李 婷,王 興,衛(wèi)玲芝,高 菲,張晉塬,王雨竹

(太原科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，太原 030024)

0 引言

隨著煙草行業(yè)的飛速發(fā)展，國(guó)內(nèi)外對(duì)于煙葉分離和定級(jí)檢測(cè)技術(shù)的研究也在不斷地進(jìn)行改進(jìn)升級(jí)，由此形成了大量的研究成果。國(guó)外利用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)煙葉進(jìn)行定級(jí)判斷最早開(kāi)始于20世紀(jì)80年代，1988年美國(guó)學(xué)者C.E.Thomas是最早提出利用計(jì)算機(jī)的圖像識(shí)別技術(shù)對(duì)煙草及其相關(guān)產(chǎn)品進(jìn)行檢測(cè)定級(jí)的。隨后津巴布韋的一名學(xué)者G.Tattersfield提出根據(jù)煙葉的葉片結(jié)構(gòu)、顏色以及殘傷度等外部特征對(duì)煙葉進(jìn)行質(zhì)量檢測(cè)和分組的研究。1997年，韓國(guó)學(xué)者H.K.Cho和K.H.Paek通過(guò)利用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)煙葉進(jìn)行檢測(cè)定級(jí)的方法進(jìn)行了初步的嘗試[1]。雖然國(guó)內(nèi)利用圖像識(shí)別技術(shù)對(duì)煙葉進(jìn)行檢測(cè)定級(jí)要落后于國(guó)外，但隨著圖像處理技術(shù)的日趨成熟，越來(lái)越多的技術(shù)運(yùn)用到煙葉的分離和檢測(cè)定級(jí)中。王士鑫等人提出基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的煙葉檢測(cè)定級(jí)的方法，該方法通過(guò)選取合適的V3模型，結(jié)合卷積層和網(wǎng)絡(luò)層完成遷移學(xué)習(xí)，再利用多分類的模型選取交叉熵作為損失函數(shù)進(jìn)行運(yùn)算，最后再結(jié)合極值點(diǎn)的跳躍算法，對(duì)采集到的煙葉圖像進(jìn)行識(shí)別分析[2]。韓力群等人提出一種利用人工智能的方法來(lái)模擬人類大腦信息處理結(jié)構(gòu)的煙葉智能檢測(cè)定級(jí)系統(tǒng)，實(shí)驗(yàn)結(jié)果證明該系統(tǒng)對(duì)煙葉分級(jí)的正確率可與人工分級(jí)相媲美[3]。姚學(xué)練等人提出首先利用主成分分析法(PCA)對(duì)煙葉進(jìn)行降維處理，然后將多個(gè)降維的參數(shù)輸入到支持向量機(jī)(SVM)中，再利用遺傳算法(GA)對(duì)SVM模型的懲罰參數(shù)和核函數(shù)進(jìn)行優(yōu)化，從而達(dá)到提高煙葉分級(jí)效率的目的[4]。綜合以上的國(guó)內(nèi)外的研究現(xiàn)狀來(lái)看，目前國(guó)內(nèi)外的研究大多是基于圖像識(shí)別技術(shù)對(duì)煙葉分級(jí)提出多種多樣的方法，但對(duì)于煙葉的分離的研究卻比較少，目前國(guó)內(nèi)的各大煙草廠仍然是以依靠人工進(jìn)行煙葉的分離，機(jī)械化程度低，分離的效率也比較低。基于此，本文提出對(duì)煙葉自動(dòng)分離及智能定級(jí)分揀系統(tǒng)的研究，借助機(jī)械化設(shè)備提高煙葉分離、分揀的效率，運(yùn)用機(jī)器視覺(jué)技術(shù)提高煙葉分級(jí)的正確率，進(jìn)而達(dá)到降低成本提高經(jīng)濟(jì)效益的效果。

1 系統(tǒng)設(shè)計(jì)

1.1 系統(tǒng)整體設(shè)計(jì)

煙葉自動(dòng)分離及智能定級(jí)分揀系統(tǒng)主要由煙葉進(jìn)料、煙葉松散震動(dòng)、煙葉自動(dòng)分離、煙葉自動(dòng)排列、煙葉自動(dòng)鋪平、煙葉智能檢測(cè)及定級(jí)判斷、煙葉智能分流分揀7個(gè)工段組成。系統(tǒng)結(jié)構(gòu)如圖1所示 。

圖1 煙葉分離及智能定級(jí)分揀系統(tǒng)結(jié)構(gòu)圖

1.2 系統(tǒng)工作原理

煙草作為卷煙產(chǎn)品的基礎(chǔ)，是我國(guó)重要的農(nóng)業(yè)經(jīng)濟(jì)作物之一，在我國(guó)國(guó)民經(jīng)濟(jì)中有著舉足輕重的地位。所以其煙葉質(zhì)量的好壞將直接影響到煙草制品的優(yōu)劣等級(jí)，而且在工業(yè)生產(chǎn)中，不同的質(zhì)量的煙葉往往會(huì)被用來(lái)制作成不同的煙草制品。國(guó)家標(biāo)準(zhǔn)只是簡(jiǎn)單的從煙葉的葉片結(jié)構(gòu)、成熟度、顏色、身份、油分、殘傷以及長(zhǎng)度等7個(gè)方面作出了定量的描述，對(duì)于分級(jí)標(biāo)準(zhǔn)的描述仍然比較模糊。所以為了做好煙葉在收購(gòu)階段的分級(jí)工作，提高煙草制品的質(zhì)量和保障煙農(nóng)的切身利益，對(duì)煙葉進(jìn)行快速客觀、科學(xué)合理的等級(jí)劃分是十分必要的。因此，本文為實(shí)現(xiàn)煙葉的自動(dòng)化分離及智能化分級(jí)，設(shè)計(jì)了煙葉自動(dòng)分離及智能定級(jí)分揀系統(tǒng)。人工將成捆煙葉搬運(yùn)至上料傳送帶，成捆煙葉被送至震動(dòng)倉(cāng)進(jìn)行初始化處理，通過(guò)電動(dòng)漏斗控制煙葉下料量并形成煙葉小堆，傳送帶將煙葉小堆送至電動(dòng)升降平臺(tái)，旋轉(zhuǎn)煙葉分離刷按層分離煙葉，被分離成單片的煙葉再依次經(jīng)過(guò)煙葉自動(dòng)排列裝置和煙葉自動(dòng)鋪平裝置，最后對(duì)鋪平后排列整齊的單片煙葉進(jìn)行圖像采集和預(yù)處理，再根據(jù)提取出的圖像特征，借助基于寬度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)煙葉等級(jí)的智能識(shí)別，最終依據(jù)定級(jí)結(jié)果，煙葉分揀系統(tǒng)將煙葉分揀到等級(jí)相對(duì)應(yīng)的回收箱中。

2 煙葉自動(dòng)分離設(shè)計(jì)

2.1 煙葉特性分析

煙葉是一種柔性的物體，其性狀復(fù)雜且彼此纏繞交錯(cuò)在一起，直接在成捆的煙葉中加以一定的外力將其強(qiáng)行扯開(kāi)，分開(kāi)成一片比較困難。而且煙葉從田間收獲后，需要經(jīng)過(guò)烘烤工序，使其水份降低。雖然在煙葉分級(jí)前會(huì)經(jīng)過(guò)回潮處理，但其韌性仍較差且烤后煙葉的恢復(fù)性值較小。而且葉片在烘烤之后，其凝膠彈性有所下降，而煙葉的彈性能夠在其拉力上有一定程度的體現(xiàn)[7]。據(jù)資料顯示，我國(guó)的煙葉拉力值主要在1.04～2.52 N之間，煙葉的厚度大部分在0.036～0.128 mm之間[8]。所以在煙葉分離過(guò)程中，需要考慮其容易產(chǎn)生的撕壞破裂的情況。為了確保煙葉的完整性，在設(shè)計(jì)煙葉分離裝置時(shí)需要考慮到煙葉的厚度、可承受的拉力等機(jī)械特征。

2.2 煙葉自動(dòng)分離機(jī)構(gòu)的工作原理

根據(jù)烘烤后煙葉的特性分析，并利用現(xiàn)有的條件模擬煙葉單片分離的過(guò)程，歸納總結(jié)出成捆煙葉分離成單片煙葉的過(guò)程。煙葉自動(dòng)分離環(huán)節(jié)如圖2所示。人工將成捆的煙葉搬運(yùn)到上料傳送帶上，上料傳送帶將成捆煙葉按照一定頻率送至震動(dòng)倉(cāng)進(jìn)行初始化處理，震動(dòng)倉(cāng)做大振幅、低頻上、下往復(fù)運(yùn)動(dòng)，同時(shí)向震動(dòng)倉(cāng)中輸入干蒸汽氣體輔助松散，因?yàn)樵谶@個(gè)環(huán)節(jié)產(chǎn)生的煙渣最多，所以在傳送帶下部放置吸塵器用于回收煙渣和粉塵。初步松散的煙葉通過(guò)電動(dòng)漏斗控制煙葉下料量預(yù)先形成規(guī)格化的煙葉小堆，并將煙葉的方向自動(dòng)調(diào)整水平以及煙葉根部朝向進(jìn)料方向。進(jìn)料傳送帶將煙葉小堆送至電動(dòng)升降平臺(tái)，經(jīng)過(guò)電動(dòng)升降平臺(tái)和自動(dòng)升降隔板配合固定煙葉小堆，同時(shí)啟動(dòng)旋轉(zhuǎn)煙葉分離刷組進(jìn)行分層分離煙葉小堆，按照寬度1米的煙葉小堆，煙葉分離效率約每秒16片左右。落至一級(jí)出料傳送帶后煙葉被自動(dòng)傳輸至下一環(huán)節(jié)處。由于煙葉落入一級(jí)出料傳送帶上時(shí)，煙葉的擺放不規(guī)則，所以通過(guò)煙葉自動(dòng)排列裝置可將煙葉自動(dòng)排列規(guī)整，然后再通過(guò)煙葉鋪平裝置將煙葉自動(dòng)展平。最后通過(guò)二級(jí)出料傳送帶將煙葉傳送至下一環(huán)節(jié)設(shè)備處。一個(gè)周期的工作步驟完畢，重復(fù)之前的步驟，進(jìn)行反復(fù)的煙葉自動(dòng)分離。

圖2 煙葉自動(dòng)分離環(huán)節(jié)示意圖

3 煙葉智能檢測(cè)定級(jí)

3.1 圖像采集

實(shí)現(xiàn)煙葉等級(jí)準(zhǔn)確的識(shí)別和分級(jí)的重要前提條件是獲取到高質(zhì)量的煙葉圖片，從而才能完成對(duì)煙葉圖像信息具體分析的任務(wù)。所以為了避免外部環(huán)境因素的干擾，更準(zhǔn)確地采集到煙葉圖像，本文設(shè)計(jì)了煙葉圖像采集系統(tǒng)，如圖3所示。煙葉被傳送帶送至圖像采集區(qū)域后，攝像頭會(huì)快速拍下煙葉，并將拍攝到的圖像儲(chǔ)存到計(jì)算機(jī)中，借助PC機(jī)界面來(lái)對(duì)拍攝到的圖像給予實(shí)時(shí)、動(dòng)態(tài)顯示。同時(shí)為了避免一次采集出現(xiàn)的圖像不穩(wěn)定性，系統(tǒng)會(huì)對(duì)同一片參考煙葉進(jìn)行三次圖像采集，并將三次的圖像均錄入到系統(tǒng)中。除此之外，為了便于后期對(duì)煙葉的識(shí)別和準(zhǔn)確分級(jí)，提高煙葉圖像采集的準(zhǔn)確性，要避免外界光線進(jìn)入到采集區(qū)域。

圖3 密閉煙葉像采集系統(tǒng)

3.2 圖像預(yù)處理

1)圖像濾波處理。當(dāng)攝像頭采集完煙葉的圖像之后，通常情況下，由于煙葉圖像在采集過(guò)程往往會(huì)收到光照、拍攝角度、位置等各種環(huán)境因素的不良干擾，從而造成采集到的煙葉圖像質(zhì)量不穩(wěn)定。因此為了提高煙葉圖像的質(zhì)量，當(dāng)攝像頭采集完煙葉的圖像之后，需要對(duì)采集到的煙葉圖像做進(jìn)一步的預(yù)處理。通過(guò)對(duì)圖像做預(yù)處理的方式，主要是為了降低外部環(huán)境因素的影響，改進(jìn)圖像的清晰度，減少圖像中無(wú)關(guān)信息的干擾，進(jìn)而達(dá)到簡(jiǎn)化圖像的目的。通過(guò)對(duì)研究圖像的各種方法的分析與比較，本文最終采用中值濾波的方法對(duì)采集到的煙葉圖像進(jìn)行預(yù)處理，如圖4(b)所示。中值濾波法主要是將 當(dāng)前圖像中的像素值替換為鄰域中每個(gè)點(diǎn)的中間值，并將這些數(shù)據(jù)放在二維模板中進(jìn)行排序，由于隨機(jī)出現(xiàn)在圖像上的噪聲點(diǎn)往往會(huì)被排在數(shù)列的最前端或最末端，并不會(huì)出現(xiàn)在數(shù)列的中間位置，因此通過(guò)中值濾波的方法可以達(dá)到去除噪聲點(diǎn)，提高圖像清晰度的目的[6]。類似于一維，二維中值濾波的公式如下：

F(x,y)=med{g(x-m,y-n)，(m,n)∈W)}

(1)

其中:g(x,y)表示原始圖像，F(xiàn)(x,y)表示處理后的圖像，W為二維模板。

2)圖像二值化處理。為了進(jìn)一步提取到煙葉的長(zhǎng)度、寬度、面積等圖像的外觀特征信息，原始圖像在經(jīng)過(guò)中值濾波處理后，一般還需要對(duì)圖像做進(jìn)一步的二值化處理。二值圖像其實(shí)就是由僅有“0”、“1”的二維矩陣構(gòu)成的。二值化處理的過(guò)程是先使彩色的煙葉圖像變成灰度圖像，然后再將灰度圖像轉(zhuǎn)化為二值圖像。通常在將彩色圖像轉(zhuǎn)化為二值圖像的過(guò)程中，需要確定二值化時(shí)的閾值，需要先設(shè)定好一定的閾值，在轉(zhuǎn)化的過(guò)程中，系統(tǒng)會(huì)自動(dòng)將像素大于或等于閾值的判斷為目標(biāo)物，用白色顯示，則將小于閾值的像素全部重置為0，用黑色顯示。本文經(jīng)過(guò)分析與比較，選用迭代閾值實(shí)現(xiàn)煙葉圖像的二值化。如圖4(c)所示，煙葉的二值化圖像。

3)圖像分割處理。圖像分割是圖像預(yù)處理過(guò)程中一個(gè)非常重要的環(huán)節(jié)，也是實(shí)現(xiàn)去除煙葉圖像背景的重要方法，因?yàn)閳D像分割質(zhì)量的好壞會(huì)直接影響到下一環(huán)節(jié)煙葉特征提取的準(zhǔn)確性。圖像分割其實(shí)就是把對(duì)圖像中感興趣的目標(biāo)區(qū)域從背景中分割出來(lái)，而分割出來(lái)的目標(biāo)區(qū)域就是后續(xù)進(jìn)行圖像特征提取的目標(biāo)對(duì)象。圖像分割技術(shù)多種多樣，本文選用閾值分割法來(lái)達(dá)到圖像分割的目的，閾值分割是一種簡(jiǎn)單有效地分割算法，它的基本思想是根據(jù)圖像中目標(biāo)與圖像背景之間灰度值的差別，選取一個(gè)適合的灰度值作為閾值，然后將圖像中所有的像素均與這個(gè)設(shè)定的閾值作比較，這樣圖像就會(huì)以閾值為界分成兩個(gè)部分，也就把圖像目標(biāo)從圖像背景中分割出來(lái)了。這種對(duì)煙葉圖像的分割方法，不僅可以簡(jiǎn)化煙葉圖像，還可以完成機(jī)器對(duì)煙葉數(shù)據(jù)信息的準(zhǔn)確識(shí)別，有效降低機(jī)器學(xué)習(xí)的難度，提高分析的準(zhǔn)確度。如圖4(d)所示，煙葉經(jīng)過(guò)分割處理后的圖像。

圖4 煙葉預(yù)處理圖像

3.3 圖像特征提取

3.3.1 煙葉顏色特征提取

煙葉的顏色是煙葉分級(jí)標(biāo)準(zhǔn)中的重要因素之一，由于人工分級(jí)是根據(jù)人的感官和視覺(jué)來(lái)完成的，而亮度對(duì)人視覺(jué)的影響要比顏色濃淡的影響更為顯著。所以在應(yīng)用計(jì)算機(jī)視覺(jué)技術(shù)分析圖像時(shí)，需要通過(guò)建立更為符合人類視覺(jué)機(jī)制的顏色模型來(lái)實(shí)現(xiàn)煙葉顏色的準(zhǔn)確量化，從而進(jìn)行顏色分辨。通過(guò)比較分析各個(gè)顏色模型的特點(diǎn)，本文選用HSI顏色模型，因?yàn)镠SI顏色空間更接近于人類的視覺(jué)機(jī)理，反映了人的視覺(jué)系統(tǒng)感知色彩的方式。

由于CCD攝像頭中的圖像存儲(chǔ)一般采用RGB模式，因此首先需要利用采集到的圖像分別提取出R分量、G分量、B分量，然后將RGB模式轉(zhuǎn)換為HSI模式，轉(zhuǎn)換公式如下：

(2)

(3)

(4)

(5)

因?yàn)楝F(xiàn)有的煙葉樣本數(shù)量有限，本文僅計(jì)算出部分等級(jí)的煙葉圖像的H、S、I分量的均值，用均值來(lái)表征顏色的特性。如表1所示。

表1 部分等級(jí)煙葉顏色特征分量

3.3.2 煙葉形狀特征提取

煙葉的形狀特征作為煙葉最為直觀的特征，是對(duì)煙葉等級(jí)進(jìn)行判斷的重要依據(jù)。本文在獲得煙葉輪廓的基礎(chǔ)上，采用Opencv函數(shù)中cvBoxPoints算法對(duì)煙葉輪廓進(jìn)行最小外接矩形擬合。根據(jù)算法找出煙葉輪廓最小外接矩形的4個(gè)點(diǎn)，然后再根據(jù)4個(gè)頂點(diǎn)的x,y坐標(biāo)，分別計(jì)算出外接矩形的長(zhǎng)度和寬度，分別記作L、W。則煙葉的長(zhǎng)度比Y可以表示為：

Y=L/W

(6)

煙葉面積指的是煙葉圖像所占有的像素總數(shù)。求出煙葉內(nèi)所包含的所有像素點(diǎn)就是煙葉的面積。本文采用坐標(biāo)法來(lái)計(jì)算煙葉的面積，即用條曲線沿著煙葉邊界圍一圈，求這條封閉曲線的積分，則煙葉的面積S可以表示為：

(7)

煙葉的破損率直接對(duì)應(yīng)煙葉分級(jí)標(biāo)準(zhǔn)中的傷殘率，很大程度上決定了煙葉的等級(jí)和質(zhì)量，破損率計(jì)算公式為：

(8)

3.3.3 煙葉紋理特征提取

煙葉的紋理特征可以從側(cè)面反映出煙葉各部位的內(nèi)部結(jié)構(gòu)以及葉面的平坦程度等信息，對(duì)于煙葉的準(zhǔn)確分級(jí)是至關(guān)重要的，因此將煙葉的紋理進(jìn)行量化是一種重要的區(qū)域的描述方法。本文利用灰度共生矩陣來(lái)進(jìn)行紋理提取。圖像的灰度共生矩陣主要反映圖像在灰度方向、間隔、變化程度等相關(guān)信息。共生矩陣是用兩個(gè)位置的像素的聯(lián)合概率密度來(lái)定義。聯(lián)合概率密度的表達(dá)式如下：

(9)

式中,d表示位移的距離，θ表示位移的方向。本文分別計(jì)算了0°、45°、90°和135°的4個(gè)共生矩陣，利用4個(gè)不同角度的共生矩陣計(jì)算圖像的能量、對(duì)比度、相關(guān)性等多個(gè)特征量，取平均值作為提取的紋理特征。

GLCM紋理特征參數(shù)計(jì)算如下：

葉片紋理的相關(guān)性：

(10)

葉片紋理的能量：

(11)

葉片紋理的熵：

(12)

葉片紋理的慣性：

(13)

式中，μ為均值，σ為標(biāo)準(zhǔn)差。

3.4 煙葉識(shí)別分級(jí)

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中常用的研究領(lǐng)域，而卷積神經(jīng)網(wǎng)絡(luò)是最常用的深度學(xué)習(xí)模型之一[11]。本文采用了基于寬度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)算法，該算法不僅可以對(duì)煙葉進(jìn)行圖像識(shí)別以及特征值的采集，同時(shí)還可以解決煙葉識(shí)別過(guò)程中的快速跟蹤和快速識(shí)別問(wèn)題。該算法應(yīng)用隨機(jī)生成的卷積核和最大池化操作，對(duì)煙葉進(jìn)行檢測(cè)定級(jí)。以下為卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)作過(guò)程：

1)首先將預(yù)處理后的圖像以矩陣的形式作為原始輸入，經(jīng)過(guò)卷積層的運(yùn)算即原始圖像的像素和卷積核的線性組合，從而實(shí)現(xiàn)對(duì)圖像特征的提取。圖像的抽象表達(dá)式為：

(14)

2)隨后圖像被傳遞到池化層，對(duì)提取的特征數(shù)據(jù)進(jìn)行最大池化操作，進(jìn)一步降低特征的冗余性。卷積神經(jīng)網(wǎng)絡(luò)重復(fù)若干次卷積層和池化層的操作運(yùn)算。

3)最后圖像進(jìn)入全連接層，將二維特征向量轉(zhuǎn)化成一維特征向量，并由分類器完成對(duì)特征圖片的分類。全連接層的計(jì)算公式為：

(15)

4)最后通過(guò)輸出層，將數(shù)據(jù)信息轉(zhuǎn)化為相應(yīng)的類別值輸出。

4 煙葉智能分流分揀設(shè)計(jì)

4.1 分揀裝置的工作原理

煙葉等級(jí)分揀裝置主要依靠于控制系統(tǒng)，當(dāng)經(jīng)過(guò)識(shí)別后的煙葉隨傳送帶進(jìn)入分揀系統(tǒng)后，首先會(huì)經(jīng)過(guò)分流輸送裝置被分流到多個(gè)分揀線體上同時(shí)進(jìn)行分揀以提高分揀效率。當(dāng)煙葉通過(guò)傳送帶旁邊的位置傳感器時(shí)，會(huì)觸發(fā)位置傳感器工作，傳感器將獲取到的煙葉位置信息傳遞給與計(jì)算機(jī)相連的控制系統(tǒng)，控制系統(tǒng)接受到傳遞的位置信號(hào)后會(huì)根據(jù)已經(jīng)獲得的煙葉等級(jí)信息，計(jì)算出煙葉到達(dá)指定分揀位置的時(shí)間，從而對(duì)電動(dòng)排刷驅(qū)動(dòng)機(jī)發(fā)出相應(yīng)的控制指令，待煙葉到達(dá)時(shí)驅(qū)動(dòng)機(jī)驅(qū)動(dòng)旋轉(zhuǎn)電動(dòng)排刷工作，將煙葉撥送到相對(duì)應(yīng)的等級(jí)回收箱中。之后旋轉(zhuǎn)電動(dòng)排刷回歸到原始位置等待控制系統(tǒng)發(fā)出新的命令。

設(shè)相鄰的兩個(gè)電動(dòng)排刷之間的距離為L(zhǎng)，傳送帶的運(yùn)行速度為V，電動(dòng)排刷以恒定角速度W轉(zhuǎn)動(dòng)，煙葉在相鄰兩個(gè)排刷間的用時(shí)為t1,排刷將煙葉撥送到回收箱中來(lái)回轉(zhuǎn)動(dòng)用時(shí)為t2,則有：

t1=L/V；W=π/t2

(16)

為了提高工作效率，使系統(tǒng)滿足在排刷回到原始位置時(shí)恰好下一個(gè)煙葉可到達(dá)指定位置，應(yīng)使t1=t2。

4.2 分揀裝置的設(shè)計(jì)方案

本文設(shè)計(jì)的煙葉等級(jí)分揀裝置如圖5所示，該系統(tǒng)主要由分流輸送裝置、電動(dòng)排刷、位置傳感器、電動(dòng)排刷驅(qū)動(dòng)機(jī)、傳送帶、煙葉等級(jí)回收箱等幾個(gè)部分組成。

圖5 煙葉等級(jí)分揀裝置圖

系統(tǒng)中的分流輸送裝置采用斜擺輪系統(tǒng)，斜擺輪系統(tǒng)并非是傳統(tǒng)的傳送帶，而是采用的一種小型全向的輪子，這給箱子等物品更加靈活的移動(dòng)能力。這些小輪子由電腦控制，它們可以根據(jù)設(shè)定讓傳送帶上物品30°，45°和90°的方向改變。系統(tǒng)的分流輸送裝置如圖6所示。

圖6 分流輸送裝置

5 實(shí)驗(yàn)結(jié)果與分析

5.1 煙葉自動(dòng)分離模擬實(shí)驗(yàn)

本文對(duì)煙葉分離模塊進(jìn)行了實(shí)驗(yàn)測(cè)試，驗(yàn)證該系統(tǒng)對(duì)成捆煙葉的分離效果。

本次實(shí)驗(yàn)選取3組成捆煙葉，每組煙葉均有90片，分別進(jìn)行分離模擬實(shí)驗(yàn)。實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果如表2所示。

表2 煙葉分離模擬實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果

從表2的統(tǒng)計(jì)結(jié)果中可以看出，第一組成功分離單片煙葉88片，第二組成功分離單片煙葉85片，第三組成功分離單片煙葉86片。3組的平均分離成功率達(dá)到95.98%，表明煙葉自動(dòng)分離模擬實(shí)驗(yàn)的效果較好，連續(xù)自動(dòng)分離煙葉是可行的。

5.2 煙葉檢測(cè)分級(jí)模擬實(shí)驗(yàn)

本文對(duì)煙葉檢測(cè)定級(jí)模塊進(jìn)行了實(shí)驗(yàn)測(cè)試，驗(yàn)證該系統(tǒng)對(duì)煙葉準(zhǔn)確定級(jí)的正確率。

本次實(shí)驗(yàn)首先根據(jù)確定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，以經(jīng)過(guò)預(yù)處理提取到的煙葉特征數(shù)據(jù)為樣本集，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練學(xué)習(xí)。訓(xùn)練學(xué)習(xí)后，對(duì)測(cè)試樣本進(jìn)行分級(jí)，結(jié)果如表3所示。

表3 測(cè)試樣本煙葉分級(jí)結(jié)果

由實(shí)驗(yàn)結(jié)果可知，與分級(jí)員的評(píng)定結(jié)果相比較，總的識(shí)別率為95.83%，正確率在90%以上，預(yù)測(cè)時(shí)間為0.5 s。

6 結(jié)束語(yǔ)

模擬實(shí)驗(yàn)結(jié)果表明，本文設(shè)計(jì)的煙葉自動(dòng)分離及智能定級(jí)分揀系統(tǒng)通過(guò)調(diào)試和模擬實(shí)驗(yàn)，設(shè)備運(yùn)行穩(wěn)定，可以按照預(yù)想的設(shè)計(jì)將成堆煙葉先分離成小堆煙葉最后再分離成單片煙葉，且系統(tǒng)的分選效率較高。該系統(tǒng)通過(guò)圖像識(shí)別，可以很快的依靠煙葉的成熟度、色度、長(zhǎng)度、殘傷等外觀因素快速完成檢測(cè)，單片煙葉的檢測(cè)速度約為0.5 s，后續(xù)的分級(jí)分揀過(guò)程約為0.5 s。每片煙葉的檢測(cè)分級(jí)周期約為1～1.5 s。通過(guò)以上分析可以看出，研究科學(xué)可靠的煙葉分離及智能分級(jí)分揀技術(shù)，開(kāi)發(fā)簡(jiǎn)單易操作的智能化系統(tǒng)，不僅可以提高煙葉分離、分級(jí)的水平和效率，還可以很好地滿足煙草工業(yè)生產(chǎn)的需求，進(jìn)一步提高煙葉分離、分級(jí)、分揀的自動(dòng)化與智能化。