CN112017153A - 一种基于新型稳健高斯滤波的卷烟包灰性能检测方法 - Google Patents

一种基于新型稳健高斯滤波的卷烟包灰性能检测方法 Download PDF

Info

Publication number
CN112017153A
CN112017153A CN202010636331.XA CN202010636331A CN112017153A CN 112017153 A CN112017153 A CN 112017153A CN 202010636331 A CN202010636331 A CN 202010636331A CN 112017153 A CN112017153 A CN 112017153A
Authority
CN
China
Prior art keywords
cigarette ash
curve
ash
gaussian filtering
cigarette
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
CN202010636331.XA
Other languages
English (en)
Inventor
崔廷
鲁平
李红枝
楚文娟
韩路
席高磊
许克静
刘前进
李悦
贾国涛
马一琼
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.)
China Tobacco Henan Industrial Co Ltd
Original Assignee
China Tobacco Henan Industrial 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 China Tobacco Henan Industrial Co Ltd filed Critical China Tobacco Henan Industrial Co Ltd
Priority to CN202010636331.XA priority Critical patent/CN112017153A/zh
Publication of CN112017153A publication Critical patent/CN112017153A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06T5/90—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于新型稳健高斯滤波的卷烟包灰性能检测方法，包括：采用相机对阴燃或抽吸状态下的卷烟进行拍摄，以获得卷烟烟灰柱图；对所述卷烟烟灰柱图进行灰度化处理，使所述卷烟烟灰柱图上的每个像素点的灰度值在0～255范围内；在所述卷烟烟灰柱图上构建烟灰原始轮廓线，并根据所述烟灰原始轮廓线各个像素点所对应的灰度值形成烟灰原始轮廓曲线；建立稳健高斯滤波器，并根据所述稳健高斯滤波器得到高斯滤波中线；将所述烟灰原始轮廓曲线减去所述高斯滤波中线得到相对应的表面灰度曲线，并根据所述表面灰度曲线确定卷烟的包灰性能。本发明能提高卷烟包灰性能评价的准确度和效率，提高卷烟包灰评价的直观性。

Description

一种基于新型稳健高斯滤波的卷烟包灰性能检测方法
技术领域
本发明涉及卷烟生产技术领域，尤其涉及一种基于新型稳健高斯滤波的卷烟包灰性能检测方法。
背景技术
卷烟包灰性能指卷烟燃烧过程中烟灰的外观视觉效果，是消费者评价卷烟质量、区别卷烟档次的重要指标。卷烟包灰性能好，燃吸后烟灰柱紧凑美观；卷烟包灰性能差，燃吸时烟灰柱容易开裂脱落，造成烟灰四处飞溅而污染环境。改进卷烟包灰性能，对提高卷烟产品竞争力具有重要意义。
目前，卷烟包灰性能的检测与评价方法不够完善，主要采用相机对燃吸卷烟进行拍照，运用ImageJ图像处理软件，人为设定灰度阈值，计算包灰裂纹面积比例得到包灰值，来评价卷烟包灰性能的好坏，存在准确度低、直观性不强的缺点。
发明内容
本发明提供一种基于新型稳健高斯滤波的卷烟包灰性能检测方法，解决现有卷烟包灰检测与评价难以定量，存在卷烟包灰检测准确度低的问题，能提高卷烟包灰性能评价的准确度和效率，提高卷烟包灰评价的直观性。
为实现以上目的，本发明提供以下技术方案：
一种基于新型稳健高斯滤波的卷烟包灰性能检测方法，包括：
采用相机对阴燃或抽吸状态下的卷烟进行拍摄，以获得卷烟烟灰柱图；
对所述卷烟烟灰柱图进行灰度化处理，使所述卷烟烟灰柱图上的每个像素点的灰度值在0-255范围内；
在所述卷烟烟灰柱图上构建烟灰原始轮廓线，并根据所述烟灰原始轮廓线各个像素点所对应的灰度值形成烟灰原始轮廓曲线；
建立稳健高斯滤波器，并根据所述稳健高斯滤波器对所述烟灰原始轮廓曲线对应的每个像素点的灰度值进行高斯滤波得到高斯滤波中线；
将所述烟灰原始轮廓曲线减去所述高斯滤波中线得到相对应的表面灰度曲线，并根据所述表面灰度曲线确定卷烟的包灰性能。
优选的，所述根据所述表面灰度曲线确定卷烟的包灰性能，包括：
根据所述表面灰度曲线计算卷烟包灰参数，并根据所述卷烟包灰参数确定卷烟的包灰性能，所述卷烟包灰参数包括：幅度参数和间距参数，所述卷烟包灰参数越大，对应的包灰性能越差。
优选的，所述幅度参数包括：平均偏差Aa、最大峰谷差Ay、三点最大峰谷差均值Az；
所述幅度参数越大代表卷烟烟灰柱爆裂点越多，包灰性能越差；
其中，
Figure RE-GDA0002745213370000021
a(x)为表面灰度曲线，l为曲线长度；
Ay为所述表面灰度曲线的最大峰值与最大谷值绝对值之和；
Az为所述表面灰度曲线的最大峰值与最大谷值绝对值之和、第二大峰值与第二大谷值绝对值之和、第三大峰值与第三大谷值绝对值之和的平均值。
优选的，其特征在于，所述间距参数包括：最大波谷宽度As；
所述最大波谷宽度As为所述表面灰度曲线的最大波谷处的水平间距；
所述最大波谷宽度As表征卷烟烟灰最大爆裂处的长度，所述最大波谷宽度As越大，包灰性能越差。
优选的，其特征在于，还包括：
将所述卷烟烟灰柱图按设定面积区域进行裁剪，形成标准烟灰柱图；
对标准烟灰柱图在垂直方向上均匀提取多条所述烟灰原始轮廓曲线，并对所述烟灰原始轮廓线曲进行高斯滤波得到所述表面灰度曲线；
根据多条所述表面灰度曲线计算得到卷烟包灰参数的平均值，并根据所述平均值判断卷烟的包灰性能。
优选的，还包括：
利用Matlab软件建立卷烟烟灰柱轮廓提取模块、高斯滤波模块和包灰参数计算模块；
通过所述卷烟烟灰柱轮廓提取模块对卷烟烟灰柱图进行读取、灰度化处理、烟灰柱裁剪及轮廓线提取；
通过所述高斯滤波模块对烟灰原始轮廓曲线进行高斯滤波，以得到表面灰度曲线；
通过所述包灰参数计算模块对所述表面灰度曲线进行卷烟包灰参数计算，并输出。
优选的，还包括：
通过设置包灰参数阈值，将所述卷烟包灰参数与所述包灰参数阈值进行比对，以对卷烟包灰性能进行定量评价。
优选的，所述建立稳健高斯滤波器，并根据所述稳健高斯滤波器对所述烟灰原始轮廓曲线对应的每个像素点的灰度值进行高斯滤波得到高斯滤波中线，包括：
构建高斯权函数：
Figure RE-GDA0002745213370000031
式中，x为离权函数中心的距离，λ为采样轮廓信号波长，λc为滤波器截止波长，α为常数；
构建幅度权函数δ(x)，使
Figure RE-GDA0002745213370000032
通过不断迭代计算得到合适δ(x)；
根据公式
Figure RE-GDA0002745213370000033
得到高斯滤波中线w(x)，其中，
Figure RE-GDA0002745213370000034
f(x-ξ)为原始轮廓曲线的离散表示，g(x-ξ) 为高斯权函数的离散表示，δ(ξ)为幅度权函数的离散表示。
优选的，所述建立稳健高斯滤波器，并根据所述稳健高斯滤波器对所述烟灰原始轮廓曲线对应的每个像素点的灰度值进行高斯滤波得到高斯滤波中线，还包括：
首先令幅度权函数δ(i)＝1，对所述烟灰原始轮廓曲线进行高斯滤波，得到高斯滤波中线w(i)；
将所述表面灰度曲线中低于设定阈值的波谷作为异常点，在所述异常点处设置0≤δ(i+1)＜1，抑制其幅值；
重新进行高斯滤波，得到新的高斯滤波中线w(i+1)；
循环往复，当w(i)与w(i+1)满足预设的约束条件时，把w(i+1)作为最终的高斯滤波中线。
优选的，所述根据所述烟灰原始轮廓线各个像素点所对应的灰度值形成烟灰原始轮廓曲线，包括：
对每个像素点采用列赋值方式构建所述烟灰原始轮廓曲线。
本发明提供一种基于新型稳健高斯滤波的卷烟包灰性能的检测方法，获得卷烟烟灰柱图，并对卷烟烟灰柱图进行灰度化处理，构建所述卷烟烟灰柱图对应的烟灰原始轮廓曲线，进而根据所述烟灰原始轮廓曲线的灰度特征判断卷烟的包灰性能。解决现有卷烟包灰检测与评价难以定量，存在卷烟包灰检测准确度低的问题，能提高卷烟包灰性能评价的准确度和效率，提高卷烟包灰评价的直观性。
附图说明
为了更清楚地说明本发明的具体实施例，下面将对实施例中所需要使用的附图作简单地介绍。
图1是本发明提供的一种卷烟包灰性能的检测方法示意图。
图2是本发明实施例提供的卷烟烟灰柱图片示意图。
图3是本发明实施例提供的卷烟灰原始轮廓曲线示意图。
图4是本发明实施例提供的卷烟原始轮廓高斯滤波示意图。
图5是本发明实施例提供的表面灰度曲线示意图。
图6是本发明实施例提供的卷烟烟灰柱剪裁示意图。
图7是本发明实施例提供的烟灰柱轮廓线提取示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案，下面结合附图和实施方式对本发明实施例作进一步的详细说明。
针对当前评价卷烟包灰性能的好坏，存在准确度低、直观性不强的缺点。本发明提供一种基于新型稳健高斯滤波的卷烟包灰性能检测方法，获得卷烟烟灰柱图，并对卷烟烟灰柱图进行灰度化处理，构建所述卷烟烟灰柱图对应的烟灰原始轮廓曲线，进而根据所述烟灰原始轮廓曲线的灰度特征判断卷烟的包灰性能。解决现有卷烟包灰检测与评价难以定量，存在卷烟包灰检测准确度低的问题，能提高卷烟包灰性能评价的准确度和效率，提高卷烟包灰评价的直观性。
如图1所示，一种基于新型稳健高斯滤波的卷烟包灰性能检测方法，包括：
S1：采用相机对阴燃或抽吸状态下的卷烟进行拍摄，以获得卷烟烟灰柱图；
S2：对所述卷烟烟灰柱图进行灰度化处理，使所述卷烟烟灰柱图上的每个像素点的灰度值在0～255范围内；
S3：在所述卷烟烟灰柱图上构建烟灰原始轮廓线，并根据所述烟灰原始轮廓线各个像素点所对应的灰度值形成烟灰原始轮廓曲线；
S4：建立稳健高斯滤波器，并根据所述稳健高斯滤波器对所述烟灰原始轮廓曲线对应的每个像素点的灰度值进行高斯滤波得到高斯滤波中线；
S5：将所述烟灰原始轮廓曲线减去所述高斯滤波中线得到相对应的表面灰度曲线，并根据所述表面灰度曲线确定卷烟的包灰性能。
具体地，采用相机对阴燃或抽吸状态下的卷烟进行拍摄，得到的图片是彩色的，如图2所示。彩色图片信息容纳量较大，处理不便且速度较慢。实际上，所要关注的烟灰柱颜色较为简单，可对其进行灰度化处理。灰度图像是灰色加上了颜色深度，分为(0～255)级，0代表黑色，255代表白色，每个像素点的灰度值均在(0～255)范围内，不同的灰度值代表不同的明暗程度。烟灰柱爆裂处以“黑色”为主，灰度值接近0；烟灰柱完好处以“白色”为主，灰度值接近255。卷烟烟灰柱的灰度特征，代表了卷烟包灰性能的优劣。可提取烟灰柱任意一条轮廓线，对其灰度曲线进行处理，进而根据灰度特征判断卷烟的包灰性能。该方法能对卷烟包灰性能进行定量评价，能提高卷烟包灰性能评价的准确度和效率，提高卷烟包灰评价的直观性。
进一步，所述根据所述表面灰度曲线确定卷烟的包灰性能，包括：
根据所述表面灰度曲线计算卷烟包灰参数，并根据所述卷烟包灰参数确定卷烟的包灰性能，所述卷烟包灰参数包括：幅度参数和间距参数，所述卷烟包灰参数越大，对应的包灰性能越差。
进一步，所述幅度参数包括：平均偏差Aa、最大峰谷差Ay、三点最大峰谷差均值Az。所述幅度参数越大代表卷烟烟灰柱爆裂点越多，包灰性能越差。其中，
Figure RE-GDA0002745213370000061
a(x)为表面灰度曲线，l为曲线长度，Ay为所述表面灰度曲线的最大峰值与最大谷值绝对值之和。Az为所述表面灰度曲线的最大峰值与最大谷值绝对值之和、第二大峰值与第二大谷值绝对值之和、第三大峰值与第三大谷值绝对值之和的平均值。
所述间距参数包括：最大波谷宽度As，所述最大波谷宽度As为所述表面灰度曲线的最大波谷处的水平间距。所述最大波谷宽度As表征卷烟烟灰最大爆裂处的长度，所述最大波谷宽度As越大，包灰性能越差。
该方法还包括：
S6：将所述卷烟烟灰柱图按设定面积区域进行裁剪，形成标准烟灰柱图。
S7：对标准烟灰柱图在垂直方向上均匀提取多条所述烟灰原始轮廓曲线，并对所述烟灰原始轮廓曲线进行高斯滤波得到所述表面灰度曲线。
S8：根据多条所述表面灰度曲线计算得到卷烟包灰参数的平均值，并根据所述平均值判断卷烟的包灰性能。
在一实施例中对卷烟A和卷烟B进行包灰比对，步骤如下：导入已燃烧卷烟原始图像，如图2所示。裁剪7.9mm×38mm(210像素×1010像素) 面积的烟灰柱区域，如图6所示。对卷烟A与卷烟B的烟灰柱分别在垂直方向上均匀提取5条轮廓线，以(0～255)范围的灰度值表示包灰状态，如图7所示。对卷烟A包灰滤波前后图片保存，卷烟B包灰滤波前后图片保存。将卷烟A与卷烟B包灰参数计算后，并将计算结果输出到数据表中，进行Aa、Ay、Az和As平均值的计算，进而定量表征卷烟的包灰性能。
进一步，所述根据每个像素点的所述灰度值构建所述卷烟烟灰柱图对应的烟灰原始轮廓曲线，包括：对每个像素点采用列赋值方式构建所述烟灰原始轮廓曲线。
该方法还包括：
S9：利用Matlab软件建立卷烟烟灰柱轮廓提取模块、高斯滤波模块和包灰参数计算模块；
S10：通过所述卷烟烟灰柱轮廓提取模块对卷烟烟灰柱图进行读取、灰度化处理、烟灰柱裁剪及轮廓线提取；
S11：通过所述高斯滤波模块对烟灰原始轮廓曲线进行高斯滤波，以得到表面灰度曲线；
S12：通过所述包灰参数计算模块对所述表面灰度曲线进行卷烟包灰参数计算，并输出。
在实际应用中，基于MATLAB采用imread()函数实现卷烟图片的读取，采用rgb2gray()函数实现灰度化处理，采用imcrop()函数实现烟灰柱裁剪。
该方法还包括：通过设置包灰参数阈值，将所述卷烟包灰参数与所述包灰参数阈值进行比对，以对卷烟包灰性能进行定量评价。
在实际应用中，如果幅度参数大于幅度参数阈值，则说明卷烟烟灰柱爆裂点多，包灰性能差。其中，幅度参数阈值包括：平均偏差阈值、最大峰谷差阈值、三点最大峰谷差均值阈值。如果间距参数大于间距参数阈值，说明卷烟烟灰最大爆裂处的长度大，包灰性能差。其中间距参数阈值包括：波谷宽度阈值。
进一步，所述建立稳健高斯滤波器，并根据所述稳健高斯滤波器得到高斯滤波中线，将所述烟灰原始轮廓曲线减去所述高斯滤波中线得到相对应的表面灰度曲线，包括：
构建高斯权函数：
Figure RE-GDA0002745213370000071
式中，x为离权函数中心的距离，λ为采样轮廓信号波长，λc为滤波器截止波长，α为常数；
构建幅度权函数δ(x)，使
Figure RE-GDA0002745213370000072
通过不断迭代计算得到合适δ(x)；
根据公式
Figure RE-GDA0002745213370000073
得到高斯滤波中线w(x)，其中，
Figure RE-GDA0002745213370000074
f(x-ξ)为原始轮廓曲线的离散表示，g(x-ξ) 为高斯权函数的离散表示，δ(ξ)为幅度权函数的离散表示；
根据公式a(x)＝f(x)-w(x)得到所述表面灰度曲线a(x)，其中为f(x)烟灰原始轮廓曲线函数。
具体地，如图3所示，烟灰原始轮廓曲线随灰度值的不同上下浮动，可采用高斯低通滤波器，得到低频的高斯滤波中线，如图4所示。原始轮廓曲线减去高斯滤波中线，即可获得高频的灰度曲线，如图5所示。
定义原始轮廓曲线为f(x)，
f(x)＝w(x)+a(x) (1)
式中，f(x)为原始轮廓曲线，w(x)为高斯滤波中线，a(x)为表面灰度曲线。
w(x)、a(x)需满足：
Figure RE-GDA0002745213370000081
Figure RE-GDA0002745213370000082
式中，W(wx)、A(wx)分别是w(x)、a(x)的Fourier变换，F(wx)是f(x)的的 Fourier变换，wcx是x方向的截止频率。
因此，表面灰度曲线a(x)为：
a(x)＝f(x)-w(x) (4)
高斯滤波器具有线性相位特性，不存在相位偏移问题，高斯权函数如下：
Figure RE-GDA0002745213370000083
式中，x为离权函数中心的距离，λ为采样轮廓信号波长，λc为滤波器截止波长。
高斯权函数的傅里叶变换如下，
Figure RE-GDA0002745213370000084
假设λ＝λc时，通过率G(λ)＝0.5，
Figure RE-GDA0002745213370000091
高斯滤波中线w(x)为，
Figure RE-GDA0002745213370000092
对于数字化图像，尺寸是有限的，像素点是离散的，应进行有限化、离散化处理。
Figure RE-GDA0002745213370000093
Figure RE-GDA0002745213370000094
式中，w(i)为高斯滤波中线的离散表示，f(i-k)为原始轮廓曲线的离散表示，g(k)为高斯权函数的离散表示，m为原始轮廓曲线采样总点数，M为一个截止波长内离散高斯权函数的宽度，Δx为像素点距离。
利用高斯权函数的对称性，得到高斯滤波中线的快速卷积公式为，
Figure RE-GDA0002745213370000095
以上高斯滤波过程是原始轮廓与高斯权函数卷积的过程，虽然是线性的，但在首尾边界处，由于参与卷积的高斯权函数宽度不断缩小，首尾处高斯滤波中线出现畸变，需在首尾边界处分别去除一个截止波长，导致评价曲线长度缩短了两个截止波长。
回归高斯滤波是将线性高斯滤波与最小二乘法结合起来，修正高斯权函数，使高斯滤波器在不同原始轮廓数据点位置计算的总权重保持一致。修正后的回归高斯滤波函数如下，
Figure RE-GDA0002745213370000096
当原始轮廓数据在中间位置时，回归高斯滤波权函数与线性高斯权函数相同；当数据靠近首尾边界时，增大待处理点临近数据的权重，减小待处理点较远数据的权重，使得原始轮廓不同数据点滤波时的总权重接近一致。
首尾边界处回归高斯滤波的离散形式如下，
Figure RE-GDA0002745213370000101
线性高斯滤波与回归高斯滤波均不是稳健的滤波算法。当原始轮廓中有深谷异常信号时，线性高斯滤波中线与回归高斯滤波中线会在深谷处被拉低，使得提取的表面灰度曲线在深谷处发生畸变，导致卷烟包灰参数的改变。为有效消除原始轮廓中深谷异常信号的影响，出现了新型稳健高斯滤波器。
新型稳健高斯滤波器是将稳健估计院里引入卷烟包灰灰度参数评定中，在原始轮廓不同位置选择相应的估计模型，以消除异常信号对滤波过程的影响。
在回归高斯滤波方法中引入幅度权函数δ(x)，
Figure RE-GDA0002745213370000102
由式14可以看出，新型稳健高斯滤波器实际上包括高斯权函数与幅度权函数，分别用于频率区分与幅度抑制。通过不断迭代计算，寻求合适的δ(x)，消除深谷信号的影响。
对式14中的w(x)求微分并赋值为零，得到新型稳健高斯滤波中线的公式如下，
Figure RE-GDA0002745213370000103
式15的离散形式如下，
Figure RE-GDA0002745213370000111
每次迭代计算w(i)时，需利用线性回归滤波器，分别对f(i-k)δ(k)与δ(k) 进行滤波。引入残差函数如下，
cB＝4.4478×median(|f(i)-w(i)|) (17)
式17中，median为中值。稳健估计模型如下，
Figure RE-GDA0002745213370000112
式18中，Δz(i)＝|f(i)-w(i)|。
新型稳健高斯滤波是不断迭代求最优解的过程。首先令δ(i)＝1，上述滤波即为回归高斯滤波，得到回归高斯滤波中线w(i)；将原始轮廓减去滤波中线得到表面灰度曲线，对于存在很深谷的地方，其值被认为异常点，在这些异常点处设置0≤δ(i+1)＜1，抑制其幅值；重新进行稳健高斯滤波，得到新的滤波中线w(i+1)；循环往复，当w(i)与w(i+1)满足设定条件时，把w(i+1) 作为最后的新型稳健高斯滤波中线。
可见，本发明提供一种基于新型稳健高斯滤波的卷烟包灰性能检测方法，获得卷烟烟灰柱图，并对卷烟烟灰柱图进行灰度化处理，构建所述卷烟烟灰柱图对应的烟灰原始轮廓曲线，进而根据所述烟灰原始轮廓曲线的灰度特征判断卷烟的包灰性能。解决现有卷烟包灰检测与评价难以定量，存在卷烟包灰检测准确度低的问题，能提高卷烟包灰性能评价的准确度和效率，提高卷烟包灰评价的直观性。
以上依据图示所示的实施例详细说明了本发明的构造、特征及作用效果，以上所述仅为本发明的较佳实施例，但本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。

Claims (10)

1.一种基于新型稳健高斯滤波的卷烟包灰性能检测方法，其特征在于，包括：
采用相机对阴燃或抽吸状态下的卷烟进行拍摄，以获得卷烟烟灰柱图；
对所述卷烟烟灰柱图进行灰度化处理，使所述卷烟烟灰柱图上的每个像素点的灰度值在0～255范围内；
在所述卷烟烟灰柱图上构建烟灰原始轮廓线，并根据所述烟灰原始轮廓线各个像素点所对应的灰度值形成烟灰原始轮廓曲线；
建立稳健高斯滤波器，并根据所述稳健高斯滤波器对所述烟灰原始轮廓曲线对应的每个像素点的灰度值进行高斯滤波得到高斯滤波中线；
将所述烟灰原始轮廓曲线减去所述高斯滤波中线得到相对应的表面灰度曲线，并根据所述表面灰度曲线确定卷烟的包灰性能。
2.根据权利要求1所述的基于新型稳健高斯滤波的卷烟包灰性能检测方法，其特征在于，所述根据所述表面灰度曲线确定卷烟的包灰性能，包括：
根据所述表面灰度曲线计算卷烟包灰参数，并根据所述卷烟包灰参数确定卷烟的包灰性能，所述卷烟包灰参数包括：幅度参数和间距参数，所述卷烟包灰参数越大，对应的包灰性能越差。
3.根据权利要求2所述的基于新型稳健高斯滤波的卷烟包灰性能检测方法，其特征在于，所述幅度参数包括：平均偏差Aa、最大峰谷差Ay、三点最大峰谷差均值Az；
所述幅度参数越大代表卷烟烟灰柱爆裂点越多，包灰性能越差；
其中，
Figure RE-FDA0002745213360000011
a(x)为表面灰度曲线，l为曲线长度；
Ay为所述表面灰度曲线的最大峰值与最大谷值绝对值之和；
Az为所述表面灰度曲线的最大峰值与最大谷值绝对值之和、第二大峰值与第二大谷值绝对值之和、第三大峰值与第三大谷值绝对值之和的平均值。
4.根据权利要求3所述的基于新型稳健高斯滤波的卷烟包灰性能检测方法，其特征在于，所述间距参数包括：最大波谷宽度As；
所述最大波谷宽度As为所述表面灰度曲线的最大波谷处的水平间距；
所述最大波谷宽度As表征卷烟烟灰最大爆裂处的长度，所述最大波谷宽度As越大，包灰性能越差。
5.根据权利要求1所述的基于新型稳健高斯滤波的卷烟包灰性能检测方法，其特征在于，还包括：
将所述卷烟烟灰柱图按设定面积区域进行裁剪，形成标准烟灰柱图；
对标准烟灰柱图在垂直方向上均匀提取多条所述烟灰原始轮廓曲线，并对所述烟灰原始轮廓线曲进行高斯滤波得到所述表面灰度曲线；
根据多条所述表面灰度曲线计算得到卷烟包灰参数的平均值，并根据所述平均值判断卷烟的包灰性能。
6.根据权利要求5所述的基于新型稳健高斯滤波的卷烟包灰性能检测方法，其特征在于，还包括：
利用Matlab软件建立卷烟烟灰柱轮廓提取模块、高斯滤波模块和包灰参数计算模块；
通过所述卷烟烟灰柱轮廓提取模块对卷烟烟灰柱图进行读取、灰度化处理、烟灰柱裁剪及轮廓线提取；
通过所述高斯滤波模块对烟灰原始轮廓曲线进行高斯滤波，以得到表面灰度曲线；
通过所述包灰参数计算模块对所述表面灰度曲线进行卷烟包灰参数计算，并输出。
7.根据权利要求6所述的基于新型稳健高斯滤波的卷烟包灰性能检测方法，其特征在于，还包括：
通过设置包灰参数阈值，将所述卷烟包灰参数与所述包灰参数阈值进行比对，以对卷烟包灰性能进行定量评价。
8.根据权利要求1所述的基于新型稳健高斯滤波的卷烟包灰性能检测方法，其特征在于，所述建立稳健高斯滤波器，并根据所述稳健高斯滤波器对所述烟灰原始轮廓曲线对应的每个像素点的灰度值进行高斯滤波得到高斯滤波中线，包括：
构建高斯权函数：
Figure RE-FDA0002745213360000031
式中，x为离权函数中心的距离，λ为采样轮廓信号波长，λc为滤波器截止波长，α为常数；
构建幅度权函数δ(x)，使
Figure RE-FDA0002745213360000032
通过不断迭代计算得到合适δ(x)；
根据公式
Figure RE-FDA0002745213360000033
得到高斯滤波中线w(x)，
Figure RE-FDA0002745213360000034
为原始轮廓曲线的离散表示，g(x-ξ)为高斯权函数的离散表示，δ(ξ)为幅度权函数的离散表示。
9.根据权利要求8所述的基于新型稳健高斯滤波的卷烟包灰性能检测方法，其特征在于，所述建立稳健高斯滤波器，并根据所述稳健高斯滤波器对所述烟灰原始轮廓曲线对应的每个像素点的灰度值进行高斯滤波得到高斯滤波中线，还包括：
首先令幅度权函数δ(i)＝1，对所述烟灰原始轮廓曲线进行高斯滤波，得到高斯滤波中线w(i)；
将所述表面灰度曲线中低于设定阈值的波谷作为异常点，在所述异常点处设置0≤δ(i+1)＜1，抑制其幅值；
重新进行高斯滤波，得到新的高斯滤波中线w(i+1)；
循环往复，当w(i)与w(i+1)满足预设的约束条件时，把w(i+1)作为最终的高斯滤波中线。
10.根据权利要求1所述的基于新型稳健高斯滤波的卷烟包灰性能检测方法，其特征在于，所述根据所述烟灰原始轮廓线各个像素点所对应的灰度值形成烟灰原始轮廓曲线，包括：
对每个像素点采用列赋值方式构建所述烟灰原始轮廓曲线。
CN202010636331.XA 2020-07-03 2020-07-03 一种基于新型稳健高斯滤波的卷烟包灰性能检测方法 Pending CN112017153A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010636331.XA CN112017153A (zh) 2020-07-03 2020-07-03 一种基于新型稳健高斯滤波的卷烟包灰性能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010636331.XA CN112017153A (zh) 2020-07-03 2020-07-03 一种基于新型稳健高斯滤波的卷烟包灰性能检测方法

Publications (1)

Publication Number Publication Date
CN112017153A true CN112017153A (zh) 2020-12-01

Family

ID=73498698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010636331.XA Pending CN112017153A (zh) 2020-07-03 2020-07-03 一种基于新型稳健高斯滤波的卷烟包灰性能检测方法

Country Status (1)

Country Link
CN (1) CN112017153A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101949862A (zh) * 2010-08-13 2011-01-19 红云红河烟草(集团)有限责任公司 一种测定卷烟燃烧后包灰状况的方法
CN107179101A (zh) * 2017-05-27 2017-09-19 郑州磨料磨具磨削研究所有限公司 一种砂轮表面粗糙度和磨粒分布状态的检测及评价方法
CN109215011A (zh) * 2017-07-06 2019-01-15 贵州中烟工业有限责任公司 一种卷烟包灰性能测量方法及装置
CN111141733A (zh) * 2019-12-23 2020-05-12 山东中烟工业有限责任公司 一种评价卷烟包灰效果的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101949862A (zh) * 2010-08-13 2011-01-19 红云红河烟草(集团)有限责任公司 一种测定卷烟燃烧后包灰状况的方法
CN107179101A (zh) * 2017-05-27 2017-09-19 郑州磨料磨具磨削研究所有限公司 一种砂轮表面粗糙度和磨粒分布状态的检测及评价方法
CN109215011A (zh) * 2017-07-06 2019-01-15 贵州中烟工业有限责任公司 一种卷烟包灰性能测量方法及装置
CN111141733A (zh) * 2019-12-23 2020-05-12 山东中烟工业有限责任公司 一种评价卷烟包灰效果的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
崔廷: ""膜式燃气表气阀配合面三维形貌测量仪的研制"", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 *
穆林 等: ""卷烟烟灰灰度值测定方法的建立及应用"", 《烟草科技》 *

Similar Documents

Publication Publication Date Title
CN109191459B (zh) 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法
CN109308705A (zh) 一种焊接熔池图像轮廓实时提取方法
CN111145161A (zh) 一种路面裂缝数字图像处理和识别的方法
CN110033439B (zh) 一种制丝过程中皮带输送机堵料的视觉检测方法
CN109239082B (zh) 基于机器视觉技术的烟丝结构质量在线检测方法及系统
CN116777916B (zh) 基于泵机金属外壳的缺陷检测方法
CN115330772B (zh) 一种在线焊点质量检测方法
CN111862010A (zh) 一种基于线性高斯滤波的卷烟包灰性能检测方法
CN113554649B (zh) 一种缺陷检测方法、装置、计算机设备及存储介质
CN115409742B (zh) 一种基于园林绿化的植被覆盖密度评估方法
CN115272303B (zh) 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统
CN115205290A (zh) 一种pcb板生产过程在线检测方法及系统
CN115457037A (zh) 一种用于阿胶制品生产的原材料质检方法
CN115018765A (zh) 基于灰度梯度共生矩阵的粉末冶金零件成品检测方法
CN112017153A (zh) 一种基于新型稳健高斯滤波的卷烟包灰性能检测方法
CN112001881A (zh) 一种基于Rk稳健高斯滤波的卷烟包灰性能检测方法
CN112037165A (zh) 一种基于回归高斯滤波的卷烟包灰性能检测方法
CN116952785B (zh) 基于图像数据的电子烟油变质检测方法
CN116563295B (zh) 一种切削屑缠绕状态视觉检测方法
CN104463810A (zh) 基于tv流的自适应扩散滤波图像去噪算法
CN116773520A (zh) 基于图像分割算法的料液雾化状况检测方法
CN116109587A (zh) 一种复杂环境下密封钉焊缝质量检测方法
CN115797361A (zh) 一种铝模板表面缺陷检测方法
CN112017201B (zh) 一种加工输送中鱼体头尾姿态判定方法
CN108491846B (zh) 成熟果实机器识别方法

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: 20201201

RJ01 Rejection of invention patent application after publication