浅谈打叶复烤工艺中除杂研究进展

张元，孙惟刚，李汉尧，宁佳宏，丁国忠

（1.云南省烟叶复烤有限责任公司文山复烤厂，云南 文山 663099；2.华中科技大学能源与动力工程学院，湖北 武汉 430074）

1 前言

非烟杂物是指除烟叶以外的其他物质，如麻丝、碎纸、塑料膜（绳）、羽毛、虫茧、棉花、头发、金属物、沙土等，这些非烟杂物既影响卷烟质量和口感，又会对人体造成危害，因此，在烟叶处理过程中，都很重视对非烟杂物的处理和剔除。打叶复烤是初烤烟叶之后的工序，在此工艺中，要尽量剔除掉非烟杂物，因此在打叶复烤过程采用的非烟杂物剔除工序就非常多，主要有筛沙、风选除杂、在线人工挑选、麻丝剔除、图像识别异物剔除、激光分选机及金属剔除等。目前，各复烤厂应用最多的是风选除杂、图像识别异物剔除、激光分选，最新的高光谱成像技术也在烟草全流程中开发和应用，本文将对这几项技术的研究进展进行梳理，为后续的应用及选型提供参考。

2 打叶复烤工艺中的除杂技术进展

2.1 风选除杂技术

风选除杂系统的原理是利用送风对非烟杂物和烟叶（片烟）产生的落位不同来加以分离。除杂的基本过程为输送带将烟叶物料在布料器上拉薄、布宽，并使物料松散、均匀地进入风选仓，然后在风力作用下，较重的烟叶落到出料口后被送到下道工序，而较轻的片烟和杂物则被吹到排杂口，再通过人工将杂物从烟叶中剔除。

风选除杂系统主要由风分设备、落料器、风机、循环管路、均料设备、皮带、振筛输送机等组成。风选除杂过程中影响除杂效果的参数较多，如烟草种类、加工工艺、润叶、打叶工序等，对风选除杂效果以及最终烟叶产品的质量都会产生影响。目前国内对烟叶风选除杂系统的研究主要集中在对风分设备的结构优化及工艺流程、运行参数、送风速度等进行改进调整，包括风分室的内部结构优化、进风口角度与烟叶进料角等，这些优化或改进提高了风选除杂设备的剔除效果。

较早的是黄彩凤等实现了风选除杂技术在打叶生产线中的应用。其研究表明风分器要达到较好的分离效果，烟叶物料的初速度、进料角度需要满足优化值，且物料速度与抛料方向的宽度有关。例如，抛料方向的输送带宽度达到1200mm 时，抛料的初速度应达到3m/s，而抛料方向的输送带宽度达到1500mm 时，抛料初速度应达到4 ～5m/s。这指明了抛料宽度与抛料初速度的对应关系。

效果上，马春丽等在采用风选除杂系统后，在打叶工序和叶基挑选工序上两个采样点的含杂总量有较大下降，幅度达到22.1%，这表明风选除杂方法有较好的除杂效果，且较难剔除的鸡毛、头发、麻绒等细小杂物的剔除也效果明显。

结构优化上，郑博文等对风选除杂系统的气料分离器进行了结构改进，使除杂效果较改进前提升了73%。

由于风选除杂工艺具有投资少、杂物剔除效果明显等优点，使得该技术在打叶复烤企业得到了广泛的应用，不过，该技术有原料烟叶的损失缺点。实践中，打叶复烤过程通过风选除杂的烟叶，还需要经过人工挑杂后，在打叶风分处回填到烟叶原料中，比例约占烟叶原料总投量的1%～2%。

2.2 基于图像识别的除杂技术

图像识别除杂系统的基本工作原理为利用烟叶和异物在物理特性（主要是颜色）上的差异，采用机器视觉技术实时地识别烟叶和异物，然后对识别出来的异物，采用高速喷嘴将其吹除，达到除杂的目的。

烟草在线异物剔除系统领先的是德国的豪尼HAUNI公司和美国的SRC VISION 公司，其中美国公司的设备原理如图1 所示。

图1 Tobacco Sorter 系列烟草异物剔除系统示意图

该设备的异物剔除原理是烟叶物料的正面和背面状态分别由上、下摄像机拍摄。拍摄到的图像信号被高速传入计算机内存中，经过计算后，将与正常烟叶不同的信息进行放大并生成相应位置的定位信号，剔除机构接收到杂物定位信号后启动该位置对应的电磁阀，将通过该阀的杂物吹离正常物流路径，从而实现剔除，而正常物料则抛至正常物料区。由于检测和剔除是在物料行进过程中进行，因此软件处理程序的快慢和通讯的速度是剔除成功的关键。

国内在学习国外产品的基础上也进行了研制，如由安徽大学、秦皇岛烟机设备公司和涡阳烟叶复烤厂共同研制的“智能型杂质在线探测仪”在2003 年就投入了运行。当然，早期对图像处理不够，致使该产品的图像存在亮度失真，烟叶信号阈值空间扩张，从而导致多台分机操作不方便等问题。

烟草异物图像识别剔除主要基于颜色物理特性，因此，需要对烟草和杂物进行颜色识别。颜色模型上，陈杰等研究认为烟草主要是呈黄褐色，而异物主要是呈其他颜色，这样就可以将色度差异作为烟草与异物的识别特征。而张海林等则是设置CCD 摄像机的彩色为RGB 三原色，将每种颜色由8 位数字量表示，每线像素1024 个，对应的传送带宽度为1.5m，此时CCD 摄像机的颜色和空间分辨率都很高。计算机将采集的烟叶图像的每个像素的颜色与预先设置的烟叶颜色范围进行比较，从而识别出其中的杂物。该方案需要CCD 摄像机采集一批标准的烟叶图像，并依据统计的烟叶颜色RGB 三通道的均方误差来定义一个数组，只要是RGB 三通道的颜色分量在一个标准差范围内浮动，则数组值被赋值为0，表示正常的烟叶颜色，而其他情况则赋值为1，表示异物的颜色。这是利用正常烟叶的颜色和异物颜色的显著差异来实现异物的识别与剔除，类似的颜色特征提取方案研究还有文献[10]和文献[11]。

烟草图像识别剔除设备的另一个关键技术是数据通讯。闻平等基于高速总线传输，研发出烟草异物智能剔除系统。该系统通过高速线扫描相机实时采集烟草图像，然后通过并行总线传输信息给计算机，实时分析杂物图像所处位置，再通过并行高速总线将数据信息传输给喷嘴阀的驱动系统，该系统驱动高速阀，实时剔除烟草杂物。在该系统基础上，高铁功等通过对相机系统进行优化，实现了烟草异物智能剔除系统的性能提升。

总体来说，图像识别设备的研究与发展主要是基于对颜色特征的提取和改进而发展，高速数据传输则逐渐不成为问题。早在2009 年，张绍堂、董德春等就建立了标准烟叶颜色库和典型异物颜色库，并基于已有的异物颜色库对标准烟叶颜色库进行过滤，得到了新的标准颜色库，利用新获得的标准颜色库来识别异物。2011 年，刘迪清将采集的烟叶图像划分为若干个区域，每个区域的大小分别对应剔除阀阀口的大小，使用Laws 滤波预处理得到图像中的纹理能量信息，再根据能量信息对该区域进行预分类，然后使用机器学习方法，在频域分析烟叶和异物的纹理和边缘特征，并使用基于支持向量机的分类模型训练，得到纹理分类器和边缘分类器用来检测烟叶中的异物。随后的颜色特征研究中，2014 年，李斐斐采用改进的Gist 特征提取方法得到特征向量，然后使用SVM（支持向量机）分类器来分类识别烟草中的异物。

对颜色特征的研究逐渐充分的同时，图像重构算法也发展起来。随后的研究开始对图像数据进行处理，以改善识别。如姜炬达利用采集的烟叶图像在经过图像均值滤波、边缘检测以及图像融合模块后，建立了二值化颜色查找表，再基于滑动窗口的方式利用表中的结果来判断滑窗中的异物像素总和，通过设置阈值进行异物的识别和剔除。2016 年，涂平平针对烟草RGB 颜色特征设置阈值，过滤得到不含异常数据点或者异物数据点的烟草RGB 颜色特征，然后按照B 通道对烟草颜色数据分布进行切片处理，进而得到烟叶颜色的边界数据点，然后对其使用移动最小二乘拟合来建模，将拟合得到的模型保存到查找表格中，作为判定依据识别烟草中的异物。

除了颜色特征外，逐渐开始采用其他特征与颜色特征的结合方法。李阳萱研究了基于颜色特征和基于梯度能量特征的两种图像处理方法及其结合方法来做异物检测，其算法考虑了图像光照不均、异物颜色偏暗等条件。结果表明，基于颜色特征的方法异物除杂率能够达到99%，而基于梯度能量的方法异物除杂率能够达到约85%。如果将这两种方法结合起来，则理论上能达到100%的除杂率。

进一步的研究就是对图像进行校正了，沈文超研究了一种烟叶图像校正算法，避免对异物识别的干扰，用于获得较好质量的烟叶图像，以保证辨识精度。

除了颜色模型的不断深入研究外，图像传输也得到了重视。吴亚成研究了烟草除杂机的图像传输，他以传输层UDP 协议为基础，在应用层分别采用滑动窗口机制与最大化传输方式来保证传输的可靠性与实时性，实现了网络信息的传输。

总的来说，图像分类识别的本质首先是选择合适的特征描述待分类目标的图像，这些特征参数能够唯一标识目标，并与其他非目标区域有显著区别，而颜色、纹理等作为图像最基础的特征，其计算相对简单，是研究分类识别的常用方法。然后是对获取的样本图像，经过畸变矫正、亮度均衡、场区还原等算法校正，再通过去噪滤波、增强等预处理方法优化图像信息，最后分析图像中各对象的特征信息，并用数字化来表征颜色、形状和纹理特性参数，将此结果用于分类前的模式识别。

但是，采用图像识别的烟草异物剔除系统既有的缺点也限制了其应用，如物料通过摊薄后的烟叶中还不可避免地存在纸片、砂石、塑料膜等异物，且图像设备背景色经常需要校正，维修保养费用偏高。此外，图像处理系统对与烟叶颜色相同或相近的异物识别并不好。

2.3 激光除杂技术

当异物与烟草颜色相同或相似时，图像识别无法识别出异物，但是激光除杂系统则可剔除与烟草颜色相同或相似的异物。

激光除杂系统主要由物料单层化处理装置、激光发生及扫描装置、物料信息采集系统、实时图像处理系统、异物剔除系统等5 个子系统构成。其工作原理是当激光光束照射在不同物质上会发生不同的物理现象，如选择性吸收、反散射、荧光效应等，利用这些现象可以用来对产品进行颜色分拣、结构分拣以及荧光分拣，从而达到识别和剔除异物的目的。

不同物质对不同波长单色光的反射和吸收强度不同，在颜色分拣过程中，探测器探测照射物质后的反射或透出的光信号，再根据接收光信号的强弱来识别颜色差异较大的产品和异物。

结构分拣是基于被检测物质内部结构的疏密程度进行区分。由于物质在结构上的差异，当红外激光照射到物质上时，会产生不同强度的散射光斑，从而可根据探测到的散射光的不同强度识别出异物。结构分拣需要设置滤光元件，如透光孔、透光环等，以加强正常产品和异物表面的散射强度差异。

而荧光分拣利用的是物质的荧光特性。常温物质被某种波长的入射光照射后，能够辐射出比入射光波长更长的出射光，当停止入射光照射，发光现象又会立即消失，这种出射光就被称为荧光。激光照射到烟叶与异物时，由于叶绿素含量不同就能得到不同的荧光光谱，探测到烟叶的较强荧光会得到较强的电平信号，而异物（塑料、纸片、羽毛等）因不含叶绿素而没有荧光，从而实现对烟叶和异物的分拣。

效果上，激光分选机的杂物综合剔除率可达90%以上。但是，激光分选机主要依靠进口，设备价格高昂，不利于降低打叶复烤厂的生产成本。

2.4 高光谱成像技术

高光谱成像技术（Hyperspectral imaging，HSI）是图像与光谱技术相结合的三维信息获取技术，其中包括上百个波段的地物特征光谱信息和空间图像信息，通过采用机器学习和深度学习方法分析高光谱数据的光谱和图像空间的特征信息，可以有效地进行地物识别和分类，且对比近红外光谱仪等传统光谱分析设备，高光谱成像仪不仅能提供光谱信息，还能够显示该光谱所在像元的位置，提供物品的空间分布信息，实现不同被测物的可视化成像。因该技术的功能强大，国外各种涉农产品从生产到分拣都有很多采用，参考文献众多。

近年来，高光谱成像技术在烟草行业中得到了应用。打叶复烤过程中，也可利用高光谱成像技术，对烟叶和杂物在高光谱图像空间中进行光谱分析，然后利用不同物质独特的光谱特征，对烟叶和杂物进行识别。

李智慧等使用可见-近红外高光谱成像技术，采用归一化、标准正态变化、多元散射校正、一阶导数、卷积平滑对光谱数据进行预处理，通过连续投影变换和主成分载荷的特征波长选择，并应用随机森林、Softmax 和支持向量机建立分类模型，最后通过高光谱成像技术结合SPA-SVM 模型实现了有效分类识别烟叶中的非烟物质。

目前，该技术在烟草行业处于起步阶段，未来的应用推广取决于成本。

3 结语

本文主要是对风选除杂技术、图像识别除杂技术、激光除杂及高光谱成像技术在打叶复烤中的应用研究进行了总结梳理。除了振筛砂石和金属剔除外，多年来打叶复烤过程中对烟叶异物除杂的研究主要集中在风选除杂和图像识别除杂两个方面，取得了很多的应用成果和效益，但这两种方法对杂物的剔除不完全，效果上总体杂物剔除率低于90%。

应用中图像识别智能剔除设备成本很高，且维护保养成本也很高，不利于打叶复烤厂的生产成本降低。

近年来，随着激光除杂技术及高光谱成像技术的引入，必将在打叶复烤除杂中实现多种杂物的一次性有效剔除。如何将新技术与既有除杂系统结合，并开展多项除杂技术的融合研究，在提升烟叶异物除杂效果的同时，有效降低除杂设备及其维护保养费用，是迫切需要开展的工作。只有除杂设备的成本够低，该技术才会真正应用并普及。