基于機(jī)器視覺的卷煙封口膠量檢測方法

劉仁瑞，張可洲，戴團(tuán)結(jié)，黃小平，王守毅，黃春輝

(廈門煙草工業(yè)有限責(zé)任公司，福建 廈門 361000)

隨著“工業(yè)4.0”時(shí)代的到來，卷煙企業(yè)大力調(diào)整產(chǎn)業(yè)結(jié)構(gòu)，推進(jìn)產(chǎn)業(yè)升級(jí)，以技術(shù)創(chuàng)新提高企業(yè)生產(chǎn)力。縱觀科學(xué)技術(shù)發(fā)展，卷煙生產(chǎn)數(shù)字化、網(wǎng)絡(luò)化及智能化成為大勢(shì)所趨。由于具有檢測精度好、效率高的優(yōu)點(diǎn)，基于機(jī)器視覺的產(chǎn)品檢測系統(tǒng)廣泛應(yīng)用在卷煙生產(chǎn)的各個(gè)環(huán)節(jié)，已大范圍取代傳統(tǒng)人工抽檢方式[1-2]。

封口粘合處的膠量檢測是卷煙進(jìn)入小包裝前的重要環(huán)節(jié)。在卷煙生產(chǎn)過程中，卷煙成型紙通過膠槍噴出的乳液或乳膠實(shí)現(xiàn)對(duì)煙絲的包裹[3]。卷煙封口處的膠量要求適中且均勻。若噴涂過量，會(huì)嚴(yán)重影響用戶口感及品牌形象；而噴涂過少，則會(huì)因粘貼不牢導(dǎo)致翹邊、爆口等問題。及時(shí)發(fā)現(xiàn)和剔除封口膠量不合格的卷煙，并反饋到生產(chǎn)線上進(jìn)行調(diào)整或維修，對(duì)卷煙正常生產(chǎn)至關(guān)重要。

在各行業(yè)的涂膠檢測中，機(jī)器視覺技術(shù)得到廣泛應(yīng)用。文獻(xiàn)[4]提出了一種基于視覺的涂膠質(zhì)量檢測方法，解決了需要標(biāo)準(zhǔn)涂膠圖片的難題。文獻(xiàn)[5]將可見光圖像和紅外圖像融合，在FX-2型包裝機(jī)上檢測煙盒涂膠質(zhì)量，提高了檢測精度和生產(chǎn)效率。

支持向量機(jī)(support vector machine, SVM)是建立在統(tǒng)計(jì)學(xué)習(xí)基礎(chǔ)上解決小樣本問題的二分類算法，同時(shí)在解決非線性和高維問題上有諸多優(yōu)勢(shì)。SVM基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，在多分類應(yīng)用時(shí)，一種方法是構(gòu)造多個(gè)SVM分類器進(jìn)行組合，另一種方法是在優(yōu)化公式中同時(shí)考慮多個(gè)子分類器的參數(shù)優(yōu)化[6]。針對(duì)SVM算法容易受到噪聲影響的問題，文獻(xiàn)[7]提出了模糊支持向量機(jī)算法(fuzzy support vector machine, FSVM)，對(duì)不同樣本賦予不同權(quán)值，較好地消除了噪聲。

本文針對(duì)卷煙封口圖像特點(diǎn)，在對(duì)灰度特征和紋理特征融合的基礎(chǔ)上，采用FSVM算法實(shí)現(xiàn)膠量在線檢測，基本思想就是把卷煙封口的圖像映射到融合特征空間，在其中找出SVM進(jìn)行分類檢測。

1 檢測系統(tǒng)總體設(shè)計(jì)

基于機(jī)器視覺的卷煙封口膠量檢測系統(tǒng)包括卷煙圖像采集、封口膠量檢測及動(dòng)作控制等。卷煙圖像采集即利用線陣掃描相機(jī)獲取含有封口的卷煙圖像，封口膠量檢測是整個(gè)檢測系統(tǒng)的核心，動(dòng)作控制主要有卷煙傳輸、不合格產(chǎn)品剔除等。

卷煙封口膠量檢測系統(tǒng)主要硬件包括可編程邏輯控制器(PLC)、傳送帶裝置、LED光源、CCD相機(jī)、鏡頭、光電傳感器、編碼器、剔除裝置以及顯示器等，檢測系統(tǒng)工作流程如圖1所示。其中光電傳感器用于檢測卷煙是否達(dá)到檢測工位，編碼器用于提供當(dāng)前傳送帶位置，以便準(zhǔn)確地將封口膠量不合格的卷煙剔除出去。

2 相機(jī)標(biāo)定及圖像預(yù)處理

在用相機(jī)采集卷煙圖像之前，需要先對(duì)其進(jìn)行標(biāo)定。在建立相機(jī)模型基礎(chǔ)上，利用參數(shù)約束，求解相機(jī)的內(nèi)外參數(shù)及畸變參數(shù)。本文采用張正友法進(jìn)行相機(jī)標(biāo)定[8]，建立的針孔成像模型如圖2(a)所示。

圖1 卷煙封口膠量檢測系統(tǒng)工作流程

圖2 相機(jī)模型及標(biāo)定板

首先制作如圖2(b)所示的相機(jī)標(biāo)定板；其次保持相機(jī)固定不動(dòng)，移動(dòng)標(biāo)定板，從不同角度拍攝6幅圖像，并提取各個(gè)角點(diǎn)；然后計(jì)算單應(yīng)矩陣，并求解出相機(jī)的內(nèi)外參數(shù)；最后將該參數(shù)作為初始值，計(jì)算出畸變系數(shù)，得到更高精度的相機(jī)參數(shù)。

在卷煙圖像的采集和傳輸過程中，內(nèi)外擾動(dòng)使得卷煙圖像質(zhì)量下降，含有噪聲。因此圖像預(yù)處理是實(shí)現(xiàn)卷煙封口膠量檢測的保證。為了突出卷煙封口的細(xì)節(jié)信息，提高檢測精度，需要對(duì)采集的卷煙圖像進(jìn)行增強(qiáng)。根據(jù)Retinex算法理論[9]，圖像I(x,y)由光照分量L(x,y)和反射分量R(x,y)構(gòu)成，即：

I(x,y)=L(x,y)×R(x,y)

(1)

為了去除光照分量，采用低通濾波器函數(shù)F(x,y)作為環(huán)繞函數(shù)估計(jì)光照分量L(x,y)，表達(dá)式為：

L(x,y)=I(x,y)×F(x,y)

(2)

式中：F(x,y)為尺度參數(shù)為σ的高斯環(huán)繞函數(shù)。

(3)

利用上述方法，卷煙圖像增強(qiáng)的效果如圖3所示，由圖可見，增強(qiáng)后的卷煙封口細(xì)節(jié)信息更加清晰豐富，有利于提高后續(xù)的膠量檢測精度。

圖3 卷煙封口圖像增強(qiáng)前后對(duì)比

3 FSVM檢測方法

3.1 SVM

SVM利用核函數(shù)將問題轉(zhuǎn)換到高維特征空間實(shí)現(xiàn)線性可分。對(duì)于樣本數(shù)據(jù)集{(xi,yi)|i=1,2,…,N}，SVM算法原始形式表示為以下受約束的二次規(guī)劃問題：

(4)

式中：w為權(quán)值向量，b為閾值，w和b決定了SVM的分類面；C為懲罰因子，用于平衡分類精度與復(fù)雜度；ξi為非負(fù)的松弛變量，用于提高SVM的泛化能力。為了提高SVM計(jì)算效率，進(jìn)一步采用Lagrange算法計(jì)算式(4)的對(duì)偶問題，進(jìn)而求解SVM模型。

針對(duì)非線性問題，SVM算法將訓(xùn)練樣本從原始空間映射到另一個(gè)更高維空間，從而使原樣本線性可分。映射函數(shù)應(yīng)滿足Mercer條件，也稱核函數(shù)。SVM算法常用的核函數(shù)k(xi)有線性核、多項(xiàng)式核、高斯核和Sigmoid核等[6]。

3.2 多特征融合

特征選擇是SVM算法的關(guān)鍵，直接影響分類精度和泛化性能。由于卷煙圖像背景復(fù)雜，特征選擇面臨著嚴(yán)峻的挑戰(zhàn)。圖像檢測常用的特征有空域特征和頻域特征。鑒于單一特征不能夠很好地描述卷煙封口問題，同時(shí)考慮特征獨(dú)立性與互補(bǔ)性，本文將灰度特征和紋理特征融合，輸入到SVM算法中進(jìn)行卷煙封口膠量檢測。

灰度特征反映了卷煙圖像的灰度分布特征。假設(shè)卷煙圖像像素點(diǎn)個(gè)數(shù)為n，灰度直方圖表示灰度等級(jí)k與頻次nk之間的關(guān)系，灰度等級(jí)k對(duì)應(yīng)出現(xiàn)概率p(k)為：

(5)

式中：k=0,1,…,255。

本文分別采用灰度直方圖的均值pm、標(biāo)準(zhǔn)差pσ、平滑度pr及灰度熵ph建立卷煙封口膠量圖像的灰度特征向量。4個(gè)參數(shù)的計(jì)算公式如下：

(6)

紋理特征能夠反映卷煙圖像中像素鄰域的灰度分布，體現(xiàn)卷煙圖像表面結(jié)構(gòu)與周圍環(huán)境的聯(lián)系。局部二值模式(local binary pattern, LBP)是一種常用的描述紋理特征方法[10]。LBP以每個(gè)像素為中心、r為半徑的環(huán)形鄰域上的n個(gè)點(diǎn)來描述圖像紋理特征。若中心點(diǎn)像素的灰度值為gc，鄰域像素灰度值為gi，i=1,2,…,n，則LBP計(jì)算公式如下：

(7)

(8)

式中：δ為閾值。在本文中，設(shè)置r=1，n=8。

若獲取的卷煙圖像中，m維灰度特征向量為g={g1,g2,…gm}，n維紋理特征向量為l={l1,l2,…,ln}，其中l(wèi)n為第n個(gè)紋理特征值。首先對(duì)所有特征向量歸一化，然后進(jìn)行集合融合形成新的卷煙封口圖像特征向量。

3.3 FSVM

考慮到不同的卷煙圖像的融合特征訓(xùn)練樣本對(duì)SVM模型的貢獻(xiàn)程度不同，本文采用FSVM建立卷煙封口膠量的檢測模型。對(duì)每個(gè)數(shù)據(jù)賦予模糊隸屬度μi，此時(shí)訓(xùn)練樣本成為{(xi,yi,μi)|i=1,2,…,N}，其中ε≤μi≤1，ε為任意小的正數(shù)。則式(4)改變?yōu)椋?/p>

(9)

根據(jù)KKT定理及Lagrange算法[11]，F(xiàn)SVM算法解決的優(yōu)化問題轉(zhuǎn)換如下：

(10)

式中：αi和αj分別為第i和j個(gè)Lagrange乘子。

4 測試結(jié)果與分析

為了驗(yàn)證基于機(jī)器視覺的卷煙封口膠量檢測方法的有效性，在某卷煙生產(chǎn)企業(yè)進(jìn)行測試。選擇3種常見的卷煙粗細(xì)規(guī)格，其中常規(guī)卷煙直徑為24.5 mm，細(xì)支卷煙直徑為17 mm，中支卷煙直徑為20 mm，3種規(guī)格的卷煙數(shù)量各50 000支。

為了驗(yàn)證所設(shè)計(jì)的檢測方法，將測試所用的各規(guī)格卷煙按正常膠量、50%正常膠量、75%正常膠量、125%正常膠量、150%正常膠量分別進(jìn)行各10 000支小批量試制。不同膠量的檢測測試結(jié)果見表1，SVM算法中分別選擇線性核、多項(xiàng)式核、高斯核與Sigmoid核的測試結(jié)果，見表2。從測試結(jié)果可知，采用高斯核的檢測結(jié)果最佳，說明本文的檢測方法可以有效應(yīng)用于市面上常規(guī)、中支和細(xì)支3種卷煙的封口膠量檢測，同時(shí)對(duì)于膠量不合格的卷煙剔除率達(dá)到100%。

表1 不同類型卷煙封口膠量檢測精度 %

表2 不同核函數(shù)膠量檢測精度 %

5 結(jié)束語

本文在卷煙封口膠量檢測中采用機(jī)器視覺技術(shù)，解決了卷煙封口質(zhì)量在線檢測問題。檢測系統(tǒng)的核心是FSVM分類算法，并融合了不同特征。現(xiàn)場測試驗(yàn)證了所設(shè)計(jì)的檢測方法的有效性。