CN102339385B - 基于组合光透视的叶中含梗及含梗率视觉识别检测方法 - Google Patents

Abstract

本发明公开了一种基于组合光透视的叶中含梗及其含梗率视觉识别检测方法，通过振动盘、星型辊和高速皮带机摊薄烟叶，使烟叶摊薄摊开；基于平行组合光透视形成叶片、烟梗透视图像；图像特征提取，识别烟梗和叶片，计算叶中含梗率，即根据获得的烟梗和叶片形状尺寸特征，计算烟梗和叶片的体积，结合测量的烟梗和叶片密度，计算烟梗和叶片的质量，获得叶中含梗率。本发明不仅实现了非接触视觉在线检测叶中含梗，而且视觉方法具有快速高效等显著特点，克服了目前打叶复烤生产线离线检测方法检测周期较长（若干小时），相对于生产来说检测具有滞后性，不能够很好的满足生产动态实时控制要求的难题。

Description

基于组合光透视的叶中含梗及含梗率视觉识别检测方法

技术领域

本发明属于烟草行业烟叶、烟片结构的识别检测技术领域，特别是一种基于组合光透视的叶中含梗及含梗率视觉识别检测方法。

背景技术

从卷烟工业企业对烟叶原料的需求来看，希望打叶复烤企业提供的成品烟片中叶中含梗率指标越低越好，因为，叶中含梗率偏高不仅会使切出的烟丝中梗签和梗块量增加，烟丝纯净度低，而且会影响卷烟机的运行效率和卷烟产品的质量。同时，叶中含梗率对打叶质量、打叶造碎、出片率都有影响。研究表明，随着叶中含梗率的升高，＞12.7mm叶片率升高，碎片率、打叶风分过筛后网下碎片比例、梗中含叶率降低，打叶造碎减少，出片率升高。叶中含梗率并非越低越好，过低则造碎更大，出片率更低，这对整体打叶质量是不经济的，因此应控制叶中含梗率在适宜范围。（罗海燕,方文青,董海云,杨林波,谢立磊,叶中含梗率与相关打叶质量指标的关系，烟草科技，2005，216（7），pp:11-14）。这就要求目前的打叶复烤生产线能够在线实时检测叶中含梗率，通过自动控制调节打叶复烤过程中的风速等风分工艺参数，最大限度地分离梗叶，增加大片率，减少烟叶造碎，提高叶片质量。

含梗烟叶在制丝过程中产生梗签，在卷接工序，易导致烟条、烟支卷烟纸刺破，造成烟支燃烧性能降低和漏烟漏气等问题，大的梗签梗块卷入烟支后还将导致烟支抽吸过程中燃烧头脱落。行业内对于烟片的在线精选，主要采取传统手工方式，人工逐片筛选。申请号为201010551766的专利公开了一种叶中含梗检测与剔除装置，该专利描述了该装置的结构组成及连接关系。特征在于采用下进上出垂直主管，所述主管的中段为透明材料制成的检测管；所述检测管的一侧安置光源，另一侧安置将透过检测管的水平光线朝上反射的反光镜；所述反光镜的上方安置镜头朝下的相机，所述相机的信号输出端通过控制电路接电磁阀喷嘴的受控端；所述电磁阀喷嘴接高压气源，其出气口水平安置在检测管上方的主管中一侧，其相对的主管另一侧为剔除分支通道。专利中所述该装置可以完成含梗烟叶的检测与剔除，但该专利给出的是一种特殊的装置，采用卤素灯不能解决烟叶多层重叠时的叶中含梗检测。另外，该装置也不能解决叶中含梗率的检测。打叶复烤过程中叶中含梗等物理指标的检测主要靠检测室的一些静态设备或人工完成。人工采样打叶复烤生产线的烟叶，送入检测室的静态检测设备，然后这些设备通过烘烤、打叶、分选等方法完全分离叶片和烟梗，通过称重的方法测量叶中含梗率。专利（申请号CN200610163801.5）公开了一种将把梗和把叶进行分离，根据两种物料各自的物理特性分别制定适宜的打叶复烤工艺进行加工的方法。申请号为CN200710052480.6的专利公开了一种降低片烟含梗率的打叶复烤方法及抽梗工具。专利（申请号CN200720018754.5和CN200520022442.2）分别公开了一种能提高烟梗筛分效率的烟梗筛分装置和烟草叶梗高效风分装置。这些装置对于改善打叶复烤生产线的打叶性能和叶梗分离有积极意义，但均不适合作为在线实时检测方法，因为该设备方法检测周期较长（若干小时），相对于生产来说检测具有滞后性，不能够很好的满足生产动态实时控制的要求。并且检测后破坏了烟叶的片型，使烟叶失去原有价值。因此，需要研究开发新的检测方法来改变目前的检测滞后性。

发明内容

本发明的目的在于提供一种烟叶烟梗检测分选装置，对烟叶的烟梗进行摊薄、分选，并基于组合光透视获取烟叶中烟梗图像特征，从而在线或离线实现叶中含梗（率）的识别检测。

实现本发明目的的技术解决方案为：一种基于组合光透视的叶中含梗及其含梗率视觉识别检测方法，其特征在于步骤如下：

第一步，通过振动盘、星型辊和高速皮带机摊薄烟叶，使烟叶摊薄摊开；

第二步，基于平行组合光透视形成叶片、烟梗透视图像，即烟叶在输送过程中，采用组合光源，产生平行线光源或面光源，放置于烟叶的一侧，投射在烟叶上，利用叶片和烟梗不同的物质密度、结构物理特性，即对光强的衰减程度不同，烟梗骨架及叶片产生不同的透光量；CCD相机置于烟叶的另一侧，与平行光源空间位置对称，接收光源穿透叶片和烟梗的透光量，产生清晰的叶片、烟梗透视图像；

第三步，图像特征提取，识别烟梗和叶片，即对于第二步形成的叶片、烟梗透视图像，从形态上，烟梗细而长，近似用具有直线进行描述，利用以上烟梗特点设计提取烟梗形状尺寸特征和提取叶片的形状尺寸特征图像处理算法，其中提取烟梗形状尺寸特征和提取叶片的形状尺寸特征图像处理算法的步骤如下：

步骤1：对烟叶区域图像f使用尺寸为N×N的方形结构元素进行灰度形态学闭运算，得到滤波图像f′：

f′=(f⊕b)Θb

其中⊕和Θ分别是形态学膨胀和腐蚀运算；

步骤2：将滤波图像与原图像相减得到突出所有暗区域的差图像f_sub，原图像中越暗的区域在差图像中越亮：

f_sub=f′-f

步骤3：对差图像f_sub进行分割，根据差图像直方图选取分割阈值T：

$T=\underset{T^{\′}}{\arg \max }[\frac{\underset{i=T^{\′}}{\overset{255}{\mathrm{\Σ}}}h\left[i\right]}{\underset{i=0}{\overset{255}{\mathrm{\Σ}}}h\left[i\right]}>\mathrm{\ϵ}]$

其中，h为f_sub的直方图，ε是一个常量，是分割后的图像中的亮点比例，ε=0.1；

步骤4：干扰去除，在分割后的图像中，除烟梗暗区域外，烟叶轮廓，斑纹也被分割出来，剔除这些干扰的方法是：通过连通域分析进一步去除面积小于一定阈值的区域，长宽比不合适的区域；

步骤5：在经过以上处理得到的二值化图像中，进一步依据形状和灰度分布特性去除重叠烟叶区域和残留的噪声区域；

第四步，计算叶中含梗率，即根据第三步获得的烟梗和叶片形状尺寸特征，计算烟梗和叶片的体积，结合测量的烟梗和叶片密度，计算烟梗和叶片的质量，获得叶中含梗率。

本发明与现有技术相比，其显著优点：（1）基于组合光透视原理，通过CCD采集烟叶中烟梗和叶片图像，采用图像处理方法不仅可以用于叶片的形状尺寸特征检测，而且可以用于烟梗的形状尺寸特征检测，以及离线或在线叶中含梗率的检测；（2）该组合光源方法不仅适用于烟叶摊薄后每片烟叶完全分离的场合，也适用于烟叶重叠的情形，这大大降低了烟叶交错等对检测结果的影响，易于工程实现和推广应用；（3）不仅实现了非接触视觉在线检测叶中含梗，而且视觉方法具有快速高效等显著特点，克服了目前打叶复烤生产线离线检测方法检测周期较长（若干小时），相对于生产来说检测具有滞后性，不能够很好的满足生产动态实时控制要求的难题。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是本发明基于组合透射光的叶中含梗在线视觉识别检测方法的流程图。

图2（a）是本发明结合制丝、卷接等大吞吐量重叠烟叶情形下的含梗烟叶分选应用结构布局图。

图2（b）打叶复烤生产线在线叶中含梗率透视检测原理图。

图2（c）含梗烟叶分选软X射线透视检测原理图。

图3是实例本发明结合打叶复烤生产线叶中含梗率在线视觉检测应用结构框图。

图4是实例识别烟梗和叶片图像处理算法流程图。

图5是红光透射获得烟叶图像及识别检测结果实例。

图6是近红外光源背光透射获得烟叶（梗）图像及识别结果实例。

图7是软X射线光源透射获得烟叶（梗）图像及识别结果实例。

具体实施方式

结合图1，本发明基于组合光透视的叶中含梗及其含梗率视觉识别检测方法，步骤如下：

第一步，通过烟叶烟梗检测分选装置使烟叶摊薄摊开。结合图3，本发明烟叶烟梗检测分选装置，包括打叶复烤线、取样装置、烟叶摊薄装置、透视检测装置14和上位工控机，取样装置一端连接在打叶复烤线的输出端，另一端连接烟叶摊薄装置，透视检测装置放置在烟叶摊薄装置烟叶输出的下方，上位工控机与透视检测装置连接，取样装置在线从打叶复烤生产线取打叶试样输入到烟叶摊薄装置上使烟叶摊薄，摊薄的烟叶自由落体穿过透视检测装置，透视检测装置提取烟叶的叶片、烟梗形状尺寸特征，上位工控机获取这些特征参数计算出叶中含梗率。

结合图2（a），本发明烟叶烟梗检测分选装置的烟叶摊薄装置包括第一振动盘8-1、七星辊9、高速皮带机11、刀片辊12和回收通道，通过电机带动的第一振动盘8-1与七星辊9的左端连接，团烟输送皮带机10位于该七星辊9右端的下方，高速皮带机11位于七星辊9的正下方，刀片辊12位于高速皮带机11输出端的正上方，该高速皮带机11输出端的下方放置一个透明的扁形管道7，在刀片辊12上方设置负压回收通道的输入端，该负压回收通道的输出端位于七星辊9的左端上方，取样烟叶首先通过第一振动盘8-1输送到七星辊9，调节七星辊9之间的间隙控制从七星辊9掉落的烟叶的厚度；高速皮带机11将掉落的烟叶拉开摊薄，调整高速皮带机11的速度保证烟叶的充分摊薄；摊薄的取样烟叶落入扁形管道7拣选，重叠烟叶将不能进入扁形管7被分离到回收管道进入七星辊9上。七星辊9之间的间隙为1-20mm，高速皮带机11的速度为5-20m/s，刀片辊12与高速皮带机11输出端的距离为1-15mm。

第二步，基于平行组合光透视形成叶片、烟梗透视图像，即烟叶在输送过程中，采用组合光源，产生平行线光源或面光源，放置于烟叶的一侧，投射在烟叶上，利用叶片和烟梗不同的物质密度、结构物理特性，即对光强的衰减程度不同，烟梗骨架及叶片产生不同的透光量；CCD相机置于烟叶的另一侧，与平行光源空间位置对称，接收光源穿透叶片和烟梗的透光量，产生清晰的叶片、烟梗透视图像；对于烟叶重叠一般光源不能穿透的情形，选择高穿透力的光源如X射线光源。

组合光源和CCD的选择如下，（1）组合光源包含可见光、红外光、X射线以及紫外线光源的一种或多种的组合；（2）对于烟叶完全分离的情形，光源采用可见光或红外光；（3）对于烟叶重叠一般光源不能穿透的情形，选择高穿透力的光源如X射线光源；（4）CCD相机接收光源穿透叶片和烟梗的透光量，产生清晰的叶片、烟梗透视图像。

结合图2（b），本发明烟叶烟梗检测分选装置用于烟叶叶中含梗率检测的一种透视检测装置14包括一组LED红光1-1、柱面镜2-1、平行线光源3-1、线阵CCD相机5-1、镜头6、高速图像处理板市购产品，上位工控机通过百兆以太网与高速图像处理板连接，高速图像处理板与线阵CCD相机5-1连接，LED红光1-1通过柱面镜2产生平行线光源3，放置在扁形管道7的一侧，投射在烟叶4上，利用烟叶4的叶片和烟梗不同的密度、结构物理特性，即对光强的衰减程度不同导致烟梗骨架及叶片产生不同的透光量，线阵CCD相机5-1和镜头6放置在扁形管道7的另一侧，且与平行线光源3对称，线阵CCD相机5-1和镜头6接收光源穿透叶片和烟梗的透光量度，产生清晰的叶片、烟梗透视图像输送到高速图像处理板提取烟叶的叶片、烟梗形状尺寸特征。

结合图2（c），本发明烟叶烟梗检测分选装置用于烟叶烟梗分选的另一种透视检测装置14包括软X射线光束1-2、准直器2-2、扇形平面射线束3-2、探测器5-2和高速图像处理板，上位工控机通过百兆以太网与高速图像处理板连接，高速图像处理板与探测器接收器5-2连接，软X射线光束1-2发射出角度为45°的圆锥X射线束，该射线束经过准直器2-2后变成角度为45°的扇形平面射线束3-2，该扇形平面射线束3-2穿过待检测烟叶，射线能量被烟叶和烟梗吸收后，垂直打到探测器5-2的接收面上，产生清晰的叶片、烟梗透视图像输送到高速图像处理板提取烟叶的烟梗形状尺寸特征，如果烟梗尺寸大于设定的烟梗剔除尺寸（如1-3mm），则通过分选装置剔除。

结合图2（a），上述分选装置包括剔除机构15、含梗烟叶分选落料管道16、含梗烟叶回收皮带机18和合格烟叶输送皮带机17和第二振动盘8-2，剔除机构15和含梗烟叶分选落料管道16对称位于摊薄后落下的烟叶两侧，含梗烟叶回收皮带机18位于含梗烟叶分选落料管道16下方，剔除机构15由一组高速气动电磁阀组成，电气命令控制气阀的通断，利用高速气流将大于设定烟梗剔除尺寸的烟叶吹入落料管道16，正常烟叶继续自由下落落入合格烟叶输送皮带机17，通过第二振动盘8-2输入合格烟叶处理下游机。

第三步，图像特征提取，识别烟梗和叶片，即对于第二步形成的叶片、烟梗透视图像，从形态上，烟梗细而长，近似用具有直线进行描述，利用以上烟梗特点设计提取烟梗形状尺寸特征和提取叶片的形状尺寸特征图像处理算法，该提取烟梗形状尺寸特征和提取叶片的形状尺寸特征图像处理算法的步骤如下：

步骤1：对烟叶区域图像f使用尺寸为N×N的方形结构元素进行灰度形态学闭运算，得到滤波图像f′：

f′=(f⊕b)Θb

其中⊕和Θ分别是形态学膨胀和腐蚀运算；

步骤2：将滤波图像与原图像相减得到突出所有暗区域的差图像f_sub，原图像中越暗的区域在差图像中越亮：

f_sub=f′-f

步骤3：对差图像f_sub进行分割，根据差图像直方图选取分割阈值T：

$T=\underset{T^{\′}}{\arg \max }[\frac{\underset{i=T^{\′}}{\overset{255}{\mathrm{\Σ}}}h\left[i\right]}{\underset{i=0}{\overset{255}{\mathrm{\Σ}}}h\left[i\right]}>\mathrm{\ϵ}]$

其中，h为f_sub的直方图，ε是一个常量，是分割后的图像中的亮点比例，ε=0.1；步骤4：干扰去除，在分割后的图像中，除烟梗暗区域外，烟叶轮廓，斑纹也被分割出来，剔除这些干扰的方法是：通过连通域分析进一步去除面积小于一定阈值的区域，长宽比不合适的区域；

步骤5：在经过以上处理得到的二值化图像中，进一步依据形状和灰度分布特性去除重叠烟叶区域和残留的噪声区域。

第四步，计算叶中含梗率，即根据第三步获得的烟梗和叶片形状尺寸特征，计算烟梗和叶片的体积，结合测量的烟梗和叶片密度，计算烟梗和叶片的质量，获得叶中含梗率。其中，计算叶中含梗率方法如下：

对于第i段烟梗尺寸特征可用直径d_i和长度l_i表示，则整段烟梗的体积V_g计算依据公式∫π(d_i/2)²l_i；减去烟梗的面积，对于叶片的尺寸特征用面积Φ表示。设测量的叶片面密度为σ，叶梗的单位体积密度为ρ，则烟梗和叶片的质量计算依据公式分别为ρV_g和σΦ，获得叶中含梗率依据公式ρV_g，/σΦ。替换的实施例是，通过称重的方式获得烟叶（包含叶片和烟梗）的质量ω，则叶中含梗率计算依据公式ρV_g/(ω-ρV_g)。

实施例1：

本发明通过烟叶烟梗检测分选装置进行基于透射光的叶中含梗视觉识别检测方法，结合如图3打叶复烤生产线叶中含梗率检测实例，本实例的目的是在线检测打叶复烤生产线叶中含梗率。步骤如下：

第一步，取样和充分摊薄。首先通过取样装置在线从打叶复烤生产线取3公斤打叶试样，取样装置的实现方式之一是通过机械抓取（或漏斗）和称重结合的方法实现。摊薄系统主要由振动盘、七星辊、高速皮带机、扁形拣选管道和回收通道等组成。摊薄的原理和流程描述如下：

1）3公斤取样烟叶首先通过振动盘输送到七星辊，调节七星辊之间的间隙控制从七星辊掉落的烟叶的厚度；

2）高速皮带机将掉落的烟叶拉开摊薄，调整高速皮带机的速度保证烟叶的充分摊薄；

3）摊薄的取样烟叶落入扁形管道拣选。重叠烟叶将不能进入扁形管道被分离到回收管道，重复流程1。

第二步，基于平行光透视形成叶片、烟梗透视图像。本方案由于烟叶几乎没有重叠，即属于烟叶完全分离的情形，所以光源的选择是采用一组LED红光。检测时间节拍为1分钟，则流量为180Kg/h，采用一组线阵CCD相机能够满足检测节拍要求，如图2（b），如图5（a）所示；

第三步，图像特征提取，识别烟梗和叶片，即对于第二步形成的叶片、烟梗透视图像，提取烟梗形状尺寸特征和叶片的形状尺寸特征；结合叶片和烟梗的特点，给出一种烟梗和叶片形状尺寸的图像处理特征提取算法，步骤如下：

步骤1：对烟叶区域图像f使用尺寸为N×N的方形结构元素进行灰度形态学闭运算，得到滤波图像f′：

f′=(f⊕b)Θb

其中⊕和Θ分别是形态学膨胀和腐蚀运算。

步骤2：将滤波图像与原图像相减得到突出所有暗区域的差图像f_sub，原图像中越暗的区域在差图像中越亮。

f_sub=f′-f

步骤3：对差图像f_sub进行分割。根据差图像直方图选取分割阈值T：

其中，h为f_sub的直方图，ε是一个常量，是分割后的图像中的亮点比例，一般取ε=0.1。

步骤4：干扰去除。在分割后的图像中，除烟梗暗区域外，烟叶轮廓，斑纹也被分割出来，剔除这些干扰的方法是：通过连通域分析进一步去除面积小于一定阈值的区域，长宽比不合适的区域。

步骤5：在经过以上处理得到的二值化图像中，进一步依据形状和灰度分布特性去除重叠烟叶区域和残留的噪声区域。

对于本实施例获取的图像图5（a），结合以上图像处理特征提取算法，得到的叶片区域图像如图5（b）所示，图中白色区域表征提取的叶片图像，获得的烟梗特征图像如图5（c）所示，图中白色区域表征提取的烟梗图像。结果表明，基于本发明的该实例，提出的图像处理算法可以很好地识别单片烟叶的叶片和烟梗图像特征。

第四步，计算叶中含梗率，即根据第四步获得的烟梗和叶片形状尺寸特征，对于第i段烟梗（假设为圆柱状）尺寸特征可用直径d_i和长度l_i表示，则整段烟梗的体积V_g计算依据公式∫π(d_i/2)²l_i；减去烟梗的面积，对于叶片的尺寸特征用面积Φ表示。设测量的叶片面密度为σ，叶梗的单位体积密度为ρ，则烟梗和叶片的质量计算依据公式分别为ρV_g和σΦ，获得叶中含梗率依据公式ρV_g/σΦ，图5计算得出的叶中含梗率为：0.0702。该结果与实测值非常接近，单幅图像处理时间小于2ms，3公斤取样烟叶检测时间小于1分钟，验证了本发明可以应用于叶中含梗率的在线检测。

替换的实施例是，通过称重的方式获得烟叶（包含叶片和烟梗）的质量ω，则叶中含梗率计算依据公式ρV_g/(ω-ρV_g)。

实施例2:

实施例1中步骤二的光源替换为近红外光源，波长为920nm，功率100W面光源，背光透射实例获得烟叶图像如图6（a）、（b）和（c），图中颜色较深的细长区域为烟梗，从图中可以看出，采用近红外光源可以较清楚地区分叶片和烟梗区域，相应的识别检测结果如图6(d)、(e)和(f)，图中白色区域表征识别的烟梗区域，结果表明，近红外光源可以较好的获取烟叶烟梗清晰透视图像。图6（c）上下两个烟梗中间部分是叶片重叠区域，从结果看，在叶片没有遮挡下一层的烟梗情形下，上下层烟梗相比叶片都比较清晰，反之，则烟梗与叶片区分不明显。这是因为背景光路在两层烟叶之间的多次反射和投射，导致烟梗不能有效阻挡光的透射的结果。另外，重叠区域和重叠层数的识别有一定的不确定性。所以同样在应用上适合于烟叶之间几乎完全分离的情形。

实施例3:

考虑到烟叶有较多重叠的适应性，本实例光源选择高穿透力的光源如软X射线光源，其他步骤类同实施例1。试验获得烟叶图像及烟梗检测识别结果实例如图7所示。图7(a)为实物照片，图中红色框指示区域中烟梗被完全被烟叶包裹住，蓝色框被多片烟叶（5片以上）覆盖住，图7(b)是获得的软X光透视图像，图7(c)是处理后提取烟梗的结果。从图7（b）可以看出，无论是被烟叶包裹或者被多片烟叶覆盖等情形下，烟梗（细长白色区域）都非常清晰，很容易识别，图7(c)的识别结果也验证了这个现象。基于图7（c）识别的烟梗图像获取烟梗形状尺寸特征，然后通过称重的方式获得烟叶（包含叶片和烟梗）的质量ω，则叶中含梗率计算依据公式ρV_g/(ω-ρV_g)。

实施例4：

除上述实施例外，本发明还可以有其他实施方式以及在制丝、卷接等大吞吐量重叠烟叶情形下的含梗烟叶分选应用。制丝、卷接等大吞吐量重叠烟叶情形下，含梗烟叶分选系统框架设计如图2（a）所示。

七星辊9的个数和间距根据工艺要求不同可以调整，一定范围内间距越小，则烟叶打散效果越好。

刀片辊12表面由一组弧形刮刀片组成，主要用于将高速皮带机上超过一定厚度的烟叶铲除，实现烟叶以一定厚度范围内飘落到检测部位。

如果烟梗尺寸大于设定的烟梗剔除尺寸，则通过分选装置剔除，剔除的结构原理结合图2（a）说明。采用另外一种软X射线透视检测装置14，结构原理如图2（c）。

软X射线的工作电压数十KV，工作电流毫安数量级。相机选用X射线直接成像的线阵CMOS探测器。本例中烟叶设计流量为700Kg，采用2台线阵CMOS探测器，两台探测器水平并排放置，探测器在水平安装距离上尽量靠近待检测烟叶，减小光路几何失真的影响。

软X射线透视检测装置的工作过程是：X射线源发射出角度为45°的圆锥X射线束，该射线束经过准直器后变成角度为45°的扇形平面射线束。扇形平面射线束穿过一定厚度的待检测烟叶，射线能量被烟叶和烟梗吸收后，垂直打到探测器模块的接收面上。

剔除机构15由一组高速气动电磁阀组成，电气命令控制气阀的通断，利用高速气流将烟叶吹入落料管道16。

含梗烟叶分选系统的总体工作流程如下：

1）待检测烟叶通过振动盘8输送到七星辊9，通过七星辊9将团烟叶打散。调节七星辊之间的间隙控制从七星辊掉落的烟叶的厚度；

2）没有打散的成团烟叶则落入输送皮带机10，输送到团烟仓库；

3）高速皮带机11将掉落的烟叶拉开摊薄，调整高速皮带机的速度控制烟叶摊薄的程度，控制烟叶厚度不大于5层；

4）摊薄的烟叶自由落体进入烟叶管道7。烟叶管道是无约束的空气空间；

5）对应本发明的第二步，基于软X光形成叶片、烟梗透视图像。试验获得烟叶图像及烟梗检测识别结果实例如图7所示。图7(a)为实物照片，图中红色框指示区域中烟梗被完全被烟叶包裹住，蓝色框被多片烟叶（5片以上）覆盖住，图7(b)是获得的软X光透视图像。图7（b）表明，不管烟梗是被包裹或者被大于5层的烟叶覆盖，烟梗的图像均清晰可见，易于图像处理和识别；

6）对应本发明的第三步，图像处理及特征提取，识别烟梗和叶片，即对于第二步形成的叶片、烟梗透视图像，提取烟梗形状尺寸特征和叶片的形状尺寸特征；图7（b）送入FPGA图像预处理板和DSP高速图像处理器，结合图4的烟梗图像处理及特征提取算法，处理后提取的烟梗的结果如图7(c)所示，白色区域是烟梗的特征图像。结果证明，本算法可以可靠地获得烟梗的特征。

7）含梗烟叶分选。基于上一步识别的烟叶中粗梗和细梗（尺寸有国家标准），根据工艺设置分选烟梗的尺寸，发送分选命令给剔除机构15，将含梗烟叶吹入落料通道16，进入回收皮带机18送入烟梗处理的下游机。

8）正常烟叶继续自由下落落入合格烟叶输送皮带机17送入合格烟叶处理下游机。

Claims (4)

1.一种基于组合光透视的叶中含梗及其含梗率视觉识别检测方法，其特征在于步骤如下：

第一步，通过振动盘、星型辊和高速皮带机摊薄烟叶，使烟叶摊薄摊开；

第二步，基于平行组合光透视形成叶片、烟梗透视图像，即烟叶在输送过程中，采用组合光源，产生平行线光源或面光源，放置于烟叶的一侧，投射在烟叶上，利用叶片和烟梗不同的物质密度、结构物理特性，即对光强的衰减程度不同，烟梗骨架及叶片产生不同的透光量；CCD相机置于烟叶的另一侧，与平行光源空间位置对称，接收光源穿透叶片和烟梗的透光量，产生清晰的叶片、烟梗透视图像；

第三步，图像特征提取，识别烟梗和叶片，即对于第二步形成的叶片、烟梗透视图像，从形态上，烟梗细而长，近似用具有直线进行描述，利用以上烟梗特点设计提取烟梗形状尺寸特征和提取叶片的形状尺寸特征图像处理算法，其中提取烟梗形状尺寸特征和提取叶片的形状尺寸特征图像处理算法的步骤如下：

步骤1：对烟叶区域图像f使用尺寸为N×N的方形结构元素进行灰度形态学闭运算，得到滤波图像f′：

f′=(f⊕b)Θb

其中⊕和Θ分别是形态学膨胀和腐蚀运算；

步骤2：将滤波图像与原图像相减得到突出所有暗区域的差图像f_sub，原图像中越暗的区域在差图像中越亮：

f_sub=f′-f

步骤3：对差图像f_sub进行分割，根据差图像直方图选取分割阈值T：

$T=\underset{T^{\′}}{\arg \max }[\frac{\underset{i=T^{\′}}{\overset{255}{\mathrm{\Σ}}}h\left[i\right]}{\underset{i=0}{\overset{255}{\mathrm{\Σ}}}h\left[i\right]}>\mathrm{\ϵ}]$

其中，h为f_sub的直方图，ε是一个常量，是分割后的图像中的亮点比例，ε=0.1；

步骤4：干扰去除，在分割后的图像中，除烟梗暗区域外，烟叶轮廓，斑纹也被分割出来，剔除这些干扰的方法是：通过连通域分析进一步去除面积小于一定阈值的区域，长宽比不合适的区域；

步骤5：在经过以上处理得到的二值化图像中，进一步依据形状和灰度分布特性去除重叠烟叶区域和残留的噪声区域；

第四步，计算叶中含梗率，即根据第三步获得的烟梗和叶片形状尺寸特征，计算烟梗和叶片的体积，结合测量的烟梗和叶片密度，计算烟梗和叶片的质量，获得叶中含梗率。

2.根据权利要求1所述的基于组合光透视的叶中含梗及含梗率视觉识别检测方法，其特征在于组合光源和CCD的选择如下，

（1）组合光源包含可见光、红外光、X射线以及紫外线光源的一种或多种的组合；

（2）对于烟叶完全分离的情形，光源采用可见光或红外光；

（3）对于烟叶重叠一般光源不能穿透的情形，选择高穿透力的光源；

（4）CCD相机接收光源穿透叶片和烟梗的透光量，产生清晰的叶片、烟梗透视图像。

3.根据权利要求2所述的基于组合光透视的叶中含梗及含梗率视觉识别检测方法，其特征在于步骤（3）中的高穿透力的光源选用X射线光源。

4.根据权利要求1所述的基于组合光透视的叶中含梗及含梗率视觉识别检测方法，其特征在于计算叶中含梗率方法如下：

对于第i段烟梗尺寸特征可用直径d_i和长度l_i表示，则整段烟梗的体积V_g计算依据公式∫π(d_i/2)²l_i；减去烟梗的面积，对于叶片的尺寸特征用面积Φ表示，设测量的叶片面密度为σ，叶梗的单位体积密度为ρ，则烟梗和叶片的质量计算依据公式分别为ρV_g和σΦ，获得叶中含梗率依据公式ρV_g/σΦ，或者通过称重的方式获得包含叶片和烟梗的烟叶的质量ω，则叶中含梗率计算依据公式ρV_g/(ω-ρV_g)。

Images