为解决目前卷烟厂生产线对烟包缺支检测精度和速度要求高的问题,提出一种基于支持向量机(SVM)的烟包缺支在线检测方法。首先通过工业CCD摄像头采集烟包图像,并进行预处理;其次提取采集图像的灰度特征和纹理特征,根据相应指标构建特征空间;最后建立基于多项式和高斯核函数的SVM分类方法对烟包进行缺支检测。实验结果证明,所设计的方法有效,高斯核函数精度稍高,缺支检测准确率最高可达99.8%,检测算法平均消耗时间仅为120 ms,满足烟包缺支在线检测的精度和实时性要求。

为进一步提高烟草厂商对香烟小包外观检测的效率,提出了基于Faster RCNN深度学习的人工智能系统方案。该方案将机器视觉与人工智能图像识别以及ICT技术相结合,突破了传统检测算法原理的局限性,提升了烟包外观检测的精度,降低了误检率。经测试,一般缺陷检出率高于99%,严重缺陷100%检出,误检率低于0.01%,有效提升了香烟包装品质。

为实现箱装缺条检测装置的故障诊断，针对目前人为制造缺条状况，设计了1种箱装缺条检测装置故障自诊断系统，在卷烟装封箱机处增加1套控制装置，包括2套条形码扫描装置和1台用于分析与控制的工控机，实时在线判断箱装缺条检测装置的检测和剔除功能是否正常。首先对箱装缺条检测装置进行介绍，其次对故障自诊断系统进行总体设计，介绍了系统工作原理。实践表明，该系统能够实时发现缺条检测装置和剔除机构的故障，从而杜绝烟箱缺条故障的发生。烟箱缺条的品质问题明显减少。