基于支持向量机的条烟包装外观缺陷检测

来源:用户上传      作者:

　　摘  要： 针对卷烟生产过程中条烟包装外观缺陷问题，提出一种基于支持向量机（SVM）的条烟包装缺陷图像检测方法。该方法首先采用模板匹配法定位条烟检测区域;然后利用Haar小波变换进行频域分解，并通过灰度共生矩阵算法对频域图提取纹理特征;最后结合纹理特征建立条烟支持向量机分类模型，对待测样本进行分类识别。结果表明：基于SVM分类模型的识别率为96.1%，该方法通用性强，实时性好，满足条烟异常情况检测要求。与BP神经网络测试性能相比，分类性能优于BP神经网络。
　　关键词： 图像处理;缺陷检测;支持向量机;条烟
　　中图分类号： TP391.41    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2020.01.045
　　本文著录格式：孙娜，管一弘，崔云月，等. 基于支持向量机的条烟包装外观缺陷检测[J]. 软件，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
　　随着烟草企业生产技术的现代化发展，香烟生产过程的集成度越来越高，香烟在包装过程中会出现一些不可避免的外观缺陷，比如：翘边、透明纸破损、包装纸破损、无透明纸、包装纸污染等问题[1]，严重影响了产品质量和视觉效果。因此，卷烟包装外观缺陷检测成为了卷烟生产过程中的关键步骤。
　　对于卷烟包装缺陷检测，基于机器视觉的检测方法成为了当今的主流，但在实际生产过程中，由于每台包装设备生产的条烟包装外观各不相同，导致条烟包装外观检测系统出现稳定性差、通用性不强、处理精度不高、检测缺陷类型不够完善等问题。为此，研究人员展开了深入的研究，文献[2]研究了烟条外观检测系统软件设计方法，通过对增强的图像进行纹理分析、模板匹配判断有无外观缺陷。该方法检测模块较多，操作复杂。文献[3]提出了一种基于视觉感知特征的条烟异常检测算法，该算法从视觉感知角度对图像进行特征提取，利用不同分类器对条烟生产中的异常情况进行检测。该方法虽然满足精度要求，但算法的实时性还有待提高。文献[4]设计了一种新型的BV包装机条烟外观视觉检测系统，运用Haar算法提取图像特征并进行特征匹配，实现对条烟外观缺陷的检测与剔除。该方法虽然检测精度高，但只能针对拉线及透明纸缺陷检测，检测缺陷类型不够完善。
　　针对以上条烟包装检测问题，提出一种基于支持向量机（Support Vector Machine，SVM）[5]的条烟包装外观缺陷检测方法。该方法通过模板匹配法准确定位条烟位置后，结合 Haar小波变换和灰度共生矩阵算法提取条烟特征参数，建立一种支持向量机分类模型。结果表明该方法具有较高的分类准确性和实效性，满足条烟异常情况检测要求。
　　1  条烟图像定位
　　在图像采集过程中，由于相机存在抖动或传感器触发延迟等问题，导致条烟的位置会有少量的偏移，因此需要对条烟图像进行定位处理以消除相机抖动或触发延迟带来的误判[6]。本文采用基于相关的图像模板匹配法对图像进行定位，该方法的基本原理是通过设定条烟模板子图像作为标准模板，将该模板在待测图像中逐像素移动并计算每个像素位置的灰度乘积之和，即相关性。标准模板与待测图像的相关性表达式为：
　　4  结果与分析
　　4.1  基于SVM的条烟外观缺陷检测结果
　　本文以烟厂企业实际生产环境下的图片为研究对象，图像大小为480×640像素，选取220张训练集和178张测试集构成总样本，其中，训练集包括缺陷图像120张和合格图像100张;测试集包括缺陷图像90张和合格图像88张。测试集和训练集中缺陷类型有透明纸破损、透明纸褶皱、包装纸反包、無透明纸、包装纸破损，且有同时存在多缺陷的情况。为了比较不同核函数SVM对条烟的分类情况，分别采用多项式、RBF、线性核函数对样本进行试验，并对参数寻优，使得SVM分类器性能最佳。不同核函数的分类结果如表1所示。 　　核函数的选择是支持向量机分类器性能的重要影响因素，由表1可以看出，利用RBF核函数对条烟测试的分类性能最高，总样本的识别率达到了96.1%，利用线性核函数的SVM分类器识别性能次之，多项式核函数的分类效果最差。由于条烟包装外观缺陷类型复杂，而RBF核函数具有较强的局域性，可以拟合复杂的分类超平面，且性能稳定，因此，本文选取RBF核函数作为条烟支持向量机分类器的核函数。利用RBF核函数对图像进行训练，惩罚参数C和核参数 是影响分类性能的主要因素，实验采用遗传（Genetic Algorithm，GA）算法[12]对参数寻优，最优参数为C=2.0128， =1。以上测试集样本中详细缺陷分类结果如表2所示。
　　在实际生产过程中，每台包装设备生产的条烟包装外观各不相同，为了验证算法的有效性，实验对不同品牌、不同包装外观的条烟进行检测，并统计分类耗时。利用本文提出的缺陷检测算法分别对两种品牌的条烟进行试验，识别精度均达到了97%以上，检测效果较好，具有一定的通用性。根据生产线上要求，条烟缺陷的检测速度需控制在1秒以内，以上两种品牌条烟的平均耗时分别为0.512秒/条、0.755秒/条，满足实时性检测要求。不同条烟分类及耗时结果如表3所示。
　　4.2  SVM与BP神经网络测试性能对比
　　为了比较SVM的分类性能，本文利用RBF核函数SVM和BP神经网络分别对条烟图像进行试验。BP神经网络结构由输入层、隐含层及输出层组成，如图6所示。将特征向量T作为BP神经网络的输入数据，隐含层的节点数为10，输出层的节点数为2，两个节点分别表示合格与不合格的两种类别。在BP神经网络测试过程中，同样选取220张训练集和178张测试集构成总样本进行分类测试，其分类结果与SVM分类器的分类效果对比如表4所示。
　　由表4可以看出，基于SVM的条烟分类模型的分类性能明显高于BP神经网络。采用RBF核函数的SVM分類器对条烟检测的识别率为96.1%，比BP神经网络的分类性能提升了6.8%。这是由于在模型训练过程中，BP神经网络对样本数据的数量比较敏感，在小样本、非线性和高维数的情况下，容易出现收敛速度慢、过学习、稳定性差等问题，而支持向量机可以将低维样本数据映射到高维特征向量空间，并在高维空间中构造最优超平面，实现样本数据的正确分类。因此，这种基于支持向量机的条烟缺陷图像检测方法能够很好地应用于条烟包装外观缺陷检测中。
　　5  结论
　　本文提出了一种基于支持向量机的条烟包装缺陷检测方法。算法采用Haar小波变换得到频域图，并对频域子图进行线性加权计算以增强图像细节部分，利用灰度共生矩阵提取纹理特征作为支持向量机的输入向量，构建分类模型，实现对条烟图像的视觉检测。实验把条烟外观中的有无缺陷看作两种不同的类别模式，利用支持向量机对两类样本进行分类判断，通过对比实验验证了算法的识别准确率，通用性和实时性。结果表明，基于SVM的分类方法对条烟缺陷图像检测的识别率为96.1%，分类性能优于BP神经网络，该方法可靠性高，通用性强，精度高，实时性好，有效实现了条烟包装外观缺陷检测，满足条烟外观缺陷检测要求。
　　参考文献
　　[1] 李琦. 卷烟条包外观缺陷检测系统的设计[D]. 南昌： 南昌大学， 2016： 3-6.
　　[2] 赵霙， 郑启旺， 徐邓， 等. 烟条外观检测软件系统设计[J]. 机械制造与自动化， 2012， 41（02）： 132-134.
　　[3] 颜西斌. 基于视觉感知特征的条烟异常检测算法[J]. 烟草科技， 2016， 49（01）： 78-83.
　　[4] 蔡培良， 何邦贵， 华卫， 等. BV包装机条烟外观质量检测装置的设计[J]. 包装工程， 2018， 39（23）： 143-150.
　　[5] Guenther N， Schonlau M. Support vector machines[J]. The Stata Journal， 2016， 16（4）： 917-937.
　　[6] 张传栋， 徐汉飞， 陈弘毅， 等. 基于超红图像与轮廓曲率的苹果目标识别与定位方法研究[J]. 软件， 2015， 36（08）： 30-35.
　　[7] 常灿. 基于图像识别的香烟包封条缺陷检测方法[D]. 北京： 北京化工大学， 2014： 29-35.
　　[8] 李艳飞， 秦飞龙， 周仲礼. 改进的小波变换算法在地震数据降噪处理中的应用[J]. 软件， 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] 闫江宝， 谭向宇， 张长胜， 等. 小波分析和支持向量机在供水短期负荷预测中的应用[J]. 软件， 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.
转载注明来源:https://www.xzbu.com/8/view-15120781.htm