基于CNN技术的税票粘贴质量在线检测

引言

随着我国出口烟比重的增大,其产品质量也越来越受到重视,税票成为了生产中的重点关注对象。税票是否粘贴正确,不合格税票烟是否能被准确剔除,对公司出口烟的质量产生直接影响。由于目前国内生产税票烟的烟厂不多,相关方面的检测研究也相对较少。当前检测税票的主要装置就是GDx2出厂选配的原装检测传感器,只是用来检测有无税票,没有进行定位检测,不能全方面判断税票粘贴的质量好坏。

CNN是第一个真正成功训练多层网络结构的学习算法,目前广泛应用于语音识别和图像处理。该网络结构更类似于生物神经网络,降低了网络模型的复杂度,减少了权值的数量,这使其在进行图像处理时有相对简单的特征识别和模型建立机制。关于CNN在图像处理方面的应用研究已经有很多成功的先例,主要体现在深度学习后的系统智能性高、辨识度强、实用性强。本文旨在研发一套基于CNN技术的高精度税票检测装置,从而实现对税票粘贴质量的实时监控、判定,以及对不合格税票烟的剔除。

1系统设计

整个系统主要实现税票烟包的图像采集、图像分析处理、图像处理结果反馈执行三大部分:从整个硬件架构来说,主要由工控机(控制系统)、图像采集器和底层下位机(执行系统)组成。

1.1税票烟包图像采集系统的技术原理

税票图像采集系统主要包含一个检测终端和一个中央控制p1C,其中检测终端又可以分成三个部分,分别是一个设于烟包通道上方的外部框架,对称安装于所述外部框架上且均朝向烟包通道照射的两个光源和烟包通道上用于采集烟包税票图像的一个工业相机。检测终端的具体构成如图1所示。

当烟包进入检测区域时,光电传感器检测到烟包,并迅速将该检测信号通过控制系统通知光源控制器控制光源发出采集图像所需的光,同时,工业相机进行图像采集工作,在检测框架内的特定位置及时摄取带有税票的烟包图像,此图像将作为检测系统的原始图像,供工控机中的检测软件进行税票粘贴质量的判断。

1.2图像清晰度增强处理

该装置设计了一个专用的光源控制器,辅助相机提高图像采集的清晰度。光源控制器的控制结构如图2所示。该辅助系统工作时,工业相机进行支架内环境的图像试采集,将该图像反馈给工控机进行分析。工控机将该分析结果传输给光源控制器,光源控制器根据分析结果进行光照强度调节,并将这一调节值进行存储。税票烟包由包装机的烟包通道进入图像采集点,定位传感器检测到烟包,将该信号传输给工控机。工控机根据这一时机信号,控制光源控制器的光源打开指令,光源控制器将之前存储的光照强度调节值配合驱动电路使1ED光源打开,配合工业相机进行税票图像的采集。

2图像处理方法

2.1图像预处理

对于相机拍摄到的原始图像,系统首先要进行一个预处理,去除图像采集时由于光照、摄像头参数和位置方向等因素造成的图像干扰,这一过程包括图像去噪、光照归一化以及根据边缘算法确定烟包的准确位置,排除环境的干扰因素,实现图像的尺寸、旋转和仿射归一化处理,最终获得清晰的包含有税票信息的烟包区域图片。具体步骤如下:

(1)图像去噪:采取高斯型双边滤波等方法,在保持图像边缘信息的基础上较好地去除噪声干扰:

(2)光照归一化:对图像进行直方图均衡,去除光照对成像的影响:

(3)图像尺寸、旋转和仿射归一化。

采用sobe1等算法对图像进行边缘提取,然后采用Hough(霍夫)变换法提取边缘图像中的主要直线,根据主要直线定位出烟盒的4条边界,对图像进行尺寸、旋转和仿射变换,实现归一化处理。

2.2R1o区域提取

考虑到采集到的图像分辨率过大,会造成运算量过大。此外,图像背景上无关因素也会影响图像检测的精度。为此,采用提取ROI(感兴趣区域)方法对图像进行预处理。提取ROI区域能够减少下一步目标检测的搜索范围,提高算法的精度和效率。

2.3目标检测

税票粘贴位置往往各不相同,在模板标定过程中也很难寻求一种较好的拟合方法来计算,本文采用卷积网络算法进行了深度学习,卷积神经网络是一个多层的神经网络,每层由多个二维平面组成,而每个平面由多个独立神经元组成。

CNN算法将一副图像通过多次的特征提取,成为C层,最终变成无数个子图像(s层),使其接近于一个个的点,再通过函数关系将这些点换算成一个函数输出值,通过该值与标准值的比较,进而识别税票图像的优劣。

3税票图像分析系统的软件

根据上文所述的分析原理,最终将这些算法集中表达至一个检测软件上,即税票图像检测软件。该软件的功能及使用界面具体如下所述。

3.1软件启动与退出

电源通电,工控机系统启动,系统启动后延时1min,税票外观检测系统会自动启动并检测P1C及工业相机的连接状态,如果都连接正常,则进行初始化及调取各个配置参数,完成后即可等待相机触发及检测,如图3所示。

图3税票检测软件的准备界面

3.2相机参数设置

相机参数的设置主要包括相机触发模式、采集方式和相机曝光时间。

3.3检测设置界面

在检测设置界面,可以设置各种检测方式,包括边缘检测、亮度检测、自动学习模式和学习模板等功能。

该系统检测结果有两个缺陷输出,其中模板检测的第一个工具的缺陷输出信号连着原机色标检测信号,此工具连续出现3个NG会使主机停机,因此设置此工具时,尽量让搜索框大一些,模板选取较大范围的税票图案。其他的检测工具对应的缺陷输出通过P1C设置的步距进行剔除,为保证剔除准确,每次剔除两个叠包共4包。

4结语

本文介绍的基于CNN技术的高精度税票检测装置加强了税票图像采集的清晰度,摆脱了包装机空间狭小、通道灰暗的限制,为税票检测系统提供了最有利的硬件支持。该税票检测系统所采用的卷积神经网络图像识别算法,在实际应用中体现了其处理准确度高、算法精确的优点,对于不合格税票的检测准确率达到了99%以上,并且计算速度快,不影响包装机正常生产,用户反映良好。