一种烟支夹末缺陷识别方法

本发明涉及卷烟，特别涉及一种烟支夹末缺陷识别方法。背景技术：1、在卷烟生产过程中，由于生产工艺、系统负压、烟丝质量、生产环境等因素，在烟条成型和接装时烟丝碎末易夹在烟支或滤嘴搭口处，产生烟支夹末缺陷质量问题，若不能及时剔除，有质量问题的烟支将会流入市场，影响消费者对烟支的感官品吸，进而影响产品市场和公司形象。因此，在烟草生产加工过程中，对烟支进行质量检测，以提高烟草生产加工过程的质量和效率。2、早期的烟支夹末缺陷识别主要是通过人眼观察和手动筛选出具有夹末缺陷的烟支，这种方式存在两方面问题：一方面，人眼对大量烟支夹末的鉴别效率较低，识别效果不稳定；另一方面，高强度的目视工作长期持续，易造成识别疲劳和失误，从而难以保证烟草生产的健康安全。而现如今，烟支缺陷检测逐渐实现了自动化方式，各种机械式、红外线光电检测等层出不穷，但是其检测结构复杂多样，高额的成本难以实现普及。3、目前关于烟支夹末缺陷识别的研究较少，而现存的对于烟支缺陷检测的识别算法识别率较低，因此，要进一步深入研究，加强相关算法的开发和应用，提高识别算法的可靠性和实用性是将matlab算法识别技术运用到卷烟行业的核心问题。技术实现思路1、本发明意在提供一种烟支夹末缺陷识别方法，以解决现有烟支夹末缺陷识别效率低，检测结构复杂，成本高的问题。2、本方案中的一种烟支夹末缺陷识别方法，包括检测平台，所述检测平台包括固定光源、图像采集、计算机算法处理和剔除装置，图像采集包括工业相机、led光源、pcie采集卡和matlab软件，基于matlab的图像预处理包括以下步骤：s1：图像去噪，s2：图像增强，s3：图像分割，s4：形态学处理，s5：缺陷特征提取，s6：缺陷识别与定位，s6：夹末缺陷。3、进一步，图像增强包括以下步骤：1)同态滤波增强、2)对数变换增强、3)小波变换增强。4、进一步，图像去噪采用中值滤波，假设在坐标点(x，y)，不同大小的窗口表示为sxy，f(x，y)表示中值滤波后图像对应像素灰度值g(i，j)，表示原始图像的像素灰度值，并且g(i，j)∈sxy，则中值滤波的原理可以表示为，5、6、进一步，同态滤波假设图像f(x，y)由照射分量i(x，y)和反射分量r(x，y)表示，其关系如下所示：7、f(x，y)＝i(x，y)·r(x，y)8、对图像f(x，y)取对数，即：9、z(x，y)＝ln[f(x，y)]＝ln[i(x，y)]+ln[r(x，y)]10、得到图像的频域表示为：11、f{z(x，y)}＝f{ln[f(x，y)]}＝f{ln[i(x，y)]}+f{ln[r(x，y)]}12、即：13、z(u，v)＝i(u，v)+r(u，v)14、滤波器的传递函数为h(u，v)和z(u，v)相乘，其表达式为：15、s(u，v)＝z(u，v)h(u，v)＝i(u，v)h(u，v)+r(u，v)h(u，v)16、对其再进行傅里叶反变换，得到：17、s(x，y)＝f-1{s(u，v)}18、最后对s(x，y)取指数即得到最终处理结果：19、g(x，y)＝exp(s(x，y))20、本方案的工作原理及其有益效果：中值滤波通过对像素值序列进行排序，去除了那些明显偏离整体趋势的异常值，从而达到平滑效果的同时保留图像细节的目的。中值滤波的窗口大小通常会根据噪声的强度进行调整，一般较小的窗口适合于去除小噪点，而较大的窗口则能帮助去除更大的噪点，但同时也会降低图像的清晰度和细节。此外，相对于高斯滤波等其他线性滤波方法，中值滤波算法的计算开销较小，更易于实现。输入加入高斯噪声的图像通过中值滤波算法的滤波处理，可以有效地去除图像中的噪点，同时保留了图像的边缘和细节信息，并保持图像的整体质量。21、同态滤波通过分解图像的频率和强度来消除乘性噪声，使得图像的细节更加清晰和鲜明，同时提高亮度和对比度的标准化，使得图像展现出更好的视觉效果。22、由于对数曲线在像素值较低的区域斜率大，在像素值较高的区域斜率较小，所以图像经过对数变换后，较暗区域的对比度将有所提升，因此就可以增强图像的暗部细节。对数变换可以将图像的低灰度值部分扩展，显示出低灰度部分更多的细节，将其高灰度值部分压缩，减少高灰度值部分的细节，从而达到强调图像低灰度部分的目的。23、将输入图像进行小波分解，得到不同尺度和方向上的小波系数，其中高频小波系数代表图像的细节部分，低频小波系数代表图像的大致形状。对高频小波系数进行阈值处理，将小于某个特定阈值的系数置为0，保留大于阈值的系数。这样可以压缩高频系数，去除噪声，同时保留图像细节信息。对低频小波系数进行滤波处理，使其变得更加平滑。这样可以减少图像中的高频成分，并提取图像的整体结构信息。合成经过阈值处理和滤波处理后的小波系数，重构出一张增强后的图像，通过小波变换增强算法的处理，可以使图像在保留细节信息的同时，去除噪声和平滑图像，并提高图像的对比度和清晰度。24、从图2可以看出，图像增强有利于对烟支边缘细节的提取，三种增强效果对比而言，图(b)同态滤波更加出色，图(c)对数变换增强会弱化烟支边缘细节，，不利于后续的烟支分割，图(d)小波变换虽然增强了烟支与背景的边缘对比度，但是弱化了烟支夹末缺陷部位，也不利于后续的特征提取，因此，后续的研究采用同态滤波增强，更易于与背景区分，有利于图像的分割。25、进一步，在烟支夹末缺陷图像预处理中，将增强后的图像进行二值化处理，将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。二值化处理有利于图像的分割，在matlab中，二值图像中的数据类型实际上是logical型，0代表黑色、1代表白色，所以二值图像实际上是一幅“黑白”图像。。规定数据的取值，通常使用“阈值法”，即确定一个阈值，小于这个阈值的就取0，其他的全部为1，这里在程序中“阈值”取0.9。通过阈值分割算法，得到了烟支和背景部分清晰可见、明显区分的图像。然而，在实际应用中，发现图像中烟支部分存在一些黑色孔洞，这会影响现有的烟支识别方法。为了解决这个问题，可以运用形态学的膨胀处理。26、进一步，结构元素b对图像a的膨胀记作定义为：27、28、式中-b为结构元素b的映射。29、集合a被结构元素b腐蚀，记作aθb，定义为：30、31、而形态学中的闭运算与开运算实则是膨胀运算与腐蚀运算的结合。结构元素b对a的闭运算，记作a·b，定义为：32、33、即首先用结构元素b对a做膨胀运算，然后再做腐蚀运算。在程序中对烟支图像进行形态学闭运算处理。在烟支夹末缺陷的识别中，由于缺陷特征的大小、形状、颜色等都有所不同，需要适当的形态学处理技术来提取出这些特征。因此，在烟支夹末缺陷的图像预处理过程中，图像形态学处理技术是非常重要的一部分，可帮助提取出缺陷特征及其属性，为后续的缺陷识别和分析提供有力支持。34、在取得烟支与背景分割图像之后，观察图像会发现夹末出现的地方存在滤嘴和烟棒与滤嘴搭口处，因此需要将烟支与滤嘴部分分割，由于烟支与滤嘴灰度化的值是不同的，因此采用局部二值化处理方法只保留烟支图像中“光亮”部分，如图5所示。。当处理得到烟支图像后，发现该部分存在不完整的现象，这会影响对夹末的检测。因为烟棒的条纹会使得烟支图像缺失一些重要的信息，导致丢失了对缺陷的识别。因此，采用形态学膨胀的技术进行处理。这种技术可以对图像中的边界特征进行增强，通过一定的运算方式来扩大或增强边界特征。它的主要作用包括减少噪点和突出物体形状，从而使得图像更加清晰和完整。通过形态学膨胀处理，可以得到更为准确、完整的烟支二值化图像，从而更好地进行后续缺陷识别。35、进一步，采用垂直投影的方法，抹去烟支品牌标识的一圈条纹，其原理是：假设图像中每一列的像素点黑色为0，白色为1，从为0到不为0的边界，为左边界，从不为0到为0的边界，为右边界，并计算其每一列像素值之和，得到滤嘴条纹的垂直投影图。图中的曲线突变部分就是烟支条纹所在区域，将这一区域覆盖，得到去除滤嘴商标条纹干扰部分形态学处理图像。