杨 恕,郑云富,吴明毅,张桂莲,钱 斌

(1.曲靖卷烟厂 制造二部，云南 曲靖 655000； 2.昆明理工大学 信息工程与自动化学院，昆明 650500)



SLEE算法与Hough圆拟合在香烟小包拉线错牙检测中的研究

杨 恕1,郑云富1,吴明毅1,张桂莲2,钱 斌2

(1.曲靖卷烟厂 制造二部，云南 曲靖 655000； 2.昆明理工大学 信息工程与自动化学院，昆明 650500)

针对香烟生产中广泛存在的小包拉线错牙问题，提出一种基于图形识别的检测方法；利用图像校正、平滑滤波、迭代阈值分割、边缘提取对拉线图像进行预处理，再采用随机霍夫变换(RHT)对两个拉线U型切口进行圆拟合，进而根据两个圆心在垂直方向上的距离计算出拉线错牙偏移量；针对Sobel、Canny等获取的边缘存在较多冗余信息问题，提出了一种扫描线边缘提取(SLEE)算法；实验结果表明所提方法能有效地检测出烟包拉线的错牙程度，误差小于0.3 mm且具有较好的鲁棒性。

拉线错牙；图形识别；扫描线边缘提取；随机霍夫变换

0 引言

烟草行业非常重视香烟的包装品质，将其作为考核生产车间质量管理水平的重要依据。在香烟小包包装过程中，经常出现外包装上没有拉线或拉线错牙的现象。这类现象在香烟包装质量问题上占有一定的比例。由于卷包生产线速度较快，同时拉线错牙存在一定的隐蔽性，人工无法准确判断快速移动的香烟小包是否存在拉线错牙的问题。目前各烟厂基本靠巡检或抽检，但这种检测方式具有较大滞后性和随机性，当发现不合格产品时生产早已进入后续工序，不利于质量追溯和责任认定，严重影响了车间的生产和质量管理。同时，不合格产品会减少用户的满意度，也会降低品牌价值和产品信誉。因此，在卷包生产线上进行香烟小包包装质量检测，对优化烟草产品包装质量和提高企业竞争力具有重要意义。

传统的香烟包装质量是利用光纤传感器或位移传感器进行检测[1]，但只能检测烟包的特定部位，且无法有效地检测出烟包拉线有无或错牙等现象。近年来，基于图像的检测方法因其处理精度高、速度快等优点[2]，已在云南、河南、贵州和广东部分烟厂的香烟条包和小包包装质量检测系统中得到成功应用。汪洋[1]提出了一种基于机器视觉的香烟小包外包装膜破损检测方法。曾文艳[3]采用快速图像匹配方法检测香烟小包外观质量。王珍[4]针对香烟条包拉线为黄色或白色的Cocopalm、金许昌等香烟品牌，采用直线拟合的方法检测香烟条包有无错牙，但对拉线为透明或半透明的其他品牌香烟条包的检测效果不理想。

目前尚无关于香烟小包拉线错牙检测方法的研究，针对云南省曲靖卷烟厂香烟小包拉线错牙实时检测的要求，本文提出一种基于图形识别技术的拉线错牙检测方法。针对Sobel、Canny等获取的边缘存在较多冗余信息问题，提出了一种扫描线边缘提取(SLEE)算法，明显减少了图像中的目标像素量且弱化了图像边缘凹凸的情况，极大地减少Hough圆拟合的时间，增加检测的精度。

1 检测原理与流程

1.1 烟包拉线错牙检测原理

基于图像处理的烟包拉线错牙检测，关键在于拉线边缘的提取和识别。通过对香烟小包拉线区域进行不同角度的打光和拍照测试发现拉线弧的边界最为清晰，故可对其进行圆拟合和识别，进而根据圆心在垂直方向(y轴方向)上的距离来计算拉线错牙偏移量。

图1为一幅烟包拉线图像，其尺寸为width(pixel)×height(pixel)，单位像素所占的实际尺寸为R(mm/pixel)。圆O1、O2是拉线弧1和拉线弧2分别基于随机霍夫变换拟合而成的圆，圆心坐标分别为(X1,Y1)，(X2,Y2)。设Dist为拉线错牙的偏移量，计算如公式(1)：

(1)

图1 拉线错牙检测原理图

1.2 烟包拉线错牙检测流程

烟包拉线错牙检测系统原理图如图2所示。

图2 系统原理图

使用定制的光源为烟包打光，通过外触发信号来控制工业相机采集图像。相机通过与计算机的接口和接口设备程序将图像传入计算机内存中。利用开发的软件检测烟包拉线有无错牙，执行机构将不合格烟包从生产线上剔除。

表1 烟包拉线错牙检测流程

2 图像预处理

2.1 图像校正

在图像采集过程中，小包香烟是在机器振动下由机械拉杆不断推送到转盘上，采集到的图像会出现一定程度几何变形，即香烟小包在图像中未处于水平位置，而是旋转了一定的角度。为了消除这一影响，需对采集的图像进行几何矫正，确保拉线偏移量Dist的准确性。

采用双线性插值法校正图像，将待求像素点的灰度值取为与它相邻的4个点的灰度值在行和列两个方向上的线性内插[11]。如图3，即根据与点(x,y)相邻的4个点的灰度值，通过两次插值计算出点(x,y)的灰度值p(x,y)。

图3 双线性插值算法示意图

2.2 图像平滑

由于光、灰尘等车间环境的影响，采集到的图像会有噪声，噪声不仅会影响图像的质量还会降低检测结果的精确度。中值滤波是一种非线性的信号处理方法，可以克服线性滤波器处理图像细节模糊的问题[5]，不仅能去除孤点噪声，而且可以保持图像的边缘特性，不会使图像产生显著的模糊。

中值滤波将周围的像素灰度值的差比较大的像素改为选取与周围的像素值接近的值，从而消除孤立噪声点。图4显示的是使用中值滤波器平滑后的图像，从图中可以看出，图像的边缘信息被保留下来，获得较满意的滤波效果。

图4 中值滤波器平滑处理后的图像

2.3 二值化

选择固定阈值T将源图像从灰阶转换为二值化图像，如下式所示：

(2)

迭代法分割图像可以更准确地找到阈值并获得较理想的图像分割效果。迭代法[6-8]的基本思想是：选择一个阈值作为初始估计值，然后按照某种策略通过迭代不断改变这一估计值，直到满足给定的准则为止。采用迭代法分割图像的结果如图5所示。

图5 对滤波图像进行阈值分割的结果

2.4 扫描线边缘提取

图像的边缘是所要提取目标和背景的分界线，提取出边缘才能将目标和背景区分开来。通过对不同边缘检测算法的实验结果进行分析，如图6所示，Sobel、Canny等边缘检测算法获得的拉线弧1和拉线弧2的边缘清晰、完整，但边缘凹凸不平且内外边缘之间有较多冗余边缘，将会影响检测的精度和圆拟合的计算量。

图6 使用Canny算子提取的图像边缘

无论是经典的Hough圆检测还是其改进算法如基于梯度的Hough变换、随机Hough等都是对目标像素进行逐一映射，目标像素越多，计算量越大。因此如果能用尽量少的边缘信息代替整个图像信息，又能保留图像中待检测的圆弧的大致形状，将大幅度减少计算量，提高拟合速度。本文基于小盒烟包拉线图像的特点，提出一种扫描线边缘提取算法，原理如下：

1) 设置一条高度为H的扫描线，从左至右扫描图像。当扫描线位于x(0≤x

2) 生成新的目标像素NewTarget，其X方向坐标为x，Y方向坐标为NewY=YAddition/YTargetNumber。重新生成一幅相同大小的黑色图像f，将f上像素点(x，NewY)置为白色，依次遍历整个图像。水平扫描线边缘提取后的图像如图7所示。

图7 水平方向扫描后的图像

3) 设置一条宽度为W的扫描线，从上至下扫描图像。当扫描线位于Y(0≤y

4) 生成新的目标像素NewTarget，其X方向坐标为NewX=XAddition/XTargetNumber，Y方向坐标为y，将f上像素点(NewX，y)置为白色。依次遍历整个图像。垂直扫描线边缘提取后的图像如图8所示。经过扫描线法提取边缘明显减少且重要轮廓保持清晰。

图8 垂直方向扫描后的图像

分别对十幅图像进行二值化、Canny边缘检测和扫描线边缘提取，处理后的图像中目标像素(即白色像素)的个数如表2 所示。由表2可知，扫描线边缘提取明显减少图像中的目标像素量且弱化了图像边缘凹凸的情况，将极大地减少Hough检测的时间，增加检测的精度。

表2 3种方法的比较

3 RHT对拉线U型切口的识别和圆拟合

要判断烟包拉线有无错牙，最关键的是要检测出拉线弧1、拉线弧2的位置及其拟合圆的圆心坐标。霍夫变换是应霍夫变换是应用很广泛的识别几何形状的方法，主要用来从图像中分离出直线，圆等，与其它方法相比其抗干扰能力较强[9]。

设圆的方程为(x-a)2+(y-b)2=r2，与Hough直线变换一样，经典的Hough圆变换也是将直角坐标系中的点投影到三维空间(a,b,r)中，但是直接用参数空间投票的方法计算复杂，资源需求大，处理时间长[10]，而采用 RHT可以极大地降低计算的复杂度并减少处理时间。

RHT的原理图如图9所示，随机取3个点，利用A、B、C点的坐标值求出AB和BC两线段的中点坐标值(x1,y1)，(x2,y2)即：

(3)

(4)

(5)

(6)

图9 三点共圆示意图

求出通过这两点的法线方程为：

(7)

(8)

由式(7)、(8)可得到两直线的交点，在与图像映像的二维累加器中对该交点对应的单元进行增值操作[10-12]。在对两条直线均完成此操作后，遍历累加器中所有存储单元的累加值，最大者即为圆心坐标(x0,y0)。各点到圆心坐标距离的均值为半径r，即：

(9)

图10和11中白线为拟合出的圆，其中图10是Canny边缘提取后圆拟合的效果图，可见白色圆弧和拉线切口边界重合度有偏差，拟合效果不理想；而图11是扫描线边缘提取后圆拟合的效果，图中白色圆弧和拉线切口重合度较高，拟合效果较好。

图10 基于RHT的拉线U型切口的识别和圆拟合(Canny边缘检测)

图11 基于RHT的拉线U型切口的识别和圆拟合(扫描线边缘提取)

4 实验结果与分析

随机购买5种品牌香烟各10包，基于所提方法和实际检测方法(螺旋测微仪测量长度)对每包香烟拉线错牙偏移量进行测量，结果见表3，表4，表5，表6和表7。由表3-7可知，本文方法的结果与实际检测值之间的误差基本都在0.2 mm之内(除表3中的NO.7)，表明使用该方法检测烟包拉线错牙具有较高的精度。

表3 硬盒云烟小包错牙检测结果 (单位：mm)

表5 硬盒红河小包错牙检测结果 (单位：mm)

表4 软盒云烟小包错牙检测结果 (单位：mm)

表6 软盒玉溪小包错牙检测结果 (单位：mm)

表7 硬盒中华小包错牙检测结果 (单位：mm)

5 结语

本文针对香烟生产过程中广泛存在的香烟小包拉线错牙问题，提出一种基于图形识别技术的拉线错牙检测方法，测试结果验证了所提方法的有效性和鲁棒性。提出的扫描线边缘提取(SLEE)算法，明显减少图像中的目标像素量，极大地减少Hough圆拟合的时间，提高了检测速度。该方法已在所研制的基于机器视觉的小盒香烟拉线错牙智能检测系统中得到应用。

[1] 汪 洋. 基于机器视觉的香烟外包装膜在线检测技术研究[D]. 武汉: 华中科技大学, 2006.

[2] 周 品, 李晓东. MATLAB数字图像处理[M]. 北京: 清华大学出版社, 2012.

[3] 曾文艳, 王亚刚. 基于机器视觉的香烟小包装外观质量检测系统[J]. 哈尔滨: 信息技术, 2014(1):46-49.

[4] 王 珍. 基于机器视觉的香烟条包检测系统的研究[D]. 南京: 南京航空航天大学, 2008.

[5] 王晓凯, 李 峰. 改进的自适应中值滤波[J]. 北京:计算机工程与应用, 2010(3): 175-176.

[6] Hirata, Nina S. T, Dougherty, Edward R. Iterative design of morphological binary image operators[J]. Optical Engineering, Bellingham，2000(12): 3106-3123.

[7] 赵春江. C#数字图像处理算法典型实例[M]. 北京: 人民邮电出版社, 2009.

[8] 贾永红. 数字图像处理[M]. 武汉: 武汉大学出版社，2010.

[9] 段汝娇，赵 伟，黄松岭. 一种基于改进Hough变换的直线快速检测算法[J]. 仪器仪表学报, 2010(12): 2774-2780.

[10] 周勇亮, 金 燕, 何 萍,等. 随机Hough变换圆检测累计加速算法[J].计算机辅助设计与图形学学报, 2014(4): 574-580.

[11] 章毓晋. 图像处理和分析[M]. 北京: 清华大学出版社, 1999.

[12] Carsten Steger, Markus Ulrich, Christian Wiedemann. Machine Vision Algorthms and Applications[M]. 杨少荣，等译.北京: 清华大学出版社, 2008.

Research on SlEE Algorithm and Hough Circle Fitting for Cigarete Bracing Wires Dislocation Detection

Yang Shu1, Zheng Yunfu1, Wu Mingyi1, Zhang Guilian2, Qian Bin2

(1.Manufacture Department Two, Qujing Cigarette Factory, Qujing 655000,China; 2.Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500,China)

A detection method based on shape recognition is proposed for dealing with the cigarette bracing wires dislocation problem, which widely exits in cigarette production. Firstly, image correction, smoothing filtering, iterative threshold segmentation and edge extraction are utilized to preprocess the image of cigarette bracing wires. Secondly, the random Hough transform is used to recognize two U-type incisions of bracing wires and fit a circle to each one, then the distance of two circle centers in the vertical direction is obtained as the offset of bracing wires. A scanning line edge extraction(SLEE) algorithm is put forward for the issue that the edge has more redundant information acquired by Sobel and Canny. Experimental results show that the proposed method can detect the extent of the packaged cigarette bracing wires dislocation effectively, the errors are less than 0.3mm and has a better robustness.

shape recognition; bracing wire dislocation; SLEE; RHT

2015-09-11；

2015-11-04。

杨 恕(1970-),男，云南曲靖人，高级工程师，主要从事工业过程控制、质量统计分析方向的研究。

1671-4598(2016)03-0025-04

10.16526/j.cnki.11-4762/tp.2016.03.008

TP3

A