煙絲雜物視覺檢測設計與開發

郭俊豪 郭峰 陳諧飛

摘 要：本文通過生產過程中煙絲中雜物的機器視覺識別實際運用，以降低煙絲中含有非煙草類雜物量為研究對象，通過圖像識別建模技術的研究來提升制絲車間加工過程質量保障水平，設計一種輕量級前端檢測系統，提高車間在加工過程質量保障方面關于非煙草類雜物識別剔除能力。

關鍵詞：視覺檢測;TensorFlowJS;JavaScript

1 設計背景

廈門煙草工業有限責任公司（以下簡廈煙）的制絲車間在生產過程中經常會發現各類雜物，比如橡膠、塑料、尼龍、泡沫等非植物性的雜物，如果卷入煙支，消費者點燃煙支燃燒時會釋放異味，帶來不佳的口感。因此煙絲中的雜物控制在卷煙生產過程中是重要環節，車間現有的除雜類設備有葉片異物剔除機、切絲前金屬探測儀、烘絲后風選等設備[1];葉片異物剔除機的剔除率大概在85%，絲線金屬探測儀只對金屬物體起作用，烘絲后風選設備對塑料或橡膠等輕質物體無法剔除，所以仍存在非煙草類雜物混入煙絲的事件發生。目前葉絲段煙絲的挑雜主要是靠人工來完成，現場工作環境不佳，粉塵重雜音大，批次連續生產時間長且工作內容枯燥，容易產生視覺疲勞，影響挑雜效果。

2020年度工藝質量分析會統計數據，制絲車間在葉絲段切絲后共發現A類雜物事件532起;車間已裝煙箱煙絲需要人工返工挑雜的次數達到了10次。當在后續工序中發現雜物，煙絲需要由人工返工挑雜，將會造成煙絲水分散失，造碎量增大，增加人力成本且存在二次雜物混入風險。

制絲車間切絲機與振槽因結構關系，出絲口的上方就是切絲機的刀頭機架與搖臂式操作面板，人員在操作或者維修時有異常掉落雜物的風險;煙絲來料中經常混雜有各式各樣的雜物。

以上兩種均是采用人工駐點觀察的方式：由于長時間盯著一個范圍做高度集中的工作事項，人容易產生視覺疲勞，且易產生慣性思維，發呆犯錯的風險增大。與此同時因為切絲機又是個單機崗位，經常需要去調整切絲主機與輔聯銜接，中途會離開人工駐點觀察崗，雜物未經識別就通過所屬工段的風險增大。

因此，需要通過使用視覺檢測技術運用于生產過程，提升了制絲車間在加工過程質量保障方面關于非煙草類雜物識別剔除能力。同時需要建立切絲后振槽煙絲穩態與雜物模型，離線部署模型請求工程，開發前端定制系統，并根據模型輸出識別聲光報警。

2 設計描述

本文通過煙絲中雜物剔除技術研究，進一步保障煙絲的純凈度，減少人工返工挑雜次數，減少煙絲水分散失、造碎量，降低二次雜物混入的風險

2.1選取技術框架

與其他傳統煙草光電除雜不同，深度學習技術在學習如何對如此復雜的物理現象做出預測方面非常有效。在機器學習中引入了遞歸神經網絡（RNN），以便能夠處理序列數據，并對這些數據以及其中可能出現的時間相關性進行建模。與其他算法不同，這些模型主要依賴于數據認知過程，具有較強的預測能力。這使得它們成為解決各種算法無法硬編碼的預測問題的完美候選。當我們需要解決輸入和輸出數據之間沒有線性依賴關系的問題時，人工神經網絡可以被積極地使用[2]。

因此我們選取了谷歌的teachable machine。 將需要訓練的數據轉化為模型文件，在瀏覽器中調用攝像頭，進行畫布截圖，傳入后臺與模型文件進行實時比對，輸出近似分數[3]。

2.2請求與交互邏輯

2.3模型訓練及迭代優化

2.3.1準備訓練樣本

正常煙絲：893張

煙絲含（白色泡沫）：53張

煙絲含（白色塑料）：53張

煙絲含（白色橡膠）：53張

煙絲含（黑色布料）：53張

煙絲含（紅色橡膠）：53張

煙絲含（藍色塑料）：53張

煙絲含（壓空管）：53張

2.3.2設置訓練評估參數

Epochs：50

Batch_size：16

Learning Rate：0.01

2.3.3過程訓練輸出結果

2.3.4迭代優化

（1）還是以50次迭代進行評估訓練

（2）批間樣本訓練集目前有16，32，64，128，256，512的選擇項，這次選擇16的樣本區間，下階段報告選擇32進行參數設置，進行數據比對，根據目前樣本量來說，分類數量不一致，導致區間選擇難以尋找出合適的參數，盡量提供一樣的分類樣本數量

（3）學習率大小的設置，還不到消除損失率鋸齒狀的地步

3 輸出成果

（1）研究出了可適用多場景的雜物識別剔除算法，可進行不斷迭代優化;

（2）開發出可適用多場景的雜物識別模型的開發包一份;

（3）圖像信息采集、處理及設備關鍵參數設置的標準一份;

（4）構建基于視覺檢測技術的前端系統;

4 結語

通過開展本次機器視覺在制絲加工過程切絲后煙絲中的雜物的識別，掌握了一定的圖像識別技術和應用經驗。積累了技術經驗，煙絲中雜物剔除識別技術的整套設備可以安裝到一區二區一共9條生產線的切絲后工序。機器視覺技術在廈煙制絲車間智能化提升方面的落地應用形成的經驗成果，可以推廣至全國范圍的煙草行業進行交流分享。

參考文獻：

[1] 國家煙草專賣局. 卷煙工藝規范 [M]. 北京：中國輕工業出版社， 2017.6.

[2] Mohammed Rafik， Ayoub Fentis， Tajeddine Khalili， Mohamed Youssfi， Omar Bouattane. Learning and Predictive Energy Consumption Model based on LSTM recursive neural networks [C].美國：[出版者不詳]， 2020， 1-7.

[3] 初野文章. グーダルの「Teachable Machine」 [J]. I·O/アイ·オー， 2017， 42（12）： 97-99.

（廈門煙草工業有限責任公司，福建 廈門 361022）