烟支滤棒缺陷检测方法、装置、设备及存储介质

技术领域

本发明涉及烟支滤棒缺陷检测技术领域，具体涉及烟支滤棒缺陷检测方法、装置、设备及存储介质。

背景技术

烟支滤棒是卷烟生产中必不可少的材料，烟支滤棒质量的好坏直接影响最终产品的质量，也影响着产品的形象和生产。为提升卷烟的抽吸品质和满足消费者的感官需求，复合烟支滤棒逐渐兴起，爆珠是一种烟草添加剂，常添加于烟支滤棒中，可以提升香烟口感，增加消费者的使用体验。在实际生产过程中，受到设备、人工等各种因素影响，烟支滤棒容易出现褶皱、破损、相位漂移等生产不合格现象，影响卷烟的质量。烟支滤棒的缺陷可分为外观缺陷、段长缺陷以及爆珠缺陷，外观缺陷包括褶皱、脏污、翘边、破损、水松纸缺陷等，段长缺陷包括相位漂移、长度不准、基棒排列错误，爆珠缺陷包括爆珠缺珠、多珠、空壳等。其中，相位漂移指烟支滤棒各段的长度与生产规定长度之间存在±1.0mm左右的偏差，长度不准指烟支滤棒各段的长度与规定长度间偏差在0.2mm以内，基棒排列错误指烟支滤棒各段的排列顺序与规定顺序不符。这些缺陷严重影响卷烟质量，所以对烟支滤棒进行缺陷检测十分必要。

针对烟支滤棒的外观缺陷、段长缺陷和爆珠缺陷，传统检测方法均采用人工肉眼抽检的方式，十分依赖操作人员的主观意识和经验，并且由于卷烟机等生产设备的效率远高于人工检查，使得该方式只能采用抽样作业，导致遗漏检查部分缺陷烟支，存在成本高、劳动强度大、筛选效率低等问题，无法满足卷烟厂高精度在线实时检测烟支滤棒缺陷的需求。针对烟支滤棒的段长缺陷，基于微波法检测的方法逐渐被应用，由于微波谐振腔的检测范围有限，该方法只适用于小数量烟支的长度测量，无法满足工厂流水线作业的需求。针对烟支滤棒的爆珠生产缺陷，基于微波法和X射线法检测的方法逐渐被应用，而人体若长期暴露在X射线环境下，会造成一定程度的损伤。因此提供一种精度高、效率快、安全、实时性好、检测功能全面的烟支滤棒缺陷检测系统十分重要。

目前公开的发明中检测功能较为单一，未能同时检测烟支滤棒的外观缺陷、段长缺陷以及爆珠的生产缺陷。公开号CN113034483A基于深度迁移学习的方法进行烟支缺陷检测，采用二分类SoftMax层对烟支是否存在缺陷进行检测，未能对烟支缺陷类型进行检测和判断。公开号CN115311250A对烟支的卷烟纸区域和水松纸区域分别进行处理，针对卷烟纸区域建立图像模板进行对比，针对水松纸区域，采用改进后的ResNet18网络模型进行缺陷检测，但是并未将水松纸区域的所有缺陷类型完全涵盖，功能不全面。公开号CN108225222A采用微波法对烟支滤棒进行长度测量，但由于微波谐振腔的检测范围固定，当样本数据密度较高时，烟支滤棒长度无法被准确测量，且金属材质反射的微波会造成相关微波单元损坏，影响实际检测。公开号CN113008169A采用X射线对烟支爆珠进行识别检测，检测功能较单一，无法满足对烟支滤棒缺陷同时检测的需求。

发明内容

根据现有技术的不足，本发明的目的是提供烟支滤棒缺陷检测方法、装置、设备及存储介质，替代了传统的人工质检等环节，检测功能全面，能够快速且准确地检测烟支滤棒的各种缺陷。

为了解决上述技术问题，本发明采用的技术方案为：

烟支滤棒缺陷检测方法，包括以下步骤：

步骤S100、采集正常及有缺陷的烟支滤棒图像，集合成烟支滤棒图像数据集；

步骤S200、对烟支滤棒图像数据集进行预处理，根据缺陷类型和缺陷位置对有缺陷的烟支滤棒图像标注分类为外观缺陷、爆珠缺陷或段长缺陷；

步骤S300、建立集成缺陷分类模型、外观缺陷和爆珠缺陷检测模型及段长缺陷检测模型的烟支滤棒缺陷检测模型，将标注分类后的烟支滤棒图像输入到烟支滤棒缺陷检测模型中进行训练，首先输入到缺陷分类模型进行深度学习对缺陷类型分类，若烟支滤棒图像分类为外观缺陷或爆珠缺陷，则将该烟支滤棒图像输入到外观缺陷和爆珠缺陷检测模型，根据特征提取器Masked RoI来提取各段烟支滤棒的特征并采用基于注意力机制的检测头来检测和分类缺陷，若烟支滤棒图像分类为段长缺陷，则将该烟支滤棒图像输入到段长缺陷检测模型，采用模板匹配法与标准模板进行匹配来检测和分类缺陷；

步骤S400、利用步骤S300训练好的烟支滤棒缺陷检测模型对新的烟支滤棒图像进行检测，若检测到外观缺陷、爆珠缺陷或段长缺陷，则将新的烟支滤棒图像对应的烟支滤棒剔除。

进一步地，在采集烟支滤棒图像过程中，通过至少两台相机分别采集烟支滤棒周向的图像，再将多个烟支滤棒周向的图像拼接形成完整的烟支滤棒图像，且将图像尺寸小于一定阈值的烟支滤棒图像进行插值处理，使所有的烟支滤棒图像尺寸统一。

进一步地，步骤S200中，外观缺陷包括褶皱、脏污、翘边、破损、水松纸缺陷；段长缺陷包括相位漂移、长度不准、基棒排列错误；爆珠缺陷包括爆珠缺珠、多珠、空壳。

进一步地，在步骤S300中，所述缺陷分类模型通过ResNet18网络模型得到特征金字塔Fr，再通过由若干堆叠的特征金字塔增强模块组成的特征增强网络进一步提取特征，得到特征金字塔Fe，对Fe进行上采样并将其连接为最终的特征图Ff，基于特征图Ff，预测烟支滤棒的像素区域和烟支滤棒的中心核并通过像素聚合的方法将两部分合并为完整的烟支滤棒分割结果。

进一步地，所述特征金字塔增强模块包括上尺度增强阶段和下尺度增强阶段，在上尺度增强阶段，输入特征金字塔Fr，以步长32、16、8、4像素在特征图上迭代增强生成特征金字塔Fr’，在下尺度增强阶段，输入特征金字塔Fr’，并以4、8、16和32像素的步长反复增强，其中，所述特征金字塔增强模块的连接部分采用可分离卷积，可分离卷积包括可分离深度卷积和跳连结构。

进一步地，使用损失函数

进一步地，在外观缺陷和爆珠缺陷检测模型中，Masked RoI提取各段部分固定大小的特征块，具体为：计算包含目标烟支滤棒外观或爆珠的最小直立边界矩形，提取最小直立边界矩形内的特征块，通过特征块乘以二进制掩码过滤噪声特征，其中目标段烟支滤棒外的权重为0，调整特征块大小为固定大小；

再采用基于注意力机制的检测头来检测和分类缺陷，注意力层基于多头注意力，融合LSTM特征和视觉CNN特征，将分割后得到的目标烟支滤棒外观或爆珠的特征向量及特征块输入多头注意力层A1，得到特征向量

在段长缺陷检测模型中，采用基于相关性的模板匹配，把模板图像中的所有像素按列顺序组成模板的特征向量a，然后在检测图像上寻找与模板最匹配的特征向量b，通过计算特征向量a和特征向量b的夹角，来衡量匹配的概率，进而判断烟支滤棒是否存在段长缺陷。

烟支滤棒缺陷检测装置，包括：

数据采集模块，用于采集正常及有缺陷的烟支滤棒图像，集合成烟支滤棒图像数据集；

烟支缺陷标注模块，用于对烟支滤棒图像数据集进行预处理，根据缺陷类型和缺陷位置对有缺陷的烟支滤棒图像标注分类为外观缺陷、爆珠缺陷或段长缺陷；

烟支滤棒缺陷检测模型建立模块，用于建立集成缺陷分类模型、外观缺陷和爆珠缺陷检测模型及段长缺陷检测模型的烟支滤棒缺陷检测模型，将标注分类后的烟支滤棒图像输入到烟支滤棒缺陷检测模型中进行训练，首先输入到缺陷分类模型进行深度学习对缺陷类型分类，若烟支滤棒图像分类为外观缺陷或爆珠缺陷，则将该烟支滤棒图像输入到外观缺陷和爆珠缺陷检测模型，根据特征提取器Masked RoI来提取各段烟支滤棒的特征并采用基于注意力机制的检测头来检测和分类缺陷，若烟支滤棒图像分类为段长缺陷，则将该烟支滤棒图像输入到段长缺陷检测模型，采用模板匹配法与标准模板进行匹配来检测和分类缺陷；

烟支缺陷识别模块，用于利用训练好的烟支滤棒缺陷检测模型建立模块对新的烟支滤棒图像进行检测，若检测到外观缺陷、爆珠缺陷或段长缺陷，则将新的烟支滤棒图像对应的烟支滤棒剔除。

烟支滤棒缺陷检测设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，处理器用于运行计算机程序时，执行上述任一项所述烟支滤棒缺陷检测方法的步骤。

一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时，实现上述任一项所述烟支滤棒缺陷检测方法的步骤。

与现有技术相比，本发明具有以下优点和有益效果：

1、本发明提供了烟支滤棒缺陷检测方法、装置、设备及存储介质，能够采集烟支滤棒图像，通过烟支滤棒缺陷检测模型实现对缺陷烟支滤棒的检测，替代了传统的人工质检等环节，大大降低了工人劳动强度和检测成本，提高了卷烟生产效率和质量。

2、本发明提供的烟支滤棒缺陷检测方法、装置、设备及存储介质，通过缺陷分类模型进行深度学习对缺陷类型分类，若烟支滤棒图像分类为外观缺陷或爆珠缺陷，则将该烟支滤棒图像输入到外观缺陷和爆珠缺陷检测模型，根据特征提取器Masked RoI来提取各段烟支滤棒的特征并采用基于注意力机制的检测头来检测和分类缺陷，若烟支滤棒图像分类为段长缺陷，则将该烟支滤棒图像输入到段长缺陷检测模型，采用模板匹配法与标准模板进行匹配来检测和分类缺陷，能够同时检测烟支滤棒的外观缺陷、段长缺陷以及爆珠缺陷，满足卷烟厂高精度在线实时检测烟支滤棒缺陷的需求。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分。本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明的烟支滤棒缺陷检测方法的流程图；

图2为本发明实施例烟支滤棒图像缺陷检测系统的示意图；

图3为本发明烟支滤棒缺陷检测装置的示意图。

其中：1、工业控制计算机；2、第一工业相机；3、第二工业相机；4、第一光源；5、第二光源；6、第一驱动电机；7、第二驱动电机；8、电机驱动器；9、第一鼓轮；10、第二鼓轮；11、剔除装置。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

本发明提供烟支滤棒缺陷检测方法，如图1所示，包括以下步骤：

步骤S100、采集正常及有缺陷的烟支滤棒图像，集合成烟支滤棒图像数据集；

步骤S200、对烟支滤棒图像数据集进行预处理，根据缺陷类型和缺陷位置对有缺陷的烟支滤棒图像标注分类为外观缺陷、爆珠缺陷或段长缺陷；

步骤S300、建立集成缺陷分类模型、外观缺陷和爆珠缺陷检测模型及段长缺陷检测模型的烟支滤棒缺陷检测模型，将标注分类后的烟支滤棒图像输入到烟支滤棒缺陷检测模型中进行训练，首先输入到缺陷分类模型进行深度学习对缺陷类型分类，若烟支滤棒图像分类为外观缺陷或爆珠缺陷，则将该烟支滤棒图像输入到外观缺陷和爆珠缺陷检测模型，根据特征提取器Masked RoI来提取各段烟支滤棒的特征并采用基于注意力机制的检测头来检测和分类缺陷，若烟支滤棒图像分类为段长缺陷，则将该烟支滤棒图像输入到段长缺陷检测模型，采用模板匹配法与标准模板进行匹配来检测和分类缺陷；

步骤S400、利用步骤S300训练好的烟支滤棒缺陷检测模型对新的烟支滤棒图像进行检测，若检测到外观缺陷、爆珠缺陷或段长缺陷，则将新的烟支滤棒图像对应的烟支滤棒剔除。

相关技术中，对烟支滤棒的缺陷检测功能较为单一，每种检测方法只能检测出一部分缺陷，不能对烟支滤棒段长缺陷、爆珠缺陷和外观缺陷进行全面的检测，本发明提供的烟支滤棒缺陷检测方法，能够高速采集烟支滤棒外观图像，通过内置的烟支滤棒缺陷检测模型实现对缺陷烟支滤棒的检测、剔除及预警，替代了传统的人工质检等环节，大大降低了工人劳动强度和检测成本，提高了卷烟生产效率和质量。

本发明通过缺陷分类模型进行深度学习对缺陷类型分类，若烟支滤棒图像分类为外观缺陷或爆珠缺陷，则将该烟支滤棒图像输入到外观缺陷和爆珠缺陷检测模型，根据特征提取器Masked RoI来提取各段烟支滤棒的特征并采用基于注意力机制的检测头来检测和分类缺陷，若烟支滤棒图像分类为段长缺陷，则将该烟支滤棒图像输入到段长缺陷检测模型，采用模板匹配法与标准模板进行匹配来检测和分类缺陷，能够同时检测烟支滤棒的外观缺陷、段长缺陷以及爆珠缺陷，满足卷烟厂高精度在线实时检测烟支滤棒缺陷的需求。

本发明中，在采集烟支滤棒图像过程中，通过至少两台相机分别采集烟支滤棒周向的图像，再将多个烟支滤棒周向的图像拼接形成完整的烟支滤棒图像，且将图像尺寸小于一定阈值的烟支滤棒图像进行插值处理，使所有的烟支滤棒图像尺寸统一。

具体地，在本发明的一个实施例中，如图2所示，通过烟支滤棒图像缺陷检测系统采集烟支滤棒图像，烟支滤棒图像缺陷检测系统包括工业控制计算机1、第一工业相机2、第二工业相机3、第一光源4、第二光源5、第一驱动电机6、第二驱动电机7、电机驱动器8、第一鼓轮9、第二鼓轮10和剔除装置11，第一鼓轮9通过第一驱动电机6驱动转动，第二鼓轮10通过第二驱动电机7驱动转动，第二鼓轮10和第一鼓轮9啮合，烟支滤棒通过第一鼓轮9输送到第二鼓轮10，第一鼓轮9旁设置第一工业相机2，第二鼓轮10旁设置第二工业相机3，第一工业相机2远离第二鼓轮10，第二工业相机3远离第一鼓轮9，第一工业相机2和第二工业相机3相对于第一鼓轮9和第二鼓轮10对称设置，利用双鼓轮、第一工业相机2和第二工业相机3实现烟烟支滤棒正反面拍摄，通过第一工业相机2和第二工业相机3分别采集烟支滤棒周向的图像，再将两个烟支滤棒周向的图像拼接形成完整的烟支滤棒图像，形成烟支滤棒周向360°图像，第一光源4为第一工业相机2提供工作所需光照，第二光源5为第二工业相机3提供工作所需光照，同时第一光源4和第二光源5能够增强爆珠、基棒间隙与周围物体间对比度，剔除装置11包括第三驱动电机和与第三驱动电机输出轴相连的剔除棒，第一驱动电机6、第二驱动电机7和第三驱动电机与电机驱动器8相连进而通过控制器控制运动，通过工业控制计算机1获取第一工业相机2和第二工业相机3采集的烟支滤棒周向的图像，通过工业控制计算机1进行处理，当发现有外观缺陷、爆珠缺陷或段长缺陷的烟支滤棒，第三驱动电机驱动剔除棒工作从而剔除有缺陷的烟支滤棒。

本实施例中，由于第一工业相机2和第二工业相机3分别采集烟支滤棒周向180°的图像，故在该阶段需要先将两部分图片拼接为一张图像，从而完整反映烟支滤棒周向360°信息。由于检测的烟支滤棒尺寸不一，需对小尺寸的烟支滤棒图像进行插值处理，使实物尺寸统一，便于后续检测。本实施例中，采用Label studio工具对步骤S200中获取的烟支滤棒图像进行缺陷类型以及缺陷位置的标注分类，用于后续烟支滤棒缺陷检测模型的训练。

本发明中，在步骤S200中，对预处理后的烟支滤棒图像数据集按一定比例划分为训练集、验证集和测试集，训练集用于训练，验证集调节超参数，测试集用于测试烟支滤棒缺陷检测模型的检测速度和检测精度。

本发明中，在步骤S200中，外观缺陷包括褶皱、脏污、翘边、破损、水松纸缺陷；段长缺陷包括相位漂移、长度不准、基棒排列错误；爆珠缺陷包括爆珠缺珠、多珠、空壳。

本发明中，在步骤S300中，通过所述缺陷分类模型自动学习缺陷特征，具体地，通过ResNet18网络模型得到特征金字塔Fr，再通过由若干堆叠的特征金字塔增强模块组成的特征增强网络进一步提取特征，得到特征金字塔Fe，对Fe进行上采样并将其连接为最终的特征图Ff，基于特征图Ff，预测烟支滤棒的像素区域和烟支滤棒的中心核并通过像素聚合的方法将两部分合并为完整的烟支滤棒分割结果。

具体地，在通过ResNet18网络模型得到特征金字塔Fr中，将一副大小为H×W×3的烟支滤棒图像输入ResNet18网络模型，其中，H和W均为4096，通过骨干网络的conv2、conv3、conv4和conv5阶段生成4个特征图，这4个特征图与输入图像相比分辨率分别为1/4、1/8、1/16和1/32。然后，通过1×1的Conv卷积将每个特征图的通道数压缩到128，得到一个特征金字塔Fr。

本发明中，所述特征金字塔增强模块包括上尺度增强阶段和下尺度增强阶段，在上尺度增强阶段，输入特征金字塔Fr，以步长32、16、8、4像素在特征图上迭代增强生成特征金字塔Fr’，在下尺度增强阶段，输入特征金字塔Fr’，并以4、8、16和32像素的步长反复增强，其中，所述特征金字塔增强模块的连接部分采用可分离卷积，可分离卷积包括可分离深度卷积和跳连结构。

核表示的方法是一种基于像素的表示方法，可以很容易通过单个全卷积网络进行预测，便于实时检测。核表示的标签可以简单生成，而不需要额外的标注。因此本发明中，采用核表示的方法检测烟支滤棒，检测头由两个卷积层组成，特征金字塔增强网络输出的特征图Ff经一个3×3卷积后经一个1×1卷积，其中3×3卷积后面接有一个BatchNorm层和一个ReLU激活函数，输出烟支滤棒的像素区域和烟支滤棒的中心核。

本发明中，通过像素聚合的方法将烟支滤棒的像素区域和烟支滤棒的中心核合并为完整的烟支滤棒分割结果，具体为：将每段烟支滤棒视为不同的簇，则其中心核为聚类中心，各段烟支滤棒内的像素点为待聚类样本，从而将像素聚类到对应的中心核。

像素聚合将烟支滤棒中白色部分聚类为一段烟支滤棒，每段烟支滤棒均由检测头所预测的中心核和像素区域组合而成。这样，烟支滤棒就分割为了几段，包括各段烟支滤棒和爆珠部分。

本发明中，使用损失函数

为了将像素区域聚类到对应的烟支滤棒段，需要最小化同一段内部的像素和中心核之间的距离。在训练时，使用一个损失函数

其中，

为了将烟支滤棒各段分开以及烟支滤棒与背景区分开，需要保证各段烟支滤棒的特征向量及背景保持一定的距离，可概括为一个判别损失

其中，

本发明中，在外观缺陷和爆珠缺陷检测模型中，采用Masked RoI来提取各段烟支滤棒或爆珠的特征并采用基于注意力机制的检测头来检测和分类缺陷。

在段长缺陷检测模型中，采用模板匹配法将分割测量值与标准模板进行匹配，从而分类缺陷。

具体地，在外观缺陷和爆珠缺陷检测模型中，针对各段烟支滤棒外观部分和爆珠部分，Masked RoI提取各段部分固定大小的特征块，具体为：计算包含目标烟支滤棒外观或爆珠的最小直立边界矩形，提取最小直立边界矩形内的特征块，通过特征块乘以二进制掩码过滤噪声特征，其中目标段烟支滤棒外的权重为0，调整特征块大小为固定大小。

再采用基于注意力机制的检测头来检测和分类缺陷，注意力层基于多头注意力，融合LSTM特征和视觉CNN特征，将分割后得到的目标烟支滤棒外观或爆珠的特征向量及特征块输入多头注意力层A1，得到特征向量

具体地，在段长缺陷检测模型中，采用基于相关性的模板匹配，把模板图像中的所有像素按列顺序组成模板的特征向量a，然后在检测图像上寻找与模板最匹配的特征向量b，通过计算特征向量a和特征向量b的夹角，来衡量匹配的概率，进而判断烟支滤棒是否存在段长缺陷，其中，段长缺陷为相位漂移、长度不准、基棒排列错误。

待检测烟支滤棒的特征向量和模板的特征向量长度可以进行对比，如果在±1.0mm左右，判定为相位漂移；在0.2mm以内就是长度不准；若烟支滤棒的特征向量和模板的特征向量差别很大，则为基棒排列错误。

本发明还提供烟支滤棒缺陷检测装置，如图3所示，包括：

数据采集模块，用于采集正常及有缺陷的烟支滤棒图像，集合成烟支滤棒图像数据集；

烟支缺陷标注模块，用于对烟支滤棒图像数据集进行预处理，根据缺陷类型和缺陷位置对有缺陷的烟支滤棒图像标注分类为外观缺陷、爆珠缺陷或段长缺陷；

烟支滤棒缺陷检测模型建立模块，用于建立集成缺陷分类模型、外观缺陷和爆珠缺陷检测模型及段长缺陷检测模型的烟支滤棒缺陷检测模型，将标注分类后的烟支滤棒图像输入到烟支滤棒缺陷检测模型中进行训练，首先输入到缺陷分类模型进行深度学习对缺陷类型分类，若烟支滤棒图像分类为外观缺陷或爆珠缺陷，则将该烟支滤棒图像输入到外观缺陷和爆珠缺陷检测模型，根据特征提取器Masked RoI来提取各段烟支滤棒的特征并采用基于注意力机制的检测头来检测和分类缺陷，若烟支滤棒图像分类为段长缺陷，则将该烟支滤棒图像输入到段长缺陷检测模型，采用模板匹配法与标准模板进行匹配来检测和分类缺陷；

烟支缺陷识别模块，用于利用训练好的烟支滤棒缺陷检测模型建立模块对新的烟支滤棒图像进行检测，若检测到外观缺陷、爆珠缺陷或段长缺陷，则将新的烟支滤棒图像对应的烟支滤棒剔除。

烟支滤棒缺陷检测设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，处理器用于运行计算机程序时，执行上述任一项所述烟支滤棒缺陷检测方法的步骤。

本发明实施例中的存储器用于存储各种类型的数据以支持烟支滤棒缺陷检测设备的操作。这些数据的示例包括：用于在烟支滤棒缺陷检测设备上操作的任何计算机程序。

本发明实施例揭示的烟支滤棒缺陷检测方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，烟支滤棒缺陷检测方法的各步骤可以通过处理器中硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP，Digital SignalProcessor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成本发明实施例提供的烟支滤棒缺陷检测方法的步骤。

在示例性实施例中，烟支滤棒缺陷检测设备可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex ProgrammableLogicDevice)、FPGA、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或者其他电子元件实现，用于执行前述方法。

可以理解，存储器可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，RandomAccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random AccessMemory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random AccessMemory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。

本发明还提供一种存储介质，存储介质中存储有计算机程序，计算机程序被处理器执行时，实现上述任一项烟支滤棒缺陷检测方法的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。