常晟，楊彤瑤，郝靜烈，冷曉飛，王曉霞

紅云紅河煙草（集團）有限責(zé)任公司，云南昆明，650231

0 引言

卷煙煙支和盒裝外觀的檢測是卷煙產(chǎn)品質(zhì)量檢測的關(guān)鍵指標之一，檢測出外觀缺陷并分析成因是實現(xiàn)高質(zhì)量生產(chǎn)卷煙產(chǎn)品的前提。目前煙草行業(yè)圍繞卷煙外觀檢測已經(jīng)開展了很多研究工作，玉溪卷煙廠和紅河卷煙廠[1-2]分別設(shè)計了一種包裝盒外觀質(zhì)量六面自動檢測方法和一種智能煙件外觀檢測裝置，柳州卷煙廠和長春卷煙廠[3-4]分別設(shè)計了一套小盒煙包外觀檢測系統(tǒng)，紅云紅河煙草（集團）有限責(zé)任公司[5-8]針對在線卷煙外觀檢測技術(shù)做了大量研究，對在線煙支和盒裝外觀檢測設(shè)備做了大量完善和優(yōu)化工作，同時也研發(fā)了一種基于CCD的盒裝煙標測量裝置。但是，目前大多數(shù)研究僅限于在線檢測設(shè)備的優(yōu)化、單一的盒裝或者平張條盒外觀檢測的研究，煙支和盒裝外觀一體化離線檢測儀器還未見報道，并且卷煙外觀離線檢測大多采用傳統(tǒng)的人工檢測方式，通過人眼和尺子來識別和量化盒裝和煙支的外觀缺陷，使用這種方法，效率難以提高并且耗費人力。針對此問題，本文設(shè)計了一臺基于卷積神經(jīng)網(wǎng)絡(luò)-循環(huán)神經(jīng)網(wǎng)絡(luò)的盒裝和煙支外觀檢測儀器，通過模擬人的識別過程并進行訓(xùn)練學(xué)習(xí)，輔助人工進行外觀質(zhì)量的檢測判定。

1 外觀質(zhì)量檢測儀的設(shè)計

1.1 硬件設(shè)計及工作原理

外觀質(zhì)量檢測儀的總體設(shè)計方案如圖1所示，卷煙外觀檢測儀的主要硬件包括：CCD工業(yè)相機、LED照明裝置、光纖傳感器、工業(yè)控制計算機、PLC電控系統(tǒng)、輸送通道和傳送鼓輪等。

圖1 外觀質(zhì)量檢測儀原理圖

盒裝煙包和煙支會觸發(fā)光纖傳感器信號，當(dāng)有盒裝煙包、煙支來到檢測位置時候，傳感器將發(fā)出信號，控制CCD工業(yè)相機拍攝當(dāng)前煙包、煙支的圖像，CCD工業(yè)相機分別對煙包盒裝的正面、背面，兩個側(cè)面以及兩個端面，以及煙支的整個外周及兩個端面進行圖像采集。LED光源分別安裝在檢測支架的各個部位，能從多個方向?qū)煱?、煙支進行照明，以便消除煙包表面的陰影范圍，同時減少透明紙的反光面積。將煙支、盒裝的反射光轉(zhuǎn)化為電子信號，再對電子信號進行分析處理，從而得出煙支、盒裝的外觀質(zhì)量參數(shù)。

盒裝是采用鼓輪旋轉(zhuǎn)和皮帶差速裝置對煙包進行旋轉(zhuǎn)，使其六個面都能被檢測。將待檢盒裝煙包輸送到裝置內(nèi)，檢測開始，盒裝煙包輸送裝置自動抬升煙包，并推送到傳輸皮帶上，由傳送皮帶運送到指定位置，觸發(fā)各位置視覺攝像頭采集圖片，盒裝煙包之后進入傳送鼓輪，并翻轉(zhuǎn)到指定角度，完成相應(yīng)位置圖像采集；之后盒裝煙包被鼓輪翻轉(zhuǎn)后，進入傳送帶后段，完成后續(xù)圖像采集。

進行煙支檢測時，卷煙煙支經(jīng)傳送鼓輪輸送至傳送皮帶，傳送皮帶將煙支輸送至煙支翹板,觸發(fā)各位置視覺攝像頭采集煙支圖像，通過對煙支的旋轉(zhuǎn)從而對整個圓周面進行圖像采集，同時對煙支兩端的空頭缺嘴等缺陷情況進行圖像采集，之后，煙支翹板翻下，完成檢測煙支依次進入回收盒內(nèi)。

在煙包輸送裝置上方裝有激光位移傳感器，檢測開始時，盒裝煙包被推送組件推動，產(chǎn)生平行位移，激光位移傳感器對盒裝煙包表面距離進行高速采樣，控制器根據(jù)盒裝煙包的牌號數(shù)據(jù)，如果出現(xiàn)超過設(shè)定偏差的情況時，儀器就會判定卷煙煙包出現(xiàn)平整度缺陷，根據(jù)這個方法實現(xiàn)對盒裝煙包的平整度檢測。

1.2 軟件的開發(fā)

使用兩個開發(fā)平臺Halcon和TensorFlow共同完成軟件的開發(fā)，盒裝和煙支外觀檢測系統(tǒng)采用了傳統(tǒng)機器視覺算法和深度學(xué)習(xí)算法結(jié)合的架構(gòu)，傳統(tǒng)機器視覺算法采用C#進行編寫，深度學(xué)習(xí)算法采用了Python編寫。傳統(tǒng)機器視覺算法用于處理容易提取和容易量化的特征，例如：面積、角度、長度、顏色等，并對圖像進行縮放、增強等預(yù)處理，消除由于拍攝、光源、對焦等產(chǎn)生的一系列問題，增強圖像的一致性，采用深度學(xué)習(xí)算法處理很難提取特征的缺陷。

采集圖像后，采用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）-循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）架構(gòu)構(gòu)建軟件系統(tǒng)，利用兩者相結(jié)合完成缺陷檢測的識別分類，軟件工作原理如圖2所示。最后，構(gòu)建自動統(tǒng)計分析模型，并結(jié)合外觀質(zhì)量特征數(shù)據(jù)庫數(shù)據(jù)、質(zhì)量判定標準，形成有效的質(zhì)量檢驗信息，實現(xiàn)檢測結(jié)果的自動分析和判定，從而使儀器輔助人工進行外觀質(zhì)量的判定。

圖2 軟件工作原理圖

1.2.1 質(zhì)量特征數(shù)據(jù)庫的建立

要實現(xiàn)模型的檢測功能，首先要建立卷煙煙支和盒裝外觀質(zhì)量特征數(shù)據(jù)庫，數(shù)據(jù)庫中主要包括各種卷煙煙支和盒裝外觀質(zhì)量缺陷圖像信息，對缺陷進行人工標記，得到質(zhì)量特征數(shù)據(jù)庫，最終將這些圖像數(shù)據(jù)庫的圖片作為樣本進行訓(xùn)練和學(xué)習(xí)。

1.2.2 卷積神經(jīng)網(wǎng)絡(luò)-循環(huán)神經(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)，其優(yōu)勢在于對于大量數(shù)據(jù)和復(fù)雜圖像的處理能力[9]，卷積神經(jīng)網(wǎng)絡(luò)在圖像識別領(lǐng)域的研究，國內(nèi)學(xué)者已經(jīng)做了很多工作，如文宏[10]應(yīng)用于交通標志的識別、周敏等[11]應(yīng)用于遙感圖像的識別、馮家文等[12]應(yīng)用于靜態(tài)手勢圖像的識別、Chen等[13]應(yīng)用于檢測衛(wèi)星圖像中的車輛、Zhang等[14]應(yīng)用于雷達圖像的分類。所以，卷積神經(jīng)網(wǎng)絡(luò)作為一種高效的深度學(xué)習(xí)模型，在特征識別領(lǐng)域有其自身優(yōu)勢，將其擴展至卷煙外觀的離線識別領(lǐng)域可以提高外觀缺陷的識別效率。

循環(huán)神經(jīng)網(wǎng)絡(luò)可以較好地處理有時間依賴關(guān)系的數(shù)據(jù)，在卷煙外觀檢測中卷煙外觀具有較強的一致性，數(shù)據(jù)具有時間相關(guān)性，循環(huán)神經(jīng)網(wǎng)絡(luò)可以充分利用歷史數(shù)據(jù)，使整個檢測系統(tǒng)具備記憶學(xué)習(xí)的功能，從而提高檢測效率。同時為解決循環(huán)神經(jīng)網(wǎng)絡(luò)梯度消失和梯度爆炸的問題，由Hochreiter[15]等人提出了長短期記憶（long-shortterm memory，LSTM）單元，因此在模型中引入了LSTM以及門控機制，提高了檢測效率也降低了誤檢率。

儀器采集圖像之后，輸入經(jīng)過預(yù)處理的圖像，圖像進入模型后分別得到對應(yīng)的特征圖像，經(jīng)過提取特征，比較分析存在缺陷的盒裝或煙支，算法會發(fā)現(xiàn)與正常的樣品相比相同位置處存在差別，因此，模型就可以有效地區(qū)分出外觀存在缺陷的盒裝煙包或煙支，隨后進行分類輸出，模型算法如圖3所示。

圖3 算法流程

2 結(jié)果分析

2.1 儀器運行測試

進入操作界面，設(shè)定參數(shù)后，在檢測起始位置放置好煙盒和煙支后，點擊啟動運行檢測程序，儀器會自動采集圖像并進行分析（如圖4所示）。

圖4 儀器操作界面

檢測自動完成后，結(jié)果界面會顯示檢測結(jié)果，煙盒和煙支的缺陷種類和數(shù)量會自動分類輸出（如圖5所示）。

圖5 檢測結(jié)果示意圖

2.2 試驗結(jié)果對比

在儀器投入運行后，儀器檢測的結(jié)果與人工檢測結(jié)果進行了比對。連續(xù)檢測了500包煙以及10000支煙支，人工進行檢測后，對相應(yīng)的缺陷進行記錄，之后再將所有煙包及煙支放入機器進行檢測，檢測結(jié)果如表1所示。

表1 儀器與人工檢測比對結(jié)果

3 結(jié)論

該檢測儀器可以根據(jù)不同牌號卷煙品牌的特征進行相應(yīng)檢測，自動實現(xiàn)了煙支和盒裝外觀的缺陷檢測，檢出率可以達到98.4%，該儀器性能穩(wěn)定，算法具有較強的目標定位能力，可以實現(xiàn)目標的檢測與分類，檢出率高，且操作方便，可以輔助人工檢測并提高檢測效率。今后將優(yōu)化算法，提高儀器計算速度和檢出率。