魏甲欣，李琪，馬飛，丁美宙，靳亞偉，王藝斌，許文武，王小明

1.河南中煙工業(yè)有限責(zé)任公司 許昌卷煙廠，河南 許昌 461000；2.河南中煙工業(yè)有限責(zé)任公司 技術(shù)中心，河南 鄭州 450000；3.南京焦耳科技有限責(zé)任公司，江蘇 南京 210000

0 引言

煙絲是卷煙配方的重要組成部分，煙絲結(jié)構(gòu)及煙支中薄片絲、梗絲、葉絲的組分含量是評(píng)價(jià)卷煙煙絲物理特性的重要指標(biāo)[1-2]。目前煙草企業(yè)對(duì)煙絲結(jié)構(gòu)的檢測(cè)仍普遍采用振動(dòng)分選篩，生產(chǎn)實(shí)踐中煙絲組分的鑒別也依然依靠手工分選和人為判讀，這種人工識(shí)別法采樣周期長(zhǎng)，數(shù)據(jù)實(shí)時(shí)性差且步驟復(fù)雜，不同人員的檢測(cè)結(jié)果之間存在較大誤差，隨著工作量的增加，測(cè)量效率和精度已經(jīng)難以適應(yīng)現(xiàn)代化的檢測(cè)需求和高品質(zhì)卷煙的生產(chǎn)要求。此外，人工識(shí)別法中有機(jī)溶劑的使用也增加了實(shí)驗(yàn)過程中的防護(hù)難度，不利于檢測(cè)人員的身體健康。因此，快速準(zhǔn)確地測(cè)定煙絲結(jié)構(gòu)和煙絲組分，對(duì)鑒別真?zhèn)螣煵葜破贰⒖疾榕浞皆O(shè)計(jì)特性、穩(wěn)定煙絲混合工藝質(zhì)量及同質(zhì)化生產(chǎn)具有重要意義。

近年來有學(xué)者通過圖像識(shí)別技術(shù)來檢測(cè)煙絲結(jié)構(gòu)和煙絲組分[3-6]，楚晗等[4]研究了煙絲結(jié)構(gòu)分布及其對(duì)物理品質(zhì)的影響差異，實(shí)驗(yàn)結(jié)果表明，通過控制長(zhǎng)絲率和碎絲率，適當(dāng)增加中長(zhǎng)絲和短絲比例，可提升短支卷煙的物理品質(zhì)；郭三刺等[5]采用中值濾波對(duì)煙絲圖像進(jìn)行預(yù)處理，通過邊緣提取計(jì)算煙絲的各個(gè)特征值進(jìn)而實(shí)現(xiàn)煙絲結(jié)構(gòu)檢測(cè)，證明了圖像處理技術(shù)用于煙絲結(jié)構(gòu)檢測(cè)的可行性；鐘宇等[6]提出一種基于殘差神經(jīng)網(wǎng)絡(luò)的煙絲組分分類識(shí)別的方法，但該方法對(duì)于宏觀差異不明顯的煙絲組分識(shí)別效果較差。

由于加工方法和原料本身特性的差異，煙絲不同組分間存在顏色、形態(tài)的差異，為圖像識(shí)別方法檢測(cè)各組分提供了特征參數(shù)。鑒于此，本文擬基于圖像識(shí)別技術(shù)，建立煙絲面積與質(zhì)量的擬合模型，統(tǒng)計(jì)煙絲結(jié)構(gòu)參數(shù)，利用煙絲輪廓在飽和度(Saturation, S)通道上的顏色方差及HSV顏色模型的顏色矩，構(gòu)建薄片絲、梗絲、葉絲的煙絲組分分類模型，以提高煙絲結(jié)構(gòu)檢測(cè)和煙絲組分分析的準(zhǔn)確率，實(shí)現(xiàn)對(duì)煙絲摻配精度的快速準(zhǔn)確判斷。

1 材料與儀器

主要材料：黃金葉品牌某型號(hào)卷煙的成品煙絲A，混合煙絲B、C、D，河南中煙工業(yè)有限責(zé)任公司提供?；旌蠠熃z組分構(gòu)成如表1所示。

表1 混合煙絲組分構(gòu)成Table 1 The composition of mixed cut tobacco g

主要儀器：JB285型電子天平，瑞士METTLER TOLEDO公司產(chǎn)；YQ-2型煙絲振動(dòng)分選篩，鄭州煙草研究院提供；煙絲結(jié)構(gòu)圖像檢測(cè)裝置，南京焦耳科技有限公司產(chǎn)。

2 煙絲結(jié)構(gòu)檢測(cè)方法

煙絲結(jié)構(gòu)圖像檢測(cè)裝置主要由光源、高速線陣CCD相機(jī)、采集卡和工控機(jī)組成。為了滿足大視場(chǎng)高分辨率的要求，采用的線陣CCD相機(jī)有8192個(gè)感光單元，像元尺寸達(dá)到7.04 μm×7.04 μm，當(dāng)鏡頭的放大倍率為0.7倍時(shí)，檢測(cè)裝置的最小測(cè)量值為0.01 mm，以滿足煙絲長(zhǎng)度的測(cè)量要求。

《卷煙工藝規(guī)范》[8]規(guī)定，煙絲長(zhǎng)度>2.5 mm為整絲，煙絲長(zhǎng)度<1.0 mm為碎絲。煙絲的測(cè)量精度要求非常高，采用線陣CCD相機(jī)拍攝煙絲圖像時(shí)，得到的煙絲圖像較大(每幅80 mm×80 mm的圖像大小約為80 M)，因此需要對(duì)煙絲圖像進(jìn)行相應(yīng)的處理，煙絲圖像處理過程如圖1所示，首先對(duì)原始圖像(圖1a))進(jìn)行預(yù)處理，將采集到的煙絲圖像灰度化后進(jìn)行除噪，得到圖1b)。除噪方式選用中值濾波法[9]，采用 3 × 3 的濾波窗口，以盡可能地保存圖像的細(xì)節(jié)信息。再利用閾值分割[10]對(duì)煙絲進(jìn)行二值化(圖1c))，提取煙絲連通區(qū)域。最后對(duì)煙絲連通域圖像進(jìn)行細(xì)化(圖1 d))[11]，細(xì)化后的煙絲輪廓的中心線即為煙絲骨骼[12]。

圖1 煙絲圖像處理Fig.1 Image process of cut tobacco

通過計(jì)算細(xì)化后的煙絲輪廓長(zhǎng)度可得到煙絲的長(zhǎng)度，再統(tǒng)計(jì)出煙絲的表觀總面積。從同一批煙絲A中，分別稱取質(zhì)量為5 g、10 g、15 g、20 g、25 g的5個(gè)樣品進(jìn)行圖像采集，每個(gè)樣品重復(fù)測(cè)量5次，建立表觀總面積和煙絲質(zhì)量的擬合模型,如圖2所示。由圖2可知，線性方程的相關(guān)系數(shù)達(dá)到0.999 6。將煙絲表面積數(shù)據(jù)代入擬合模型中獲得煙絲質(zhì)量預(yù)測(cè)值，其與實(shí)際值的比較結(jié)果如表2所示。由表2可知，擬合得到的煙絲質(zhì)量數(shù)據(jù)相對(duì)誤差<2.34%，變異系數(shù)<3%，模型準(zhǔn)確性和重復(fù)性均能滿足測(cè)量要求。根據(jù)模型預(yù)測(cè)得到的整絲和碎絲質(zhì)量，計(jì)算獲得煙絲的整絲率及碎絲率，獲得煙絲結(jié)構(gòu)。

圖2 樣品煙絲表觀總面積與煙絲質(zhì)量擬合模型Fig.2 Fitting model between the apparent total area of cut tobacco and the quality of cut tobacco

表2 煙絲質(zhì)量預(yù)測(cè)值與實(shí)際值比較結(jié)果Table 2 Comparison between predicted value and actual value of cut tobacco quality

3 煙絲組分分析方法

3.1 煙絲形狀特征

煙絲各組分本質(zhì)上均為煙草在制品的一部分，只是通過不同的加工處理技術(shù)形成不同結(jié)構(gòu)特征的煙草在制品。肉眼觀察3種煙絲(薄片絲、梗絲、葉絲)組分，其結(jié)構(gòu)特征存在一定的差異。薄片絲較為細(xì)長(zhǎng)，寬度和顏色較為均勻，變化的程度較小[13]；梗絲形狀較為多樣，寬度和顏色的變化程度最大[14]；而葉絲在寬度和顏色變化方面介于薄片絲和梗絲之間[15]。

圖3 通過最小內(nèi)切圓計(jì)算煙絲寬度Fig.3 Calculation of cut tobacco width by minimum inscribed circle

3.2 顏色特征

煙絲顏色特征的提取過程是先將煙絲原圖進(jìn)行圖像增強(qiáng)[18]，如圖4所示，再將其轉(zhuǎn)換為HSV圖像[19]，分別統(tǒng)計(jì)出薄片絲、梗絲、葉絲在H通道、S通道、V通道上的灰度平均值，如表3所示。

圖4 圖像增強(qiáng)后的薄片絲圖像Fig.4 The tobacco flakes image after image enhancement

表3 3種煙絲圖像增強(qiáng)后在HSV三通道灰度平均值Table 3 Average gray values of three kinds of cut tobacco images in HSV three channels after enhancement

除顏色方差之外，本文還加入了顏色矩。低階矩通常已經(jīng)包含了圖像的大部分顏色信息，所以經(jīng)常采用一階矩、二階矩和三階矩來表達(dá)圖像的顏色分布，其數(shù)學(xué)定義分別如下所示。

其中，Pij為第i個(gè)通道的第j個(gè)像素的強(qiáng)度值；M為圖像中的像素個(gè)數(shù)。

首先提取煙絲形狀特征中的寬度、寬度方差，以及顏色特征中的顏色方差和顏色矩，再通過SVM分類器進(jìn)行訓(xùn)練，即可得到薄片絲、梗絲、葉絲的識(shí)別分類模型。

4 驗(yàn)證實(shí)驗(yàn)結(jié)果與分析

4.1 煙絲結(jié)構(gòu)檢測(cè)驗(yàn)證結(jié)果

為驗(yàn)證本文圖像識(shí)別法檢測(cè)煙絲結(jié)構(gòu)的可行性與效果，將其與YQ-2煙絲振動(dòng)分選篩(振篩法，參照文獻(xiàn)[21])進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)樣品為同一批次的煙絲A，取樣量為符合卷煙工藝規(guī)范的標(biāo)準(zhǔn)煙絲(1 000.0±100.0)g/次，樣品含水率為11.0%～14.0%，兩種方法均重復(fù)測(cè)量5次，取平均值。

不同方法的煙絲結(jié)構(gòu)測(cè)量結(jié)果如表4所示。由表4可知，相對(duì)于振篩法，本文圖像識(shí)別法檢測(cè)煙絲結(jié)構(gòu)的標(biāo)準(zhǔn)差和變異系數(shù)均明顯減小，且均小于5%，說明本文方法測(cè)量精度較高，穩(wěn)定性較好，比傳統(tǒng)振篩法更快捷、更有效。

表4 不同方法的煙絲結(jié)構(gòu)測(cè)量結(jié)果Table 4 Measurement results of cut tobacco structure under different methods %

4.2 煙絲組分分析驗(yàn)證結(jié)果

為了驗(yàn)證本文圖像識(shí)別方法分析煙絲組分的可行性與效果，將其與人工識(shí)別法、卷積神經(jīng)網(wǎng)絡(luò)法、殘差神經(jīng)網(wǎng)絡(luò)法作了對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)樣品為煙絲B、C、D。4種方法的取樣量均為(50.0±0.1)g，含水率為11.0%～14.0%。

傳統(tǒng)煙絲組分的分類為人工識(shí)別法，主要靠人工完成，人工進(jìn)行薄片絲、梗絲、葉絲的分類后，再用天平進(jìn)行稱重，統(tǒng)計(jì)煙絲組分。

采用深度學(xué)習(xí)的方法，建立基于卷積神經(jīng)網(wǎng)絡(luò)[22]的煙絲組分識(shí)別模型，使用體現(xiàn)煙絲微觀結(jié)構(gòu)特征的局部特征圖片作為神經(jīng)網(wǎng)絡(luò)的輸入，分析識(shí)別出每個(gè)特征圖片對(duì)應(yīng)的輸出結(jié)果，通過統(tǒng)計(jì)方法得出煙絲的組成成分。

利用各類煙絲圖像特征差異，以殘差神經(jīng)網(wǎng)絡(luò)[6]為基礎(chǔ)構(gòu)建煙絲類型識(shí)別模型，通過設(shè)定樣本對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)的輸出張量預(yù)測(cè)煙絲的組成成分的概率值。

不同方法煙絲組分分析結(jié)果如表5所示。由表5可知，人工識(shí)別法的平均相對(duì)誤差較大，卷積神經(jīng)網(wǎng)絡(luò)法和殘差神經(jīng)網(wǎng)絡(luò)法的平均相對(duì)誤差較小，但仍>5%，本文方法的平均相對(duì)誤差≤5%，準(zhǔn)確性更高。主要原因是人工識(shí)別法本身操作過于復(fù)雜，在多次測(cè)量時(shí)容易產(chǎn)生較大的誤差。而卷積神經(jīng)網(wǎng)絡(luò)法在實(shí)際操作中，訓(xùn)練集的正確率與測(cè)試集的準(zhǔn)確率相差較大，存在一定的過擬合現(xiàn)象，模型泛化能力較低，易導(dǎo)致最終的識(shí)別率不理想。殘差神經(jīng)網(wǎng)絡(luò)法對(duì)比卷積神經(jīng)網(wǎng)絡(luò)法在識(shí)別的準(zhǔn)確率上確實(shí)有了明顯的提升，但是對(duì)于區(qū)別程度不大的煙絲，比如部分薄片絲和葉絲，其外觀肉眼很難區(qū)分，使用該方法進(jìn)行識(shí)別準(zhǔn)確率存在一定的局限性。本文方法中對(duì)薄片絲、梗絲、葉絲樣本圖像通過SVM分類器進(jìn)行訓(xùn)練，對(duì)于錯(cuò)誤識(shí)別的樣本圖像，通過降低它們的分類權(quán)值以提高煙絲識(shí)別的準(zhǔn)確率。

表5 不同方法煙絲組分分析結(jié)果Table 5 Analysis results of tobacco components by different methods %

5 結(jié)論

本文利用圖像識(shí)別技術(shù)，對(duì)煙絲輪廓進(jìn)行細(xì)化，提取煙絲骨骼，得到煙絲長(zhǎng)度，建立煙絲表觀總面積與煙絲質(zhì)量的擬合模型，實(shí)現(xiàn)了煙絲結(jié)構(gòu)的圖像識(shí)別；提取煙絲的形狀、顏色兩個(gè)特征，運(yùn)用SVM分類器構(gòu)建了薄片絲、梗絲、葉絲的分類模型，實(shí)現(xiàn)了薄片絲、梗絲、葉絲的圖像分類識(shí)別。與傳統(tǒng)振篩法相比，基于圖像識(shí)別的煙絲結(jié)構(gòu)檢測(cè)標(biāo)準(zhǔn)差更小，與人工識(shí)別法、卷積神經(jīng)網(wǎng)絡(luò)法和殘差神經(jīng)網(wǎng)絡(luò)法相比，基于圖像識(shí)別的煙絲組分分析相對(duì)誤差更小，本文方法的準(zhǔn)確性及可行性更高，能夠?qū)熃z摻配精度做出快速準(zhǔn)確判斷。后續(xù)將針對(duì)薄片絲和葉絲誤識(shí)別的情況訓(xùn)練一個(gè)二分類器進(jìn)一步提高識(shí)別準(zhǔn)確率。