CN115496753B - 基于机器视觉的烟丝结构检测方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于机器视觉的烟丝结构检测方法。该方法获取烟丝二值图像，对烟丝二值图像细化处理得到的烟丝骨架，根据烟丝骨架长度筛选出碎丝区域和整丝区域。获得整丝区域的边缘轮廓，获得骨架像素点到边缘轮廓点的近邻边缘点集合，以骨架像素点和对应近邻边缘点集合形成的区域进行边缘趋势分析，获得边缘变化特征指标，根据整丝区域中的角点获得角点特征指标，根据角点特征指标和边缘变化特征指标构建的烟丝易碎程度指标筛选出破损整丝区域和完好整丝区域。本发明通过图像处理方法，根据烟丝图像特征对烟丝区域进行划分，实现了对烟丝结构的检测。

Description

基于机器视觉的烟丝结构检测方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于机器视觉的烟丝结构检测方法。

背景技术

随着居民消费水平的提高，人们对高品质香烟的追求越高。香烟的主要组成物质是烟丝，烟丝质量的稳定性和烟丝的均匀性直接影响着成品烟支的质量。干烟草切丝后的烟丝结构，即烟丝的整丝率、碎丝率以及端部落丝量对成品烟丝的质量影响巨大，也对香烟的质量有显著的影响，所以在使用烟丝制造卷烟前，需要及时对烟丝结构进行测定。

随着计算机技术的发展，出现了基于图像处理的检测方法，提高了检测效率，但常规依据烟丝的长度得到烟丝结构的占比，进而对烟丝质量进行判断，其判断依据过于单一，未更全面的考虑到后续加工程序对烟丝结构的影响，结果易出现波动。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于机器视觉的烟丝结构检测方法，所采用的技术方案具体如下：

本发明提出了一种基于机器视觉的烟丝结构检测方法，所述方法包括：

获得烟丝二值图像；根据所述烟丝二值图像获取每个烟丝的烟丝区域；对所述烟丝区域细化处理得到烟丝骨架；根据所述烟丝骨架的像素点数量在所述烟丝二值图像中筛选出碎丝区域和整丝区域；

获得所述整丝区域的边缘轮廓，所述烟丝骨架将所述边缘轮廓分为两个子边缘轮廓；根据所述烟丝骨架上目标骨架像素点到目标子边缘轮廓点的距离，获得所述目标骨架像素点的近邻边缘点集合；以所述目标骨架像素点为圆心获得对应所述近邻边缘点集合形成区域的内接圆和外接圆；根据所述目标骨架像素点与所有其他骨架像素点对应的内接圆半径差异和外接圆半径差异获得边缘变化特征指标；获得每个骨架像素点在每个所述子边缘轮廓上的边缘变化特征指标；

获得所述烟丝区域中的角点，根据所述角点的数量和分布获得角点特征指标；

根据所述角点特征指标和所述边缘变化特征指标构建烟丝易碎程度指标；根据所述烟丝易碎程度指标在所述整丝区域中筛选出破损整丝区域和完好整丝区域。

进一步地，获得烟丝二值图像包括：

通过风选室去除烟丝中的其他杂物获得散落烟丝，采集散落烟丝的RGB图像；对所述RGB图像进行滤波处理，并将所述RGB图像转换为灰度图像；对所述灰度图像进行大津阈值分割获得所述烟丝二值图像。

进一步地，所述烟丝区域细化处理得到烟丝骨架包括：

采用Hilditch算法对所述烟丝区域进行细化处理，获得所述烟丝区域的所述烟丝骨架。

进一步地，根据所述烟丝骨架的像素点数量在所述烟丝二值图像中筛选出碎丝区域和整丝区域包括：

将所述烟丝二值图像中的各个所述烟丝骨架的像素点数量组成数量序列；并所述数量序列进行Mann-Kendall异常值检测，获得所述数量序列中的数量异常值；并将所述数量异常值对应的所述烟丝区域记为所述碎丝区域，其余所述烟丝区域记为所述整丝区域。

进一步地，所述内接圆半径差异获取方法包括：

根据所述骨架像素点的位置将对应的内接圆半径排列，获得内接圆半径序列，对所述内接圆半径序列进行adtk异常值检测获得对应的内接圆半径异常值；在所述内接圆半径序列中对所述内接圆半径异常值的位置进行插值，以每个插值数据与内接圆半径的差值绝对值作为内接圆半径差异；

所述外接圆半径差异包括：

根据所述骨架像素点的位置将对应的外接圆半径排列，获得外接圆半径序列，对所述外接圆半径序列进行adtk异常值检测获得对应的外接圆半径异常值；在所述外接圆半径序列中对所述外接圆半径异常值的位置进行插值，以每个插值数据与外接圆半径的差值绝对值作为外接圆半径差异。

进一步地，所述边缘变化特征指标的获取方法包括：

根据所述内接圆半径差异和所述外接圆半径差异获得边缘变化特征指标，所述边缘变化特征指标包括：

其中，为边缘变化特征指标，为常数系数，为所述目标骨架像素点的内接圆半径，为所述目标骨架像素点的外接圆半径，为所述内接圆半径序列中的第个插值数据，为所述外接圆半径序列中的第个插值数据，为内接圆半径序列中的内接圆半径异常值数量，为外接圆半径序列中的外接圆半径异常值数量。

进一步地，所述角点特征指标的获取方法包括：

对所述烟丝区域进行角点检测，获得所述烟丝区域中角点；

根据所述角点的坐标采用DBSCAN聚类算法对所述角点进行聚类，获得至少一个聚类簇，以所述聚类簇的数量作为分布指标；将所述角点的数量与所述分布指标相乘，获得角点特征指标。

进一步地，所述烟丝易碎程度指标获取方法包括：

根据所述角点特征指标和所述边缘变化特征指标构建的烟丝易碎程度指标公式，所述烟丝易碎程度指标公式包括：

其中，为烟丝易碎程度指标，为所述角点特征指标，为所述烟丝骨架上的像素点数量，为所述烟丝骨架上的第个像素点与一条边缘轮廓的边缘变化特征，为所述烟丝骨架上的第个像素点与另一条子边缘轮廓的边缘变化特征。

进一步地，根据所述烟丝易碎程度指标在整丝区域中筛选出破损整丝区域和完好整丝区域包括：

将所述烟丝易碎程度指标进行归一化处理获得烟丝易碎程度；

当所述烟丝易碎程度大于预设阈值时，将所述烟丝区域记为破损整丝区域；

当所述烟丝易碎程度小于等于预设易碎程度阈值时，将所述烟丝区域记为完好整丝区域。

本发明具有如下有益效果：

1.本发明实施例首先根据烟丝区域骨架长度筛选出碎丝区域和整丝区域，考虑到整丝在后续过程中会因破损发生断裂，成为碎丝影响烟丝结构，因此对于整丝区域进行进一步的划分。根据边缘变化特征指标和角点特征指标获得烟丝易碎程度指标，在整丝区域中筛选出破损整丝区域和完好整丝区域。边缘变化特征指标可以反应烟丝边缘的异常突变情况。角点特征指标可以反应烟丝边缘因为破损形成的粗糙边缘情况。根据烟丝边缘的异常突变和破碎部分的程度确定每根烟丝的易损程度，将易损程度大的烟丝划分为破损整丝，更全面精确地测定烟丝结构。

2.在本发明实施例中，由于破损位置为烟丝上某位置由于磕碰等原因出现的损伤，损伤位置一般较为粗糙，且损伤出现的概率低，在同一烟丝对称的两侧一般不同时出现相同的损伤，因此在烟丝的边缘变化特征分析时，将烟丝轮廓分为两个子边缘轮廓，对两个子边缘轮廓分别用内接圆和外接圆半径差异对边缘变化进行分析，得到两个边缘变化特征指标，可以避免检测的单一性，更精确地检测出烟丝结构。

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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于机器视觉的烟丝结构检测方法流程图。

图2为本发明一个实施例所提供的一个烟丝区域示意图。

图3为本发明一个实施例所提供的烟丝区域细化后的烟丝骨架示意图。

图4为本发明一个实施例所提供的存在破损位置的烟丝区域示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于机器视觉的烟丝结构检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一中基于机器视觉的烟丝结构检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于机器视觉的烟丝结构检测方法流程图，该方法包括：

步骤S1：获得烟丝二值图像；根据所述烟丝二值图像获取每个烟丝的烟丝区域；对所述烟丝区域细化处理得到烟丝骨架；根据所述烟丝骨架的像素点数量在所述烟丝二值图像中筛选出碎丝区域和整丝区域。

在本发明实施例中，将用于制造卷烟的烟丝送入到风选室中，使用气动吹散装置对烟丝吹散，将梗签、焦油块等杂物除去，吹散除去的杂物进入废料收集盒，吹散的烟丝落在输送皮带机上。将CCD相机固定在输送皮带机的上方，每间隔相同的时间获取输送皮带上吹散烟丝的图像，记为烟丝图像，烟丝图像为RGB图像。需要说明的是，烟丝图像采集过程是本领域技术人员熟知的技术手段，在此不做过多的赘述。

因为环境等因素的影响获取的图像中会存在噪声，影响图像质量，需要对烟丝图像进行去噪处理。在本发明实施例中选择中值滤波的方法对烟丝图像进行去噪，在其他实施例中可根据具体实施场景选用其他滤波方法，在此不做限定。将去噪后的烟丝图像转换为灰度图像，记为烟丝灰度图像，因为烟丝是在输送皮带机上方放置的，所以烟丝的灰度值跟输送皮带的灰度值存在较大差异，因此可利用阈值分割根据烟丝灰度图像的灰度值对烟丝像素和背景像素进行区分。在本发明实施例中，对烟丝灰度图像使用OTSU最大类间方差法，将灰度值大于灰度阈值的像素点作为烟丝像素点，灰度值小于灰度阈值的像素点作为背景像素点，将烟丝像素点的像素值置为1，背景像素点的像素值置为0，获得烟丝二值图像。

烟丝二值图像中存在多个烟丝像素点组成的连通域，每个连通域为一个烟丝的烟丝区域。这些烟丝区域分散在烟丝二值图像中，因此每个烟丝区域可独立进行分析。请参阅图2，其出示了一个烟丝区域示意图。为了对烟丝区域进行初步的筛选，首先需要将每个烟丝区域细化处理得到烟丝骨架。由于烟丝结构主要分为整丝和碎丝两类，其中碎丝在烟丝中含量较少且与整丝的长度差异巨大，可以用该显著差异将烟丝中的碎丝筛选出来，因为烟丝骨架代表了整个烟丝区域的整体形状特征，因此可根据烟丝骨架的像素点数量在烟丝二值图像中筛选出碎丝区域和整丝区域，具体包括：

每个烟丝骨架内包含的像素点的数量即为烟丝区域中烟丝长度的大小。对烟丝二值图像中的各个烟丝骨架内包含的像素点数量依次进行计数，将所得这些像素点数量依次排列得到数量序列。对数量序列使用曼-肯德尔法（Mann-Kendall）异常值检测，获得数量序列中的数量异常值，由于碎丝在烟丝中所占比例较少且碎丝在图像中对应的长度远远小于整丝在图像中对应的长度，因此数量异常值对应的烟丝区域即为碎丝区域，其余烟丝区域为整丝区域。将该烟丝二值图像中检测到的异常值数量之和记为，也即碎丝区域的数量之和为。

优选的，烟丝二值图像使用Hilditch算法进行图像细化，得到每个烟丝区域的烟丝骨架。请参阅图3，其出示了烟丝区域细化后的烟丝骨架示意图。

步骤S2：获得整丝区域的边缘轮廓，烟丝骨架将边缘轮廓分为两个子边缘轮廓；根据烟丝骨架上目标骨架像素点到目标子边缘轮廓点的距离，获得目标骨架像素点的近邻边缘点集合；以目标骨架像素点为圆心获得对应近邻边缘点集合形成区域的内接圆和外接圆；根据目标骨架像素点与所有其他骨架像素点对应的内接圆半径差异和外接圆半径差异获得边缘变化特征指标；获得每个骨架像素点在每个子边缘轮廓上的边缘变化特征指标。

请参阅图4，其出示了存在破损位置的烟丝区域示意图。由图4可知在整丝区域中的部分烟丝区域本身可能存在缺口或破损的情况，对应的烟丝更容易在后续加工过程中出现碎裂。如图4中的圆形区域内的边缘所示，其边缘存在多个变化剧烈的凹陷和凸出部分，且边缘两边的变化程度并不相同，因此对整丝区域对应的烟丝进行检测，将易碎程度较大的整丝分为破损整丝以便更好的确定烟丝结构情况。

因为边缘轮廓的形态信息能够表征整丝区域的破损特征，因此需要获得整丝区域的边缘轮廓。在本发明实施例中，对整丝区域中的烟丝图像使用canny边缘检测算法，得到每个烟丝区域对应的边缘轮廓。该边缘轮廓会被烟丝骨架的两端分为两个部分，获得两条子边缘轮廓。如图2和图3所示，图3中的烟丝骨架将图2中烟丝区域的边缘轮廓分为左右两条子边缘轮廓。由于烟丝损伤位置的宽度变化较为剧烈且出现概率较低，对于在同一烟丝对称的两侧一般不同时出现相同的损伤，因此将烟丝区域的边缘轮廓分为两个子边缘轮廓分别进行分析。

对两条子边缘轮廓分别进行分析。根据烟丝骨架上目标骨架像素点到目标子边缘轮廓点的距离，获得目标骨架像素点的近邻边缘点集合，即选出距离目标骨架像素点最近的多个边缘点作为骨架像素点的近邻边缘点集合。在本发明实施例中，对其中一条子边缘轮廓取烟丝骨架上的目标骨架像素点与该目标子边缘轮廓上的像素点距离最近的个边缘像素点，设置为50，这个边缘像素点组成的集合为近邻边缘点集合。

以目标骨架像素点为圆心，在近邻边缘点集合形成的区域内建立内接圆和外接圆，记两个圆的半径分别为和。其中，内接圆半径与外接圆半径差异越大，其目标子边缘轮廓变化更剧烈，边缘会更粗糙。

考虑到该目标骨架像素点的内接圆和外接圆半径与其他骨架像素点的内接圆和外接圆半径的变化差异可以表现出该目标骨架像素点对应的边缘变化特征，因此需要先获得骨架像素点的内接圆半径差异和外接圆半径差异。以内接圆半径差异为例，以烟丝骨架上的一端作为起点，按照骨架像素点的位置顺序，取每个骨架像素点对应的内接圆半径组成内接圆半径序列。对该内接圆半径序列进行adtk异常值检测获得对应的内接圆半径异常值，该内接圆半径异常值的位置代表了边缘上变化剧烈的一个点。在内接圆半径序列中，对内接圆异常值位置使用插值，使用插值可以根据内接圆序列中其他内接圆半径得到对该内接圆异常值位置预测的数据，插值数据是根据其他内接圆半径对该内接圆异常值位置所取得的预测值。因此根据插值数据与内接圆半径的差值的绝对值能够表征边缘上对应位置处的变化程度，将每个插值数据与内接圆半径的差值的绝对值作为内接圆半径差异，该内接圆半径差异代表了该目标骨架像素点的内接圆半径对应位置在整个子边缘轮廓上的变化程度。外接圆半径差异获取方法与内接圆半径差异的获取方法一致。

根据内接圆半径差异和外接圆半径差异获得目标骨架像素点的边缘变化特征指标，边缘变化特征指标包括：

其中为边缘变化特征指标，为常数系数，为目标骨架像素点的内接圆半径，为骨架像素点的外接圆半径，为内接圆半径序列中的第个插值数据，为外接圆半径序列中的第个插值数据，为内接圆半径序列中的内接圆半径异常值数量，为外接圆半径序列中的外接圆半径异常值数量。

在边缘变化特征指标公式中，为防止该骨架像素点不是异常值时可能使式子的值为0，进而无法反映该骨架像素点的边缘变化特征所设置的常数系数，在本发明实施例中设置为1。

在边缘变化特征指标公式中，分子表示该骨架像素点的内接圆和外接圆的半径差异变化之和，当内接圆半径差异和外接圆半径差异越大，则该骨架像素点的边缘变化特征就越大，分母表示内接圆半径和外接圆半径之间的比值，当内接圆半径与外接圆半径的差异越大，对应的比值就越小，则该骨架像素点的边缘变化特征就越大，也即该骨架像素点对应的近邻边缘点集合位置越可能为边缘上的破损位置。

对另一条子边缘轮廓的分析方法相同，所以每个骨架像素点对两条子边缘轮廓均有一个对应的边缘变化特征，分别记为和。

步骤S3：获得烟丝区域中的角点，根据角点的数量和分布获得角点特征指标；

当烟丝区域的边缘处存在变化异常的部分，并不能确切的反应该位置存在烟丝易破损的情况，当烟丝区域的边缘存在小范围内多处变化异常的情况则认为该烟丝为易破损的。当烟丝边缘位置存在损伤时，会出现多个不规则的尖锐刺角，因此对烟丝区域进行角点分析。烟丝区域获得的角点的数量越多，说明角点的影响关系程度越大，获得的角点分布越集中，说明某一局部区域的变化越剧烈，所以根据角点的数量和分布构建角点特征指标。

对整丝区域进行角点检测，获得每个烟丝区域中的角点，每个烟丝区域的角点数量记为。

根据角点的坐标采用DBSCAN聚类算法对角点进行聚类，获得至少一个聚类簇，将聚类簇的数量作为角点的分布指标记为。角点特征指标为角点数量与分布指标的乘积，即表达式为：，当得到的角点数量越多，聚类簇的数量越多，则该烟丝区域内对应的破损位置可能越多。

步骤S4：根据角点特征指标和边缘变化特征指标构建烟丝易碎程度指标；根据烟丝易碎程度指标在整丝区域中筛选出破损整丝区域和完好整丝区域。

根据步骤S2和S3中的表述可知，边缘变化特征指标表示烟丝区域边缘变化剧烈的程度，角点特征指标表示烟丝区域边缘因破损形成的粗糙程度，因此根据边缘变化指标和角点特征指标可构建烟丝易碎程度指标，具体获取方法包括：

根据角点特征指标和边缘变化特征指标构建烟丝易碎程度指标公式，烟丝易碎程度指标公式包括：

其中为烟丝易碎程度指标，为所述角点特征指标，为所述烟丝骨架上的像素点数量，为所述烟丝骨架上的第个像素点与一条边缘轮廓的边缘变化特征，为所述烟丝骨架上的第个像素点与另一条子边缘轮廓的边缘变化特征。

在烟丝易碎程度指标公式中，当烟丝区域内的角点特征指标越大，骨架像素点的平均边缘变化特征越大，则烟丝易碎程度指标就越大，即该烟丝区域对应的烟丝出现的破损程度越大，越可能在后续工序出现碎裂情况。

根据烟丝易碎程度指标在所述整丝区域中筛选出破损整丝区域和完好整丝区域，具体包括：

将每个烟丝区域的烟丝易碎程度指标的归一化值作为该烟丝区域的烟丝易碎程度，将烟丝易碎程度与预设易碎程度阈值比较划分烟丝区域，在本发明实施例中设置为0.85。

当烟丝区域的烟丝易碎程度大于时，则认为该烟丝对应的破损程度较大，在后续工序中易出现破损碎裂，将该烟丝区域记为破损整丝区域，将破损整丝区域的数量之和记为。当烟丝区域的烟丝易碎程度小于等于时，则将该烟丝区域记为完好整丝区域，将完好整丝区域的数量之和记为。

至此，通过图像数据处理可以检测并划分出烟丝的碎丝区域、破损整丝区域和完整整丝区域，更全面精确地确定烟丝结构，减少了后续工序对烟丝结构检测结果的影响。在此基础上，为了能更好的反应烟丝的质量情况，减少抽样导致的结果与实际值的偏差，计算烟丝的碎丝率、破损整丝率和完好整丝率。将烟丝二值图像中包含的所有烟丝区域的数量之和记为，则该批烟丝对应的碎丝率为，破损整丝率为，完好整丝率为。

综上所述，本发明实施例通过获取烟丝二值图像，对烟丝二值图像细化处理得到的烟丝骨架，根据烟丝骨架像素点数量筛选出碎丝区域和整丝区域。获得整丝区域的边缘轮廓，获得骨架像素点到边缘轮廓点的近邻边缘点集合，以骨架像素点和对应近邻边缘点集合形成的区域进行边缘趋势分析，获得边缘变化特征指标，根据整丝区域中的角点信息获得角点特征指标，根据角点特征指标和边缘变化特征指标构建的烟丝易碎程度指标筛选出破损整丝区域和完好整丝区域。本发明实施例根据烟丝图像特征对烟丝区域进行划分，不仅仅区分出影响烟丝质量的碎丝，也区分出可能因后续工序影响断裂出碎丝的破损整丝区域，实现了更全面精确地检测烟丝结构，更好的反应了烟丝的质量情况。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

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

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于机器视觉的烟丝结构检测方法，其特征在于，所述方法包括：

获得烟丝二值图像；根据所述烟丝二值图像获取每个烟丝的烟丝区域；对所述烟丝区域细化处理得到烟丝骨架；根据所述烟丝骨架的像素点数量在所述烟丝二值图像中筛选出碎丝区域和整丝区域；

获得所述整丝区域的边缘轮廓，所述烟丝骨架将所述边缘轮廓分为两个子边缘轮廓；根据所述烟丝骨架上目标骨架像素点到目标子边缘轮廓点的距离，获得所述目标骨架像素点的近邻边缘点集合；以所述目标骨架像素点为圆心获得对应所述近邻边缘点集合形成区域的内接圆和外接圆；根据所述目标骨架像素点与所有其他骨架像素点对应的内接圆半径差异和外接圆半径差异获得边缘变化特征指标；获得每个骨架像素点在每个所述子边缘轮廓上的边缘变化特征指标；

获得所述烟丝区域中的角点，根据所述角点的数量和分布获得角点特征指标；

根据所述角点特征指标和所述边缘变化特征指标构建烟丝易碎程度指标；根据所述烟丝易碎程度指标在所述整丝区域中筛选出破损整丝区域和完好整丝区域；

所述内接圆半径差异获取方法包括：

根据所述骨架像素点的位置将对应的内接圆半径排列，获得内接圆半径序列，对所述内接圆半径序列进行adtk异常值检测获得对应的内接圆半径异常值；在所述内接圆半径序列中对所述内接圆半径异常值的位置进行插值，以每个插值数据与内接圆半径的差值绝对值作为内接圆半径差异；

所述外接圆半径差异包括：

根据所述骨架像素点的位置将对应的外接圆半径排列，获得外接圆半径序列，对所述外接圆半径序列进行adtk异常值检测获得对应的外接圆半径异常值；在所述外接圆半径序列中对所述外接圆半径异常值的位置进行插值，以每个插值数据与外接圆半径的差值绝对值作为外接圆半径差异；

所述边缘变化特征指标的获取方法包括：

根据所述内接圆半径差异和所述外接圆半径差异获得边缘变化特征指标，所述边缘变化特征指标包括：

其中，为边缘变化特征指标，为常数系数，为所述目标骨架像素点的内接圆半径，为所述目标骨架像素点的外接圆半径，为所述内接圆半径序列中的第个插值数据，为所述外接圆半径序列中的第个插值数据，为内接圆半径序列中的内接圆半径异常值数量，为外接圆半径序列中的外接圆半径异常值数量；

所述角点特征指标的获取方法包括：

对所述烟丝区域进行角点检测，获得所述烟丝区域中角点；

根据所述角点的坐标采用DBSCAN聚类算法对所述角点进行聚类，获得至少一个聚类簇，以所述聚类簇的数量作为分布指标；将所述角点的数量与所述分布指标相乘，获得角点特征指标；

所述烟丝易碎程度指标获取方法包括：

根据所述角点特征指标和所述边缘变化特征指标构建的烟丝易碎程度指标公式，所述烟丝易碎程度指标公式包括：

其中，为烟丝易碎程度指标，为所述角点特征指标，为所述烟丝骨架上的像素点数量，为所述烟丝骨架上的第个像素点与一条边缘轮廓的边缘变化特征，为所述烟丝骨架上的第个像素点与另一条子边缘轮廓的边缘变化特征。

2.根据权利要求1所述的一种基于机器视觉的烟丝结构检测方法，其特征在于，获得烟丝二值图像包括：

通过风选室去除烟丝中的其他杂物获得散落烟丝，采集散落烟丝的RGB图像；对所述RGB图像进行滤波处理，并将所述RGB图像转换为灰度图像；对所述灰度图像进行大津阈值分割获得所述烟丝二值图像。

3.根据权利要求1所述的一种基于机器视觉的烟丝结构检测方法，其特征在于，所述烟丝区域细化处理得到烟丝骨架包括：

采用Hilditch算法对所述烟丝区域进行细化处理，获得所述烟丝区域的所述烟丝骨架。

4.根据权利要求1所述的一种基于机器视觉的烟丝结构检测方法，其特征在于，根据所述烟丝骨架的像素点数量在所述烟丝二值图像中筛选出碎丝区域和整丝区域包括：

将所述烟丝二值图像中的各个所述烟丝骨架的像素点数量组成数量序列；并所述数量序列进行Mann-Kendall异常值检测，获得所述数量序列中的数量异常值；并将所述数量异常值对应的所述烟丝区域记为所述碎丝区域，其余所述烟丝区域记为所述整丝区域。

5.根据权利要求1所述的一种基于机器视觉的烟丝结构检测方法，其特征在于，根据所述烟丝易碎程度指标在整丝区域中筛选出破损整丝区域和完好整丝区域包括：

将所述烟丝易碎程度指标进行归一化处理获得烟丝易碎程度；

当所述烟丝易碎程度大于预设阈值时，将所述烟丝区域记为破损整丝区域；

当所述烟丝易碎程度小于等于预设易碎程度阈值时，将所述烟丝区域记为完好整丝区域。

Images