盒马困境：IPO可以推迟，新零售为何要推迟？
06-18
简介 随着我国卷烟出口比重的增加，其产品质量也越来越受到关注，印花税票成为重点关注对象在生产中。
印花税票是否粘贴正确，不合格印花卷烟能否准确剔除，将直接影响到公司出口卷烟的质量。
由于目前国内生产印花卷烟的卷烟厂不多，因此相关方面的测试研究相对较少。
目前检测印花税票的主要装置是GDx2出厂时配备的原装检测传感器。
它仅用于检测印花税票的存在。
不进行定位检测，无法全面判断印花税票粘贴质量。
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并减少了权值的数量，这使得其在进行图像处理时具有相对简单的特征识别和模型构建机制。
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系统的智能性高、识别性强、实用性强。
本文旨在开发一种基于CNN技术的高精度印花税票检测装置，实现对印花税票粘贴质量的实时监测和判断，淘汰不合格印花税票卷烟。
1 系统设计 整个系统主要实现了税票烟包图像采集、图像分析处理、图像处理结果反馈执行三个部分：从整个硬件架构来看，主要由工业计算机（控制系统），由图像采集器和底层计算机（执行系统）组成。
1.1 税票烟包图像采集系统技术原理 税票图像采集系统主要包括检测终端和中控p1C。
检测终端可分为三部分，其一位于烟盒上。
通道上方有外框，外框上对称安装两个光源，均向烟包通道照射，烟包通道上设有工业相机，用于采集烟包印花税图像。
检测终端具体结构如图1所示。
当烟包进入检测区域时，光电传感器检测到烟包，并快速将检测信号通过控制系统通知光源控制器，控制烟包的检测。
光源发出收集图像所需的光。
同时，工业相机进行图像采集工作。
在检测框内的特定位置及时捕获带有印花税票的香烟包装的图像。
该图像将作为检测系统的原始图像，供工控机中的检测软件判断印花税票粘贴质量。
1.2 图像清晰度增强处理 本设备设计有专用的光源控制器，辅助摄像头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。
辅助系统工作时，工业相机采集支架内部环境图像，并将图像反馈给工控机进行分析。
工控机将分析结果传输至光源控制器，光源控制器根据分析结果调节光强并存储该调节值。
印花烟包从包装机烟包通道进入图像采集点。
定位传感器检测烟包并将信号传输至工控机。
工控机根据这个时序信号来控制光源控制器的光源开启命令。
光源控制器将之前存储的光强调整值与驱动电路相结合，打开1ED光源，配合工业相机采集印花税票图像。
2 图像处理方法 2.1 图像预处理 对于相机拍摄的原始图像，系统首先要进行预处理，去除由于光照、相机参数、位置和方向等因素造成的图像失真在图像采集过程中。
干扰，这个过程包括图像去噪、光照归一化以及基于边缘算法确定烟包的准确位置，消除环境干扰因素，实现图像大小、旋转和仿射归一化处理，最终获得清晰的夹杂物图片具有税票信息的区域。
具体步骤如下： （1）图像去噪：采用高斯双边滤波等方法，在保持图像边缘信息的基础上更好地去除噪声干扰： （2）光照归一化：图像进行直方图均衡化消除光照对成像的影响： (3) 图像大小、旋转和仿射归一化。
使用sobe1等算法提取图像的边缘，然后使用霍夫变换方法提取边缘图像中的主要直线。
基于主直线，定位香烟盒的四个边界，并对图像进行大小调整、旋转和模拟。
径向变换实现归一化处理。
2.2R1o区域提取 考虑到采集图像的分辨率太大，计算量会太大。
此外，图像背景的无关因素也会影响图像检测的准确性。
为此，使用ROI（感兴趣区域）提取方法对图像进行预处理。
提取ROI区域可以减少下一步目标检测的搜索范围，提高算法的准确性和效率。
2.3 目标检测 税票的粘贴位置往往不同，在模板校准过程中很难找到更好的拟合方法来计算。
本文使用卷积网络算法进行深度学习，Vol.产品神经网络是一个多层神经网络，每一层由多个二维平面组成，每个平面又由多个独立的神经元组成。
CNN算法多次从图像中提取特征，将其变成C层，最后将其变成无数子图像（s层），使其接近每个点，然后将这些点转换成一个函数输出一个值，通过将该值与标准值进行比较，识别税票图像的质量。
3 税票图像分析系统软件 基于上述分析原理，这些算法最终表达在一个检测软件中，即税票图像检测软件。
该软件的功能及使用界面详细介绍如下。
3.1 软件启动与退出 上电，工控机系统启动。
系统启动后延迟1分钟后，税票外观检测系统将自动启动并检测P1C与工业相机的连接状态。
如果都连接正常，则初始化并检索各种配置参数。
完成后，即可等待相机触发检测，如图3所示。
图3 税票检测软件准备界面 3.2 相机参数设置 相机参数设置主要包括相机触发模式、采集方法和相机曝光时间。
3.3 检测设置界面 在检测设置界面中，您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、学习模板等功能。
本系统的检测结果有两个缺陷输出。
其中，模板检测第一工具的缺陷输出信号连接到原机的色标检测信号。
该工具连续3次NG将导致主机关闭，因此该工具设置完毕。
选择时，尽量将搜索框调大，为模板选择更大范围的印花税票图案。
通过P1C设定的步距来消除其他检具对应的缺陷输出。
为了保证消除准确，每次消除两个堆叠的包裹，总共4个包裹。
4结论 本文介绍的基于CNN技术的高精度税票检测装置，增强了税票图像采集的清晰度，摆脱了包装机空间狭小、暗通道的限制，为印花税票检测系统 最优惠的硬件支持。
该印花税票检测系统采用的卷积神经网络图像识别算法在实际应用中展现了其处理精度高、算法精确的优势。
对不合格税票的检测准确率达到99%以上，且计算速度快，不影响包装机的正常生产，受到了用户的好评。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-18
06-17
06-06
06-18
06-06
06-17
06-18
最新文章
PCBA质检员的日常工作内容
美国法院裁定VoIP不属于电信服务，需征税
雷达嵌入式工控主板如何使用？工控主板故障分析
摩托罗拉在西班牙促销Z8手机
中宇买下了一台三星机型，品牌和规模是合作的主要原因
舰载军用加固计算机热设计
谷歌开始对仍由HTC生产的谷歌手机进行内部测试
英国EE分享LTE发展经验教训，面临终端-语音-回传三大挑战