邵建智基于机器视觉的烟叶分拣系统分析报告.ppt

烟叶质量 * 邵建智 3110100122 基于机器视觉的烟叶分拣系统 生物物料学 基于机器视觉的烟叶分拣系统 分拣效率 光电分拣 基于机器视觉的烟叶分拣系统 图像处理 电气控制系统 光电分拣系统 照明系统 传送装置 基于机器视觉的烟叶分拣系统 基本工作原理 电荷耦合器件在线扫描传送装置上的烟叶流，图像数据经图像采集卡收集并传入计算机，由系统除杂算法识别出杂质并将相应的开阀控制命令通过I/O卡传送至气阀控制电路，打开气阀，利用高压气体将杂质剔除。 基于机器视觉的烟叶分拣系统 杂质识别 去除杂质颜色 烤炙过的合格烟叶颜色很相似，近似呈现黄色，灰度值也相近，而杂质颜色数量极少，但种类繁多，灰度值也多样化。如图所示，合格烟叶亚瑟比率在90%以上，因此可以利用图像阈值分割和颜色百分比的方法来建立颜色表。 基于机器视觉的烟叶分拣系统 过多的杂质标区象素将被划分为烟叶？ 过多的烟叶区象素被划分为杂质？ 合格烟叶图像灰度级直方图呈现多峰值性，相邻两峰谷内的面积最大者为合格烟叶颜色区,选择两峰谷为灰度阈值区间，并把阈值区间内的颜色和其在图像中出现的 频率存储在一个颜色表内。 基于机器视觉的烟叶分拣系统 人机交互 确定颜色百分比 小于此阈值 杂质颜色，舍弃 在一定范围内，颜色阈值和剔除率及误剔率成成正比，阈值越大，分拣后的烟叶纯度越高，但剔除率越大。 基于机器视觉的烟叶分拣系统 待检烟叶图像 颜色表内查找 找到 象素灰度置0 二值化处理 未找到 象素灰度置255 基于机器视觉的烟叶分拣系统 标记杂质区域 在二值图像f中，相互联接的黑象素的集合成为一个区域。通过对图像f内每个区域进行标记操作，求得区域的数目，即杂质的数量。由于处理前的f是二值的，象素要么为0（黑），要么为255（白），所以处理后每个象素的值即为其所处理区域的区域标号，如图所示。 基于机器视觉的烟叶分拣系统 测量杂质面积 求二值图像中每个区域内标号数目总和，即可得到不同区域面积。 基于机器视觉的烟叶分拣系统 识别并剔除杂质 设定面积阈值，采用人机交互的方式来设定。大于此阈值的即为杂质，需剔除。以杂质的最左右端点行坐标差为宽和最上下端点坐标差为高确定一个矩形，近似认为对角线被杂质区域所截取的线段中最长线段的中点为开阀位置，与此点对应的气阀被打开，此阈值是影响系统除杂灵敏度最重要的因素。与灵敏度成反比，阈值越大，灵敏度越差，但精度高，反之，灵敏度强。 基于机器视觉的烟叶分拣系统 从CCD获取烟叶流图像到气阀打开剔除杂物，仅需要20ms左右，因此烟叶到达气阀之前，算法必须执行完，这样才能做到同步，不会产生误打现象。为此开辟两块同属性连续内存，主、次线程和两块内存交替获取和分割图像以及区域标记和面积测量。这种多线程双缓存技术提高了数据的存储与处理速度。 多线程双缓存技术的应用 基于机器视觉的烟叶分拣系统 分拣系统 分析处理图像数据 控制光电传感器组件 计算处理部分 基于机器视觉的烟叶分拣系统 传输图像数据 保证数据按正确路径传输 保证数据传输的完整无遗漏 基于机器视觉的烟叶分拣系统 分拣程序流程图表示一帧烟叶图像的处理过程，变m_Area[i]标识第i个正着的面积，与面积阈值比较结束后，打开响应位置上的气阀将杂质剔除。 基于机器视觉的烟叶分拣系统 烟叶在分拣前摊薄均匀，才能使除杂效果好，误剔率低。但工业现场由于时间有限，烟叶在摊薄机上的不熬足够的摊薄，致使厚薄不均。为减少此影响，我们采用双CCD对上下两个方向的烟叶同时进行扫描，得到的图像数据分别经过除杂算法鉴别，若有杂物就将其剔除。 多点获取图像 展望 提高图像处理算法的处理精度和适应性。生产厂家普遍希望分拣系统的分拣效果更好，而提高分拣系统分拣效果最直接有效的手段是改进图像处理算法。 展望 照明-光电传感器组合的使用应该多元化。目前生产此分拣系统的厂家只提高热辐射或气体放电光源--电荷耦合器件这一组合，虽然其性能优良、维护简单，但其他照明--光电传感器组合也各有其不可替代的特点。国外的各个分拣系统厂家都提供基于两种或更多中照明装置--光电传感器组合的分拣系统，今后应该加大这方面的投入。 展望 核心器件的国产化。分拣系统的核心器件：照明装置——光电传感器组合、数据采集/计算、告诉剔除装置等均采用国外产品。这不仅大大限制系统成本的降低，同时由于这些核心器件的订货、维修周期很长，对系统的生产、维护带来很大的不变。尤其是照明张志等耗材，使用厂家对国产化有较迫切的需求。 * * *