CN103076329A - 一种基于主动加热的叶中含梗红外成像检测方法 - Google Patents

Abstract

本发明公开了一种基于主动加热的叶中含梗红外成像检测方法，将烟叶通过振动盘和加速皮带均匀摊薄，对均匀摊薄的烟叶先运用加热装置进行加热后送入制冷装置进行冷却，再运用红外热成像仪对烟叶进行扫描形成叶片、叶梗图像，通过红外热成像仪探测目标烟叶的红外热辐射，获取目标烟叶的叶片、叶梗分布图像；对获取目标烟叶的叶片、叶梗分布图像进行图像分割，对分割出的叶梗图像进行分析，最终得到最符合实际生产的需求的叶梗信息；计算叶中含梗率。本发明能够获取清晰的烟叶叶梗图像，可以准确快速识别叶片和叶梗的形状尺寸。

Description

一种基于主动加热的叶中含梗红外成像检测方法

技术领域

本发明属于烟草行业烟叶中含梗（率）的识别检测技术，特别是一种基于主动加热的叶中含梗红外成像检测方法。

背景技术

随着社会的发展，人们对产品品质的要求不断提高。对于香烟制品来说，提高烟叶的纯净度是提高香烟品质的重要保证，一些烟草生产企业，更是采用大量的人力，在生产线上采用手工挑选的方式来提高烟叶的纯净度。但是这个人工挑选的方式虽然提高了烟叶的纯净度，但是却降低了生产的效率，也耗费了大量的人力成本和管理成本，不利于社会化大生产的发展。为了提高烟叶的纯净度同时提高生产效率，不断提升卷烟质量，实现先进设备精选技术逐步替代传统的人工手动挑选烟叶的必然转变。目前用于剔除叶梗主要为人工筛选，在国内外暂时没有图像处理方法进行筛选方面研究，我们根据实际需求，提出了一种在机器视觉的基础上，采用图像处理的方法来提高烟叶挑选的效率。

（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）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。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叶梗筛分效率的叶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。专利（专利201110213062）公开了一种利用组合光透视烟叶后用相机成像并运用图像处理算法将烟叶与叶梗识别出来，计算出烟叶的含梗率，而本专利则是利用烟叶的热辐射现象，通过对烟叶进行主动加热使烟叶叶梗和叶片产生温差，运用热成像仪采集图像并运用图像处理算法将烟叶与叶梗识别出来，计算出烟叶的含梗率。

发明内容

本发明的目的在于提供一种基于主动加热的叶中含梗红外成像检测方法，基于烟叶的叶片与叶梗散热速度差异的原理，首先将烟叶叶片与叶梗加热至相同温度然后进行一定工艺的冷却，烟叶叶片与叶梗形成温度差，利用热红外成像仪对叶片、叶梗成像，基于叶片和叶梗特征设计图像处理算法可以在线识别叶梗和叶片，进而测算单位时间或质量或单位体积下的叶中含梗量。

实现本发明目的的技术解决方案为：一种基于主动加热的叶中含梗红外成像检测方法，步骤如下：

第一步，将烟叶通过振动盘和加速皮带均匀摊薄，摊薄后的烟叶随输送生产线进入烘箱；

第二步，对均匀摊薄的烟叶先运用加热装置进行加热后送入制冷装置进行冷却，再运用红外热成像仪对烟叶进行扫描形成叶片、叶梗图像，通过红外热成像仪探测目标烟叶的红外热辐射，获取目标烟叶的叶片、叶梗分布图像；

第三步，首先对获取目标烟叶的叶片、叶梗分布图像进行图像分割，分割出叶梗信息，然后对分割出的叶梗图像进行分析，最终得到最符合实际生产的需求的叶梗信息，其中，对目标烟叶的叶片、叶梗分布图像进行图像分割，首先对灰度化后的红外叶梗图像进行高斯滤波，然后对滤波后的图像进行显著性映射，最后完成图像分割，对分割出的叶梗图像进行分析，首先对经过图像分割后的叶梗图像进行细化，然后对红外叶梗信息进行描述，实现叶梗的检测，获得叶梗和叶片的尺寸特征；

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

本发明与现有技术相比，其显著优点：（1）该方法基于主动加热和冷却工艺，利用叶片和叶梗不同的散热物理特性，通过红外热成像仪对烟叶中叶梗和叶片进行成像，获取清晰的烟叶叶梗图像。（2）对于获取的烟叶叶梗热红外图像，通过本发明的图像处理算法，可以准确快速识别叶片和叶梗的形状尺寸。（3）该方法解决了烟叶有一定重叠条件下识别困难的问题。该方法不仅可以用于叶片的形状尺寸特征检测，而且可以用于叶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与叶梗分拣；（4）该方法是一种非接触实时检测方法，适合实时流水线式操作，处理速度快，效率高，克服了目前称重检测方法检测周期较长（若干小时）的缺陷。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是基于主动加热的叶中含梗红外成像检测方法过程图。

图2是基于主动加热的叶中含梗红外成像检测方法人工加热及制冷过程。

图3是基于主动加热的叶中含梗红外成像检测方法显著性映射算法流程图。

图4是基于主动加热的叶中含梗红外成像检测方法高斯滤波前图像。

图5是基于主动加热的叶中含梗红外成像检测方法高斯滤波后图像。

图6是基于主动加热的叶中含梗红外成像检测方法显著性检测前的图像。

图7是基于主动加热的叶中含梗红外成像检测方法显著性检测后的图像。

图8是基于主动加热的叶中含梗红外成像检测方法显著性检测前图像的直方图。

图9是基于主动加热的叶中含梗红外成像检测方法显著性检测后图像的直方图。

图10是基于主动加热的叶中含梗红外成像检测方法中值滤波前的图像。

图11是基于主动加热的叶中含梗红外成像检测方法中值滤波后的图像。

图12是基于主动加热的叶中含梗红外成像检测方法经分割后的图像。

图13是基于主动加热的叶中含梗红外成像检测方法细化后的叶梗特征图像。

图14是基于主动加热的叶中含梗红外成像检测方法叶梗描述图像。

图15是基于主动加热的叶中含梗红外成像检测方法叶梗图像的细化算法。

图16是基于主动加热的叶中含梗红外成像检测方法叶梗的描述算法。

具体实施方式

本发明基于主动加热的叶中含梗红外成像检测方法，结合打叶复烤生产线应用实例。如图1，步骤如下：

第一步，将烟叶通过振动盘和加速皮带均匀摊薄，摊薄后的烟叶随输送生产线进入烘箱；

第二步，如图2，烟叶自动加热工序。设置生产线输送速度和烘箱的温度，使烟叶通过该工序后加热到50-100度。本实施例中，设置烘箱的温度为120-200度，生产线速度为1-3米/秒。

第三步，烟叶自动快速冷却工序。完成自动加热后，对烟叶进行冷却，设置冷却工艺，包括冷却室的温度以及生产线的速度的设置，使经过冷却后的烟叶（叶片和叶梗）温度达到20-50度左右。根据制冷时间设置输送带的速度，将加热过后的烟叶经输送带以设定的速度通过冷却室，制冷过程需注意制冷时间的选择，过长的制冷时间会使得叶片与叶梗都制冷到同一温度或温度差较小，过短的制冷时间同样会导致叶片与叶梗的温度差较小，根据制冷装置及制冷环境的不同，进行多次试验选择出适当的制冷时间，对整个制冷过程的时间进行设置。本实例中，冷却室温度设定为10-20度左右，生产线速度为1-3米/秒。

第四步，固定时间的制冷后，由于烟叶的叶片与叶梗物质密度、结构等物理特性存在较大的差异，叶片的散热速度要快于叶梗的散热速度，叶片与叶梗产生了较大的温度差。将烟叶随皮带机运送到红外热成像仪的正下方，运用红外热成像仪探测目标烟叶的红外辐射，并通过光电转换、信号处理等手段，将目标物体的温度分布图像转换成图像，产生清晰的叶片、叶梗分布图像。

第五步，通过图像处理算法对图像特征进行提取，识别叶片和叶梗，图像处理算法步骤如下：

步骤1、高斯滤波是一种线性低通滤波器，其由高斯函数作为权函数，能有效消除正态分布的噪声。

$f(x,y)=\frac{1}{\sqrt{{2\mathrm{\π\σ}}^2}}{e}^{\frac{-({(x-x_0)}^2+{(y-y_0)}^2)}{2{\mathrm{\σ}}^2}}---\left(1\right)$

其中(x,y)表示图片中不同位置i的坐标，(x₀,y₀)表示均值，σ表示方差。使用二维高斯函数生成卷积核T(i)，即T(i)=p(i)，则在不同位置i，T(i)取不同的值。由此看出，距离中心越近的点的权值系数越大，可以较好地实现空间距离加权平均处理。由图4图5可以看出，高斯滤波具有很好的噪声消除效果，目标较好地保留下来。

步骤2、如图3所示，利用显著性映射算法对图像进行处理，显著性映射算法主要用来求取各个像素相比其邻域像素的显著性值。显著性值是指该像素与包含该像素窗口的平均灰度值的绝对差的累加和。

1、求取图像窗口大小：

size=(2×halw+1)+(2×halw+1)

其中halfw为图像半窗口宽度，size为图像窗口大小

2、遍历图像，实现每个像素点的显著性映射。像素p既包含在窗口w₁也属于窗口w₂，则像素p的显著性值v根据以下公式求解：

${\mathrm{mean}}_1=\frac{\underset{i\∈w_1}{\mathrm{\Σ}}{g}_i}{{\mathrm{size}}_1}---\left(2\right)$

${\mathrm{mean}}_2=\frac{\underset{i\∈w_2}{\mathrm{\Σ}}{g}_i}{{\mathrm{size}}_2}---\left(3\right)$

v_p＝|g_p-mean₁|+|g_p-mean₂|                        （4）

其中，g_i代表像素i的灰度值，g_p代表像素p的灰度值，mean₁和size₁代表窗口w₁的平均灰度值和图像窗口大小，mean₂和size₂代表w₂的平均灰度值和图像窗口大小，v_p代表像素p的显著性值。

3、经过显著性映射算法后得到的图像G其灰度分布范围比较广，不利于特征提取与分类。采取线性灰度调整的方法，将聚集于[g1,g2]的图像灰度值归一化到[0,255]范围，得到灰度分布均匀的图像G'，

$G^{\′}(i,j)=\frac{G(i,j)-g_1}{g_2-g_1}\×255---\left(5\right)$

G(i，j)表示原图像的灰度值，G'(i，j)表示归一化到[0,255]后图像的灰度值，g1表示原图像的最小灰度值，g2表示原图像的最大灰度值。

通过显著性映射算法处理，图像处理前后如图6，如图7所示，我们对经过显著性处理的图像进行分析，可以看出，其图像的直方图信息转化为单峰，使得我们下一步进行图像分割更加容易。其直方图如图8，图9所示。

步骤3：对图像进行中值滤波处理。进过中值滤波处理后的图像与处理前相比亮度发生变化但是非常接近，且不容易造成图像模糊，具有非常好的抗噪性，其能在抑制随机噪声的同时不是边缘模糊。其处理前后的图像如图10，11所示,中值滤波使拥有不同灰度的点看起来更接近它的邻域值，用N×M的中值滤波去除那些相对于其邻域像素更亮或是更暗，并且其区域小于滤波器区域一半的孤立像素集，而对较大的像素集的影响明显减小。因此，对图像进行中值滤波，减少某些孤立的像素集对后续图像分割的影响。

步骤4：对图像进行分割，根据每一幅待处理的图像的具体情况选取合适的阈值进行分割，最终将图像中的烟叶与叶梗分割出来。在这里，我们令阈值T＝mean+dev其中mean是图像均值，dev是图像的对比度，即灰度的标准差。以阈值T对图像进行分割。其处理结果如图12所示。

步骤5：如图15，图像细化提出叶梗骨架图像，将图像分割后的叶梗图像I，图像的宽度为w，高度为h。步骤如下：

1、对图像进行反色处理，对图像I中像素点p进行反色处理公式如下：

v′_p＝255-v_p

其中v_p为像素点p的像素值，v′_p为反色处理后像素点p的像素值。

2、根据下面所述的判据制作一张容量为256的索引表，基于数学形态学的索引表表细化算法判断一个点是否能去掉，要根据它的八个邻域的情况来判断，有如下的判据：(1)内部点不能删除；(2)孤立点不能删除；(3)直线端点不能删除；(4)如果X是边界点，去掉X后，如果连通分量不增加，则X可以删除。根据上述的判据，事先做出一张表，从0到255共有256个元素，每个元素要么是0，要么是1。

3、从上到下，从左到右，对二值图像进行扫描，对扫描到的像素点进行加权操作后的值，查找索引表，如果表中对应元素为1则删除该点，将其改为背景点，反则保留该点，处理下一个点。

4、从左到右，从上到下，对二值图像进行第二次扫描，对每一个像素点进行加权操作后的值，查找索引表，如果表中对应元素为1则删除该点，将其改为背景点，反则保留该点，处理下一个点。

5、如果本次循环存在目标像素点被删除，则跳到3，否则，终止循环。

经过图像细化算法处理以后的图像如图13所示。

步骤6：如图16，红外叶梗信息描述，基于上面步骤所得到的叶梗的图像信息，我们使用基于链码的区域轮廓跟踪，求解出对应区域内叶梗的粗度信息，然后根据叶梗的粗度信息，对叶梗信息进行描述。I为图像分割后的叶梗图像，I'为经过图像细化算法处理以后的叶梗骨架图像。

1、叶梗图像进行链码跟踪，得到区域Q_i。

2、对链码跟踪的区域Q_i，根据叶梗骨架图像I'，计算区域Q_i包含的骨架点个数N。

3、计算区域Q_i中每个骨架点的最大的内切圆半径R，累加区域Q_i的所有点的最大内切圆半径R，结果为Sum，则区域Q_i内的平均叶梗宽度半径为R′＝Sum/R。

4、在区域Q_i里，以骨架点为中心点，R'为半径，垂直与骨架，得到叶梗描述图像。

5、若还有待处理的区域Q_i+1，则转向2，反之，退出。

经过叶梗描述算法处理以后的图像如图14所示。

第六步，计算叶中含梗率，即根据第五步获得的叶梗和叶片形状尺寸特征，计算叶梗和叶片的体积，结合测量的叶梗和叶片密度，计算叶梗和叶片的质量，获得叶中含梗率。对于第i段叶梗（假设为圆柱状）尺寸特征可用直径d_i和长度l_i表示，则整段叶梗的体积V_g计算依据公式∫π(d_i/2)²l_i；减去叶梗的面积，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，则叶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。

Claims (8)

1.一种基于主动加热的叶中含梗红外成像检测方法，其特征在于步骤如下：

第一步，将烟叶通过振动盘和加速皮带均匀摊薄，摊薄后的烟叶随输送生产线进入烘箱；

第二步，对均匀摊薄的烟叶先运用加热装置进行加热后送入制冷装置进行冷却，再运用红外热成像仪对烟叶进行扫描形成叶片、叶梗图像，通过红外热成像仪探测目标烟叶的红外热辐射，获取目标烟叶的叶片、叶梗分布图像；

第三步，首先对获取目标烟叶的叶片、叶梗分布图像进行图像分割，分割出叶梗信息，然后对分割出的叶梗图像进行分析，最终得到最符合实际生产的需求的叶梗信息，其中，对目标烟叶的叶片、叶梗分布图像进行图像分割，首先对灰度化后的红外叶梗图像进行高斯滤波，然后对滤波后的图像进行显著性映射，最后完成图像分割，对分割出的叶梗图像进行分析，首先对经过图像分割后的叶梗图像进行细化，然后对红外叶梗信息进行描述，实现叶梗的检测，获得叶梗和叶片的尺寸特征；

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

2.根据权利要求1所述的基于主动加热的叶中含梗红外成像检测方法，其

特征在于第二步中加热及冷却的步骤如下：

步骤1，将烟叶均匀摊薄，随输送带进入烘箱；

步骤2，烟叶自动加热工序，使烟叶在生产线上通过加热工序进行加热；

步骤3，烟叶自动快速冷却工序，完成自动加热后，对烟叶进行冷却，使生产线通过冷却工艺，将叶片和叶梗温度降低；

步骤4，固定时间的制冷后，将烟叶经皮带机运送到红外热成像仪的正下方，运用红外热成像仪探测目标烟叶的红外辐射，并通过光电转换、信号处理手段，将目标烟叶的温度分布图像转换成图像，产生清晰的叶片、叶梗分布图像。

3.根据权利要求2所述的基于主动加热的叶中含梗红外成像检测方法，其特征步在于步骤2、3中的生产线以1-3米/秒速度通过加热工序或冷却工艺。

4.根据权利要求2所述的基于主动加热的叶中含梗红外成像检测方法，其特征步在于步骤2中的烟叶加热温度到50-100度，步骤3中的叶片和叶梗温度降低到20-50度。

5.根据权利要求1所述的基于主动加热的叶中含梗红外成像检测方法，其特征步在于第三步中的图像处理及检测的骤如下：

步骤1：利用高斯滤波对通过红外热成像仪获取目标烟叶的叶片、叶梗分布图像进行处理，消除正态分布的噪声，将目标图像更好的保留下来：

$f(x,y)=\frac{1}{\sqrt{{2\mathrm{\π\σ}}^2}}{e}^{\frac{-({(x-x_0)}^2+{(y-y_0)}^2)}{2{\mathrm{\σ}}^2}}$

其中(x,y)表示图片中不同位置i的坐标，(x₀,y₀)表示均值，σ表示方差；

步骤2：利用显著性映射算法对经过消除噪声过后的图像进行处理，求取出图像各个像素相比其邻域像素的显著性值，同时采取线性灰度调整的方法将图像灰度值归一化到一定范围内，即采取线性灰度调整的方法，将聚集于[g1,g2]的图像灰度值归一化到[0,255]范围，得到灰度分布均匀的图像G'，公式如下：

$G^{\′}(i,j)=\frac{G(i,j)-g_1}{g_2-g_1}\×255$

G(i，j)表示原图像的灰度值，G'(i，j)表示归一化到[0,255]后图像的灰度值，g1表示原图像的最小灰度值，g2表示原图像的最大灰度值；

步骤3：对步骤2处理后的图像进行中值滤波处理，经过中值滤波处理后的图像与处理前相比亮度发生变化但是非常接近，且不容易造成图像模糊，具有非常好的抗噪性，其能在抑制随机噪声的同时不是边缘模糊；

步骤4：利用图像分割算法对中值滤波处理后的图像进行分割，根据每一幅待处理的图像选取阈值进行分割，最终将图像中的烟叶与叶梗分割出来；

步骤5：图像细化提出叶梗骨架图像，将图像分割后的叶梗图像，在不影响纹线连通性的基础上，删除叶梗的边缘像素，直到叶梗为单像素宽为止，采用基于数学形态学的索引表细化算法处理来提取叶梗特征信息；

步骤6：红外叶梗信息描述，基于步骤5所得到的叶梗的图像信息，使用基于链码的区域轮廓跟踪，求解出对应区域内叶梗的粗度信息，然后根据叶梗的粗度信息，对叶梗信息进行描述，完成叶梗的检测。

6.根据权利要求5所述的基于主动加热的叶中含梗红外成像检测方法，其特征步在于步骤5中，图像细化提出叶梗骨架图像，图像分割后叶梗图像I，图像的宽度为w，高度为h，步骤如下：

（1）对图像进行反色处理，对叶梗图像I中像素点p进行反色处理公式如下：

v′_p＝255-v_p

其中v_p为像素点p的像素值，v′_p为反色处理后像素点p的像素值；

（2）根据下面所述的判据制作一张容量为256的索引表，基于数学形态学的索引表表细化算法判断一个点是否能去掉，要根据它的八个邻域的情况来判断，有如下的判据：1)内部点不能删除；2)孤立点不能删除；3)直线端点不能删除；4)如果点X是边界点，去掉X后，如果连通分量不增加，则X可以删除，根据上述的判据，事先做出一张表，从0到255共有256个元素，每个元素要么是0，要么是1；

（3）从上到下，从左到右，对二值图像进行扫描，对扫描到的像素点进行加权操作后的值，查找索引表，如果表中对应元素为1则删除该点，将其改为背景点，反则保留该点，处理下一个点；

（4）从左到右，从上到下，对二值图像进行第二次扫描，对每一个像素点进行加权操作后的值，查找索引表，如果表中对应元素为1则删除该点，将其改为背景点，反则保留该点，处理下一个点；

（5）如果本次循环存在目标像素点被删除，则跳到步骤（3），否则，终止循环。

7.根据权利要求5所述的基于主动加热的叶中含梗红外成像检测方法，其特征步在于步骤6中，对叶梗信息进行描述，I为图像分割后的叶梗图像，I'为经过图像细化算法处理以后的得到的叶梗骨架图像，步骤如下：

（1）叶梗图像进行链码跟踪，得到区域Q_i；

（2）对链码跟踪的区域Q_i，根据叶梗骨架图像I'，计算区域Q_i包含的骨架点个数N；

（3）计算区域Q_i中每个骨架点的最大的内切圆半径R，累加区域Q_i的所有点的最大内切圆半径R，结果为Sum，则区域Q_i内的平均叶梗宽度半径为R'=Sum/R；

（4）在区域Q_i里，以骨架点为中心点，R'为半径，垂直与骨架，得到叶梗描述图像；

（5）若还有待处理的区域Q_i+1，则转向步骤（2），反之，退出。

8.根据权利要求1所述的基于主动加热的叶中含梗红外成像检测方法，其特征在于第四步中，计算叶中含梗率的具体过程为：

对于第i段叶梗尺寸特征用直径d_i和长度l_i表示，则整段叶梗的体积V_g计算依据公式∫π(d_i/2)²l_i；减去叶梗的面积，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，则叶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。

Images