王征勇

摘要：為了滿足濾棒生產(chǎn)統(tǒng)計的計數(shù)需求，提出了一種基于圖像識別的濾棒計數(shù)方法。首先通過輪廓查找檢測到濾棒區(qū)域;其次通過亮度均勻、邊緣檢測、顆粒剔除等預(yù)處理方法，獲取濾棒的圓周邊緣;然后通過霍夫圓檢測獲取濾棒的位置;最后通過灰度和位置進(jìn)行異常剔除，得到濾棒的識別結(jié)果。通過實驗，普通濾棒、顆粒濾棒、細(xì)支濾棒的F1-分?jǐn)?shù)分別為99.85%、99.73%、99.92%。說明該方法能夠很好滿足卷煙工廠流水線場景下的使用需求，具備良好的泛化性能。

關(guān)鍵詞：濾棒識別;邊緣檢測;霍夫圓檢測;計數(shù)

目前對于基于圖像的濾棒計數(shù)方法，主要有三類：分別為面積法近視估算、基于機器學(xué)習(xí)的識別算法和基于邊緣的識別算法。其中效果最好的是基于邊緣的識別算法，例如曹維林等人提出的基于Canny 算子的濾棒數(shù)量檢測方法【1】，該方法對整個托盤的濾棒進(jìn)行邊緣檢測，結(jié)合濾棒圓形特性精確定位濾棒位置，實現(xiàn)濾棒數(shù)量檢測。該系統(tǒng)平均誤檢率為0.1%，平均漏檢率為0.77%。

按照每個容器的濾棒數(shù)量為4000支計算，總錯誤數(shù)量為10支以內(nèi)，才能較好的滿足工業(yè)企業(yè)流水線場景下的使用需求，也就是準(zhǔn)確率需達(dá)到99.75%以上，上述算法均不能滿足。此外目前研究的都是普通濾棒，缺少對顆粒濾棒和細(xì)支濾棒的研究，本論文分別對三種濾棒進(jìn)行實驗，并且達(dá)到平均總錯誤數(shù)量在10支以內(nèi)。

1圖像的獲取和識別方法

1.1圖像的獲取

工業(yè)相機采用品牌為邁德威視;型號為MV-SUA2000C M-T，最高分辨率為5488×3672。

1.2識別方法

1.2.1濾棒區(qū)域提取

本論文首先針對濾棒區(qū)域進(jìn)行提?。?/p>

①使用Canny邊緣檢測方法，獲取邊緣。

②使用dilate方法進(jìn)行膨脹處理，使濾棒區(qū)域邊緣連接起來。

③使用findContours方法進(jìn)行輪廓尋找。取最大輪廓，獲取濾棒篩矩形框。

④使用矩形框?qū)D片進(jìn)行截取，獲取濾棒區(qū)域。

1.2.2亮度均勻

針對光照不均勻的情況，采用了彭興邦等人提出的一種基于亮度均衡的圖像閾值分割技術(shù)進(jìn)行亮度均衡化。【2】

1.2.3濾棒識別

通過查找圓形的方式，實現(xiàn)濾棒的識別和定位：

①使用Canny邊緣檢測方法，獲取濾棒邊緣。

②對于顆粒濾棒，通過查找小閉合輪廓的方式，進(jìn)行顆粒邊緣去除。

③使用HoughCircles霍夫圓檢測，獲取濾棒位置。

1.2.4異常剔除

①濾棒在容器中存在“類圓孔洞”的現(xiàn)象，使用拉依達(dá)準(zhǔn)則，進(jìn)行灰度異常圓剔除。

②部分容器與濾棒邊緣組成的“假圓”噪音，通過濾棒區(qū)域輪廓進(jìn)行剔除。

2結(jié)果與分析

2.1普通濾棒結(jié)果

本文引用了曹維林等人提出的基于Canny算子的濾棒數(shù)量檢測方法【1】論文中的檢測數(shù)據(jù)。由于長中短支煙的圓周接近，本文將其數(shù)據(jù)進(jìn)行合并統(tǒng)計。

平均情況下需要人工標(biāo)記的數(shù)量由原來的每個容器多于40根降低到現(xiàn)在的每個容器不到3根。需要人工標(biāo)記的數(shù)量明顯降低，完全具備了實際場景的使用條件。

2.2顆粒濾棒結(jié)果

平均情況下需要人工標(biāo)記的數(shù)量為每個容器8.1根。本文針對顆粒濾棒圖像的濾棒識別在平均表現(xiàn)情況下準(zhǔn)確率為99.83%、召回率為99.78%，需要人工標(biāo)記的數(shù)量平均為8.1根，基本具備了實際場景的使用條件。

2.3細(xì)支濾棒結(jié)果

平均情況下需要人工標(biāo)記的數(shù)量為每個容器8.4根。本文針對細(xì)支濾棒圖像的濾棒識別在平均表現(xiàn)情況下準(zhǔn)確率為99.91%、召回率為99.93%，需要人工標(biāo)記的數(shù)量平均為8.4根，完全具備了實際場景的使用條件。

參考文獻(xiàn)

[1]曹維林， 李捷， 孫順凱，等. 基于Canny算子的濾棒數(shù)量檢測方法[J]. 煙草科技， 2020， 53（1）：7.

[2]彭興邦，蔣建國。一種基于亮度均衡的圖像閾值分割技[J].計算機技術(shù)與發(fā)展，2006，（11）：10-12.