CN108898589A - 基于高速机器视觉的过滤棒爆珠智能检测方法 - Google Patents
基于高速机器视觉的过滤棒爆珠智能检测方法 Download PDFInfo
- Publication number
- CN108898589A CN108898589A CN201810648108.XA CN201810648108A CN108898589A CN 108898589 A CN108898589 A CN 108898589A CN 201810648108 A CN201810648108 A CN 201810648108A CN 108898589 A CN108898589 A CN 108898589A
- Authority
- CN
- China
- Prior art keywords
- image
- dictionary
- bead
- detected
- gray
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 238000003384 imaging method Methods 0.000 claims abstract description 12
- 239000011324 bead Substances 0.000 claims description 137
- 238000001514 detection method Methods 0.000 claims description 81
- 238000005422 blasting Methods 0.000 claims description 44
- 238000004880 explosion Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 19
- 235000019504 cigarettes Nutrition 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 229910052704 radon Inorganic materials 0.000 claims description 8
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims description 8
- 238000001125 extrusion Methods 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000003491 array Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000007664 blowing Methods 0.000 claims description 2
- 239000013307 optical fiber Substances 0.000 claims description 2
- 101100126167 Escherichia coli (strain K12) intD gene Proteins 0.000 claims 2
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 241000208125 Nicotiana Species 0.000 abstract description 4
- 235000002637 Nicotiana tabacum Nutrition 0.000 abstract description 4
- 238000011049 filling Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 239000003086 colorant Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009172 bursting Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000003205 fragrance Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于高速机器视觉的过滤棒爆珠智能检测方法，包括如下步骤：在自动化生产线传送带待测工位处设置高速工业相机，拍摄感兴趣区域内爆珠灰度图像，读入工业计算机内存；针对爆珠成像特点采用对比区域投影直方图、稀疏表示、和马尔科夫‑贝叶斯算法确定在感兴趣区域内是否有合格数量的爆珠。本发明提出的机器视觉智能检测方法通过对目标区域内添加爆珠数量的多种情况进行分析，在保证了爆珠高速添加的同时准确识别填装数量，可普遍适用于烟草行业。
Description
技术领域
本发明涉及一种机器视觉检测方法，具体涉及一种面向过滤棒爆珠的高速机器视觉智能检测方法。
背景技术
当前我国烟卷市场供大于求，各品牌竞争激烈，烟草原料和制作工艺相近，各企业力求通过香烟香型品类创新提高自我品牌核心竞争力。由于品类香型外部表达效果不显著，导致品类创新的难度加大，难以支撑品牌进一步发展。“爆珠添加”作为一种卷烟赋香的创新技术，为以香型塑造为核心的品类创新提供了更为具体的感知支撑手段。
在添加爆珠时，由于机械配合问题会出现爆珠漏添加或多添加的情况，这种不准确性导致相应烟滤嘴质检不合格。因此迫切需要一种自动检测系统对流水线上爆珠添加过程进行实时检测，并输出剔除信号，剔除添加错误的过滤棒。机器视觉技术具有非接触，检测速度快，准确率高，检测结果客观可靠的特点，配合合适的检测算法可以迅速准确的检测出不合格情况输出正确剔除信号，保证香烟过滤棒品质。
传统质检主要靠离线人工抽查。人工抽查具有工作量大、效率低、检测不准确的缺点。随着机器视觉技术的发展，越来越多的流水线检测采用了机器视觉技术。采用机器视觉技术解决了传送带波动和爆珠挤压装置抖动带来的添加异常问题，可以极大提高生产效率，获得更好的生产效益。但是传统机器视觉方法在此种高速检测场景检测速度为单个50ms，远远不能满足需求。而我们所设计的过滤棒爆珠智能检测方法单个检测时间在20ms左右，大大提高检测速度。传统机器视觉技术漏检率与误检率在5％，而我们此种新型检测方法漏检率与误检率在1％左右大大提高检测精度。
发明内容
发明目的：本发明的目的是为了解决现有技术中的不足，提供一种基于高速机器视觉的过滤棒爆珠智能检测方法检测方法，该方法不仅能够实现高通量检测，而且检测速度快、效率高。
技术方案：本发明所述的一种基于高速机器视觉的过滤棒爆珠智能检测方法，包括如下步骤：
(1)、在高速流水线上传送带由安装在机架上的伺服电机驱动，用于传输以等距方式加入且含有爆珠的香烟滤棒；
(2)、爆珠挤压装置设置在传送带上方，爆珠传感器触发后，爆珠挤压装置就会发出信号挤压爆珠到两支滤棒的空隙里，重复此种动作，完成爆珠添加；
(3)、采用工业相机中的感兴趣区域即ROI功能，在相机传感器分辨范围内定义一个或多个ROI的窗口区域，仅对这些窗口内的图像信息进行读出，只获取该局部区域的图像，设定较小的ROI区域可以减少相机传送及计算机需要处理的图像信息量，并提高相机的采集帧率，设定的开始坐标(x,y)，终止坐标为(x1,y1)，截取的图像尺寸长为(x1-x)，宽为(y1-y)；
(4)、针对步骤(3)中的ROI窗口区域，提取待检测目标在图像中的位置偏移量特征参数，通过使用线搜索的方法获取待检测目标的成像区域；
(5)、把步骤(4)得到的灰度图片进行垂直投影生成稀疏表示原数组；
(6)、对步骤(5)生成的原始数组分割成若干个大小为a×b的样本数组，初始化稀疏表示字典，稀疏表示用L1范数作为信号稀疏性度量，稀疏化表示原始数组；
(7)、针对步骤(6)建立初始稀疏字典，初始稀疏字典是根据最小单位光斑投影产生的数组作为初始字典对角线元素，将图像样本数组与字典进行匹配，得到最稀疏系数矩阵；
(8)、对步骤(7)中样本数组与字典进行匹配，计算匹配残差ε，根据残差值大小找到含有光斑元素的样本数组，匹配顺序由在爆珠区域中光斑概率大小确定，由此提高算法速度；
(9)、匹配残差ε最小时，确定样本数组，计算得出误差矩阵，对误差矩阵进行SVD分解即奇异值分解，得出分解数组替代初始字典原子；
(10)、通过提取样本数组在稀疏字典中最大匹配度位置，即可得出光斑在实际图像中的位置；
(11)、通过马尔科夫、贝叶斯理论对检测到的滤棒爆珠位置结果进行校正；
(12)、根据光斑分布情况，即可推断出爆珠个数，通过爆珠检测系统向剔除单元输出剔除控制信号，启动工件剔除单元，打开电磁阀，剔除不合格滤棒。
进一步的，步骤(4)中线搜索具体步骤如下：
1)若采集的灰度图像尺寸为width×height，其中width为灰度图像的长，height为灰度图像的宽；以长为坐标横轴x，宽为坐标纵轴y建立二维坐标系；
2)灰度图像左上顶点为原点(0，0)，确定一条平行于x轴的直线为此直线上的点的灰度值为数组x+△x的取值范围为0～width；
3)当满足背景是浅色，待检测目标区域是有强区分灰度信息情况下，通过线搜索方法从左右两边扫描非目标区域时，由于非目标区域基本接近白色，其灰度值很大，且其阈值大于θ时，则可通过线扫描判断连续点的灰度差值的变化量判断出目标区域；若单边检测到连续的几个像素灰度值不满足大于θ则说明单边没有拍到视场里，则直接按照±100％偏差输出；若通过线搜索方法从非目标区域扫描到目标区域时，其边界点的灰度差值突然变大，且灰度差值为β时，则说明寻找到目标区域成像边界坐标同样在图像右边也用此方法搜索，确定另一边界成像坐标根据获得坐标得到目标成像中点坐标
4)根据获得目标区域的灰度图像，采用线搜索的方法，通过两边同时搜索通过得到待检测目标到中点坐标距离，从而确定待检测目标的位置偏移量：
如果从左向右搜索比从右向左灰度差值先发生很大变化，即灰度差值大于Δθ，则说明向左偏，位置偏移量为其中a为待检测目标到中点坐标的距离，b为中点横坐标到左边界横坐标距离；
如果从右向左搜索比从左向右灰度差值先发生很大变化，即灰度差值大于Δθ，则说明向右偏，位置偏移量为其中a为待检测目标到中点坐标的距离，b为中点横坐标到右边界横坐标距离；提取所需得待检测目标在图像中的物理位置特征，得到待检测物体的位置偏移量；通过得到的待检测物体的位置偏移量，即可得到大小为53×53的感兴趣区域灰度图像，读入所述工业计算机内存。
进一步的，步骤(5)中对图片垂直投影即为对图片垂直方向像素灰度值进行统计，产生数组，这里的投影采用Radon变换来实现，即图像在沿着0～90度投影，每一像素点对应一条直线，Radon变换是图像像素点在每一条直线上的积分，相当于每一列的灰度值的叠加。
进一步的，步骤(6)中稀疏化表示是假设自然信号能够用预先定义的一些原子线性组合来表示，使用稀疏表示字典学习的方法，检测爆珠上的光斑，采用L1范数代替求解，稀疏表示的公式为：
{αt,αd}＝argmin||αt||1+||αd||1
st.||X-Dtαt+Ddαd||≤ε
上式中爆珠图像用X表示，X可以表示成标准的不含光斑的爆珠图像Xt和光斑图像Xd，建立标准的无光斑爆珠模板，标准模板的特征字典为Dt，标准模板图像的稀疏表示表达式Xt＝Dtαt，式中αd为光斑稀疏因子。式中ε是残差，表示标准爆珠图像与被检测爆珠图像之间的最大可容忍程度，也就是说被检测爆珠图像与两个字典中的特征不能匹配的最大允许值。
进一步的，步骤(8)中通过样本数组在字典中匹配误差可以得知所取样本中是否含有光斑，如果样本中含有光斑信息则进行字典学习，更精确稀疏化表示出该样本数组中光斑信息；如果样本与字典匹配误差超过3％则在原始数组中取下一组样本。
进一步的，步骤(9)中SVD分解具体步骤如下：
(1)初始化字典，选取样本集第一列作为初始字典int D，并进行规范化；
(2)利用近似条件作为约束，以及int D，计算稀疏矩阵；
(3)更新字典的第i列的字典Di，稀疏矩阵ε与Di相乘的第i行记为y；计算误差项，对误差项进行SVD分解，得到最小值时对应的字典与系数进行更新；
(4)继续迭代，迭代K次，或达到设定误差值时，结束更新；
将无瑕疵样本用上述步骤所得字典与稀疏系数进行重构.利用ε的稀疏性，采用基追踪得到L并如式得到重构图像，即
其中，为重构图像，再求其水平与垂直方向投影A1，B1，及利用ε瑕疵样本的字典与系数，对待检测样本进行重构，同样计算其水平与垂直方向投影A2，B2，及分别对A1，A2和及B1，B2计算结构相似性，即其中m(*)表示求输入值的平均值，c(*)表示求输入值的协方差，Tk表示为无瑕疵与待检测稀疏重构图像水平投影结构相似度矩阵。
进一步的，所述高速流水线上传送带上方分别设有条形光源和光纤传感器接收端，用于检测添加位置是否到位，以便产生脉冲信号输送到工业计算机，工业计算机发出指令触发工业相机拍照。
进一步的，步骤(12)中剔除单元与工业计算机相连，并接受工业计算机的控制，所述剔除单元包括剔除控制、空气压缩机、气体传输管线、电磁阀、吹嘴。
有益效果：本发明的一种基于高速机器视觉的过滤棒爆珠智能检测方法，通过对添加爆珠多种情况进行实时图像采集，针对图像特征进行相应处理，判断出添加为是否存在合格数量的香烟爆珠，在保证了爆珠高速添加的同时准确识别填装数量，可普遍适用于烟草行业。
附图说明
图1为本发明的检测方法整体流程示意图；
图2为本发明的光斑图像检测原理示意图；
图3为本发明通过大量实验统计得到的光斑分布概率；
图4为通过光斑检测的检测异常和漏检图像示意图；
图5为本发明的马尔科夫原理图；
图6为本发明的贝叶斯流程图；
图7为本发明的稀疏字典学习流程图；
图8为本发明单个爆珠matlab仿真图；
图9为本发明单个爆珠实验失真matlab仿真图；
图10为本发明多个爆珠matlab仿真图；
图11为本发明多个爆珠实验失真matlab仿真图；
图12为本发明中不同颜色爆珠灰度图像；
图13为本发明中不同尺寸爆珠图像；
图14为本发明中不同算法对不同颜色爆珠检测MAE柱状图；
图15为本发明中爆珠检测ROC曲线图；
图16各种情况爆珠光斑检测；
图17为本发明人机交互界面。
具体实施方式
下面结合具体实施例对本发明的技术方案作进一步详细说明。
在高速流水线上香烟滤棒分别以等距的方式由机器加入，爆珠传感器触发后，爆珠挤压装置挤下规定数量的爆珠，落在两支香烟滤棒之间的位置即为需添加爆珠位置。在重复此种动作时会出现在两支香烟滤棒之间可能出先与标准不符的爆珠数量，导致滤棒不合格。
当流水线上滤棒移动到相机触发传感器感应区域内，触发工业相机进行拍照。根据所采集图像中的表面特征光斑的数量情况来确定需添加位置香烟爆珠的数量。由此产生正确剔除信号。
具体的，如图1所示，本发明的一种基于高速机器视觉的过滤棒爆珠智能检测方法，该方法包括检测流程，其具体步骤包括如下：
(1)、传送带由安装在机架上的伺服电机驱动，待测香烟爆珠滤棒以高速在传送带上运动。
(2)、爆珠传感器检测到需添加爆珠区域，输出信号给爆珠挤压装置，实现爆珠添加。
(3)、对步骤(2)中拍摄图片进行尺寸截取，采用工业相机中的感兴趣区域即ROI功能，在相机传感器分辨范围内定义一个或多个ROI的窗口区域，仅对这些窗口内的图像信息进行读出，只获取该局部区域的图像，设定较小的ROI区域可以减少相机传送及计算机需要处理的图像信息量，并提高相机的采集帧率，设定的开始坐标(0,0)，终止坐标为(53,53)，截取的图像尺寸长为53，宽为53。
(4)、针对步骤(3)中的ROI窗口区域，提取待检测目标在图像中的位置偏移量特征参数，通过使用线搜索的方法获取待检测目标的成像区域，具体线搜索步骤如下：
1)若采集的灰度图像尺寸为width×height；(width：灰度图像的长，height：灰度图像的宽；以长为坐标横轴x，宽为坐标纵轴y建立二维坐标系；)
2)灰度图像左上顶点为原点(0，0)，确定一条平行于x轴的直线为此直线上的点的灰度值为数组x+△x的取值范围为0～width；
3)当满足背景是浅色，待检测目标区域是有强区分灰度信息情况下，通过线搜索方法从左右两边扫描非目标区域时，由于非目标区域基本接近白色，其灰度值很大，且其阈值大于θ时，则可通过线扫描判断连续点的灰度差值的变化量判断出目标区域；若单边检测到连续的几个像素灰度值不满足大于θ则说明单边没有拍到视场里，则直接按照±100％偏差输出；若通过线搜索方法从非目标区域扫描到目标区域时，其边界点的灰度差值突然变大，且灰度差值为β时，则说明寻找到目标区域成像边界坐标同样在图像右边也用此方法搜索，确定另一边界成像坐标根据获得坐标得到目标成像中点坐标
4)根据获得目标区域的灰度图像，采用线搜索的方法，通过两边同时搜索通过得到待检测目标到中点坐标距离，从而确定待检测目标的位置偏移量：
如果从左向右搜索比从右向左灰度差值先发生很大变化，即灰度差值大于Δθ，则说明向左偏，位置偏移量为其中a为待检测目标到中点坐标的距离，b为中点横坐标到左边界横坐标距离；
如果从右向左搜索比从左向右灰度差值先发生很大变化，即灰度差值大于Δθ，则说明向右偏，位置偏移量为其中a为待检测目标到中点坐标的距离，b为中点横坐标到右边界横坐标距离；提取所需得待检测目标在图像中的物理位置特征，得到待检测物体的位置偏移量；通过得到的待检测物体的位置偏移量，即可得到大小为53×53的感兴趣区域灰度图像，读入所述工业计算机内存；
(5)、把步骤(4)得到的灰度图片采用0～90°投影得到稀疏表示原始数组。此处采用Radon变换做投影方法：图像在沿着0～90度投影，每一像素点对应一条直线，Radon变换是图像像素点在每一条直线上的积分，即每一列的灰度值的叠加。
(6)、对大小为45像素值光斑图像作为最小检测单位，建立模板。由于光斑可以近似的由一定大小的椭圆圆点组合而成。如图2(a)所示，右边的光斑图像如图2(c)所示，可以近似由左边的圆点组合而成，它们的投影近似相等。如果光斑小于最小光斑可以忽略，不用做检测。图2(b)中白色矩形框3*6为光斑最亮区域，灰度值近似用G表示。(G：表示最小光斑中心位置的像素点灰度值；)此处采用Radon变换做投影方法：图像在沿着0～90度投影，每一像素点对应一条直线，Radon变换是图像像素点在每一条直线上的积分，即每一列的灰度值的叠加。矩形框四周颜色较浅，且图2(b)中1位置的两个像素点灰度值之和为1个G。图2(b)中2位置的像素点灰度值之和为5个G，所以两边投影为5，中间投影为9。
图2(b)中的投影数字5和9可以用公式求得：n＝S/G，式中S为数字n所对应的列数各个像素点灰度值之和；n为对应列有光斑中心位置的像素点灰度值的个数。因此45像素形成的光斑点的投影直方图数组为：
式中，Ri为投影直方图的投影数组，i为投影横坐标序号，其范围为0-N到图像对角线长度的值，0-90为投影角度。椭圆点投影直方图数组p放在矩阵的对角位置建立光斑初始字典Dd；
(7)、针对步骤(5)产生的原始数组依次划分为若干个53×7的部分数组，放入初始字典中进行匹配；图3为通过大量实验统计得到的光斑分布概率。将两相交光斑像素点共同的信息分别映射到两两光斑存在概率图中的峰值，再通过运用稀疏表示优先匹配光斑重叠次数最多部分。下图中颜色较深区域反映光斑出现概率高。由于光斑具有对称性原则，在对称区域也会有相似概率出现光斑；因此中间部分光斑概率最高，颜色最深。根据下图不仅可减少运算次数，还能根据光斑概率，优先对大概率区域进行匹配。
(8)、进一步对步骤(7)中划分的若干数组整体左/右移动数位，使系数数组最稀疏化；
(9)、对步骤(8)中得出最稀疏系数数组的情况下，生成的重构数组与原部分数组进行差分计算，得出残差数组A。若||A||2>0.03，则取原数组中另一53×7数组，直至||A||2≤0.03；
(10)、根据原图像表面特征光斑分布进行合适的稀疏字典学习。光斑质心是光斑图像的重要特征之一。快速精确定位成像光斑的中心，是视觉测量，视觉检测等领域诸多应用的基础，对系统整体性能有着重要的影响。
(11)、随机选取初始字典中第k个原子进行更新，取字典第k个原子对应的系数矩阵中的第k行元素；通过公式：计算得出误差矩阵Ek；其中Y为原始数组，D为字典数组，X为系数数组，系数矩阵X中dk对应第k行为，dj表示D的列；
(12)、针对步骤(11)中产生的误差矩阵，进行SVD(奇异值)分解成Ek＝UΛVT。取U第一列表示dk，V第一个列向量与Λ第一个元素表示Xk。
(13)、进一步对步骤(12)中得到的dk×Xk数组替代原字典中第k个原子，循环迭代，至误差数组稳定收敛；
(14)、由53×7样本数组在稀疏字典中有最大匹配度位置，即可得出光斑在实际图像中的位置。
(15)、实际成像中背景及爆珠上由于光照、爆珠颜色等因素导致上文提出的方法会出现误检情况。图4(a)、图4(b)中箭头指向区域为稀疏字典学习检测出的光斑，由于背景与光照的原因，导致非爆珠区域中也有类似于光斑的图像，从而将非爆珠的光斑误检为真实光斑，由此看出只用稀疏字典学习会使得算法鲁棒性较差。根据此类检测异常情况，本文采用马尔科夫算法对检测结果校正，马尔科夫在图像处理上有着很大的应用，它是一种利用图像中像素间的空间相关性进行分割的方法，能够准确地描述每个像素所属类别与周围像素类别之间的重要依赖关系。通过马尔科夫可进一步确认识别光斑的合理性，进而提高算法精度。如果出现了图4(c)、图4(d)箭头指向区域的图像，背景效果很差，对比度也非常低，而且箭头所指向的光斑比设计的光斑模板小，因此仅采用马尔科夫会漏检此类光斑。根据此类漏检问题，本文根据贝叶斯推理估计出像素点在图像中状态概率。根据光斑点在图像出现出现的概率来判别此点是否属于光斑，从而准确检测出光斑，进而判定爆珠的个数。
(16)、通过马尔科夫链、贝叶斯后验概率对检测到的滤棒爆珠位置进行校正。本文采用马尔可夫链蒙特卡罗(MCMC)模拟来逼近后验分布。设P(Xd)为上节中检测为光斑概率即先验概率，参考分布P(Xd)是一个容易抽样的高斯分布。用z表示光斑像素点分布状态变量，zt表示第t步时的光斑分布状态，马尔科夫原理图如图5所示：
(1)从先验概率P(Xd)产生一个候选样本光斑图像Xd，产生光斑中每个像素点的概率为P(Xd|zt)；
(2)计算光斑中某一像素点接受概率，即为图中A位置像素点的接受概率为：
(3)由于A的状态取决于周围相邻的像素状态，实际应用中常用四邻域系统，除了边界位置的像素点都有4个邻域。图5所示，中心位置用字符A表示。经过测试可知，用四邻域就能判断出A的状态。所以根B,C,D,E的状态，判别出图中A位置候选变量是否被接受，如果被接受那么状态转移成功，即为光斑像素点；否则，状态转移失败，为非光斑像素点。下一步的状态仍然保留在上一个状态重复以上步骤可以得到第2到第37个像素点，即一个光斑序列，该序列每个中的每一个像素点状态都依赖于上一个状态，因此它构成一个马尔可夫链，即检测是否为光斑的状态。
(17)、进一步对步骤(16)中马尔科夫链只是粗略检测光斑，在一些复杂的环境背景图像中还需进一步筛选，本专利采用贝叶斯进一步校正。
设光斑出现的区域图像为X'为：X'＝{z1,…,zn}，z是光斑出现的区域图像上所有二维像素坐标的集合。根据贝叶斯准则，在给定光斑出现的区域图像X'的条件下像素点为光斑的概率为后验分布，如下表示：式中P(Xd|X')为光斑出现的区域图像X'的后验概率；
P(X'|Xd)为光斑坐标给定情况下，X'的似然概率即给定的像素点是光斑出现的区域图像X'的概率；先验概率P(Xd)为给定的像素坐标为光斑像素点的概率，可以表示如下：
式中xd为爆珠中光斑像素点。假设服从高斯分布，似然度P(X|Xd)定义如下：上式中最大似然估计和都是统计量，离开了具体试验或观测，它们都是随机的。
通过以上分析能够准确求得后验概率P(Xd|X)，可以得到光斑在爆珠图像中发生概率。根据此像素点在某个位置发生概率判断出此位置是否应该出现光斑点，若概率小于m则不应该出现，若检测出现了光斑点，则可以判断不合格，是非光斑区域。通过识别出光斑区域即可得出光斑位置信息，贝叶斯流程图如图6所示。
(18)、根据光斑位置爆珠光斑位置分布情况，即可推断出爆珠个数，根据爆珠颗数检测处理系统向剔除单元输出剔除控制信号，启动工件剔除单元，打开电磁阀，剔除不合格添加。
上述步骤(5)对采集到的图像进行0～90°投影产生数组，从数组中依次取出53×7大小的数组作为样本放入初始字典中进行匹配。通过光斑概率图中出现光斑概率大小确定匹配先后顺序，实现快速匹配。通过样本数组在字典中匹配误差可以得知所取样本中是否含有光斑，如果样本中含有光斑信息则进行字典学习，更精确稀疏化表示出该样本数组中光斑信息；如果样本与字典匹配误差超过3％则在原始数组中取下一组样本。稀疏表示的方法为根据样本中的光斑信息进行稀疏字典学习，使稀疏匹配程度更精确，以此得到更精确的光斑信息。
稀疏表示的基本思想是基于调和分析的图像表示通过研究分析发现可以通过图像稀疏来对图像信息进行简化，成功的应用到了数字图像处理领域中。稀疏表示的基本思想是假设自然信号可以用预先定义的一些原子线性组合来表示。
在香烟爆珠的爆珠的检测中，本专利使用稀疏表示字典学习的方法，检测爆珠上的光斑。由于L0求解问题是非凸，所以采用L1范数代替求解，稀疏表示的公式为：
{αt,αd}＝argmin||αt||1+||αd||1
st.||X-Dtαt+Ddαd||≤ε
上式中爆珠图像用X表示，X可以表示成标准的不含光斑的爆珠图像Xt和光斑图像Xd，建立标准的无光斑爆珠模板，标准模板的特征字典为Dt，标准模板图像的稀疏表示表达式Xt＝Dtαt，式中αd为光斑稀疏因子。式中ε是残差，表示标准爆珠图像与被检测爆珠图像之间的最大可容忍程度，也就是说被检测爆珠图像与两个字典中的特征不能匹配的最大允许值。
尽管利用L1范数求解上式非常有效，但是对两个未知量遍历寻优求解计算量是巨大的，这将消耗大量的计算时间，这种计算方法显然无法满足实时应用的要求。本文提出建立一个字典学习的方法，这个字典较为简单，提高了匹配的精度，利用贝叶斯—马尔科夫算法降低匹配时间，在满足检测精度要求的条件下，可以满足了实时性要求。
为了对光斑特征的提取，首先要对爆珠定位，预处理。由于图像上有噪声，本文采用高斯滤波的方法去除背景噪声，由于光照和爆珠颜色不同的原因，爆珠灰度化后表面存在亮暗不同的变化，造成投影直方图的差异较大，为了提高投影直方图匹配的鲁棒性，本文采用字典学习的方法把爆珠中的光斑找出来。
香烟爆珠图像结构复杂，样本特征集数据量大，整体处理运行复杂度高，速度慢。稀疏字典学习可用较少且有效的基元素(即为字典)在一定条件下，线性组合对样本进行近似。字典的选取可看作是以特定近似条件为目标函数的优化问题。本文利用K-SVD算法快速、高效的特点进行字典学习，详见Zhaolin Chen,Jingxin Zhang,Khee K.Pang.Adaptivekeyhole methods for dynamic magnetic resonance image reconstruction[J].Computerized Medical Imaging and Graphics,2007,31(6)。
从原图像中提取53×7二维的图像块，作为输入样本集进行训练，求取步骤如下：
(1)初始化字典，选取样本集第一列作为初始字典int D，并进行规范化；
(2)利用近似条件作为约束，以及int D，计算稀疏矩阵；
(3)更新字典的第i列的字典Di，稀疏矩阵ε与Di相乘的第i行记为y；，计算误差项，对误差项进行SVD分解，得到最小值时对应的字典与系数进行更新；
(4)继续迭代，迭代K次，或达到设定误差值时，结束更新。
将无瑕疵样本用上述步骤所得字典与稀疏系数进行重构.利用ε的稀疏性，采用基追踪得到L并如式得到重构图像，即式中，为重构图像，D为初始字典矩阵，为稀疏矩阵。
其水平与垂直方向投影A1，B1，及利用ε瑕疵样本的字典与系数，对待检测样本进行重构，同样计算其水平与垂直方向投影A2，B2及分别对A1，A2和及B1，B2计算结构相似性，即其中m(*)表示求输入值的平均值，c(*)表示求输入值的协方差，Tk表示为无瑕疵与待检测稀疏重构图像水平投影结构相似度矩阵。
为了得到稀疏表示的标准模板字典，将标准爆珠图像的投影直方图数组做为模板字典Dd的原子，即：稀疏字典学习流程如图7所示。
表1对五种检测算法进行对比。算法1即采用小波变换提取出爆珠的边缘信息，根据轮廓信息提取出爆珠，对得到的轮廓计数；算法2采用了稀疏表示的算法：通过稀疏表示算法求得光斑投影，统计投影中高脉冲的数量进而判断光斑个数，从而间接检测出爆珠的个数；算法3采用模板匹配[24]的方法，首先建立圆的模板，在与待检测中的爆珠图像做匹配。算法4采用边缘点检测的方法，采用神经网络算法，提取边缘点，从而判断爆珠的尺寸。算法5即本文采用的算法，首先根据光斑分布概率图采用稀疏字典求得类似光斑区域，再利用马尔科夫-贝叶斯算法对求得光斑校正，检测出真正的光斑，求得光斑的投影，通过光斑的个数间接求得爆珠个数。通过对比发现，算法2中未增加马尔科夫—贝叶斯功能，丧失了对极端情况分析的能力，准确率较本文方法有所下降，此外本文的方法由于考虑到光斑概率分布，所以不会对全图进行遍历。虽然增加了算法复杂性，但是计算数据量比算法2要小很多。算法3由于算法复杂性最低，所以运行时间最短，但是错误率也是最高的。算法1和算法4虽然准确率很高，但运行时间太慢，达不到实时检测要求。本文算法不仅运行时间快，而且准确率最高。
表1爆珠检测多种算法对比
通过matlab进行仿真，结果如图8、9、10、11所示。图8中采用本文算法对单个爆珠检测得到的斑投影图，从图中看出区域中一个爆珠投影出现两个高脉冲高脉冲信号。图9为仅用稀疏表示算法的光斑投影图，在投影中出现了三个高脉冲信号，出现干扰情况。本文算法对多个爆珠的检测，算法鲁棒性也很好，两个爆珠就会出现四个脉冲信号，对比图10，图11采用稀疏表示则结果不理想，投影的高脉冲信号都连续在一起，无法区分几个，导致漏检爆珠情况。
同时，针对爆珠颜色和尺寸差异，进行多类爆珠识别实验。由于不同颜色爆珠吸收能量不同，图像灰度化后效果有很大差异。图12中的(a)、(b)、(c)、(d)分别是针对不同彩色爆珠图像的灰度图像。由图12中可以看出灰度化得图像与背景融合度较高，检测比较困难。而且(c)、(d)两种颜色爆珠图像灰度化后，图像颜色较浅，对比度更低。图13为不同尺寸的爆珠图像，由于本文算法采用光斑作为特征，爆珠的大小对光斑特征提取没有影响，而且我们设计的光斑模板是最小爆珠图像上光斑的大小，完全满足检测要求。
表2不同算法对不同颜色爆珠检测
| 样品 | 小波变换 | 稀疏表示 | 模板匹配 | 边缘点校验 | 本文算法 |
| 红色 | 220/30 | 227/23 | 132/118 | 235/15 | 243/7 |
| 蓝色 | 215/35 | 210/40 | 128/122 | 230/20 | 245/5 |
| 绿色 | 207/43 | 198/52 | 107/143 | 227/23 | 241/9 |
| 黄色 | 224/26 | 228/22 | 161/99 | 242/8 | 247/3 |
表2中对1000幅不同颜色爆珠图像进行算法对比，其中每种颜色为250张爆珠图像。从表中看出模板匹配算法效果最差，误差为35；其次为稀疏表示和小波变换算法，检测误差分别为24和17；算法4略差与本文算法。
图14不同算法对不同颜色爆珠检测MAE(真实值与检测值之差即误差)柱状图，MAE计算公式为：
式中m为改变环境的次数，本文设计为5次；xi为每次环境中检测到的正确爆珠数，yi为每次每种颜色爆珠图像总数。在表2的基础上本文改变不同颜色爆珠检测环境，即光照强度。实验模拟了实际系统工作环境，本文设计的每天检测时间为6点，11点，14点，18点，22点。并在每次检测时间中检测每种颜色爆珠yi＝250张图片。通过检测结果算出每种算法在对不同颜色爆珠检测的MAE值。从图中可以看出，稀疏表示和模板匹配对不同颜色的爆珠检测误差最大，且稳定性也不是很好。小波变换和边缘点校验对不同颜色爆珠检测稳定性能比较好，但是误差也比较大。本文算法对不同种颜色爆珠在不同光照强度下都能很好识别，误差很小，鲁棒性也很好。本文又针对不同大小的爆珠进行检测，由于本文算法只是对光斑特征进行检测，对检测目大小没有太大要求，对检测结果也不会有任何干扰，能够适应不同类型的爆珠。
表3显示了本文改变字典学习的图像的总数时，对检测结果的影响。表中数据为检测正确率为：检测正确数/100。字典学习的爆珠的图片数n分别随机选取10，50，100，150，200，对不同颜色爆珠检测均为100张。从表中看出，如果学习的爆珠图像很少，光斑学习不完全，位置的概率也表示不准确，导致检测效果很差，尤其对黄色和绿色爆珠的检测。当字典学习为150张时，检测效果最佳。能够把光斑的每一个寸尺，位置准确获得，从而对于任何颜色爆珠检测都很精确。如果学习的爆珠图像大于150张后，检测精确程度就不会有很大变化。图15为1000个爆珠检测的爆珠ROC曲线图，图中A代表本文中运用的算法，B代表边缘点校验，C代表小波变换，D代表稀疏表示算法，图中E代表模板匹配算法。从图中可以看出算法A能够快速准确，误检率最低的情况下满足工业生产要求。虽然在起始阶段五种算法对爆珠检测相差不大，但随着检测进行，B、C、D、E的鲁棒性就没有本文算法好，误检率也越来越大，从而显示了本文算法的优越性。
表3改变字典学习的爆珠图片数量
| 字典学习总数 | n＝10 | 50 | 100 | 150 | 200 |
| 红色 | 0.66 | 0.86 | 0.93 | 0.95 | 0.96 |
| 蓝色 | 0.67 | 0.89 | 0.94 | 0.95 | 0.95 |
| 黄色 | 0.48 | 0.75 | 0.90 | 0.95 | 0.95 |
| 绿色 | 0.52 | 0.79 | 0.89 | 0.93 | 0.94 |
采用本专利的算法得到直方图是为了减少匹配时间，以及在相同的环境条件下与表1其他两种方法的比较。同时由于设定的光斑为小范围内的区域，由于光照原因，在我们设定的光斑周围也会有一定误差允许。使用周围个加1个像素点作为最大范围，如果位于此范围之内则为光斑。在图16中示出了几个结果，图中的红色区域表示检测到的光斑。很显然，我们的算法可以更好地检测出爆珠图像的光斑。
图17为本发明团队设计的人机交互界面，在界面上可以实时显示9张爆珠图像，在每一幅图像后面也会实时显示爆珠的个数，如果爆珠数为1个，则在右边显示绿色标签；爆珠数目为2个或0个，则在右边标签处显示红色标签。根据检测的爆珠是否合格，来判决控制器是否开启剔除装置。
本发明的一种基于高速机器视觉的过滤棒爆珠智能检测方法，通过对添加爆珠多种情况进行实时图像采集，针对图像特征进行相应处理，判断出添加为是否存在合格数量的香烟爆珠，在保证了爆珠高速添加的同时准确识别填装数量，可普遍适用于烟草行业。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (8)
1.一种基于高速机器视觉的过滤棒爆珠智能检测方法，其特征在于：包括如下步骤：
(1)、在高速流水线上传送带由安装在机架上的伺服电机驱动，用于传输以等距方式加入且含有爆珠的香烟滤棒；
(2)、爆珠挤压装置设置在传送带上方，爆珠传感器触发后，爆珠挤压装置就会发出信号挤压爆珠到两支滤棒的空隙里，重复此种动作，完成爆珠添加；
(3)、采用工业相机中的感兴趣区域即ROI功能，在相机传感器分辨范围内定义一个或多个ROI的窗口区域，仅对这些窗口内的图像信息进行读出，只获取该局部区域的图像，设定较小的ROI区域可以减少相机传送及计算机需要处理的图像信息量，并提高相机的采集帧率，设定的开始坐标(x,y)，终止坐标为(x1,y1)，截取的图像尺寸长为(x1-x)，宽为(y1-y)；
(4)、针对步骤(3)中的ROI窗口区域，提取待检测目标在图像中的位置偏移量特征参数，通过使用线搜索的方法获取待检测目标的成像区域；
(5)、把步骤(4)得到的灰度图片进行垂直投影生成稀疏表示原数组；
(6)、对步骤(5)生成的原始数组分割成若干个大小为a×b的样本数组，初始化稀疏表示字典，稀疏表示用L1范数作为信号稀疏性度量，稀疏化表示原始数组；
(7)、针对步骤(6)建立初始稀疏字典，初始稀疏字典是根据最小单位光斑投影产生的数组作为初始字典对角线元素，将图像样本数组与字典进行匹配，得到最稀疏系数矩阵；
(8)、对步骤(7)中样本数组与字典进行匹配，计算匹配残差ε，根据残差值大小找到含有光斑元素的样本数组，匹配顺序由在爆珠区域中光斑概率大小确定，由此提高算法速度；
(9)、匹配残差ε最小时，确定样本数组，计算得出误差矩阵，对误差矩阵进行SVD分解即奇异值分解，得出分解数组替代初始字典原子；
(10)、通过提取样本数组在稀疏字典中最大匹配度位置，即可得出光斑在实际图像中的位置；
(11)、通过马尔科夫、贝叶斯理论对检测到的滤棒爆珠位置结果进行校正；
(12)、根据光斑分布情况，即可推断出爆珠个数，通过爆珠检测系统向剔除单元输出剔除控制信号，启动工件剔除单元，打开电磁阀，剔除不合格滤棒。
2.根据权利要求1所述的一种基于高速机器视觉的过滤棒爆珠智能检测方法，其特征在于：步骤(4)中线搜索具体步骤如下：
1)若采集的灰度图像尺寸为width×height，其中width为灰度图像的长，height为灰度图像的宽；以长为坐标横轴x，宽为坐标纵轴y建立二维坐标系；
2)灰度图像左上顶点为原点(0，0)，确定一条平行于x轴的直线为此直线上的点的灰度值为数组x+△x的取值范围为0～width；
3)当满足背景是浅色，待检测目标区域是有强区分灰度信息情况下，通过线搜索方法从左右两边扫描非目标区域时，由于非目标区域基本接近白色，其灰度值很大，且其阈值大于θ时，则可通过线扫描判断连续点的灰度差值的变化量判断出目标区域；若单边检测到连续的几个像素灰度值不满足大于θ则说明单边没有拍到视场里，则直接按照±100％偏差输出；若通过线搜索方法从非目标区域扫描到目标区域时，其边界点的灰度差值突然变大，且灰度差值为β时，则说明寻找到目标区域成像边界坐标同样在图像右边也用此方法搜索，确定另一边界成像坐标根据获得坐标得到目标成像中点坐标
4)根据获得目标区域的灰度图像，采用线搜索的方法，通过两边同时搜索通过得到待检测目标到中点坐标距离，从而确定待检测目标的位置偏移量：
如果从左向右搜索比从右向左灰度差值先发生很大变化，即灰度差值大于△θ，则说明向左偏，位置偏移量为其中a为待检测目标到中点坐标的距离，b为中点横坐标到左边界横坐标距离；
如果从右向左搜索比从左向右灰度差值先发生很大变化，即灰度差值大于△θ，则说明向右偏，位置偏移量为其中a为待检测目标到中点坐标的距离，b为中点横坐标到右边界横坐标距离；提取所需得待检测目标在图像中的物理位置特征，得到待检测物体的位置偏移量；通过得到的待检测物体的位置偏移量，即可得到大小为53×53的感兴趣区域灰度图像，读入所述工业计算机内存。
3.根据权利要求1所述的一种基于高速机器视觉的过滤棒爆珠智能检测方法，其特征在于：步骤(5)中对图片垂直投影即为对图片垂直方向像素灰度值进行统计，产生数组，这里的投影采用Radon变换来实现，即图像在沿着0～90度投影，每一像素点对应一条直线，Radon变换是图像像素点在每一条直线上的积分，相当于每一列的灰度值的叠加。
4.根据权利要求1所述的一种基于高速机器视觉的过滤棒爆珠智能检测方法，其特征在于：步骤(6)中稀疏化表示是假设自然信号能够用预先定义的一些原子线性组合来表示，使用稀疏表示字典学习的方法，检测爆珠上的光斑，采用L1范数代替求解，稀疏表示的公式为：
{αt,αd}＝argmin||αt||1+||αd||1
st.||X-Dtαt+Ddαd||≤ε
上式中爆珠图像用X表示，X可以表示成标准的不含光斑的爆珠图像Xt和光斑图像Xd，建立标准的无光斑爆珠模板，标准模板的特征字典为Dt，则标准模板图像的稀疏表示表达式Xt＝Dtαt，式中αd为光斑稀疏因子。式中ε是残差，表示标准爆珠图像与被检测爆珠图像之间的最大可容忍程度，也就是说被检测爆珠图像与两个字典中的特征不能匹配的最大允许值。
5.根据权利要求1所述的一种基于高速机器视觉的过滤棒爆珠智能检测方法，其特征在于：步骤(8)中通过样本数组在字典中匹配误差可以得知所取样本中是否含有光斑，如果样本中含有光斑信息则进行字典学习，更精确稀疏化表示出该样本数组中光斑信息；如果样本与字典匹配误差超过3％则在原始数组中取下一组样本。
6.根据权利要求1所述的一种基于高速机器视觉的过滤棒爆珠智能检测方法，其特征在于：步骤(9)中SVD分解具体步骤如下：
(1)初始化字典，选取样本集第一列作为初始字典intD，并进行规范化；
(2)利用近似条件作为约束，以及intD，计算稀疏矩阵；
(3)更新字典的第i列的字典Di，稀疏矩阵ε与Di相乘的第i行记为y；计算误差项，对误差项进行SVD分解，得到最小值时对应的字典与系数进行更新；
(4)继续迭代，迭代K次，或达到设定误差值时，结束更新；
将无瑕疵样本用上述步骤所得字典与稀疏系数进行重构.利用ε的稀疏性，采用基追踪得到L并如式得到重构图像，即
其中，为重构图像，再求其水平与垂直方向投影A1，B1，及利用ε瑕疵样本的字典与系数，对待检测样本进行重构，同样计算其水平与垂直方向投影A2，B2，及分别对A1，A2和及B1，B2计算结构相似性，即其中m(*)表示求输入值的平均值，c(*)表示求输入值的协方差，Tk表示为无瑕疵与待检测稀疏重构图像水平投影结构相似度矩阵。
7.根据权利要求1所述的一种基于高速机器视觉的过滤棒爆珠智能检测方法，其特征在于：所述高速流水线上传送带上方分别设有条形光源和光纤传感器接收端，用于检测添加位置是否到位，以便产生脉冲信号输送到工业计算机，工业计算机发出指令触发工业相机拍照。
8.根据权利要求1所述的一种基于高速机器视觉的过滤棒爆珠智能检测方法，其特征在于：步骤(12)中剔除单元与工业计算机相连，并接受工业计算机的控制，所述剔除单元包括剔除控制、空气压缩机、气体传输管线、电磁阀、吹嘴。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810648108.XA CN108898589B (zh) | 2018-06-19 | 2018-06-19 | 基于高速机器视觉的过滤棒爆珠智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810648108.XA CN108898589B (zh) | 2018-06-19 | 2018-06-19 | 基于高速机器视觉的过滤棒爆珠智能检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108898589A true CN108898589A (zh) | 2018-11-27 |
| CN108898589B CN108898589B (zh) | 2022-06-07 |
Family
ID=64345799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810648108.XA Active CN108898589B (zh) | 2018-06-19 | 2018-06-19 | 基于高速机器视觉的过滤棒爆珠智能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108898589B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109693140A (zh) * | 2018-12-31 | 2019-04-30 | 常州轻工职业技术学院 | 一种智能化柔性生产线及其工作方法 |
| CN110604337A (zh) * | 2019-10-17 | 2019-12-24 | 浙江中烟工业有限责任公司 | 一种卷烟爆珠的检测装置及检测方法 |
| CN110717899A (zh) * | 2019-09-25 | 2020-01-21 | 武汉易视维科技有限公司 | 一种透明滤棒爆珠缺陷在线视觉检测方法 |
| CN111435115A (zh) * | 2019-01-11 | 2020-07-21 | 贵州中烟工业有限责任公司 | 一种卷烟爆珠外观检测系统 |
| CN111523535A (zh) * | 2020-04-01 | 2020-08-11 | 南通大学 | 基于机器视觉与深度学习的类圆对象识别计数检测算法 |
| CN112353563A (zh) * | 2020-11-11 | 2021-02-12 | 福建惠丰药业有限公司 | 一种爆珠香丸卫生制品的生产工艺 |
| CN113379743A (zh) * | 2021-08-12 | 2021-09-10 | 山东中都机器有限公司 | 基于计算机视觉的输送机异常检测方法及系统 |
| CN114529705A (zh) * | 2022-04-22 | 2022-05-24 | 山东捷瑞数字科技股份有限公司 | 一种三维引擎编辑器的界面布局处理方法 |
| CN114742757A (zh) * | 2022-03-09 | 2022-07-12 | 红塔烟草(集团)有限责任公司 | 一种滤棒成形纸胶线无盲区视觉检测方法 |
| CN115358089A (zh) * | 2022-09-06 | 2022-11-18 | 湖北中烟工业有限责任公司 | 基于仿真的爆珠受力极限值获取方法、装置及电子设备 |
| CN117782993A (zh) * | 2024-02-23 | 2024-03-29 | 宁德时代新能源科技股份有限公司 | 裸电芯外观检测系统的点检方法及裸电芯外观检测系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750533A (zh) * | 2012-07-05 | 2012-10-24 | 重庆大学 | 基于形态成份稀疏表示的红外小弱目标检测方法 |
| US8863044B1 (en) * | 2013-09-06 | 2014-10-14 | International Business Machines Corporation | Layout assessment method and system |
| CN106709512A (zh) * | 2016-12-09 | 2017-05-24 | 河海大学 | 基于局部稀疏表示和对比度的红外目标检测方法 |
| US20170154413A1 (en) * | 2015-11-27 | 2017-06-01 | Toshiba Medical Systems Corporation | Dynamic image denoising using a sparse representation |
| CN107153876A (zh) * | 2017-05-25 | 2017-09-12 | 南通大学 | 基于专家规则的机器视觉快门自整定智能控制方法 |
| CN206810710U (zh) * | 2017-04-13 | 2017-12-29 | 南通大学 | 一种基于机器视觉的香烟爆珠滤棒检测装置 |
| CN206832260U (zh) * | 2017-05-05 | 2018-01-02 | 华南理工大学 | 一种基于视觉的移动机器人导航系统 |
-
2018
- 2018-06-19 CN CN201810648108.XA patent/CN108898589B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750533A (zh) * | 2012-07-05 | 2012-10-24 | 重庆大学 | 基于形态成份稀疏表示的红外小弱目标检测方法 |
| US8863044B1 (en) * | 2013-09-06 | 2014-10-14 | International Business Machines Corporation | Layout assessment method and system |
| US20170154413A1 (en) * | 2015-11-27 | 2017-06-01 | Toshiba Medical Systems Corporation | Dynamic image denoising using a sparse representation |
| CN106709512A (zh) * | 2016-12-09 | 2017-05-24 | 河海大学 | 基于局部稀疏表示和对比度的红外目标检测方法 |
| CN206810710U (zh) * | 2017-04-13 | 2017-12-29 | 南通大学 | 一种基于机器视觉的香烟爆珠滤棒检测装置 |
| CN206832260U (zh) * | 2017-05-05 | 2018-01-02 | 华南理工大学 | 一种基于视觉的移动机器人导航系统 |
| CN107153876A (zh) * | 2017-05-25 | 2017-09-12 | 南通大学 | 基于专家规则的机器视觉快门自整定智能控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘华平等: "动态场景下的交通标识检测与识别研究进展", 《中国图像图形学报》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109693140B (zh) * | 2018-12-31 | 2021-07-06 | 常州工业职业技术学院 | 一种智能化柔性生产线及其工作方法 |
| CN109693140A (zh) * | 2018-12-31 | 2019-04-30 | 常州轻工职业技术学院 | 一种智能化柔性生产线及其工作方法 |
| CN111435115A (zh) * | 2019-01-11 | 2020-07-21 | 贵州中烟工业有限责任公司 | 一种卷烟爆珠外观检测系统 |
| CN110717899A (zh) * | 2019-09-25 | 2020-01-21 | 武汉易视维科技有限公司 | 一种透明滤棒爆珠缺陷在线视觉检测方法 |
| CN110604337A (zh) * | 2019-10-17 | 2019-12-24 | 浙江中烟工业有限责任公司 | 一种卷烟爆珠的检测装置及检测方法 |
| CN110604337B (zh) * | 2019-10-17 | 2021-07-13 | 浙江中烟工业有限责任公司 | 一种卷烟爆珠的检测装置及检测方法 |
| CN111523535B (zh) * | 2020-04-01 | 2022-03-15 | 南通大学 | 基于机器视觉与深度学习的类圆对象识别计数检测算法 |
| CN111523535A (zh) * | 2020-04-01 | 2020-08-11 | 南通大学 | 基于机器视觉与深度学习的类圆对象识别计数检测算法 |
| CN112353563A (zh) * | 2020-11-11 | 2021-02-12 | 福建惠丰药业有限公司 | 一种爆珠香丸卫生制品的生产工艺 |
| CN113379743A (zh) * | 2021-08-12 | 2021-09-10 | 山东中都机器有限公司 | 基于计算机视觉的输送机异常检测方法及系统 |
| CN114742757A (zh) * | 2022-03-09 | 2022-07-12 | 红塔烟草(集团)有限责任公司 | 一种滤棒成形纸胶线无盲区视觉检测方法 |
| CN114742757B (zh) * | 2022-03-09 | 2024-08-06 | 红塔烟草(集团)有限责任公司 | 一种滤棒成形纸胶线无盲区视觉检测方法 |
| CN114529705A (zh) * | 2022-04-22 | 2022-05-24 | 山东捷瑞数字科技股份有限公司 | 一种三维引擎编辑器的界面布局处理方法 |
| CN114529705B (zh) * | 2022-04-22 | 2022-07-19 | 山东捷瑞数字科技股份有限公司 | 一种三维引擎编辑器的界面布局处理方法 |
| CN115358089A (zh) * | 2022-09-06 | 2022-11-18 | 湖北中烟工业有限责任公司 | 基于仿真的爆珠受力极限值获取方法、装置及电子设备 |
| CN115358089B (zh) * | 2022-09-06 | 2024-04-09 | 湖北中烟工业有限责任公司 | 基于仿真的爆珠受力极限值获取方法、装置及电子设备 |
| CN117782993A (zh) * | 2024-02-23 | 2024-03-29 | 宁德时代新能源科技股份有限公司 | 裸电芯外观检测系统的点检方法及裸电芯外观检测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108898589B (zh) | 2022-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898589B (zh) | 基于高速机器视觉的过滤棒爆珠智能检测方法 | |
| CN110516561B (zh) | 基于dcgan和cnn的sar图像目标识别方法 | |
| CN109961049B (zh) | 一种复杂场景下香烟品牌识别方法 | |
| CN106650721B (zh) | 一种基于卷积神经网络的工业字符识别方法 | |
| CN103886344B (zh) | 一种图像型火灾火焰识别方法 | |
| CN108918536B (zh) | 轮胎模具表面字符缺陷检测方法、装置、设备及存储介质 | |
| CN110033473B (zh) | 基于模板匹配和深度分类网络的运动目标跟踪方法 | |
| CN108388896A (zh) | 一种基于动态时序卷积神经网络的车牌识别方法 | |
| CN100573100C (zh) | 基于数字图像处理技术的气液两相流流型识别方法 | |
| CN103593670A (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
| CN104156726A (zh) | 一种基于几何形状特征的工件识别方法及装置 | |
| CN114897816A (zh) | 基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法 | |
| CN108182449A (zh) | 一种高光谱图像分类方法 | |
| CN115147363A (zh) | 一种基于深度学习算法的影像缺陷检测和分类方法及系统 | |
| CN110853013A (zh) | 一种白色家电外壁喷涂质量检测方法 | |
| CN110490915A (zh) | 一种基于卷积受限玻尔兹曼机的点云配准方法 | |
| CN116678826A (zh) | 一种基于快速立体重建的外观缺陷检测系统及方法 | |
| CN111862027A (zh) | 基于低秩稀疏矩阵分解的纺织品瑕疵检测方法 | |
| CN113538342B (zh) | 一种基于卷积神经网络的铝质气雾罐涂层质量检测方法 | |
| CN110508510A (zh) | 一种塑料泵缺陷检测方法、装置及系统 | |
| Ni et al. | Convolution neural network based automatic corn kernel qualification | |
| CN114067171A (zh) | 一种克服小数据训练集的图像识别精度提升方法及系统 | |
| CN114066810A (zh) | 一种包装盒凹凸点缺陷检测方法及装置 | |
| Sa et al. | Packaging defect detection system based on machine vision and deep learning | |
| CN117611571A (zh) | 一种基于改进yolo模型的带钢表面缺陷检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |