摘要：随着现代卷烟工业向高速化、自动化方向发展，传统人工检测方法已无法满足烟支外观质量控制的需求。本文研究了一种基于机器视觉与深度学习的烟支外观质量在线检测系统，通过采集雪茄烟柱面及端面图像，结合 Y OLOv5 等深度学习算法构建缺陷检测模型，实现了对烟支表面多种缺陷的准确、快速识别。系统采用图像增强技术解决光照不均问题，利用 K- means聚类生成先验框优化检测性能，结合大津法实现端面空头缺陷检测。实验结果表明，该系统对烟支柱面缺陷检测的平均准确率（mAP）达到 87.7% ，单张图像检测时间仅 13.1 毫秒，能够适应高速生产环境下的实时检测需求。

关键词：机器视觉；深度学习；烟支外观；质量检测；Y OLOv5

引言

现代过滤嘴香烟的生产速率可达 20，000 支 / 分钟。在这种高速生产环境下，依靠人工辨别很难及时发现外观质量不合格的烟支。传统的烟支外观检测系统存在采购成本高、算法复杂、参数调整难度大等问题，严重制约了质量控制效率的提升。此外，现有检测方法大多依赖二维图像信息，对于褶皱、布带纹等表面缺陷难以量化评估，主观性强，容易导致误判。本文研究了一种基于机器视觉与深度学习的烟支外观质量在线检测系统，通过融合先进的图像采集装置和深度学习算法，实现对烟支外观缺陷的快速、准确识别，为烟草行业提供了一种可行的智能化质检方案。

一、机器视觉在烟支外观检测中的应用

机器视觉技术通过图像传感器采集被检测物体的表面信息，然后利用计算机处理和分析这些信息，最终实现识别、定位、测量和检测等功能。在烟支外观检测中，高质量的图像采集是确保检测精度的首要环节。本研究采用的检测装置能够同步采集雪茄烟的柱面缺陷图像和端面图像，为全面评估烟支外观质量提供数据基础。

二维图像检测是烟支外观质量检测的基础手段。针对烟支表面常见的污渍、破损、褶皱等缺陷，本研究采用高分辨率工业相机在均匀光照条件下采集图像，通过随机平移、翻转等方法对图像进行均衡和增强，建立丰富多样的数据集，提高模型的泛化能力。

为解决传统二维图像方法无法获得深度信息的问题，本研究还引入了基于线结构光扫描的三维检测方法。该方法通过线结构光视觉传感器获取物体轴向轮廓线，使用随机采样一致性拟合轮廓线，通过计算原始点到拟合轮廓的距离判断缺陷点。

二、深度学习在烟支外观缺陷检测中的创新

深度学习，特别是卷积神经网络在图像识别领域的卓越表现，为烟支外观缺陷检测提供了新的技术路径。本研究重点应用了YOLO 系列算法，包括YOLOv5 和YOLOv7，以实现对烟支缺陷的快速准确检测。

针对雪茄烟柱面缺陷检测，本研究对 YOLOv5 模型进行了专门优化。首先，使用 K-means 聚类算法生成适用于柱面缺陷数据集的先验框，使模型更好地适应烟支缺陷的特定形状和尺寸分布。其次，对模型结构进行调整，增强对小型缺陷的检测能力。实验结果表明，优化后的YOLOv5 模型对柱面缺陷检测的多类别平均准确率达到 87.7% ，单张图像检测时间仅为13.1 毫秒，显著优于其他对比模型。

除了 YOLOv5，本研究还尝试了更新版本的 YOLOv7 模型，特别是在处理海量烟支缺陷数据时，对 YOLOv7 结构进行了创新性调整，如合并 neck 层和 head 层，并引入 RepVGG 结构，实现了烟支图像的高效自动标注。实验结果显示，改进后的YOLOv7 和YOLOv7-tiny 在真实烟支数据集上的标注错误率分别为 7.3% 和 6.56% ，其中 YOLOv7-tiny 展现出最快的标注速度，为大规模烟支缺陷数据集的构建提供了高效工具。

在深度学习模型训练中，数据质量直接影响模型性能。针对烟支图像采集过程中可能出现的光照不均、角度偏差等问题，本研究采用了多种数据增强技术，包括随机平移、翻转、色彩调整等，显著提高了模型的鲁棒性和泛化能力。尤为值得一提的是，本研究引入了一种基于YOLOv7 的自动标注方法，有效解决了烟支缺陷检测领域中大量图像数据的人工标注难题。传统的人工标注方法存在高成本和低效率问题，而自动标注方法通过改进的YOLOv7-tiny 模型，在保证标注准确性的同时，大幅提升了标注效率。

烟支端面空头缺陷是影响外观质量的重要问题之一。本研究采用大津法求得最佳阈值对雪茄烟端面空头图像进行分割，通过统计烟丝缺失比例实现空头缺陷检测。该方法在不同亮度光照环境下均能稳定工作，具有较强的环境适应性。

三、系统设计与实现

本研究设计的烟支外观质量在线检测系统采用模块化设计理念，包括图像采集模块、数据处理模块、缺陷识别模块和结果输出模块。系统充分利用机器视觉和深度学习的技术优势，实现了从图像采集到缺陷识别的全自动化处理。

系统工作时，首先通过专门设计的图像采集装置获取烟支表面图像，然后利用预处理算法对图像进行增强和去噪，接着使用训练好的深度学习模型进行缺陷检测和分类，最后将检测结果传输至上位机系统进行质量统计和不良品剔除。

系统的硬件核心是高分辨率工业相机和专用照明系统，确保能够捕捉到清晰、均匀的烟支表面图像。针对雪茄烟的柱面检测，系统采用特殊的机械结构使烟支旋转，从而获取全方位的表面图像。对于需要深度信息的应用场景，系统还可集成线结构光视觉传感器，通过旋转扫描的方式获取烟支表面的三维点云数据。这种二维与三维相结合的图像采集方式，使系统能够应对各种类型的烟支外观缺陷检测任务。

四、实验与结果分析

为验证本系统的检测性能，研究团队构建了包含多种缺陷类型的烟支图像数据集，共计采集了 10，000 余张雪茄烟柱面图像和 5，000余张端面图像。数据集涵盖了污渍、破损、褶皱、空头等常见缺陷类型，并按照8：1：1 的比例划分为训练集、验证集和测试集。

实验采用多种评估指标全面衡量系统性能。基于 YOLOv5 的检测方法在烟支缺陷检测中取得了 87.7% 的平均准确率， 89.2% 的精确率和85.8% 的召回率，单张图像检测时间仅为13.1 毫秒，在精度和速度之间取得了良好平衡。基于点云聚类分析的方法虽然准确率高达 98.25% ，但检测速度相对较慢，更适合对实时性要求不高的离线检测场景。

结论

本研究针对烟草行业烟支外观质量检测的实际需求，设计并实现了一种基于机器视觉与深度学习的在线检测系统。通过融合先进的图像采集技术和深度学习算法，系统能够快速、准确地识别烟支表面的多种缺陷，显著提升了烟支质量控制的效率和自动化水平。

本研究仍存在一些需要进一步完善的地方。首先，当前系统对于某些极其细微的缺陷仍有漏检可能；模型的泛化能力有待在不同品牌、不同规格的烟支上进行更广泛验证；最后，系统的三维检测功能在检测速度方面还需要优化，以满足在线检测的实时性要求。

参考文献

[1]. 张鹏飞, 陈姣文, 郭洪滨, 等. 雪茄烟烟支外观质量检测方法[J].烟草科技 ,2024,57(01):91- 97.

[2]. 吴庆华 , 沈高建 , 赵德华 , 等 . 基于点云聚类分析的烟支表面三维缺陷检测 [J]. 包装与食品机械 ,2024,42(04):87- 93.

[3]. 钟琳 , 徐海 , 米芳芳 , 等 . 基于线结构光扫描的烟支表面缺陷检测方法研究 [J]. 包装与食品机械 ,2024,42(02):82- 87..

[4]. 张维琛 , 赵海挺 , 李靖 , 等 . 基于深度学习的烟支外观检测系统的设计与实现 [J]. 科学技术创新 ,2022,(35):49- 52.

[5]. 谭梦颖 , 王祥 , 聂磊 . 低照明复杂环境下吸烟行为检测技术研究[J]. 安全与环境学报 ,2024,24(09):3522- 3531.