视觉AI技术在烟草行业的应用

视觉AI技术在烟草行业的应用

李斯蕻

（厦门烟草工业有限责任公司，福建 厦门 361026）

【摘 要】

视觉AI平台以“1+N”为整体，为实现智能化场景应用提供保障。其中，1是AI基础平台：将集控数据、业务数据、流式计算数据等全面汇聚，实现了基于人、机、料、法、环的全面、实时、立体状态感知，通过边缘算力建设，实现生产过程的数字化、智能化。N是多个应用场景化、先行先试为切入点，积极推进AI应用，构建“数字化、智能化、精益化”的卷烟工业创新应用平台。

【关键词】图像预处理 烟叶特征 堵料判别 流量控制 人员在岗判别

引言

烟草行业《关于建设现代化烟草经济体系推动烟草行业高质量发展的实施意见》（以下简称实施意见）明确指出，要大力推进互联网、大数据、人工智能等新技术与烟草产业深度融合，加快推动烟草产业数字化。而卷烟质量保障是行业高质量发展的核心内容，随着国内视觉AI智能技术的快速发展，为卷烟制造全过程质量保障中的一些行业共性问题提供了可行的研究方向和策略。

1.烟草物料图像预处理技术

视觉AI平台可以对烟草物料图像进行预处理。以烟叶为例，采用视觉AI平台可以进行烟叶图像预处理作业。烟叶图像预处理包括烟叶图像边缘检测、背景去除等操作，可使用灰度形态学检测烟叶的边缘和内部叶脉。边缘检测预处理提取到的边缘数据易包含叶脉、纹理等信息，对计算烟叶的周长、面积等特征影响较大，稳定性较低。相对于边缘检测预处理，背景去除法更加稳定有效。背景去除法着眼于烟叶图像的颜色特征，颜色特征是烟叶图像预处理及烟叶分级的重要依据，利用烟叶透射图像的颜色信息，并结合点统计分割法和区域统计分割法，对像素点和像素块的蓝色属性进行统计，分割烟叶图像，从而进行背景去除。

2.烟叶特征提取与分类分级

目前，烟叶自动分级中使用的烟叶特征均为颜色特征、外形特征及纹理特征：其中颜色特征指R通道、G通道、B通道、H通道、S通道、I通道的均值和方差；外形特征包含烟叶的长、宽、长宽比、面积、周长、圆形度、矩形度、缺损率等；纹理特征使用灰度烟叶图像的能量、惯性、相关性、熵、分形维数等进行表示。在生产过程中，根据分类器的不同将烟叶自动分类。分级方法主要划分为基于模糊推理的方法、基于神经网络的方法、基于SVM的方法。

基于神经网络的烟叶分类分级方法，选取烟叶的面积、周长、缺损率等3个特征作为不同等级烟叶的特征向量，并使用人工神经网络(Artificial Neural Network,ANN)进行烟叶分类分级。使用广义回归神经网络(Generalized Regression Neural Network,GRNN)对上述烟叶特征中的16个特征进行筛选，减弱了烟叶面积、周长、能量等特征对分级结果的影响。此外，在基于机器视觉的烟叶分级文献中，多数使用的烟叶图像为可见光反射图像，但部分文献也使用了可见光透射图像和红外图像：烟叶具有半透明特性，提取其透射图像中的烟叶厚度、烟叶组织疏密程度等反射图像无法提取的特征，可进一步提高烟叶分级的正确率，将透射图像特征与反射图像特征相结合，并利用ANN对特征分类，实现烟叶分级；烟叶的红外光谱特性与其内部的化学成分相互对应，利用不同波段的红外光谱对烟叶进行成像，可提取烟叶内部的化学信息，利用波长范围为1660nm~3000nm的红外光谱对烟叶进行成像，并经基线漂移算法处理后，将烟叶的红外光谱特征输入概率神经网络(Probabilistic Neural Network,PNN)进行分类，判定烟叶等级。

3.堵料判别AI算法研究

烟草堵料判别的相关研究与论文较少。在烟草厂的实际生产过程当中，由于料口落料不均匀，潮湿导致烟丝膨胀等原因，可能出现料口烟草堵塞情况，因而影响烟草流量密度与后续生产过程。烟草厂工人需要实时监视各个料口，以期在堵料发生时及时发现并停机处理。而自动监控判别堵料的方法可以通过多种模态进行识别，例如阴影识别与超声波识别。而在AI技术发展的今天，烟草堵料识别与AI视觉结合也成为了一种可能性。

4.流量控制AI算法研究

针对某卷烟厂制丝车间预混到片烟加料工艺中,由于预混柜出柜流量与加料工序流量存在着不匹配,造成出柜底带、传送带、除杂设备等多次启停,影响设备性能,加大设备损耗的问题。从预混柜、传送带的容量出发,结合各个品牌烟叶叶组不同配方,在保证正常加工前提下,建立了预混柜出柜流量与片烟加料需求流量相匹配模型。针对卷烟生产线松散回潮工序出口烟叶的水分和温度波动较大的问题,改进松散回潮控制系统,构造来料烟叶流量与折弯皮带秤运行频率的数学关系模型,自动调整、稳定来料烟叶流量,从而提高松散回潮出口烟叶水分和温度的稳定性。为改善此工序控制精度采用三位一体流量控制系统对出柜流量进行控制,达到出柜片烟流量数字化,精细化可控调节，能够一步改善工序加工环节流量控制的相互关联匹配提高生产线加工稳定性和连续性。

5.人员在岗判别AI算法研究

人员在岗判别本质上是对工位区域进行目标检测的问题。在传统领域，基于图像与时序的人体检测采用帧差法与模式识别，而在机器学习领域则使用卷积神经网络。例如yolov3，mask-RCNN等。为了解决员工在岗状态的实时监测和管理问题,提出了一种改进YOLOv3的目标检测算法,ILF-YOLOv3实验结果表明,改进后的算法在StaffSData-Strong数据集上mAP值提高了7.9%,召回率提高了14%。为更好监督人员工作状态,针对在岗过程中,电力人员容易出现注意力不集中、瞌睡、分心等行为,基于计算机视觉提出一种对人员行为分析的算法。利用人脸关键点获取相关面部特征,结合人员的头部相关姿态,从未实现对人员的状态进行监督和评估。实验结果表明,该方法对人员行为的评估精确度在85%左右,能够满足实际中对人员的状态判断的需求。针对人员擅自离岗,视频监控区域发生事故没有及时发现,导致不能及时有效的处理问题,设计并实现一种基于视频图像处理的人员在岗检测技术,利用OpenCV通过对值班室监控视频中的人员进行运动跟踪检测,判断出进入和离开值班室的人员数目，二者做差进而对值班室里的人员在岗情况进行判断。

作者简介：李斯蕻（1988-），女，福建厦门人，厦门烟草工业有限责任公司，助理工程师，研究方向：生产制造，工艺质量。