haar小波變換和灰度共生矩陣算法提取條煙特征參數，建立一種支持向量機分類模型。結果表明該方法具有較高的分類準確性和實效性，滿足條煙異常情況檢測要求。

1 ?條煙圖像定位

在圖像采集過程中，由于相機存在抖動或傳感器觸發延遲等問題，導致條煙的位置會有少量的偏移，因此需要對條煙圖像進行定位處理以消除相機抖動或觸發延遲帶來的誤判[6]。本文采用基于相關的圖像模板匹配法對圖像進行定位，該方法的基本原理是通過設定條煙模板子圖像作為標準模板，將該模板在待測圖像中逐像素移動并計算每個像素位置的灰度乘積之和，即相關性。標準模板與待測圖像的相關性表達式為：

4 ?結果與分析

4.1 ?基于SVM的條煙外觀缺陷檢測結果

本文以煙廠企業實際生產環境下的圖片為研究對象，圖像大小為480×640像素，選取220張訓練集和178張測試集構成總樣本，其中，訓練集包括缺陷圖像120張和合格圖像100張;測試集包括缺陷圖像90張和合格圖像88張。測試集和訓練集中缺陷類型有透明紙破損、透明紙褶皺、包裝紙反包、無透明紙、包裝紙破損，且有同時存在多缺陷的情況。為了比較不同核函數SVM對條煙的分類情況，分別采用多項式、RBF、線性核函數對樣本進行試驗，并對參數尋優，使得SVM分類器性能最佳。不同核函數的分類結果如表1所示。

核函數的選擇是支持向量機分類器性能的重要影響因素，由表1可以看出，利用RBF核函數對條煙測試的分類性能最高，總樣本的識別率達到了96.1%，利用線性核函數的SVM分類器識別性能次之，多項式核函數的分類效果最差。由于條煙包裝外觀缺陷類型復雜，而RBF核函數具有較強的局域性，可以擬合復雜的分類超平面，且性能穩定，因此，本文選取RBF核函數作為條煙支持向量機分類器的核函數。利用RBF核函數對圖像進行訓練，懲罰參數C和核參數 是影響分類性能的主要因素，實驗采用遺傳（Genetic Algorithm，GA）算法[12]對參數尋優，最優參數為C=2.0128， =1。以上測試集樣本中詳細缺陷分類結果如表2所示。

在實際生產過程中，每臺包裝設備生產的條煙包裝外觀各不相同，為了驗證算法的有效性，實驗對不同品牌、不同包裝外觀的條煙進行檢測，并統計分類耗時。利用本文提出的缺陷檢測算法分別對兩種品牌的條煙進行試驗，識別精度均達到了97%以上，檢測效果較好，具有一定的通用性。根據生產線上要求，條煙缺陷的檢測速度需控制在1秒以內，以上兩種品牌條煙的平均耗時分別為0.512秒/條、0.755秒/條，滿足實時性檢測要求。不同條煙分類及耗時結果如表3所示。

4.2 ?SVM與BP神經網絡測試性能對比

為了比較SVM的分類性能，本文利用RBF核函數SVM和BP神經網絡分別對條煙圖像進行試驗。BP神經網絡結構由輸入層、隱含層及輸出層組成，如圖6所示。將特征向量T作為BP神經網絡的輸入數據，隱含層的節點數為10，輸出層的節點數為2，兩個節點分別表示合格與不合格的兩種類別。在BP神經網絡測試過程中，同樣選取220張訓練集和178張測試集構成總樣本進行分類測試，其分類結果與SVM分類器的分類效果對比如表4所示。

由表4可以看出，基于SVM的條煙分類模型的分類性能明顯高于BP神經網絡。采用RBF核函數的SVM分類器對條煙檢測的識別率為96.1%，比BP神經網絡的分類性能提升了6.8%。這是由于在模型訓練過程中，BP神經網絡對樣本數據的數量比較敏感，在小樣本、非線性和高維數的情況下，容易出現收斂速度慢、過學習、穩定性差等問題，而支持向量機可以將低維樣本數據映射到高維特征向量空間，并在高維空間中構造最優超平面，實現樣本數據的正確分類。因此，這種基于支持向量機的條煙缺陷圖像檢測方法能夠很好地應用于條煙包裝外觀缺陷檢測中。

5 ?結論

本文提出了一種基于支持向量機的條煙包裝缺陷檢測方法。算法采用Haar小波變換得到頻域圖，并對頻域子圖進行線性加權計算以增強圖像細節部分，利用灰度共生矩陣提取紋理特征作為支持向量機的輸入向量，構建分類模型，實現對條煙圖像的視覺檢測。實驗把條煙外觀中的有無缺陷看作兩種不同的類別模式，利用支持向量機對兩類樣本進行分類判斷，通過對比實驗驗證了算法的識別準確率，通用性和實時性。結果表明，基于SVM的分類方法對條煙缺陷圖像檢測的識別率為96.1%，分類性能優于BP神經網絡，該方法可靠性高，通用性強，精度高，實時性好，有效實現了條煙包裝外觀缺陷檢測，滿足條煙外觀缺陷檢測要求。

參考文獻

[1] 李琦. 卷煙條包外觀缺陷檢測系統的設計[D]. 南昌： 南昌大學， 2016： 3-6.

[2] 趙霙， 鄭啟旺， 徐鄧， 等. 煙條外觀檢測軟件系統設計[J]. 機械制造與自動化， 2012， 41（02）： 132-134.

[3] 顏西斌. 基于視覺感知特征的條煙異常檢測算法[J]. 煙草科技， 2016， 49（01）： 78-83.

[4] 蔡培良， 何邦貴， 華衛， 等. BV包裝機條煙外觀質量檢測裝置的設計[J]. 包裝工程， 2018， 39（23）： 143-150.

[5] Guenther N， Schonlau M. Support vector machines[J]. The Stata Journal， 2016， 16（4）： 917-937.

[6] 張傳棟， 徐漢飛， 陳弘毅， 等. 基于超紅圖像與輪廓曲率的蘋果目標識別與定位方法研究[J]. 軟件， 2015， 36（08）： 30-35.

[7] 常燦. 基于圖像識別的香煙包封條缺陷檢測方法[D]. 北京： 北京化工大學， 2014： 29-35.

[8] 李艷飛， 秦飛龍， 周仲禮. 改進的小波變換算法在地震數據降噪處理中的應用[J]. 軟件， 2013， 34（06）： 40-43.

[9] Mohanaiah P， Sathyanarayana P， GuruKumar L. Image texture feature extraction using GLCM approach[J]. International Journal of Scientific and Research Publications， 2013， 3（5）： 1.

[10] 閆江寶， 譚向宇， 張長勝， 等. 小波分析和支持向量機在供水短期負荷預測中的應用[J]. 軟件， 2017， 38（09）： 122-126.

[11] Shalini Puri， Satya Prakash Singh. An efficient Devanagari character classification in printed and handwritten documents using SVM[J]. Procedia Computer Science， 2019， 152.

[12] Fan X. Network traffic chaotic prediction based on genetic algorithm optimization and support vector machine[J]. Modern Electronics Technique， 2018， 2018（18）： 40.