一種基于OpenCV的香煙濾棒計數(shù)算法

王征勇

摘要：為了滿足濾棒生產(chǎn)統(tǒng)計的計數(shù)需求，提出了一種基于圖像識別的濾棒計數(shù)方法。首先通過輪廓查找檢測到濾棒區(qū)域;其次通過亮度均勻、邊緣檢測、顆粒剔除等預處理方法，獲取濾棒的圓周邊緣;然后通過霍夫圓檢測獲取濾棒的位置;最后通過灰度和位置進行異常剔除，得到濾棒的識別結果。通過實驗，普通濾棒、顆粒濾棒、細支濾棒的F1-分數(shù)分別為99.85%、99.73%、99.92%。說明該方法能夠很好滿足卷煙工廠流水線場景下的使用需求，具備良好的泛化性能。

關鍵詞：濾棒識別;邊緣檢測;霍夫圓檢測;計數(shù)

目前對于基于圖像的濾棒計數(shù)方法，主要有三類：分別為面積法近視估算、基于機器學習的識別算法和基于邊緣的識別算法。其中效果最好的是基于邊緣的識別算法，例如曹維林等人提出的基于Canny 算子的濾棒數(shù)量檢測方法【1】，該方法對整個托盤的濾棒進行邊緣檢測，結合濾棒圓形特性精確定位濾棒位置，實現(xiàn)濾棒數(shù)量檢測。該系統(tǒng)平均誤檢率為0.1%，平均漏檢率為0.77%。

按照每個容器的濾棒數(shù)量為4000支計算，總錯誤數(shù)量為10支以內(nèi)，才能較好的滿足工業(yè)企業(yè)流水線場景下的使用需求，也就是準確率需達到99.75%以上，上述算法均不能滿足。此外目前研究的都是普通濾棒，缺少對顆粒濾棒和細支濾棒的研究，本論文分別對三種濾棒進行實驗，并且達到平均總錯誤數(shù)量在10支以內(nèi)。

1圖像的獲取和識別方法

1.1圖像的獲取

工業(yè)相機采用品牌為邁德威視;型號為MV-SUA2000C M-T，最高分辨率為5488×3672。

1.2識別方法

1.2.1濾棒區(qū)域提取

本論文首先針對濾棒區(qū)域進行提?。?/p>

①使用Canny邊緣檢測方法，獲取邊緣。

②使用dilate方法進行膨脹處理，使濾棒區(qū)域邊緣連接起來。

③使用findContours方法進行輪廓尋找。取最大輪廓，獲取濾棒篩矩形框。

④使用矩形框對圖片進行截取，獲取濾棒區(qū)域。

1.2.2亮度均勻

針對光照不均勻的情況，采用了彭興邦等人提出的一種基于亮度均衡的圖像閾值分割技術進行亮度均衡化。【2】

1.2.3濾棒識別

通過查找圓形的方式，實現(xiàn)濾棒的識別和定位：

①使用Canny邊緣檢測方法，獲取濾棒邊緣。

②對于顆粒濾棒，通過查找小閉合輪廓的方式，進行顆粒邊緣去除。

③使用HoughCircles霍夫圓檢測，獲取濾棒位置。

1.2.4異常剔除

①濾棒在容器中存在“類圓孔洞”的現(xiàn)象，使用拉依達準則，進行灰度異常圓剔除。

②部分容器與濾棒邊緣組成的“假圓”噪音，通過濾棒區(qū)域輪廓進行剔除。

2結果與分析

2.1普通濾棒結果

本文引用了曹維林等人提出的基于Canny算子的濾棒數(shù)量檢測方法【1】論文中的檢測數(shù)據(jù)。由于長中短支煙的圓周接近，本文將其數(shù)據(jù)進行合并統(tǒng)計。

平均情況下需要人工標記的數(shù)量由原來的每個容器多于40根降低到現(xiàn)在的每個容器不到3根。需要人工標記的數(shù)量明顯降低，完全具備了實際場景的使用條件。

2.2顆粒濾棒結果

平均情況下需要人工標記的數(shù)量為每個容器8.1根。本文針對顆粒濾棒圖像的濾棒識別在平均表現(xiàn)情況下準確率為99.83%、召回率為99.78%，需要人工標記的數(shù)量平均為8.1根，基本具備了實際場景的使用條件。

2.3細支濾棒結果

平均情況下需要人工標記的數(shù)量為每個容器8.4根。本文針對細支濾棒圖像的濾棒識別在平均表現(xiàn)情況下準確率為99.91%、召回率為99.93%，需要人工標記的數(shù)量平均為8.4根，完全具備了實際場景的使用條件。

參考文獻

[1]曹維林， 李捷， 孫順凱，等. 基于Canny算子的濾棒數(shù)量檢測方法[J]. 煙草科技， 2020， 53（1）：7.

[2]彭興邦，蔣建國。一種基于亮度均衡的圖像閾值分割技[J].計算機技術與發(fā)展，2006，（11）：10-12.