基于图像处理的烟条段搭口宽度测量方法

文 韬，韩 龙，文一夫

(常德烟草机械有限责任公司，湖南 常德 415000)

0 引言

烟条搭口上胶是指对卷烟纸包裹烟丝的重叠区域进行封口上胶的工艺过程，如图1所示，它是卷烟产品在卷制成型过程中的关键。然而，因搭口过宽或过窄导致封口上胶不良的外观缺陷烟支不易被卷接机组的检测系统识别，仅仅依靠人工检测极易出现漏检和误检等问题，严重影响卷烟品质。随着计算机软件和硬件技术的发展以及图像处理技术的完善，烟草行业已广泛应用图像处理技术于生产检测和过程控制。刘勇等人[1]提出了一种利用图像处理计算烟支污点面积的方法，其精确度达到0.03 mm2。王辉等人[2]设计了一种用于检测接装纸外观缺陷的检测装置，其检出率远高于人工检验水平。Cao Juli等人[3]设计了一种用于检测烟支表面缺陷的自学习控制系统，它能够全自动地对整个烟支表面进行光学检测。为此，基于图像处理技术，提出了烟条段搭口宽度检测方法，以解决搭口上胶不良的问题烟支不能被机组识别并剔除的问题。

图1 烟条搭口区域

1 硬件结构

实现该方法的硬件结构主要包括高速工业相机、LED光源、图像采集处理器、工业计算机(IPC)，如图2所示。其中，烟支脉冲信号保证高速相机能够获取完整烟支的数字图像(分辨率为835像素×92像素)；图像处理的核心是一台工业计算机(IPC)，它对采集到的数字图像进行分析并对问题烟支图像发出剔除信号；剔除鼓轮接收到剔除指令剔除检测到问题的烟支。

图2 检测方法硬件结构图

2 图像处理算法设计

对完整烟支的数字图像进行视觉显著性检测，获取搭口区域的高对比度灰度图像；然后根据先验知识，选取烟条段的五组列向量作为感兴趣区域，使用灰度变换降低背景干扰；最后通过专家模型确定感兴趣区域中位于搭口边缘的上下特征点从而测算出搭口宽度。图像处理结果如图3所示。

图3 关键步骤的处理结果图

2.1 视觉显著性检测

LC(Luminance-based Contrast)是由Zhai Yun等人[4]提出的一种视觉显著性检测算法，定义了在RGB空间下每一个像素点的全局对比度：

(1)

其中，

(2)

(3)

将这种利用图像全局信息的视觉显著性算法应用于完整烟支图像，能够有效表达搭口与烟条段的其他区域之间的颜色差异，如图3b所示。

2.2 提取感兴趣区域

图像处理中，从被处理的图像中以方框、圆等方式勾勒出需要处理的区域称为感兴趣区域。根据先验知识，选取不包含烟支滤嘴的烟支图像右半部分作为感兴趣区域A。然后以感兴趣区域A的左上角为原点，竖直向下为y轴，水平向右为x轴建立图像坐标系。用于检测搭口上下边缘的专家模型是以列向量作为处理单元，因此提取位于坐标位置(10,0)至(10,92)的列向量X1,与之平行且水平向右偏移量分别为50，100，150，200的列向量X2,X3,X4,X5，共5组列向量作为后续处理的感兴趣区域，如图3c所示。

2.3 灰度变换

(4)

下标m表示列向量由一个含有m个元素的列所组成，下标n表示列向量元素的索引值，avg则表示列向量的平均灰度值，threshold为阈值。

2.4 专家模型

得到经过灰度变换的图像后，需要分割出搭口区域以测算搭口宽度。常用的图像分割方法主要有：基于阈值的分割方法[5]、基于区域的分割方法[6]以及基于边缘的分割方法[7-8]。阈值分割是图像分割中应用数量最多的一类，其优点是运算效率较高，但是这种方法只考虑像素本身的灰度值而忽略了空间特征，因而对噪声很敏感。区域分割中的区域生长需要人工确定种子点，区域分割中的区域分裂合并算法复杂，运算量大，因此皆不适合应用于高速运行的工业生产场景。边缘分割采用一个小区域模板和图像进行卷积，运算量大并且对噪声的鲁棒性差。由于待测目标近似一块由上下两条水平线段包裹且灰度值突出的长方形区域，因此只需要在竖直方向找出位于这两条水平线段中的上下边界点即可计算出长方形即搭口的宽度。为了降低背景噪声干扰，提高运算效率，设计了一种分别用于测算上下边界点的专家模型：

(5)

式中，in=1…5表示专家模型对Y1～Y5即经过灰度变换后感兴趣区域中的每一个列向量选取的上边界点的纵坐标。T(i,m)是一个包含于Yn且元素个数为m=3…10的任意子集，这个子集由纵坐标为i～i+m-1共m个元素的像素点组成，avg计算T(i,m)的平均灰度值。使得avg[T(i,m)]取最大值所对应的变量in=1…5即为列向量Yn的上边界点的纵坐标。

下边界点专家模型以上边界点的纵坐标为起点竖直向下检索，当连续三个像素点的灰度值小于max{avg[T(i,m)]}时，则判定其中第一个像素点的纵坐标为下边界点的纵坐标kn=1…5。

wn=1…5=kn=1…5-in=1…5

(6)

式中，wn=1…5即为专家模型计算出的五组搭口宽度，对其取平均值得到烟条段搭口宽度的测量值。

3 性能分析

为了验证检测方法的有效性，本文对多组烟支图像进行了大量实验，采用常用的Meanshift分割算法以及Canny边缘检测算法针对同一幅图像进行比较。实验环境为64位Windows 7操作系统、8 GB内存、Intel(R) Core(TM) i7-7820HQ CPU 处理器。实验结果表明本文提出的检测方法在搭口边缘的提取精度以及运算效率上皆优于上述两种算法。

Meanshift算法能够较好地分割出烟支搭口区域，但是搭口边缘分割不够清晰并且没有很好地抑制噪声干扰，如图4(a)所示。Canny算法对纹理信息非常敏感，如图4(b)所示。本文算法很好地抑制了背景噪声以及纹理信息的干扰，能够准确获取烟支搭口的上下边缘特征点，如图4(c)所示。

图4 检测效果对比图

表1是上述三种算法对相同图像处理时的时间对比。从实验结果可以看出本文算法的处理速度更快，可以应用于卷接速度不超过15 000支/min的超高速卷接机组。

表1 算法处理时间对比

4 结论

本文提出了一种基于图像处理的烟条段搭口宽度测量方法，在搭建的硬件平台上，通过视觉显著性检测、选取感兴趣区域、灰度变换以及专家模型等算法，实现了搭口宽度的测算。实验结果表明，本文提出的算法能够快速准确地测算出搭口宽度，满足卷接机组检测需求。