1、光源与照明 总第 176 期 2023 年 1 月 光学前沿87基于图像识别法的烟丝图像处理与烟丝宽度计算杨 光，黄传喜，徐永虎，邢应杰，杨凡凡安徽中烟合肥卷烟厂，安徽 合肥 230000摘要：在卷烟生产过程中，烟丝宽度是影响卷烟感官质量和物理质量的关键工艺参数，烟丝宽度变化对烟丝的细腻度、香气透发性、刺激性等品质以及后续生产过程中的烟丝造碎均有不同程度的影响。目前，烟丝宽度检测主要依靠人工经验目测或低频次离线检测，存在标准不统一、离线检测频次低、代表性不足等问题。设计与应用烟丝宽度在线检测方法，有利于弥补上述不足。对此，文章设计自学习系统，建立样本库，利用图像识别法在线检测烟丝宽度。通过图像
2、处理、样品轮廓提取及计算，确定平行线检测法适用于检测烟丝宽度。关键词：图像识别法；烟丝宽度；系统自学习；样本库；图像处理；平行线检测法分类号：TP3910引言目前，关于图像识别法的研究与应用报道较多，如在影像识别方面，杨允1在论文“基于 CCD 图像的异物分拣技术及机器状态监控的研究”中介绍了影像识别系统的照明设计、图像数据的获取和处理，为高速运动物体的图像采集、数据处理及异常判别奠定了基础；张鼎等2在论文“浅谈数字图像处理技术在ZB48 包装设备小包检测方向的应用”中介绍了在超高速包装设备小盒烟包生产过程中数字图像系统的应用，应用数字图像系统可以在线检测并选出有外观缺陷的产品。然而，利用图像
3、识别法在线检测卷烟烟丝宽度的研究几乎没有。对此，文章主要介绍基于图像识别法的烟丝宽度在线检测中的图像处理与计算方法。1样本的选择和样本库的构建1.1 在线检测样本的选择烟丝宽度检测样本为输送过程中的表层烟丝，需要结合图像识别需求，研究表层烟丝中能用于在线识别与检测的样本特性。选出的样本应尽量为平躺状态，对于站立、扭曲、倾斜等状态的烟丝应尽可能不纳入在线检测样品选择；样本的边缘应尽可能清晰可分辨；用于在线检测的样本整体或部分轮廓应相对规则3。1.2 在线样本库的构建结合烟丝图像全局相似性和局部特征相似性的约束，设计系统自学习算法，构建系统样本库。随着系统不断自我学习与积累，样本库不断自我成长，样
4、本的识别与提取会朝着更精、更准、更加科学的方向自我完善与提升。同时设计系统物料轮廓自学习算法，不断丰富系统样本库数据，让系统做出更科学、准确的决策，实现烟丝样本检测的准确视觉识别。样本库的构建步骤如下：第一步，建立基于示功图样本库的论域 U。通过在线装置进行在线图片拍摄，针对物料的不同流量、不同高度、不同牌名、不同加工时段、不同光线强度等条件，收集 1 000 张照片，根据选取样本特征的要求，人工标注每张照片中符合要求的样本轮廓，构建样本论域样本库对象的集合 U：（1）式中：Kim为第 i 个图片中的第 m 个样本。第二步，建立样本库原始矩阵 A。对不同类样本示功图，按离散化的思想，根据合理的
5、时间间隔取多个点，且各个对象的性状指标用对应的 p 值来表示。根据假设和定义，得出样本库的矩阵 A 为（2）式中：K11为第 1 个图片中的第 1 个样本，K12为第 1 个图片中的第 2 个样本，以此类推，Knm为第 n 个图片中的第 m 个样本。第三步，获取待辨识样本图示模型 X。按照上一步的离散化要求，获得样本示图，并用如下公式表示其轮廓形态：作者简介：杨光，女，硕士，研究方向为烟丝物理特性。文章编号：2096-9317（2023）01-0087-03 光学前沿 2023 年 第 1 期 总第 176 期 光源与照明88（3）式中：X 为示功图模型；x1、x2、xm为待辨识样本模型中第
6、1 个、第 2 个、第 m 个样本；T 为矩阵转置。第四步，计算识别结果 0。识别结果 0的计算主要依据 Euclid 贴近度，且对计算方法做了如下定义：（4）式中：Y 为样本轮廓形态贴近度；y1、y2、ym为第 1 个、第 2 个、第 m 个样本的贴进度。利用 Euclid 贴近度计算 yi 的计算公式如下：（5）式中：yi为第 i 个样本的贴进度；为识别结果；Ki为第 i 张图片；Kij为第 i 张图片中的第 j 个样本；Xj为第 j 个示功图模型；n 为样本数。则得：（6）模糊图像识别遵循最大贴近度原则，根据此原则可以确定模型 X 中的被识别样本与样本库中第 i 个样本，也就是 Ki样本
7、是最为接近的，由此可实现样本的自动学习与识别。在多次标定并更新样本库后，系统已经能够准确识别平整不折叠的烟丝，合理规避因取样样本本身折叠、卷曲等原因造成的检测误差。烟丝图像深度学习中标注和预测的比较如图 1 所示。图 1样本图像深度学习中标注（上）和预测（下）的比较2样本图像处理2.1 图像预处理预处理流程主要包括第一次光照补偿、锐度补偿、图片调整（亮度、锐度、饱和度等）、第二次光照补偿（主要针对中心太亮的图片）。2.2 灰度化处理通过 CCD 拍摄的图像默认是彩色，信息量大，在烟丝宽度算法中需更一步的处理。图像的灰值化简单来说就是保持图像的 RGB 属性，将图像原本的颜色信息去除，通过灰度信
8、息表达原本图像的内容。图像由彩色转变为灰色主要利用加权平均法进行计算：（7）式中：Gray 为图片灰度值；R、G、B 为图像颜色三 个分量的值。2.3 二值化处理灰度对烟丝宽度检测的影响在量化算法中可以忽略不计，需要通过二值化将灰度图像转化为黑白图像。比较不同种二值化算法后发现，应用最大类间方差法能选出最佳阈值。最大类间方差法也叫作类间方差法，其整幅图像是由 t 阈值分隔而成的前景和背景构成。灰度分布均匀性可以用方差来度量，方差值越大，构成图像的前景和背景差别越大。当图像中出现目标和背景错分的情况时会导致目标和背景的差别变小，类间方差最大分隔表明错分概率最小。3样本轮廓识别3.1 烟丝图像轮廓
9、获取轮廓提取即二值图像的细化，需要将连通区域细化成单个像素宽度，方便特征的提取和目标的拓扑。被归于 morphology 子模块的骨架提取和分水岭算法属于形态学处理范畴，skeletonize()函数和 medial_axis()函 数是 morphology 子模块提供的两个函数，可以用于骨架提取，烟丝图像轮廓获取使用的是 skeletonize()函数。3.2 YOLO 算法烟丝边缘检测为确定烟丝宽度的检测结果，必须提取待测对象的边缘。YOLO 算法可以用整个图片的特征预测每一个边界框，可以同时预测一个图像在所有类中的所有边界框。需要先把整个图片均匀划分成 S 行和 S 列，当物体中心落在
10、任一方格中时，可以用此方格预测物体。可以用所有方格预测得到 B 个边界框的置信分数，可以表示方格包含物体的准确度和产生的框的精确度，输出为 SS(5B+C)的一个张量（tensor）。其中，S S 表示图片划为 SS 个网格（cell）；B 表示每个网格要预测B个bounding box（4个位置信息+1个置信度），类似于 anchor 中的框；C 表示每个网格都要预测 C 个 categories。YOLO 算法流程如图 2 所示，如果有 object 落在一 光源与照明 总第 176 期 2023 年 1 月 光学前沿89个方格里，则第一项取 1，否则取 0。每一个边界框有 x、y、h、w
11、、confidence 五个参数需要预测，其中（x，y）为框的中心点坐标，与方格的边界有关；h 和 w 为框的高度和宽度，与整个图片有关；confidence 为预测框和标签框的 IoU。图 2将检测模型化为回归问题的 YOLO 算法流程每个方格预测 C 个条件类别概率，在测试时，将条件类概率与单个框的置信度相乘，得到特定类别的置信度分数能反映一个类别出现在一个框的可能性与预测框和物体的匹配程度。YOLO 算法对移动物体的检测非常精准快速，适用于计算机视觉应用。为了验证 YOLO 算法能否保持检测的实时性，在研究中连接到网络摄像头，获取移动烟丝的图像，并显示检测时间。YOLO 算法具备对图像的
12、单独处理能力，可在目标移动并在外观发生变化时检测目标。4烟丝宽度计算4.1 不同宽度检测方法4.1.1 轮廓骨架检测法通过离散的像素集合计算不出骨架的斜率，需要建立直角坐标系，摄取图像上下边缘像素集合与骨架像素集合，使用多项式拟合得到光滑的函数曲线方程f(x)来代表骨架，继而通过骨架描述烟丝宽度整体趋势。取曲线方程 f(x)上任意一点求导可以得到该点的切线斜率，由切线斜率得到经过该点的法线斜率，得到该点的法线方程。4.1.2 平行线检测法平行线检测法是通过识别图像的对应边缘，对每个边缘短距离内较规整部分进行划线，寻找临近的边缘平行线进行检测。4.2 不同检测方法的精准性对比采用静态测试的验证方
13、法，在静置条件下，使用相同的烟丝样本，对上述两种算法开展测试，并将结果与实验室投影仪测试结果进行比对验证。验证结果如表 1 所示。表 1对比测试结果方法名称检测值/mm平均值/mm标偏/mm轮廓骨架1.0521.0711.0851.0271.0761.1131.0751.1041.0911.0351.073 60.0261.0511.0801.0811.0751.0681.0551.1381.0751.0511.069平行线1.0231.0321.0281.0441.0251.0411.0321.0251.0471.0251.033 10.0091.0311.0251.0251.0351.05
14、51.0481.0321.0421.0251.022投影仪 1.02 1.03 1.01 1.02 1.01 0.98 1.03 1.01 1.03 1.011.016 50.012 1.03 1.02 1.02 1.01 1.03 1.02 1.02 1.01 1.02 1.00注：为了减少测试误差，每种方法检测 20 次，然后取平均值，计算标准偏差（标偏）。从表 1 可知，轮廓骨架检测法、平线性检测法与投影仪检测的结果差分别为 0.057 1 mm 和 0.016 6 mm，平行线检测法检测结果标偏小，为 0.009 mm，因此，平行线检测法较适用于烟丝宽度的检测。5结束语文章设计了样本库
15、样本自学习方法，通过构建样本库，提取样本库样本特性，运用自学习算法，实现了样本的自动学习与识别；对图像预处理后采集的图像样本进行灰度化、二值化处理，实现了样本的灰度与分割处理；样本经过 morphology 子模块处理，得到了烟丝轮廓，通过 YOLO 算法边缘检测，进行了边缘识别，可精准处理样本的轮廓与边缘。通过对轮廓骨架法、平行线法的对比，得出平行线检测法较适宜用于烟丝宽度的检测。参考文献1 杨允.基于CCD图像的异物分拣技术及机器状态监控的研究D.南京:南京航空航天大学,2007.2 张鼎,麻玉,楚良.浅谈数字图像处理技术在ZB48包装设备小包检测方向的应用J.电脑迷,2018(11):62.3 陈珊.基于spiking神经网络的动态自适应分类模型研究及应用D.成都:电子科技大学,2018.
