基于机器视觉的烟支缺陷在线检测系统精度优化研究

引言

烟草制造业是高度自动化的传统行业，其卷接包设备的生产速度极高，每分钟可生产上万支香烟。在此过程中，烟支不可避免地会出现各种缺陷， 滤嘴缺陷（变形、压痕、切口不平等）、空头、表面瑕疵（污渍、色差、皱褶、搭口不良）、钢印缺陷（模糊、 缺失、错位）、长度或直径超差等。这些缺陷不仅影响产品美观，更可能涉及内部质量（如空头导致填充密度不 从而 重影响消费者的吸食体验和品牌形象。然而，在实际应用中，检测精度受到生产线高速运行、 工业环境复杂（振动、粉尘、光照变化）、缺陷类型多样且形态多变等诸多挑战。因此，对现有系统进行持续的精度优化分析，具有显著的经济价值和应用意义。

1、烟支缺陷在线检测系统构

1.1、图像采集模块

图像采集模块是系统的“眼睛”，其核心是工业相机（面阵或线阵CCD/CMOS）、配套的光学镜头以及精心设计的光源系统。针对烟支的不同检测项，通常会采用不同的光源配置（如背光、前光、同轴光、漫射光）和相机布置。例如，检测空头、长度、直径等多采用背光照明，获取烟支的轮廓信息；而检测表面瑕疵、钢印等则采用前向照明（如低角度环形光、 dome 光），以凸显表面的纹理特征。

.2、数据处理与分析模块

数据处理与分析模块是系统的“大脑”，核心是工业计算机（IPC）或嵌入式处理单元。它运行着专用的图像处理和分析算法，负责对采集到的图像进行预处理、特征提取、缺陷识别与分类决策。算法的效率和准确性直接决定了整个系统的性能。

1.3、执行与通信模块

执行与通信模块是系统的“手脚”，一旦识别出缺陷，处理模块会发出指令，通过I/O 接口驱动下游的剔除装置（如高压气阀）将缺陷品准确剔除。同时，系统通过工业网络（如Ethernet/IP、Profinet）与上层MES（制造执行系统）或SCADA（数据采集与监视控制系统）进行通信，上传检测结果、生产计数、质量报表等数据。

2、影响检测精度的关键因素

2.1、硬件因素

分辨率决定了可分辨的细节最小尺寸，帧率必须与生产线速度匹配，避免出现拖影或漏检。传感器的动态范围、信噪比等也直接影响图像质量。 景深 畸变控制等参数至关重要，不合适的镜头会导致成像模糊、边缘畸变，严重影响测量 视觉中最关键却又最易被忽视的环节。光照的稳定性、均匀性、角度直接决 与座车 光照不均或亮度波动是导致误检和漏检的主要原因之一。相机的安装稳定性、 的机械振动会导致图像抖动模糊，环境中的粉尘、油污会污染镜头和光源，逐渐降低图像质量。环境杂散光也会干扰既定的照明效果。

2.2、软件与算法因素

预处理旨在提升图像信噪比，为后续分析做准备，滤波去噪、对比度增强、背景校正等算法的选择与参数设置直接影响特征提取的有效性。传统算法依赖于人工设计的特征（如灰度、纹理、几何形状、HOG 等）。特征选择的优劣直接决定了分类器性能的上限。对于多变、不规则的缺陷，手工设计鲁棒性强且区分度高的特征极为困难。阈值分割、模板匹配、支持向量机（SVM）等传统算法在规则缺陷上表现良好，但对于复杂、模糊或新型缺陷，其自适应能力和泛化能力较差，容易产生误判。

2.3、系统集成因素

图像采集的触发信号必须与烟支到达检测工位的时刻精确同步，微小的延迟或提前都会导致采集位置错误，特别是对于需要多相机协同检测的项目（如圆周、长度）。从系统识别出缺陷到发出剔除信号，再到剔除器执行动作，存在一个固定的时间延迟。这个延时必须被精确测量和设置，确保缺陷品运动到剔除喷嘴正下方时被准确吹出。延时不准会导致“误剔”（好烟被剔）或“漏剔”（坏烟没被剔）[1]。

3、基于机器视觉的烟支缺陷在线检测系统精度优化分析

3.1、成像系统硬件优化

高质量的原始图像是保证高检测精度的基石，硬件优化的目标是获取高对比度、高清晰度、低噪声且均匀稳定的缺陷图像。光源选型，针对烟支的纸质表面和不同缺陷的特性，选用特定波长的LED 光源。例如，利用烟支纸在蓝光波段（450nm 左右）反射率较高的特性，采用蓝色平行光轴照明，可以极大地增强表面划痕、凹坑等三维缺陷的对比度，同时抑制烟丝本身纹理的干扰；照明方式根据烟支圆柱形的特点，采用背光照明检测轮廓缺陷（如缩头、空松），采用低角度环形光或同轴光照明检测表面瑕疵（如污渍、黑点）。采用坚固的机械结构安装相机和光源，并使用编码器与生产线主轴同步，实现硬触发采集。编码器每输出一个脉冲，相机采集一行图像，确保每支烟包的图像长度严格一致，消除因速度波动导致的图像拉伸或压缩，为精确定位奠定基础[2]。

3.2、图像处理算法优化

图像预处理增强，采用自适应直方图均衡化（CLAHE）增强图像局部对比度，避免全局处理带来的过度增强，另外采用高斯滤波或中值滤波进行噪声抑制，在去噪和保留边缘细节之间取得平衡。缺陷区域提取算法优化，对于光照不均的图像，采用自适应阈值分割（如局部 Otsu 算法）或背景差分法替代全局阈值分割，能更好地分割出缺陷区域。另外采用轻量化的改进型 YOLOv5 模型作为骨干网络。针对烟支缺陷小目标多的特点，在Neck 部分增加了一个更精细的小目标检测层，并优化了Anchor Box 的尺寸，使其更适合烟支缺陷的尺度分布，该分支负责快速定位和识别明显的、具有特定形状的缺陷（如缩头、破损）[3]。

3.3、系统集成与标定优化

高精度标定，采用高精度的标定板，对相机进行畸变校正和精确标定，建立图像像素坐标与烟支物理坐标的精确映射关系。这是确保后续剔除动作准确无误的前提；实时性优化，算法部署在高性能 GPU 上，并利用TensorRT 等工具对深度学习模型进行量化、剪枝和加速，确保满足生产线的高速实时性要求；闭环反馈与自学习，系统记录每次剔除的图像和结果，操作员可对误剔除和漏检的样本进行复核和标注，这些新标注的数据可定期加入训练集，对模型进行增量学习，使系统具备持续优化和适应新缺陷的能力[4]。

结束语

烟支缺陷在线检测系统的精度优化是一个涉及光、机、电、算、软等多个领域的系统性工程，而非简单的参数调整。展望未来，本研究可进一步向以下方向发展：一是探索更轻量化的神经网络模型，以适应在嵌入式设备上的部署，降低成本；二是研究少样本学习或无监督学习技术，以解决工业应用中缺陷样本稀少、标注成本高的问题；三是将多光谱或高光谱成像技术与机器学习结合，以检测更深层次、人眼无法识别的内部或化学性质缺陷，最终实现烟支质量检测的全面智能化。

参考文献：

[1] 陈 洪 斌 , 邓 超 , 王 军 , 等 . 基 于 改 进 YOLOv5s 的 烟 支 外 观 缺 陷 检 测 方 法 [J]. 自 动 化 应用,2025,66(08):79-84+88.DOI:10.19769/j.zdhy.2025.08.021.

[2]孙伟,付冲,杨凯,等. ZJ119 卷接机组烟支空头剔除率高问题分析[J].造纸装备及材料,2025,54(04):19-21.

[3] 陈 瑞 召 . 基 于 激 光 扫 描 和 深 度 学 习 的 微 盲 孔 形 态 检 测 技 术 研 究 [D]. 河 南 工 业 大学,2025.DOI:10.27791/d.cnki.ghegy.2025.000157.

[4]钟林富,何逸波,舒梦,等. 基于改进 YOLOv5 模型的烟支外观缺陷检测[J].机械制造,2025,63(03):70-74.