摘要：針對煙草企業(yè)對小包煙包裝質(zhì)量精密檢測的需要，提出基于機器視覺的檢測系列關(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（SVMs）的包裝缺陷識別等。該關(guān)鍵技術(shù)不僅適應在線快速包裝質(zhì)量檢測，而且能準確判斷缺陷類型。實驗證明該關(guān)鍵技術(shù)具有實用可靠等優(yōu)點，可應用到小包煙生產(chǎn)現(xiàn)場。 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，對包裝質(zhì)量的檢測是控制香煙質(zhì)量的關(guān)鍵環(huán)節(jié)之一。 香煙外包裝質(zhì)量檢測分為小包檢測和條包檢測。小包檢測是指在卷包生產(chǎn)線上，成品煙制成后的檢測，主要針對生產(chǎn)過程中小包煙出現(xiàn)的邊緣翹起、包裝缺損、斑點和脫封等缺陷進行檢測；條包檢測指小包封裝成條后，可能出現(xiàn)的錯牙、內(nèi)包裝外露和包裝破損等。 小包煙封裝成條后，無法再對小包煙進行檢測，因此小包精密檢測是控制香煙質(zhì)量的前提條件和關(guān)鍵所在。小包檢測的特點和總體要求是： （1）小包在卷包線上，運行速度較快； （2）檢測實時性要求高； （3）要求對小包煙的5個面檢測； （4）對出現(xiàn)包裝質(zhì)量問題的小包煙進行分析，確定缺陷類型，以確定發(fā)生缺陷的環(huán)節(jié)。 國內(nèi)外學者對小包檢測進行了相關(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，不能給出包裝缺陷的種類。隨著煙草企業(yè)之間的競爭日趨激烈，精密小包檢測具有重要的工程應用價值。本文就小包機器視覺精密檢測展開研究，提出了系列關(guān)鍵技術(shù)。 1 檢測系統(tǒng)構(gòu)建 基于機器視覺的檢測系統(tǒng)，需要對傳輸帶上的小包除底面外的5個面進行圖像采集和處理，對檢測到包裝缺陷的小包進行剔除。系統(tǒng)構(gòu)建系統(tǒng)見圖1。 [align=center] 圖1 小包檢測系統(tǒng)構(gòu)成簡圖[/align] 系統(tǒng)由采集單元、剔除單元、D/A轉(zhuǎn)換器和中心計算機組成。小包煙在傳輸帶上通過采集單元，采集單元每次對1個小包進行圖像采集，采集信號進入中心計算機進行處理，當發(fā)現(xiàn)有包裝缺陷的小包時，計算機發(fā)出信號，通過D/A轉(zhuǎn)換，在剔除單元里引發(fā)動作器將該小包剔除。 圖像采集單元是系統(tǒng)的重要部分。其內(nèi)部結(jié)構(gòu)簡圖見圖2。 [align=center] 圖2 小包檢測系統(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，分別完成對小包不同面的采集。1/2#CCD為面陣CCD，完成對小包左右立側(cè)面的檢測，3#為線陣CCD，完成對頂面的檢測，4/5#為線陣CCD，完成對前后面的檢測。 在運動中采集圖像，線陣CCD效果較好。3～5#CCD采用線陣CCD，通過編碼器控制開始和結(jié)束采集的時間，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口滿足裝帶小包的傳送帶通過，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。當小包運行到某個位置時，此時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)理論和實驗分析，當小包運行到采集單元距離進口為全長的1/4時和3/4時，3#CCD和1#CCD能清晰成像。雖然面陣CCD的運動成像效果較線陣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，使得小包遠離CCD共軛面的速度為小包運行速度的分量，這樣只要選擇適當景深的鏡頭并控制曝光時間，就可以得到清晰的圖像。 從采集器采集的過程可知，完成對整個小包的采集過程，每個CCD的拍攝方式和成像時間不同。對于不同種類的小包，完成采集過程需要的參數(shù)為小包運行速度及小包各項幾何尺寸。 2 檢測流程的圖像處理關(guān)鍵技術(shù) 2.1 檢測流程 小包精密檢測要求較高的實時性和準確性。經(jīng)過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，每個小包的成像特點較為穩(wěn)定。因此，小包檢測流程可分為實時檢測和精密檢測2個過程。實時檢測采用快速算法進行檢定，當出現(xiàn)包裝缺陷時再進行精密檢測。采集圖像后需要確定圖像中小包的邊緣，通過邊緣確定小包的圖像，對圖像中各個感興趣區(qū)（ROI）進行判別，若發(fā)現(xiàn)有可疑區(qū)域，進入精密檢測環(huán)節(jié)檢定，確定缺陷并由剔除機構(gòu)進行剔除。整個流程見圖3。 [align=center] 圖3 小包檢測處理流程圖[/align] 小包檢測中的關(guān)鍵圖像處理技術(shù)為：邊緣檢測、小包ROI區(qū)域確定、閾值判斷及缺陷模式識別。 2.2 小包邊緣檢測 為了確定小包包裝是否存在缺陷，必須事先確定整個小包圖像位置。由于確定了采集參數(shù)，因此在對某種小包的成像基本保持不變。但由于采集時像素抖動、采集時刻的微小差異等因素，每次每個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)域里面的像素點坐標為（x[sub]i[/sub]，y[sub]i[/sub]），確定邊緣線的一個已知點p0，其坐標為（x[sub]0[/sub]，y[sub]0[/sub]）。通過p[sub]0[/sub]的直線斜率為k，則矩形內(nèi)任意點與已知點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，累積器將會出現(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CCD采集到的圖像為24Bit的灰度圖，為小包煙的每個側(cè)面。若小包上包裝質(zhì)量出現(xiàn)缺陷，則必然導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，通過對標準模板進行比對來判斷。由于小包煙的薄膜包裝印記每次不同，采集時光照的差異等情況，圖像相減可能造成錯判。 考慮到檢測的柔度和精確性，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、對比度參數(shù)C和反差分參數(shù)I作為比較的參數(shù)。每個面中ROI區(qū)域確定的原則是：根據(jù)被檢測面的特征，選擇全部面，或面中一個或幾個特殊矩形區(qū)域作為ROI區(qū)域，如小包頂面較小，可選擇整個面；小包正面，可選擇封口處和中文字符處等。圖4～5為實測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是為了減少計算復雜度，提高實時性。在實際檢測過程中，ROI的選擇可以根據(jù)企業(yè)對小包檢測的具體標準和實際出現(xiàn)缺陷的區(qū)域的概率大小選擇。 確定ROI后，需要對ROI中4個參數(shù)的平均水平進行計算，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，對每次檢測到的5個面的4個參數(shù)進行快速判別，判別的方法是采用歐幾里德距離判斷。實際上，當發(fā)生缺陷時，某個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E、S、C和I為實測值，則判斷公式為： 上式中F為判別值，E、S、C和I為計算出GLMC闡述。當F超過某個值后，就認為該小包存在缺陷，進行缺陷模式識別并剔除。 采用GLCM參數(shù)方法可減少由于光照等因素造成的錯判斷，且計算復雜度低，快速判斷準確性高。 3 基于SVMs缺陷模式識別 SVMs是1995年由Vapnik等人提出一種機器學習算法，該算法是一種統(tǒng)計學習理論（Statistical Learning Theory，SLT）。SLT是在傳統(tǒng)統(tǒng)計學基礎上發(fā)展起來的具有堅實基礎的機器學習方法，是目前針對小樣本統(tǒng)計估計和預測學習的最佳理論，它從理論上系統(tǒng)地研究了經(jīng)驗最小化原理成立的條件，有限樣本下經(jīng)驗風險與佳理論，它從理論上系統(tǒng)地研究了經(jīng)驗最小化原理成立的條件，有限樣本下經(jīng)驗風險與期望風險的關(guān)系，以及如何利用這些理論找到新的學習原則和方法等問題。由于缺陷和GLCM參數(shù)之間的關(guān)系復雜，不可能由某個或幾個參數(shù)變化來得到缺陷種類。本文采用基于SVMs方法進行缺陷模式識別。 圖像灰度的高階特征反映了缺陷的微小細節(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來自于切比雪夫多項式，因此DCT是一種正交變換，它克服了離散傅立葉變換（DFT）運算量大且出現(xiàn)復數(shù)項的缺點。 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里面的像素點灰度值。取系數(shù)矩陣的前3階項形成的3×3模板處理后作為特征向量，加上4個GLCM參數(shù)，共構(gòu)成7維待檢測特征向量進行缺陷識別。由于缺陷檢測實時性要求不高，而且在系統(tǒng)的空閑時間進行處理，因此不會影響整個系統(tǒng)的實時性。 由于SVMs只能處理兩類兩分問題，針對多類多分的模式識別，已有的方法可以分為3種：修改判別方法、修正決策函數(shù)和組合應用SVMs。前面2種方法較為復雜，不適合工程上的檢測，本文采用分級SVMs方法進行模式識別。 分級SVMs方式是每次只對兩類進行識別，對分成的子類再進行SVMs分類。這樣對于n個缺陷，需要構(gòu)建n-1個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、包裝錯位。因此共需要構(gòu)建5個SVMs分類器。分類器構(gòu)建的方法目前有：1對1、1對余、有向無環(huán)圖等。本文采用了基于分類二叉樹方式對缺陷進行多類SVMs識別。 在SVMs結(jié)構(gòu)的二叉樹結(jié)構(gòu)上，采用了聚類方法進行確定。具體構(gòu)建的流程為： （1）對已知的6類訓練樣本，這些樣本處于同樣的特征空間，計算每類樣本的類中心點，計算方法可采用類內(nèi)平均連接規(guī)則； （2）對每類中心點的距離，用歐氏距離進行判定，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分類二叉樹結(jié)構(gòu)，將每次訓練的負樣本作為下一級SVMs的正樣本，這樣訓練樣本數(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二叉樹的多分類器。 本文按照這種分類方法，分類順序為：封條脫落、缺蓋、露白、反包、包裝錯位、包裝破損。分類流程圖見圖6。 [align=center] 圖6 多分類缺陷 SVM[sub]5[/sub] 二叉樹圖[/align] 對每個疑似的ROI區(qū)，都可以從圖6構(gòu)建的二叉樹進行判別，判別總是從第一個缺陷開始，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 實驗分析 根據(jù)以上的分析，搭建了小包煙包裝質(zhì)量精密檢測的實驗系統(tǒng)。實驗條件和某煙草企業(yè)的卷包線的允參數(shù)完全一致。實驗模擬了全部缺陷每種30個樣本進行訓練。從生產(chǎn)現(xiàn)場獲取實際包裝缺陷的小包煙進行測試，測試發(fā)現(xiàn)，對有缺陷的小包能100％發(fā)現(xiàn)；對沒有缺陷的小包，有1％的誤判。通過調(diào)整F值，該誤判率可減少到企業(yè)認為合理的要求，其能保證沒有漏判。包裝缺陷模式識別方面，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 研究了小包煙包裝質(zhì)量精密檢測關(guān)鍵技術(shù)，設計了圖像采集器，提出基于GLCM的快速在線檢測方案，并利用SVMs對包裝缺陷進行模式識別。實驗結(jié)果發(fā)現(xiàn)，該關(guān)鍵技術(shù)具適應性好，分類效果理想等優(yōu)點，可應用到卷包現(xiàn)場的小包煙包裝質(zhì)量精密檢測。