基于機器視覺的卷煙包裝外觀質(zhì)量瑕疵在線識別方法

摘要："傳統(tǒng)卷煙外觀質(zhì)量瑕疵在線識別方法直接對圖像瑕疵特征進行提取，未對卷煙外觀圖像數(shù)據(jù)進行預處理，造成傳統(tǒng)方法識別精度低，因此提出基于機器視覺的卷煙外觀質(zhì)量瑕疵在線識別方法。首先，對卷煙外觀圖像進行數(shù)據(jù)預處理，去除背景區(qū)域，提高對比度和圖像瑕疵特征提取的準確性；其次，利用提取到的瑕疵特征，設(shè)計基于機器視覺的卷煙外觀質(zhì)量瑕疵在線識別流程；最后，基于機器視覺實現(xiàn)卷煙外觀質(zhì)量瑕疵在線識別。通過實驗結(jié)果表明本文設(shè)計方法的識別正確率為100%，具有更高的識別精度。

關(guān)鍵詞：機器視覺"卷煙外觀"質(zhì)量瑕疵識別"識別方法

中圖分類號：G642

An"online"Identification"Method"for"the"Quality"Defects"of"Cigarette"Packaging"Appearance"Based"on"Machine"Vision

ZENG"Danmeng""SHU"Juan*""LIAO"Qiang

（China"Tobacco"Chongqing"Industrial"Co.，Ltd.，"Chongqing，，400060"China）

Abstract："Traditional"online"identification"methods"for"the"quality"defects"of"cigarette"appearance"directly"extract"the"defect"features"of"images，"without"preprocessing"the"image"data"of"cigarette"appearance，"resulting"in"their"low"identification"accuracy，"so"this"paper"proposes"an"online"identification"method"for"the"quality"defects"of"cigarette"appearance"based"on"machine"vision."Firstly，"it"performs"data"preprocessing"of"the"images"of"cigarette"appearance，"and"removes"background"areas，"in"order"to"improve"the"contrast"ratio"and"the"accuracy"of"extracting"the"defect"features"of"images."Then，"it"uses"the"extracted"defect"features"to"design"an"online"identification"process"for"the"quality"defects"of"cigarette"appearance"based"on"machine"vision."Finally，"it"achieves"the"online"identification"of"the"quality"defects"of"cigarette"appearance"based"on"machine"vision."Experimental"results"show"that"the"designed"method"in"this"paper"holds"an"identification"accuracy"rate"of"100%"and"higher"identification"accuracy.

Key"Words："Machine"vision;"Cigarette"appearance;"Quality"defect"identification;"Identification"method

隨著現(xiàn)代社會經(jīng)濟發(fā)展和精神文明水平的提高，人們對卷煙包裝質(zhì)量要求逐漸提高。卷煙的包裝可以反映卷煙的品牌、款式、價值和質(zhì)量[1]。

機器視覺是使用光學技術(shù)和非連接傳感器來獲取物理圖像的單元，通過提取和分析圖像興趣信息來自動確定目標的對象[2]。在制造的卷煙表面缺陷機的視覺中，首先使用適當?shù)膱D像采集裝置，通過完成從光學信號到電信號甚至數(shù)字信號的轉(zhuǎn)換來獲得高質(zhì)量的表面圖像。在拍攝數(shù)字圖像后，模擬人類的視覺功能，得到智能的視覺語義[3]?；跈C器視覺識別卷煙表面的缺陷需要使用不同的圖像處理方法來解碼和理解圖像信息，包括圖像分割、物體提取和識別。字符提取適配器用于從圖像分割后的像素信息中獲取圖像屬性，并映射區(qū)域降維的目標，以避免計算過程中的“災難維度”數(shù)據(jù)[4]。提取相關(guān)關(guān)系去除像素之間信息的高度互連，使用指定的提取和重建特征去除了信息的放電，并提高了目的地分類和識別的速度。

視覺技術(shù)也廣泛應用于卷煙行業(yè)的其他方面。有學者采用CCD數(shù)字圖像處理來測量頁面線條的寬度。葉線寬度的測量是通過圖像分割表示、二值化、矩陣求逆等步驟完成的。CCD圖像傳感器用于確定卷煙區(qū)域，該傳感器設(shè)計用于測量煙的長度，采用機器視覺方法，為計算卷煙在每個區(qū)域的比例和調(diào)整制片工藝參數(shù)提供了依據(jù)。同時，機器視覺技術(shù)具有良好的測量結(jié)果和高的穩(wěn)定性。因此，在卷煙瑕疵識別過程中，利用視覺技術(shù)采集實時卷煙的圖片和過程并對其進行分析，以實現(xiàn)對卷煙的在線識別[5]。為了提高識別系統(tǒng)的識別效率和穩(wěn)定性，在改進設(shè)備系統(tǒng)的基礎(chǔ)上，提高卷煙分類的效率和保持分類時間，提出了一種基于機器視覺的卷煙外觀質(zhì)量瑕疵在線識別方法。

1基于機器視覺的卷煙外觀質(zhì)量瑕疵在線識別方法設(shè)計

1.1卷煙外觀圖像數(shù)據(jù)預處理

卷煙生產(chǎn)場所的環(huán)境很復雜，收集到的卷煙圖像中的光線、機械振動和灰塵的變化會引起顯著的噪聲，將影響煙盒的表面處理，導致外邊緣和輪廓的一部分有大量不規(guī)則毛刺。綜上所述，在繪圖前需要對圖像進行處理。將圖像對準方法用于防止由機械振動和煙霧圖像引起的噪聲。一般的圖像比較算法包括平均濾波、高斯濾波、雙邊濾波等。輸出像素值取決于鄰域像素加權(quán)值的組合：

使用卷煙圖形、平均濾波、高斯濾波和雙邊濾波進行處理。在使用均勻濾波、高斯濾波和雙邊濾波處理卷煙圖像后，圖像是均勻的，但當邊緣輪廓展開時，直觀地觀察到圖像的邊緣是模糊的。另外，雙邊濾波既能簡化圖像以防止噪聲，又能保持卷煙的良好信息。保護的特征也可以有效地改善進一步特征的提取，特別是外徑的提取。因此，選擇雙邊濾波來對圖像進行濾波以降低噪聲。在生產(chǎn)中，卷煙的運動是通過旋轉(zhuǎn)傳送帶上的鏈條來實現(xiàn)的。當相機收集卷煙圖像時，卷煙周圍的環(huán)境，也被工業(yè)相機去除。盡管當前的預處理比例值較低，但與周圍沒有機械結(jié)構(gòu)的“管道”區(qū)域相比，預處理差異仍然很大。如果直接對圖像進行分割和提取，則在最新階段對提取沒有貢獻的圖像中的干擾形式。提取圖像是回收卷煙圖像的總體方法，包括提取兩個圖像上的相應像素上限值?；诖?，除卷煙外，大多數(shù)背景障礙都已消除，由于卷煙下方存在幾個反射金屬成分，這些成分的上限值與卷煙圖像的值相似。因此，卷煙圖像和提取的準確圖像值相對較低，這與卷煙圖像的預處理比例顯著不同。如果在卷煙圖像中顯示，則陰影和卷煙圖像信息將丟失。其中，圖像噪點的去除可以去除部分背景，但也可能丟失部分卷煙信息，使得提取的卷煙圖像不完整。針對傳統(tǒng)圖像提取的不足，利用擴展預處理比例來去除背景圖像，本文采用了擴展預處理比例的方法來處理卷煙圖像。強化整體閾值尺度的方法是強化公式中所示的線性變換閾值尺度。

大多數(shù)上限值集中在高和低區(qū)域，從而造成較差的圖像質(zhì)量。背景圖像上限值的分解大約為0～50，并且在50～255的范圍內(nèi)幾乎沒有發(fā)現(xiàn)。灰色值高是因為卷煙表面均勻而寬闊，在周轉(zhuǎn)燈的光線下，主要分為100和255。因此，可以去除煙霧圖像中的一些低速像素并去除背景，然后將圖像比例中的剩余像素上限值映射到區(qū)域0～255以提高對比度?？潭壤鄯e直方圖是圖像直方圖的連續(xù)累積，反映了低于上限刻度的像素百分比。預處理比例小于26的像素是背景圖像的90%。因此，為了保持卷煙信息，最大值為255，最小值為26。圖像中收集到的卷煙的灰度值高于背景圖像，因此幾乎不會導致卷煙信息的任何丟失。此時，大多數(shù)背景區(qū)域被去除，并且對比度也得到改善。在加強了預處理秤之后，卷煙是完全透明的，這有助于對卷煙圖像的后續(xù)處理。

1.2圖像瑕疵特征提取

卷煙輪廓特征的提取是圖像處理的關(guān)鍵，輪廓提取的準確性決定了卷煙圖像識別的準確性。本研究提出了一種適用于在線識別的圖像瑕疵特征提取流程，以解決卷煙輪廓圖像瑕疵特征提取。圖像瑕疵特征提取流程如圖1所示。

由圖1可知，在批準了對100個品牌的1000多支卷煙對其使用輪廓提取方法。第一階段的輪廓提取誤差為±20像素，第二階段的輪廓抽取誤差為±5像素。由于在第二階段中提取輪廓的準確性得到了提高，因此通過提取圖像的相應特征，所獲得的長度可用于識別具有相同特征（如顏色和質(zhì)地）的同一品牌卷煙的軟包裝和硬包裝之間的差異，從而實現(xiàn)圖像瑕疵特征提取。

1.3基于機器視覺實現(xiàn)卷煙外觀質(zhì)量瑕疵在線識別

由于識別技術(shù)的限制，大多數(shù)識別都具有不穩(wěn)定的特征，如連字符、缺損和各種類型的字體，可能導致識別出現(xiàn)誤差。針對這個問題，提出基于機器視覺的卷煙外觀質(zhì)量瑕疵在線識別方法，對許多樣本進行了訓練和校準，并調(diào)整了圖像處理的基本算法參數(shù)，使其更加穩(wěn)定和靈活。同時，采用易于處理許多未知情況的框架規(guī)劃概念，這些情況可以在最新階段進行調(diào)整。有效防止機械視覺誤差，提高識別精度。基于機器視覺的卷煙外觀質(zhì)量瑕疵在線識別流程如圖2所示。

該過程是確定間隔，獲得識別對象包裝的預處理圖像，提取包裝圖像的像素邊緣，將邊緣輪廓劃分為直線，確定長度和角度以選擇線段并創(chuàng)建閉合間隔。當計算出最小極限矩形中的區(qū)間后，繼續(xù)確定邊上矩形的長度。在這種情況下，如果矩形的長度大于規(guī)定值，則應將其視為無缺陷；相反的，則被認為是有缺陷。如果沒有存在最小限制矩形，則可以直接將其識別為有缺陷。

2實驗論證

2.1實驗準備

以卷煙加工廠為實驗對象進行了對比實驗，建立了實驗環(huán)境。利用該環(huán)境對加工廠的一個矩形卷煙包裝缺陷進行了識別，驗證了本文識別方法在識別過程中的效果。檢查本文方法的正確性和功能。從實驗加工設(shè)備的包裝線上隨機抽取200個卷煙包裝，在多圖像分析的基礎(chǔ)上，利用文字系統(tǒng)和缺陷檢測系統(tǒng)對包裝的缺陷進行識別。對3種方法否認識別結(jié)果進行比較并進行記錄，比較結(jié)果如表1所示。

2.2對比實驗

通過表1可知，本文設(shè)計的基于機器視覺的卷煙外觀質(zhì)量瑕疵在線識別方法，整體識別過程的各種圖像分析結(jié)果正確率都為100%。本文方法識別的有效性更高。相比于傳統(tǒng)方法1和傳統(tǒng)方法2識別結(jié)果更準確，與實際情況相符。這表明本文所設(shè)計的方法具有更高的識別精度性。

3""結(jié)語

針對卷煙物流中心的卷煙外觀質(zhì)量瑕疵在線識別問題，使用視覺技術(shù)在線識別卷煙外觀瑕疵，有效地保證了識別質(zhì)量，并提高識別的效率。機器視覺技術(shù)可以用圖像處理和攝影功能取代人腦和視覺功能，以實現(xiàn)對目標和色素提取領(lǐng)域信息的分析和處理。這屬于人工智能技術(shù)，在該技術(shù)的基礎(chǔ)上具有理想的活性，本文提出了基于機器視覺的卷煙外觀質(zhì)量瑕疵在線識別方法，可以實時監(jiān)控包裝質(zhì)量。該方法也為卷煙寬度的測定、雜質(zhì)的去除、燃料速度的分析和智能煙廠的監(jiān)控提供了良好的應用前景。

參考文獻

[1]唐坤，戴語琴，徐永能，等.基于Encoder-Decoder注意力網(wǎng)絡(luò)的異常駕駛行為在線識別方法[J].兵器裝備工程學報，2023，44（8）：63-71.

[2]裴雪武，董紹江，方能煒，等.動態(tài)調(diào)整灰色關(guān)聯(lián)分析方法在軸承早期退化在線識別中的應用[J].儀器儀表學報，2023，44（5）：61-70.

[3]胡宇豪，苗鴻臣，張清華，等.基于水平剪切導波的鋼橋面板疲勞裂紋在線識別方法[J].固體力學學報，2023，44（4）：458-469.

[4]林振烈，張虎，袁鶴，等.基于長程時空特征與多尺度外觀特征的鋅精選工況識別[J].有色金屬工程，2023，13（2）：79-89.

[5]崔巖，方春華，文中，等.基于VMD-WOA-ELM的電纜外力破壞振動信號在線識別[J].電子測量技術(shù)，2023，46（2）：121-129.