基于紅外線探測技術的透明煙草生產線異物去除系統設計

孔令虎，羅小華，陳真興

(湖北中煙恩施卷煙廠，湖北 恩施 445000)

0 引言

由于煙葉的數量比較多，如果單純采用手工的方式來分揀生產線上的雜物、異物，其工作量是巨大的[1]，實現過程是不太現實的，而圖像處理和紅外探測識別技術，在提高透明煙草生產質量方面具有重要意義，相關的透明煙草生產線異物去除系統設計方法的研究受到人們的極大重視[2]。對透明煙草生產線異物去除設計是通過圖像特征分析實現的，傳統方法對透明煙草生產線異物去除主要有激光分揀技術、ECO跟蹤算法等[3]，但采用傳統方法進行透明煙草生產線異物去除的可靠性不好，辨識度水平不高，無法保證生產線生產效率。

針對上述問題，本文提出基于紅外線探測技術的透明煙草生產線異物去除方法。采用紅外線探測技術，處理透明煙草生產線異物紅外成像，通過采集、分割并定位處理透明煙草生產線異物紅外圖像，實現對透明煙草生產線異物去除，展示了所提方法在提高透明煙草生產線生產效率方面的優越性能。

1 透明煙草生產線異物紅外圖像采集及預處理

1.1 透明煙草生產線異物紅外圖像采集

煙草物料首先經過一邊輸送一邊振動的方式使其分散、均勻，然后進行加速振動輸送實現物料單層化處理。此時，以生產線每個工位為序列點，以填料被制成連續卷煙條的全部時間為約束時間，采集進入勻速輸送帶采用點陣CCD攝像機攝取煙葉的實時圖像，即采集透明煙草生產線序列圖像[4]，采集函數如下：

f(Gn)=mif(x,y)-(Rt,Ro)

(1)

式中：Gn表示透明煙草生產線采集率；mif表示透明煙草生產線的分布節點；x、y表示每組特征的差異性進行透明煙草生產線的大數據輸出；Rt表示透明煙草生產線分量[5]；Ro表示色差檢測的圖像采樣率。根據透明煙草生產線實際運行數據，含有異物的透明煙草生產線的灰度像素值表示為

Φ(Tn)=f(Gn)Kψ+η

(2)

式中：Tn表示透明生產線異物像素值；Kψ表示邊緣信息重組和空間的信息分析；η表示透明煙草生產線異物特征分布集。

其次，結合紅外檢測技術進行含有異物的生產線序列紅外圖像分析[6]，透明煙草生產線異物的紅外圖像特征集合描述為

σ2(Z;DX)=Φ(Tn)ki+?x

(3)

式中：Z、DX分別表示透明生產線異物紅外圖像的特征元素和特征點；ki表示透明煙草生產線異物紅外線探測圖像邊緣像素點之間的歐式距離；?x表示透明煙草生產線異物紅外線探測圖像的網格像素單元。結合網格區域重組方法，得到透明煙草生產線異物紅外線探測圖像的網格分布特征為

x=σ2(Z;DX)-(Ix+Iy)

(4)

式中：Ix表示透明煙草生產線異物紅外線探測圖像的區域分割閾值；Iy表示透明煙草生產線異物紅外線探測圖像的邊緣信息分布集。為了確定異物的位置，整合網格分布特征，設透明煙草生產線異物紅外線探測圖像輸出的圖像采集為

(5)

式中：si表示透明煙草生產線異物紅外線探測圖像采集的迭代步數；qj表示次采集點的像素特征序列。在像素分布集中，以煙草物料輸送生產線工作時間為約束條件，進行RGB特征分解，實現對透明煙草生產線異物紅外線探測圖像的數學建模[7]。總體實現結構如圖1所示。

圖1 透明煙草生產線異物紅外線探測總體實現結構

1.2 透明煙草生產線異物紅外圖像降噪預處理

采用邊緣像素特征增強技術實現對透明煙草生產線異物的紅外特征檢測，根據圖像像素序列分離和自適應塊特征匹配方法進行透明煙草生產線異物成像[8]，得到透明煙草生產線異物特征分解的高頻尺度為u(n)(x,y)，透明煙草生產線異物紅外線探測圖像的輪廓邊緣特征為

(6)

式中ω0表示透明煙草生產線異物去除信息紋理結構點。通過色彩明暗比對，色彩渲染透明煙草生產線異物紅外線探測圖像，透明煙草生產線異物紅外線探測圖像分布的中心矩為

npq=p(x,t)H(S)

(7)

式中H(S)表示透明煙草生產線異物紅外線探測圖像的鄰域灰度值?；诙嗵卣魅诤系奶卣鳈z測方法，建立透明煙草生產線異物紅外特征采樣，得到每個塊的梯度直方圖為

(8)

式中Wi,j表示透明煙草生產線異物紅外圖像在梯度方向i和j方向的紋理信息。邊緣輪廓特征檢測透明煙草生產線異物信息序列，采用顏色矩來描述異物分布[9]，得到異物特征分布的系數為

(9)

式中：ti表示透明煙草生產線異物紅外探測圖像的相似度后驗估計值；ui表示像素的灰度值，其透明煙草生產線異物分布的像素差表示為

Dif(C1,C2)=Φ(Tn)-w(i,j)

(10)

式中Dif表示判別指數函數。

通過分布式檢測透明煙草生產線異物，得到邊緣信息傳遞函數為

(11)

式中：σx表示透明煙草生產線異物紅外分布原始圖像的邊緣像素參數估計值；σy表示色差等缺陷分布特征集。建立異物去除的多維像素特征解析參數分析，利用顏色矩特征檢測結果[10]，得到透明煙草生產線異物紅外圖像降噪預處理輸出為

(12)

式中：ρ(t)表示透明煙草生產線異物分布的空間譜特征量；Eint(vi)表示透明煙草生產線異物的多尺度變換參數。根據上述分析，構建透明煙草生產線異物特征辨識，提高透明煙草生產線異物紅外圖像降噪能力。

2 透明煙草生產線異物特征提取與去除實現

2.1 透明煙草生產線異物特征提取

采用邊緣像素特征增強技術，紅外特征檢測透明煙草生產線異物，根據圖像像素序列分離和自適應塊特征匹配方法進行透明煙草生產線異物成像和特征定位及信息增強處理[11]，得到紅外線探測透明煙草生產線異物特征分布的模板匹配參數集為

g(x,y)=Eint(vi)+s(v)

(13)

式中：s(v)表示透明煙草生產線異物的紅外特征灰度退化函數。根據圖像像素級鄰域檢測結果，得到紅外線探測透明煙草生產線異物掃描域為

(14)

x(n)=Gk+1+Fj-Gk+1

(15)

式中：Fj表示透明煙草生產線異物紅外探測的異構參數匹配集；Gk+1表示異常特征分布的頻譜系數，其透明煙草生產線異物圖像像素級強度表示為

(16)

式中：?ui表示透明煙草生產線異物分布的尺度；?pi表示輸入訓練圖像集。通過信息熵增強處理[12]，得到透明煙草生產線異物分布的邊緣特征提取輸出為

xi(t)=D-(Xn,Yn-τ)

(17)

式中：Xn表示紅外線探測透明煙草生產線異物去除函數；Yn-τ表示灰度像素分布序列。由此，建立透明煙草生產線異物成像的特征融合，通過模糊度特征匹配方法，實現對透明煙草生產線異物紅外檢測。

2.2 透明煙草生產線異物去除實現

根據透明煙草生產線異物的紅外圖譜差異性特征，采集透明煙草生產線異物特征序列[13]，紅外線探測透明煙草生產線異物去除的聯合特征表示為

g(m,n)(u,v)=xi(t)+(φ1，φ2，…，φu)

(18)

式中：φ1表示透明煙草生產線異物圖像空間轉換的成像序列的標量信息；φ2表示相應的透明煙草生產線異物檢測像素的特征點；φu表示紋理信息掃描點的像素值。通過紅外線探測透明煙草生產線異物檢測的分塊匹配，得到紅外線探測透明煙草生產線異物檢測的量化誤差為

P2=g(m,n)(u,v)-xi(t)

(19)

將訓練圖像集像素參數融合到透明煙草生產線異物分布中，得到異物檢測輸出為

(20)

式中：λ表示透明煙草生產線圖像特征融合，得到紅外線探測透明煙草生產線異物去除的判別函數[14]；μ表示邊緣輪廓線分割的序列節點，采用多維空間模塊化匹配，得到透明煙草生產線異物檢測輸出的特征子集為

(21)

式中x、y、wi表示透明煙草生產線異物分布的融合參數。根據紋理參數估計，得到紅外線探測成像序列分布集，去除透明煙草生產線異物實現信息表示為

(22)

式中：b表示透明煙草生產線異物去除的物理參數；H(z)表示紅外探測的誤差分布函數。綜上分析，根據透明煙草生產線異物的紅外圖譜差異性特征，實現對透明煙草生產線異物去除。

3 仿真測試與結果分析

為了驗證基于紅外線探測技術的透明煙草生產線異物去除方法的有效性，以某實際透明煙草生產線現場的紅外探測與異物去除設備為例，在Matlab軟件平臺中進行測試。實驗采用配置Intel Core TM2 Duo CPU 2.94 GHz 操作系統、32.0 GB 內存、800 G 硬盤、32 位 Windows7操作系統的計算機。采用BASLER L301 bc攝像機，9.20 kHz頻率，2 K分辨率，CCD作為圖像傳感器件。設置透明煙草生產線異物紅外線探測的圖像采樣像素分別為245×330、480×640、640×880、968×1 295 pixel，煙草生產線異物紅外圖譜檢測的特征權重系數為0.035 2，迭代次數為500次，生產線異物紅外線探測的頻率為12 Hz。將紅外線探測透明煙草生產線異物檢測率和去除時間作為實驗指標，對基于紅外線探測技術的透明煙草生產線異物去除方法的可行性進行深入驗證。

3.1 異物識別能力對比

異物檢測率是指在透明煙草生產線異物紅外線探測的圖像采樣像素中，檢測出存在異物的透明煙草生產線異物紅外線探測的圖像采樣像素。異物檢測率越高，則表明透明煙草生產線異物識別能力越強。根據上述實驗參數設定，采用所提方法構建透明煙草生產線異物紅外線探測圖像輸出的圖像采集模型，輸入采集的透明煙草生產線圖像，進行透明煙草生產線異物紅外線探測。分別采用基于激光分揀技術和基于ECO跟蹤的異物去除方法，與所提算法進行對比，得到不同方法的紅外線探測透明煙草生產線異物檢測結果如圖2所示。

圖2 不同方法的紅外線探測透明煙草生產線異物檢測結果

分析圖2可知，針對不同的圖像采樣像素，基于激光分揀技術和基于ECO跟蹤的異物去除方法的平均異物檢測率分別為65%、73%，而基于紅外線探測技術的異物去除方法的平均異物檢測率高達91%。由此可知，基于紅外線探測技術的異物去除方法的異物檢測能力較高。因為所提方法通過紅外線探測技術，分塊匹配透明煙草生產線異物檢測，得到透明煙草生產線異物檢測量化誤差，并將訓練圖像集像素參數融合到透明煙草生產線異物分布中，輸出異物檢測，從而有效地提高了透明煙草生產線異物檢測能力。

3.2 異物去除效率對比

異物去除時間是指去除透明煙草生產線異物所用時間。異物去除時間越短，則表明透明煙草生產線異物去除效率越高。在此基礎上，進一步驗證基于紅外線探測技術的透明煙草生產線異物去除效率。不同方法的透明煙草生產線異物去除時間如圖3所示。

圖3 不同方法的透明煙草生產線異物去除時間

根據圖3可知，隨著迭代次數的增加，不同方法的透明煙草生產線異物去除時間隨之增加。當迭代次數為500次時，基于激光分揀技術和基于ECO跟蹤的異物去除方法的異物去除時間分別為10.8 s、9.5 s，而基于紅外線探測技術的異物去除方法的異物去除時間僅為6 s。由此可知，基于紅外線探測技術異物去除方法的異物去除時間較短，異物去除效率較高。因為所提方法設置約束條件為煙草物料輸送生產線工作時間，并分解RGB特征，構建透明煙草生產線異物紅外線探測圖像數學模型，從而有效縮短透明煙草生產線異物去除時間，提高異物去除效率。

4 結語

為了確保有效去除透明煙草生產線異物，提高透明煙草生產線生產效率，提出基于紅外線探測技術的透明煙草生產線異物去除方法。通過紅外線探測技術，建立透明煙草生產線異物分布式檢測圖像采集模型，采用單一特征解析方法，提取透明煙草生產線異物成像的融合特征，通過模糊度特征匹配方法，實現透明煙草生產線異物紅外檢測，從而有效去除透明煙草生產線異物。研究得知，所提方法的異物識別能力較強，能夠有效實現透明煙草生產線異物紅外線探測，提高異物去除效率。