CN109239082A - 基于机器视觉技术的烟丝结构质量在线检测方法及系统 - Google Patents

Abstract

本发明公开了一种基于机器视觉技术的烟丝结构质量在线检测方法，包括以下步骤,采集烟丝图像以及所需批次生产环节的相关数据，根据相关数据构建目标函数库；将采集到的烟丝图像进行预处理，得到有效烟丝图像，对有效烟丝图像进行增强处理，得到烟丝增强图像；提取所述烟丝增强图像中有效特征值，并通过有效特征值构建烟丝图像特征库；建立烟丝图像特征与目标函数库的关联模型；通过所述关联模型得到对应的烟丝结构质量指标，通过烟丝质量评价指标评价烟丝结构质量。本方法通过建立烟丝图像特征与目标函数库的关联模型，能弥补烟丝质量评价参数单一的不足，由于实时采集了烟丝图像，使得烟丝生产过程质量指标部分透明化，提高了评价的准确性。

Description

基于机器视觉技术的烟丝结构质量在线检测方法及系统

技术领域

本发明涉及计算机视觉及工业自动化技术领域，尤其涉及了一种基于机器视觉技术的烟丝结构质量在线检测方法及系统。

背景技术

在烟丝机制烟过程中，烟丝质量的稳定性对烟丝下游工序即烟支的卷制质量具有重要意义，而切丝、烘丝及风选等制丝工序是对成品烟丝质量影响最关键的几道工序，其质量控制是整个制丝过程的重中之重。目前在行业中，切丝、烘丝及风选等制丝工序烟丝质量检测存在一定的局限性，导致烟丝质量的波动不能被实时检测，对烟丝后续加工影响大。

一方面，切丝、烘丝及风选等制丝工序的烟丝质量重要性高及影响度大，包括：切丝、烘丝及风选等制丝工序质量检测点少，这些工序出口烟丝质量检测只包含了水分或温度检测，没有其他相关参数的检测，难以全面与及时地反映烟丝在制丝环节的烟丝质量变化。例如，当前切丝环节不能实时了解切丝后的烟丝质量，从而不能实时反映当前批次质量与切丝效果。此外，切丝、烘丝及风选等制丝工序烟丝的质量波动，如一段时间内梗签、跑片等缺陷的比例目前无法实时检测，未实现透明化；有可能造成连锁质量影响与原料浪费，由于切丝、烘丝及风选等制丝工序烟丝质量很大程度上决定了成品烟丝的质量，当切丝、烘丝及风选等制丝工序烟丝质量出现较大波动时，会造成下游卷包环节烟支质量的波动。可能会最终导致后续环节中较高的烟支空头、轻烟、重烟等不良品率，造成的烟叶原料的巨大浪费；影响观感质量，质量不稳定的烟丝如果未能及时检出，流入下游工序后会影响卷制质量，进而影响成品烟支的观感质量，这些产品流入市场后可能会造成消费者的不良体验。

而另一方面，现有的烟丝质量检测自动化程度都比较低，具体包括：由于是人工检测，导致检测效率低，对于切丝、烘丝及风选等制丝工序烟丝质量的检测，现阶段只能依靠人工离线采样检测，检测频率低、费时长，烟丝质量检测缺乏高效率的手段；由于检测不及时，不能在线检测或者评估，导致质量问题检测滞后，由于切丝、烘丝及风选等制丝工序烟丝质量从问题出现到发现再到找出质量问题进而解决问题，整个过程时间久、滞后性大，期间可能产生较多质量不稳定的烟丝，导致下游生产过程的质量波动。

发明内容

本发明针对现有技术中的缺点，提供了一种基于机器视觉技术的烟丝结构质量在线检测方法及系统。

为了解决上述技术问题，本发明通过下述技术方案得以解决：

一种基于机器视觉技术的烟丝结构质量在线检测方法，包括以下步骤：

采集烟丝图像以及所需批次生产环节的相关数据，相关数据包括烟丝质量指标、生产控制参数以及烟丝结构质量指标，根据烟丝质量指标、生产控制参数以及烟丝结构质量指标构建目标函数库；

将采集到的烟丝图像进行预处理，得到有效烟丝图像，对有效烟丝图像进行增强处理，得到烟丝增强图像；

提取所述烟丝增强图像中有效特征值，并通过有效特征值构建烟丝图像特征库；

基于所述烟丝图像特征库和所述目标函数库，建立烟丝图像特征与目标函数库的关联模型，确立关联模型参数；

通过所述关联模型得到对应的烟丝结构质量指标，通过烟丝质量评价指标评价烟丝结构质量。

作为一种可实施方式，所述采集烟丝图像包括采集烟丝切丝后图像、烟丝烘丝前图像、烟丝烘丝后图像和一级风选后烟丝图像。

作为一种可实施方式，所述烟丝质量指标为水分或温度中的一种或几种；

所述烟丝结构质量指标为烟丝整丝率、烟丝碎丝率和填充值参数中的一种或几种；

生产控制参数为筒壁温度、热风温度和热风风速的一种或几种。

作为一种可实施方式，所述将采集到的烟丝图像进行预处理具体为：对原始烟丝图像进行了图像增强处理、图像去噪处理、图像分割处理及图像差分处理中的一种或几种。

作为一种可实施方式，所述提取所述烟丝增强图像中有效特征值，所述有效特征值包括烟丝增强图像中连通域个数、连通域总面积、灰度共生矩阵以及黑白像素比例。

一种基于机器视觉技术的烟丝结构质量在线检测系统，包括采集模块、图像处理模块、特征值提取模块、模型确立模块和评价模块：

所述采集模块，用于采集烟丝图像以及所需批次生产环节的相关数据，相关数据包括烟丝质量指标、生产控制参数以及烟丝结构质量指标，根据烟丝质量指标、生产控制参数以及烟丝结构质量指标构建目标函数库；

所述图像处理模块，用于将采集到的烟丝图像进行预处理，得到有效烟丝图像，对有效烟丝图像进行增强处理，得到烟丝增强图像；

所述特征值提取模块，用于提取所述烟丝增强图像中有效特征值，并通过有效特征值构建烟丝图像特征库；

所述模型确立模块，用于基于所述烟丝图像特征库和所述目标函数库，建立烟丝图像特征与目标函数库的关联模型，确立关联模型参数；

所述评价模块，用于通过所述关联模型得到对应的烟丝结构质量指标，通过烟丝质量评价指标评价烟丝结构质量。

作为一种可实施方式，所述采集模块被设置为：

所述采集烟丝图像包括采集烟丝切丝后图像、烟丝烘丝前图像、烟丝烘丝后图像和一级风选后烟丝图像。

作为一种可实施方式，所述采集模块被设置为：

所述烟丝质量指标为水分或温度中的一种或几种；

所述烟丝结构质量指标为烟丝整丝率、烟丝碎丝率和填充值参数中的一种或几种；

生产控制参数为筒壁温度、热风温度和热风风速的一种或几种。

作为一种可实施方式，所述图像处理模块被设置为：

所述将采集到的烟丝图像进行预处理具体为：对原始烟丝图像进行了图像增强处理、图像去噪处理、图像分割处理及图像差分处理中的一种或几种。

作为一种可实施方式，所述特征值提取模块被设置为：

所述提取所述烟丝增强图像中有效特征值，所述有效特征值包括烟丝增强图像中连通域个数、连通域总面积、灰度共生矩阵以及黑白像素比例。

本发明由于采用了以上技术方案，具有显著的技术效果：

本发明通过采集烟丝图像以及所需批次生产环节的相关数据，对烟丝图像及相关数据进行处理，处理之后建立烟丝图像特征库和目标函数库，最终采用机器学习的方法建立烟丝图像特征与目标函数库的关联模型，通过所述关联模型得到对应的烟丝结构质量指标，通过烟丝质量评价指标评价烟丝结构质量，能检测出烟丝结构质量，进一步提高整个制丝环节的烟丝质量稳定性。

本方法通过建立烟丝图像特征与目标函数库的关联模型，能弥补烟丝质量波动大的不足，本发明由于采集了烟丝图像，这使得烟丝生产质量指标部分透明化，为烟丝质量评价提供了相应的数据依据，提高了评价的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的整体流程示意图；

图2是本发明的整体结构示意图；

图3为本发明采集烘丝前烟丝原始图像；

图4为本发明烘丝前烟丝图像预处理效果；

图5为本发明的第一种烟丝图像特征提取；

图6为本发明的第二种烟丝图像特征提取；

图7为本发明烘丝前、烘丝后烟丝图像颜色特征对比效果；

图8为本发明对应批次烟丝主要生产控制参数；

图9为本发明对应批次烟丝结构指标传统检测方式质检结果。

具体实施方式

下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。

实施例1：

一种基于机器视觉技术的烟丝结构质量在线检测方法，如图1所示，包括以下步骤：

S100、采集烟丝图像以及所需批次生产环节的相关数据，相关数据包括烟丝质量指标、生产控制参数以及烟丝结构质量指标，根据烟丝质量指标、生产控制参数以及烟丝结构质量指标构建目标函数库；

S200、将采集到的烟丝图像进行预处理，得到有效烟丝图像，对有效烟丝图像进行增强处理，得到烟丝增强图像；

S300、提取所述烟丝增强图像中有效特征值，并通过有效特征值构建烟丝图像特征库；

S400、基于所述烟丝图像特征库和所述目标函数库，建立烟丝图像特征与目标函数库的关联模型，确立关联模型参数；

S500、通过所述关联模型得到对应的烟丝结构质量指标，通过烟丝质量评价指标评价烟丝结构质量。

在步骤S400中，是采用机器学习的方法，来建立烟丝图像特征与目标函数库的关联模型，由于采集烟丝图像以及所需批次生产环节的相关数据是不间断的，所以，可以一直更新关联模型参数的数值，提升关联模型的自成长性。

现有技术中，由于是人工检测，导致检测效率低，对于切丝、烘丝及风选等制丝工序烟丝质量的检测，现阶段只能依靠人工离线采样检测，检测频率低、费时长，烟丝质量检测缺乏高效率的手段；由于检测不及时，不能在线检测或者评估，导致质量问题检测滞后，由于切丝、烘丝及风选等制丝工序烟丝质量从问题出现到发现再到找出质量问题进而解决问题，整个过程时间久、滞后性大，期间可能产生较多质量不稳定的烟丝，导致下游生产过程的质量波动，而采用本发明整体的方法过程，通过建立烟丝图像特征与目标函数库的关联模型，能弥补烟丝质量波动大的不足，还能使整个检测过程方便快捷，最主要是检测结构更加准确；由于在整个过程中是通过视觉技术采集了烟丝图像，这使得烟丝生产质量指标部分透明化，为烟丝质量评价提供了相应的数据依据，提高了评价的准确性。

在步骤S100中，所述采集烟丝图像包括采集烟丝切丝后图像、烟丝烘丝前图像、烟丝烘丝后图像和一级风选后烟丝图像。另外，所述烟丝质量指标为水分或温度中的一种或几种；所述烟丝结构质量指标为烟丝整丝率、烟丝碎丝率和填充值参数中的一种或几种；生产控制参数为筒壁温度、热风温度和热风风速的一种或几种。

在步骤S200中，所述将采集到的烟丝图像进行预处理具体为：对原始烟丝图像进行了图像增强处理、图像去噪处理、图像分割处理及图像差分处理中的一种或几种。

在步骤S300中，所述提取所述烟丝增强图像中有效特征值，所述有效特征值包括烟丝增强图像中连通域个数、连通域总面积、灰度共生矩阵以及黑白像素比例，同时也包含了根据这些有效特征值求得的均值和方差。

结合附图3-9对本发明的方法作更加具体的描述：

采用工业相机收集烟丝切丝后、烟丝烘丝前、烟丝烘丝后及一级风选后清晰烟丝图像；同时收集对应的批次现有生产环节的实时烟丝质量指标、烟丝结构质量指标及生产控制参数等，现有生产环节实时烟丝质量指标，如水分，温度；烟丝结构质量指标，主要包括整丝率、碎丝率和填充值等参数，生产控制参数主要包括筒壁温度、热风温度、热风风速等。烟丝结构质量指标具体为：结合以往离线检测的历史数据及专家对一定数量图像的烟丝结构质量的评定结果，从而给出烟丝整丝率、碎丝率及填充值等，将烟丝质量指标、生产控制参数以及烟丝结构质量指标，根据烟丝质量指标、生产控制参数以及烟丝结构质量指标构建目标函数库{y_i}，作为后续训练模型的训练数据，附图3展示的烘丝前烟丝原始图像；对应批次烟丝结构质量指标质检结果如图9所示；

对采集的烟丝图像进行预处理，预处理过程中，用到的处理方式有：图像增强处理、去噪处理、图像分割处理及图像差分处理中的一种或者几种，对原始图像进行预处理的作用是减少无效信息，能增强图像中有效的特征信息，进而可以提高图像的质量，从而改善图像的效果，预处理之后的烘丝前烟丝图像预处理效果如图4所示；

对预处理过的烟丝图像进行特征提取，并对特征进行多层分解，直至可从图像得到底层可量化参数，提取的方法可以为边缘提取、灰度提取、空间变化提取及轮廓提取中的一种或者几种，通过对烟丝图像的特征提取，能得到可能有效描述目标关键特征信息的特征量，即前面提到的有效特征值，进而通过有效特征值构建烟丝图像特征库，烘丝前烟丝图像特征提取效果如图5和6所示，提取特征后还需要进一步量化特征，以烘丝前、烘丝后烟丝图像颜色特征为例，图7展示了烘丝前、烘丝后烟丝图像颜色特征的色调和饱和度对比效果，从图7中数据可以看出，烘丝前与烘丝后图像特征数据存在差异，主要是色调H和饱和度S数值差异明显；将烘丝前后图像及相关颜色特征数据存入目标函数库，作为后续算法训练数据；此外也需要收集对应控制参数筒壁温度、热风温度、热风风速等参数作为优化烘烤工序的指导建议资料，相关数据如图8所示，同样将这些生产控制参数存入目标函数库，作为后续训练关联模型的训练数据；

基于所述烟丝图像特征库和所述目标函数库，建立烟丝图像特征与目标函数库的关联模型，确立关联模型参数，具体过程为采用机器学习方法将所述烟丝图像特征库和所述目标函数库，建立参数关联模型，形成切丝、烘丝及风选等制丝环节的烟丝结构质量评价系统，由于采集的数据及图像一直在更新，通过更新的数据来优化所述烟丝图像特征库和所述目标函数库，进而优化关联模型，达到提升系统的自成长性的目的，更具体地，烟丝图像特征库{x_i}包括图像中连通域个数x₁、连通域总面积x₂、灰度共生矩阵x₃、黑白像素比例x₄以及所有变量的均值x_5-8与方差x_9-12，基于所述烟丝图像特征库{x_i}和所述目标函数库{y_i}建立出关联模型，关联模型为其中，为系数，{x_i}为烟丝图像特征库，{y_i}为目标函数库；

通过关联模型实现在线检测，将实时提取烟丝图像的特征输入关联模型中，输出计算得到的烟丝结构质量指标，结果参见图9所示。

实施例2：

一种基于机器视觉技术的烟丝结构质量在线检测系统，如图2所示，包括采集模块100、图像处理模块200、特征值提取模块300、模型确立模块400和评价模块500：

所述采集模块100，用于采集烟丝图像以及所需批次生产环节的相关数据，相关数据包括烟丝质量指标、生产控制参数以及烟丝结构质量指标，根据烟丝质量指标、生产控制参数以及烟丝结构质量指标构建目标函数库；

所述图像处理模块200，用于将采集到的烟丝图像进行预处理，得到有效烟丝图像，对有效烟丝图像进行增强处理，得到烟丝增强图像；

所述特征值提取模块300，用于提取所述烟丝增强图像中有效特征值，并通过有效特征值构建烟丝图像特征库；

所述模型确立模块400，用于基于所述烟丝图像特征库和所述目标函数库，建立烟丝图像特征与目标函数库的关联模型，确立关联模型参数；

所述评价模块500，用于通过所述关联模型得到对应的烟丝结构质量指标，通过烟丝质量评价指标评价烟丝结构质量。

更加具体地来说，所述采集模块100被设置为：所述采集烟丝图像包括采集烟丝切丝后图像、烟丝烘丝前图像、烟丝烘丝后图像和一级风选后烟丝图像。

所述采集模块100被设置为：

所述烟丝质量指标为水分或温度中的一种或几种；所述烟丝结构质量指标为烟丝整丝率、烟丝碎丝率和填充值参数中的一种或几种；生产控制参数为筒壁温度、热风温度和热风风速的一种或几种。

所述图像处理模块200被设置为：所述将采集到的烟丝图像进行预处理具体为：对原始烟丝图像进行了图像增强处理、图像去噪处理、图像分割处理及图像差分处理中的一种或几种。

所述特征值提取模块300被设置为：所述提取所述烟丝增强图像中有效特征值，所述有效特征值包括烟丝增强图像中连通域个数、连通域总面积、灰度共生矩阵以及黑白像素比例，同时也包含了根据这些有效特征值求得的均值和方差。

现有技术中，由于是人工检测，导致检测效率低，对于切丝、烘丝及风选等制丝工序烟丝质量的检测，现阶段只能依靠人工离线采样检测，检测频率低、费时长，烟丝质量检测缺乏高效率的手段；由于检测不及时，不能在线检测或者评估，导致质量问题检测滞后，由于切丝、烘丝及风选等制丝工序烟丝质量从问题出现到发现再到找出质量问题进而解决问题，整个过程时间久、滞后性大，期间可能产生较多质量不稳定的烟丝，导致下游生产过程的质量波动，而采用本发明整体的系统，通过建立烟丝图像特征与目标函数库的关联模型，能弥补烟丝质量波动大的不足，还能使整个检测过程方便快捷，最主要是检测结构更加准确；由于在整个过程中是通过视觉技术采集了烟丝图像，这使得烟丝生产质量指标部分透明化，为烟丝质量评价提供了相应的数据依据，提高了评价的准确性。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

需要说明的是：

说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种基于机器视觉技术的烟丝结构质量在线检测方法，其特征在于包括以下步骤：

采集烟丝图像以及所需批次生产环节的相关数据，相关数据包括烟丝质量指标、生产控制参数以及烟丝结构质量指标，根据烟丝质量指标、生产控制参数以及烟丝结构质量指标构建目标函数库；

将采集到的烟丝图像进行预处理，得到有效烟丝图像，对有效烟丝图像进行增强处理，得到烟丝增强图像；

提取所述烟丝增强图像中有效特征值，并通过有效特征值构建烟丝图像特征库；

基于所述烟丝图像特征库和所述目标函数库，建立烟丝图像特征与目标函数库的关联模型，确立关联模型参数；

通过所述关联模型得到对应的烟丝结构质量指标，通过烟丝质量评价指标评价烟丝结构质量。

2.根据权利要求1所述的基于机器视觉技术的烟丝结构质量在线检测方法，其特征在于，所述采集烟丝图像包括采集烟丝切丝后图像、烟丝烘丝前图像、烟丝烘丝后图像和烟丝一级风选后图像。

3.根据权利要求1所述的基于机器视觉技术的烟丝结构质量在线检测方法，其特征在于，所述烟丝质量指标为水分或温度中的一种或几种；

所述烟丝结构质量指标为烟丝整丝率、烟丝碎丝率和填充值参数中的一种或几种；

生产控制参数为筒壁温度、热风温度和热风风速的一种或几种。

4.根据权利要求1所述的基于机器视觉技术的烟丝结构质量在线检测方法，其特征在于，所述将采集到的烟丝图像进行预处理具体为：对原始烟丝图像进行了图像增强处理、图像去噪处理、图像分割处理及图像差分处理中的一种或几种。

5.根据权利要求1所述的基于机器视觉技术的烟丝结构质量在线检测方法，其特征在于，所述提取所述烟丝增强图像中有效特征值，所述有效特征值包括烟丝增强图像中连通域个数、连通域总面积、灰度共生矩阵以及黑白像素比例。

6.一种基于机器视觉技术的烟丝结构质量在线检测系统，其特征在于包括采集模块、图像处理模块、特征值提取模块、模型确立模块和评价模块：

所述采集模块，用于采集烟丝图像以及所需批次生产环节的相关数据，相关数据包括烟丝质量指标、生产控制参数以及烟丝结构质量指标，根据烟丝质量指标、生产控制参数以及烟丝结构质量指标构建目标函数库；

所述图像处理模块，用于将采集到的烟丝图像进行预处理，得到有效烟丝图像，对有效烟丝图像进行增强处理，得到烟丝增强图像；

所述特征值提取模块，用于提取所述烟丝增强图像中有效特征值，并通过有效特征值构建烟丝图像特征库；

所述模型确立模块，用于基于所述烟丝图像特征库和所述目标函数库，建立烟丝图像特征与目标函数库的关联模型，确立关联模型参数；

所述评价模块，用于通过所述关联模型得到对应的烟丝结构质量指标，通过烟丝质量评价指标评价烟丝结构质量。

7.根据权利要求6所述的基于机器视觉技术的烟丝结构质量在线检测系统，其特征在于，所述采集模块被设置为：

所述采集烟丝图像包括采集烟丝切丝后图像、烟丝烘丝前图像、烟丝烘丝后图像和烟丝一级风选后图像。

8.根据权利要求6所述的基于机器视觉技术的烟丝结构质量在线检测系统，其特征在于，所述采集模块被设置为：

所述烟丝质量指标为水分或温度中的一种或几种；

所述烟丝结构质量指标为烟丝整丝率、烟丝碎丝率和填充值参数中的一种或几种；

生产控制参数为筒壁温度、热风温度和热风风速的一种或几种。

9.根据权利要求6所述的基于机器视觉技术的烟丝结构质量在线检测系统，其特征在于，所述图像处理模块被设置为：

所述将采集到的烟丝图像进行预处理具体为：对原始烟丝图像进行了图像增强处理、图像去噪处理、图像分割处理及图像差分处理中的一种或几种。

10.根据权利要求6所述的基于机器视觉技术的烟丝结构质量在线检测系统，其特征在于，所述特征值提取模块被设置为：

所述提取所述烟丝增强图像中有效特征值，所述有效特征值包括烟丝增强图像中连通域个数、连通域总面积、灰度共生矩阵以及黑白像素比例。