基于機(jī)器視覺(jué)的濾棒溝槽位移在線檢測(cè)系統(tǒng)

摘 要：由于KDF3E濾棒成型機(jī)在生產(chǎn)過(guò)程中，需要高效、精確地在線檢測(cè)間斷式溝槽濾棒的溝槽數(shù)目和位移量，因此本文設(shè)計(jì)了一套基于機(jī)器視覺(jué)技術(shù)的在線檢測(cè)系統(tǒng)。該系統(tǒng)能夠集成高性能線陣相機(jī)，實(shí)時(shí)采集生產(chǎn)線上處于運(yùn)動(dòng)狀態(tài)的濾棒圖像，并基于GPU加速的深度學(xué)習(xí)目標(biāo)檢測(cè)算法，即時(shí)、精準(zhǔn)地計(jì)算濾棒溝槽數(shù)目和位移，并剔除異常。實(shí)踐證明，該系統(tǒng)不僅滿足了溝槽濾棒數(shù)量及其位移量的高效檢測(cè)需求，而且達(dá)到了6000支/min濾棒的測(cè)量速度，測(cè)量精度精確至0.2mm，為濾棒生產(chǎn)的質(zhì)量控制和效率提升提供了強(qiáng)有力的技術(shù)支持。

關(guān)鍵詞：溝槽濾棒；深度學(xué)習(xí)；在線檢測(cè)；位移量

中圖分類(lèi)號(hào)：TP 391 " " " 文獻(xiàn)標(biāo)志碼：A

隨著人們健康意識(shí)不斷提高，降焦減害成為煙草行業(yè)發(fā)展的重要方向。為了提高香煙濾嘴的過(guò)濾效率，煙草行業(yè)開(kāi)發(fā)出醋酸纖維溝槽濾棒，將純纖維素紙包裹醋酸纖維絲束，制成特殊結(jié)構(gòu)的溝槽濾棒。利用純纖維素紙的機(jī)械截留作用和特殊壓紋溝槽擴(kuò)大比表面積的作用，改變煙氣在濾嘴中的行進(jìn)路線，提高煙氣粒相物的慣性碰撞和擴(kuò)散沉積，從而有效降低煙霧中的焦油量[1]。

間斷式溝槽濾棒由特殊結(jié)構(gòu)的溝槽純纖維素紙包裹醋酸纖維絲束濾芯制成，每支濾棒上有2個(gè)溝槽，間斷式溝槽濾棒位移量有嚴(yán)格的質(zhì)量標(biāo)準(zhǔn)，溝槽位移超過(guò)允差即為缺陷產(chǎn)品。目前，間斷式溝槽濾棒溝槽位移的檢測(cè)方式是離線抽檢[2-3]，溝槽位移在線檢測(cè)技術(shù)的研究尚未見(jiàn)報(bào)道。本文研究了一套間斷式溝槽濾棒溝槽位移在線檢測(cè)系統(tǒng)，旨在為溝槽濾棒的生產(chǎn)提供實(shí)時(shí)、高效的在線檢測(cè)手段。

1 系統(tǒng)方案設(shè)計(jì)

1.1 在線檢測(cè)系統(tǒng)結(jié)構(gòu)

間斷式溝槽濾棒溝槽位移在線檢測(cè)系統(tǒng)主要由工業(yè)線陣相機(jī)、點(diǎn)光源、中央控制器、視覺(jué)控制器、編碼器和傳感器等部分組成。

視覺(jué)控制器接收傳感器的觸發(fā)信號(hào)和編碼器信號(hào)，控制線陣相機(jī)進(jìn)行圖像采集。線陣相機(jī)安裝在濾棒條的垂直上方，能夠捕捉濾嘴棒的圖像，由以太網(wǎng)與中央控制器進(jìn)行數(shù)據(jù)傳輸。點(diǎn)光源安裝在濾棒條的下方，以背光方式照射濾棒條。中央處理器是系統(tǒng)的核心控制單元，接收線陣相機(jī)傳輸?shù)膱D像數(shù)據(jù)，對(duì)圖像數(shù)據(jù)進(jìn)行處理后，計(jì)算出單支濾棒的溝槽位移量，并判斷濾棒溝槽位移是否符合質(zhì)量標(biāo)準(zhǔn)。

傳感器和編碼器安裝在濾棒成型機(jī)上。傳感器監(jiān)測(cè)濾棒成型機(jī)的切刀動(dòng)作，其信號(hào)觸發(fā)線陣相機(jī)進(jìn)行幀掃描，編碼器的信號(hào)觸發(fā)線陣相機(jī)進(jìn)行行掃描。

1.2 圖像采集

線陣相機(jī)采集高速運(yùn)動(dòng)的濾棒條圖像，為了匹配KDF3E濾棒成型機(jī)6000支/min的生產(chǎn)速度，線陣相機(jī)采用幀+行的觸發(fā)方式采集圖像，幀觸發(fā)控制圖像開(kāi)始拍攝的位置，行觸發(fā)控制圖像中每一行開(kāi)始拍攝的位置。

傳感器監(jiān)測(cè)濾棒成型機(jī)的切割點(diǎn)位置，每切割一次濾棒條，傳感器就發(fā)出一個(gè)信號(hào)，并將此信號(hào)作為線陣相機(jī)開(kāi)始掃描的信號(hào)（即幀信號(hào)），將下一個(gè)切割信號(hào)作為本次掃描的結(jié)束信號(hào)和下一支濾棒的幀信號(hào)。

編碼器監(jiān)測(cè)濾棒成型機(jī)切刀的位置，每個(gè)脈沖信號(hào)為線陣相機(jī)的行信號(hào)。切刀轉(zhuǎn)動(dòng)180°切割一次濾棒條，編碼器產(chǎn)生500個(gè)脈沖，線陣相機(jī)對(duì)單支濾棒掃描500行。濾棒長(zhǎng)100mm，圖像采集精度為0.2mm。

濾棒溝槽區(qū)域與其他位置的透光程度不同，溝槽區(qū)域存在褶皺、透光率低，而溝槽以外的區(qū)域較平滑，透光率較高。采用點(diǎn)光源從下往上打背光的照射方式產(chǎn)生強(qiáng)對(duì)比度，可以將濾棒中的溝槽映射出來(lái)，如圖1所示。

1.3 測(cè)量原理

間斷式溝槽濾棒示意圖如圖2所示。單支濾棒端面到溝槽邊緣的距離為濾棒溝槽的位移，測(cè)量濾棒溝槽的位移，即測(cè)量圖2中端面位置1與溝槽起始位置3間的距離Dr。圖像起始位置2與溝槽起始位置3間的距離為D1。濾棒成型機(jī)切刀切割點(diǎn)與線陣相機(jī)的距離為D，是固定不變的。單支濾棒長(zhǎng)度為L(zhǎng)。單支溝槽濾棒端面位置1與圖像起始位置2間的距離為D0，是固定不變的，可以將其作為補(bǔ)償距離。

因此，檢測(cè)系統(tǒng)測(cè)量出D1的值，通過(guò)計(jì)算可以得到溝槽位移Dr，即補(bǔ)償距離D0=D mod L（余數(shù)運(yùn)算，D值和L值固定，結(jié)果為常量）；溝槽位移Dr=D1+D0。

2 檢測(cè)模型和算法

KDF3E濾棒成型機(jī)的生產(chǎn)速度為6000支/min，使用CPU進(jìn)行運(yùn)算難以滿足高速場(chǎng)景的需求，因此采用GPU加速推理。現(xiàn)場(chǎng)部署了一塊Nvidia Tesla T4顯卡進(jìn)行加速計(jì)算，比較Intel XeonE-2278GE處理器，每張圖像的推理速度從95ms～100ms提高至8ms～11ms，能夠滿足現(xiàn)場(chǎng)高速場(chǎng)景。

線陣相機(jī)所采集單支間斷式溝槽濾棒成像圖的溝槽邊緣特征并不明顯，傳統(tǒng)的模型算法難以穩(wěn)定溝槽邊緣定位，因此本文采用深度學(xué)習(xí)目標(biāo)檢測(cè)算法對(duì)濾棒溝槽進(jìn)行定位。

2.1 檢測(cè)模型

目標(biāo)檢測(cè)模型選用YOLOv5s[4]。YOLOv5是一種基于單階段目標(biāo)檢測(cè)器的輕量級(jí)模型，比傳統(tǒng)的兩階段目標(biāo)檢測(cè)器（例如Faster R-CNN和SSD）具有更高的檢測(cè)精度和更快的推理速度。算法步驟如下所示。

第一步，數(shù)據(jù)準(zhǔn)備。準(zhǔn)備溝槽濾棒的圖像數(shù)據(jù)集，本文總共收集817個(gè)數(shù)據(jù)集，其中訓(xùn)練集為697個(gè)樣本，驗(yàn)證集為120個(gè)樣本，測(cè)試集為120個(gè)樣本，該數(shù)據(jù)集將作為訓(xùn)練模型的輸入。

第二步，模型訓(xùn)練。為了加速模型收斂，本文選用YOLOv5s的預(yù)訓(xùn)練模型，訓(xùn)練圖像為（640×640）ppi，訓(xùn)練輪次（epochs）為500輪，批大小（batch）為8，初始學(xué)習(xí)率為0.005，采用的優(yōu)化策略為隨機(jī)梯度下降法（SGD），loss曲線和性能指標(biāo)如圖3所示。經(jīng)過(guò)235次epochs（訓(xùn)練輪次）后，準(zhǔn)確率（Precision）曲線、召回率（Recall），全類(lèi)平均正確率（mAP0.5）以及全類(lèi)平均正確率（mAP0.5：0.95）趨于1，并在此后保持穩(wěn)定，說(shuō)明檢測(cè)模型訓(xùn)練完成。

第三步，模型推理。模型推理使用C++語(yǔ)言，將訓(xùn)練好的模型轉(zhuǎn)換為Onnx格式，由Onnx Runtime推理引擎進(jìn)行在線推理，包括初始化、前處理、模型前向計(jì)算和后處理4個(gè)步驟。1）初始化。加載onnx模型并進(jìn)行模型預(yù)熱。第一次加載需要執(zhí)行加載模型參數(shù)、分配內(nèi)存等步驟，通常需要2s～3s。為了解決初始化耗時(shí)長(zhǎng)的問(wèn)題，在軟件啟動(dòng)階段進(jìn)行模型預(yù)熱，加載onnx模型后會(huì)生成一張尺寸為（640×640）ppi的純色圖像，將其送入模型進(jìn)行前向計(jì)算，完成首次推理。2）前處理。使用opencv完成前處理，對(duì)圖像進(jìn)行自適應(yīng)縮放和填充操作，將輸入圖像調(diào)整為與訓(xùn)練數(shù)據(jù)相同的尺寸，以便與模型兼容。為了適應(yīng)現(xiàn)場(chǎng)高速場(chǎng)景，前處理采用自適應(yīng)圖片縮放算法[5]，盡量保持高寬比不變，原圖短邊縮放比例與長(zhǎng)邊一致，縮放至（640×360）ppi，填充純色后，最終尺寸為（640×384）ppi，提高了計(jì)算速度。將圖像數(shù)據(jù)轉(zhuǎn)換為浮點(diǎn)型，以便進(jìn)行數(shù)值計(jì)算和梯度傳播，保證模型推理過(guò)程中的數(shù)值精度和計(jì)算準(zhǔn)確性。調(diào)整圖像通道的順序，從HWC（H為Height，W為Width，C為Channels）轉(zhuǎn)換為CHW格式。3）前向計(jì)算。將前處理好的圖片送入網(wǎng)絡(luò)計(jì)算，并獲取輸出張量的結(jié)果。4）后處理。首先，輸出解碼，即模型輸出特征圖包括邊界框坐標(biāo)、置信度和類(lèi)別概率，將這些輸出轉(zhuǎn)換為實(shí)際圖像中的坐標(biāo)。其次，置信度閾值過(guò)濾，即設(shè)定置信度閾值為0.7，在輸出的多個(gè)檢測(cè)框中過(guò)濾掉置信度低于0.7的邊界框，只保留置信度高于0.7的檢測(cè)結(jié)果。最后，非極大值抑制（NMS），即YOLOv5算法的輸出結(jié)果會(huì)產(chǎn)生大量預(yù)測(cè)框，用于移除冗余的邊界框，從而保留最有可能帶有目標(biāo)的框。

NMS的主要步驟如下所示。1）排序。根據(jù)預(yù)測(cè)置信度分?jǐn)?shù)對(duì)所有邊界框進(jìn)行排序，優(yōu)先考慮置信度最高的框。2）選擇框。選擇置信度最高的框?yàn)楫?dāng)前框。3）計(jì)算重疊度。計(jì)算當(dāng)前框與所有剩余框間的交并比（Intersection over Union，IoU）。4）移除冗余框。刪除與當(dāng)前框的IoU超過(guò)預(yù)設(shè)閾值的所有其他框。5）重復(fù)以上過(guò)程。將當(dāng)前框加入最終的檢測(cè)結(jié)果列表，反復(fù)從排序列表中選擇下一個(gè)置信度最高的框，直到處理完所有的框，保留最有可能的目標(biāo)框，提高檢測(cè)結(jié)果的準(zhǔn)確性。

2.2 輸出結(jié)果

對(duì)于每張圖像，模型將輸出的預(yù)測(cè)框，表示檢測(cè)到的溝槽位置，包括溝槽的位置坐標(biāo)和置信度分?jǐn)?shù)，分析模型并計(jì)算出每個(gè)溝槽的具體位置坐標(biāo)。

3 測(cè)量結(jié)果

目前，溝槽濾棒溝槽位移標(biāo)準(zhǔn)為（20±1）mm，溝槽位移在19mm～21mm為合格產(chǎn)品，超過(guò)位移標(biāo)準(zhǔn)的視為缺陷產(chǎn)品。檢測(cè)到的合格產(chǎn)品圖和缺陷產(chǎn)品圖如圖4所示。

為了進(jìn)一步驗(yàn)證在線檢測(cè)系統(tǒng)的可靠性和準(zhǔn)確性，分別生產(chǎn)溝槽位移規(guī)格為18mm、19mm、20mm、21mm和22mm（濾棒成型機(jī)可調(diào)整溝槽位置）的濾棒，每次取100支濾棒的平均檢測(cè)結(jié)果。同時(shí)由人工抽檢20支濾棒進(jìn)行溝槽距離測(cè)量，取測(cè)量數(shù)據(jù)的平均值。將人工測(cè)量的數(shù)據(jù)和在線檢測(cè)裝置測(cè)量的數(shù)據(jù)進(jìn)行比較，結(jié)果見(jiàn)表1。

從2種測(cè)量方法的測(cè)量結(jié)果可以看出，與人工測(cè)距相比，采用在線檢測(cè)系統(tǒng)測(cè)量的溝槽距離相對(duì)誤差低于1.5%，證明本文檢測(cè)系統(tǒng)測(cè)量結(jié)果準(zhǔn)確、可靠。

4 結(jié)論

本文設(shè)計(jì)了一套基于機(jī)器視覺(jué)技術(shù)的間斷式溝槽濾棒溝槽位移在線檢測(cè)系統(tǒng)，該系統(tǒng)能夠滿足KDF3E濾棒成型機(jī)在生產(chǎn)過(guò)程中對(duì)溝槽濾棒數(shù)量及其位移量的高效檢測(cè)需求。

該系統(tǒng)具有以下3個(gè)特點(diǎn)。1）效率高。基于GPU加速的深度學(xué)習(xí)目標(biāo)檢測(cè)算法，實(shí)現(xiàn)高速6000支/min濾棒的檢測(cè)速度。2）精度高。測(cè)量精度≤0.2mm，能夠滿足溝槽濾棒生產(chǎn)的質(zhì)量控制要求。3）具有自動(dòng)采集圖像、自動(dòng)檢測(cè)溝槽和自動(dòng)剔除缺陷溝槽濾棒等功能，提高了生產(chǎn)效率。

參考文獻(xiàn)

[1]盛培秀.溝槽醋酸纖維濾棒的開(kāi)發(fā)[J].煙草科技，2004（4）：17-19，22.

[2]劉學(xué)海.基于CCD的濾棒直徑檢測(cè)傳感器[J].應(yīng)用科學(xué)，2010，4（119）：119-122.

[3]董浩，洪深求，周德成，等.醋纖溝槽濾棒特征參數(shù)測(cè)定方法[J].煙草科技，2010（4）：5-8，20.

[4]劉鴻瑜，袁國(guó)武.基于改進(jìn)YOLOv5s的煙支外觀缺陷檢測(cè)方法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2022，32（8）：161-167.

[5]程長(zhǎng)文，陳瑋，陳勁宏，等.改進(jìn)YOLO的口罩佩戴實(shí)時(shí)檢測(cè)方法[J].電子科技，2023，36（2）：73-80.