徐龍泉，王 澍，董 浩，彭黔榮*，周明珠，張 龍，羅光杰，余云流，吳曉松，李志剛，劉 勇

1.貴州中煙工業(yè)有限責(zé)任公司技術(shù)中心，貴陽市經(jīng)濟技術(shù)開發(fā)區(qū)開發(fā)大道96號 550000 2.中國科學(xué)技術(shù)大學(xué)，合肥市金寨路96號 230026 3.中國科學(xué)院合肥物質(zhì)科學(xué)研究院，合肥市蜀山湖路350號 230031 4.國家煙草質(zhì)量監(jiān)督檢驗中心，鄭州高新技術(shù)產(chǎn)業(yè)開發(fā)區(qū)翠竹街6號6棟 450001

卷煙爆珠由壁材和芯材兩部分構(gòu)成。壁材主要起密封作用，具有硬、脆、響等特性；芯材為對壁材無溶解性的液體香味物質(zhì)［1］。將爆珠添加到卷煙中，消費者在抽吸時通過擠壓捏破卷煙濾嘴中的爆珠，產(chǎn)生脆響聲的同時釋放內(nèi)部香味成分，從而獲得觸覺、聽覺、嗅覺和味覺的多重感官體驗［2］。爆珠在生產(chǎn)過程中，不可避免地會產(chǎn)生各種缺陷或瑕疵，人眼可直觀識別的有氣泡、污點、白斑和膠皮黏附4種。其中，氣泡缺陷是由爆珠殼體破裂或殼體滲液所致，含有氣泡的爆珠放置一段時間后會產(chǎn)生漏液形成空心爆珠，影響消費者感官體驗，屬嚴重質(zhì)量缺陷，而污點、白斑及膠皮粘附屬于非致命性質(zhì)量缺陷。因此，在爆珠放行檢驗中，氣泡為必檢缺陷，成品爆珠氣泡率一般控制在5‰以內(nèi)，大于該閾值即判定為不合格爆珠，需要重新挑選或報廢。在實際檢測中，污點、白斑和膠皮粘附缺陷出現(xiàn)的頻率在5%～20%之間，將其誤識別為氣泡會使大部分合格產(chǎn)品無法通過放行檢驗，因此爆珠放行檢驗環(huán)節(jié)對檢測儀器的要求更高。

目前煙草行業(yè)主要使用爆珠外觀檢測設(shè)備進行爆珠質(zhì)量挑選［3-4］，氣泡誤識別率通常在2%以上。而針對爆珠外觀檢測的文獻報道較少，只有李明［4］使用canny邊緣檢測算子提取爆珠輪廓后，再利用灰度閾值分割進行氣泡輪廓提取，但該方法對氣泡輪廓提取的魯棒性不高，對污點、白斑和膠皮粘附等缺陷邊緣的抗干擾能力較低。為此，基于計算機視覺技術(shù)提出了一種改進型LoG（Laplacian of Gaussian）算子，在完整提取氣泡輪廓的同時有效抑制污點、白斑及膠皮的輪廓信息，并根據(jù)氣泡的“雙液環(huán)”特性設(shè)計輪廓編碼關(guān)系向量，建立一種用于卷煙爆珠放行檢驗的氣泡缺陷檢測方法，以期提高爆珠外觀質(zhì)量檢測精度。

1 系統(tǒng)組成

基于計算機視覺的卷煙爆珠氣泡缺陷檢測系統(tǒng)主要由自動化裝置和視覺檢測平臺兩部分組成。自動化裝置包括爆珠上料裝置、傳輸裝置、限位器件、剔除裝置及其控制系統(tǒng)；視覺檢測平臺包括高速CCD相機、光學(xué)鏡頭、圖像采集卡、同軸偏振光源及其控制系統(tǒng)，見圖1。

圖1 卷煙爆珠氣泡缺陷視覺檢測平臺結(jié)構(gòu)圖Fig.1 Structure of visual inspection platform for cigarette capsules with bubble defects

2 檢測方法

卷煙爆珠在生產(chǎn)中產(chǎn)生的缺陷或瑕疵主要有4種：氣泡（必檢）、污點（非必檢）、白斑（非必檢）和膠皮粘附（非必檢），見圖2。

圖2 爆珠外觀缺陷Fig.2 Appearance defects of cigarette capsules

2.1 基于HSV顏色空間的爆珠圖像分割

國內(nèi)現(xiàn)有的卷煙爆珠有幾十種顏色，在檢測中首先要消除爆珠的亮白色背景，實現(xiàn)不同顏色卷煙爆珠提取的通用性。通過對各種樣品進行采樣測試，將CCD采集的圖像從RGB（Red，Green，Blue）顏 色 空 間 轉(zhuǎn) 換 到 HSV（Hue，Saturation，Value）顏色空間［5-6］，并提取其中的H（色調(diào)）及V（亮度）分量，將兩者進行疊加，然后對疊加后的圖像進行簡單閾值分割，提取爆珠區(qū)域，結(jié)果見圖3。

圖3 爆珠圖片背景分割提取效果Fig.3 Background segmentation of picture of cigarette capsule

2.2 基于改進型LoG算子的紋理缺陷檢測

如何在完整提取氣泡輪廓信息的同時，最大程度地削弱其他3類非必檢缺陷輪廓信息的干擾，是本研究的關(guān)鍵點。

2.2.1 對LoG算子進行改進

高斯型拉普拉斯LoG算子的原理是將拉普拉斯算子與高斯平滑濾波器相結(jié)合進行邊緣檢測［7-8］。首先對原始圖像f（x，y）進行高斯平滑濾波，再對濾波后的圖像求二階導(dǎo)數(shù)得到二階導(dǎo)數(shù)圖像h（x，y）［9］：

由于圖像是離散的二維矩陣，故采用差分近似微分，LoG求取二階導(dǎo)數(shù)時常用的卷積模板見圖4a。LoG算子用于邊緣檢測時對像素值的梯度極為敏感，能夠有效檢測出各種缺陷的微弱邊緣，但無法加以區(qū)分。由圖2可見，氣泡輪廓兩側(cè)像素值相近，而污點、白斑、膠皮等缺陷輪廓兩側(cè)像素值相差較大?；谠撎匦裕诶绽棺儞Q時對其卷積模板進行了改進，見圖4b?？梢姡倪M后LoG模板削弱了鄰近像素對中心像素值的影響，強化了中心像素值與模板4個外角像素值的關(guān)聯(lián)性，在凸顯氣泡輪廓的同時有效抑制了白斑、污點及膠皮等缺陷輪廓。

圖4 改進前后LoG模板Fig.4 LoG templates before and after improvement

2.2.2 使用零交叉點進行邊緣檢測

圖5a為原始圖像在方向D上的一個理想邊緣情況，邊界點灰度值從a躍升到b。采用改進型LoG算子與圖像進行卷積運算后，得到圖像的二階導(dǎo)數(shù)，邊緣情況見圖5b?？梢姡瑘D像邊緣情況表現(xiàn)為零交叉點，即低灰度值部分f（x，y）＞0，高灰度值f（x，y）＜0［10-11］。

采用基于Predicate的3×3鄰域謂詞模板［12］，將其與已定義的4種不同模板相比較，如果匹配在正確像素位置上即可確定邊緣，再對卷積圖像中零交叉點進行檢測即為邊緣檢測。因此，通過上述處理可以獲得爆珠表面紋理信息的量化數(shù)值。

圖5 LoG算子邊緣響應(yīng)示意圖Fig.5 Edge response of LoG operator

2.3 氣泡輪廓識別

雖然改進型LoG算子對非必檢缺陷進行了削弱，但在邊緣檢測結(jié)果上仍會提取到部分非氣泡輪廓的干擾信息，此時需要根據(jù)氣泡輪廓的幾何特性對其進行精準識別。

2.3.1 基于“雙液環(huán)”特性的輪廓編碼

通過對大量實物圖像觀察與分析得知，氣泡尺寸通常分布在0.1～3.0 mm之間，氣泡最穩(wěn)定的形狀特征為存在一定厚度的輪廓壁。因此，爆珠氣泡輪廓具有“雙液環(huán)”特性，即氣泡的外輪廓中必定嵌套著一個直徑與之接近的內(nèi)輪廓。通過改進型LoG算子提取出爆珠表面的候選輪廓后，使用Freeman鏈碼［13-14］方法對輪廓進行遍歷，并基于“雙液環(huán)”特性對各級輪廓進行編碼，設(shè)計了爆珠輪廓的關(guān)系向量，見圖6。其中，輪廓0為爆珠外輪廓，輪廓1為氣泡外輪廓，輪廓2為氣泡內(nèi)輪廓，輪廓3為污點外輪廓。

圖6 爆珠輪廓分級Fig.6 Classification of capsule contour

為準確區(qū)分出氣泡輪廓與非氣泡輪廓，在此定義一個表示輪廓繼承關(guān)系的一維向量Graded，Graded=G［后一個輪廓序號，前一個輪廓序號，子輪廓序號，父輪廓序號］。對于圖6，使用G向量進行輪廓分級編碼如下。

（1）爆珠外輪廓0沒有同級輪廓和父級輪廓，有兩個子級輪廓1和3，所以其關(guān)系向量G=［-1，-1，1，-1］。其中，-1表示無對應(yīng)關(guān)系，1表示其中一個子輪廓序號為1，在此可以隨機編碼為3；

（2）氣泡外輪廓1有同級輪廓3、子級輪廓2和父級輪廓0，所以其關(guān)系向量G=［3，-1，2，0］；

（3）氣泡內(nèi)輪廓2沒有同級輪廓和子級輪廓，有父級輪廓1，所以其關(guān)系向量G=［-1，-1，-1，1］；

（4）污點外輪廓3有同級輪廓1和父級輪廓0，無后一個輪廓，無子級輪廓，所以其關(guān)系向量G=［-1，1，-1，0］。

2.3.2 氣泡輪廓的判定

通過向量G對所有輪廓編碼分級后，計算輪廓的圓形度［15］：

式中：e為輪廓圓形度；L為輪廓長度，mm；A為輪廓包含區(qū)域的面積，mm2。

如圖6所示，當(dāng)輪廓1的圓形度e1小于設(shè)定閾值Rt時，訪問其關(guān)系向量G；第1位為G［0］，當(dāng)向量第 3位G［2］≠-1，第4位G［3］=0時，計算其子輪廓2的圓形度e2，若e2也小于Rt，則判定當(dāng)前爆珠含有氣泡并計算尺寸。通過對氣泡圖像及非氣泡雜質(zhì)圖像的圓形度進行綜合計算，得到Rt=1.2。

3 結(jié)果與分析

3.1 直徑檢測準確性測試

為驗證氣泡檢測系統(tǒng)對尺寸的測量精度，采用4顆直徑分別為2.5、3.0、3.5和4.0 mm的鋼球（球直徑變動量VDws≤0.7 μm），置于卷煙爆珠氣泡缺陷檢測系統(tǒng)進行直徑檢測，每顆鋼球重復(fù)檢測5次，統(tǒng)計其直徑數(shù)值，結(jié)果見表1?？梢姡撓到y(tǒng)對尺寸的測量誤差小于0.5%。

表1 鋼珠直徑測量結(jié)果Tab.1 Measurement results of standard steel ball（mm）

表2 不同檢測算法氣泡識別率對比Tab.2 Recognition rates of capsules with bubble defects by different inspection algorithms

3.2 與其他邊緣檢測算法對比

為驗證改進型LoG算子紋理提取效果，選取1 000顆合格爆珠和1 000顆含有氣泡的爆珠，分別使用Canny算子［16］、LoG算子及改進型LoG算子（本文方法）對其進行紋理檢測和氣泡識別率對比。由表2可見，本文方法對1 000顆氣泡爆珠的識別率為99.7%，對1 000顆合格爆珠的誤識別率為0，遠優(yōu)于其他兩種算法。由圖7可見，與Canny算子及LOG算子相比，本文方法能夠在準確檢測出氣泡輪廓的同時，有效削弱污點、白斑和膠皮輪廓。

圖7 爆珠表面紋理提取效果對比Fig.7 Extraction effects of surface texture of capsules

3.3 氣泡識別測試

3.3.1 氣泡識別率

采用人工燈檢方法，分別從A（黃色，直徑2.8mm）、B（紅色，直徑 2.8 mm）、C（藍色，直徑 3.5 mm）3個牌號的爆珠中挑選出氣泡缺陷樣品，再采用本文方法進行檢測，每個牌號檢測2組爆珠，考察本文方法的氣泡缺陷識別率，其計算公式為：

由表3可知，3個牌號的爆珠氣泡識別率均大于98%，平均識別率為98.9%。根據(jù)當(dāng)前煙草行業(yè)生產(chǎn)工藝標(biāo)準，放行檢驗階段氣泡缺陷比例通常在0.5%以內(nèi)，即每萬顆爆珠中氣泡缺陷小于50顆。采用本文方法，每萬顆爆珠中因未識別而漏檢的氣泡缺陷小于1顆，滿足放行檢驗要求。

3.3.2 氣泡誤檢率

采用人工燈檢方法，分別從A（黃色，直徑2.8mm）、B（紅色，直徑 2.8 mm）、C（藍色，直徑 3.5 mm）3個牌號的爆珠中挑選出合格爆珠樣品，再采用本文方法進行檢測，每個牌號檢測3組爆珠，考察本文方法將合格爆珠誤識別為氣泡爆珠的誤檢率，其計算公式為：

表3 本文方法的氣泡識別率Tab.3 Recognition rate of capsules with bubble defects by the proposed method

表4 本文方法的氣泡誤檢率Tab.4 False positive rate of capsules with bubble defects

由表4可知，3個牌號的爆珠氣泡誤檢率均小于1‰，平均誤檢率為0.21‰，即每萬顆合格爆珠中只有2粒左右被誤識別為氣泡爆珠，滿足放行檢驗要求。

3.3.3 本文方法與人工檢測對比

以爆珠實際生產(chǎn)放行檢驗為對象，分別從A（黃色，直徑2.8 mm）、B（紅色，直徑2.8 mm）、C（藍色，直徑3.5 mm）3個牌號的爆珠中各抽取10個批次的爆珠樣本，每批次的樣本量為1萬顆左右，分別采用本文方法與人工燈檢方法進行檢測，考察本文方法與人工檢測的氣泡識別率及偏差。結(jié)果（圖8）表明，本文方法與人工檢測的氣泡識別率偏差分布為［-0.03%，0.03%］，說明本文方法與人工檢測水平接近。

圖8 本文方法與人工檢測對比Fig.8 Comparison between the proposed method and manual inspection

4 結(jié)論

①提出的基于改進型LoG算子的爆珠氣泡缺陷檢測方法能夠在準確檢測出氣泡輪廓的同時，有效削弱污點、白斑及膠皮的輪廓；②本文方法對氣泡缺陷的識別率達98.9%，誤檢率為0.21‰左右，檢測精度能夠滿足放行檢驗要求；③本文方法與人工檢測的偏差范圍為［-0.03%，0.03%］，表明本文方法與人工檢測水平十分接近。因此，基于計算機視覺技術(shù)建立的高精度氣泡缺陷檢測方法，為卷煙爆珠的放行檢驗提供了一種標(biāo)準統(tǒng)一且指標(biāo)可量化的檢測手段，對爆珠生產(chǎn)企業(yè)產(chǎn)品質(zhì)量控制具有重要意義。