李 鄲,梁洲源,馬慧宇,李海燕,王春瓊,張 軻,廖澤容,張榆鋒*

(1.云南省煙草質(zhì)量監(jiān)督檢測站,云南 昆明 650104;2.云南大學(xué) 信息學(xué)院,云南 昆明 650500;3.昆明醫(yī)科大學(xué)康復(fù)學(xué)院,云南 昆明 650500)

0 引 言

機(jī)器視覺以圖像采集系統(tǒng)模擬人眼的視覺感知功能,利用計算機(jī)對圖像進(jìn)行分析處理,實現(xiàn)對客觀世界的感知、理解和識別,其作為無接觸、無損傷的自動檢測技術(shù),是實現(xiàn)設(shè)備智能化精密控制的有效手段,具有安全、可靠、高效、便捷等優(yōu)點[1-2]。典型的工業(yè)機(jī)器視覺系統(tǒng)使用攝像機(jī)采集被測目標(biāo)圖像信息,然后傳送給上位機(jī)處理系統(tǒng),系統(tǒng)根據(jù)圖像信息計算被測目標(biāo)的形態(tài)和位姿特征,據(jù)此控制執(zhí)行器進(jìn)行響應(yīng)操作[3]。隨著信息檢測和人工智能信息處理技術(shù)的快速發(fā)展,機(jī)器視覺已被廣泛應(yīng)用于缺陷檢測[4]、過程監(jiān)控[5]、交通導(dǎo)航[6]和目標(biāo)識別[7]等多個領(lǐng)域,市場規(guī)模日益擴(kuò)大。

煙草是國家和地方財稅的重要來源,而卷煙是最主要的煙草制品。作為全球最大的卷煙生產(chǎn)規(guī)模與消費(fèi)市場,中國生產(chǎn)并消費(fèi)了全世界約三分之一的卷煙產(chǎn)品[8-9]。卷煙生產(chǎn)包括煙葉加工、制絲工藝、煙支卷接和卷煙包裝等主要環(huán)節(jié),工藝復(fù)雜,隨著測控技術(shù)的發(fā)展,各環(huán)節(jié)自動化程度越來越高[10]。然而,煙葉烘烤、烤煙分級、質(zhì)量檢測等關(guān)鍵工序還停留在人工或半自動水平。機(jī)器視覺的引入,解決了人工生產(chǎn)存在的主觀性強(qiáng)、耗費(fèi)人力、效率低下等問題,進(jìn)一步提高卷煙生產(chǎn)自動化和標(biāo)準(zhǔn)化程度。如圖1所示,按照主要工藝流程,將機(jī)器視覺的核心方法大致分為圖像處理技術(shù)、傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)三類,對近年來該技術(shù)在卷煙生產(chǎn)中開展的研究以及取得的應(yīng)用性成果進(jìn)行梳理。最后,對機(jī)器視覺在卷煙制造業(yè)面臨的挑戰(zhàn)及發(fā)展趨勢進(jìn)行分析與展望。

圖1 機(jī)器視覺在卷煙生產(chǎn)主要環(huán)節(jié)的應(yīng)用

1 基于機(jī)器視覺的煙葉加工

1.1 煙葉烘烤過程控制

烘烤工藝很大程度上影響著煙草的質(zhì)地和香氣。主流烘烤方式是將煙葉置于密集烤房中,利用熱風(fēng)使煙葉流失水分并產(chǎn)生化學(xué)變化。烤房配備的烘烤控制器可以調(diào)節(jié)溫度、濕度、烘烤時間等參數(shù)。然而不同批次煙葉的品種、成熟度、含水量都不一致,相應(yīng)的烘烤生產(chǎn)過程存在差異。為達(dá)到理想的烤制效果,烘烤過程中需要人工觀察煙葉狀態(tài)動態(tài)調(diào)整參數(shù)設(shè)置。這種半人工方式實時性差,主觀性強(qiáng),烘烤質(zhì)量不穩(wěn)定;此外,惡劣的烘烤環(huán)境也會對技術(shù)人員健康造成傷害。因此,通過煙葉圖像精準(zhǔn)判別烘烤煙葉的變化,實時調(diào)整控制策略,對提升烤煙質(zhì)量、降低勞動強(qiáng)度和人工成本有重要作用。

1.1.1 烘烤階段判別

文獻(xiàn)[11-12]獲取并分析烘烤過程中各階段煙葉圖像的特征,作為判別烘烤階段的重要依據(jù)。Wang等[13]提取了煙葉圖像的顏色特征,通過長短時記憶和極端梯度增強(qiáng)融合模型進(jìn)行烘烤階段判別,準(zhǔn)確率達(dá)97.4%。李增盛等[14]對比了基于遺傳算法的支持向量機(jī)、基于粒子群算法的反向傳播神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)等三個模型,結(jié)果表明基于遺傳算法的支持向量機(jī)性能最佳,測試集判別準(zhǔn)確率達(dá)98.5%。楊海清等[15]將壓縮激勵網(wǎng)絡(luò)結(jié)構(gòu)用于殘差網(wǎng)絡(luò)模型,提高了提取深層特征的能力,判別精度達(dá)99.1%。

1.1.2 烘烤策略調(diào)整

Wang等[16]將手動提取的煙葉圖像顏色和紋理特征與專家經(jīng)驗知識結(jié)合,利用神經(jīng)網(wǎng)絡(luò)對干球溫度、濕球溫度的設(shè)定值以及到下一烘烤階段的變化時間進(jìn)行預(yù)測,預(yù)測均方誤差分別為1.7,2.0和8.2。Wu等[17]采用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)自動提取煙葉圖像特征,與手動特征提取、堆疊稀疏自編碼器,以及其他兩種深度學(xué)習(xí)模型相比,干球溫度和濕球溫度的預(yù)測均方根誤差分別下降約20%～50%和40%～70%。

上述研究表明,機(jī)器視覺在煙葉烘烤過程控制中取得顯著成效,其中機(jī)器學(xué)習(xí)方法表現(xiàn)突出。未來還需對更多品種及產(chǎn)區(qū)煙葉開展針對性的研究,進(jìn)一步提高應(yīng)用水平。

1.2 煙葉分級

分級有助于合理利用煙草資源,保證配方工藝的穩(wěn)定。烘烤后煙葉外部形態(tài)、內(nèi)部物質(zhì)發(fā)生顯著變化,顏色、形狀、紋理等外部特征與內(nèi)部質(zhì)量密切相關(guān),是影響煙葉等級的關(guān)鍵因素。

Harjoko等[18]利用區(qū)域顏色分析對黃、棕、綠三類煙葉進(jìn)行分類,準(zhǔn)確率達(dá)91.7%,表明圖像處理技術(shù)可用于簡單的顏色分組。然而,細(xì)化分級不僅取決于煙葉顏色,還取決于生長位置、外觀質(zhì)量等因素,需要提取更多特征,使用智能分類方法。Zhang等[19]通過二級模糊綜合評價法和神經(jīng)網(wǎng)絡(luò)對X1L,B4L,S1三個等級煙葉進(jìn)行分級,準(zhǔn)確率為72%,表明傳統(tǒng)機(jī)器學(xué)習(xí)可用于煙葉分級,但精度有待提高。

有研究者基于深度學(xué)習(xí)進(jìn)一步對煙葉分級進(jìn)行研究。Liu等[20]聯(lián)合煙葉可見光圖像特征與紅外光譜特征,應(yīng)用廣義回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行分級,準(zhǔn)確率達(dá)到93.5%。Luo等[21]基于改進(jìn)AlexNet自動挖掘困難樣本的深層圖像特征,并與表觀特征結(jié)合,平均相鄰精度達(dá)98.6%。上述研究分級準(zhǔn)確率較高,但僅針對煙葉分級數(shù)較少的情況。

實際煙葉劃分多達(dá)數(shù)十個等級,部分等級之間差異很小,分級任務(wù)將愈發(fā)困難,因此具備高精度的深度學(xué)習(xí)方法備受關(guān)注。葉大鵬等[22]通過多光譜成像技術(shù)采集煙葉圖像,并利用圖像翻轉(zhuǎn)和亮度變化擴(kuò)充樣本量,在改進(jìn)VGG11網(wǎng)絡(luò)下分級準(zhǔn)確率達(dá)99.8%。隨機(jī)裁剪、縮放、擦除等簡單高效的增廣方式有待嘗試,但考慮到顏色特征是劃分煙葉等級的關(guān)鍵因素,基于色域變換的增廣方法或許并不適用。

1.3 片煙形態(tài)檢測

打葉復(fù)烤指利用打葉設(shè)備將片煙和煙梗分離后,再次進(jìn)行加熱干燥處理,目的是調(diào)整原料水分,利于長時間貯藏發(fā)酵。片煙形態(tài)反映打葉復(fù)烤質(zhì)量,也是影響煙絲形態(tài)的重要因素[23-24]。

一方面,片煙形態(tài)檢測關(guān)注片煙面積大小及其分布。徐大勇等[25]通過片煙圖像的像素點數(shù)量計算片煙的實際面積,測試相對誤差小于4%。朱文魁等[26]探究了復(fù)烤工藝對片煙面積的影響,根據(jù)干燥前后的片煙圖像計算片煙收縮率,當(dāng)測試樣本在200 g以上時,重復(fù)測試的變異系數(shù)低于6%。此外,應(yīng)用分形理論有助于描述片煙復(fù)雜的幾何特性。李曉等[27]聯(lián)合片煙的面積和feret直徑建立了片煙分形模型,利用分維數(shù)定量表征片煙結(jié)構(gòu)?；谠摾碚?余娜等[28]建立了片煙面積分布的分形模型,用于表征片煙面積分布的均勻程度和大中片率。另一方面,片煙形態(tài)檢測關(guān)注片煙形狀。徐大勇等[29]結(jié)合分形維數(shù)和傅里葉描述子定量描述片煙形狀,效果好且魯棒性強(qiáng)。劉澤等[30]基于片煙外輪廓建立了特征分析方法,比較了不規(guī)則片煙的形狀特征。

片煙形態(tài)檢測對片煙的顏色、紋理等信息關(guān)注較少,極大降低了問題復(fù)雜度,因而圖像處理技術(shù)足以較好完成檢測任務(wù),具有簡單、快捷等優(yōu)點。

1.4 精選除雜

優(yōu)良的發(fā)酵工藝可以去除煙葉刺激性氣味,突顯煙草香味,改善卷煙吸味,但由于醇化周期長,貯藏環(huán)境溫、濕度波動,發(fā)酵過程中煙葉易發(fā)生霉變。傳統(tǒng)霉煙的剔除主要采用人工精選方式,該方法分選效率低且漏檢率高。劉斌等[31]采用微結(jié)構(gòu)描述算法獲取圖像特征,并基于集成神經(jīng)網(wǎng)絡(luò)檢測霉變煙葉,結(jié)果表明,該方法對霉煙的平均識別率在87%以上。此外,在片煙加工過程中難免會混入多種異物,該研究團(tuán)隊還設(shè)計了一款在線片煙精選系統(tǒng)[32],結(jié)果表明,系統(tǒng)對結(jié)團(tuán)煙、含梗煙、青霉煙及雜物的有效剔除率分別為95%,91%,75%和92%,達(dá)到或高于人工精選水平。

表1對機(jī)器視覺在煙葉加工中的主要工作進(jìn)行歸納?？傮w上看,圖像處理主要用于片煙形態(tài)檢測任務(wù),機(jī)器學(xué)習(xí)則被廣泛用于烘烤過程控制、煙葉分級和精選除雜等任務(wù),其中以CNN為代表的深度學(xué)習(xí)備受關(guān)注。多項研究顯示,深度學(xué)習(xí)抓取的深層語義特征是提升模型性能的關(guān)鍵,因此在復(fù)雜任務(wù)中,深度學(xué)習(xí)的精度和適應(yīng)性普遍優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí),但由于需要大量訓(xùn)練樣本,具有一定局限性。

2 基于機(jī)器視覺的制絲工藝

2.1 煙絲形態(tài)檢測

制絲是卷煙生產(chǎn)中流程最長、工序最多的環(huán)節(jié),切絲是其中的必要工序。煙絲形態(tài)是衡量切絲質(zhì)量的重要指標(biāo),決定著成品卷煙的填充量、焦油量和含末率等物理指標(biāo)[33-35]。

趙維一等[33]通過圖像分割、細(xì)化等方法計算多根葉絲的平均寬度,測量相對誤差小于0.5%,變異系數(shù)小于0.2%。夏營威等[34]通過霍夫變換識別煙絲切口,利用配對切口間距進(jìn)行煙絲寬度測量,減少了煙絲扭曲、彎折、異形區(qū)域?qū)挾葴y量的影響,檢測時間僅為標(biāo)準(zhǔn)方法的1/8。張超凡等[35]基于形態(tài)分析、骨架提取、霍夫變換等方法計算出梗絲的含絲率、長度均勻性和寬度均勻性,結(jié)果表明,含絲率檢測準(zhǔn)確率達(dá)到98.7%,長度和寬度測量偏差僅為0.02。李曉等[36]采集了8種不同工藝處理的梗絲樣品圖像,通過方程擬合得到梗絲特征寬度,結(jié)合占比最高的梗絲寬度區(qū)間建立梗絲形態(tài)的表征方法,將梗絲劃分為4種形態(tài):絲狀、片狀、近絲狀和近片狀。

2.2 煙絲組分識別

葉絲、梗絲、膨脹葉絲、再造煙葉絲等組分的配比是卷煙配方設(shè)計的核心,決定了卷煙的煙氣特性和感官質(zhì)量,研究人員利用深度學(xué)習(xí)開展了煙絲組分識別研究。高震宇等[37]應(yīng)用CNN對采集的煙絲局部微觀圖像進(jìn)行識別,訓(xùn)練集和測試集準(zhǔn)確率分別為100%和85%,泛化性一般。鐘宇等[38]以殘差神經(jīng)網(wǎng)絡(luò)為基本框架識別煙絲類型,并利用幾何變換擴(kuò)充樣本量,測試集準(zhǔn)確率達(dá)96%以上,泛化性得以提升。

本節(jié)概述了機(jī)器視覺在制絲工藝中的應(yīng)用研究,對其中的主要工作進(jìn)行歸納,詳見表2?？梢妶D像處理技術(shù)主要應(yīng)用于煙絲形態(tài)檢測,而深度學(xué)習(xí)主要用于圖像信息更加復(fù)雜的煙絲組分識別任務(wù)。并且由于煙絲結(jié)構(gòu)細(xì)微,因此該環(huán)節(jié)對采集圖像的分辨率要求較高。

表1 機(jī)器視覺技術(shù)在煙葉加工中的主要研究

表2 機(jī)器視覺技術(shù)在制絲工藝中的主要研究

3 基于機(jī)器視覺的煙支卷接

煙支卷接是將煙草原料制成卷煙產(chǎn)品的關(guān)鍵步驟,自動化的卷接設(shè)備每分鐘可卷制上萬支香煙,在高效生產(chǎn)的同時難免會產(chǎn)生翹邊、褶皺、破損及油污沾染等煙支缺陷。

為測量煙支污點面積,劉勇等[39]通過圖像變換處理將煙支柱面圖像展開,利用圖像分割提取污點并計算面積,精度可達(dá)0.03 mm2,檢測時間僅為人工方法的3%。為檢測卷煙封口膠量,劉仁瑞等[40]通過模糊支持向量機(jī)對增強(qiáng)處理后的封口圖像進(jìn)行檢測,結(jié)果顯示該系統(tǒng)對不同規(guī)格卷煙的檢測精度達(dá)99%以上。李捷等[41]設(shè)計了以二級檢測模型為核心的煙支外觀在線檢測系統(tǒng),第一級基于最大輪廓面積檢測明顯的缺陷,第二級基于模板匹配檢測輕微的缺陷,準(zhǔn)確率達(dá)98%。上述研究表明,圖像處理技術(shù)和傳統(tǒng)機(jī)器學(xué)習(xí)都可以較好地進(jìn)行煙支缺陷檢測。

近年來,深度學(xué)習(xí)也被用于檢測煙支缺陷。為實現(xiàn)缺陷自動分類,袁國武等[42]提出了一種基于ResNeSt模型的改進(jìn)分類方法,采用遷移學(xué)習(xí)解決了樣本量不足的問題,并通過h-swish替換ReLU激活函數(shù)將準(zhǔn)確率提高至92%。王端生等[43]通過VGG19模型識別缺陷類型,再利用YOLOV3模型進(jìn)行缺陷定位,查找易產(chǎn)生缺陷的工藝步驟。VGG19和YOLOV3模型測試準(zhǔn)確率分別為97.6%和96.8%。

機(jī)器視覺在煙支卷接中的應(yīng)用研究主要面向煙支缺陷檢測,對其中的主要工作進(jìn)行歸納,詳見表3?？傮w而言,機(jī)器視覺在煙支缺陷檢測中性能表現(xiàn)出色,圖像處理技術(shù)和傳統(tǒng)機(jī)器學(xué)習(xí)主要用于檢測煙支是否存在缺陷,而深度學(xué)習(xí)側(cè)重于識別缺陷類型以及定位缺陷位置,以進(jìn)一步改善相關(guān)工藝。

表3 機(jī)器視覺技術(shù)在煙支缺陷檢測中的主要研究

4 基于機(jī)器視覺的卷煙包裝

包裝是產(chǎn)品形象的重要體現(xiàn),粗劣的包裝質(zhì)量會損害品牌價值和影響力,因此檢測并剔除包裝缺陷產(chǎn)品十分重要。區(qū)別于上述提及的煙支缺陷檢測,包裝圖像背景繁雜,缺陷類型更加多樣,因此檢測難度大幅提升。

4.1 煙箱缺條檢測

煙條裝箱過程中可能出現(xiàn)缺條、錯裝等嚴(yán)重質(zhì)量問題。董鴻江等[44]應(yīng)用激光反射進(jìn)行煙箱缺條檢測,同時通過多個攝像機(jī)對堆垛、入箱過程中的煙條進(jìn)行多方位圖像采集,定位缺條位置。為避免隨機(jī)性高光反射對檢測的影響,倪松鵬等[45]基于禁忌匹配算法對預(yù)處理后的煙箱圖像進(jìn)行判別,與未考慮高光影響的檢測結(jié)果相比,新方法誤檢率更低。王偉等[46]采集煙箱內(nèi)部前后位圖片,通過相似性分析檢測缺條,并在檢測過程中利用新的合格產(chǎn)品圖像校正閾值,提高了系統(tǒng)的適應(yīng)性和穩(wěn)定性。此外,應(yīng)用傳統(tǒng)機(jī)器學(xué)習(xí)方法也取得較好的檢測性能,原志雷等[47]采用BP神經(jīng)網(wǎng)絡(luò)對煙箱圖像的7種顯著特征進(jìn)行識別,對缺條產(chǎn)品的檢出準(zhǔn)確率達(dá)99.9%。

4.2 煙條缺陷檢測

實際生產(chǎn)中,煙條包裝會出現(xiàn)起皺、破損、透明紙缺失、無拉線或拉線錯牙等缺陷。方雋等[48]和秦曉敏[49]重點關(guān)注拉線缺陷檢測,利用圖像處理獲取拉線間距,并通過閾值判定拉線是否合格。趙霙等[50]和吳偉等[51]基于模板匹配進(jìn)行透明紙缺陷檢測,識別率達(dá)90%以上。為過濾強(qiáng)反光的干擾,蔡培良等[52]使用濾光及偏光技術(shù)采集煙條圖像,基于One Rule算法訓(xùn)練分類器,用于識別并剔除拉線和透明紙缺陷產(chǎn)品,剔除率達(dá)99.8%,誤剔率小于0.01%。

除了外觀缺陷,研究人員還對煙條的內(nèi)部缺陷檢測展開研究?；跓煑l內(nèi)部X光圖像,顏西斌[53]提出了基于人類視覺感知的特征提取算法,并結(jié)合傳統(tǒng)機(jī)器學(xué)習(xí)分類器進(jìn)行煙條內(nèi)部缺陷檢測,檢測精度可達(dá)95%以上。

4.3 煙包缺陷檢測

由于煙包包裝速度快,經(jīng)常出現(xiàn)包裝破損、翹邊、脫落、錯位和封簽偏移等瑕疵。邱超等[54]在線獲取生產(chǎn)線上的高速煙包圖像,通過最佳分割閾值迭代、輪廓提取等算法準(zhǔn)確描述煙包邊緣信息,對煙包封簽缺陷檢測準(zhǔn)確率達(dá)92%。同樣針對封簽缺陷,趙眾等[55]通過煙包黑白圖像特征直線的角度和位置判斷封簽是否合格,結(jié)果顯示,該系統(tǒng)對不合格煙包剔除率達(dá)98%。劉浩等[56]利用快速定位配準(zhǔn)和改進(jìn)差分算法進(jìn)行煙包商標(biāo)紙缺陷檢測,該方法通過分區(qū)域檢測實現(xiàn)像素點快速差分,與傳統(tǒng)差分算法相比,平均準(zhǔn)確率提高15%。為檢測煙包方正度,張勍等[57]通過相移法和多頻外差法獲取煙包表面各像素點的三維坐標(biāo)信息,聯(lián)合4個不同角度的三維信息計算方正度,測量誤差低于0.2°,檢測時間小于3 s。由于合格煙包圖像特征穩(wěn)定,模板匹配方法備受關(guān)注。文獻(xiàn)[58-61]將模板匹配應(yīng)用于煙盒缺陷檢測中,展現(xiàn)出優(yōu)異的檢測性能。

除圖像處理技術(shù)外,有研究者基于機(jī)器學(xué)習(xí)對煙包缺陷檢測進(jìn)行研究。為識別多類煙包缺陷,賀鑫[62]基于支持向量機(jī)對煙包多面圖像進(jìn)行檢測,對多種缺陷的識別準(zhǔn)確率達(dá)90%以上。楊超等[63]基于改進(jìn)YOLOV4-tiny算法檢測小包外觀缺失,并使用數(shù)據(jù)增廣擴(kuò)充樣本,系統(tǒng)平均檢測精度達(dá)97.4%,平均檢測時間為17 ms,在精度和速度上具有顯著優(yōu)勢。朱立明等[64]基于無監(jiān)督深度神經(jīng)網(wǎng)絡(luò)搭建了小包缺陷檢測系統(tǒng),用于識別并剔除無拉線、拉線偏移、包裝破損等多種缺陷煙包。

表4歸納了機(jī)器視覺在卷煙包裝缺陷檢測中的應(yīng)用研究?？梢妶D像處理技術(shù)具有精度高、速度快、使用樣本少等優(yōu)點。然而,該技術(shù)普遍對采集環(huán)境要求嚴(yán)格,采集參數(shù)的輕微變化都可能嚴(yán)重影響檢測結(jié)果。相較之下,深度學(xué)習(xí)通過復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)和豐富的樣本提升模型適應(yīng)性,降低對采集環(huán)境的要求。

表4 機(jī)器視覺技術(shù)在卷煙包裝缺陷檢測中的主要研究

5 結(jié)束語

對近年來機(jī)器視覺在卷煙生產(chǎn)中的應(yīng)用進(jìn)行回顧,可以看到該技術(shù)在各生產(chǎn)環(huán)節(jié)中大量應(yīng)用,進(jìn)展顯著,未來有巨大發(fā)展空間,但現(xiàn)階段仍有部分問題亟待解決:

(1)樣本缺少問題。深度學(xué)習(xí)的優(yōu)越性能建立在大樣本基礎(chǔ)上,但由于樣本獲取、采集、標(biāo)定困難,部分領(lǐng)域存在樣本缺少問題。(a)整體樣本不足,這在煙葉分級中尤為明顯。絕大部分等級缺少足夠的煙葉樣本,致使該領(lǐng)域研究只集中于少數(shù)煙葉級別。(b)部分樣本不足,特別在缺陷檢測任務(wù)中部分缺陷類型少見,樣本數(shù)量稀缺,容易引發(fā)數(shù)據(jù)不平衡問題。

(2)檢測速度問題。(a)為獲取更高的檢測精度,需要從高分辨率圖像中獲取更多的細(xì)微特征,這將導(dǎo)致計算量劇增,減慢檢測速度。(b)機(jī)器學(xué)習(xí)通過復(fù)雜的模型架構(gòu)獲取強(qiáng)大的學(xué)習(xí)能力,其代價是更長的運(yùn)算時間,難以達(dá)到一般圖像處理技術(shù)的快速檢測。

(3)成本問題。一方面,計算機(jī)硬件性能是影響檢測效率和穩(wěn)定性的關(guān)鍵因素,另一方面,部分檢測任務(wù)對采集環(huán)境要求嚴(yán)格,需要配備精密的采集系統(tǒng)。因此,搭建硬件設(shè)備成本高昂。

針對以上問題,筆者認(rèn)為機(jī)器視覺在卷煙生產(chǎn)中的發(fā)展方向包括以下幾個方面:

(1)構(gòu)建標(biāo)準(zhǔn)的煙葉分級數(shù)據(jù)庫。針對各級別煙葉樣本不足問題,數(shù)據(jù)增廣可作為階段性的彌補(bǔ)措施,但在實際部署中,缺少真實樣本會嚴(yán)重干擾分級系統(tǒng)的精度和穩(wěn)定性。因此,收集各級別足量的煙葉樣本,搭建統(tǒng)一的圖像采集平臺,構(gòu)建標(biāo)準(zhǔn)的煙葉分級數(shù)據(jù)庫,是實現(xiàn)煙葉自動化分級的重要基礎(chǔ)。

(2)應(yīng)用深度學(xué)習(xí)異常檢測方法。鑒于缺陷樣本具有數(shù)量少、類型多的特點,可廣泛使用異常檢測方法。該方法僅使用正常樣本構(gòu)建檢測模型,通過比較待測樣本與正常樣本之間的差異性判別異常,避免了缺陷樣本不足問題。

(3)構(gòu)建輕量化網(wǎng)絡(luò)模型。輕量化網(wǎng)絡(luò)在保證精度的同時縮小網(wǎng)絡(luò)規(guī)模,減少模型參數(shù)量和計算量,能夠大幅提升檢測速度并降低計算機(jī)性能需求。

(4)構(gòu)建一體化檢測系統(tǒng)。許多應(yīng)用在檢測對象和采集方式上存在共同點,可根據(jù)這些共同點搭建統(tǒng)一的硬件設(shè)備,針對具體的檢測任務(wù)搭建子功能模塊,并整合為一體化檢測系統(tǒng)。一體化檢測系統(tǒng)的構(gòu)建可以極大地降低硬件部署成本,有助于卷煙生產(chǎn)各環(huán)節(jié)的統(tǒng)一管理。