崔云月，管一弘，孙 娜，王端生，杨雄飞，黄 岗

（1.昆明理工大学理学院；2.昆明聚林科技有限公司，云南 昆明 650000）

0 引言

烟梗是卷烟的重要原料，梗丝或颗粒状烟梗具有较好的填充性和燃烧性。因此，对于烟梗的检测成了烟草加工过程中不可缺少的环节［1］。烟梗的长梗率和短梗率是烟草打叶复烤过程中一个关键的加工质量检测指标，长短梗率的高低，直接影响着卷烟企业制丝生产中梗丝的出丝率［2-3］。目前，长短梗率的检测方法主要通过人工筛选长短梗，再称重得到长短梗率，该方法不仅工作强度大、耗时长，也存在着人工筛选时的偏差。因此，研究高效准确地长短梗率检测方法，对于烟草制丝过程的提质增效、降本降耗具有重要意义。

目前，国内外对烟梗的长短梗率检测方法相关研究较少。武凯等［4］发明了测定烟梗长梗率的设备，该设备通过采集可见光下的烟梗图像，利用图像分析法对烟梗进行识别，从而检测烟梗长梗率。由于可见光无法穿透烟叶，因此该方法很难识别出部分被烟叶包裹住的烟梗。朱文魁等［5］提出一种基于X 射线透射图像定量检测烟梗中粗细梗率和长短梗率的测定方法，该方法利用烟梗与烟片在X 射线下成像的特征差异对烟梗长度进行识别，采用定量的检测算法实现了长梗率和短梗率的测定，但是该方法操作复杂且准确性有待提高。

针对上述烟梗的长短梗率检测问题，本文提出一种基于BP 神经网络的长短梗率检测方法。首先利用阈值分割方法对烟梗图像进行分割，通过最小外接矩形方法识别出烟梗图像中的长短梗，然后建立BP 神经网络质量拟合模型从而实现长短梗率的检测。结果表明，该方法能够较为准确地拟合烟梗质量，极大提高了烟梗长梗率和短梗率检测效率。

1 烟梗长短梗识别

1.1 烟梗图像分割

本文研究的烟梗图像是在X 射线透射成像下的灰度图像。X 射线的透射能力与X 射线光子的能量有关，X 射线波长越短，光子能量越大，穿透力越强；X 射线的透射力也与物质密度有关，透射密度越大的物质，X 射线衰减程度越强；透射密度越小的物质，X 射线的衰减程度也就越弱［6-10］。由于这种性质，图像中烟梗灰度值与背景之间存在很大差异。以某幅烟梗的图像为例，绘制烟梗图像的三维灰度直方图如图1 所示。

Fig.1 Three dimensional gray histogram of tobacco stem image图1 烟梗图像的三维灰度直方图

从图1 可以看出，背景灰度值大多高于6×104，而烟梗的灰度值相对较小。因此，本文采用阈值分割法对烟梗图像进行分割。阈值分割是图像分割中比较简单而且计算速度较快的一种算法［11］。具体公式定义如下：

对比多个阈值发现，当阈值为58 000 时，烟梗图像分割效果最优。烟梗图像分割结果如图2 所示。

由图2 可以看出，阈值分割效果较好，但是在实际采图过程中难免存在噪声干扰，还需对阈值分割后的图像提取连通域，删除面积较小的孤立噪声［12］。

Fig.2 Threshold segmentation results图2 阈值分割结果

1.2 烟梗长度特征提取

打叶复烤加工过程中，大部分烟梗形态都比较笔直，因此，本文采用旋转法求取烟梗的最小外接矩形，从而识别出烟梗长度。具体过程如下：

（1）获取目标物的最小外接框，即二维形状各顶点中的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标定下边界的矩形。

（2）将目标物的边界以每次1°左右的增量在90°范围内旋转。每旋转一次记录一次其坐标系方向上的外接矩形边界点的最大和最小值。旋转到某一个角度后，取面积最小时外接矩形的参数为主轴意义下的长度和宽度［13］。

（3）画出目标物的最小外接矩形，并标注其长度值。烟梗的长度值是通过一定长度的标准件对相机进行标定，得到实际图像尺寸与X 射线所成像素点个数的关系约为1∶2.5，从而得到图像中烟梗的实际长度，烟梗长度特征提取结果如图3 所示。

Fig.3 The result of stem length feature extraction图3 烟梗长度特征提取结果

1.3 长短梗识别

国家烟草专卖局发布的《打叶烟叶 质量检验》（YC/T147-2010）中规定，长度大于20mm 的烟梗为长梗，长度小于等于20mm 的烟梗为短梗［14］。长短梗识别结果如图4 所示。

Fig.4 The results of long and short stem identification图4 长短梗识别结果

2 烟梗质量拟合及长短梗率检测

2.1 BP 模型基本原理

BP 神经网络实际为多层感知器，通常由3 层及以上网络构成，一个典型的三层BP 神经网络结构为输入层、隐含层和输出层［15-17］，其拓扑结构如图5 所示。

Fig.5 Three layer BP neural network structure图5 三层BP 神经网络结构

BP 神经网络的训练过程分为信号前向传播和误差反向传播两个过程［18-19］。输入层信号经神经元传递到隐含层，通过各神经元间的权值和激活函数的相关计算将结果传递到输出层。若输出结果与期望值间误差较大则进入误差反向传播过程，利用梯度下降法不断调整网络权值与偏置，进而使网络预测输出值不断逼近期望值，最终达到预期效果并停止训练［20］。具体步骤如下：

（1）构建一个神经网络，输入隐含层个数及每层神经元个数。

（2）初始化网络权重和偏置参数，设置最高迭代次数、误差函数及收敛精度。

（3）分别计算隐含层和输出层各神经元的输出Hj和Yk，Hj和Yk的表达式为：

（4）比较输出值Yk与期望值Dk，误差为Ok=Yk-Dk，Ok的表达式为：

（5）利用梯度下降法不断更新权重和偏置参数。输入层与隐含层之间的连接权值和偏置值的更新如式（6）、式（7），隐含层与输出层之间的连接权值和偏置值的更新如式（8）、式（9）。

（6）判断网络误差是否满足要求，若不满足，则转到步骤（3）继续调整参数；若满足，则停止迭代。

2.2 预测模型构建

2.2.1 网络结构设计

通过上述方法可得到烟梗图像中长短梗的灰度值，将烟梗所在的灰度值范围均分为十段，以灰度级在每一段范围内的占比作为网络输入，则输入层节点个数为10；以烟梗的质量（归一化质量）作为网络输出，则输出层节点个数为1。隐含层的节点个数根据Kolmogorov 定理确定［21］，该定理计算公式如式（10）。

式中，h为隐含层的节点个数，m和n分别为输入层和输出层的节点个数，a为1～10 之间的调节整数。设置不同的网络结构对烟梗图像进行质量拟合实验，得到不同网络结构下的烟梗质量拟合结果如表1 所示。

Tabel 1 Fitting results of stem quality under different network structures表1 不同网络结构下烟梗质量拟合结果

由表1 可以看出，第二组的网络性能最好。因此，本文采用10-4-2-1 型的四层拓扑结构构建BP 神经网络结构模型。

2.2.2 网络参数设定

利用newff 函数构建四层BP 神经网络模型，经过多次实验后，最终确定网络参数。隐含层和输出层神经元传递函数分别为tansig、tansig 和purelin。最高迭代次数为12 000，收敛误差为0.000 01，学习率为0.2，网络训练函数为trainscg 函数。

2.3 长短梗率计算

通过BP 神经网络质量拟合模型分别得到烟梗图像中长梗和短梗质量，从而得到长梗率和短梗率，具体计算公式如式（11）、式（12）。

式中，M长为长梗率，M短为短梗率，m长为测试中的长梗质量，m短为测试中的短梗质量。

3 实验结果与分析

分别称取25 组不同质量的长梗和短梗，从长梗和短梗中各取一组烟梗进行混合，同一质量下的混合烟梗在设备上重复过料5 次进行采图，以其中20 组混合烟梗图像作为BP 网络的训练样本集，其余5 组混合烟梗图像作为BP 网络的测试样本集。利用上述神经网络模型进行实验，模型训练误差变化曲线如图6 所示，对不同质量的烟梗拟合结果如表2 所示。

由图6 可知，BP 神经网络达到预设收敛误差自动停止训练，此时网络迭代189 次，收敛于9.674 2×10-6，并且收敛速度较快。

Fig.6 Neural network error curve图6 神经网络误差曲线

其中，拟合均值是指同一质量下5 次过料的混合烟梗图像拟合得到质量的平均值。由表2 可以看出，本文设计的BP 神经网络模型的最大相对误差为7.12%，最小相对误差为1.92%，平均相对误差为3.91%，对于烟梗质量的拟合重复性与准确性均较好。

上述5 组实验对应的长短梗率检测结果如表3 所示。

由表3 可以看出，采用本文方法所得到的长短梗率与实际值较为接近，其中最大绝对误差为1%，满足实际生产要求。

Tabel 2 Fitting results of stem quality表2 烟梗质量拟合结果

Tabel 3 Calculation results of long and short stem ratio表3 长短梗率计算结果

为了比较网络模型中不同训练函数对烟梗质量拟合结果的影响，本文釆用训练函数traingdx 和trainbfg 与上述实验结果进行对比。模型训练误差变化曲线分别如图7 和图8 所示，烟梗质量拟合结果的相对误差值如表4 所示。

由图7 和图8 可以看出，这两种网络训练模型迭代次数很高且收敛误差远高于预设值，对比分析可知，本文采用的训练函数trainscg 训练效果最优。

对比表4 中不同训练函数下烟梗质量的拟合结果可以看出，本文选取的trainscg 训练函数得到的质量拟合结果相对误差最小，并且相对误差的波动性也较小。因此，无论是从训练模型还是预测精度上都有较好效果。

Fig.7 Error curve when training function is traingdx图7 训练函数为traingdx 时的误差曲线

Fig.8 Error curve when training function is trainbfg图8 训练函数为trainbfg 时的误差曲线

Tabel 4 Comparison of fitting results of different training functions on tobacco stem quality表4 不同训练函数对烟梗质量拟合结果对比

4 结语

本文提出了一种基于BP 神经网络的烟梗长短梗率检测方法，通过检测多组不同质量的烟梗进行对比实验，验证了该算法的准确性与稳定性，并通过对比不同的神经网络训练函数，找到了网络的最佳拟合参数，实现了对烟梗质量较为精准的预测。本文不仅为烟草企业准确高效地检测长梗率和短梗率提供了一种新方法，也为相关领域的预测问题提供了一定参考。然而，该方法的检测结果仍存在一定偏差，算法的普适性还需作进一步验证，这些都是下一步需要解决的问题。