利用机器视觉的烟包封签缺陷检测算法
基于支持向量机的条烟包装外观缺陷检测
基于支持向量机的条烟包装外观缺陷检测条烟包装外观缺陷检测是质量控制的重要环节之一，传统的人工检测方法存在效率低、容易疏漏等问题。
近年来，基于图像处理和机器学习方法的自动化缺陷检测技术越来越受到关注。
本文提出了一种基于支持向量机（SVM）的条烟包装外观缺陷检测方法，该方法可以有效地提高缺陷检测的准确率和效率。
一、方法概述本文提出的基于SVM的条烟包装外观缺陷检测方法主要分为以下几个步骤：1. 数据采集和预处理：使用相机拍摄条烟包装的图像，并做预处理，包括图像去噪、灰度化、二值化等操作。
2. 特征提取：采用局部二值模式（LBP）算法提取图像的纹理特征。
LBP算法是一种有效的局部纹理特征提取方法，其主要思想是将每个像素与其邻域像素进行比较，从而得到局部纹理信息。
3. 特征选择：使用方差分析法（ANOVA）对提取得到的纹理特征进行排序，选取排序前10%的特征作为分类器的输入。
4. SVM分类器训练：基于选取的输入特征，使用SVM算法进行分类器训练。
SVM算法是一种常用的二分类模型，其主要思想是将数据映射到高维空间中，以分割超平面为界将不同类别的数据分开。
5. 缺陷检测：对新的条烟包装图像进行缺陷检测，将图像分割成若干个区域，对每个区域提取LBP特征，并使用训练好的SVM分类器进行分类，判断该区域是否存在缺陷。
二、实验结果本文使用了一个包含1000张条烟包装图像的数据集进行实验，其中包括正常图像和包含不同类型缺陷的图像。
实验中使用了10折交叉验证方法进行评估，将数据集分成10份，每次使用9份作为训练集，1份作为测试集，共进行10次实验。
实验结果表明，本文提出的基于SVM的条烟包装外观缺陷检测方法具有较高的准确率和效率。
在10次实验中，分类器的平均准确率为92.5%，平均检测时间为0.5秒。
与传统的人工检测方法相比，本文提出的方法可以大大提高缺陷检测的效率和准确率。
三、结论。
基于支持向量机的条烟包装外观缺陷检测
基于支持向量机的条烟包装外观缺陷检测随着社会的发展和人们对生活质量要求的提高，烟草行业也逐渐受到关注。
而在烟草生产中，条烟包装的外观缺陷检测是非常重要的一个环节。
外观缺陷会直接影响到产品的质量和品牌形象，因此如何快速准确地检测和分类外观缺陷成为了烟草行业的一个难题。
本文将基于支持向量机的条烟包装外观缺陷检测进行深入探讨，首先介绍支持向量机算法的原理和特点，然后结合条烟包装外观缺陷检测的具体应用，分析支持向量机在该领域的优势和局限性，最后提出了一些未来可能的研究方向。
一、支持向量机的原理和特点支持向量机是由Vapnik等人于1992年提出的一种二类分类模型，它通过在高维空间中构造最优超平面来进行数据的分类。
其基本原理是寻找一个能够最大化训练数据集的间隔，并且能够将不同类别的数据点正确分开的超平面，这个超平面就是支持向量机的分类决策边界。
具体而言，支持向量机的分类决策函数可以表达为：f(x)=sign(w·x+b)x为输入数据的特征向量，w为权重向量，b为偏置项，sign()为符号函数。
支持向量机的训练过程则是通过最小化结构风险函数来确定参数w和b，以确保得到的超平面能够对未知样本进行准确分类。
相比于其他分类算法，支持向量机具有以下几个特点：1. 针对高维数据：支持向量机在高维空间中可以构造非线性分类超平面，适用于处理高维数据样本的分类问题。
2. 对训练集和测试集的依赖性低：支持向量机的分类性能不仅取决于训练数据的分布，还取决于支持向量的个数，因此对训练集和测试集的依赖性较低。
3. 鲁棒性强：支持向量机在处理小样本情况下分类效果良好，并且对异常值的影响较小，具有较强的鲁棒性。
在条烟包装外观缺陷检测中，支持向量机可以通过训练数据集来识别和分类各种外观缺陷，例如烟盒变形、破损、印刷模糊等。
具体而言，应用支持向量机进行外观缺陷检测的一般步骤如下：1. 数据采集和预处理：首先需要采集一定数量的烟包装外观图像，并对图像进行预处理，包括去噪、二值化、边缘检测等。
基于支持向量机的条烟包装外观缺陷检测
基于支持向量机的条烟包装外观缺陷检测条烟包装外观缺陷检测是烟草行业中一个重要的环节，它直接关系到包装质量的好坏。
传统的条烟包装外观缺陷检测方法通常是由人工进行，效率低且不稳定。
而基于支持向量机的条烟包装外观缺陷检测则可以自动化地检测缺陷，提高生产效率和产品质量。
支持向量机（Support Vector Machine，SVM）是一种常用的机器学习算法，其在分类和回归问题上具有较好的性能表现。
在条烟包装外观缺陷检测中，可以将这些缺陷分为正常和异常两类，通过训练SVM模型，实现对异常缺陷的自动识别。
条烟包装外观缺陷检测主要是通过机器视觉技术来实现的。
需要搜集一定量的正常和异常缺陷的图像样本，这些样本需要经过预处理，例如灰度化、二值化和去噪等，以提高后续处理的准确性。
然后，从这些图像样本中提取特征，常用的特征包括颜色、纹理和形状等。
特征提取完成后，将这些特征作为SVM的输入，训练SVM模型，进而实现缺陷的自动分类。
在训练SVM模型时，需要根据实际情况选择合适的核函数和惩罚参数。
核函数用于将非线性问题映射到高维空间，以便找到一个超平面来最大化分类间的间隔；惩罚参数用于调整分类间的软间隔，以避免过拟合或欠拟合的问题。
在选择核函数和惩罚参数时，可以通过网格搜索等方法来找到最佳的参数组合。
训练好的SVM模型可以用于条烟包装外观缺陷的实时检测。
具体的检测流程包括以下几步：对待检测的图像进行预处理，使其符合训练样本的特征提取要求；然后，从预处理后的图像中提取特征，并将这些特征输入到已训练好的SVM模型中进行分类；根据SVM模型得到的分类结果，判断图像是否存在缺陷。
基于支持向量机的条烟包装外观缺陷检测具有以下优势：可以实现对缺陷的自动化检测，提高生产效率和产品质量；通过训练SVM模型，可以适应不同的缺陷特征，并具备较好的泛化能力；SVM模型的训练和分类过程相对简单，易于实现。
基于支持向量机的条烟包装外观缺陷检测可以有效地提高检测效率和精度，对于保证烟草包装质量具有重要的作用。
机器视觉检测卷烟条盒包装质量
机器视觉检测卷烟条盒包装质量1．引言机器视觉系统是指通过机器视觉产品，如CCD、CMOS和光电管等，将被摄取的目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，再根据判别的结果控制现场的设备。
典型的工业机器视觉应用系统包括如下部分：光源，镜头，CCD照相机，图像处理单元（或图像采集卡），图像处理软件，监视器，通讯/输入输出单元等。
随着中国加入WTO，市场竞争日益激烈，卷烟企业为了提高产品的竞争力，更好的开拓市场，在加大卷烟质量的技改力度、提高卷烟质量的同时，对卷烟制品的包装形式及包装质量也加大了改造力度，以在激烈的市场竞争中更好的巩固和开拓市场。
卷烟产品包装质量的检测，是市场营销过程中保证质量的一个重要手段。
传统的烟支条盒包装质量完全由人眼检测，而长时间工作会使人眼产生视觉疲劳，难以避免产品错检、漏检情况的出现。
基于机器视觉开发的检测系统使得在产品质量的检测过程中用机器代替人眼来做测量和判断，降低了人为因素对产品质量的影响，在提高卷烟包装质量的技改方面满足了企业的需求。
2．系统的设计方案系统采用线性光源以产生照明能量集中、光强分布均匀的一条光带；采用多个相机对条盒需要检测的各个面进行拍照，以保证检测的全面性；采用外触发模式使各个面的图像分通道进入图像采集单元；经过处理单元对各通道的图像进行复杂的表面检测运算，如果发现任何一个通道的图像存在表面质量缺陷，则对下位机给出控制信号，使执行单元在该不合格条盒通过时将其剔除；系统显示器实时显示各通道图像及其检测结果，并给出缺陷的分析结果。
系统的图像采集单元包括图像采集卡、D/A转换卡、光源、CCD相机，工业控制计算机作为图像处理单元，以PLC控制系统控制执行单元。
3．图像采集图像的获取实际上是将被测物体的可视化图像和内在特征转化成能被计算机处理的数据，它直接影响到系统的稳定性及可靠性。
基于视觉感知特征的条烟异常检测算法
基于视觉感知特征的条烟异常检测算法颜西斌【摘要】为解决卷烟生产过程中条烟存在的小包缺失、小包破损、烟支缺失、烟支错排等问题，基于条烟的X光图像设计了一种新的特征提取算法。
通过模仿人眼识别原理，从视觉感知角度对物体边界区域、稠密性、分布状况、方向属性和规律程度进行特征提取，简称VPFE(Visual Perception Feature Extraction)算法。
基于VPFE利用不同分类器对条烟生产中的异常情况进行检测试验，结果表明：①VPFE算法在不同分类器下均有较好的检测效果，可以被主流分类器用于学习分类，且检测精度优于其他特征提取算法。
烟支缺失和小包缺失情况的检测精度达100%。
②VPFE算法还可对破损面积在20%以上的小包以及烟支错排情况进行检测，小包破损检出率达95.8%，烟支错排检出率达96.6%。
该算法有效满足了条烟异常情况检测的精度要求，杜绝了条烟缺支和缺包现象，提升了卷烟包装水平。
%Aiming at the problems, such as broken packet, packet missing or not properly filled, might happen in the process of cigarette production, a VPFE (Visual Perception Feature Extraction) algorithm based on the X-ray images of cigarette cartons was put forward. VPFE algorithm extracted the features of objects from the angles of visual perception including boundary, density, distribution, direction and regularity. Different classifiers were used to detect the abnormalities in cigarette cartoning. The results showed that: 1) VPFE algorithm offered pretty good detection effects under different classifiers, it could be applied to classification learning by mainstream classifiers and advantaged over other feature extraction algorithms in detection precision, which reached 100% for thedetection of cigarette missing and packet missing. 2) VPFE algorithm could also detect the packets with a broken area over 20% or cigarette misalignment with detection rates of 95.8% and 96.6%, respectively. Cigarette or packet missing in cartons is eliminated, and the quality of cigarette packaging is promoted.【期刊名称】《烟草科技》【年(卷),期】2016(000)001【总页数】6页(P78-83)【关键词】条烟;视觉感知;X光图像;异常检测;分类器;特征提取【作者】颜西斌【作者单位】广西中烟工业有限责任公司柳州卷烟厂，广西柳州市静兰路1号545006【正文语种】中文【中图分类】TS439卷烟包装设备在卷烟生产中起着重要作用［1］，然而由于机器设备的局限性，在生产过程中会出现各种异常情况，如小包缺失、小包破损、烟支缺失、烟支错排等问题，从而影响卷烟包装品质。
基于支持向量机的条烟包装外观缺陷检测
基于支持向量机的条烟包装外观缺陷检测支持向量机（Support Vector Machine，SVM）是一种常用的机器学习算法，在图像识别领域有着广泛的应用。
而条烟包装外观缺陷检测是一项重要的质量控制工作，对于烟草生产企业来说至关重要。
本文将介绍基于支持向量机的条烟包装外观缺陷检测方法。
一、方法概述在条烟包装外观缺陷检测中，我们需要将图片中的包装外观进行识别和检测，对于包装上的瑕疵、损坏、污渍等进行自动判断和识别。
支持向量机是一种监督学习算法，能够从训练样本中学习到合适的模型，然后用于对新样本的分类或回归。
二、数据预处理在建立支持向量机模型之前，需要对图片数据进行预处理。
我们需要对采集到的图片进行颜色空间转换，比如将RGB空间转换成灰度空间。
然后，对图片进行大小调整，使其统一尺寸。
接着，需要对图片进行边缘检测和特征提取，以便将图片转换成可用于SVM模型训练的特征向量。
三、特征提取在条烟包装外观缺陷检测中，我们可以使用各种特征来描述图片。
常用的特征包括颜色直方图、纹理特征、形状特征等。
这些特征可以通过图像处理算法进行提取，然后将它们组合成一个特征向量，作为支持向量机的输入。
在特征提取时，需要注意选择对于包装外观缺陷检测有区分度的特征，以提高模型的准确性。
四、模型训练在特征提取完成后，就可以使用支持向量机进行模型训练了。
在训练过程中，需要选择合适的核函数（比如线性核、多项式核或高斯核）以及适当的超参数，以优化模型的分类性能。
训练过程中，需要使用已经标注好的图片数据，将提取的特征向量作为输入，将图像的分类标签（正常/异常）作为输出进行建模训练。
五、模型评估完成模型训练后，需要对模型进行评估。
一般来说，我们需要将部分数据集用于模型的训练，剩余的数据集用于模型的评估。
可以采用交叉验证等方法进行模型性能的评估，并根据评估结果对模型进行调优。
衡量模型性能时，常用的指标包括准确率、召回率、F1-score等。
六、模型应用完成模型训练和评估后，可以应用模型于实际的包装外观缺陷检测任务中。
基于改进Faster-RCNN_的烟标缺陷检测
第 22卷第 3期2023年 3月Vol.22 No.3Mar.2023软件导刊Software Guide基于改进Faster-RCNN的烟标缺陷检测李殷昊，李莹，王凯彬，何自芬（昆明理工大学机电工程学院，云南昆明 650550）摘要：针对品检机上的烟标缺陷检测算法进行改进，根据烟标缺陷检测固有特性，融合目标检测算法，提高烟标缺陷检测精度，实现传统烟标缺陷检测算法不能实现的实时缺陷分类。
用改进后的Faster-RCNN代替传统的模版匹配，对CCD线阵相机采集到的4K烟标图像进行烟标缺陷检测，通过加入特征图金字塔网络FPN，烟标缺陷检测准确率上升1.4%。
在FPN中使用内卷卷积，对比不同大小内卷卷积核的烟标缺陷检测精度发现，使用5×5的内卷卷积核的烟标缺陷检测精度提升最大，达1%，且使用内卷卷积模型的单张烟标检测时间未增加。
最后通过迁移学习使烟标缺陷检测精度进一步提升，达97.9%。
结果表明，所提算法能够实现烟标缺陷检测定位和分类，且具有较高准确率。
关键词：图像处理；CCD线阵相机；烟标缺陷检测；内卷卷积DOI：10.11907/rjdk.221366开放科学（资源服务）标识码（OSID）：中图分类号：TP391.41 文献标识码：A文章编号：1672-7800（2023）003-0179-05Cigarette Case Defect Detection Based on Improved Faster-RCNNLI Yin-hao， LI Ying， WANG Kai-bin， HE Zi-fen（Faculty Mechanical and Electrical Engineering ， Kunming University of Science and Technology， Kunming 650500，China）Abstract：The cigarette case defect detection algorithm on the quality inspection machine is improved， and the objection detection algorithm is integrated according to the inherent characteristics of the cigarette case defect detection to improve the accuracy of the smoke case defect de⁃tection.The improved Faster-RCNN is used instead of the traditional template matching， and the 4K cigarette case image collected by the CCD line scan camera is used for cigarette case defect detection. By adding the FPN layer， the accuracy of cigarette case defect detection increased by 1.4%. By using involution in the FPN， by comparing the detection accuracy of cigarette case defects of different sizes of involution kernels，it is found that the detection accuracy of cigarette case defects using 5×5 involutional kernels is greatly improved， increasing by 1%， and the detection time of a single cigarette case using the model of internal convolution did not increase. Finally， the accuracy of cigarette case defect detection is further improved through transfer learning， reaching 97.9%.The results show that the proposed algorithm can realize the position⁃ing and classification of cigarette case defect detection， and has a high accuracy rate.Key Words：image processing； CCD line scan camera； cigarette case defect detection； inner volume convolution0 引言烟草作为快速消费品，面对的烟民众多，消费市场广阔。
《基于深度学习的烟支缺陷目标检测》
《基于深度学习的烟支缺陷目标检测》一、引言随着人工智能和深度学习技术的飞速发展，计算机视觉在工业检测领域的应用越来越广泛。
烟支作为烟草行业的重要产品，其生产过程中的质量控制显得尤为重要。
传统的烟支缺陷检测方法主要依赖于人工检测，不仅效率低下，而且易受人为因素影响，导致检测结果的不准确。
因此，基于深度学习的烟支缺陷目标检测方法成为了一种新的解决方案。
本文旨在探讨基于深度学习的烟支缺陷目标检测方法，以提高烟支生产的品质和效率。
二、深度学习在烟支缺陷检测中的应用深度学习是一种模拟人脑神经网络的工作方式，通过学习大量数据中的规律和模式，实现对未知数据的预测和分类。
在烟支缺陷检测中，深度学习可以通过训练大量的烟支图像数据，学习到烟支缺陷的特征和规律，从而实现对烟支缺陷的自动检测和分类。
目前，基于深度学习的烟支缺陷目标检测方法主要采用卷积神经网络（CNN）和目标检测算法。
其中，CNN可以自动提取烟支图像中的特征，而目标检测算法则可以对图像中的烟支进行定位和分类，从而实现烟支缺陷的检测。
三、烟支缺陷目标检测的深度学习模型针对烟支缺陷目标检测的问题，本文提出了一种基于Faster R-CNN的深度学习模型。
该模型采用CNN提取烟支图像中的特征，并通过区域提议网络（RPN）和分类器对图像中的烟支进行定位和分类。
在模型训练过程中，我们采用了大量的烟支图像数据，包括正常烟支和各种缺陷烟支的图像，以使模型能够学习到更多的烟支缺陷特征和规律。
四、实验与分析为了验证本文提出的基于Faster R-CNN的深度学习模型在烟支缺陷目标检测中的效果，我们进行了大量的实验。
实验结果表明，该模型能够有效地对烟支进行定位和分类，并准确地检测出各种烟支缺陷。
与传统的烟支缺陷检测方法相比，该模型具有更高的检测精度和更快的检测速度。
此外，我们还对模型的泛化能力进行了测试，结果表明该模型可以很好地适应不同的生产环境和不同的烟支类型。
五、结论本文提出了一种基于Faster R-CNN的深度学习模型，用于烟支缺陷目标检测。
基于支持向量机的条烟包装外观缺陷检测
基于支持向量机的条烟包装外观缺陷检测二、SVM算法原理支持向量机（SVM）是一种监督学习模型，其主要思想是找到一个最大间隔的超平面，将不同类别的数据分开。
在二维空间中，可以用一条直线进行分割；在多维空间中可以用一个超平面进行分割。
SVM算法的核心是通过一个优化问题来求解最大间隔超平面，使得训练样本点到超平面的距离最大化。
通过间隔最大化的思想，SVM在处理分类问题时具有较好的性能和泛化能力。
三、SVM在条烟包装外观缺陷检测中的应用1. 特征提取在条烟包装外观缺陷检测中，首先需要对图像进行特征提取。
常用的图像特征包括颜色、纹理、形状等，这些特征可以用来描述条烟包装的外观信息。
对于彩色图像，可以使用颜色直方图、颜色矩、颜色梯度等特征来描述图像的颜色信息；对于纹理信息，可以使用灰度共生矩阵、局部二值模式等特征来描述图像的纹理信息；对于形状信息，可以使用边缘检测、形状描述子等特征来描述图像的形状信息。
这些特征可以有效地表征条烟包装的外观信息，为后续的分类和识别提供了基础。
2. 分类与识别基于支持向量机的条烟包装外观缺陷检测，首先需要建立一个合适的分类模型。
在特征提取的基础上，可以利用支持向量机算法来训练分类模型，对不同类别的外观缺陷进行识别和分类。
通过给定的训练数据集，SVM可以学习到一个最优的超平面，将不同类别的数据点进行有效分割。
一旦训练好了分类模型，就可以对新的条烟包装图像进行识别和分类，从而实现外观缺陷的快速检测和定位。
3. 模型评估与优化在建立了支持向量机的分类模型之后，需要对模型进行评估和优化。
常用的评估指标包括准确率、召回率、F1值等，通过这些指标可以对模型的分类性能进行评估。
还可以通过交叉验证、参数调优等方法对模型进行优化，从而提高模型的泛化能力和鲁棒性。
四、结论基于支持向量机的条烟包装外观缺陷检测是一种有效的方法，可以快速准确地对条烟包装的外观缺陷进行检测。
通过合理的特征提取、分类与识别、模型评估与优化等步骤，可以建立一个有效的检测系统，实现对条烟包装外观缺陷的自动识别和定位。
基于机器视觉的卷烟包装外观质量瑕疵在线识别方法
基于机器视觉的卷烟包装外观质量瑕疵在线识别方法曾丹梦 舒娟*廖强重庆中烟工业有限责任公司 重庆 400060摘要：传统卷烟外观质量瑕疵在线识别方法直接对图像瑕疵特征进行提取，未对卷烟外观图像数据进行预处理，造成传统方法识别精度低，因此提出基于机器视觉的卷烟外观质量瑕疵在线识别方法。
首先，对卷烟外观图像进行数据预处理，去除背景区域，提高对比度和图像瑕疵特征提取的准确性；其次，利用提取到的瑕疵特征，设计基于机器视觉的卷烟外观质量瑕疵在线识别流程；最后，基于机器视觉实现卷烟外观质量瑕疵在线识别。
通过实验结果表明：此设计方法的识别正确率为100%，具有更高的识别精度。
关键词：机器视觉 卷烟外观 质量瑕疵识别 识别方法中图分类号：TS452文献标识码：A 文章编号：1672-3791(2024)05-0084-04 An online Identification Method for the Quality Defects of Cigarette Packaging Appearance Based on Machine VisionZENG Danmeng SHU Juan*LIAO QiangChina Tobacco Chongqing Industrial Co., Ltd., Chongqing, 400060 ChinaAbstract:Traditional online identification methods for the quality defects of cigarette appearance directly extract the defect features of images, without preprocessing the image data of cigarette appearance, resulting in their low identification accuracy, so this paper proposes an online identification method for the quality defects of cigarette ap⁃pearance based on machine vision. Firstly, it performs data preprocessing of the images of cigarette appearance, and removes background areas, in order to improve the contrast ratio and the accuracy of extracting the defect features of images. Then, it uses the extracted defect features to design an online identification process for the quality defects of cigarette appearance based on machine vision. Finally, it achieves the online identification of the quality defects of cigarette appearance based on machine vision. Experimental results show that the designed method in this paper holds an identification accuracy rate of 100% and higher identification accuracy.Key Words: Machine vision; Cigarette appearance; Quality defect identification; Identification method随着现代社会经济发展和精神文明水平的提高，人们对卷烟包装质量要求逐渐提高。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
收稿日期：2008-04-16基金项目：河南省重点科技公关资助项目（072102210013）在卷烟包装生产中，现已全部实现了自动化生产。
但由于烟包包装速度非常快（例如国内常用的GDX1/2包装生产线的包装速度高达400包/分钟），因此经常出现卷烟包装过程中的种种瑕疵，如烟包的破损、翘边、翻盖、露白、反包、包装错位和封签偏移、叠角缺失等，这严重影响了产品的外在质量。
采用机器视觉技术对生产线上的高速烟包进行在线实时检测分析，将包装不合格的烟包在线剔除，不但具有速度快，而且还具有精度高的优点，是一种较好的在线检测方2009年 工 程 图 学 学 报 2009第3期 JOURNAL OF ENGINEERING GRAPHICS No.3利用机器视觉的烟包封签缺陷检测算法何文平， 邱 超（河南工业大学机电工程学院，河南 郑州 450007）摘 要：构建了一个图像识别及检测的DSP+FPGA 硬件平台，采用机器视觉技术，对烟包外包装各种信息进行准确而快速的识别。
设计了一个烟包封签缺陷检测算法，选取图像强度分量进行灰度处理，选择合适的二值化和滤噪方案对图像进行二值化及滤噪处理，最终在二值化图像中进行封签的偏移、叠角和缺失的检测。
为烟包的高速自动化包装检测提供了一种高效可行的实施方案。
关 键 词：计算机应用；图像处理；封签检测；机器视觉；烟包 中图分类号：TP 391文献标识码：A 文 章 编 号：1003-0158(2009)03-0131-05Algorithm of Fault Supervision of Cigarette Tag PaperBased on Machine VisionHE Wen-ping, QIU Chao( College of Mechanical and Electrical Engineering, Henan University of Technology, Zhengzhou Henan 450007, China )Abstract: A hardware platform with DSP+FPGA is constructed to identify and superviseimages. Machine vision is used to identify the information of cigarette packages. An algorithm of faults supervision of cigarette tag paper is designed. The intensity of images should be firstly processed by shade, then denoise and binarization processes are carried out. The faults of package tag paper such as offset, overlap angle, etc . are identified. This method is efficient in automatic package supervision with high speed.Key words: computer application; image processing; tag paper supervision; machine vision; cigarette法。
1 检测平台的构建用机器视觉技术对烟包进行外观检测包括控制工业相机拍照，对工业相机传来的图像进行一定的算法分析与处理，按照处理后的结果来决定是否驱动剔除机构对烟包进行剔除等步骤[1]。
本文研究平台主要由TMS320C6201 DSP和SpartanXL FPGA搭建而成，由FPGA控制视频解码芯片SAA7111A完成对线阵CCD相机采集的图像进行抗混叠滤波、A/D转换及增益控制，同时对采集图像进行一定的预处理[2]。
DSP通过FIFO缓冲器将FPGA预处理后的图像读入自身存储器，进行相应的算法分析及结果判断，并将判断结果实时发送给剔除执行单元进行剔除、报警等操作。
从而满足了高速环境下大量图像处理的硬件需要。
整个硬件平台结构原理如图1所示。
图1 烟包在线检测平台结构原理2 图像处理2.1 边缘检测系统在线采集的图像，应根据不同的检测目的使用不同的处理算法，烟包的包装缺陷有很多类型，下面介绍封签偏移、叠角和缺失的检测算法实现。
为了使图像在处理前有一个清晰的图像，往往在处理之前要对图像进行降噪处理，常采用快速中值滤波方法来去除噪声[3]。
这种方法既有效抑制图像中的噪声，又保护图像的轮廓边界不使其变模糊。
为了减少指令的条数，增加处理速度，本系统在图像处理前不进行降噪处理，而是采用了一种新的方法，在二值化分割处理时再处理噪声。
在图像处理中关键的一项是对图像进行边缘检测，常用的基于一阶微分的边缘检测算子有Roberts算子、Sobel算子以及Prewitt算子[4]。
实验发现这些算法都不能很好的满足DSP下检测封签时的综合要求。
本系统将图像分为背景和目标两部分，采用一种改进的边缘检测法先通过迭代算法求得图像分割的最佳阈值。
通过阈值分割处理，既增强了烟包图像的目标与背景的对比，增强了烟包的边缘，又能准确提取烟包区域。
然后再利用腐蚀轮廓提取算法，挖去烟包内部像素点，最后剩余部分就是烟包的边缘，从而实现了烟包的边缘检测。
这样通过对各像素点自身I值的分析和计算，判断该点是否为边缘点，避免了在边缘检测的数学计算过程中，使噪声干扰的影响进一步扩大，损坏烟包图像边缘。
2.2 灰度处理为了加快处理速度，缩短图像分析的时间，在进行封签的检测时可以将相机拍摄的24-bit彩色图像采用加权平均值的方法转化成8-bit灰度图，在灰度域中进行二值化处理分析。
常用的加权平均值法根据重要性或其他指标给R、G、B 赋予不同繁荣权值，并使R、G、B的值加权平均[5]。
本系统的烟包背景是黑色的，而烟包相对来说是浅色的。
经试验，选取HIS颜色空间中的I（intensity）强度分量为图像分割的条件时，直方图为理想的双峰型，如图2所示。
NI图2 烟包I分布直方图因此，在压缩处理烟包图像数据时，没有采用加权平均值的方法转化图像，而是把RGB烟包图像转换成HIS域中取I分量进行灰度处理，这样将双峰之间的谷作为灰度阈值可以得到烟包的合理边界，更利于提取边界信息。
将颜色从RGB到HIS的转换为非线性变换，其变换关系为[6]11[()()]cosR G R BH−⎧⎫−+−⎪⎪=·132· 工 程 图 学 学 报 2009年3BG R I ++=B G R B G R S ++−=),,min(312.3 图像二值化分割处理阈值分割方法是把图像的灰度分成不同的等级，然后用设置灰度门限的方法确定欲分割物体的边界。
当用阈值来分割目标与背景时，如果某一灰度值g 是某图像的分割阈值，即大于g 的灰度点将构成目标（烟包浅色调），而小于g 的灰度点就构成背景（背景深色调）。
一般而言，如果灰度值g 可以作为图像的一个阈值，那么它应该使按这个阈值划分目标和背景的错误分割的图像像素点数为最小。
通过系统环境设置可以发现，前景物体的内部具有基本均匀一致的灰度值，并分布在另一个灰度值的均匀背景上，图像的灰度直方图具有明显的双峰。
但是在烟包图像预处理时并没有消除噪声，噪声的干扰使峰谷的位置难以判定或者结果不稳定。
这里采用一种新的迭代算法，在有效地消除或减少噪声对灰度门限值g 的影响的同时，对图像进行了二值化处理。
原理[7]：设有一幅混入噪声的图像),(y x g 是由原始图像),(y x f 和),(y x e 叠加而成的，即),(),(),(y x e y x f y x g +=这里假设各点的噪声是互不相关的，且具有零均值，标准差为ε。
通过阈值分割将图像分割为两部分，由于噪声是随机作用于图像的像素点 上，则可以认为在分割出的目标1g 和背景2g 图像上噪声干扰仍为),(y x e ，即),(),(),(11y x e y x f y x g += ),(),(),(22y x e y x f y x g +=在迭代算法中，需要对分割出的图像分别求其灰度均值，则)},({)},(),({)},({111y x f E y x e y x f E y x g E =+= )},({)},(),({)},({222y x f E y x e y x f E y x g E =+=上式说明，随着迭代次数的增加，平均灰度值将趋向于真值。
因此，用迭代算法求得的最佳阈值不受噪声干扰的影响。
2.4 分割最佳阈值的迭代算法根据上述分析，对烟包灰度图像进行分割最佳阈值的迭代算法描述如下：首先选择一个近似阈值作为估计值的初始值，然后进行分割，产生子图像，并根据子图像的特性来选择新的阈值，再用新的阈值分割图像，经过几次循环，使错误分割的图像像素点降到最少。
这样做的效果好于用初始阈值直接分割图像的效果，阈值的改进策略是迭代算法的关键。
具体算法步骤如下：（1） 选择一个初始阈值的估算值0T={|0}K T K =，2maxmin 0Z Z T +=。
式中，minZ 和max Z 分别表示图像中的最小和最大灰度值； （2） 利用阈值KT 把图像分割成两组R 1和R 2，其中1{(,)|(,)}K R f x y f x y T =≥ （烟包） }),(0|),({2K T y x f y x f R <<= （背景）（3） 计算区域R 1和R 2的灰度均值Z 1和Z 2，其中∑∑><×=KKT j i f T j i f j i N j i N j i f Z ),(),(1),(),(),(∑∑>>×=KKT j i f T j i f j i N j i N j i f Z ),(),(2),(),(),(式中 ),(j i f 是图像上),(j i 点的灰度值，),(j i N 是),(j i 点的权重系数，一般1),(=j i N（4） 选择新的阈值1+K T 2211Z Z T K +=+（5） 如果1+=k K T T ，则结束，否则K =K +1，转步骤（2）。
经过图像分割处理后，有效减少了噪声对图像的干扰范围，并使烟包图像的边缘邻域像素点远离噪声干扰的敏感区，从而提高了图像边缘检测抗干扰能力。
2.5 图像轮廓提取经过图像分割后，原图变成二值图像。
烟包图像轮廓提取就变得非常简单。
二值图像轮廓提取的算法就是掏空内部点，如果原图中有一点为黑，且它的 8个相邻点都是黑色时，判定该点是第3期 何文平等：利用机器视觉的烟包封签缺陷检测算法 ·133·原图像的内部点，则将该点删除。