基于机器视觉的烟箱码垛姿态识别算法优化研究

一、研究背景与问题分析

（一）烟草码垛自动化的行业需求

码垛自动化是烟草生产效率提升的关键，可减少人力投入、降低劳动强度，并提升码垛速度与准确性，进而提高企业效益。遵义卷烟厂作为行业重要企业，主产粗支、细支烟箱，产量大、任务重，自动化码垛技术能更好适应其大规模高效生产需求。此外，中支异形烟箱因尺寸、形状特殊，对码垛精度要求更高，自动化技术通过精准编程控制可有效解决该难题，提升生产稳定性与可靠性。

（二）现有机器视觉识别的痛点

1. 品牌分辨困难：随着烟箱逐渐向纯白色发展，烟箱表面的特征不断弱化，导致机械手抓取后难以准确分辨品牌。在当前的生产环境下，这一问题愈发突出，严重影响了码垛的准确性和效率。

2. 传统识别算法局限性：传统的机器视觉识别算法在复杂场景下表现不佳。例如，在光照不均匀、烟箱堆叠杂乱等情况下，传统算法的准确率会大幅下降，无法满足实际生产的需求。而且，传统算法对于中支（异性）烟箱等特殊形状的识别能力有限，难以实现精准的姿态识别和码垛操作。

二、机器视觉烟箱识别技术现状

（一）主流识别算法概述

机器视觉烟箱识别技术中，主流的识别算法可分为传统特征提取算法和深度学习算法。以下（表1）为对比这两类算法的优缺点及性能指标：

近 5 年烟草行业相关研究主要聚焦于如何提高烟箱识别算法的准确性和实时性，以适应复杂的生产环境。部分研究尝试将传统算法与深度学习算法相结合，取得了一定的成效。

（二）烟箱姿态识别关键技术

烟箱姿态识别主要包含特征提取、目标检测和姿态估计三大核心环节。特征提取是基础，通过提取烟箱的颜色、纹理、形状等特征，为后续的检测和估计提供数据支持。目标检测则是在图像中准确找到烟箱的位置，常用的方法有基于滑动窗口和基于区域建议的方法。姿态估计则是根据检测到的目标，确定烟箱的姿态信息，如旋转角度、倾斜程度等。

然而，现有技术在多类型烟箱（粗 / 细 / 中支）适配方面存在不足。不同类型的烟箱在尺寸、形状和表面特征上存在差异，传统的识别算法难以对其进行准确的识别和姿态估计。特别是中支（异性）烟箱，由于其特殊的形状，更容易出现识别错误和姿态误判的情况。

三、算法优化设计与实现

（一）多特征融合的识别模型改进

针对纯白烟箱特征弱化问题，本研究构建了颜色——纹理——形状多特征融合模块。该模块通过整合三类关键特征弥补单一特征不足：颜色特征采用直方图统计整体色彩分布，纹理特征利用灰度共生矩阵提取表面细节，形状特征通过边缘检测与轮廓分析获取结构信息。预处理阶段分别提取上述特征后，采用特征拼接策略组合为高维特征向量。为强化品牌识别能力，在特征融合后引入注意力机制，使模型自适应聚焦烟箱品牌标识等关键区域，有效提升复杂工况下的识别精准度。实验验证表明，该改进模型可显著增强纯白烟箱的特征表达能力，为码垛姿态识别提供可靠的特征输入。

（二）纯白烟箱特征增强策略

针对纯白烟箱表面特征弱化导致的低对比度问题，本研究设计了光照归一化与边缘增强相结合的预处理方案。在光照归一化环节，首先输入待处理的烟箱图像，通过计算图像的平均亮度值，对图像亮度进行自适应调整以消除光照不均影响，最终输出亮度均匀的标准化图像。边缘增强环节则先对归一化图像执行高斯平滑滤波以抑制噪声干扰，随后选用 Canny 算子进行边缘检测，通过动态阈值法提取烟箱轮廓特征，并结合形态学膨胀与腐蚀操作强化边缘连续性，最终生成边缘清晰的特征图像。该组合策略可有效提升纯白烟箱在机器视觉系统中的可识别性，为后续姿态识别算法提供高质量的输入数据。

四、实验验证与结果分析

（一）实验数据集构建

实验数据集涵盖粗支、细支、中支烟箱，含彩色及纯白样本，数据取自遵义卷烟厂实际生产线图像以保证真实性与多样性。标注环节为图像添加姿态标签（记录旋转角度、倾斜程度）和品牌标签，经专业人员按统一规范操作，确保标注准确一致，为后续分析提供可靠数据基础。

（二）优化算法性能对比

为评估优化算法的效果，将优化前后的算法进行了多方面的性能对比，具体数据如下（表2）：

从实验数据可以看出，优化后的算法在准确率、召回率和实时性方面均有显著提升。不过，在实验过程中也发现了一些误差来源，例如极端光照干扰会影响烟箱特征的提取，导致识别准确率略有下降。

（三）产线场景验证结果

在遵义卷烟厂实际产线测试中，优化算法表现优异：连续72 小时无错垛运行，验证了实际生产环境中的稳定性与可靠性。但对异形烟箱（如中支）适配性不足，存在识别不准与姿态误判问题，后续需优化算法以提升异形烟箱识别及姿态估计精度。

五、结论与应用展望

本研究通过多特征融合（整合颜色、纹理与形状特征）及纯白特征增强（光照归一化与边缘增强预处理），有效解决了烟箱识别中特征弱化问题，显著提升了品牌识别率、姿态检测准确率及生产效率，成果适用于行业同类卷烟厂。未来将重点优化爆珠烟箱等特殊类型适配性，探索高效算法架构以提升实时性，并推进与工业物联网系统的集成应用。

【参考文献】

[1] 吴玉生 , 李安虎 , 万亚明 , 等 . 基于机器视觉的烟草在线检测技术研究进展 [J]. 激光与光电子学进展 , 2024, 61(8): 1-10.

[2] 董春林. 基于多特征融合的烤烟烟叶自动分级方法研究[D]. 武汉工程大学 , 2024.

[3] 朱波 , 黎魁 , 邱兰 , 等 . 基于 SBERT-Attention-LDA 与 ML-LSTM 特征融合的烟草问句意图识别方法 [J]. 农业机械学报 , 2024, 55(5): 273-281.

[4] 杨光露, 鲁晓平, 李琪, 等. 基于改进轻量化YOLOv5s 的卷烟厂烟草粉螟视觉检测方法 [J]. 轻工学报 , 2023, 38(6): 102-109.

[5] 张延琛 . 基于特征层融合的 PCA 聚类分析法在烟叶近红外光谱中的相似度分析 [J]. 农产品加工·综合刊 , 2025(2): 57-61.