淺談打葉復烤工藝中除雜研究進展

張元，孫惟剛，李漢堯，寧佳宏，丁國忠

（1.云南省煙葉復烤有限責任公司文山復烤廠，云南 文山 663099；2.華中科技大學能源與動力工程學院，湖北 武漢 430074）

1 前言

非煙雜物是指除煙葉以外的其他物質，如麻絲、碎紙、塑料膜（繩）、羽毛、蟲繭、棉花、頭發、金屬物、沙土等，這些非煙雜物既影響卷煙質量和口感，又會對人體造成危害，因此，在煙葉處理過程中，都很重視對非煙雜物的處理和剔除。打葉復烤是初烤煙葉之后的工序，在此工藝中，要盡量剔除掉非煙雜物，因此在打葉復烤過程采用的非煙雜物剔除工序就非常多，主要有篩沙、風選除雜、在線人工挑選、麻絲剔除、圖像識別異物剔除、激光分選機及金屬剔除等。目前，各復烤廠應用最多的是風選除雜、圖像識別異物剔除、激光分選，最新的高光譜成像技術也在煙草全流程中開發和應用，本文將對這幾項技術的研究進展進行梳理，為后續的應用及選型提供參考。

2 打葉復烤工藝中的除雜技術進展

2.1 風選除雜技術

風選除雜系統的原理是利用送風對非煙雜物和煙葉（片煙）產生的落位不同來加以分離。除雜的基本過程為輸送帶將煙葉物料在布料器上拉薄、布寬，并使物料松散、均勻地進入風選倉，然后在風力作用下，較重的煙葉落到出料口后被送到下道工序，而較輕的片煙和雜物則被吹到排雜口，再通過人工將雜物從煙葉中剔除。

風選除雜系統主要由風分設備、落料器、風機、循環管路、均料設備、皮帶、振篩輸送機等組成。風選除雜過程中影響除雜效果的參數較多，如煙草種類、加工工藝、潤葉、打葉工序等，對風選除雜效果以及最終煙葉產品的質量都會產生影響。目前國內對煙葉風選除雜系統的研究主要集中在對風分設備的結構優化及工藝流程、運行參數、送風速度等進行改進調整，包括風分室的內部結構優化、進風口角度與煙葉進料角等，這些優化或改進提高了風選除雜設備的剔除效果。

較早的是黃彩鳳等實現了風選除雜技術在打葉生產線中的應用。其研究表明風分器要達到較好的分離效果，煙葉物料的初速度、進料角度需要滿足優化值，且物料速度與拋料方向的寬度有關。例如，拋料方向的輸送帶寬度達到1200mm 時，拋料的初速度應達到3m/s，而拋料方向的輸送帶寬度達到1500mm 時，拋料初速度應達到4 ～5m/s。這指明了拋料寬度與拋料初速度的對應關系。

效果上，馬春麗等在采用風選除雜系統后，在打葉工序和葉基挑選工序上兩個采樣點的含雜總量有較大下降，幅度達到22.1%，這表明風選除雜方法有較好的除雜效果，且較難剔除的雞毛、頭發、麻絨等細小雜物的剔除也效果明顯。

結構優化上，鄭博文等對風選除雜系統的氣料分離器進行了結構改進，使除雜效果較改進前提升了73%。

由于風選除雜工藝具有投資少、雜物剔除效果明顯等優點，使得該技術在打葉復烤企業得到了廣泛的應用，不過，該技術有原料煙葉的損失缺點。實踐中，打葉復烤過程通過風選除雜的煙葉，還需要經過人工挑雜后，在打葉風分處回填到煙葉原料中，比例約占煙葉原料總投量的1%～2%。

2.2 基于圖像識別的除雜技術

圖像識別除雜系統的基本工作原理為利用煙葉和異物在物理特性（主要是顏色）上的差異，采用機器視覺技術實時地識別煙葉和異物，然后對識別出來的異物，采用高速噴嘴將其吹除，達到除雜的目的。

煙草在線異物剔除系統領先的是德國的豪尼HAUNI公司和美國的SRC VISION 公司，其中美國公司的設備原理如圖1 所示。

圖1 Tobacco Sorter 系列煙草異物剔除系統示意圖

該設備的異物剔除原理是煙葉物料的正面和背面狀態分別由上、下攝像機拍攝。拍攝到的圖像信號被高速傳入計算機內存中，經過計算后，將與正常煙葉不同的信息進行放大并生成相應位置的定位信號，剔除機構接收到雜物定位信號后啟動該位置對應的電磁閥，將通過該閥的雜物吹離正常物流路徑，從而實現剔除，而正常物料則拋至正常物料區。由于檢測和剔除是在物料行進過程中進行，因此軟件處理程序的快慢和通訊的速度是剔除成功的關鍵。

國內在學習國外產品的基礎上也進行了研制，如由安徽大學、秦皇島煙機設備公司和渦陽煙葉復烤廠共同研制的“智能型雜質在線探測儀”在2003 年就投入了運行。當然，早期對圖像處理不夠，致使該產品的圖像存在亮度失真，煙葉信號閾值空間擴張，從而導致多臺分機操作不方便等問題。

煙草異物圖像識別剔除主要基于顏色物理特性，因此，需要對煙草和雜物進行顏色識別。顏色模型上，陳杰等研究認為煙草主要是呈黃褐色，而異物主要是呈其他顏色，這樣就可以將色度差異作為煙草與異物的識別特征。而張海林等則是設置CCD 攝像機的彩色為RGB 三原色，將每種顏色由8 位數字量表示，每線像素1024 個，對應的傳送帶寬度為1.5m，此時CCD 攝像機的顏色和空間分辨率都很高。計算機將采集的煙葉圖像的每個像素的顏色與預先設置的煙葉顏色范圍進行比較，從而識別出其中的雜物。該方案需要CCD 攝像機采集一批標準的煙葉圖像，并依據統計的煙葉顏色RGB 三通道的均方誤差來定義一個數組，只要是RGB 三通道的顏色分量在一個標準差范圍內浮動，則數組值被賦值為0，表示正常的煙葉顏色，而其他情況則賦值為1，表示異物的顏色。這是利用正常煙葉的顏色和異物顏色的顯著差異來實現異物的識別與剔除，類似的顏色特征提取方案研究還有文獻[10]和文獻[11]。

煙草圖像識別剔除設備的另一個關鍵技術是數據通訊。聞平等基于高速總線傳輸，研發出煙草異物智能剔除系統。該系統通過高速線掃描相機實時采集煙草圖像，然后通過并行總線傳輸信息給計算機，實時分析雜物圖像所處位置，再通過并行高速總線將數據信息傳輸給噴嘴閥的驅動系統，該系統驅動高速閥，實時剔除煙草雜物。在該系統基礎上，高鐵功等通過對相機系統進行優化，實現了煙草異物智能剔除系統的性能提升。

總體來說，圖像識別設備的研究與發展主要是基于對顏色特征的提取和改進而發展，高速數據傳輸則逐漸不成為問題。早在2009 年，張紹堂、董德春等就建立了標準煙葉顏色庫和典型異物顏色庫，并基于已有的異物顏色庫對標準煙葉顏色庫進行過濾，得到了新的標準顏色庫，利用新獲得的標準顏色庫來識別異物。2011 年，劉迪清將采集的煙葉圖像劃分為若干個區域，每個區域的大小分別對應剔除閥閥口的大小，使用Laws 濾波預處理得到圖像中的紋理能量信息，再根據能量信息對該區域進行預分類，然后使用機器學習方法，在頻域分析煙葉和異物的紋理和邊緣特征，并使用基于支持向量機的分類模型訓練，得到紋理分類器和邊緣分類器用來檢測煙葉中的異物。隨后的顏色特征研究中，2014 年，李斐斐采用改進的Gist 特征提取方法得到特征向量，然后使用SVM（支持向量機）分類器來分類識別煙草中的異物。

對顏色特征的研究逐漸充分的同時，圖像重構算法也發展起來。隨后的研究開始對圖像數據進行處理，以改善識別。如姜炬達利用采集的煙葉圖像在經過圖像均值濾波、邊緣檢測以及圖像融合模塊后，建立了二值化顏色查找表，再基于滑動窗口的方式利用表中的結果來判斷滑窗中的異物像素總和，通過設置閾值進行異物的識別和剔除。2016 年，涂平平針對煙草RGB 顏色特征設置閾值，過濾得到不含異常數據點或者異物數據點的煙草RGB 顏色特征，然后按照B 通道對煙草顏色數據分布進行切片處理，進而得到煙葉顏色的邊界數據點，然后對其使用移動最小二乘擬合來建模，將擬合得到的模型保存到查找表格中，作為判定依據識別煙草中的異物。

除了顏色特征外，逐漸開始采用其他特征與顏色特征的結合方法。李陽萱研究了基于顏色特征和基于梯度能量特征的兩種圖像處理方法及其結合方法來做異物檢測，其算法考慮了圖像光照不均、異物顏色偏暗等條件。結果表明，基于顏色特征的方法異物除雜率能夠達到99%，而基于梯度能量的方法異物除雜率能夠達到約85%。如果將這兩種方法結合起來，則理論上能達到100%的除雜率。

進一步的研究就是對圖像進行校正了，沈文超研究了一種煙葉圖像校正算法，避免對異物識別的干擾，用于獲得較好質量的煙葉圖像，以保證辨識精度。

除了顏色模型的不斷深入研究外，圖像傳輸也得到了重視。吳亞成研究了煙草除雜機的圖像傳輸，他以傳輸層UDP 協議為基礎，在應用層分別采用滑動窗口機制與最大化傳輸方式來保證傳輸的可靠性與實時性，實現了網絡信息的傳輸。

總的來說，圖像分類識別的本質首先是選擇合適的特征描述待分類目標的圖像，這些特征參數能夠唯一標識目標，并與其他非目標區域有顯著區別，而顏色、紋理等作為圖像最基礎的特征，其計算相對簡單，是研究分類識別的常用方法。然后是對獲取的樣本圖像，經過畸變矯正、亮度均衡、場區還原等算法校正，再通過去噪濾波、增強等預處理方法優化圖像信息，最后分析圖像中各對象的特征信息，并用數字化來表征顏色、形狀和紋理特性參數，將此結果用于分類前的模式識別。

但是，采用圖像識別的煙草異物剔除系統既有的缺點也限制了其應用，如物料通過攤薄后的煙葉中還不可避免地存在紙片、砂石、塑料膜等異物，且圖像設備背景色經常需要校正，維修保養費用偏高。此外，圖像處理系統對與煙葉顏色相同或相近的異物識別并不好。

2.3 激光除雜技術

當異物與煙草顏色相同或相似時，圖像識別無法識別出異物，但是激光除雜系統則可剔除與煙草顏色相同或相似的異物。

激光除雜系統主要由物料單層化處理裝置、激光發生及掃描裝置、物料信息采集系統、實時圖像處理系統、異物剔除系統等5 個子系統構成。其工作原理是當激光光束照射在不同物質上會發生不同的物理現象，如選擇性吸收、反散射、熒光效應等，利用這些現象可以用來對產品進行顏色分揀、結構分揀以及熒光分揀，從而達到識別和剔除異物的目的。

不同物質對不同波長單色光的反射和吸收強度不同，在顏色分揀過程中，探測器探測照射物質后的反射或透出的光信號，再根據接收光信號的強弱來識別顏色差異較大的產品和異物。

結構分揀是基于被檢測物質內部結構的疏密程度進行區分。由于物質在結構上的差異，當紅外激光照射到物質上時，會產生不同強度的散射光斑，從而可根據探測到的散射光的不同強度識別出異物。結構分揀需要設置濾光元件，如透光孔、透光環等，以加強正常產品和異物表面的散射強度差異。

而熒光分揀利用的是物質的熒光特性。常溫物質被某種波長的入射光照射后，能夠輻射出比入射光波長更長的出射光，當停止入射光照射，發光現象又會立即消失，這種出射光就被稱為熒光。激光照射到煙葉與異物時，由于葉綠素含量不同就能得到不同的熒光光譜，探測到煙葉的較強熒光會得到較強的電平信號，而異物（塑料、紙片、羽毛等）因不含葉綠素而沒有熒光，從而實現對煙葉和異物的分揀。

效果上，激光分選機的雜物綜合剔除率可達90%以上。但是，激光分選機主要依靠進口，設備價格高昂，不利于降低打葉復烤廠的生產成本。

2.4 高光譜成像技術

高光譜成像技術（Hyperspectral imaging，HSI）是圖像與光譜技術相結合的三維信息獲取技術，其中包括上百個波段的地物特征光譜信息和空間圖像信息，通過采用機器學習和深度學習方法分析高光譜數據的光譜和圖像空間的特征信息，可以有效地進行地物識別和分類，且對比近紅外光譜儀等傳統光譜分析設備，高光譜成像儀不僅能提供光譜信息，還能夠顯示該光譜所在像元的位置，提供物品的空間分布信息，實現不同被測物的可視化成像。因該技術的功能強大，國外各種涉農產品從生產到分揀都有很多采用，參考文獻眾多。

近年來，高光譜成像技術在煙草行業中得到了應用。打葉復烤過程中，也可利用高光譜成像技術，對煙葉和雜物在高光譜圖像空間中進行光譜分析，然后利用不同物質獨特的光譜特征，對煙葉和雜物進行識別。

李智慧等使用可見-近紅外高光譜成像技術，采用歸一化、標準正態變化、多元散射校正、一階導數、卷積平滑對光譜數據進行預處理，通過連續投影變換和主成分載荷的特征波長選擇，并應用隨機森林、Softmax 和支持向量機建立分類模型，最后通過高光譜成像技術結合SPA-SVM 模型實現了有效分類識別煙葉中的非煙物質。

目前，該技術在煙草行業處于起步階段，未來的應用推廣取決于成本。

3 結語

本文主要是對風選除雜技術、圖像識別除雜技術、激光除雜及高光譜成像技術在打葉復烤中的應用研究進行了總結梳理。除了振篩砂石和金屬剔除外，多年來打葉復烤過程中對煙葉異物除雜的研究主要集中在風選除雜和圖像識別除雜兩個方面，取得了很多的應用成果和效益，但這兩種方法對雜物的剔除不完全，效果上總體雜物剔除率低于90%。

應用中圖像識別智能剔除設備成本很高，且維護保養成本也很高，不利于打葉復烤廠的生產成本降低。

近年來，隨著激光除雜技術及高光譜成像技術的引入，必將在打葉復烤除雜中實現多種雜物的一次性有效剔除。如何將新技術與既有除雜系統結合，并開展多項除雜技術的融合研究，在提升煙葉異物除雜效果的同時，有效降低除雜設備及其維護保養費用，是迫切需要開展的工作。只有除雜設備的成本夠低，該技術才會真正應用并普及。