摘要： 針對傳統(tǒng)人工煙梗長度測量方法存在效率低、勞動強度大、精度難以保證等問題，提出了一種利用機器視覺測量不同形態(tài)煙梗長度的分類測量法。該方法通過2 500萬像素的高端面陣黑白相機采集煙梗清晰數(shù)字圖像。首先，通過中值濾波結(jié)合圖像開運算、全局閾值分割、圖像連通性操作等步驟對圖像進(jìn)行預(yù)處理并提取煙梗感興趣區(qū)域。然后，根據(jù)矩形度將其分為矩形和異形兩種類型，以提高測量的準(zhǔn)確性。最后，采用基于凸包獲取最小外接矩形測量法和基于骨架提取自適應(yīng)寬度的改進(jìn)Steger算法，分別對兩種形態(tài)的煙梗進(jìn)行測量。選取15組長度不同的矩形梗和異形梗，通過三坐標(biāo)測量儀測量煙梗的標(biāo)準(zhǔn)值與本方法測量值對比。結(jié)果表明：相較于骨架提取法和傳統(tǒng)Steger算法，采用該方法對矩形與異形梗測量的最大相對誤差分別為-0.196%和-0.109%，對單根煙梗的重復(fù)測量最大誤差分別為0.008 mm和0.006 mm，不但具有較高的精度和較好的穩(wěn)定性，還可顯著降低勞動強度，具備廣泛的實際應(yīng)用潛力。

關(guān)鍵詞： 機器視覺；煙梗測量；最小外接矩形；改進(jìn)Steger算法

中圖分類號： TP29

文獻(xiàn)標(biāo)志碼： A"""""文章編號： 2097-3853（2024）01-0074-08

Measurement method of tobacco stem length based on machine vision

DONG Shichao1， CHEN Bingsan1， LIAN Changwei2， LU Minrui2，PENG Xiaodong1， ZHANG Tengjian2， WANG Fang2

（1. School of Mechanical and Automotive Engineering， Fujian University of Technology， Fuzhou 350118， China；

2. Fujian Wuyi Leaf Tobacco Co.， Ltd.， Shaowu 354000， China）

Abstract： In response to the challenges posed by traditional manual measurements of tobacco stem length， characterized by low efficiency， high labor intensity， and difficulty in ensuring accuracy， a classification measurement method for measuring the length of different forms of tobacco stems by machine vision was proposed. This method collects clear digital images of tobacco stems through a 25 million pixel high-end array black-and-white camera. Initially， the images were subjected to preprocessing through median filtering and image opening operations. Subsequently， global threshold segmentation and image connectivity techniques were applied to extract and crop the region of interest within the tobacco stem. Based on morphology， the tobacco stems were then categorized into rectangular and curved types to enhance measurement accuracy. To perform measurements， two distinct approaches were employed for these two morphological categories： the minimum bounding rectangle measurement method for rectangular stems and an improved Steger algorithm based on the adaptive width skeleton extraction for curved stems. Fifteen groups of rectangular stems and curved ones with different lengths were selected， and the standard values of tobacco stems measured by three-coordinate measuring instrument were compared with the measured values of this method. Experimental results demonstrate that the maximum relative errors of rectangular and irregular stems measured by this method are -0.196% and -0.109%， respectively， and the maximum repeated measurement errors for a single tobacco stem are 0.008 mm and 0.006 mm， respectively. This method not only has high accuracy and good stability， but also significantly reduces labor intensity and has broad practical application potential.

Keywords： machine vision; tobacco stem measurement; minimum bounding rectangle; improved Steger algorithm

煙梗作為經(jīng)濟農(nóng)作物煙葉加工中的副產(chǎn)物，通常占據(jù)煙葉總質(zhì)量的20%～30%，其具有形狀不規(guī)則、長短不等、寬窄不一致等特點［1］。其中，煙梗長度作為衡量煙葉打葉復(fù)烤工藝中的關(guān)鍵檢測指標(biāo)，其超出規(guī)定范圍將直接影響煙梗的出絲率［2］。傳統(tǒng)煙梗的測量一直依賴于人工測量，不僅勞動強度大、主觀性強，測量精度也難以保證。

目前，國內(nèi)外關(guān)于煙梗長度的測量方法相關(guān)研究較少。崔云月等［3］提出基于旋轉(zhuǎn)法求取圖像中煙梗的最小外接矩形，進(jìn)而識別出煙梗長度，但該方法旋轉(zhuǎn)次數(shù)多，較為耗時，且對于形狀較為筆直的煙梗測量較為準(zhǔn)確，對于彎曲形狀的煙梗測量精度較差。朱文魁等［4］采用了一種基于X射線透射圖像的方法來定量檢測煙梗中的長短梗率，但是該方法操作復(fù)雜且準(zhǔn)確性有待提高。武凱等［5］提出了先計算煙梗左右兩側(cè)輪廓像素尺寸和的一半，然后依據(jù)像素尺寸與物理尺寸的轉(zhuǎn)換關(guān)系求出煙梗實際長度的方法。該測量方法對于弧形煙梗的測量相較于矩形法測量更為準(zhǔn)確，但對于彎曲情況比較復(fù)雜的煙梗，其測量結(jié)果誤差會有所增大。

為了解決人工測量煙梗誤差大、效率低以及傳統(tǒng)測量方法的局限性和單一性等問題。本研究提出了一種基于機器視覺的煙梗長度測量的分類測量法。該方法根據(jù)煙梗的矩形度差異，對分類后的煙梗分別采用最小外接矩形法和基于骨架提取自適應(yīng)性寬度的改進(jìn)Steger算法來測量不同形態(tài)的煙梗長度。

1"系統(tǒng)硬件設(shè)計

圖1為煙梗測量裝置硬件圖。為了避免煙梗在傳送帶上出現(xiàn)堆積、重疊的現(xiàn)象，上料時由工人將煙梗均勻平鋪在差速帶的上層，如圖1（a）所示。差速帶與傳送帶之間形成多級差速，使煙梗落至傳送帶上時避免堆積與重疊。視覺檢測硬件主要包括工業(yè)相機、傳送帶、PC機和背光光源，如圖1（b）所示。其中，傳送帶傳送被測煙梗物料至檢測區(qū)域；工業(yè)相機采集煙梗圖像信息；考慮到本研究是對煙梗長度的測量，并不要求表面信息，因此光源采用背光方式；PC機主要是用來承載軟件程序并顯示處理結(jié)果。

2"圖像預(yù)處理

在圖像的拍攝和傳輸過程中，會不可避免地引入了噪聲干擾，對目標(biāo)物的測量精度產(chǎn)生負(fù)面影響。本研究通過中值濾波結(jié)合圖像開運算消除圖像中的噪聲點。在使用中值濾波消除圖像中的大部分噪聲后，對一些殘存的噪聲使用圖像開運算進(jìn)行二次去噪處理：首先，圖像經(jīng)過腐蝕，去除了噪聲，但同時也導(dǎo)致了圖像的壓縮；接著，對腐蝕處理的圖像進(jìn)行膨脹處理，以還原原始圖像的細(xì)節(jié)，處理前后效果對比如圖2所示。

由于采用的打光方式為背光，煙梗與背景之間產(chǎn)生了明顯的明暗對比。因此采用全局閾值分割法，通過式（1）將整個圖像分割為前景和背景。

MinGray≤g≤MaxGray（1）

式中，MinGray表示輸入灰度值的下限；MaxGray表示輸入灰度值的上限。

如圖3所示，煙梗區(qū)域灰度值大致分布在0至25之間，而背景區(qū)域灰度值分布在220至255之間。由于圖像灰度直方圖呈現(xiàn)雙峰特征，因此將煙梗區(qū)域的灰度最小值作為輸入灰度值下限，兩峰之間谷底的灰度值作為輸入灰度值上限。

閾值分割后，相同閾值的像素區(qū)域之互相連接并不適合后續(xù)單個煙梗的處理。因此，利用圖像連通性操作對分割后的圖像進(jìn)行處理，如圖4。

3"不同形態(tài)煙梗的長度測量方法

為保證對不同形態(tài)煙梗測量的精度，本研究以煙梗矩形度為依據(jù)，將不同形態(tài)的煙梗分為矩形梗與異形梗。在煙梗物料中常見的不同形狀特征的典型煙梗形態(tài)如圖5所示。

本研究對于異形梗，提出一種基于骨架提取自適應(yīng)寬度的改進(jìn)Steger算法進(jìn)行測量；對于矩形梗，將最小外接矩形的長邊作為煙梗的測量長度。算法流程如圖6所示。

3.1"最小外接矩形的獲取以及矩形度的計算

幾何圖形的最小外接矩形是唯一的，在一定程度上能夠反映幾何圖形的長度、寬度以及傾角等參數(shù)［6］。一般圖像中對物體的外接矩形獲取常采用等間隔搜索法，即將圖像物體在90°范圍內(nèi)等間隔地旋轉(zhuǎn)，每次記錄其輪廓在坐標(biāo)系方向上的外接矩形參數(shù)，通過計算外接矩形面積求其最小外接矩形，如圖7（a）所示。為了得到較精確的最小外接矩形，該方法需要將旋轉(zhuǎn)角度盡可能地減小，但是其旋轉(zhuǎn)次數(shù)將隨旋轉(zhuǎn)角度反比例增加，從而占用更多的時間，很難滿足實時性需求。因此，為了減少算法運算量，節(jié)省算法時間，現(xiàn)采用基于物體的凸包來對目標(biāo)物的最小外接矩形進(jìn)行快速求取。最小外接矩形獲取原理如圖7。

由于物體凸多邊形的最小外接矩形至少有一條邊與凸多邊形的一條邊共線，如圖7（b）所示，因而可有效地限制外接矩形的可能范圍［7］。所以無需由等間隔搜索法去檢測所有可能的方向，只需搜索與多邊形邊數(shù)數(shù)量相等的外接矩形，并計算出相應(yīng)矩形面積，輸出最小面積外接矩形的相關(guān)參數(shù)，從而得到該目標(biāo)物的最小外接矩形。煙梗外接矩形獲取及矩形度的計算如圖8所示。

矩形度是用來反映一個物體與標(biāo)準(zhǔn)矩形的相似程度的參數(shù)，其計算公式為：

R=S0/SMER（2）

式中，R為物體矩形度；S0為目標(biāo)物面積，mm2；SMER為最小外接矩形面積，mm2。

矩形度的數(shù)值范圍通常為0～1，矩形度值越大，物體形狀就越接近矩形。如圖8（b）所示，通過對不同煙梗的矩形度實際檢測可知，當(dāng)煙梗的矩形度大于0.8時，其形狀接近于矩形，而異形梗由于形狀不規(guī)則，矩形度小于0.8。因此，本研究將矩形度0.8作為區(qū)分矩形梗與異形梗的分界值。對于矩形度大于0.8的煙梗，由最小外接矩形的長邊通過式（3）計算得到煙梗實際長度。

L=pix×N（3）

式中，L表示煙梗物理長度，mm；pix表示單個像素尺寸大小，mm；N表示像素個數(shù)。

3.2"異形梗長度測量

異形梗由于形狀較為復(fù)雜且不規(guī)則，在不同的彎曲部分具有不同的曲率。測量時受到測量工具的限制，使用直尺或測量帶等工具難以適應(yīng)彎曲表面，使得對異形梗長度的測量更加困難。若直接采用最小外接矩形法測量，則測量結(jié)果與實際值有很大的出入。所以，為準(zhǔn)確測量異形梗的長度，本研究采用基于骨架提取寬度的改進(jìn)Steger算法對異形梗提取中心線進(jìn)行測量。

3.2.1"Hessian-Steger算法原理

Steger算法以Hessian矩陣為基礎(chǔ)，用于提取光條中心線［8］。在理想光條橫截面上，灰度值通常呈對稱高斯分布，灰度值最大點即為光條的中心點。因此，在光條法線方向上，可利用泰勒多項式展開的灰度分布函數(shù)，精確求取光條中心的亞像素位置。

在二維圖像U（r，c）中，線條中心點的法線方向可通過計算Hessian矩陣的特征值與特征向量確定。Hessian矩陣可以表示為：

H（r，c）=2G（r，c）r22G（r，c）rc2G（r，c）rc2G（r，c）c2U（r，c）=IrrIrcIrcIcc（4）

式中，r、c為像素的行列坐標(biāo)。函數(shù)U（r， c）為像素點（r， c）處的灰度值；Irr、Irc、Icc為U（r， c）與二維高斯函數(shù)G（r， c）通過卷積計算得到的。函數(shù)G（r， c）為二維高斯函數(shù)，主要是因為突出目標(biāo)物的灰度分布特性，其表達(dá)式為：

G（r，c）=-r2+c22σ32π（5）

式中，σ為高斯函數(shù)的標(biāo)準(zhǔn)差。σ的取值應(yīng)滿足σ≥D/3（D為被測物的寬度）。為確保高斯函數(shù)的準(zhǔn)確性，σ的最小允許值應(yīng)滿足σ≥D/2.5。

在二維圖像中，通過計算矩陣中絕對值較大的特征向量，可確定像素點（r0，c0）的法線方向［9］。假設(shè)法線方向的單位向量為e=［er，ec］，則在該方向上的像素點可表示為（r0+ter，c0+ter）。該點處的灰度值二階泰勒多項式展開可表示為：

I（r0+ter，c0+tec）=I（r0，c0）+te［Ir，Ic］T+t22！eH（r，c）eT（6）

由于在理想狀態(tài)下越靠近光條中心點的像素灰度值越大。因此，通過式（6）計算法線方向上的灰度分布函數(shù)的一階導(dǎo)數(shù)零點，可得到該方向上的中心點坐標(biāo)：

It=e·［Ir，Ic］+t·e·H（r，c）·eT=0（7）

式（7）改寫成矩陣形式為：

［er，ec］·IrIc+t［er，ec］IrrIrcIrcIccerec=0（8）

進(jìn)一步化簡可得：

t=-erIr+ecIce2r·Irr+2·er·ec·Irc+e2c·Icc（9）

聯(lián)合式（7）～式（9）求解中心點的位置為（r0+ter，c0+tec）。

傳統(tǒng)Steger算法在提取中心線時，要求高斯函數(shù)的標(biāo)準(zhǔn)差值σ應(yīng)滿足約束條件σ≥3。但在處理不同寬度的被測物時，該約束條件仍基于先前固定寬度來計算σ值，導(dǎo)致不同寬度被測物的初始中心點均要滿足該約束條件［10］。對應(yīng)于不同寬度被測物的二階導(dǎo)無法保證取得極小值，從而造成不同被測物的中心線斷連、缺失，對測量結(jié)果造成影響，如圖9所示。

3.2.2"自適應(yīng)性寬度Hessian-Steger算法

由于傳統(tǒng)Steger算法在提取目標(biāo)物中心帶點時，需要對每個像素點進(jìn)行5次高斯卷積操作，導(dǎo)致Steger算法的計算量顯著增加［11］。為減少算法的計算量，在對圖像進(jìn)行閾值分割后，采用Mask掩膜法裁剪非目標(biāo)區(qū)域后，再對目標(biāo)圖像進(jìn)行卷積操作。

選擇合適的煙梗寬度對于確定最佳σ值至關(guān)重要，本研究通過計算煙梗骨架垂線與輪廓交集的平均長度來計算最佳σ值。圖像骨架是由單個像素點組成的目標(biāo)中軸，它有效反映了原物體形狀的連通性和拓?fù)浣Y(jié)構(gòu)［12］。本研究采用火燒方式的形態(tài)學(xué)細(xì)化法提取骨架。在得到分割圖像后，選擇合適的結(jié)構(gòu)元素B從目標(biāo)區(qū)域邊緣開始腐蝕，并保留腐蝕結(jié)果。然后用結(jié)構(gòu)元素B對腐蝕后的圖像進(jìn)行開運算，并計算腐蝕運算與開運算的差，循環(huán)往復(fù)，直至獲得所求骨架。其求取表達(dá)式為：

S（X）=∪Nn=0Sn（X）（10）

Sn（X）=（XΘnB）-［（XΘnB）°B］（11）

其中，S（X）為目標(biāo)物X的骨架；Sn（X）表示目標(biāo)物X的第n個骨架子集；N為目標(biāo)物X被（XΘnB）腐蝕成空集前的最后一次迭代次數(shù)。

在式（11）中，（XΘnB）為連續(xù)n次對目標(biāo)物X使用結(jié)構(gòu)元素B腐蝕，即：

（XΘnB）=（（…（XΘB）ΘB）ΘB…）ΘB（12）

由于煙梗物理形狀的影響，通常難以確定提取骨架的主干路徑，導(dǎo)致所提取骨架可能出現(xiàn)分支的現(xiàn)象。為此，本研究通過對煙梗骨架節(jié)點與骨架作差集所得到的骨架段進(jìn)行長度篩選來剔除骨架分支。在骨架中，對于任意的骨架點P，若與之相連的像素點超過3個，則稱該像素點為骨架節(jié)點［13］。圖10（b）展示了圖10（a）中位置1處骨架節(jié)點的提取。

在提取到骨架中的所有節(jié)點后，通過式（13）將煙梗骨架節(jié)點與骨架作差集運算，可將二者分離，如圖10（c）所示。

A-B={x∣x∈A且xB}（13）

式中，A為提取骨架的像素集合；B為骨架節(jié)點的像素集合；x是屬于A集合但不屬于B的像素。

由于在各骨架段中，骨架分支的像素長度遠(yuǎn)小于主干長度。因此利用骨架段間長度的差異，剔除骨架分支。假設(shè)對各段骨架像素長度的統(tǒng)計集合為LN，由式（14）可篩選出骨架段最大長度。

max（LN）=max{l1，l2，…，ln}（14）

骨架主干提取如圖11（a）所示。對于骨架垂線的提取，首先選擇點集中首個坐標(biāo)點作為直線段的起始點，并定義一個固定的距離步長。之后沿著點集中的坐標(biāo)點前進(jìn)，當(dāng)累積的距離達(dá)到設(shè)定的步長時，生成新的固定長度直線段。最后，移動并重復(fù)上述步驟，直至完全遍歷整個骨架主干點集。在此過程將產(chǎn)生一系列直線段，每個線段都與前一個線段具有相同的長度，如圖11（b）所示。

接著，通過每個直線段的中點位置確定該直線段的垂線。由式（15）利用直線段的起點和終點坐標(biāo)，可計算直線段的中點坐標(biāo)位置：

RM=（R1+R2）/2CM=（C1+C2）/2（15）

其中，（R1，C1）為直線段起點坐標(biāo)；（R2，C2）為直線段終點坐標(biāo)；（RM，CM）為直線段中點。

假設(shè)直線段與水平軸之間的夾角為α，垂線的固定長度為l。通過式（16）可計算出該直線段的垂線在圖像中的起點和終點坐標(biāo)，提取的直線段垂線如圖12（a）所示。

RS=RM-cos（α）×lCS=CM-sin（α）×l， RE=RM+cos（α）×lCE=CM+sin（α）×l（16）

式中，（RS，CS）為垂線起點坐標(biāo)；（RE，CE）為垂線終點坐標(biāo)。

最后通過計算垂線與被測煙梗區(qū)域交集的像素長度，如圖12（b）所示，計算所有直線段寬度D的平均值，作為Steger算法計算高斯函數(shù)標(biāo)準(zhǔn)差σ所需的寬度值，以滿足不同寬度煙梗中心線的提取測量要求。

4"實驗與分析

為進(jìn)一步驗證本研究所提分類測量法在煙梗測量中的準(zhǔn)確性和穩(wěn)定性，以三坐標(biāo)測量儀測量的煙梗長度為標(biāo)準(zhǔn)值，并通過相機標(biāo)定將煙梗像素長度轉(zhuǎn)換為物理長度。在相同的試驗環(huán)境下，采用分類測量法、傳統(tǒng)Steger算法以及剔除分支后的骨架提取法分別對15組矩形梗與異形梗的相對誤差進(jìn)行分析，以評估不同方法的測量性能。此外，為分析算法的穩(wěn)定性，分別對5組不同長度矩形梗與異形梗的單根樣品進(jìn)行多次測量，通過對比同一目標(biāo)物測量結(jié)果的差異，從而分析算法的穩(wěn)定性。

4.1"不同方法對矩形梗的測量

采用骨架測量法、傳統(tǒng)Steger算法以及所提分類測量法對不同長度的矩形煙梗的測量相對誤差結(jié)果如表1所示。

從表1可見，傳統(tǒng)Steger算法和矩形法測得的矩形梗長度的相對誤差較小。其中，傳統(tǒng)Steger算法與矩形法的最大相對誤差值分別為4.58%和-0.196%，遠(yuǎn)遠(yuǎn)小于骨架測量的17.59%。盡管傳統(tǒng)Steger算法的測量相對誤差雖小于骨架提取法，但與本研究所提分類測量法相比仍存在較大的誤差。

在算法耗時方面，骨架測量法、傳統(tǒng)Steger算法與本研究中的分類測量法總耗時分別為4.68、35.74和6.09 s。雖然骨架提取法耗時最短，但是其測量精度與另外兩種方法相比較差。而傳統(tǒng)Steger算法測量精度遠(yuǎn)高于骨架提取法，但是其耗時明顯遠(yuǎn)超其它兩種方法。本研究所提分類測量法在算法耗時方面略長于骨架提取法，但測量相對誤差卻遠(yuǎn)遠(yuǎn)低于骨架提取法。綜上，采用分類測量法對矩形梗測量效果要明顯優(yōu)于另外兩種方法。

4.2"不同方法對異形梗的測量

采用骨架測量法、傳統(tǒng)Steger算法以及所提分類測量法對不同長度的異形煙梗進(jìn)行測量，相對誤差結(jié)果如表2所示。

從表2可見，采用骨架提取法、分類測量法和傳統(tǒng)Steger算法測得的長度值最大相對誤差分別為4%、-0.109%與-2.34%。其中，骨架提取法的測量值與實際值相差較大。這是由于測量長度受多余骨架分支長度的影響，導(dǎo)致測量長度大于其實際長度。盡管傳統(tǒng)Steger算法的測量相對誤差小于骨架提取法，但相較于分類測量法其測量精度還有待提升。

此外，骨架測量法、傳統(tǒng)Steger算法與分類測量法的測量總耗時分別為3.95、39.74、12.56 s。骨架提取法耗時明顯小于另外兩種方法，這是由于骨架提取法只需對煙梗所在灰度區(qū)域的中線進(jìn)行粗略擬合測量。而傳統(tǒng)Steger算法的總耗時最長，其測量精度與改進(jìn)方法相比較差。因此，對于異型梗的測量，分類測量法的精度更高、測量效率更好，也具有較好的優(yōu)勢。

4.3"算法的測量穩(wěn)定性分析

利用所提分類測量法對不同形態(tài)、不同長度的煙梗進(jìn)行多次測量，結(jié)果如表3所示。

從表3可見，使用所提分類測量法對矩形梗進(jìn)行多次測量的最大誤差為0.008 mm，對異形梗的最大測量誤差為0.006 mm，且無論是對矩形梗還是對異形梗的多次測量，誤差的最大值均小于0.010 mm，可見所提方法具有較好的穩(wěn)定性。

5"結(jié)束語

針對不同形態(tài)煙梗的準(zhǔn)確測量問題，本研究通過機器視覺技術(shù)分別采用基于旋轉(zhuǎn)外接矩形和改進(jìn)Steger算法對不同形態(tài)的煙梗進(jìn)行分類測量。實驗結(jié)果表明，所提的分類測量法的測量精度和速度明顯優(yōu)于其它兩種方法，且具有較好的測量穩(wěn)定性，能夠準(zhǔn)確、實時的測量出不同形狀煙梗的長度。此外，所提方法相較于傳統(tǒng)的人工測量，極大地提升了測量精度與效率，降低了企業(yè)的人工成本，能夠滿足實際的生產(chǎn)需求，對煙草行業(yè)以及其它相關(guān)領(lǐng)域的自動化在線測量具有重要的實際意義。

參考文獻(xiàn)：

［1］ 李曉，周利軍，紀(jì)曉楠，等.不同尺寸規(guī)格的煙梗吸濕特性及梗絲質(zhì)量的影響［J］.西南農(nóng)業(yè)學(xué)報，2017，30（3）：675-680.

［2］ 楊洋，楊雨波，吳昊，等.煙草加工中打葉復(fù)烤工藝參數(shù)優(yōu)化［J］.農(nóng)業(yè)工程，2018，8（8）：83-85.

［3］ 崔云月，管一弘，孫娜，等.BP神經(jīng)網(wǎng)絡(luò)在煙梗長短梗率檢測中的應(yīng)用［J］.軟件導(dǎo)刊，2021，20（2）：63-67.

［4］ 朱文魁，郭高飛，丁美宙，等.一種基于X射線透射圖像定量檢測煙梗中粗梗率和長短梗率的測定方法：CN108007945A［P］.2018-05-08.

［5］ 武凱，熊文，盧婷，等.一種煙梗長度或直徑的檢測方法：CN115031667A［P］.2022-09-09.

［6］ 雷光鈺.基于紅外熱波的缺陷自動檢測識別與評估方法研究［D］.成都：電子科技大學(xué)，2022.

［7］ 代長安，區(qū)昊辰，朱鼎天，等.不規(guī)則多邊形區(qū)域搜索航路規(guī)劃算法［J］.工業(yè)技術(shù)創(chuàng)新，2021，8（6）：102-106，112.

［8］ 曾凱，劉賀飛，何茜，等.基于改進(jìn)Steger算法的線結(jié)構(gòu)光中心提取［J］.華北理工大學(xué)學(xué)報（自然科學(xué)版），2021，43（1）：101-107.

［9］ 王志永，于宇，王武越，等.基于改進(jìn)Steger算法流程的線激光中心提取［J］.電子測量技術(shù)，2023，46（1）：84-89.

［10］ GIULIETTI N， CHIARIOTTI P， REVEL G M. Automated measurement of geometric features in curvilinear structures exploiting Stegers algorithm［J］. Sensors，2023，23（8）：4023.

［11］ 南方，李大華，高強，等.改進(jìn)Steger算法的自適應(yīng)光條紋中心提?。跩］.激光雜志，2018，39（1）：85-88.

［12］ 刁智華，吳貝貝，毋媛媛，等.基于圖像處理的骨架提取算法的應(yīng)用研究［J］.計算機科學(xué)，2016，43（S1）：232-235.

［13］ 張國棟，韓佳池.基于模糊距離變換的骨架剪枝算法［J］.沈陽航空航天大學(xué)學(xué)報，2012，29（1）：64-69.

（責(zé)任編輯： 方素華）

收稿日期：2023-11-24

基金項目：中國煙草總公司福建省公司科技計劃項目（2023350000200090）

第一作者簡介：董世超（1994—），男，河南商丘人，碩士研究生，研究方向：機器視覺。

通信作者：盧敏瑞（1982—），男，福建龍巖人，工程師，研究方向：打葉復(fù)烤工藝研究。