CN110569753A - 一种基于机器视觉的条烟在线识别方法及系统 - Google Patents

一种基于机器视觉的条烟在线识别方法及系统 Download PDF

Info

Publication number
CN110569753A
CN110569753A CN201910787997.2A CN201910787997A CN110569753A CN 110569753 A CN110569753 A CN 110569753A CN 201910787997 A CN201910787997 A CN 201910787997A CN 110569753 A CN110569753 A CN 110569753A
Authority
CN
China
Prior art keywords
cigarette
area
cigarette carton
carton
identification
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.)
Pending
Application number
CN201910787997.2A
Other languages
English (en)
Inventor
宋继湘
胡兴
李志娟
谭芳芳
刘泉
谭淳效
曹鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Spaceflight Tian Lu New Material Inspection Co Ltd
Original Assignee
Hunan Spaceflight Tian Lu New Material Inspection Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Spaceflight Tian Lu New Material Inspection Co Ltd filed Critical Hunan Spaceflight Tian Lu New Material Inspection Co Ltd
Priority to CN201910787997.2A priority Critical patent/CN110569753A/zh
Publication of CN110569753A publication Critical patent/CN110569753A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20216—Image averaging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种基于机器视觉的条烟在线识别方法及系统，涉及物流配送技术领域。所述条烟在线识别方法，通过对图像中条烟区域的边缘轮廓周长、条烟区域的面积以及每个区域R/G/B三个通道颜色特征来判别条烟的品牌，确认输送的条烟是否正确，对输送正确的条烟进行计数统计，实现了多烟或少烟的检测，该识别方法与条烟的自身位置、条烟上条码所处位置无关，根据每个品牌所采用的外包装不同来识别条烟，提高了条烟的识别精度，减少了工作量，提高了经济效益。

Description

一种基于机器视觉的条烟在线识别方法及系统
技术领域
本发明属于物流配送技术领域，尤其涉及一种基于机器视觉的条烟在线识别方法及系统。
背景技术
我国是卷烟生产、消费大国，烟草在我国经济中占有十分重要的地位，在国家财政收入中也占有相当的比重。以信息为中心的现代化物流管理是企业发展的趋势，它以客户满意为目标，以企业整体最优化为目的，重效率更重效果。
目前，国内外许多烟草企业已经开始引入现代化的物流管理解决方案，使用自动化的条烟配送系统来代替传统的手工操作。从条烟入库到具体客户配送需要通过补烟、分拣、识别核对、打码和包装五大流程，其中识别核对过程在整个流程中占了很大的作用，最开始部分企业通过扫码识别条烟的方法能在一定情况下解决条烟的识别与核对问题，但是该方法容易受到条烟自身位置及条码所处位置的影响，容易导致识别错误，在自动化分拣过程中，在某部分订单中出现多烟、少烟或者错烟现象，一旦出现此类现象，工人必须停机进行查找，又常常由于生产量过大，根本无从查起。在分拣效率越来越高的同时，如果分拣错误不能避免也不能发现，将带来不少的经济损失和不必要的重复分拣工作。
发明内容
针对现有扫码识别条烟的方法，由于条烟自身位置及条码所处位置的影响而导致的识别错误现象，本发明提供一种基于机器视觉的条烟在线识别方法，通过提取被识别条烟区域的边缘轮廓周长、面积以及每个区域R/G/B三个通道颜色特征来识别条烟的品牌是否正确，不受条烟自身位置及条码所处位置的影响，避免识别错误，提高识别精度。
针对现有扫码识别条烟的系统，由于条烟自身位置及条码所处位置的影响而导致的识别错误现象，本发明提供一种基于机器视觉的条烟在线识别系统，通过工业检测计算机上的机器视觉软件获取被识别条烟区域的边缘轮廓周长、面积以及每个区域R/G/B三个通道颜色特征来识别条烟的品牌是否正确，不受条烟自身位置及条码所处位置的影响，避免识别错误，提高识别精度。
本发明是通过如下的技术方案来解决上述技术问题的：一种基于机器视觉的条烟在线识别方法，包括以下步骤：
步骤1：建立各品牌条烟的视觉特征数据库，所述视觉特征包括条烟区域的边缘轮廓周长、条烟区域的面积、以及条烟区域划分后每个区域的R/G/B三个通道颜色特征；
步骤2：根据条烟的检测信号，获取该条烟的彩色图像；
步骤3：对所述步骤2的条烟彩色图像进行图像处理，获取条烟的特征数据，所述特征数据与数据库中的视觉特征对应；
步骤4：将所述步骤3的特征数据与所述步骤1中视觉特征进行对比，获得条烟识别结果，并显示识别结果。
本发明所提供的条烟在线识别方法，通过对图像中条烟区域的边缘轮廓周长、条烟区域的面积以及每个区域R/G/B三个通道颜色特征来判别条烟的品牌，确认输送的条烟是否正确，对输送正确的条烟进行计数统计，实现了多烟或少烟的检测，该识别方法与条烟的自身位置、条烟上条码所处位置无关，根据每个品牌所采用的外包装不同来识别条烟，提高了条烟的识别精度，减少了工作量，提高了经济效益。
进一步地，所述步骤1中，条烟区域划分的具体操作过程为：
步骤1.1：沿水平方向对条烟区域进行N等分，N为奇数，从两端向中间每两个首尾区域合并形成一个区域，最后剩下的中间区域为一个区域；
步骤1.2：沿垂直方向对条烟区域进行N等分，N为奇数，从两端向中间每两个首尾区域合并形成一个区域，最后剩下的中间区域为一个区域；
水平等分和垂直等分共形成N+1个区域。
以这种区域划分原则进行区域划分并获取每个区域的R/G/B三个通道颜色特征，无论条烟是以水平方向输送还是以垂直方向输送，只要视觉特征数据库中有该品牌的条烟视觉特征，均能够识别出来，不受条烟自身位置的影响，避免了条烟输送方向不同而导致的识别误差，提高了识别精度。
进一步地，所述步骤2中，采用光电传感器或接近传感器检测条烟是否到来，并输出该条烟的检测信号。
进一步地，所述步骤2中，根据条烟的检测信号，控制相机拍照获取条烟的彩色图像，同时控制条形光频闪；
由于条烟输送速度高，相机曝光时间短，为了保证拍照时亮度充足，采用频闪模式，且拍照与频闪同步进行，提高了拍摄质量。
进一步地，所述步骤3中，图像处理的具体操作为：
步骤3.1：对彩色图像进行二值化处理，分割条烟区域与背景区域；
步骤3.2：对所述步骤3.1的二值化图像进行形态学腐蚀膨胀处理，得到腐蚀膨胀后的二值化图像；
步骤3.3：采用BLOB算法筛选出条烟区域，并获取条烟区域的面积、边缘轮廓周长，以及条烟区域的倾斜角；
步骤3.4：以条烟区域的中心为旋转中心，通过仿射变换对所述步骤3.1的彩色图像进行旋转，旋转角度为条烟区域的倾斜角，矫正条烟区域的位置；
步骤3.5：对所述步骤3.4中的条烟区域进行区域划分，对划分后的每个区域进行R/G/B三个通道灰度值的均值和方差计算，即每个区域的R/G/B三个通道颜色特征。
进一步地，所述步骤4中，采用最小误差法进行条烟的对比识别，具体的对比识别过程为：
步骤4.1：将所述步骤3中的特征数据与所述步骤1中某个品牌的视觉特征分别进行作差再平方处理，得到所有特征的作差平方结果；
步骤4.2：将所述步骤4.1的结果分别与等级划分值域比较，得到不同特征的作差平方结果对应不同的加权系数；
步骤4.3：将每个特征的作差平方结果乘以对应的加权系数，再对所有结果进行累加求和，得到被识别条烟与该品牌的对比识别累加值；
步骤4.4：循环执行步骤4.1～4.3，得到被识别条烟与所有品牌的对比识别累加值，取最小的对比识别累加值作为该被识别条烟的最终识别结果。
进一步地，所述步骤4.2中，等级划分值域与加权系数的关系式为：
其中，A表示不同的作差平方结果对应的不同加权系数，errValue表示作差平方结果。
相应的，一种基于机器视觉的条烟在线识别系统，包括：
设于条烟输送带上方的打光单元，用于根据控制信号在图像采集单元进行条烟拍照时提供足够的亮度；
设于所述打光单元上方的图像采集单元，用于根据控制信号对拍照区域内的条烟进行拍照，获取条烟的彩色图像，并将该条烟的彩色图像发送给图像处理及识别单元；
设于靠近条烟输送带入口的打光单元一侧的位置检测传感器，用于对接近位置检测传感器的条烟进行检测，并输出条烟的检测信号；
PLC控制单元，用于根据条烟的检测信号产生控制信号，通过控制信号同步控制图像采集单元拍照和打光单元频闪给光；
图像处理及识别单元，用于对条烟的彩色图像进行处理获取条烟的特征数据，用于特征数据与视觉特征数据库中的视觉特征对比分析而得到最终的识别结果，以及用于显示最终的识别结果；
以及数据存储单元，所述数据存储单元用于储存条烟的彩色图像、视觉特征数据库、以及识别结果。
进一步地，所述打光单元包括：
设于条烟输送带上方且无底板的灯箱，在所述灯箱的顶部开设有方形孔；
设于所述灯箱顶部的同轴光源，所述方形孔的大小与同轴光源成像口的大小相匹配；
设于所述灯箱内壁下端的条形光源；
同轴光源控制器，用于控制同轴光源的开启和关闭；
以及条形光源控制器，所述条形光源控制器用于根据控制信号控制条形光源频闪。
进一步地，所述位置检测传感器采用光电传感器或接近传感器。
有益效果
与现有技术相比，本发明提供的一种基于机器视觉的条烟在线识别方法，通过对图像中条烟区域的边缘轮廓周长、条烟区域的面积以及每个区域R/G/B三个通道颜色特征来判别条烟的品牌，确认输送的条烟是否正确，对输送正确的条烟进行计数统计，实现了多烟或少烟的检测，该识别方法与条烟的自身位置、条烟上条码所处位置无关，根据每个品牌所采用的外包装不同来识别条烟，提高了条烟的识别精度，减少了工作量，提高了经济效益。
本发明提供的一种基于机器视觉的条烟在线识别系统，包括打光单元、图像采集单元、位置检测传感器、PLC控制单元、图像处理以及识别单元、数据存储单元，通过打光单元为条烟图像的获取提供充足光源，通过图像处理及识别单元提取条烟的特征数据，并与数据库中的视觉特征进行比对识别，得到条烟的品牌识别结果，通过不同品牌条烟的外包装在视觉上的差异来识别被输送的条烟是否属于该品牌，以此判断输送条烟的正确性，避免了通过扫码来识别条烟因条码所处位置和条烟自身位置的影响而导致的识别错误，提高了条烟的识别精度，避免了多烟或少烟的现象。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例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个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中条烟在线识别流程图；
图2是本发明实施例中条烟区域沿水平方向等分；
图3是本发明实施例中条烟区域沿垂直方向等分；
图4是本发明实施例中条烟图像的处理流程图；
图5是本发明实施例中条烟的在线识别系统的示意图；
其中，1-工业相机，2-镜头，3-同轴光源，4-灯箱，5-输送带，6-位置检测传感器，7-条形光源，8-条烟。
具体实施方式
下面结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明所提供的一种基于机器视觉的条烟在线识别方法，包括以下步骤：
1、建立各品牌条烟的视觉特征数据库，所述视觉特征包括条烟区域的边缘轮廓周长、条烟区域的面积、以及条烟区域划分后每个区域的R/G/B三个通道颜色特征。
条烟区域划分的具体操作过程为：
1.1沿水平方向对条烟区域进行N等分，N为奇数，从两端向中间每两个首尾区域合并形成一个区域，最后剩下的中间区域为一个区域。如图2所示，沿水平方向划分为5等分，1和5合并为一个区域，2和4合并为一个区域，3为一个区域。
1.2沿垂直方向对条烟区域进行N等分，N为奇数，从两端向中间每两个首尾区域合并形成一个区域，最后剩下的中间区域为一个区域。如图3所示，沿垂直方向划分为5等分，1和5合并为一个区域，2和4合并为一个区域，3为一个区域。条烟区域的获取方式可以参考步骤3.1～3.4。
水平等分和垂直等分共形成N+1个区域。以这种区域划分原则进行区域划分并获取每个区域的R/G/B三个通道颜色特征，无论条烟是以水平方向输送还是以垂直方向输送，只要视觉特征数据库中有该品牌的条烟视觉特征，均能够识别出来，不受条烟自身位置的影响，避免了条烟输送方向不同而导致的识别误差，提高了识别精度。
2、根据条烟的检测信号，获取该条烟的彩色图像。
条烟是否到来可以通过光电传感器或接近传感器进行检测，当条烟到达光电传感器或接近传感器时，传感器输出条烟的检测信号，PLC控制器获取条烟的检测信号，多个条烟检测信号在PLC控制器中采用队列存储方式，即先进的检测信号先出队列。PLC控制器根据条烟的检测信号，延时控制相机拍照获取条烟的彩色图像，同时控制频闪控制器，使得条形光频闪，保证了拍照与频闪同步进行，由于条烟输送速度高，相机曝光时间短，需要在相机拍照的同时条形光进行频闪，保证了拍照时亮度充足，提高了彩色图像的拍摄质量。PLC控制器延时控制拍照和条形光频闪，所需要的延时时间是根据光电传感器或接近传感器到拍照区域的水平距离，以及输送带的速度来决定的，保证了条烟到达拍照区域后才开始拍照，保证了条烟图像获取的有效性。
3、对步骤2的条烟彩色图像进行图像处理，获取条烟的特征数据；该特征数据与步骤1中视觉特征数据库的视觉特征对应，即具体包括条烟区域的面积、边缘轮廓周长以及R/G/B三个通道灰度值的均值和方差。
如图4所示，图像处理的具体操作为：
3.1对彩色图像进行二值化处理，分割条烟区域与背景区域，二值化处理使图像变得简单，减少了数据量，便于后续的图像处理；
3.2对步骤3.1的二值化图像进行形态学腐蚀膨胀处理，得到腐蚀膨胀后的二值化图像；
3.3采用BLOB算法筛选出条烟区域，并获取条烟区域的面积、边缘轮廓周长，以及条烟区域的倾斜角，条烟区域的倾斜角是指条烟区域与水平方向的夹角；
3.4以条烟区域的中心为旋转中心，通过仿射变换对步骤3.1的彩色图像进行旋转，旋转角度为条烟区域的倾斜角，矫正条烟区域的位置；
3.5对步骤3.4中的条烟区域进行区域划分，该区域划分与步骤1中的区域划分原则一致，对划分后的每个区域进行R/G/B三个通道灰度值的均值和方差计算，即每个区域的R/G/B三个通道颜色特征，将条烟区域的边缘轮廓周长、面积以及每个区域的R/G/B三个通道灰度值的均值和方差进行整合，得到条烟的特征数组。
采用decompose函数可以实现R/G/B三通道分离，并分别获得R/G/B三个通道的灰度值，再计算每个区域内每个通道灰度值的均值和方差，该区域内对应通道灰度值的均值是指该区域内所有像素点对应通道灰度值的平均值，该区域内对应通道灰度值的方差是指该区域内每个像素点对应通道灰度值与均值之差的平方和的平均值。
条烟彩色图像的具体处理过程可以通过机器视觉软件来实现，例如halcon软件或Opencv软件，软件中的函数可以进行上述图像的处理，图像的二值化处理、形态学腐蚀膨胀处理、BLOB算法以及仿射变换均为现有技术。
4、将步骤3的特征数据与步骤1中视觉特征进行对比，获得条烟识别结果，并在机器视觉软件中显示识别结果。
采用最小误差法进行条烟的对比识别，并将最佳的匹配结果(即最小的对比识别累加值)作为最终识别结果，具体的对比识别过程为：
4.1将步骤3中的特征数据与步骤1中某个品牌的视觉特征分别进行作差再平方处理，得到所有特征的作差平方结果。
以条烟区域沿着水平和垂直等分形成六个区域为例，被识别条烟的特征数据为：条烟区域的边缘轮廓周长为C，条烟区域的面积为S，第i个区域R通道灰度值的均值为第i个区域R通道灰度值的方差为第i个区域G通道灰度值的均值为第i个区域G通道灰度值的方差为第i个区域B通道灰度值的均值为第i个区域B通道灰度值的方差为第j个品牌的视觉特征为：条烟区域边缘轮廓周长为Cj，条烟区域的面积为Sj，第i个区域R通道灰度值的均值为第i个区域R通道灰度值的方差为第i个区域G通道灰度值的均值为第i个区域G通道灰度值的方差为第i个区域B通道灰度值的均值为第i个区域B通道灰度值的方差为
每个特征数据与第j个品牌对应的视觉特征的作差平方结果为：
边缘轮廓周长的作差平方结果ΔCj＝(C-Cj)2；
区域面积的作差平方结果ΔSj＝(S-Sj )2；
第i区域R通道灰度值的均值的作差平方结果
第i区域R通道灰度值的方差的作差平方结果
第i区域G通道灰度值的均值的作差平方结果
第i区域G通道灰度值的方差的作差平方结果
第i区域B通道灰度值的均值的作差平方结果
第i区域B通道灰度值的方差的作差平方结果
4.2将步骤4.1的结果分别与等级划分值域比较，得到不同特征的作差平方结果对应不同的加权系数，等级划分值域与加权系数的关系式为：
其中，A表示不同的作差平方结果对应的不同加权系数，errValue表示作差平方结果。分别判断属于errValue的哪个范围，分别得到每个特征作差平方结果对应的加权系数。等级划分值域与加权系数的关系式是根据试验或经验设定的。
4.3将每个特征的作差平方结果乘以对应的加权系数，再对所有结果进行累加求和，得到被识别条烟与该品牌的对比识别累加值。
其中，Gj表示被识别条烟与第j个品牌的对比识别累加值，ACj表示ΔCj对应的加权系数，ASj表示ΔSj对应的加权系数，AERj表示对应的加权系数，ADRj表示对应的加权系数，AEGj表示对应的加权系数，ADGj表示对应的加权系数，AEBj表示对应的加权系数，ADBj表示对应的加权系数。
4.4循环执行步骤4.1～4.3，得到被识别条烟与所有品牌的对比识别累加值，取最小的对比识别累加值作为该被识别条烟的最终识别结果。
通过对图像中条烟区域的边缘轮廓周长、条烟区域的面积以及每个区域R/G/B三个通道颜色特征来判别条烟的品牌，确认输送的条烟是否正确，对输送正确的条烟进行计数统计，实现了多烟或少烟的检测，该识别方法与条烟的自身位置、条烟上条码所处位置无关，根据每个品牌所采用的外包装不同来识别条烟，提高了条烟的识别精度，减少了工作量，提高了经济效益。
如图5所示，一种利用上述条烟在线识别方法进行条烟在线识别的系统，包括：打光单元、图像采集单元、位置检测传感器6、PLC控制单元、图像处理以及识别单元、数据存储单元；打光单元包括灯箱4、同轴光源3、同轴光源控制器、条形光源7以及条形光源控制器。灯箱4设于条烟输送带5的上方，条烟8在输送带5的作用下匀速被输送，灯箱4无底板，当条烟8经过灯箱4的底部中心区域(拍照区域)时便于条烟的图像采集，灯箱4起到聚光作用，以便为条烟的图像采集提供充足的光源；在灯箱4的顶部开设有与同轴光源3的成像口大小相匹配的方形孔，同轴光源3安装在灯箱4的顶部且同轴光源3的成像口对准方形孔；图像采集单元包括工业相机1和镜头2，镜头2安装在工业相机1上，工业相机1和镜头2安装在同轴光源3的上方且镜头2对准同轴光源3的检测口。灯箱4有四个内壁，在每个内壁的下端均设有两条条形光源7，条形光源7的发光面朝上，每个内壁上的两条条形光源7由一个条形光源控制器来控制，四个内壁一共设有八条条形光源，四个条形光源控制器。位置检测传感器6设在灯箱4的一侧，设置位置检测传感器6的灯箱4的一侧靠近输送带5的入口，以便条烟8先经过检测后再到灯箱4底部的拍照区域。
图像处理及识别单元采用安装有机器视觉软件的工业计算机，PLC控制单元是以PLC控制器为核心的控制模块，PLC控制单元与位置检测传感器6、输送带5的驱动电机、工业相机1、以及四个条形光源控制器相连，同轴光源3与同轴光源控制器相连，工业相机1与工业计算机通过网络通信连接。
本实施例中，位置检测传感器6采用光电传感器或者接近传感器，当条烟靠近位置检测传感器6时，触发传感器6输出条烟的检测信号给PLC控制单元，PLC控制单元根据条烟的检测信号产生控制信号，该控制信号经过一定延时后来同步控制工业相机1和四个条形光源控制器，延时时间是根据位置检测传感器6到拍照区域的水平距离，以及输送带5的速度来决定的，保证了条烟到达拍照区域后才开始拍照；四个条形光源控制器采用频闪模式，由于条烟输送速度高，工业相机1曝光时间短，需要在工业相机1拍照的同时条形光源7进行频闪，保证了拍照时亮度充足，提高了条烟图像的拍摄质量。工业相机1采集的条烟图像通过以太网传送给工业计算机，工业计算机上的机器视觉软件对图像进行处理，获得条烟的特征数据，然后将该特征数据再与视觉特征数据库中的视觉特征进行对比分析，获得该条烟的最终识别结果，并在工业计算机上显示该最终识别结果。
本实施例中，机器视觉软件为halcon软件，同轴光源3选用OPT系列的同轴光源，具体型号为OPT-CO150-W，同轴光源控制器为24V数字控制器，24V数字控制器控制同轴光源为常亮模式，条形光源控制器采用OPT系列的增亮频闪控制器，控制条形光源7为频闪模式，增亮频闪控制器还可以通过以太网与工业计算机相连，通过工业计算机对条形光源的发光时间和发光亮度进行调节。
以上所揭露的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于机器视觉的条烟在线识别方法，其特征在于，包括以下步骤：
步骤1：建立各品牌条烟的视觉特征数据库，所述视觉特征包括条烟区域的边缘轮廓周长、条烟区域的面积、以及条烟区域划分后每个区域的R/G/B三个通道颜色特征；
步骤2：根据条烟的检测信号，获取该条烟的彩色图像；
步骤3：对所述步骤2的条烟彩色图像进行图像处理，获取条烟的特征数据，所述特征数据与数据库中的视觉特征对应；
步骤4：将所述步骤3的特征数据与所述步骤1中视觉特征进行对比，获得条烟识别结果，并显示识别结果。
2.如权利要求1所述的条烟在线识别方法，其特征在于，所述步骤1中，条烟区域划分的具体操作过程为：
步骤1.1：沿水平方向对条烟区域进行N等分，N为奇数，从两端向中间每两个首尾区域合并形成一个区域，最后剩下的中间区域为一个区域；
步骤1.2：沿垂直方向对条烟区域进行N等分，N为奇数，从两端向中间每两个首尾区域合并形成一个区域，最后剩下的中间区域为一个区域；
水平等分和垂直等分共形成N+1个区域。
3.如权利要求1所述的条烟在线识别方法，其特征在于，所述步骤2中，采用光电传感器或接近传感器检测条烟是否到来，并输出该条烟的检测信号。
4.如权利要求1所述的条烟在线识别方法，其特征在于，所述步骤2中，根据条烟的检测信号，控制相机拍照获取条烟的彩色图像，同时控制条形光频闪。
5.如权利要求1所述的条烟在线识别方法，其特征在于，所述步骤3中，图像处理的具体操作为：
步骤3.1：对彩色图像进行二值化处理，分割条烟区域与背景区域；
步骤3.2：对所述步骤3.1的二值化图像进行形态学腐蚀膨胀处理，得到腐蚀膨胀后的二值化图像；
步骤3.3：采用BLOB算法筛选出条烟区域，并获取条烟区域的面积、边缘轮廓周长，以及条烟区域的倾斜角；
步骤3.4：以条烟区域的中心为旋转中心，通过仿射变换对所述步骤3.1的彩色图像进行旋转，旋转角度为条烟区域的倾斜角，矫正条烟区域的位置；
步骤3.5：对所述步骤3.4中的条烟区域进行区域划分，对划分后的每个区域进行R/G/B三个通道灰度值的均值和方差计算，即每个区域的R/G/B三个通道颜色特征。
6.如权利要求1所述的条烟在线识别方法，其特征在于，所述步骤4中，采用最小误差法进行条烟的对比识别，具体的对比识别过程为：
步骤4.1：将所述步骤3中的特征数据与所述步骤1中某个品牌的视觉特征分别进行作差再平方处理，得到所有特征的作差平方结果；
步骤4.2：将所述步骤4.1的结果分别与等级划分值域比较，得到不同特征的作差平方结果对应不同的加权系数；
步骤4.3：将每个特征的作差平方结果乘以对应的加权系数，再对所有结果进行累加求和，得到被识别条烟与该品牌的对比识别累加值；
步骤4.4：循环执行步骤4.1～4.3，得到被识别条烟与所有品牌的对比识别累加值，取最小的对比识别累加值作为该被识别条烟的最终识别结果。
7.如权利要求6所述的条烟在线识别方法，其特征在于，所述步骤4.2中，等级划分值域与加权系数的关系式为：
其中，A表示不同的作差平方结果对应的不同加权系数，errValue表示作差平方结果。
8.一种利用权利要求1-7任一所述的条烟在线识别方法进行条烟在线识别的系统，其特征在于，包括：
设于条烟输送带上方的打光单元，用于根据控制信号在图像采集单元进行条烟拍照时提供足够的亮度；
设于所述打光单元上方的图像采集单元，用于根据控制信号对拍照区域内的条烟进行拍照，获取条烟的彩色图像，并将该条烟的彩色图像发送给图像处理及识别单元；
设于靠近条烟输送带入口的打光单元一侧的位置检测传感器，用于对接近位置检测传感器的条烟进行检测，并输出条烟的检测信号；
PLC控制单元，用于根据条烟的检测信号产生控制信号，通过控制信号同步控制图像采集单元拍照和打光单元频闪给光；
图像处理及识别单元，用于对条烟的彩色图像进行处理获取条烟的特征数据，用于特征数据与视觉特征数据库中的视觉特征对比分析而得到最终的识别结果，以及用于显示最终的识别结果；
以及数据存储单元，所述数据存储单元用于储存条烟的彩色图像、视觉特征数据库、以及识别结果。
9.如权利要求8所述的系统，其特征在于，所述打光单元包括：
设于条烟输送带上方且无底板的灯箱，在所述灯箱的顶部开设有方形孔；
设于所述灯箱顶部的同轴光源，所述方形孔的大小与同轴光源成像口的大小相匹配；
设于所述灯箱内壁下端的条形光源；
同轴光源控制器，用于控制同轴光源的开启和关闭；
以及条形光源控制器，所述条形光源控制器用于根据控制信号控制条形光源频闪。
10.如权利要求8所述的系统，其特征在于，所述位置检测传感器采用光电传感器或接近传感器。
CN201910787997.2A 2019-08-26 2019-08-26 一种基于机器视觉的条烟在线识别方法及系统 Pending CN110569753A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910787997.2A CN110569753A (zh) 2019-08-26 2019-08-26 一种基于机器视觉的条烟在线识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910787997.2A CN110569753A (zh) 2019-08-26 2019-08-26 一种基于机器视觉的条烟在线识别方法及系统

Publications (1)

Publication Number Publication Date
CN110569753A true CN110569753A (zh) 2019-12-13

Family

ID=68776105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910787997.2A Pending CN110569753A (zh) 2019-08-26 2019-08-26 一种基于机器视觉的条烟在线识别方法及系统

Country Status (1)

Country Link
CN (1) CN110569753A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111229649A (zh) * 2020-01-20 2020-06-05 湖北民族大学 一种物品分级方法、物品分级设备及物品自动分级系统
CN112116582A (zh) * 2020-09-24 2020-12-22 深圳爱莫科技有限公司 一种库存或陈列场景下的条烟检测识别方法
CN114913374A (zh) * 2022-05-16 2022-08-16 浙江中烟工业有限责任公司 一种卷烟烟包的识别方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202414230U (zh) * 2012-01-20 2012-09-05 大树智能科技(南京)有限公司 香烟小包综合外观质量在线检测系统用摄像照明装置
CN106407863A (zh) * 2016-09-22 2017-02-15 湘潭大学 一种条烟快速识别装置及方法
CN107169961A (zh) * 2017-05-15 2017-09-15 中烟追溯（北京）科技有限公司 一种基于cis图像采集的条烟分拣检测系统和方法
CN108830853A (zh) * 2018-07-20 2018-11-16 东北大学 一种基于人工智能的黑色素瘤辅助诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202414230U (zh) * 2012-01-20 2012-09-05 大树智能科技(南京)有限公司 香烟小包综合外观质量在线检测系统用摄像照明装置
CN106407863A (zh) * 2016-09-22 2017-02-15 湘潭大学 一种条烟快速识别装置及方法
CN107169961A (zh) * 2017-05-15 2017-09-15 中烟追溯（北京）科技有限公司 一种基于cis图像采集的条烟分拣检测系统和方法
CN108830853A (zh) * 2018-07-20 2018-11-16 东北大学 一种基于人工智能的黑色素瘤辅助诊断方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111229649A (zh) * 2020-01-20 2020-06-05 湖北民族大学 一种物品分级方法、物品分级设备及物品自动分级系统
CN111229649B (zh) * 2020-01-20 2023-09-01 湖北民族大学 一种物品分级方法及自动分级系统
CN112116582A (zh) * 2020-09-24 2020-12-22 深圳爱莫科技有限公司 一种库存或陈列场景下的条烟检测识别方法
CN114913374A (zh) * 2022-05-16 2022-08-16 浙江中烟工业有限责任公司 一种卷烟烟包的识别方法及装置

Similar Documents

Publication Publication Date Title
CN109829914B (zh) 检测产品缺陷的方法和装置
CN109255787B (zh) 基于深度学习和图像处理技术的丝锭划痕检测系统及方法
CN110569753A (zh) 一种基于机器视觉的条烟在线识别方法及系统
CN101566582B (zh) 基于机器视觉的粉针剂生产中药瓶标贴信息在线检测系统
US20110262036A1 (en) Method and system for item identification
CN110610141A (zh) 一种物流仓储规则形状货物识别系统
CN102221559A (zh) 基于机器视觉的织物疵点在线自动检测方法及其装置
CN103033476A (zh) 一种基于红外成像在线检测烟叶中含梗的设备及方法
CN112977974A (zh) 烟包外观质量检测装置及其方法、烟包包装机
US20200219265A1 (en) Similar Wheel Hub Model Identification System
CN109711375B (zh) 一种信号灯的识别方法及装置
CN114445707A (zh) 瓶装水标签缺陷智能化视觉精细检测方法
CN105728339A (zh) 一种陶瓷阀芯视觉自动检测系统
CN104794480A (zh) 一种奶盒喷打字符不良品剔除方法
CN112318485A (zh) 物体分选系统的图像处理方法、装置及物体分选系统
CN107891012B (zh) 基于等效算法的珍珠大小及圆形度分拣装置
CN111968082A (zh) 一种基于机器视觉的产品包装缺陷检测识别方法
CN115880699A (zh) 一种食品包装袋检测方法及系统
CN113610185B (zh) 基于主色调识别的木材色选方法
CN110193465A (zh) 一种条烟分拣智能纠错系统
CN114332622A (zh) 一种基于机器视觉的标签检测方法
CN113361657A (zh) 用于识别烟箱箱号的装置、方法、烟丝装箱设备和工控机
CN112967000A (zh) 白银仓储自动入库系统的外观和重量识别方法
CN114693556B (zh) 一种高空抛物帧差法运动目标检测去拖影方法
CN109461150B (zh) 一种基于机器视觉的纱线管颜色分拣方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191213