基于机器视觉的卷烟封口胶量检测方法

刘仁瑞，张可洲，戴团结，黄小平，王守毅，黄春辉

(厦门烟草工业有限责任公司，福建 厦门 361000)

随着“工业4.0”时代的到来，卷烟企业大力调整产业结构，推进产业升级，以技术创新提高企业生产力。纵观科学技术发展，卷烟生产数字化、网络化及智能化成为大势所趋。由于具有检测精度好、效率高的优点，基于机器视觉的产品检测系统广泛应用在卷烟生产的各个环节，已大范围取代传统人工抽检方式[1-2]。

封口粘合处的胶量检测是卷烟进入小包装前的重要环节。在卷烟生产过程中，卷烟成型纸通过胶枪喷出的乳液或乳胶实现对烟丝的包裹[3]。卷烟封口处的胶量要求适中且均匀。若喷涂过量，会严重影响用户口感及品牌形象；而喷涂过少，则会因粘贴不牢导致翘边、爆口等问题。及时发现和剔除封口胶量不合格的卷烟，并反馈到生产线上进行调整或维修，对卷烟正常生产至关重要。

在各行业的涂胶检测中，机器视觉技术得到广泛应用。文献[4]提出了一种基于视觉的涂胶质量检测方法，解决了需要标准涂胶图片的难题。文献[5]将可见光图像和红外图像融合，在FX-2型包装机上检测烟盒涂胶质量，提高了检测精度和生产效率。

支持向量机(support vector machine, SVM)是建立在统计学习基础上解决小样本问题的二分类算法，同时在解决非线性和高维问题上有诸多优势。SVM基于结构风险最小化原理，在多分类应用时，一种方法是构造多个SVM分类器进行组合，另一种方法是在优化公式中同时考虑多个子分类器的参数优化[6]。针对SVM算法容易受到噪声影响的问题，文献[7]提出了模糊支持向量机算法(fuzzy support vector machine, FSVM)，对不同样本赋予不同权值，较好地消除了噪声。

本文针对卷烟封口图像特点，在对灰度特征和纹理特征融合的基础上，采用FSVM算法实现胶量在线检测，基本思想就是把卷烟封口的图像映射到融合特征空间，在其中找出SVM进行分类检测。

1 检测系统总体设计

基于机器视觉的卷烟封口胶量检测系统包括卷烟图像采集、封口胶量检测及动作控制等。卷烟图像采集即利用线阵扫描相机获取含有封口的卷烟图像，封口胶量检测是整个检测系统的核心，动作控制主要有卷烟传输、不合格产品剔除等。

卷烟封口胶量检测系统主要硬件包括可编程逻辑控制器(PLC)、传送带装置、LED光源、CCD相机、镜头、光电传感器、编码器、剔除装置以及显示器等，检测系统工作流程如图1所示。其中光电传感器用于检测卷烟是否达到检测工位，编码器用于提供当前传送带位置，以便准确地将封口胶量不合格的卷烟剔除出去。

2 相机标定及图像预处理

在用相机采集卷烟图像之前，需要先对其进行标定。在建立相机模型基础上，利用参数约束，求解相机的内外参数及畸变参数。本文采用张正友法进行相机标定[8]，建立的针孔成像模型如图2(a)所示。

图1 卷烟封口胶量检测系统工作流程

图2 相机模型及标定板

首先制作如图2(b)所示的相机标定板；其次保持相机固定不动，移动标定板，从不同角度拍摄6幅图像，并提取各个角点；然后计算单应矩阵，并求解出相机的内外参数；最后将该参数作为初始值，计算出畸变系数，得到更高精度的相机参数。

在卷烟图像的采集和传输过程中，内外扰动使得卷烟图像质量下降，含有噪声。因此图像预处理是实现卷烟封口胶量检测的保证。为了突出卷烟封口的细节信息，提高检测精度，需要对采集的卷烟图像进行增强。根据Retinex算法理论[9]，图像I(x,y)由光照分量L(x,y)和反射分量R(x,y)构成，即：

I(x,y)=L(x,y)×R(x,y)

(1)

为了去除光照分量，采用低通滤波器函数F(x,y)作为环绕函数估计光照分量L(x,y)，表达式为：

L(x,y)=I(x,y)×F(x,y)

(2)

式中：F(x,y)为尺度参数为σ的高斯环绕函数。

(3)

利用上述方法，卷烟图像增强的效果如图3所示，由图可见，增强后的卷烟封口细节信息更加清晰丰富，有利于提高后续的胶量检测精度。

图3 卷烟封口图像增强前后对比

3 FSVM检测方法

3.1 SVM

SVM利用核函数将问题转换到高维特征空间实现线性可分。对于样本数据集{(xi,yi)|i=1,2,…,N}，SVM算法原始形式表示为以下受约束的二次规划问题：

(4)

式中：w为权值向量，b为阈值，w和b决定了SVM的分类面；C为惩罚因子，用于平衡分类精度与复杂度；ξi为非负的松弛变量，用于提高SVM的泛化能力。为了提高SVM计算效率，进一步采用Lagrange算法计算式(4)的对偶问题，进而求解SVM模型。

针对非线性问题，SVM算法将训练样本从原始空间映射到另一个更高维空间，从而使原样本线性可分。映射函数应满足Mercer条件，也称核函数。SVM算法常用的核函数k(xi)有线性核、多项式核、高斯核和Sigmoid核等[6]。

3.2 多特征融合

特征选择是SVM算法的关键，直接影响分类精度和泛化性能。由于卷烟图像背景复杂，特征选择面临着严峻的挑战。图像检测常用的特征有空域特征和频域特征。鉴于单一特征不能够很好地描述卷烟封口问题，同时考虑特征独立性与互补性，本文将灰度特征和纹理特征融合，输入到SVM算法中进行卷烟封口胶量检测。

灰度特征反映了卷烟图像的灰度分布特征。假设卷烟图像像素点个数为n，灰度直方图表示灰度等级k与频次nk之间的关系，灰度等级k对应出现概率p(k)为：

(5)

式中：k=0,1,…,255。

本文分别采用灰度直方图的均值pm、标准差pσ、平滑度pr及灰度熵ph建立卷烟封口胶量图像的灰度特征向量。4个参数的计算公式如下：

(6)

纹理特征能够反映卷烟图像中像素邻域的灰度分布，体现卷烟图像表面结构与周围环境的联系。局部二值模式(local binary pattern, LBP)是一种常用的描述纹理特征方法[10]。LBP以每个像素为中心、r为半径的环形邻域上的n个点来描述图像纹理特征。若中心点像素的灰度值为gc，邻域像素灰度值为gi，i=1,2,…,n，则LBP计算公式如下：

(7)

(8)

式中：δ为阈值。在本文中，设置r=1，n=8。

若获取的卷烟图像中，m维灰度特征向量为g={g1,g2,…gm}，n维纹理特征向量为l={l1,l2,…,ln}，其中ln为第n个纹理特征值。首先对所有特征向量归一化，然后进行集合融合形成新的卷烟封口图像特征向量。

3.3 FSVM

考虑到不同的卷烟图像的融合特征训练样本对SVM模型的贡献程度不同，本文采用FSVM建立卷烟封口胶量的检测模型。对每个数据赋予模糊隶属度μi，此时训练样本成为{(xi,yi,μi)|i=1,2,…,N}，其中ε≤μi≤1，ε为任意小的正数。则式(4)改变为：

(9)

根据KKT定理及Lagrange算法[11]，FSVM算法解决的优化问题转换如下：

(10)

式中：αi和αj分别为第i和j个Lagrange乘子。

4 测试结果与分析

为了验证基于机器视觉的卷烟封口胶量检测方法的有效性，在某卷烟生产企业进行测试。选择3种常见的卷烟粗细规格，其中常规卷烟直径为24.5 mm，细支卷烟直径为17 mm，中支卷烟直径为20 mm，3种规格的卷烟数量各50 000支。

为了验证所设计的检测方法，将测试所用的各规格卷烟按正常胶量、50%正常胶量、75%正常胶量、125%正常胶量、150%正常胶量分别进行各10 000支小批量试制。不同胶量的检测测试结果见表1，SVM算法中分别选择线性核、多项式核、高斯核与Sigmoid核的测试结果，见表2。从测试结果可知，采用高斯核的检测结果最佳，说明本文的检测方法可以有效应用于市面上常规、中支和细支3种卷烟的封口胶量检测，同时对于胶量不合格的卷烟剔除率达到100%。

表1 不同类型卷烟封口胶量检测精度 %

表2 不同核函数胶量检测精度 %

5 结束语

本文在卷烟封口胶量检测中采用机器视觉技术，解决了卷烟封口质量在线检测问题。检测系统的核心是FSVM分类算法，并融合了不同特征。现场测试验证了所设计的检测方法的有效性。