孫娜 管一弘 崔云月

摘 ?要： 針對(duì)卷煙生產(chǎn)過(guò)程中條煙包裝外觀缺陷問(wèn)題，提出一種基于支持向量機(jī)（SVM）的條煙包裝缺陷圖像檢測(cè)方法。該方法首先采用模板匹配法定位條煙檢測(cè)區(qū)域;然后利用Haar小波變換進(jìn)行頻域分解，并通過(guò)灰度共生矩陣算法對(duì)頻域圖提取紋理特征;最后結(jié)合紋理特征建立條煙支持向量機(jī)分類模型，對(duì)待測(cè)樣本進(jìn)行分類識(shí)別。結(jié)果表明：基于SVM分類模型的識(shí)別率為96.1%，該方法通用性強(qiáng)，實(shí)時(shí)性好，滿足條煙異常情況檢測(cè)要求。與BP神經(jīng)網(wǎng)絡(luò)測(cè)試性能相比，分類性能優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

關(guān)鍵詞： 圖像處理;缺陷檢測(cè);支持向量機(jī);條煙

中圖分類號(hào)： TP391.41 ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ?DOI：10.3969/j.issn.1003-6970.2020.01.045

本文著錄格式：孫娜，管一弘，崔云月，等. 基于支持向量機(jī)的條煙包裝外觀缺陷檢測(cè)[J]. 軟件，2020，41（01）：205210

【Abstract】： Aiming at the appearance defects of cigarette packaging in cigarette production process， an image detection method of cigarette packaging defects based on support vector machine （SVM） is proposed. Firstly， the template matching method is used to locate the cigarette detection area. Then， Haar wavelet transform is used to decompose the frequency domain， and texture feature is extracted from frequency domain image by gray level co-occurrence matrix algorithm. Finally， a support vector machine classification model is established based on texture feature， and the samples to be tested are classified and recognized. The results show that the recognition rate based on SVM classification model is 96.1%. The method is universal and real-time， and meets the detection requirements of abnormal situation of cigarettes. Compared with BP neural network， its classification performance is better than BP neural network.

【Key words】： Image processing; Defect detection; Support vector machine; Cigarette

0 ? 引言

隨著煙草企業(yè)生產(chǎn)技術(shù)的現(xiàn)代化發(fā)展，香煙生產(chǎn)過(guò)程的集成度越來(lái)越高，香煙在包裝過(guò)程中會(huì)出現(xiàn)一些不可避免的外觀缺陷，比如：翹邊、透明紙破損、包裝紙破損、無(wú)透明紙、包裝紙污染等問(wèn)題[1]，嚴(yán)重影響了產(chǎn)品質(zhì)量和視覺(jué)效果。因此，卷煙包裝外觀缺陷檢測(cè)成為了卷煙生產(chǎn)過(guò)程中的關(guān)鍵步驟。

對(duì)于卷煙包裝缺陷檢測(cè)，基于機(jī)器視覺(jué)的檢測(cè)方法成為了當(dāng)今的主流，但在實(shí)際生產(chǎn)過(guò)程中，由于每臺(tái)包裝設(shè)備生產(chǎn)的條煙包裝外觀各不相同，導(dǎo)致條煙包裝外觀檢測(cè)系統(tǒng)出現(xiàn)穩(wěn)定性差、通用性不強(qiáng)、處理精度不高、檢測(cè)缺陷類型不夠完善等問(wèn)題。為此，研究人員展開(kāi)了深入的研究，文獻(xiàn)[2]研究了煙條外觀檢測(cè)系統(tǒng)軟件設(shè)計(jì)方法，通過(guò)對(duì)增強(qiáng)的圖像進(jìn)行紋理分析、模板匹配判斷有無(wú)外觀缺陷。該方法檢測(cè)模塊較多，操作復(fù)雜。文獻(xiàn)[3]提出了一種基于視覺(jué)感知特征的條煙異常檢測(cè)算法，該算法從視覺(jué)感知角度對(duì)圖像進(jìn)行特征提取，利用不同分類器對(duì)條煙生產(chǎn)中的異常情況進(jìn)行檢測(cè)。該方法雖然滿足精度要求，但算法的實(shí)時(shí)性還有待提高。文獻(xiàn)[4]設(shè)計(jì)了一種新型的BV包裝機(jī)條煙外觀視覺(jué)檢測(cè)系統(tǒng)，運(yùn)用Haar算法提取圖像特征并進(jìn)行特征匹配，實(shí)現(xiàn)對(duì)條煙外觀缺陷的檢測(cè)與剔除。該方法雖然檢測(cè)精度高，但只能針對(duì)拉線及透明紙缺陷檢測(cè)，檢測(cè)缺陷類型不夠完善。

針對(duì)以上條煙包裝檢測(cè)問(wèn)題，提出一種基于支持向量機(jī)（Support Vector Machine，SVM）[5]的條煙包裝外觀缺陷檢測(cè)方法。該方法通過(guò)模板匹配法準(zhǔn)確定位條煙位置后，結(jié)合 Haar小波變換和灰度共生矩陣算法提取條煙特征參數(shù)，建立一種支持向量機(jī)分類模型。結(jié)果表明該方法具有較高的分類準(zhǔn)確性和實(shí)效性，滿足條煙異常情況檢測(cè)要求。

1 ?條煙圖像定位

在圖像采集過(guò)程中，由于相機(jī)存在抖動(dòng)或傳感器觸發(fā)延遲等問(wèn)題，導(dǎo)致條煙的位置會(huì)有少量的偏移，因此需要對(duì)條煙圖像進(jìn)行定位處理以消除相機(jī)抖動(dòng)或觸發(fā)延遲帶來(lái)的誤判[6]。本文采用基于相關(guān)的圖像模板匹配法對(duì)圖像進(jìn)行定位，該方法的基本原理是通過(guò)設(shè)定條煙模板子圖像作為標(biāo)準(zhǔn)模板，將該模板在待測(cè)圖像中逐像素移動(dòng)并計(jì)算每個(gè)像素位置的灰度乘積之和，即相關(guān)性。標(biāo)準(zhǔn)模板與待測(cè)圖像的相關(guān)性表達(dá)式為：

4 ?結(jié)果與分析

4.1 ?基于SVM的條煙外觀缺陷檢測(cè)結(jié)果

本文以煙廠企業(yè)實(shí)際生產(chǎn)環(huán)境下的圖片為研究對(duì)象，圖像大小為480×640像素，選取220張訓(xùn)練集和178張測(cè)試集構(gòu)成總樣本，其中，訓(xùn)練集包括缺陷圖像120張和合格圖像100張;測(cè)試集包括缺陷圖像90張和合格圖像88張。測(cè)試集和訓(xùn)練集中缺陷類型有透明紙破損、透明紙褶皺、包裝紙反包、無(wú)透明紙、包裝紙破損，且有同時(shí)存在多缺陷的情況。為了比較不同核函數(shù)SVM對(duì)條煙的分類情況，分別采用多項(xiàng)式、RBF、線性核函數(shù)對(duì)樣本進(jìn)行試驗(yàn)，并對(duì)參數(shù)尋優(yōu)，使得SVM分類器性能最佳。不同核函數(shù)的分類結(jié)果如表1所示。

核函數(shù)的選擇是支持向量機(jī)分類器性能的重要影響因素，由表1可以看出，利用RBF核函數(shù)對(duì)條煙測(cè)試的分類性能最高，總樣本的識(shí)別率達(dá)到了96.1%，利用線性核函數(shù)的SVM分類器識(shí)別性能次之，多項(xiàng)式核函數(shù)的分類效果最差。由于條煙包裝外觀缺陷類型復(fù)雜，而RBF核函數(shù)具有較強(qiáng)的局域性，可以擬合復(fù)雜的分類超平面，且性能穩(wěn)定，因此，本文選取RBF核函數(shù)作為條煙支持向量機(jī)分類器的核函數(shù)。利用RBF核函數(shù)對(duì)圖像進(jìn)行訓(xùn)練，懲罰參數(shù)C和核參數(shù) 是影響分類性能的主要因素，實(shí)驗(yàn)采用遺傳（Genetic Algorithm，GA）算法[12]對(duì)參數(shù)尋優(yōu)，最優(yōu)參數(shù)為C=2.0128， =1。以上測(cè)試集樣本中詳細(xì)缺陷分類結(jié)果如表2所示。

在實(shí)際生產(chǎn)過(guò)程中，每臺(tái)包裝設(shè)備生產(chǎn)的條煙包裝外觀各不相同，為了驗(yàn)證算法的有效性，實(shí)驗(yàn)對(duì)不同品牌、不同包裝外觀的條煙進(jìn)行檢測(cè)，并統(tǒng)計(jì)分類耗時(shí)。利用本文提出的缺陷檢測(cè)算法分別對(duì)兩種品牌的條煙進(jìn)行試驗(yàn)，識(shí)別精度均達(dá)到了97%以上，檢測(cè)效果較好，具有一定的通用性。根據(jù)生產(chǎn)線上要求，條煙缺陷的檢測(cè)速度需控制在1秒以內(nèi)，以上兩種品牌條煙的平均耗時(shí)分別為0.512秒/條、0.755秒/條，滿足實(shí)時(shí)性檢測(cè)要求。不同條煙分類及耗時(shí)結(jié)果如表3所示。

4.2 ?SVM與BP神經(jīng)網(wǎng)絡(luò)測(cè)試性能對(duì)比

為了比較SVM的分類性能，本文利用RBF核函數(shù)SVM和BP神經(jīng)網(wǎng)絡(luò)分別對(duì)條煙圖像進(jìn)行試驗(yàn)。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層及輸出層組成，如圖6所示。將特征向量T作為BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，隱含層的節(jié)點(diǎn)數(shù)為10，輸出層的節(jié)點(diǎn)數(shù)為2，兩個(gè)節(jié)點(diǎn)分別表示合格與不合格的兩種類別。在BP神經(jīng)網(wǎng)絡(luò)測(cè)試過(guò)程中，同樣選取220張訓(xùn)練集和178張測(cè)試集構(gòu)成總樣本進(jìn)行分類測(cè)試，其分類結(jié)果與SVM分類器的分類效果對(duì)比如表4所示。

由表4可以看出，基于SVM的條煙分類模型的分類性能明顯高于BP神經(jīng)網(wǎng)絡(luò)。采用RBF核函數(shù)的SVM分類器對(duì)條煙檢測(cè)的識(shí)別率為96.1%，比BP神經(jīng)網(wǎng)絡(luò)的分類性能提升了6.8%。這是由于在模型訓(xùn)練過(guò)程中，BP神經(jīng)網(wǎng)絡(luò)對(duì)樣本數(shù)據(jù)的數(shù)量比較敏感，在小樣本、非線性和高維數(shù)的情況下，容易出現(xiàn)收斂速度慢、過(guò)學(xué)習(xí)、穩(wěn)定性差等問(wèn)題，而支持向量機(jī)可以將低維樣本數(shù)據(jù)映射到高維特征向量空間，并在高維空間中構(gòu)造最優(yōu)超平面，實(shí)現(xiàn)樣本數(shù)據(jù)的正確分類。因此，這種基于支持向量機(jī)的條煙缺陷圖像檢測(cè)方法能夠很好地應(yīng)用于條煙包裝外觀缺陷檢測(cè)中。

5 ?結(jié)論

本文提出了一種基于支持向量機(jī)的條煙包裝缺陷檢測(cè)方法。算法采用Haar小波變換得到頻域圖，并對(duì)頻域子圖進(jìn)行線性加權(quán)計(jì)算以增強(qiáng)圖像細(xì)節(jié)部分，利用灰度共生矩陣提取紋理特征作為支持向量機(jī)的輸入向量，構(gòu)建分類模型，實(shí)現(xiàn)對(duì)條煙圖像的視覺(jué)檢測(cè)。實(shí)驗(yàn)把條煙外觀中的有無(wú)缺陷看作兩種不同的類別模式，利用支持向量機(jī)對(duì)兩類樣本進(jìn)行分類判斷，通過(guò)對(duì)比實(shí)驗(yàn)驗(yàn)證了算法的識(shí)別準(zhǔn)確率，通用性和實(shí)時(shí)性。結(jié)果表明，基于SVM的分類方法對(duì)條煙缺陷圖像檢測(cè)的識(shí)別率為96.1%，分類性能優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，該方法可靠性高，通用性強(qiáng)，精度高，實(shí)時(shí)性好，有效實(shí)現(xiàn)了條煙包裝外觀缺陷檢測(cè)，滿足條煙外觀缺陷檢測(cè)要求。

參考文獻(xiàn)

[1] 李琦. 卷煙條包外觀缺陷檢測(cè)系統(tǒng)的設(shè)計(jì)[D]. 南昌： 南昌大學(xué)， 2016： 3-6.

[2] 趙霙， 鄭啟旺， 徐鄧， 等. 煙條外觀檢測(cè)軟件系統(tǒng)設(shè)計(jì)[J]. 機(jī)械制造與自動(dòng)化， 2012， 41（02）： 132-134.

[3] 顏西斌. 基于視覺(jué)感知特征的條煙異常檢測(cè)算法[J]. 煙草科技， 2016， 49（01）： 78-83.

[4] 蔡培良， 何邦貴， 華衛(wèi)， 等. BV包裝機(jī)條煙外觀質(zhì)量檢測(cè)裝置的設(shè)計(jì)[J]. 包裝工程， 2018， 39（23）： 143-150.

[5] Guenther N， Schonlau M. Support vector machines[J]. The Stata Journal， 2016， 16（4）： 917-937.

[6] 張傳棟， 徐漢飛， 陳弘毅， 等. 基于超紅圖像與輪廓曲率的蘋果目標(biāo)識(shí)別與定位方法研究[J]. 軟件， 2015， 36（08）： 30-35.

[7] 常燦. 基于圖像識(shí)別的香煙包封條缺陷檢測(cè)方法[D]. 北京： 北京化工大學(xué)， 2014： 29-35.

[8] 李艷飛， 秦飛龍， 周仲禮. 改進(jìn)的小波變換算法在地震數(shù)據(jù)降噪處理中的應(yīng)用[J]. 軟件， 2013， 34（06）： 40-43.

[9] Mohanaiah P， Sathyanarayana P， GuruKumar L. Image texture feature extraction using GLCM approach[J]. International Journal of Scientific and Research Publications， 2013， 3（5）： 1.

[10] 閆江寶， 譚向宇， 張長(zhǎng)勝， 等. 小波分析和支持向量機(jī)在供水短期負(fù)荷預(yù)測(cè)中的應(yīng)用[J]. 軟件， 2017， 38（09）： 122-126.

[11] Shalini Puri， Satya Prakash Singh. An efficient Devanagari character classification in printed and handwritten documents using SVM[J]. Procedia Computer Science， 2019， 152.

[12] Fan X. Network traffic chaotic prediction based on genetic algorithm optimization and support vector machine[J]. Modern Electronics Technique， 2018， 2018（18）： 40.