[发明专利]一种烟丝杂物智能识别方法

说明书

本发明公开了一种烟丝杂物智能识别方法，包括：采用线阵全光谱光源对混有杂物烟丝进行光照，所述线阵全光谱光源覆盖400nm‑1000nm的波段范围；采集线阵全光谱光源光照下的烟丝图像，并将烟丝图像像素转换为多个向量；将多个向量划分成多个类，利用模糊C均值算法对向量进行聚类时，采用海鸥优化算法更新聚类中心，优化结束后，依据聚类结果进行图像分割以分离杂物。通过线阵全光谱光源提供的光照来采集烟丝图像，提升了烟丝成像效果和对比度，采用模糊C均值算法结合海鸥优化算法的方式对像素向量进行聚类，来提升聚类的准确性，最后依据聚类结果进行图像分割以分离杂物，极大地提高了对杂物的识别率，保障了回收烟丝的纯净度。

技术领域

本发明属于烟丝杂质识别领域，具体涉及一种烟丝杂物智能识别方法。

背景技术

在卷烟生产领域，制丝车间加工的烟叶中，可能包含各种各样的杂物，例如：鸡毛、麻绳、黑色胶皮、桔梗、纸箱板。同样，在残烟回收线中，经过残烟处理机后，回收的烟丝会把乳白的胶块、过滤嘴丝束、白色烟纸、以及各种烟丝的水松纸等非烟杂物，打碎后经后续的筛选装置无法把细小的非烟物体分选干净，并流入到后续生产环节，这将严重影响回收烟丝的纯净度。

针对残烟回收线，提高回收烟丝的纯净度，是至关重要的课题。如果回收烟丝中包含水松纸、纸片、胶粒等杂物，尤其是胶粒，属于一类杂物，回收烟丝回参后，将对烟丝照成二次污染。一旦一类杂物进入到卷烟机中，将无法检测和判断，流入市场后，严重影响卷烟品牌。

目前可采用的提纯方式有：

1、振槽网孔筛选：布局不同尺寸大小的网孔板，采用振槽的方式振动，筛选与烟丝尺寸偏差较大的非烟杂物；其优点在于简单，可以筛选较大尺寸的嘴棒、烟支、胶块等杂物，但是跟烟丝尺寸接近的，例如5mm*5mm的杂物无能为力。

2、风分筛选：采用空气动力学的方式，把重的物体(例如胶块)分离，轻质的烟丝经过气流，进入下一个工序；该方式的优点在于物体的比重，当杂物的比重接近于烟丝时，其分离效果不佳。

3、视觉成像检测：传统的视觉成像采用的一个标准的光源，在可见光的波段范围，对物料进行成像，通过图像处理的方式，识别出烟丝和杂物；其对于白色的胶块、白色的纸片，其识别效果较好，但对于接近烟草颜色的水松纸就无能为力，例如黄色的水松纸、棕黑色水松纸、粘连烟灰的胶块，这些难于识别的杂物，都有一个共性，其颜色跟烟叶颜色接近。

在现有的背景条件下，提纯方式中的振槽网孔筛选和风分筛选的方式，其提升不高，只有在视觉成像检测以及图像分割的方向，还有机会提高类烟颜色的杂物的成像和识别效果。基于此，需要一种新烟丝杂物智能识别方法来对烟丝杂物进行提纯。

发明内容

鉴于上述，为了提高对黄色水松纸、棕褐色色水松纸、粘连烟灰的胶块等难于识别的杂物的识别率，达到对杂物能进行有效的剔除，本发明的目的是提供一种烟丝杂物智能识别方法，采用硬件与算法相结合的方式，来对杂物进行高效地识别。

实施例提供的一种烟丝杂物智能识别方法，包括以下步骤：

采用线阵全光谱光源对混有杂物烟丝进行光照，所述线阵全光谱光源覆盖400nm-1000nm的波段范围；

采集线阵全光谱光源光照下的烟丝图像，并将烟丝图像像素转换为多个向量；

将多个向量划分成多个类，利用模糊C均值算法对向量进行聚类时，采用海鸥优化算法更新聚类中心，优化结束后，依据聚类结果进行图像分割以分离杂物。

优选地，所述线阵全光谱光源由光源设备发射，所述光源设备包括由U型散热管连接且呈对称分布的两块光源基材，所述光源基材上安装有多个条形LED光源，所述LED光源发射400nm-1000nm的波段范围的光照。

优选地，所述两块光源基材穿过U型散热管的两壁，通过紧固件固定在U型散热管的两壁。