曹維林，李 捷，孫順凱，陸海華，陳海濤，陳 明，陳思蕭，沈苗杰

浙江中煙工業(yè)有限責(zé)任公司寧波卷煙廠，浙江省寧波市奉化經(jīng)濟(jì)開發(fā)區(qū)葭浦西路2001號(hào) 315504

隨著煙草行業(yè)“降本增效”要求的提出，卷煙生產(chǎn)過程中的材料消耗越來越受到關(guān)注，濾棒消耗也是其重要組成部分?？疾鞛V棒消耗的前提條件是精確統(tǒng)計(jì)每托盤濾棒數(shù)量，但目前煙草行業(yè)尚未建立起有效檢測(cè)濾棒數(shù)量的方法，卷煙企業(yè)大多采用稱重法、人工計(jì)數(shù)法、經(jīng)驗(yàn)法等方法進(jìn)行統(tǒng)計(jì)，存在統(tǒng)計(jì)速度慢、效率低、誤差大等問題。針對(duì)此問題，李哲［1］提出在發(fā)射機(jī)端的每個(gè)發(fā)射管道內(nèi)配置一個(gè)伺服控制器，用于控制濾棒發(fā)射時(shí)間并對(duì)發(fā)射的濾棒數(shù)量進(jìn)行計(jì)數(shù)，但由于伺服控制器安裝在發(fā)射管道內(nèi)，如果濾棒在進(jìn)入發(fā)射管道前，設(shè)備出現(xiàn)故障導(dǎo)致濾棒損壞而產(chǎn)生的濾棒消耗則無法統(tǒng)計(jì)，因此存在一定誤差。當(dāng)前數(shù)字圖像處理［2］、機(jī)器視覺［3］等技術(shù)在物體數(shù)量檢測(cè)方面已有較多研究報(bào)道。1972年，Duda等［4］首次提出了基于霍夫變換（Circle Hough Transform，CHT）的圓檢測(cè)算法，該算法結(jié)構(gòu)簡(jiǎn)單，抗噪能力強(qiáng)，但計(jì)算量和存儲(chǔ)量大，在工業(yè)檢測(cè)時(shí)效性要求下，存在速度慢、效率低等缺陷。邊緣是圖像基本特征之一，邊緣檢測(cè)在圖像處理、機(jī)器視覺、目標(biāo)檢測(cè)與識(shí)別、圖像分割等領(lǐng)域應(yīng)用廣泛［5-8］。其中，Canny算子［6-7,9-10］、Log 算子［11］、Sobel算子［12］等都是對(duì)圖像邊緣進(jìn)行檢測(cè)的微分算子方法，通過微分檢測(cè)圖像中邊緣灰度值的變化進(jìn)而檢測(cè)出邊緣信息。Canny算子檢測(cè)出的邊緣較細(xì)，定位較準(zhǔn)確，但容易受梯度幅值和雙閾值的影響，且不具有自適應(yīng)性；Log算子首先對(duì)圖像進(jìn)行平滑濾波去噪，但濾除噪聲效果越好，圖像損失的細(xì)節(jié)越多，同時(shí)也會(huì)濾除邊緣信息，因此在邊緣信息精度與濾除噪聲之間存在矛盾；Sobel算子通過計(jì)算像素四鄰域梯度值來檢測(cè)邊緣信息，可以較好地檢測(cè)低噪聲圖像，但對(duì)于混合復(fù)雜、多噪聲圖像處理效果不佳。OpenCV（Open Source Computer Vision Library）［7,10,13］是 Intel公司開發(fā)的由 C 函數(shù)和部分C++庫(kù)構(gòu)成的開源計(jì)算機(jī)視覺庫(kù)，平臺(tái)功能強(qiáng)大且支持Canny算子，具有代碼開源、圖像及計(jì)算機(jī)視覺處理函數(shù)豐富、執(zhí)行效率高、跨平臺(tái)性好等優(yōu)點(diǎn)，廣泛應(yīng)用于圖像特征檢測(cè)、物體運(yùn)動(dòng)跟蹤與識(shí)別、醫(yī)學(xué)成像等領(lǐng)域。為此，基于Canny算子建立了一種濾棒數(shù)量檢測(cè)方法，以期提高濾棒數(shù)量統(tǒng)計(jì)精確性，為降低卷煙生產(chǎn)消耗提供數(shù)據(jù)支持。

1 材料與方法

1.1 材料

長(zhǎng)支煙、中支煙和短支煙濾棒樣品，圓周分別為（24.50±0.20）mm、（24.20±0.20）mm 和（22.00±0.20）mm（均由浙江中煙工業(yè)有限責(zé)任公司寧波卷煙廠提供），各隨機(jī)抽取20托盤共60托盤進(jìn)行編號(hào)。

1.2 設(shè)備和儀器

CCD 相 機(jī)（acA4112-8gm-Basler ace，德 國(guó)Basler集團(tuán)）；鏡頭（Lens Kowa LM12HC F1.4 f12.5mm 1"，日本興和集團(tuán)）；光源（條形白光）；筆記本電腦（ThinkPad T480，聯(lián)想集團(tuán)），硬件環(huán)境為：Windows10（64）+Intel（R）Core（TM）i5-8250U CPU@1.60GHz 1.80GHz+8GB RAM。

1.3 檢測(cè)方法

首先利用Canny算子對(duì)托盤濾棒進(jìn)行邊緣檢測(cè)，再利用圖像形態(tài)學(xué)中的膨脹運(yùn)算對(duì)邊緣進(jìn)行處理［14］，從而精確定位濾棒位置。Canny算子檢測(cè)圖像邊緣時(shí)分為4步：①使用高斯濾波函數(shù)對(duì)圖像進(jìn)行濾波去噪；②對(duì)去噪后圖像計(jì)算梯度幅值；③在梯度幅值方向上進(jìn)行非極大值抑制；④通過雙閾值處理實(shí)現(xiàn)邊緣點(diǎn)檢測(cè)及連接［10,15］。

1.3.1 高斯濾波

Canny算子使用的是高斯濾波器，其在圖像處理中去噪性能優(yōu)越，通過濾波模板與原圖進(jìn)行卷積，對(duì)圖像進(jìn)行平滑處理，二維高斯函數(shù)為：

式中：σ是人為設(shè)置的一個(gè)重要參數(shù)，決定了圖像的平滑程度。σ值過大會(huì)使圖像過于平滑，丟失有用的邊緣信息；σ值過小會(huì)降低對(duì)噪聲的抑制效果，出現(xiàn)虛假邊緣信息。

由式（1）可得到其梯度矢量公式：

為提高運(yùn)算速度，對(duì)式（2）中的濾波卷積模板進(jìn)行分解，分別得到x和y方向的一維濾波器：

1.3.2 梯度幅值和方向

利用計(jì)算機(jī)進(jìn)行數(shù)字圖像處理時(shí)，通常通過2×2窗口的一階偏導(dǎo)數(shù)有限差分進(jìn)行計(jì)算，那么圖像I（i，j）在x和y方向的偏導(dǎo)數(shù)分別為：

1.3.3 非極大值抑制

為得到更精細(xì)的圖像邊緣信息，需要對(duì)圖像進(jìn)行梯度方向的非極大值抑制。具體過程為：遍歷圖像，計(jì)算出每一個(gè)像素點(diǎn)的梯度幅值和方向，若某個(gè)像素點(diǎn)的幅值小于該像素點(diǎn)梯度方向上其他任意兩個(gè)像素幅值中的任意一個(gè)，那么該像素點(diǎn)判定為非邊緣點(diǎn)，同時(shí)將該點(diǎn)的幅值設(shè)置為0；否則該像素點(diǎn)可能為邊緣點(diǎn)。

1.3.4 雙閾值檢測(cè)和邊緣連接

如果將非極大值抑制圖像中梯度值不為0的像素點(diǎn)連接成邊緣，那么這些邊緣中肯定會(huì)包含大量虛假邊緣。因此，在Canny算子中需要對(duì)非極大值抑制后的圖像進(jìn)行雙閾值處理，以消除虛假邊緣以及間斷邊緣。具體過程為：分別設(shè)置高低兩個(gè)閾值，對(duì)非極大值抑制圖像的邊緣灰度值進(jìn)行統(tǒng)計(jì)分析，灰度值大于高閾值的像素點(diǎn)全部提取，直接作為選定的邊緣像素點(diǎn)，此時(shí)虛假邊緣較少，但間斷點(diǎn)會(huì)較多；將灰度值小于低閾值的像素點(diǎn)作為非邊緣像素點(diǎn)，此時(shí)圖像邊緣信息較全面，但也會(huì)包含虛假邊緣。為此，通過高低閾值分別處理兩幅圖像。利用高閾值將選定的邊緣像素點(diǎn)連接成線，利用低閾值將灰度值處于低閾值與高閾值之間的像素點(diǎn)提取出來；當(dāng)遇到間斷點(diǎn)時(shí)，如果提取的像素點(diǎn)與選定的邊緣像素點(diǎn)是相連接的，則認(rèn)為這些像素點(diǎn)也是邊緣。如此往復(fù)，直至得到連續(xù)的邊緣。

1.4 檢測(cè)過程

基于圖像處理技術(shù)，利用Python3版本的計(jì)算機(jī)編程語言、OpenCV及其豐富的函數(shù)庫(kù)，通過采用Canny算子對(duì)托盤濾棒進(jìn)行邊緣檢測(cè)，并最終檢測(cè)出濾棒數(shù)量。檢測(cè)流程見圖1。

圖1 濾棒數(shù)量檢測(cè)方法流程圖Fig.1 Flow chart of counting method for filter rods

Step1：讀取圖片Img。使用高清相機(jī)拍攝濾棒圖像，利用函數(shù)cv2.imread（）讀取圖片。

Step2：Img轉(zhuǎn)灰度圖Gray。利用函數(shù)cv2.cvtColor（）實(shí)現(xiàn)圖像Img的灰度化，見圖2。

圖2 濾棒灰度圖Fig.2 Grayscale images of filter rods

Step3：Gray轉(zhuǎn)二值圖Binary。Gray中像素點(diǎn)灰度值高于127的置為255，否則置為0。利用函數(shù)cv2.threshold（）實(shí)現(xiàn)圖像二值化，見圖3。Step4：通過Canny算子對(duì)Gray進(jìn)行邊緣檢測(cè)。利用函數(shù)cv2.Canny（）得到濾棒邊緣圖Edges，見圖4。

圖3 濾棒二值圖Fig.3 Binary images of filter rods

圖4 濾棒邊緣圖Fig.4 Edge images of filter rods

Step5：利用Edges進(jìn)行膨脹運(yùn)算得到圖像Dilate。由于一個(gè)托盤中濾棒數(shù)量較多，排列緊密且顏色差異不大，利用Canny算子雖然可以檢測(cè)出濾棒的大致邊緣，但仍會(huì)存在間斷點(diǎn)和虛偽邊緣，因此需要對(duì)這些邊緣進(jìn)行處理。膨脹是圖像形態(tài)學(xué)基本運(yùn)算之一，通過對(duì)圖像中白色部分（高亮部分）進(jìn)行膨脹，可以擴(kuò)大圖像的高亮區(qū)域。利用函數(shù)cv2.dilate（）進(jìn)行膨脹運(yùn)算，見圖5。

圖5 邊緣膨脹圖Fig.5 Images of dilated edges

Step6：利用Binary減去Dilate得到濾棒位置Result_Canny。圖5中的高亮（白色）部分為邊緣膨脹后的結(jié)果，雖已經(jīng)看不出濾棒邊緣形狀，但消除了間斷點(diǎn)和虛偽邊緣，此時(shí)在二值圖Binary中，去除膨脹后邊緣即可得到濾棒大致位置。利用函數(shù)cv2.subtract（）得到濾棒位置圖，見圖6。

圖6 濾棒位置圖Fig.6 Images of filter rod positions

Step7：利用Result_Canny進(jìn)行膨脹得到濾棒形狀Result_Canny_Dilate。對(duì)圖6再次進(jìn)行膨脹運(yùn)算，即可恢復(fù)濾棒原始形狀。為了提高濾棒數(shù)量檢測(cè)精度，膨脹后的高亮部分不可粘連在一起，見圖7。

Step8：檢測(cè)Result_Canny_Dilate中每支濾棒的圓心和半徑。圓心數(shù)量Count即為濾棒數(shù)量，利用函數(shù)cv2.findContours（）實(shí)現(xiàn)圓心和半徑檢測(cè)。

圖7 濾棒圖Fig.7 Images of filter rods

Step9：通過檢測(cè)出的圓心和半徑在Img中畫圓得到檢測(cè)結(jié)果Result_Img。利用函數(shù)cv2.circle（）得到檢測(cè)結(jié)果，見圖8。

圖8 濾棒檢測(cè)結(jié)果圖Fig.8 Image of detection result of filter rods

2 結(jié)果與分析

由表1可見，長(zhǎng)支煙、中支煙和短支煙濾棒各20托盤，長(zhǎng)支煙濾棒誤檢率0.14%，漏檢率0.99%，準(zhǔn)確率99.01%；中支煙濾棒誤檢率0.08%，漏檢率0.66%，準(zhǔn)確率99.34%；短支煙濾棒誤檢率0.08%，漏檢率0.67%，準(zhǔn)確率99.33%。系統(tǒng)平均準(zhǔn)確率達(dá)到99.27%，平均耗時(shí)3.97 s/托盤，表明該檢測(cè)方法具有較高的準(zhǔn)確性和通用性。根據(jù)表1數(shù)據(jù)計(jì)算可得，長(zhǎng)支煙、中支煙、短支煙濾棒檢測(cè)準(zhǔn)確率標(biāo)準(zhǔn)偏差分別為0.28、0.36、0.42，離散程度較低，表明該方法具有較好的魯棒性。此外，相同數(shù)據(jù)采用經(jīng)驗(yàn)法進(jìn)行統(tǒng)計(jì)，長(zhǎng)支煙、中支煙、短支煙濾棒檢測(cè)準(zhǔn)確率分別為98.63%、98.69%和97.67%，平均為98.33%?？梢姡捎帽痉椒z測(cè)準(zhǔn)確率可提高0.94百分點(diǎn)。

表1 濾棒數(shù)量檢測(cè)數(shù)據(jù)Tab.1 Detection data of filter rod number

表1（續(xù)）

3 結(jié)論

基于Canny算子對(duì)整托盤濾棒進(jìn)行邊緣檢測(cè)，再利用膨脹運(yùn)算和濾棒的圓形特性，精確定位濾棒位置，從而檢測(cè)出濾棒數(shù)量。以長(zhǎng)支煙、中支煙和短支煙濾棒樣品為對(duì)象進(jìn)行測(cè)試，結(jié)果表明：該檢測(cè)方法能夠?qū)崿F(xiàn)濾棒數(shù)量的精確統(tǒng)計(jì)，準(zhǔn)確率達(dá)到99.27%，且不會(huì)因?yàn)V棒圓周變化而無法檢測(cè)其邊緣，適用于各種圓周濾棒，具有較好的通用性和魯棒性。在實(shí)際生產(chǎn)中若能使用更高配置的計(jì)算機(jī)，將會(huì)進(jìn)一步降低檢測(cè)耗時(shí)，提高檢測(cè)效率。