摘要:本文针对卷烟包装生产过程中存在的缺陷检测效率低、准确度不高等问题，设计了一套基于机器视觉的卷烟包装缺陷在线检测与工艺优化系统。系统通过工业相机实时采集卷烟包装图像，结合深度学习算法进行缺陷识别与分析，并根据检测结果反馈优化生产工艺。实验结果表明，该系统能够实现对卷烟包装多种缺陷的精准快速检测，同时通过数据驱动的方式优化生产参数，显著提升了产品质量与生产效率，检测准确率达到 99.33% ，缺陷率降低 42% ，为卷烟制造业的智能化升级提供了可行的技术解决方案。

关键词：机器视觉；深度学习；工艺优化；在线检测；卷烟包装

引言:卷烟包装质量是影响产品市场竞争力的关键因素之一。在高速生产环境下，传统的人工检测方法存在效率低、主观性强、易疲劳等问题，难以满足现代化生产线对质量控制的严格要求。随着工业4.0 时代的到来，机器视觉和人工智能技术为质量检测提供了新的技术路径。目前，国内学者在相关领域已取得一定研究成果，如湖南中烟开发的AI 视觉检测系统实现了卷烟包装质量的智能控制，杜坡等提出的无监督深度学习检测方法提升了检测精度与速度。

一、系统总体设计

本系统采用"感知-分析-决策-优化"的一体化设计思路，旨在实现从包装缺陷检测到工艺参数优化的全流程质量管控。系统整体架构分为三个层次：数据采集层负责获取包装图像；智能分析层进行缺陷检测与分类；工艺优化层根据缺陷分析结果调整生产参数。这种分层架构使得系统具有良好的模块化特性，各层可以独立升级与优化，提高了系统的灵活性与可扩展性。在数据采集层，系统采用高分辨率工业相机与专用光源组成成像单元，确保获取高质量的包装图像；智能分析层集成了多种深度学习算法，能够适应不同类型的包装缺陷检测需求；工艺优化层则通过分析缺陷类型与频率，建立与生产工艺参数的关联模型，形成质量控制闭环。

系统工作流程包括图像采集与预处理、缺陷检测与识别、结果分析与工艺优化三个主要阶段。在图像采集与预处理阶段，系统通过工业相机获取包装图像，并进行去噪、增强、配准等处理，为后续分析提供高质量的图像数据。在缺陷检测与识别阶段，系统利用训练好的深度学习模型对预处理后的图像进行分析，识别是否存在缺陷以及缺陷的类型和位置。在结果分析与工艺优化阶段，系统统计缺陷数据，分析缺陷产生规律，并通过建立的质量-工艺参数关联模型，反向优化生产线参数，从源头上减少缺陷的产生。此外，系统还集成了实时报警功能，当检测到连续缺陷或严重缺陷时，会自动触发声光报警并记录缺陷信息，便于操作人员及时干预。

二、检测算法核心设计

（一）图像预处理方法

图像预处理是保证检测准确性的基础环节。由于卷烟生产环境复杂，采集的图像常存在噪声、光照不均、位置偏移等问题，直接影响后续缺陷检测的可靠性。本系统采用中值滤波算法消除图像噪声，该算法在去除椒盐噪声方面表现出色，同时能较好地保护图像边缘信息。针对光照不均问题，系统采用自适应直方图均衡化方法，增强图像对比度，提高缺陷特征的可分性。

（二）缺陷识别算法分类

根据卷烟包装缺陷的特点，本系统针对不同类型的缺陷设计了不同的检测算法。无监督深度学习算法适用于已知正常样本但缺陷类型未知的场景，系统采用改进的算法，只需训练正常样本即可实现缺陷检测，特别适用于新产品或缺陷样本稀少的场景。有监督深度学习算法适用于已有充足缺陷样本的场景，系统采用改进的神经网络，实现对多种已知缺陷的精准分类与定位。基于修复对抗网络的检测方法针对烟包表面细微缺陷，利用修复网络构成修复网络，通过比较原始图像与修复图像的差异来识别缺陷，这种方法对划痕、污渍等局部缺陷具有很好的检测效果。多种算法的组合使用确保了系统能够应对复杂多变的缺陷检测需求。

（三）算法优化策略

为提高算法性能，本系统实施了多种优化策略。针对模型轻量化需求，采用模型剪枝与量化技术，减少参数数量与计算量，确保检测速度满足在线检测要求。研究表明，轻量化模型处理单帧图像可在 100ms 内完成，完全适应高速生产线节奏。针对数据泛化性问题，采用数据增强与迁移学习技术，通过旋转、缩放、添加噪声等方式扩充训练数据集，提高模型对不同生产线、不同光照条件的适应能力。

三、系统实现与集成

系统的硬件配置充分考虑卷烟生产现场的环境特点与检测精度要求。成像单元选用2000 万像素的高分辨率工业相机，确保能够捕捉到包装上的细微缺陷；配合定制化的LED 光源系统，消除环境光干扰，提供稳定均匀的照明条件。处理单元采用高性能工业控制计算机，配备多核CPU 与高性能GPU，满足深度学习算法对计算资源的需求。执行单元包括PLC 控制器与气动剔除装置，对检测到的缺陷产品进行自动剔除。硬件系统采用模块化设计，便于维护与升级。针对不同型号的卷烟包装机，只需调整相机安装位置与光源角度，即可快速部署，具有较强的适应性。

系统软件采用分层架构设计，包括数据管理、模型服务、业务逻辑和人机交互四大模块。数据管理模块负责图像数据与检测结果的存储与检索；模型服务模块封装了多种检测算法，提供统一的调用接口；业务逻辑模块实现检测流程控制与工艺优化分析；人机交互模块提供直观的可视化界面，方便用户操作系统、查看结果。

四、实验与结果分析

为验证系统性能，在卷烟生产线进行了实地测试。实验采集了 5 种常见卷烟包装品的图像数据，包含正常样本与多种缺陷样本（如包装破损、图案错位、颜色偏差、污染等）。数据集按比例划分为训练集、验证集与测试集。实验硬件平台为高性能工控机，相机分辨率为2000 万像素，采集速度为30 帧/秒。评价指标包括准确率、召回率、精确率以及F1-score，同时测试单张图像的平均处理时间，以评估系统实时性能。实验过程中模拟了实际生产环境的各种干扰因素，确保测试结果的可靠性和实用性。

系统在测试集上的表现优异，整体识别率达到较高水平。在不同类型的缺陷中，对包装破损的检测效果最佳，对轻微颜色偏差的检测稍弱，但均满足工业检测要求。与传统检测方法对比，本系统优势明显。传统人工检测准确率通常较低，且受人员疲劳度、工作经验等因素影响较大；传统机器视觉检测方法准确率有限，对新型缺陷或复杂缺陷适应性差。

结论

本文设计了一套基于机器视觉的卷烟包装缺陷在线检测与工艺优化系统，通过集成机器视觉、深度学习与数据挖掘技术，实现了对卷烟包装缺陷的精准检测与生产工艺的闭环优化。实验结果表明，系统检测准确率高、实时性好，不仅能替代传统人工检测，还能通过数据驱动的方式优化生产参数，从源头减少缺陷产生。系统在实际应用中表现出色，为卷烟生产企业提供了有效的质量控制解决方案。

参考文献

[1]杜坡,张乐年.基于无监督深度学习的卷烟包装外观缺陷检测[J].机械 制造与自动化,2023,52(05):222-224.

[2]陈文兵,车文刚,蔡小尧,等.基于修复对抗网络的烟包表面缺陷检测方法[J].包装与食品机械,2023,41(02):58-62+68.

[3]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(08):49-62.

[4]马志刚,赵志强.基于机器视觉的包装品质检测系统设计[J].包装工程,2022,43(21):193-197.