邓春宁

(龙岩烟草工业有限责任公司设备管理部，福建 龙岩 364021)

在香烟包装生产流水线上，烟包检测是一个不可或缺的检测工序。根据国家相应标准规定，卷烟生产和包装缺陷分为A、B、C 3类，A类缺陷表示严重的质量缺陷，其中就包括烟包内烟支缺少[1]。因此，在流水线上进行烟包缺支检测、剔除不合格的烟包十分有必要。

最早的烟包缺支检测采用人工按压方式，具有劳动强度大、效率低和误判率高等缺点。随着光电检测技术的发展，红外光电检测法成为国内卷烟厂常用的烟包缺支检测方法。文献[2]利用红外光电传感器电流与距离、颜色和密度等因素相关的原理，设计放大比较、剔除基准电平和同步信号等电路，组成光电式烟包缺支检测系统。该系统将20个光电传感器依据烟包中烟支排列顺序摆放在传送带上，发送端向烟包发射红外线，接收端接收信号，经放大和A/D转换后判断烟包中是否存在烟支缺少的情况。该系统实现了烟包缺支检测的自动化，检测速度和精度都有了较大的提高。但只要这20个传感器中任意一个出现故障，整个检测系统都将受到很大的影响。

随着机器视觉技术的发展，数字图像处理技术为烟包缺支自动检测提供了新的思路和方法[3]。机器视觉是一种基于计算机、图像处理、模式识别和人工智能的技术，近年来已广泛应用在包括香烟生产在内的诸多领域，如航空航天、生物医学、工业检测和机器人等[4]。

文献[5]统计了烟包二值图像中的像素值，根据像素值的总和判断是否存在缺支现象。该方法需要保证检测环境不能有较大变化，否则会出现误判的情况。文献[1]在烟包二值化图像基础上，通过边缘检测将图像分为20个区域，并计算各区域的平均像素值，平均值为1的区域认为缺支，缺点是图像采集和处理速度不能满足高速流水线的要求。

支持向量机(support vector machine，SVM)能很好地解决小样本、非线性和高维模式识别问题[6]。本文根据烟包图像的灰度和纹理特征，建立基于多项式和高斯核函数的支持向量机分类模型，对烟包进行检测，确定是否存在烟支缺少的情况。

1 系统组成

基于机器视觉的烟包缺支检测系统由光源、CCD摄像头、微控制器和显示器等组成，检测系统构成如图1所示。为了减小外部光照变化对采集图像的影响，采用大功率LED光源。当传送带上的烟包到达检测位置时，CCD摄像头采集烟包图像，并通过高速以太网传送至微控制器。微控制器利用数字图像处理算法检测是否存在缺支情况，通过人机界面显示在显示器上，同时如果出现缺支现象，控制剔除装置将不合格的烟包剔除。

图1 检测系统构成示意图

检测系统中，CCD摄像头型号为MV-CE013- 50GC，其像素高达130万，另外千兆以太网接口提供了1 Gbps带宽，无需中继最大传输距离可达100 m。由于图像数据量大，微控制器选择基于32位ARM9的S3C2440A芯片。

2 图像预处理

2.1 灰度化

像素是数字图像中最基本表达方式，只有亮度信息而没有色彩信息的图像称为灰度图像。从CCD相机获得的图像是基于RGB空间的彩色图像，转换到灰度图像的计算公式如下：

Y=0.299×R+0.587×G+0.114 8×B

(1)

式中：Y为图像像素灰度值;R，G和B分别为彩色图像对应像素的3个分量值。

2.2 图像滤波

图像在获取和传输过程中会受到各种噪声的干扰。图像滤波是指在消除图像噪声的同时保留主体信息。

常用图像滤波方法有均值滤波、中值滤波、高斯滤波和双边滤波等。高斯滤波对阻性元器件内部产生的高斯噪声有很好的滤除效果，并能很好地保护图像主体，因此本文采用高斯滤波，其二维高斯函数G(x,y)为：

(2)

式中：x和y为当前点到对应点的距离；σ为平滑参数，本文中设置σ=0.5。高斯滤波效果如图2所示，在图2(a)中，人为加入高斯噪声，图2(b)为高斯滤波后的图像。

3 检测方法

3.1 图像特征

常用的图像特征包括灰度特征和纹理特征，其中灰度特征属于全局特征，而纹理特征属于区域特征。

灰度图像的像素灰度值取值范围为0～255[7]，每个灰度级的概率计算如下：

(3)

式中：Hist(i)为第i灰度级的概率；ni为第i级的像素点个数；N为总像素个数。

图2 高斯滤波效果

进一步选择灰度特征的均值(Mean)、方差(Variance)和熵(Entropy)作为定理描述指标。灰度均值指图像的平均灰度值，灰度方差指图像灰度值的离散程度，而灰度熵指灰度分布的不均匀程度，分别计算如下：

(4)

(5)

(6)

不同于灰度特征，图像纹理特征是像素邻域灰度分布的描述。由OJALA等[8]提出的局部二值模式(local binary pattern，LBP)是一种纹理特征提取方法。LBP算子通过比较每个像素与局部邻域灰度值上的大小关系，获得一串二进制码，并按照一定的加权计算得到该像素的LBP值，计算公式如下：

(7)

其中:

(8)

式中：gc为中心像素的灰度值；L(gc)为gc所对应的LBP值；gi为邻域像素的灰度值；δ为阈值，用来减小局部噪声对LBP值的影响。令r为LBP的邻域半径，n为采样点个数。当r较小、n较大时，图像纹理特征体现较好，但是噪声影响大；而当r较大、n较小时，对噪声不敏感，但是纹理特征不能很好地体现。综合考虑，本文选取r=1和n=8，即用像素的8个邻域点灰度值对应为八位二进制数，再转化为十进制数，就是当前像素点的LBP值，值域为0～255。LBP特征值提取如图3和图4所示，其中图3为合格烟包LBP特征，而图4是缺支情况。

图3 合格烟包LBP特征提取

图4 缺支烟包LBP特征提取

3.2 纹理特征

支持向量机(support vector machine，SVM)是一种二分类模型[6]，是定义在特征空间上的间隔最大的线性分类器。利用核方法和软间隔最大化可使SVM扩展应用在非线性场合。SVM模型学习的目标是在特征空间找到一个超平面，将特征空间分为正类和负类两个部分。对于样本x，SVM分类的决策函数f(x)为：

(9)

式中：m为样本数量；αi为拉格朗日乘子，通过求偶问题求解原始问题；yi为样本烟包图像的标签；b为分类阈值；K(xi,x)为核函数，常用的核函数有多项式核函数、高斯核函数和字符串核函数等。本文采用多项式核函数和高斯核函数，对应函数形式分别如下：

K(xi,x)=(xi·x+1)p

(10)

(11)

式中：p为多项式核函数的最高项次数；σ为高斯核函数的带通。

4 实验与结果

本文实验所采用的计算机配置如下：本文实验中所采用计算机配置如下：处理器为3.4 GHz的Intel (R) Core (TM) i3-4005U，内存为8 G，操作系统为64位Windows 7。所使用的编程软件为VS2010+OpenCV+QT。

为了体现本文所设计方法的分类效果，实验采用SVM和BP神经网络(BPNN)进行比较，同时SVM分别使用多项式核函数和高斯核函数两种方式。显示器上人机界面检测结果如图5所示。

图5 人机界面显示

检测精度的实验结果见表1，采用100，200，500和1 000张图像作为训练样本，分别训练多项式核函数和高斯核函数两种模型的参数，并准备了1 000张图像作为测试样本集。识别率指识别正确的样本数占总样本数的比例。

表1 烟包缺支检测识别率比较 %

目前，国内大多数卷烟厂的烟包生产线速度可达400包/min，即每包处理时间不超过150 ms。这个时间包括了采集图像、预处理和检测算法等环节。因此检测系统一方面要采用高速CCD摄像机，另一方面必须控制算法时间。进行3 000次图像检测的实验结果显示，本文所设计的检测算法平均消耗时间为120 ms，图像采集及传输时间大约为20 ms，基本满足高速生产线的要求。

5 结束语

本文针对烟包生产线缺支检测需求，设计了基于多项式核函数的SVM模型。通过烟包图形的灰度特征和纹理特征，建立多维特征空间。实验验证了检测模型的有效性，检测精度符合实际生产要求，同时检测时间满足实时性要求。