基于機器視覺的濾棒溝槽位移在線檢測系統

摘 要：由于KDF3E濾棒成型機在生產過程中，需要高效、精確地在線檢測間斷式溝槽濾棒的溝槽數目和位移量，因此本文設計了一套基于機器視覺技術的在線檢測系統。該系統能夠集成高性能線陣相機，實時采集生產線上處于運動狀態的濾棒圖像，并基于GPU加速的深度學習目標檢測算法，即時、精準地計算濾棒溝槽數目和位移，并剔除異常。實踐證明，該系統不僅滿足了溝槽濾棒數量及其位移量的高效檢測需求，而且達到了6000支/min濾棒的測量速度，測量精度精確至0.2mm，為濾棒生產的質量控制和效率提升提供了強有力的技術支持。

關鍵詞：溝槽濾棒；深度學習；在線檢測；位移量

中圖分類號：TP 391 " " " 文獻標志碼：A

隨著人們健康意識不斷提高，降焦減害成為煙草行業發展的重要方向。為了提高香煙濾嘴的過濾效率，煙草行業開發出醋酸纖維溝槽濾棒，將純纖維素紙包裹醋酸纖維絲束，制成特殊結構的溝槽濾棒。利用純纖維素紙的機械截留作用和特殊壓紋溝槽擴大比表面積的作用，改變煙氣在濾嘴中的行進路線，提高煙氣粒相物的慣性碰撞和擴散沉積，從而有效降低煙霧中的焦油量[1]。

間斷式溝槽濾棒由特殊結構的溝槽純纖維素紙包裹醋酸纖維絲束濾芯制成，每支濾棒上有2個溝槽，間斷式溝槽濾棒位移量有嚴格的質量標準，溝槽位移超過允差即為缺陷產品。目前，間斷式溝槽濾棒溝槽位移的檢測方式是離線抽檢[2-3]，溝槽位移在線檢測技術的研究尚未見報道。本文研究了一套間斷式溝槽濾棒溝槽位移在線檢測系統，旨在為溝槽濾棒的生產提供實時、高效的在線檢測手段。

1 系統方案設計

1.1 在線檢測系統結構

間斷式溝槽濾棒溝槽位移在線檢測系統主要由工業線陣相機、點光源、中央控制器、視覺控制器、編碼器和傳感器等部分組成。

視覺控制器接收傳感器的觸發信號和編碼器信號，控制線陣相機進行圖像采集。線陣相機安裝在濾棒條的垂直上方，能夠捕捉濾嘴棒的圖像，由以太網與中央控制器進行數據傳輸。點光源安裝在濾棒條的下方，以背光方式照射濾棒條。中央處理器是系統的核心控制單元，接收線陣相機傳輸的圖像數據，對圖像數據進行處理后，計算出單支濾棒的溝槽位移量，并判斷濾棒溝槽位移是否符合質量標準。

傳感器和編碼器安裝在濾棒成型機上。傳感器監測濾棒成型機的切刀動作，其信號觸發線陣相機進行幀掃描，編碼器的信號觸發線陣相機進行行掃描。

1.2 圖像采集

線陣相機采集高速運動的濾棒條圖像，為了匹配KDF3E濾棒成型機6000支/min的生產速度，線陣相機采用幀+行的觸發方式采集圖像，幀觸發控制圖像開始拍攝的位置，行觸發控制圖像中每一行開始拍攝的位置。

傳感器監測濾棒成型機的切割點位置，每切割一次濾棒條，傳感器就發出一個信號，并將此信號作為線陣相機開始掃描的信號（即幀信號），將下一個切割信號作為本次掃描的結束信號和下一支濾棒的幀信號。

編碼器監測濾棒成型機切刀的位置，每個脈沖信號為線陣相機的行信號。切刀轉動180°切割一次濾棒條，編碼器產生500個脈沖，線陣相機對單支濾棒掃描500行。濾棒長100mm，圖像采集精度為0.2mm。

濾棒溝槽區域與其他位置的透光程度不同，溝槽區域存在褶皺、透光率低，而溝槽以外的區域較平滑，透光率較高。采用點光源從下往上打背光的照射方式產生強對比度，可以將濾棒中的溝槽映射出來，如圖1所示。

1.3 測量原理

間斷式溝槽濾棒示意圖如圖2所示。單支濾棒端面到溝槽邊緣的距離為濾棒溝槽的位移，測量濾棒溝槽的位移，即測量圖2中端面位置1與溝槽起始位置3間的距離Dr。圖像起始位置2與溝槽起始位置3間的距離為D1。濾棒成型機切刀切割點與線陣相機的距離為D，是固定不變的。單支濾棒長度為L。單支溝槽濾棒端面位置1與圖像起始位置2間的距離為D0，是固定不變的，可以將其作為補償距離。

因此，檢測系統測量出D1的值，通過計算可以得到溝槽位移Dr，即補償距離D0=D mod L（余數運算，D值和L值固定，結果為常量）；溝槽位移Dr=D1+D0。

2 檢測模型和算法

KDF3E濾棒成型機的生產速度為6000支/min，使用CPU進行運算難以滿足高速場景的需求，因此采用GPU加速推理。現場部署了一塊Nvidia Tesla T4顯卡進行加速計算，比較Intel XeonE-2278GE處理器，每張圖像的推理速度從95ms～100ms提高至8ms～11ms，能夠滿足現場高速場景。

線陣相機所采集單支間斷式溝槽濾棒成像圖的溝槽邊緣特征并不明顯，傳統的模型算法難以穩定溝槽邊緣定位，因此本文采用深度學習目標檢測算法對濾棒溝槽進行定位。

2.1 檢測模型

目標檢測模型選用YOLOv5s[4]。YOLOv5是一種基于單階段目標檢測器的輕量級模型，比傳統的兩階段目標檢測器（例如Faster R-CNN和SSD）具有更高的檢測精度和更快的推理速度。算法步驟如下所示。

第一步，數據準備。準備溝槽濾棒的圖像數據集，本文總共收集817個數據集，其中訓練集為697個樣本，驗證集為120個樣本，測試集為120個樣本，該數據集將作為訓練模型的輸入。

第二步，模型訓練。為了加速模型收斂，本文選用YOLOv5s的預訓練模型，訓練圖像為（640×640）ppi，訓練輪次（epochs）為500輪，批大小（batch）為8，初始學習率為0.005，采用的優化策略為隨機梯度下降法（SGD），loss曲線和性能指標如圖3所示。經過235次epochs（訓練輪次）后，準確率（Precision）曲線、召回率（Recall），全類平均正確率（mAP0.5）以及全類平均正確率（mAP0.5：0.95）趨于1，并在此后保持穩定，說明檢測模型訓練完成。

第三步，模型推理。模型推理使用C++語言，將訓練好的模型轉換為Onnx格式，由Onnx Runtime推理引擎進行在線推理，包括初始化、前處理、模型前向計算和后處理4個步驟。1）初始化。加載onnx模型并進行模型預熱。第一次加載需要執行加載模型參數、分配內存等步驟，通常需要2s～3s。為了解決初始化耗時長的問題，在軟件啟動階段進行模型預熱，加載onnx模型后會生成一張尺寸為（640×640）ppi的純色圖像，將其送入模型進行前向計算，完成首次推理。2）前處理。使用opencv完成前處理，對圖像進行自適應縮放和填充操作，將輸入圖像調整為與訓練數據相同的尺寸，以便與模型兼容。為了適應現場高速場景，前處理采用自適應圖片縮放算法[5]，盡量保持高寬比不變，原圖短邊縮放比例與長邊一致，縮放至（640×360）ppi，填充純色后，最終尺寸為（640×384）ppi，提高了計算速度。將圖像數據轉換為浮點型，以便進行數值計算和梯度傳播，保證模型推理過程中的數值精度和計算準確性。調整圖像通道的順序，從HWC（H為Height，W為Width，C為Channels）轉換為CHW格式。3）前向計算。將前處理好的圖片送入網絡計算，并獲取輸出張量的結果。4）后處理。首先，輸出解碼，即模型輸出特征圖包括邊界框坐標、置信度和類別概率，將這些輸出轉換為實際圖像中的坐標。其次，置信度閾值過濾，即設定置信度閾值為0.7，在輸出的多個檢測框中過濾掉置信度低于0.7的邊界框，只保留置信度高于0.7的檢測結果。最后，非極大值抑制（NMS），即YOLOv5算法的輸出結果會產生大量預測框，用于移除冗余的邊界框，從而保留最有可能帶有目標的框。

NMS的主要步驟如下所示。1）排序。根據預測置信度分數對所有邊界框進行排序，優先考慮置信度最高的框。2）選擇框。選擇置信度最高的框為當前框。3）計算重疊度。計算當前框與所有剩余框間的交并比（Intersection over Union，IoU）。4）移除冗余框。刪除與當前框的IoU超過預設閾值的所有其他框。5）重復以上過程。將當前框加入最終的檢測結果列表，反復從排序列表中選擇下一個置信度最高的框，直到處理完所有的框，保留最有可能的目標框，提高檢測結果的準確性。

2.2 輸出結果

對于每張圖像，模型將輸出的預測框，表示檢測到的溝槽位置，包括溝槽的位置坐標和置信度分數，分析模型并計算出每個溝槽的具體位置坐標。

3 測量結果

目前，溝槽濾棒溝槽位移標準為（20±1）mm，溝槽位移在19mm～21mm為合格產品，超過位移標準的視為缺陷產品。檢測到的合格產品圖和缺陷產品圖如圖4所示。

為了進一步驗證在線檢測系統的可靠性和準確性，分別生產溝槽位移規格為18mm、19mm、20mm、21mm和22mm（濾棒成型機可調整溝槽位置）的濾棒，每次取100支濾棒的平均檢測結果。同時由人工抽檢20支濾棒進行溝槽距離測量，取測量數據的平均值。將人工測量的數據和在線檢測裝置測量的數據進行比較，結果見表1。

從2種測量方法的測量結果可以看出，與人工測距相比，采用在線檢測系統測量的溝槽距離相對誤差低于1.5%，證明本文檢測系統測量結果準確、可靠。

4 結論

本文設計了一套基于機器視覺技術的間斷式溝槽濾棒溝槽位移在線檢測系統，該系統能夠滿足KDF3E濾棒成型機在生產過程中對溝槽濾棒數量及其位移量的高效檢測需求。

該系統具有以下3個特點。1）效率高。基于GPU加速的深度學習目標檢測算法，實現高速6000支/min濾棒的檢測速度。2）精度高。測量精度≤0.2mm，能夠滿足溝槽濾棒生產的質量控制要求。3）具有自動采集圖像、自動檢測溝槽和自動剔除缺陷溝槽濾棒等功能，提高了生產效率。

參考文獻

[1]盛培秀.溝槽醋酸纖維濾棒的開發[J].煙草科技，2004（4）：17-19，22.

[2]劉學海.基于CCD的濾棒直徑檢測傳感器[J].應用科學，2010，4（119）：119-122.

[3]董浩，洪深求，周德成，等.醋纖溝槽濾棒特征參數測定方法[J].煙草科技，2010（4）：5-8，20.

[4]劉鴻瑜，袁國武.基于改進YOLOv5s的煙支外觀缺陷檢測方法[J].計算機技術與發展，2022，32（8）：161-167.

[5]程長文，陳瑋，陳勁宏，等.改進YOLO的口罩佩戴實時檢測方法[J].電子科技，2023，36（2）：73-80.