基于機器視覺的葉絲在線質量智能檢測系統研究

王仲斌，楊紹勝，肖斌，張德超，李佳睿

（吉林煙草工業有限責任公司長春卷煙廠，吉林 長春 130033）

1 前言

隨著對煙支質量的要求越來越高，制絲生產過程中存在的雜物也越來越受到重視，目前車間光電除雜設備正常運轉，但因原料來料中雜物多，在除雜切絲后發現在煙絲中仍偶爾出現雜物，影響后續正常生產過程及煙絲品質，因此需要針對該現象制定檢測方案，最終將雜物進一步去除，保證煙絲質量。機器視覺技術是一種利用圖像傳感器和圖像處理算法進行非接觸式精確檢測的技術。目前，機器視覺技術在煙草行業的生產檢測和質量監控方面也得到了廣泛的應用，例如，在線外觀和物理指標檢測、非接觸式尺寸測量、產品外觀形貌檢測等。

針對當前存在的問題，作者提出了基于機器視覺的葉絲在線質量智能檢測系統，該系統基于機器視覺技術，通過實時圖像采集裝置獲取切絲后傳送帶上的煙絲圖像，然后對圖像進行處理并使用機器視覺算法最終檢測其是否存在雜物。旨在提高整體除雜能力，保障產品質量，消除安全風險，降低勞動強度，有效提升降本增效能力和設備智能管控水平。

2 系統方案設計

2.1 光學系統設計

本系統的關鍵技術之一在于光學系統硬件設計，為了有效檢測傳送帶上的煙絲，需要選擇合適的工業相機、光學鏡頭和光源，并合理布置相機與光源的安裝位置。

（1）工業相機選型。工業數字相機從傳感器的結構特性來看主要分為面陣相機和線陣相機，面陣相機是以面為單位進行圖像采集，可以直接獲得完整的二維圖像信息，線陣相機的傳感器只有一行感光元素，采集到圖像長度較長，而寬度卻只有幾個像素。面陣相機的分辨率和掃描頻率一般低于線陣相機。由于線陣相機的感光元素呈現線狀，為了采集完整的圖像信息，往往需要配合掃描運動。如采集勻速直線運動金屬、纖維等材料的圖像。結合本項目的實際情況選擇線陣相機。

工業數字相機按照輸出色彩可以分為單色（黑白）相機和彩色相機，在單色相機中，光的顏色信息是沒有被保留的。大多數彩色相機使用拜耳矩陣來捕獲顏色數據，通過相鄰像素的信息來確定每個像素的顏色，因此無論是光通量還是細節表現都不如單色相機。因此，在同樣分辨率下，黑白相機的精度高于彩色相機。在本項目中需要通過顏色信息來區分雜物故選擇采用彩色相機。

綜合以上考慮，本方案選擇Teledyne DALSA 生產的LA-GC-02K05B-00-R 型號彩色線掃描工業相機，傳感器為CMOS 結構，分辨率為2048×2，最大掃描速度為26kHz 滿足本項目需求。

（2）鏡頭選型。按照實際使用場景選擇鏡頭，鏡頭焦距選擇流程如下，首先估算被測平面至鏡頭的工作距離WD，通過已知的傳感器成像面高度Hi 和被測物尺寸(視場高度)Ho 計算圖像放大倍數PM：

然后，根據工作距離和放大倍速計算鏡頭所需的焦距f：

最后選取與焦距計算值最接近的標準鏡頭產品；并根據所選鏡頭焦距重新核算鏡頭到被測平面的理論距離WD。

切絲后傳送帶寬度750mm，選擇的線陣相機傳感器橫向寬度為14.5mm，即放大倍數為14.5/750=0.0193，若擬定工作距離500mm，則利用公式計算得到焦距f =9.47，故選擇焦距為8mm 的標準鏡頭，從而鏡頭到被測平面的理論距離為423mm，實際安裝過程中可靈活調整工作距離。

（3）光源選型。機器視覺系統的光源選型應從照射方式、顏色以及光源類型三個方面進行選型。由于本項目搭配線掃描相機，故選擇專業的LED 線掃光源進行照明，利用大功率貼片LED 和柱面透鏡形成高亮度聚光結構。同時由于異物顏色較雜，需要根據顏色對雜物進行識別，白色光源對各色異物都有較好的反射效果，最終選擇上海嘉勵出產的JL-XS 系列的白色線掃光源對檢測目標進行照明，并搭配光源控制器實現亮度的精確調整。

2.2 系統安裝結構設計

結合現場實際情況，設計了如圖1 所示的安裝結構，其中包括重力底座、光軸支架及其連接件、線性光源、光源連接支架、工業相機及其連接支架等。由于結構采用了光軸支架，可實現結構的快速安裝與調節。相機安裝方向垂直于傳送帶平面，通過光源連接支架可靈活調整照射方向，從而使光源照射位置與相機成像位置重合。最后將線纜連接至落地式工控機檢測平臺即可實現整個系統的供電及數據采集。

圖1 系統安裝結構

2.3 檢測算法設計

系統使用傳統計算機視覺技術對采集圖像進行雜物的檢測。檢測算法采用C++作為主要開發語言，利用開源計算機視覺庫OpenCV 實現相關功能，將線掃描相機采集的連續多幀圖像進行拼接，即圖像分辨率從2048×2 拼接至2048×1024，對拼接后的每幀圖像進行檢測。相機檢測算法流程如圖2 所示。

圖2 檢測算法流程

（1）圖像預處理。首先，對輸入圖像進行預處理，在機器視覺中通過濾波，可以強調待檢測特征同時去除圖像中一些不需要的部分。最常用的有高斯濾波、中值濾波、方框濾波和雙邊濾波等，根據需求采用合適的濾波器對后續特征的檢測有積極的作用。本系統經過多次實驗對比最終選擇采用雙邊濾波的方法對圖像進行預處理。

雙邊濾波是一種非線性的濾波方法，能有效保護圖像的高頻細節，如圖3（b）所示相較于原圖像，使用雙邊濾波后的圖像在低頻部分進行了模糊處理降低了圖像噪聲，同時保留了高頻部分的圖像細節，便于后續的雜物檢測。

圖3 圖像預處理

然后對圖像進行去背景處理，由于皮帶顏色為白色，而雜物也包括白色，故應該去除白色背景對檢測的影響，由于皮帶背景只出現在圖像兩側，故對圖像的左側1/4區域和右側1/4 區域進行處理，在8 位RGB 顏色空間內，白色背景表現為：（200,200,200）≤Pixel（R,G,B）≤(255,255,255)。

基于此，對圖像顏色進行過濾，輸出二值圖，然后利用形態學閉運算擴大背景邊緣，最后輸出的二值圖的作為后續檢測的掩膜。

（2）顏色檢測。輸入圖像的數據格式為8 位RGB，而RGB 顏色空間是從根據顏色發光原理來設定的，三個分量都會隨著亮度的變化而變化，因此更適用于顯示系統，不適合用于圖像處理系統。在基于顏色的圖像處理中使用最多的是HSV 顏色空間，其中H、S、V 三個分量分別代表圖像的色調、飽和度和亮度，對于顏色的表達更為直觀。因此，將圖像轉化到HSV 顏色空間，然后再針對煙絲顏色進行顏色篩選，測試中發現針對已固定的相機參數及光源亮度條件下采集的圖像，超過99%以上的煙葉顏色位于：(0,80,0)≤Pixel（H,S,V）≤(60,230,250)的范圍內，故可將不在該范圍內且面積大于一定值的區域設為異常區域。

根據上述分析編寫程序并測試，測試效果如圖4 所示，對于面積超過1cm2的異色雜物都有不錯的識別效果。

圖4 雜物檢測效果圖

3 上位機軟件實現

針對系統需求，上位機軟件應包括相機的采集、圖像的顯示、實時檢測、報警處理、檢測參數設置、歷史記錄管理等功能，針對以上需求設計開發了上位機軟件，軟件基于C#語言開發，基于.Net4.5 運行在Windows10系統上。上述檢測算法封裝為動態鏈接庫，上軟件通過調用相應接口實現圖像的處理，并返回處理結果。

上位機檢測程序主界面布局如圖5 所示，其中左側界面用于顯示系統運行狀態、幀率、檢測結果和相機拍攝的實時畫面等實時信息，右側界面用于顯示異常報警的記錄信息，上方的數據表格中顯示24h 內所有異常報警記錄，下方視圖顯示框選出異常的圖片和檢測結果。

4 測試與應用

為了對系統的可行性進行驗證，系統在現場工段進行安裝并實際測試。前期曾在制絲切絲后發現雜物多起，集中切絲段后各工序人員全體挑揀，發現如圖6 所示的雜物。

圖6 切絲后雜物示例

在停產環境下模擬真實生產情況進行測試，將不同雜物多次置于傳送帶煙絲上表面，經過圖像采集平面進行測試。得到如表1 所示的測試結果。測試結果表明系統對白色紙張和紅色膠皮類雜物有較好的檢測效果，對藍色膠皮和白色扎帶類雜物的檢測效果較差，總體檢測準確率達到92%，基本滿足項目需求，另外，在實際運行過程中發現系統檢測正常煙絲時，誤檢率為0.05%。

表1 雜物檢測測試結果

5 結語

建立了基于機器視覺的葉絲在線質量智能檢測系統，通過在切絲后傳送帶上方安裝機器視覺系統，實現對皮帶機上煙絲圖像的高速采集，利用機器視覺技術開發雜物檢測算法模型，結合圖像采集驅動、雜物檢測算法以及數據庫等模塊，開發煙絲在線質量智能檢測系統軟件。建立歷史記錄查詢及統計方案，采用大數據分析，將批次煙牌信息與雜物檢測信息相結合，探索雜物產生機理，為后續查詢雜物產生源頭進行定位并加以治理打下基礎。在實際應用中，整個系統運轉良好，經現場測試，該系統針對前期發現的雜物檢測準確率達到92%。系統后續應針對積累的樣本庫進行檢測算法的優化，在提高檢測準確率的同時降低誤檢率。