基于CNN技術(shù)的稅票粘貼質(zhì)量在線檢測

引言

隨著我國出口煙比重的增大,其產(chǎn)品質(zhì)量也越來越受到重視,稅票成為了生產(chǎn)中的重點關(guān)注對象。稅票是否粘貼正確,不合格稅票煙是否能被準確剔除,對公司出口煙的質(zhì)量產(chǎn)生直接影響。由于目前國內(nèi)生產(chǎn)稅票煙的煙廠不多,相關(guān)方面的檢測研究也相對較少。當前檢測稅票的主要裝置就是GDx2出廠選配的原裝檢測傳感器,只是用來檢測有無稅票,沒有進行定位檢測,不能全方面判斷稅票粘貼的質(zhì)量好壞。

CNN是第一個真正成功訓(xùn)練多層網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)算法,目前廣泛應(yīng)用于語音識別和圖像處理。該網(wǎng)絡(luò)結(jié)構(gòu)更類似于生物神經(jīng)網(wǎng)絡(luò),降低了網(wǎng)絡(luò)模型的復(fù)雜度,減少了權(quán)值的數(shù)量,這使其在進行圖像處理時有相對簡單的特征識別和模型建立機制。關(guān)于CNN在圖像處理方面的應(yīng)用研究已經(jīng)有很多成功的先例,主要體現(xiàn)在深度學(xué)習(xí)后的系統(tǒng)智能性高、辨識度強、實用性強。本文旨在研發(fā)一套基于CNN技術(shù)的高精度稅票檢測裝置,從而實現(xiàn)對稅票粘貼質(zhì)量的實時監(jiān)控、判定,以及對不合格稅票煙的剔除。

1系統(tǒng)設(shè)計

整個系統(tǒng)主要實現(xiàn)稅票煙包的圖像采集、圖像分析處理、圖像處理結(jié)果反饋執(zhí)行三大部分:從整個硬件架構(gòu)來說,主要由工控機(控制系統(tǒng))、圖像采集器和底層下位機(執(zhí)行系統(tǒng))組成。

1.1稅票煙包圖像采集系統(tǒng)的技術(shù)原理

稅票圖像采集系統(tǒng)主要包含一個檢測終端和一個中央控制p1C,其中檢測終端又可以分成三個部分,分別是一個設(shè)于煙包通道上方的外部框架,對稱安裝于所述外部框架上且均朝向煙包通道照射的兩個光源和煙包通道上用于采集煙包稅票圖像的一個工業(yè)相機。檢測終端的具體構(gòu)成如圖1所示。

當煙包進入檢測區(qū)域時,光電傳感器檢測到煙包,并迅速將該檢測信號通過控制系統(tǒng)通知光源控制器控制光源發(fā)出采集圖像所需的光,同時,工業(yè)相機進行圖像采集工作,在檢測框架內(nèi)的特定位置及時攝取帶有稅票的煙包圖像,此圖像將作為檢測系統(tǒng)的原始圖像,供工控機中的檢測軟件進行稅票粘貼質(zhì)量的判斷。

1.2圖像清晰度增強處理

該裝置設(shè)計了一個專用的光源控制器,輔助相機提高圖像采集的清晰度。光源控制器的控制結(jié)構(gòu)如圖2所示。該輔助系統(tǒng)工作時,工業(yè)相機進行支架內(nèi)環(huán)境的圖像試采集,將該圖像反饋給工控機進行分析。工控機將該分析結(jié)果傳輸給光源控制器,光源控制器根據(jù)分析結(jié)果進行光照強度調(diào)節(jié),并將這一調(diào)節(jié)值進行存儲。稅票煙包由包裝機的煙包通道進入圖像采集點,定位傳感器檢測到煙包,將該信號傳輸給工控機。工控機根據(jù)這一時機信號,控制光源控制器的光源打開指令,光源控制器將之前存儲的光照強度調(diào)節(jié)值配合驅(qū)動電路使1ED光源打開,配合工業(yè)相機進行稅票圖像的采集。

2圖像處理方法

2.1圖像預(yù)處理

對于相機拍攝到的原始圖像,系統(tǒng)首先要進行一個預(yù)處理,去除圖像采集時由于光照、攝像頭參數(shù)和位置方向等因素造成的圖像干擾,這一過程包括圖像去噪、光照歸一化以及根據(jù)邊緣算法確定煙包的準確位置,排除環(huán)境的干擾因素,實現(xiàn)圖像的尺寸、旋轉(zhuǎn)和仿射歸一化處理,最終獲得清晰的包含有稅票信息的煙包區(qū)域圖片。具體步驟如下:

(1)圖像去噪:采取高斯型雙邊濾波等方法,在保持圖像邊緣信息的基礎(chǔ)上較好地去除噪聲干擾:

(2)光照歸一化:對圖像進行直方圖均衡,去除光照對成像的影響:

(3)圖像尺寸、旋轉(zhuǎn)和仿射歸一化。

采用sobe1等算法對圖像進行邊緣提取,然后采用Hough(霍夫)變換法提取邊緣圖像中的主要直線,根據(jù)主要直線定位出煙盒的4條邊界,對圖像進行尺寸、旋轉(zhuǎn)和仿射變換,實現(xiàn)歸一化處理。

2.2R1o區(qū)域提取

考慮到采集到的圖像分辨率過大,會造成運算量過大。此外,圖像背景上無關(guān)因素也會影響圖像檢測的精度。為此,采用提取ROI(感興趣區(qū)域)方法對圖像進行預(yù)處理。提取ROI區(qū)域能夠減少下一步目標檢測的搜索范圍,提高算法的精度和效率。

2.3目標檢測

稅票粘貼位置往往各不相同,在模板標定過程中也很難尋求一種較好的擬合方法來計算,本文采用卷積網(wǎng)絡(luò)算法進行了深度學(xué)習(xí),卷積神經(jīng)網(wǎng)絡(luò)是一個多層的神經(jīng)網(wǎng)絡(luò),每層由多個二維平面組成,而每個平面由多個獨立神經(jīng)元組成。

CNN算法將一副圖像通過多次的特征提取,成為C層,最終變成無數(shù)個子圖像(s層),使其接近于一個個的點,再通過函數(shù)關(guān)系將這些點換算成一個函數(shù)輸出值,通過該值與標準值的比較,進而識別稅票圖像的優(yōu)劣。

3稅票圖像分析系統(tǒng)的軟件

根據(jù)上文所述的分析原理,最終將這些算法集中表達至一個檢測軟件上,即稅票圖像檢測軟件。該軟件的功能及使用界面具體如下所述。

3.1軟件啟動與退出

電源通電,工控機系統(tǒng)啟動,系統(tǒng)啟動后延時1min,稅票外觀檢測系統(tǒng)會自動啟動并檢測P1C及工業(yè)相機的連接狀態(tài),如果都連接正常,則進行初始化及調(diào)取各個配置參數(shù),完成后即可等待相機觸發(fā)及檢測,如圖3所示。

圖3稅票檢測軟件的準備界面

3.2相機參數(shù)設(shè)置

相機參數(shù)的設(shè)置主要包括相機觸發(fā)模式、采集方式和相機曝光時間。

3.3檢測設(shè)置界面

在檢測設(shè)置界面,可以設(shè)置各種檢測方式,包括邊緣檢測、亮度檢測、自動學(xué)習(xí)模式和學(xué)習(xí)模板等功能。

該系統(tǒng)檢測結(jié)果有兩個缺陷輸出,其中模板檢測的第一個工具的缺陷輸出信號連著原機色標檢測信號,此工具連續(xù)出現(xiàn)3個NG會使主機停機,因此設(shè)置此工具時,盡量讓搜索框大一些,模板選取較大范圍的稅票圖案。其他的檢測工具對應(yīng)的缺陷輸出通過P1C設(shè)置的步距進行剔除,為保證剔除準確,每次剔除兩個疊包共4包。

4結(jié)語

本文介紹的基于CNN技術(shù)的高精度稅票檢測裝置加強了稅票圖像采集的清晰度,擺脫了包裝機空間狹小、通道灰暗的限制,為稅票檢測系統(tǒng)提供了最有利的硬件支持。該稅票檢測系統(tǒng)所采用的卷積神經(jīng)網(wǎng)絡(luò)圖像識別算法,在實際應(yīng)用中體現(xiàn)了其處理準確度高、算法精確的優(yōu)點,對于不合格稅票的檢測準確率達到了99%以上,并且計算速度快,不影響包裝機正常生產(chǎn),用戶反映良好。