烟丝结构在线检测装置设计

2022-01-10吴文强钟科军毛伟俊王艺斌许文武

食品与机械 2021年12期

吴文强李军陈龙金勇刘斌钟科军毛伟俊王艺斌许文武

(1. 湖南中烟工业有限责任公司技术中心，湖南长沙 410007；2. 南京焦耳科技有限责任公司，江苏南京 210000)

烟丝结构是影响卷烟物理指标的主要因素之一，不同结构的烟丝对卷烟的质量和稳定性都有一定的影响，对卷烟的烟支重量、吸阻[1]、端部落丝量等质量指标[2]也有显著影响。目前烟草企业对烟丝结构的检测仍普遍采用烟丝振动分选筛，这种方法采样周期长，数据实时性差，而且受人为影响较多。近年来有学者通过图像识别技术来检测烟丝结构，楚晗等[3]通过对比同档次短支卷烟和常规卷烟的烟丝结构分布并对烟丝结构与物理指标进行回归分析，研究了烟丝结构分布及其对物理质量的影响差异；余娜等[4]采用分形理论，推导了烟丝筛下积累质量百分比与分形维数的相关性方程；夏营威等[5]通过计算机视觉系统，拍摄烟丝的可见光图像，并对图像进行畸变校正，提出了烟丝切口位置识别算法，实现了无规则摆放烟丝的宽度测量；郭三刺等[6]采用中值滤波对烟丝图像进行预处理，然后再用边缘提取方法计算烟丝的各个特征值，适用于离线检测烟丝结构；刘洋等[7]采用CCD扫描成像式对烟丝宽度进行快速检测；邸成良等[8]提出一种基于图像处理的自适应烟丝宽度测量方法，该方法具有很强的自适应性和抗干扰性，可以借鉴到烟丝结构的在线测量方面。但是这些研究都是针对烟丝结构[9]离线检测的，未见在线检测的相关文献报道。

研究拟采用风选摊薄方式与图像智能识别技术，设计开发在线烟丝结构检测系统，以期能够准确快速地检测烟丝长度、宽度、面积，并统计出烟丝中整丝、碎丝比例。

1 系统组成

如图1所示，在线烟丝结构检测系统主要包括烟丝输送皮带机、风选室、图像采集系统、图像处理系统和烟丝结构在线检测软件。输送皮带机B1烘干后的烟丝输送至风选室，风选室中有两道气动吹散装置，分别是气动吹散装置A1和气动吹散装置A2，实现烟丝的多次吹散。第一道气动吹散装置A1把输送皮带机B1来料中的单独的烟丝吹落到输送皮带机B2上，烟丝团落到输送皮带机B3上，输送皮带机B3上的烟丝和烟丝团经过气动吹散装置A2，将独立的吹散的轻的烟丝落到输送皮带机B2上，烟丝团落到输送皮带机B3上。经过两次吹散后，吹散的烟丝落到输送皮带机B2上，进入下道工序。经过两次吹散后，依然落下来的是梗签、焦油块等杂物，进入废料收集盒。图像采集系统采集烟丝在吹散状态下的烟丝图像(也就是输送皮带机B2上方的烟丝图像)。如图2所示，图像处理系统对采集的烟丝图像进行预处理，通过烟丝结构检测软件准确计算出每根烟丝的长度、面积，进行质量拟合，建立面积与质量的关系模型；同时根据这些数据统计出烟丝中整丝、碎丝比例；计算出整丝率、碎丝率，得出烟丝结构参数。

2 技术实现

在线烟丝结构检测系统中烟丝摊薄、烟丝图像检测所涉及的技术是研究的核心。

2.1 烟丝摊薄机构设计

风选室中气动吹散装置A1将输送皮带机B1匀速定量输送烟丝团经行吹散摊薄，形成相互独立的状态，重量轻的烟丝被吹落在输送皮带机B2上，部分烟丝、重量重的烟丝团、梗签及杂物、生产线上产生的焦油块下落到输送皮带机B3上，输送皮带机B3运行方向与输送皮带机B2相反，再经由气动吹散装置A2再次进行吹散摊薄，部分烟丝团被吹散至相互独立的完全摊开的状态，在风力作用下最终落入输送皮带机B2，无法吹散的烟丝团、有一定重量的梗签及杂物、生产线上产生的焦油块落入下方废料收集盒。而烟丝的造碎情况可以通过后续试验重复测量同一批次烟丝的碎丝率进行比较得到，如果设备在线计算的碎丝率与国标方法统计结果差别不大，并且重复测量碎丝率的变异系数较小，则可以判定该设备的造碎情况较小。而烟丝的摊薄效果可以通过统计烟丝的成团率得到，成团率越小则烟丝的摊薄效果也就越好。

1.输送皮带机B1 2.风选室 3.图像采集系统 4.图像处理软件 5.光源 6.气动吹散装A1 7.气动吹散装置A2 8.输送皮带机B2 9.输送皮带机B3 10.废料收集盒图1 在线烟丝结构检测系统结构图Figure 1 Structure diagram of online cut tobacco structure detecting system

图2 图像处理系统Figure 2 Image processing system

2.2 检测单元的设计及原理

烟丝图像检测单元主要包括光源、高速CCD线阵相机、采集卡和工控机。为了满足大视场高分辨率的要求，采用DALSA P4-CC-08K050-00-R线阵CCD相机，该相机有8 192个感光单元，像元尺寸达到7.04 μm×7.04 μm，当镜头放大倍率为0.7时，检测装置的最小测量值为0.01 mm，可满足烟丝长度的测量要求。图像检测单元集成了烟丝检测识别算法、烟丝结构检测算法。该单元的工作流程：采集的烟丝在吹散状态下的烟丝图像(输送皮带机B2上方的烟丝图像)经检测识别算法处理后，识别出的烟丝目标区域，对确定的烟丝目标区域经烟丝结构检测算法计算出该目标的长度，并依据事先标定出的烟丝质量模型，计算出待测样品中的整丝和碎丝的质量，同时确定整丝率和碎丝率，得到烟丝的结构参数。

2.3 图像处理算法

由于烟丝的测量精度要求过高，采用大分辨率线阵CCD拍摄烟丝图像时，得到烟丝图像较大(80 mm×80 mm 的图像，每幅图像大小约为80 MB)，因此需要对烟丝图像进行处理后才能快速准确地计算烟丝的长度。处理过程为：首先将图像进行预处理，中值滤波去除噪声，然后阈值化处理将彩色图像转换为二值图像，进行连通区域标记并提取烟丝连通区域，得到单根烟丝的图像，最后将单根烟丝进行细化、去毛刺(分叉点)测量烟丝的长度。另外，根据标记的连通区域的面积判定成团烟丝，若烟丝判定为成团，还需要对成团烟丝进行分割。

(1)图像预处理。采集到烟丝图像如图3所示，由于烟丝的结构不规则，需要对图像进行预处理去除噪声。去噪方法选用中值滤波法[10]，采用3×3的滤波窗口，以尽可能地保存图像的细节信息。由于烟丝图像中的背景部分存在略微明显的白色噪点，采用中值滤波可以取得较好的抑制效果，见图4。

(2)利用阈值分割对烟丝进行二值化，提取烟丝连通区域[11]。为标记图像中的不同烟丝，对分割后的二值图像进行连通提取和标记操作。常见的连通域提取方法有：线标记法[12]、区域增长法[13]、像素标记法[14]、基于特殊体系的并行标记算法[15]等。采用广度优先的连通域检测方法[16]获取烟丝连通域，并使用不同的灰度值标记连通操作得到的不同区域。标记效果如图5所示。

图3 烟丝图像图Figure 3 Image of cut tobacco

图4 图像预处理Figure 4 Image pre-processing

图5 连通域标记Figure 5 Label the connected areas

(3)对于成团的烟丝，通过提取每个烟丝连通区域内的面积，因为一般单个烟丝的面积都比较小，只有当烟丝成团时，轮廓区域面积较大，通过设定面积阈值，来判断连通区域是否属于成团烟丝，见图6。若被判定为成团烟丝，就需要对烟丝进行分割操作。通过基于预测密集的局部形状描述子[17]，将这些描述子组装成实例，通过卷积神经网络进行训练预测，并对其进行分割操作。

通过训练一个卷积神经网络来预测较为密集的局部形状块，从中在单通道中将所有的实例集合到一个图像中。卷积神经网络预测图像中每个像素的密集块，然后用它来找到块大小内每对像素的一致性。从中挑选出最符合的块进行连接。块与块的连接边缘是通过连接块一致性的赋值分数确定的。卷积神经网络会在函数上产生一个估值p。

p*:Dom(I)×P→{0,1}，

(1)

(2)

式中：

Dom(I)——采集图像I；

P——图像中的密集偏移集；

Instance——实例；

x——图像中的像素；

dx——像素x的变化量；

fg(I)——前景图像。

对于每个像素x∈Rd在d维图像I中的前景fg(I)中，当x+dx和x属于同一实例，则在密集偏移集P⊂Rd处的每个像素的x+dx是固定不变的。通过对每个密集块与块之间边缘的确定，来完成对烟丝中成团烟丝轮廓的分割。

利用训练深度卷积神经网络来预测函数p。它通过预测输入图像的每个像素的px(x+P)来实现。因此，集合P的基数决定了网络输出通道的数量。使用的是U-Net作为主干架构，通过在所有输出上训练网络的标准交叉熵损失来计算平均值。为了方便预测形状表示结果，在U-Net上层路径中保持特征图的数量固定，因此避免了仅从标准U-Net倒数第二层中的有限元特征图预测到的高维像素输出。

U-Net的输入是一张经过压缩后的256×256图像，网络是由卷积和Max Pooling构成的一系列降采样操作的压缩路径。压缩路径由4个block组成，每个block使用了3个有效卷积和1个Max Pooling降采样，每次降采样之后特征图的个数会乘2，因此特征图的尺寸会发生变化，最终得到了尺寸为41×41的特征图。如图7所示，白色轮廓表示单个烟丝轮廓，同时含有斜线和灰点的烟丝轮廓代表了成团的烟丝，而不同的轮廓烟丝代表了分割出来的不同烟丝。

图6 部分成团烟丝Figure 6 Part of the cut tobacco

图7 分割成团烟丝Figure 7 Cut into pieces

(4)在得到的烟丝连通域中，对图像进行细化，提取烟丝骨架[18]。细化是将图像的线条从多像素宽度减少到单位像素宽度的过程，又叫骨架化，细化的结果是原连通域的中心线，其稳定状态是将图像细化到最低限度相连且无断点的线[19]。

得到细化后的烟丝图像后，有时还需要对烟丝图像去除毛刺，主要思路就是将所有分支与毛刺都看成不同长度的分支，如果分支长度过短小于一定长度就认为是毛刺被去掉。每一个分支的结尾点都是一个端点。首先，遍历所有连通区所有点，找到所有端点，端点的定义为其8邻域点只有一个像素点，如图8所示，斜线像素点8邻域内只有黑色点一个像素点，那么判断斜线点为端点。遍历每一个端点，直到遍历到该分支的起始点也就是分岔点，分岔点定义为：经过细化后，8邻域的像素点个数≥3的点，统计每个分支的长度，长度小于阈值T的分支被认为是毛刺分支。之后将毛刺分支擦除，得到完好的烟丝细化图像。图9为分割后的部分烟丝图像，图10为去毛刺后的细化图像。

图8 判断烟丝轮廓端点Figure 8 Judging the end point of cut tobacco contour

图9 分割后的烟丝图像Figure 9 Cut tobacco image after segmentation

图10 细化后的烟丝图像Figure 10 Cut tobacco image after skeletonization

统计骨架的长度即为烟丝的长度。根据《卷烟工艺规范》[20]中规定，若烟丝长度>2.5 mm即为整丝，若烟丝长度<1.0 mm即为碎丝。然后通过计算烟丝的面积，拟合出整丝和碎丝的重量，从而计算出烟丝的整丝率和碎丝率。

3 检测效果

3.1 在线持续检测时间的设定

为确定适合烟丝结构在线持续检测时间，把持续检测时间设定为10个时间段(1～10 min)，每个时间段分别测量10次，计算烟丝结构碎丝率的平均值和变异系数，结果见表1。由表1可知，持续检测时间<5 min时，各组检测结果变异系数>5%，持续检测时间≥5 min时，变异系数<5%。因此，将在线持续检测时间设定在5 min以上，能够较为真实地反映制丝线烟丝结构实际质量状况。

3.2 烟丝结构装置的摊薄效果分析

为验证在线烟丝结构检测装置的摊薄效果，针对湖南某卷烟品牌A的成品烟丝，每间隔5 min统计一次成团率，共统计5次(一次统计结束后立即开始下一次的统计)，成团率分别为4.28%，5.07%，4.51%，4.22%，4.86%，均值为4.59%。说明此设备对于烟丝的摊薄效果较好。

3.3 在线烟丝结构装置的长度准确性检测分析

为了验证烟丝结构检测装置的长度的准确性以及重复性，随机选取了10根经过游标卡尺准确测量的烟丝，放入设备中连续采集5次。由图11可知，测量值和真实值的吻合度较高，相关系数达到了0.999 8。由表2可知，长度测量结果的相对误差<2.56%，变异系数<3.67%。说明系统准确性和重复性均能满足测量要求。

表1 不同持续检测时间的烟丝结构碎丝率Table 1 Broken silk rate of tobacco structure at different continuous detection time

图11 样品重复检测结果Figure 11 Repeated test results of samples

3.4 与国标振筛法对比

为验证在线烟丝结构检测装置检测效果，采用振筛法[21](取样量为1 000 178 g/次，水分11%～14%)和在线烟丝结构检测装置对湖南某品牌A同一批次的烟丝进行离线和在线对比检测，根据3.1节确定的在线连续取样时间为5 min以上，两种方法均连续取样10次，结果如表3 所示，在相同的检测任务下，振筛法耗时为在线烟丝结构检测装置的4倍。相对于振筛法，在线烟丝结构检测装置的标准偏差和变异系数明显减小，且均小于5%，说明检测装置测量精度较高，稳定性较好。