摘要：針對(duì)煙草企業(yè)對(duì)小包煙包裝質(zhì)量精密檢測(cè)的需要，提出基于機(jī)器視覺(jué)的檢測(cè)系列關(guān)鍵技術(shù)，包括了小包煙圖像采集裝置、基于快速Hough的小包邊緣快速提取算法、基于灰度共生矩（GLGM）參數(shù)快速在線判別算法、基于支持向量機(jī)（SVMs）的包裝缺陷識(shí)別等。該關(guān)鍵技術(shù)不僅適應(yīng)在線快速包裝質(zhì)量檢測(cè)，而且能準(zhǔn)確判斷缺陷類型。實(shí)驗(yàn)證明該關(guān)鍵技術(shù)具有實(shí)用可靠等優(yōu)點(diǎn)，可應(yīng)用到小包煙生產(chǎn)現(xiàn)場(chǎng)。 煙草企業(yè)中成品煙包裝質(zhì)量是關(guān)系到香煙質(zhì)量的重要因素，對(duì)包裝質(zhì)量的檢測(cè)是控制香煙質(zhì)量的關(guān)鍵環(huán)節(jié)之一。 香煙外包裝質(zhì)量檢測(cè)分為小包檢測(cè)和條包檢測(cè)。小包檢測(cè)是指在卷包生產(chǎn)線上，成品煙制成后的檢測(cè)，主要針對(duì)生產(chǎn)過(guò)程中小包煙出現(xiàn)的邊緣翹起、包裝缺損、斑點(diǎn)和脫封等缺陷進(jìn)行檢測(cè)；條包檢測(cè)指小包封裝成條后，可能出現(xiàn)的錯(cuò)牙、內(nèi)包裝外露和包裝破損等。 小包煙封裝成條后，無(wú)法再對(duì)小包煙進(jìn)行檢測(cè)，因此小包精密檢測(cè)是控制香煙質(zhì)量的前提條件和關(guān)鍵所在。小包檢測(cè)的特點(diǎn)和總體要求是： （1）小包在卷包線上，運(yùn)行速度較快； （2）檢測(cè)實(shí)時(shí)性要求高； （3）要求對(duì)小包煙的5個(gè)面檢測(cè)； （4）對(duì)出現(xiàn)包裝質(zhì)量問(wèn)題的小包煙進(jìn)行分析，確定缺陷類型，以確定發(fā)生缺陷的環(huán)節(jié)。 國(guó)內(nèi)外學(xué)者對(duì)小包檢測(cè)進(jìn)行了相關(guān)的研究，并取得了一些成果。但這些技術(shù)尚未涉及精密檢測(cè)，不能給出包裝缺陷的種類。隨著煙草企業(yè)之間的競(jìng)爭(zhēng)日趨激烈，精密小包檢測(cè)具有重要的工程應(yīng)用價(jià)值。本文就小包機(jī)器視覺(jué)精密檢測(cè)展開(kāi)研究，提出了系列關(guān)鍵技術(shù)。 1 檢測(cè)系統(tǒng)構(gòu)建 基于機(jī)器視覺(jué)的檢測(cè)系統(tǒng)，需要對(duì)傳輸帶上的小包除底面外的5個(gè)面進(jìn)行圖像采集和處理，對(duì)檢測(cè)到包裝缺陷的小包進(jìn)行剔除。系統(tǒng)構(gòu)建系統(tǒng)見(jiàn)圖1。 [align=center] 圖1 小包檢測(cè)系統(tǒng)構(gòu)成簡(jiǎn)圖[/align] 系統(tǒng)由采集單元、剔除單元、D/A轉(zhuǎn)換器和中心計(jì)算機(jī)組成。小包煙在傳輸帶上通過(guò)采集單元，采集單元每次對(duì)1個(gè)小包進(jìn)行圖像采集，采集信號(hào)進(jìn)入中心計(jì)算機(jī)進(jìn)行處理，當(dāng)發(fā)現(xiàn)有包裝缺陷的小包時(shí)，計(jì)算機(jī)發(fā)出信號(hào)，通過(guò)D/A轉(zhuǎn)換，在剔除單元里引發(fā)動(dòng)作器將該小包剔除。 圖像采集單元是系統(tǒng)的重要部分。其內(nèi)部結(jié)構(gòu)簡(jiǎn)圖見(jiàn)圖2。 [align=center] 圖2 小包檢測(cè)系統(tǒng)圖像采集單元 [/align] 圖像采集單元由采集箱體、CCD陣列、光源構(gòu)成。CCD陣列由1～5#CCD構(gòu)成，分別完成對(duì)小包不同面的采集。1/2#CCD為面陣CCD，完成對(duì)小包左右立側(cè)面的檢測(cè)，3#為線陣CCD，完成對(duì)頂面的檢測(cè)，4/5#為線陣CCD，完成對(duì)前后面的檢測(cè)。 在運(yùn)動(dòng)中采集圖像，線陣CCD效果較好。3～5#CCD采用線陣CCD，通過(guò)編碼器控制開(kāi)始和結(jié)束采集的時(shí)間，能得到小包前后及頂面的圖像。 由于采集箱體需要出口和進(jìn)口滿足裝帶小包的傳送帶通過(guò)，因此1/3#CCD不能安裝在側(cè)面的正向，需要和小包的中心線有一定的夾角，這種安裝方式需要面陣CCD成像。當(dāng)小包運(yùn)行到某個(gè)位置時(shí)，此時(shí)1#CCD視野的景深范圍恰好能使得小包左側(cè)面能完全成像，根據(jù)理論和實(shí)驗(yàn)分析，當(dāng)小包運(yùn)行到采集單元距離進(jìn)口為全長(zhǎng)的1/4時(shí)和3/4時(shí)，3#CCD和1#CCD能清晰成像。雖然面陣CCD的運(yùn)動(dòng)成像效果較線陣CCD差，但由于小包的中軸線和1/3#CCD的中心線存在一定的夾角，使得小包遠(yuǎn)離CCD共軛面的速度為小包運(yùn)行速度的分量，這樣只要選擇適當(dāng)景深的鏡頭并控制曝光時(shí)間，就可以得到清晰的圖像。 從采集器采集的過(guò)程可知，完成對(duì)整個(gè)小包的采集過(guò)程，每個(gè)CCD的拍攝方式和成像時(shí)間不同。對(duì)于不同種類的小包，完成采集過(guò)程需要的參數(shù)為小包運(yùn)行速度及小包各項(xiàng)幾何尺寸。 2 檢測(cè)流程的圖像處理關(guān)鍵技術(shù) 2.1 檢測(cè)流程 小包精密檢測(cè)要求較高的實(shí)時(shí)性和準(zhǔn)確性。經(jīng)過(guò)封裝后小包的包裝質(zhì)量較好，且出現(xiàn)缺陷的概率較低。由于采集參數(shù)確定后，每個(gè)小包的成像特點(diǎn)較為穩(wěn)定。因此，小包檢測(cè)流程可分為實(shí)時(shí)檢測(cè)和精密檢測(cè)2個(gè)過(guò)程。實(shí)時(shí)檢測(cè)采用快速算法進(jìn)行檢定，當(dāng)出現(xiàn)包裝缺陷時(shí)再進(jìn)行精密檢測(cè)。采集圖像后需要確定圖像中小包的邊緣，通過(guò)邊緣確定小包的圖像，對(duì)圖像中各個(gè)感興趣區(qū)（ROI）進(jìn)行判別，若發(fā)現(xiàn)有可疑區(qū)域，進(jìn)入精密檢測(cè)環(huán)節(jié)檢定，確定缺陷并由剔除機(jī)構(gòu)進(jìn)行剔除。整個(gè)流程見(jiàn)圖3。 [align=center] 圖3 小包檢測(cè)處理流程圖[/align] 小包檢測(cè)中的關(guān)鍵圖像處理技術(shù)為：邊緣檢測(cè)、小包ROI區(qū)域確定、閾值判斷及缺陷模式識(shí)別。 2.2 小包邊緣檢測(cè) 為了確定小包包裝是否存在缺陷，必須事先確定整個(gè)小包圖像位置。由于確定了采集參數(shù)，因此在對(duì)某種小包的成像基本保持不變。但由于采集時(shí)像素抖動(dòng)、采集時(shí)刻的微小差異等因素，每次每個(gè)CCD成像不可能完全保持一致，因此每次必須采用邊緣搜索算法確定小包的邊緣。由于可能的邊緣總在某個(gè)已知矩形內(nèi)出現(xiàn)，可以利用快速Housh變換搜索到該矩形內(nèi)的小包邊緣。 快速Hough變換的原理是：矩形區(qū)域里面的像素點(diǎn)坐標(biāo)為（x[sub]i[/sub]，y[sub]i[/sub]），確定邊緣線的一個(gè)已知點(diǎn)p0，其坐標(biāo)為（x[sub]0[/sub]，y[sub]0[/sub]）。通過(guò)p[sub]0[/sub]的直線斜率為k，則矩形內(nèi)任意點(diǎn)與已知點(diǎn)p0。連線的斜率ki為： k[sub]i[/sub]=（yi[sub]0[/sub]）/（x[sub]i[/sub]-x[sub]0[/sub]） （1） 將斜率值ki映射到一組累積器B（m[sub]i[/sub]）上。由于在同一條直線上的ki相同且為最大值，因此如果候選矩形內(nèi)有直線時(shí)，累積器將會(huì)出現(xiàn)局部或者全局最大值。選擇全局最大值就能確定為矩形內(nèi)的邊緣直線，而局部最大值可能是缺陷或者其他干擾線段。 2.3 小包ROI區(qū)域及閾值確定 每個(gè)CCD采集到的圖像為24Bit的灰度圖，為小包煙的每個(gè)側(cè)面。若小包上包裝質(zhì)量出現(xiàn)缺陷，則必然導(dǎo)致圖像的特征上出現(xiàn)異常。常用的缺陷判斷算法為圖像二次相減，通過(guò)對(duì)標(biāo)準(zhǔn)模板進(jìn)行比對(duì)來(lái)判斷。由于小包煙的薄膜包裝印記每次不同，采集時(shí)光照的差異等情況，圖像相減可能造成錯(cuò)判。 考慮到檢測(cè)的柔度和精確性，采用ROI區(qū)域內(nèi)的灰度共生矩（GLCM）參數(shù)來(lái)判斷是否存在缺陷。選擇GLCM中參數(shù)中的能量參數(shù)E熵參數(shù)S、對(duì)比度參數(shù)C和反差分參數(shù)I作為比較的參數(shù)。每個(gè)面中ROI區(qū)域確定的原則是：根據(jù)被檢測(cè)面的特征，選擇全部面，或面中一個(gè)或幾個(gè)特殊矩形區(qū)域作為ROI區(qū)域，如小包頂面較小，可選擇整個(gè)面；小包正面，可選擇封口處和中文字符處等。圖4～5為實(shí)測(cè)到小包正面和頂面的ROI。 [align=center] 圖4 小包煙正面ROI 圖5 小包煙頂面ROI[/align] 選擇ROI是為了減少計(jì)算復(fù)雜度，提高實(shí)時(shí)性。在實(shí)際檢測(cè)過(guò)程中，ROI的選擇可以根據(jù)企業(yè)對(duì)小包檢測(cè)的具體標(biāo)準(zhǔn)和實(shí)際出現(xiàn)缺陷的區(qū)域的概率大小選擇。 確定ROI后，需要對(duì)ROI中4個(gè)參數(shù)的平均水平進(jìn)行計(jì)算，確定閾值。最終確定的閾值為E[sub]m[/sub]、S[sub]m[/sub]、C[sub]m[/sub]和Im。 得到閾值后，對(duì)每次檢測(cè)到的5個(gè)面的4個(gè)參數(shù)進(jìn)行快速判別，判別的方法是采用歐幾里德距離判斷。實(shí)際上，當(dāng)發(fā)生缺陷時(shí)，某個(gè)GLCM參數(shù)發(fā)生變化，由于參數(shù)之間的關(guān)聯(lián)性，必要導(dǎo)致其他參數(shù)發(fā)生變化，采用4維歐氏距離判斷，可以放大缺陷信息而快速判斷。設(shè)E、S、C和I為實(shí)測(cè)值，則判斷公式為： 上式中F為判別值，E、S、C和I為計(jì)算出GLMC闡述。當(dāng)F超過(guò)某個(gè)值后，就認(rèn)為該小包存在缺陷，進(jìn)行缺陷模式識(shí)別并剔除。 采用GLCM參數(shù)方法可減少由于光照等因素造成的錯(cuò)判斷，且計(jì)算復(fù)雜度低，快速判斷準(zhǔn)確性高。 3 基于SVMs缺陷模式識(shí)別 SVMs是1995年由Vapnik等人提出一種機(jī)器學(xué)習(xí)算法，該算法是一種統(tǒng)計(jì)學(xué)習(xí)理論（Statistical Learning Theory，SLT）。SLT是在傳統(tǒng)統(tǒng)計(jì)學(xué)基礎(chǔ)上發(fā)展起來(lái)的具有堅(jiān)實(shí)基礎(chǔ)的機(jī)器學(xué)習(xí)方法，是目前針對(duì)小樣本統(tǒng)計(jì)估計(jì)和預(yù)測(cè)學(xué)習(xí)的最佳理論，它從理論上系統(tǒng)地研究了經(jīng)驗(yàn)最小化原理成立的條件，有限樣本下經(jīng)驗(yàn)風(fēng)險(xiǎn)與佳理論，它從理論上系統(tǒng)地研究了經(jīng)驗(yàn)最小化原理成立的條件，有限樣本下經(jīng)驗(yàn)風(fēng)險(xiǎn)與期望風(fēng)險(xiǎn)的關(guān)系，以及如何利用這些理論找到新的學(xué)習(xí)原則和方法等問(wèn)題。由于缺陷和GLCM參數(shù)之間的關(guān)系復(fù)雜，不可能由某個(gè)或幾個(gè)參數(shù)變化來(lái)得到缺陷種類。本文采用基于SVMs方法進(jìn)行缺陷模式識(shí)別。 圖像灰度的高階特征反映了缺陷的微小細(xì)節(jié)、圖像成像的曝光特性和噪聲干擾等特性。特征向量除了選擇前面4個(gè)灰度共生矩參數(shù)外，還選擇了基于變換域的高階局部特征參數(shù)。本文選擇DCT濾波器特征參數(shù)。DCT來(lái)自于切比雪夫多項(xiàng)式，因此DCT是一種正交變換，它克服了離散傅立葉變換（DFT）運(yùn)算量大且出現(xiàn)復(fù)數(shù)項(xiàng)的缺點(diǎn)。 DCT變換的系數(shù)矩陣f（m，n）為： 公式中W為ROI像素值大小，取矩形的寬。I[sub]w[/sub]（x，y）為ROI里面的像素點(diǎn)灰度值。取系數(shù)矩陣的前3階項(xiàng)形成的3×3模板處理后作為特征向量，加上4個(gè)GLCM參數(shù)，共構(gòu)成7維待檢測(cè)特征向量進(jìn)行缺陷識(shí)別。由于缺陷檢測(cè)實(shí)時(shí)性要求不高，而且在系統(tǒng)的空閑時(shí)間進(jìn)行處理，因此不會(huì)影響整個(gè)系統(tǒng)的實(shí)時(shí)性。 由于SVMs只能處理兩類兩分問(wèn)題，針對(duì)多類多分的模式識(shí)別，已有的方法可以分為3種：修改判別方法、修正決策函數(shù)和組合應(yīng)用SVMs。前面2種方法較為復(fù)雜，不適合工程上的檢測(cè)，本文采用分級(jí)SVMs方法進(jìn)行模式識(shí)別。 分級(jí)SVMs方式是每次只對(duì)兩類進(jìn)行識(shí)別，對(duì)分成的子類再進(jìn)行SVMs分類。這樣對(duì)于n個(gè)缺陷，需要構(gòu)建n-1個(gè)SVMs分類器。本文確定的小包缺陷共有6種，分別是包裝破損、缺蓋、封條脫落、露白、反包、包裝錯(cuò)位。因此共需要構(gòu)建5個(gè)SVMs分類器。分類器構(gòu)建的方法目前有：1對(duì)1、1對(duì)余、有向無(wú)環(huán)圖等。本文采用了基于分類二叉樹(shù)方式對(duì)缺陷進(jìn)行多類SVMs識(shí)別。 在SVMs結(jié)構(gòu)的二叉樹(shù)結(jié)構(gòu)上，采用了聚類方法進(jìn)行確定。具體構(gòu)建的流程為： （1）對(duì)已知的6類訓(xùn)練樣本，這些樣本處于同樣的特征空間，計(jì)算每類樣本的類中心點(diǎn)，計(jì)算方法可采用類內(nèi)平均連接規(guī)則； （2）對(duì)每類中心點(diǎn)的距離，用歐氏距離進(jìn)行判定，按照類間間距大小確定類序列T[sub]i[/sub]=（T[sub]1[/sub]，T[sub]2[/sub]…，T[sub]6[/sub]）； （3）根據(jù)Ti構(gòu)建SVMs分類二叉樹(shù)結(jié)構(gòu)，將每次訓(xùn)練的負(fù)樣本作為下一級(jí)SVMs的正樣本，這樣訓(xùn)練樣本數(shù)量依次減少，直到得到SVM[sub]5[/sub]。 （4）按照SVM[sub]1[/sub]到SVM[sub]5[/sub]就構(gòu)成了判斷SVMs二叉樹(shù)的多分類器。 本文按照這種分類方法，分類順序?yàn)椋悍鈼l脫落、缺蓋、露白、反包、包裝錯(cuò)位、包裝破損。分類流程圖見(jiàn)圖6。 [align=center] 圖6 多分類缺陷 SVM[sub]5[/sub] 二叉樹(shù)圖[/align] 對(duì)每個(gè)疑似的ROI區(qū)，都可以從圖6構(gòu)建的二叉樹(shù)進(jìn)行判別，判別總是從第一個(gè)缺陷開(kāi)始，直到判斷出缺陷類型。由于SVMs不存在拒分，因此采用SVMs總能得到分類結(jié)果。 4 實(shí)驗(yàn)分析 根據(jù)以上的分析，搭建了小包煙包裝質(zhì)量精密檢測(cè)的實(shí)驗(yàn)系統(tǒng)。實(shí)驗(yàn)條件和某煙草企業(yè)的卷包線的允參數(shù)完全一致。實(shí)驗(yàn)?zāi)M了全部缺陷每種30個(gè)樣本進(jìn)行訓(xùn)練。從生產(chǎn)現(xiàn)場(chǎng)獲取實(shí)際包裝缺陷的小包煙進(jìn)行測(cè)試，測(cè)試發(fā)現(xiàn)，對(duì)有缺陷的小包能100％發(fā)現(xiàn)；對(duì)沒(méi)有缺陷的小包，有1％的誤判。通過(guò)調(diào)整F值，該誤判率可減少到企業(yè)認(rèn)為合理的要求，其能保證沒(méi)有漏判。包裝缺陷模式識(shí)別方面，正確率分別為：封條脫落95％，缺蓋100％，露白93％，反包90％，包裝錯(cuò)位87％，包裝破損70％。由于包裝破損缺陷外延較大，內(nèi)涵較小，造成了其特征向量難以正確描述，故正確率較低。 5 結(jié) 語(yǔ) 研究了小包煙包裝質(zhì)量精密檢測(cè)關(guān)鍵技術(shù)，設(shè)計(jì)了圖像采集器，提出基于GLCM的快速在線檢測(cè)方案，并利用SVMs對(duì)包裝缺陷進(jìn)行模式識(shí)別。實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，該關(guān)鍵技術(shù)具適應(yīng)性好，分類效果理想等優(yōu)點(diǎn)，可應(yīng)用到卷包現(xiàn)場(chǎng)的小包煙包裝質(zhì)量精密檢測(cè)。