CN103743486A - 一种基于海量烟叶数据的自动定级系统和方法 - Google Patents
一种基于海量烟叶数据的自动定级系统和方法 Download PDFInfo
- Publication number
- CN103743486A CN103743486A CN201410001552.4A CN201410001552A CN103743486A CN 103743486 A CN103743486 A CN 103743486A CN 201410001552 A CN201410001552 A CN 201410001552A CN 103743486 A CN103743486 A CN 103743486A
- Authority
- CN
- China
- Prior art keywords
- tobacco leaf
- image
- data
- model
- storage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241000208125 Nicotiana Species 0.000 title claims abstract description 228
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 228
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 23
- 230000000875 corresponding effect Effects 0.000 claims description 18
- 238000013500 data storage Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 239000004615 ingredient Substances 0.000 claims description 4
- 101100458658 Homo sapiens MUC13 gene Proteins 0.000 claims description 3
- 102100023124 Mucin-13 Human genes 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000010191 image analysis Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 210000000697 sensory organ Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 235000019504 cigarettes Nutrition 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229920006260 polyaryletherketone Polymers 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明涉及的是一个基于海量烟叶数据的自动定级系统和方法,它是一种利用计算机视觉、图像分析、机器学习、大数据检索和人工智能的技术算法对烟叶图像进行分析、存储、检索和自动定级的系统。将海量数据搜索的技术引入了自动烟叶评级系统中,构建相应的数据库和高效的检索引擎,使定级的结果更准确,随着计算机技术的发展,这种大数据理念将成为必然的趋势。引入人工智能的专家系统的算法,运用特定领域的烟叶知识构造专家知识库,模拟人类专家才能解决的各类复杂烟叶分级的问题,达到与该领域专家具有同等解决问题能力的计算机智能。
Description
技术领域
本发明涉及的是一种基于海量烟叶数据的自动定级系统和方法,具体的说是一种利用计算机视觉、图像分析、机器学习、大数据检索和人工智能的技术算法对烟叶图像进行分析、存储、检索和自动定级的系统及相关方法。
背景技术
长期以来,不论是国内还是国外,烟叶质量的检测和分级都是参照各地区颁布的烟叶分级标准和标准的烟叶样本,依靠人的视觉和触觉感官来进行判断分级的。因此,每到收购烟叶之前,全国各烟区都要成立学习班,收集大量的、标准的烟叶样本作为培训材料,用来培训收购站的烟叶分级人员,这样的分级方式需要消耗和费损大量的人力、物力和财力,而目效率也很低下。更重要的方面是,人类的感官判断带有强烈的主观性和模糊性,影响着对烟叶分级的细致性和变化性的判断,使检验和分级的结果存在着较大的差异。随着经济和社会的发展,以及卷烟制品质量的发展,我国己经开始全面推广42级新的烟叶分级标准(GB2635-92),以此来逐步提高对烟叶质量的要求。尽管新的分级标准越来越细致,但是对烟叶等级的描述都是采用定性的标准,并没有量化的标准来供参考,这种主观随意性强的感官判断和模糊主观评定的人工分级方式反而越来越难以满足烟草行业对烟叶质量的要求。因此,研究和实现计算机系统对烟叶自动分级,开发实用化系统在这样的大环境下己经是势在必行的了。
烤烟烟叶分级方法是目前评判烟叶质量的主要手段,其分级判断的依据主要是烟叶外观特征,如颜色、长度、厚度、油分、成熟度,残损等。作为计算机领域的一个重要分支,计算机视觉的研究、应用和发展正越来越得到重视。计算机视觉能模仿人眼接受各类信息,同时具有比人眼分辨率高、客观和定量等优点。故应用计算机视觉来识别烟叶的外观特征并依据烟叶的分级标准进行分级,从而替代繁杂的体力劳动和提供客观评断烟叶等级就成为目前烟叶分级研究中的主要趋势。因此,将计算机技术应用于烤烟烟叶的分级具有重大的意义。
与一般的农产品相比,烟叶的外观质量检测要复杂的多,用仪器进行烟叶分级的难度较大,故有关用仪器对烟叶进行外观质量检测及分级的研究不多。计算机视觉及神经网络技术在对农产品的鉴定与质量分选开始于20世纪70年代末期,从20世纪80年代后期逐步走向成熟。而数字图像处理技术正式应用于烟草分级与识别还是开始于1984年。美国的Thomas C.E在其论文《Techniques of Image Analysis Applied to the Measurement of Tobacco and Related Products》中提出将数字图像处理技术运用于烟叶的外观特征的识别。此后,数字图像处理技术在烟草领域的研究有了一定的进展.津巴布韦大学的MacCommc J. K. M设计了一个用于烟叶等级自动识别的图像处理单元原型。 CHO H.K和PAEK K.H研究了如何利用机器视觉技术提取白肋烟的形状颜色等表面特征以对其进行等级判定George Tattersfield等提取烟叶的形状、颜色等特征,对津巴布韦烤烟的生长部位和颜色进行识别。
在国内,基于图像的烟叶分级方面,郑州大学的申金媛利用光谱和图像特征进行烟叶分级的方法,使用了烟叶图像信息和光谱信息的特征进行分组、分色和分级;华中农业大学的马文杰博士开辟了一条新的研究路径,与一般研究烟叶的反射图像特征不同,他提出从烤烟烟叶投射图像的特征出发,来实现烟叶特征参数的提取;这些方法但只是使用了烟叶的图像信息,而并没有在大数据的范围中实践和分析,同时并没有使用专家学习系统的思想来进行建模分析和学习。
在系统构建方面,1998 年以来,北京工商大学的韩力群等开展了烤烟烟叶质量特征提取的软硬件系统研制,建立了烤烟烟叶的标准数据库管理系统,并将人工神经网络技术用于烟叶成熟度的自动分级,使用了拟脑智能方法。河南农业大学的潘建斌把专家系统技术引入了烟叶烘烤的过程。这些方法仅仅引入了人工智能的算法,或者仅部分使用了专家系统的技术在烘烤控制过程,并没有利用海量烟叶数据进行模式分析。
从上述的研究进展和研究成果看,我们可以发现国内外己经有很多的学者投入到烟叶质量的检测和分级技术领域的研究,其理论成果是丰硕的。但是到日前为止,对提取烟叶特征参数以及实现烟叶自动分级的系统软件的研究都是处于实验和探讨的阶段,还没有能全面检测和提取烟叶特征并能实现最终自动化分级的设备和技术发明,并不能满足市场对这一技术领域的实际要求。同时,大部分工作还是基于少量数据进行测试,没有使用大数据的思想和技术进行烟叶图像数据挖掘和评级。
针对于次,本发明将计算机视觉和机器学习的算法引入烟叶定级系统中,对烟叶图像进行预处理、特征提取和数学建模;通过对烟草图像的集中存储,构建大规模烟叶图像和特征数据库;面对海量的烟叶特征数据,设计出有效的算法以度量特征和图像之间的内容相似度,并且能够通过有效的方法和框架来快速的处理海量的数据,能够快速自动获得相应的烟叶数据;引入专家系统算法,运用烟叶领域的专门知识和经验,建立庞大的专家烟叶定级规则库,通过推理来模拟人类专家,达到与专家具有同等解决问题能力,从而对烟叶进行评级决策;在决策的同时,系统并有自学习功能,能自动完善烟叶评级所需的知识。
上海大学多媒体技术研发中心于2013年上半年开始与川渝中烟工业公司合作,对基于海量烟叶数据的自动定级系统和方法相关技术展开深入研究 。
目前烟叶分级系统研究大多处于试验阶段,且大多致力于特征分析方面。根据调研,到目前为止,把烟叶图像特征提取、分类模型建立、大数据系统搭建和专家系统等方面有机地集成在一起,本发明尚属首例。
发明内容
鉴于以上所述现有技术存在的问题和不足,本发明的目的在于提供一个基于海量烟叶数据的自动定级系统和方法,对于制定科学定量的烟叶分级标准、培训烟叶分级人员、裁决烟叶质量纠纷、以及指导实际的烟叶分级工作和卷烟自动生产线上的应用开发,都具有重要的实用价值。
为达到上述目的,本发明采用下述技术构思:
根据烟叶自动分级的需求,引入海量数据检索技术,综合利用计算机视觉、数字图像处理以及人工智能融合技术,完成烟叶自动定级。系统运行前,首先根据国家烟叶定级标准,构造专家规则库。系统运行初期,先进行烟叶训练图像的采集,完成颜色、形状和纹理特征的提取,使用机器学习的算法构建初始化分类模型。系统运行时,用户将待检测的烟叶放入图像采集区域,图像采集系统实时获取烟草图像,并存入烟叶图像库。机器视觉系统获取烟叶图像的相关特征,存入烟叶特征库。通过海量数据智能搜索系统,获取与该图像相似的图像特征集合。专家系统根据规则库信息、图像特征集合和分类模型,通过推理给出相应的评级决策。评级决策通过显示屏幕和语音系统,提示用户评级结果。每次评级结束后,学习系统会自动完善专家烟叶定级规则库,更新分类模型的相应参数,优化分类模型。
本发明采用以下技术方案实现:
一种基于海量烟叶数据的自动定级系统,如图1所示,其硬件系统具体包括以下组成部分:
1):待分级的烟叶:放在代采集区的烟叶;
2):摄像头:用于采集烟叶图像;
3):PC1图像采集与处理处理器:通过使用(2)摄像头和视频采集卡对真实场景进行采集、预处理和特征提取,构建相关烟叶的分类模型;
4):PC2存储和搜索引擎处理器:负责系统数据查询、存储和搜索相关烟草图像和特征数据,管理专家烟叶定级规则库;
5):PC3通信与系统监控处理器:是系统的通信和控制中心,还完成定级信息音频输出控制、定级信息显示控制以及硬件设备状态监控等任务;
6):音频系统:分级信息音频输出;
7):显示系统:分级信息视频输出;
8):千兆交换机;
9):烟叶图像数据库集群:多个存储采集的烟叶图像数据库;
10):烟叶特征数据库集群:多个存储采集的烟叶特征数据库;
11):PC4分类模型数据库存储器:用于存储和训练各种不同烟叶的分类模型;
12):PC5专家烟叶定级规则库存储器:用于存储国家标准和专家相关定级经验,并且完成烟叶定级工作;
一种基于海量烟叶数据的自动定级方法,如图2所示,其具体操作步骤如下:
1):使用摄像头,采集待检测区域的烟叶图像;
2):对烟叶图像进行分析和预处理,保留视觉关心的图像部分,去除噪声,然后提取烟叶的相关细节特征,保证数据的稀疏性和相关性;
3):从烟叶特征数据库中,获取不同种类的烟叶特征数据,进行模型的构建,且为之后的决策提供模型;
4):对烟叶图像和特征数据,进行分析,通过专家烟叶定级规则库来获得专家知识,以及获取相应的烟叶模型,再通过推理及来进行具体的推演,以得出相应烟叶的级别;
5):将烟叶图像和特征数据,分别存储于相应的烟叶图像数据库和烟叶特征数据库存储器中;
6):将本次烟叶分级的结果通过音频输出到喇叭,且输出到液晶显示屏,提供给用户获取结果。
更为详细地,所述操作步骤2)具体包括以下步骤:
2)-1:图像预处理:为了消除图像噪声,且保证边界不模糊,根据局部区域内图像状态的不同,对其相邻的像素选择,进行高斯滤波处理,使用灰度直方图均衡化方法进行图像模型化处理,最后使用全局阈值的算法完成图像的二值化;
2)-2:特征提取:对原始图像获取烟叶的色调均值、饱和度均值和亮度均值,同时从二值化后的图像中获取相关形状特征--周长、面积、原型度系数、长度、宽度、长宽比,用灰度共生矩阵获得烟叶的纹理特征--能量、角二阶矩、对比度、相关性、一致性、灰度平均值、灰度均方差。
更为详细地,所述操作步骤3)具体包括以下步骤:
3)-1:特征降维:使用主成分分析的算法,对烟叶的相关特征从高维数据投影到低维空间,降低了数据的复杂性,保证了数据的有效性,提高了算法的速率;
3)-2:模型选择:根据现有的特征的数量和分布,智能选择模型的假设空间,同时确定模型学习的策略和算法,模型假设空间为支持向量机(SVM)或神经网络或K近邻模型或决策树;
3)-3:模型训练:通过烟叶训练数据和验证数据,根据学习策略,从假设空间中选择最优模型,用数值计算的方法求解最优模型的参数,从而保证误差最小化。
更为详细地,所述操作步骤4)具体包括以下步骤:
4)-1:烟叶知识库构建:归纳烟叶专家的领域知识和国家标准知识,预处理和系统化,使其可以进行决策;
4)-2:推理机制管理:使用知识库来获得专家知识,再通过推理及来进行具体的推演,以得出烟叶分级决策建议。
更为详细地,所述操作步骤5)具体包括以下步骤:
5)-1:数据存储:使用网络附加存储,即采用网络(TCP/IP、ATM、FDDI)技术,通过网络交换机连接存储系统和服务器主机,建立专用于数据存储的存储私网,可由所有的网络用户共享,很好的支持多用户的并发存储处理,从而全面改进了以前低效的存储方式;
5)-2:数据检索:在海量烟叶的特征描述的基础上,使用分布式相似度计算方法,该方法基于Map/Reduce的计算模型,即首先对每一块数据进行独立而并行的处理,然后这些独立的处理块的结果会被重新组合成不同的排序的集合,这些集合最后由统一的作业模块进行处理,最后完成了实时烟叶信息的检索。
本发明与现有技术相比较,具有如下显而易见的突出实质性特点和显著优点:首先,本发明实际上提出了一种全新的设计开发理念——将海量数据搜索的技术引入了自动烟叶评级系统中,构建相应的数据库和高效的检索引擎,使定级的结果更准确,随着计算机技术的发展,这种大数据理念将成为必然的趋势。其次,本发明引入人工智能的专家系统的算法,运用特定领域的烟叶知识构造专家知识库,模拟人类专家才能解决的各类复杂烟叶分级的问题,达到与该领域专家具有同等解决问题能力的计算机智能。
附图说明
图1为本发明一种基于海量烟叶数据的自动定级系统和方法的硬件结构组成概念图。
图2为本发明一种基于海量烟叶数据的自动定级系统和方法的操作流程图。
具体实施方式
本发明的优选实施例结合附图详述如下:
实施例一:
参见图1,本基于海量烟叶数据的自动定级系统,其特征在于包括以下组成部分,通过千兆交换机(8)连接:
摄像头和视频采集卡(2):用于采集烟叶(1)图像;
PC1图像采集与处理器(3):通过使用摄像头(2)和视频采集卡对真实场景进行采集、预处理和特征提取,构建相关烟叶的分类模型;
PC2存储和搜索引擎处理器(4):负责系统数据查询、存储和搜索相关烟草图像和特征数据,管理专家烟叶定级规则库;
PC3通信与系统监控处理器(5):是系统的通信和控制中心,还完成定级信息音频输出控制、定级信息显示控制以及硬件设备状态监控等任务;
音频系统(6):分级信息音频输出;
显示系统(7):分级信息视频输出;
烟叶图像数据库集群(9):多个存储采集的烟叶图像数据库;
烟叶特征数据库集群(10):多个存储采集的烟叶特征数据库;
PC4分类模型数据库存储器(11):用于存储和训练各种不同烟叶的分类模型;
PC5专家烟叶定级规则库存储器(12):用于存储国家标准和专家相关定级经验,并且完成烟叶定级工作。
实施例二:
本实施例与实施例一基本相同,特别之处如下:
1)所述摄像头和视频采集卡(2):采用的是CBC公司的LCH-P49A工业摄像头,它具有背光补偿,自动白平衡,自动增益控制等功能。其摄像头使用1/4"CCD(3.2×2.4mm),水平清晰度500线。镜头的参数可调,焦距范围为4-9mm,最大光圈口径比为1:1.6,水平视角范围为51.8°-23.8°,垂直视角可调范围为38.3°-17.8°,该摄像头有许多可调节的参数,分辨率较高,使用它捕捉的图像质量很好,是一个比较符合设计初衷的选择;针对摄像头,使用了Microview V211视频采集卡,它是基于PCI总线,采集PAL制、NTSC制标准黑白/彩色信号的两路高画质实时专业图像采集卡,支持多路视频输入并实时采集显示,单卡支持两路768×288×24 bit×25场/秒实时采集、显示,不占用CPU资源,支持一机多卡;
2)所述PC1图像采集与处理器(3):PC1是配置较高的图形图像工作站,使用的工作站型号为XASUN EX580s,它提供32核计算能力超级图形工作站,为超大规模数据计算、图形图像处理、复杂3D模型实时生成、4K视频实时编辑等高端应用,提供超级计算能力、海量图形图像处理、超高分辨率的3D可视化,高密集数据存储与高速读写性能,同时具有绿色环境要求的静音、零辐射;
3)所述PC2存储和搜索引擎处理器(4)、PC4分类模型数据库存储器(11)、PC5专家烟叶定级规则库存储器(12):采用企业数据库服务器---IBM xSeries 255 8685-A1D,它是IBM公司推出的一款性能超强的服务器,适合大中型企业作为数据库服务器使用。该服务器采用塔式设计,支持4路Intel Xeon MP处理器,支持24GB DDR RECC内存的扩展;集成Ultra 160 SCSI控制器,最大可将容量扩充到1.76TB;集成双千兆网卡,采用冗余双热插拔电源供电;
4)所述PC3通信与系统监控处理器(5):PC3是一台高速计算机;
5)所述显示系统(7):显示系统是一台LG 42LN5180 42英寸 LED液晶电视,分辨率为1920*1080。
实施例三:
参见图2,本基于海量烟叶数据的自动定级方法,采用上述系统进行操作,其特征在于如下:
1):图像采集:使用摄像头和视频采集卡(2),采集待检测区域的烟叶图像;
2):特征获取:对烟叶图像进行分析和预处理,保留视觉关心的图像部分,去除噪声,然后提取烟叶的相关细节特征,保证数据的稀疏性和相关性;
3):模型构建:从烟叶特征数据库中,获取不同种类的烟叶特征数据,进行模型的构建,且为之后的决策提供模型;
4):烟叶定级:对烟叶图像和特征数据,进行分析,通过专家烟叶定级规则库来获得专家知识,以及获取相应的烟叶模型,再通过推理及来进行具体的推演,以得出相应烟叶的级别;
5):数据存储:将烟叶图像和特征数据,分别存储于相应的烟叶图像数据库和烟叶特征数据库存储器中;
6):定级结果输出:将本次烟叶分级的结果通过音频输出到喇叭,且输出到液晶显示屏,提供给用户获取结果。
实施例四:
本实施例与实施例三基本相同,特别之处如下:
所述步骤2)具体包括以下步骤:
2)-1:图像预处理:为了消除图像噪声,且保证边界不模糊,根据局部区域内图像状态的不同,对其相邻的像素选择,进行高斯滤波处理,使用灰度直方图均衡化方法进行图像模型化处理,最后使用全局阈值的算法完成图像的二值化;
2)-2:特征提取:对原始图像获取烟叶的色调均值、饱和度均值和亮度均值,同时从二值化后的图像中获取相关形状特征--周长、面积、原型度系数、长度、宽度、长宽比,用灰度共生矩阵获得烟叶的纹理特征--能量、角二阶矩、对比度、相关性、一致性、灰度平均值、灰度均方差。
所述步骤3)具体包括以下步骤:
3)-1:特征降维:使用主成分分析的算法,对烟叶的相关特征从高维数据投影到低维空间,降低了数据的复杂性,保证了数据的有效性,提高了算法的速率;
3)-2:模型选择:根据现有的特征的数量和分布,智能选择模型的假设空间,同时确定模型学习的策略和算法,模型假设空间为支持向量机(SVM)或神经网络或K近邻模型或决策树;
3)-3:模型训练:通过烟叶训练数据和验证数据,根据学习策略,从假设空间中选择最 优模型,用数值计算的方法求解最优模型的参数,从而保证误差最小化。
所述步骤4)具体包括以下步骤:
4)-1:烟叶知识库构建:归纳烟叶专家的领域知识和国家标准知识,预处理和系统化,使其可进行决策;
4)-2:推理机制管理:使用4)-1构建的烟叶知识库来获得相应的专家知识,再通过推理及来进行具体的推演,以得出烟叶分级决策建议。
所述步骤5)具体包括以下步骤:
5)-1:数据存储:使用网络附加存储,即采用网络(TCP/IP、ATM、FDDI)技术,通过网络交换机连接存储系统和服务器主机,建立专用于数据存储的存储私网,可由所有的网络用户共享,很好的支持多用户的并发存储处理,从而全面改进了以前低效的存储方式;
5)-2:数据检索:在海量烟叶的特征描述的基础上,使用分布式相似度计算方法,该方法基于Map/Reduce的计算模型,即首先对每一块数据进行独立而并行的处理,然后这些独立的处理块的结果会被重新组合成不同的排序的集合,这些集合最后由统一的作业模块进行处理,最后完成了实时烟叶信息的检索。
实施例五:
如图1所示,基于海量烟叶数据的自动定级系统,具体包括以下组成部分:
首先使用摄像头和视频采集卡在采集区域对烟叶进行采集。将摄像头装置在一个固定支架上,摄像头镜头与烟叶的距离为0.5米,烟叶需要平整的置放在该区域内,这样能够保证获取满意的图像,为之后的工作提供基础。我们采用的是CBC公司的LCH-P49A工业摄像头,它具有背光补偿,自动白平衡,自动增益控制等功能。其摄像头使用1/4"CCD(3.2×2.4mm),水平清晰度500线。镜头的参数可调,焦距范围为4-9mm,最大光圈口径比为1:1.6,水平视角范围为51.8°-23.8°,垂直视角可调范围为38.3°-17.8°。该摄像头有许多可调节的参数,分辨率较高,使用它捕捉的图像质量很好,是一个比较符合设计初衷的选择。针对摄像头,我们使用了Microview V211视频采集卡。它是基于PCI总线,采集PAL制、NTSC制标准黑白/彩色信号的两路高画质实时专业图像采集卡,支持多路视频输入并实时采集显示,单卡支持两路768×288×24 bit×25场/秒实时采集、显示,不占用CPU资源,支持一机多卡。
因为要处理大量的图像处理和算法分析的工作,PC1是配置较高的图形图像工作站。我们使用的工作站型号为XASUN EX580s,它提供32核计算能力超级图形工作站,为超大规模数据计算、图形图像处理、复杂3D模型实时生成、4K视频实时编辑等高端应用,提供超级计算能力、海量图形图像处理、超高分辨率的3D可视化,高密集数据存储与高速读写性能,同时具有绿色环境要求的静音、零辐射。PC1对烟叶图像进行分析和预处理,保留视觉关心的图像部分,去除噪声,然后提取烟叶的相关细节特征,保证数据的稀疏性和相关性;从烟叶特征数据库中,获取不同种类的烟叶特征数据,进行模型的构建,且为之后的决策提供模型。输出图像和特征发送至PC2存储和搜索引擎和PC5专家烟叶定级规则库;
PC2作为数据存储和搜索服务器,我们使用了企业数据库服务器---IBM xSeries 255 8685-A1D,它是IBM公司推出的一款性能超强的服务器,适合大中型企业作为数据库服务器使用。该服务器采用塔式设计,支持4路Intel Xeon MP处理器,支持24GB DDR RECC内存的扩展;集成Ultra 160 SCSI控制器,最大可将容量扩充到1.76TB;集成双千兆网卡,采用冗余双热插拔电源供电。PC2存储和搜索引擎将PC1传来的烟叶图像存储到相应的烟叶图像数据库集群中,将PC1传来的烟叶特征信息存储到相应的烟叶特征数据库集群中;
PC4也是一台企业级数据库服务器,它所存储的分类模型数据库是通过烟叶图像数据库和特征数据库中的数据集,训练和修正相应不同等级的烟叶模型。
PC4模型构造的过程:通过统计特征点的特征向量集合 ,在每一维上都近似符合高斯分布。假设各维特征之间相互独立,目标图像上的N个特征点的特征向量集合可看作近似符合下式表示的高斯混合分布。d为特征向量的维数。
PC5同样是一台企业级数据库服务器,PC5专家烟叶定级规则库通过分析PC1传输的图像,通过本身的专家库,以及PC4分类模型数据库中的相应的模型,通过PC2搜索获取相似烟叶图像和特征,推理获得烟叶的等级,并将等级传输至PC3;
所有计算机通过高速以太网连接,在PC3的管理下进行相互通讯,PC3也是特殊配置的高速计算机,它是系统的通信和控制中心,还完成定级信息音频输出控制、定级信息显示、系统初始化、同步时序控制以及设备状态监控等任务。
显示系统是一台LG 42LN5180 42英寸 LED液晶电视,分辨率为1920*1080。
Claims (7)
1.一种基于海量烟叶数据的自动定级系统,其特征在于包括以下组成部分,通过千兆交换机(8)连接:
摄像头和视频采集卡(2):用于采集烟叶(1)图像;
PC1图像采集与处理器(3):通过使用摄像头(2)和视频采集卡对真实场景进行采集、预处理和特征提取,构建相关烟叶的分类模型;
PC2存储和搜索引擎处理器(4):负责系统数据查询、存储和搜索相关烟草图像和特征数据,管理专家烟叶定级规则库;
PC3通信与系统监控处理器(5):是系统的通信和控制中心,还完成定级信息音频输出控制、定级信息显示控制以及硬件设备状态监控等任务;
音频系统(6):分级信息音频输出;
显示系统(7):分级信息视频输出;
烟叶图像数据库集群(9):多个存储采集的烟叶图像数据库;
烟叶特征数据库集群(10):多个存储采集的烟叶特征数据库;
PC4分类模型数据库存储器(11):用于存储和训练各种不同烟叶的分类模型;
PC5专家烟叶定级规则库存储器(12):用于存储国家标准和专家相关定级经验,并且完成烟叶定级工作。
2.根据权利要求1所述的基于海量烟叶数据的自动定级系统,其特征在于如下:
1)所述摄像头和视频采集卡(2):
采用的是CBC公司的LCH-P49A工业摄像头,它具有背光补偿,自动白平衡,自动增益控制等功能;其摄像头使用1/4"CCD(3.2×2.4mm),水平清晰度500线;镜头的参数可调,焦距范围为4-9mm,最大光圈口径比为1:1.6,水平视角范围为51.8°-23.8°,垂直视角可调范围为38.3°-17.8°,该摄像头有许多可调节的参数,分辨率较高,使用它捕捉的图像质量很好,是一个比较符合设计初衷的选择;
针对摄像头,使用了Microview V211视频采集卡,它是基于PCI总线,采集PAL制、NTSC制标准黑白/彩色信号的两路高画质实时专业图像采集卡,支持多路视频输入并实时采集显示,单卡支持两路768×288×24 bit×25场/秒实时采集、显示,不占用CPU资源,支持一机多卡;
2)所述PC1图像采集与处理器(3):
PC1是配置较高的图形图像工作站,使用的工作站型号为XASUN EX580s,它提供32核计算能力超级图形工作站,为超大规模数据计算、图形图像处理、复杂3D模型实时生成、4K视频实时编辑等高端应用,提供超级计算能力、海量图形图像处理、超高分辨率的3D可视化,高密集数据存储与高速读写性能,同时具有绿色环境要求的静音、零辐射;
3)所述PC2存储和搜索引擎处理器(4)、PC4分类模型数据库存储器(11)、PC5专家烟叶定级规则库存储器(12):
采用企业数据库服务器---IBM xSeries 255 8685-A1D,它是IBM公司推出的一款性能超强的服务器,适合大中型企业作为数据库服务器使用;该服务器采用塔式设计,支持4路Intel Xeon MP处理器,支持24GB DDR RECC内存的扩展;集成Ultra 160 SCSI控制器,最大可将容量扩充到1.76TB;集成双千兆网卡,采用冗余双热插拔电源供电;
4)所述PC3通信与系统监控处理器(5):
PC3是一台高速计算机;
5)所述显示系统(7):
显示系统是一台LG 42LN5180 42英寸 LED液晶电视,分辨率为1920*1080。
3.一种基于海量烟叶数据的自动定级方法,采用根据权利要求1所述的基于海量烟叶数据的自动定级系统进行操作,其特征在于操作步骤如下:
1):图像采集:使用摄像头和视频采集卡(2),采集待检测区域的烟叶图像;
2):特征获取:对烟叶图像进行分析和预处理,保留视觉关心的图像部分,去除噪声,然后提取烟叶的相关细节特征,保证数据的稀疏性和相关性;
3):模型构建:从烟叶特征数据库中,获取不同种类的烟叶特征数据,进行模型的构建,且为之后的决策提供模型;
4):烟叶定级:对烟叶图像和特征数据,进行分析,通过专家烟叶定级规则库来获得专家知识,以及获取相应的烟叶模型,再通过推理及来进行具体的推演,以得出相应烟叶的级别;
5):数据存储:将烟叶图像和特征数据,分别存储于相应的烟叶图像数据库和烟叶特征数据库存储器中;
6):定级结果输出:将本次烟叶分级的结果通过音频输出到喇叭,且输出到液晶显示屏,提供给用户获取结果。
4.根据权利要求3所述的一种基于海量烟叶数据的自动定级方法,其特征在于所述步骤2)具体包括以下步骤:
2)-1:图像预处理:为了消除图像噪声,且保证边界不模糊,根据局部区域内图像状态的不同,对其相邻的像素选择,进行高斯滤波处理,使用灰度直方图均衡化方法进行图像模型化处理,最后使用全局阈值的算法完成图像的二值化;
2)-2:特征提取:对原始图像获取烟叶的色调均值、饱和度均值和亮度均值,同时从二值化后的图像中获取相关形状特征--周长、面积、原型度系数、长度、宽度、长宽比,用灰度共生矩阵获得烟叶的纹理特征--能量、角二阶矩、对比度、相关性、一致性、灰度平均值、灰度均方差。
5.根据权利要求3所述的一种基于海量烟叶数据的自动定级方法,其特征在于所述步骤3)具体包括以下步骤:
3)-1:特征降维:使用主成分分析的算法,对烟叶的相关特征从高维数据投影到低维空间,降低了数据的复杂性,保证了数据的有效性,提高了算法的速率;
3)-2:模型选择:根据现有的特征的数量和分布,智能选择模型的假设空间,同时确定模型学习的策略和算法,模型假设空间为支持向量机(SVM)或神经网络或K近邻模型或决策树;
3)-3:模型训练:通过烟叶训练数据和验证数据,根据学习策略,从假设空间中选择最 优模型,用数值计算的方法求解最优模型的参数,从而保证误差最小化。
6.根据权利要求3所述的一种基于海量烟叶数据的自动定级方法,其特征在于所述步骤4)具体包括以下步骤:
4)-1:烟叶知识库构建:归纳烟叶专家的领域知识和国家标准知识,预处理和系统化,使其可进行决策;
4)-2:推理机制管理:使用4)-1构建的烟叶知识库来获得相应的专家知识,再通过推理及来进行具体的推演,以得出烟叶分级决策建议。
7.根据权利要求3所述的一种基于海量烟叶数据的自动定级方法,其特征在于所述步骤5)具体包括以下步骤:
5)-1:数据存储:使用网络附加存储,即采用网络(TCP/IP、ATM、FDDI)技术,通过网络交换机连接存储系统和服务器主机,建立专用于数据存储的存储私网,可由所有的网络用户共享,很好的支持多用户的并发存储处理,从而全面改进了以前低效的存储方式;
5)-2:数据检索:在海量烟叶的特征描述的基础上,使用分布式相似度计算方法,该方法基于Map/Reduce的计算模型,即首先对每一块数据进行独立而并行的处理,然后这些独立的处理块的结果会被重新组合成不同的排序的集合,这些集合最后由统一的作业模块进行处理,最后完成了实时烟叶信息的检索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410001552.4A CN103743486B (zh) | 2014-01-02 | 2014-01-02 | 一种基于海量烟叶数据的自动定级系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410001552.4A CN103743486B (zh) | 2014-01-02 | 2014-01-02 | 一种基于海量烟叶数据的自动定级系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103743486A true CN103743486A (zh) | 2014-04-23 |
CN103743486B CN103743486B (zh) | 2015-12-02 |
Family
ID=50500526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410001552.4A Expired - Fee Related CN103743486B (zh) | 2014-01-02 | 2014-01-02 | 一种基于海量烟叶数据的自动定级系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103743486B (zh) |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104034666A (zh) * | 2014-06-13 | 2014-09-10 | 江西科技师范大学 | 一种食品药品质量分级快速检测装置及方法 |
CN104198491A (zh) * | 2014-09-04 | 2014-12-10 | 国家烟草质量监督检验中心 | 基于计算机视觉的烟丝中膨胀叶丝比例测定方法 |
CN104573688A (zh) * | 2015-01-19 | 2015-04-29 | 电子科技大学 | 基于深度学习的移动平台烟草激光码智能识别方法及装置 |
CN104634257A (zh) * | 2015-03-08 | 2015-05-20 | 无锡桑尼安科技有限公司 | 一种烟草叶丝宽度识别方法 |
CN104680177A (zh) * | 2015-03-03 | 2015-06-03 | 赵天奇 | 一种通用式智能学习农产品检测与分级的方法与装置 |
CN105815806A (zh) * | 2016-06-01 | 2016-08-03 | 江苏中烟工业有限责任公司 | 一种造纸法再造烟叶产品定量的测定方法 |
CN105987753A (zh) * | 2015-02-11 | 2016-10-05 | 河北伊诺光学科技有限公司 | 一种基于云计算的光谱专家系统及其使用方法 |
CN106127738A (zh) * | 2016-06-16 | 2016-11-16 | 上海荣盛生物药业有限公司 | 凝集试验判读方法 |
CN106269558A (zh) * | 2015-05-18 | 2017-01-04 | 征图新视(江苏)科技有限公司 | 大叶农作物叶片分级方法及系统 |
CN106343607A (zh) * | 2016-11-04 | 2017-01-25 | 郑州大学 | 一种基于fpga的烟叶分级方法和装置 |
CN107361396A (zh) * | 2017-07-10 | 2017-11-21 | 红云红河烟草(集团)有限责任公司 | 基于大数据的烟草烘丝水分预测与控制系统 |
CN107423755A (zh) * | 2017-07-03 | 2017-12-01 | 云南中烟工业有限责任公司 | 一种基于片烟形态特征对片烟进行描述及分类的方法 |
CN108268895A (zh) * | 2018-01-12 | 2018-07-10 | 上海烟草集团有限责任公司 | 基于机器视觉的烟叶部位识别方法、电子设备及存储介质 |
CN108291878A (zh) * | 2015-11-17 | 2018-07-17 | 科磊股份有限公司 | 单一图像检测 |
CN108427971A (zh) * | 2018-04-19 | 2018-08-21 | 云南佳叶现代农业发展有限公司 | 基于移动终端的烟叶评级的方法及系统 |
CN108427972A (zh) * | 2018-04-24 | 2018-08-21 | 云南佳叶现代农业发展有限公司 | 基于在线学习的烟叶分类方法及其系统 |
CN108844957A (zh) * | 2018-05-25 | 2018-11-20 | 上海创和亿电子科技发展有限公司 | 一种基于机器视觉的烟叶油分检测新方法 |
CN108931220A (zh) * | 2017-05-26 | 2018-12-04 | 红塔烟草(集团)有限责任公司 | 一种烤烟品种的识别装置及其使用方法 |
CN109635845A (zh) * | 2018-11-14 | 2019-04-16 | 湖南金石分选智能科技有限公司 | 基于主成分分析和支持向量机结合的物料分选方法及系统 |
CN109829943A (zh) * | 2018-11-13 | 2019-05-31 | 上海烟草集团有限责任公司 | 基于机器视觉的叶片结构检测方法、系统、介质及设备 |
CN110111263A (zh) * | 2019-03-29 | 2019-08-09 | 中国地质大学(武汉) | 一种基于图像处理的烤烟种植指导系统 |
CN110243823A (zh) * | 2019-05-08 | 2019-09-17 | 华中科技大学 | 基于支持向量机的小儿佝偻病自动筛查装置及其使用方法 |
CN110334720A (zh) * | 2018-03-30 | 2019-10-15 | 百度在线网络技术(北京)有限公司 | 业务数据的特征提取方法、装置、服务器和存储介质 |
CN110479636A (zh) * | 2019-07-19 | 2019-11-22 | 深圳市微蓝智能科技有限公司 | 基于神经网络自动分拣烟叶的方法及装置 |
CN110633684A (zh) * | 2019-09-20 | 2019-12-31 | 南京邮电大学 | 一种基于深度学习的烟叶收购定级系统及定级方法 |
CN110889309A (zh) * | 2018-09-07 | 2020-03-17 | 上海怀若智能科技有限公司 | 金融单据分类管理系统及方法 |
CN111067131A (zh) * | 2019-12-25 | 2020-04-28 | 福建武夷烟叶有限公司 | 一种烟叶等级自动识别分拣方法 |
CN111487940A (zh) * | 2020-04-24 | 2020-08-04 | 山东山大新元易通信息科技有限公司 | 一种烟叶烘烤管控方法及系统 |
CN112539785A (zh) * | 2020-12-11 | 2021-03-23 | 云南中烟工业有限责任公司 | 一种基于多维度特征信息的烟叶等级识别系统及方法 |
US11205259B2 (en) * | 2019-01-28 | 2021-12-21 | Future Dial, Inc. | Enhanced automatic cosmetic grading |
CN114521664A (zh) * | 2022-01-13 | 2022-05-24 | 浙江大学 | 一种基于多模态图像数据和深度神经网络的自动烟叶分级系统及装置 |
CN114766703A (zh) * | 2022-04-07 | 2022-07-22 | 河南中烟工业有限责任公司 | 上部烟叶分选方法 |
CN116223440A (zh) * | 2023-05-08 | 2023-06-06 | 四川威斯派克科技有限公司 | 一种烟叶原料配比的近红外检测装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080094625A1 (en) * | 2006-09-21 | 2008-04-24 | Philip Morris Usa Inc. | Detection of nitrates from tobacco for correlation with the amount of tobacco-specific nitrosamines within the tobacco |
CN101584495A (zh) * | 2008-05-20 | 2009-11-25 | 姜清治 | 混级散烟叶传输带流水线分级方法 |
CN102194174A (zh) * | 2011-07-05 | 2011-09-21 | 成都慧能信息技术有限公司 | 流程化烟叶收购系统 |
CN103033266A (zh) * | 2012-12-10 | 2013-04-10 | 屈建华 | 平面图形色差自动检测装置及方法 |
-
2014
- 2014-01-02 CN CN201410001552.4A patent/CN103743486B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080094625A1 (en) * | 2006-09-21 | 2008-04-24 | Philip Morris Usa Inc. | Detection of nitrates from tobacco for correlation with the amount of tobacco-specific nitrosamines within the tobacco |
CN101584495A (zh) * | 2008-05-20 | 2009-11-25 | 姜清治 | 混级散烟叶传输带流水线分级方法 |
CN102194174A (zh) * | 2011-07-05 | 2011-09-21 | 成都慧能信息技术有限公司 | 流程化烟叶收购系统 |
CN103033266A (zh) * | 2012-12-10 | 2013-04-10 | 屈建华 | 平面图形色差自动检测装置及方法 |
Non-Patent Citations (1)
Title |
---|
杨尚明: "谈基层烟站烟叶收购的定级思路和方法", 《农业开发与装备》, no. 8, 31 August 2013 (2013-08-31) * |
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104034666A (zh) * | 2014-06-13 | 2014-09-10 | 江西科技师范大学 | 一种食品药品质量分级快速检测装置及方法 |
CN104198491A (zh) * | 2014-09-04 | 2014-12-10 | 国家烟草质量监督检验中心 | 基于计算机视觉的烟丝中膨胀叶丝比例测定方法 |
CN104573688B (zh) * | 2015-01-19 | 2017-08-25 | 电子科技大学 | 基于深度学习的移动平台烟草激光码智能识别方法及装置 |
CN104573688A (zh) * | 2015-01-19 | 2015-04-29 | 电子科技大学 | 基于深度学习的移动平台烟草激光码智能识别方法及装置 |
CN105987753A (zh) * | 2015-02-11 | 2016-10-05 | 河北伊诺光学科技有限公司 | 一种基于云计算的光谱专家系统及其使用方法 |
CN104680177A (zh) * | 2015-03-03 | 2015-06-03 | 赵天奇 | 一种通用式智能学习农产品检测与分级的方法与装置 |
CN104680177B (zh) * | 2015-03-03 | 2018-06-26 | 赵天奇 | 一种通用式智能学习农产品检测与分级的方法与装置 |
CN104634257B (zh) * | 2015-03-08 | 2016-10-26 | 盛泽明 | 一种烟草叶丝宽度识别平台 |
CN104634257A (zh) * | 2015-03-08 | 2015-05-20 | 无锡桑尼安科技有限公司 | 一种烟草叶丝宽度识别方法 |
CN106269558A (zh) * | 2015-05-18 | 2017-01-04 | 征图新视(江苏)科技有限公司 | 大叶农作物叶片分级方法及系统 |
CN108291878A (zh) * | 2015-11-17 | 2018-07-17 | 科磊股份有限公司 | 单一图像检测 |
CN108291878B (zh) * | 2015-11-17 | 2020-05-19 | 科磊股份有限公司 | 单一图像检测 |
CN105815806A (zh) * | 2016-06-01 | 2016-08-03 | 江苏中烟工业有限责任公司 | 一种造纸法再造烟叶产品定量的测定方法 |
CN106127738A (zh) * | 2016-06-16 | 2016-11-16 | 上海荣盛生物药业有限公司 | 凝集试验判读方法 |
CN106127738B (zh) * | 2016-06-16 | 2018-12-11 | 上海荣盛生物药业有限公司 | 凝集试验判读方法 |
CN106343607A (zh) * | 2016-11-04 | 2017-01-25 | 郑州大学 | 一种基于fpga的烟叶分级方法和装置 |
CN108931220A (zh) * | 2017-05-26 | 2018-12-04 | 红塔烟草(集团)有限责任公司 | 一种烤烟品种的识别装置及其使用方法 |
CN107423755A (zh) * | 2017-07-03 | 2017-12-01 | 云南中烟工业有限责任公司 | 一种基于片烟形态特征对片烟进行描述及分类的方法 |
CN107423755B (zh) * | 2017-07-03 | 2020-06-16 | 云南中烟工业有限责任公司 | 一种基于片烟形态特征对片烟进行描述及分类的方法 |
CN107361396A (zh) * | 2017-07-10 | 2017-11-21 | 红云红河烟草(集团)有限责任公司 | 基于大数据的烟草烘丝水分预测与控制系统 |
CN108268895A (zh) * | 2018-01-12 | 2018-07-10 | 上海烟草集团有限责任公司 | 基于机器视觉的烟叶部位识别方法、电子设备及存储介质 |
CN110334720A (zh) * | 2018-03-30 | 2019-10-15 | 百度在线网络技术(北京)有限公司 | 业务数据的特征提取方法、装置、服务器和存储介质 |
CN108427971A (zh) * | 2018-04-19 | 2018-08-21 | 云南佳叶现代农业发展有限公司 | 基于移动终端的烟叶评级的方法及系统 |
CN108427972A (zh) * | 2018-04-24 | 2018-08-21 | 云南佳叶现代农业发展有限公司 | 基于在线学习的烟叶分类方法及其系统 |
CN108427972B (zh) * | 2018-04-24 | 2024-06-07 | 云南佳叶现代农业发展有限公司 | 基于在线学习的烟叶分类方法及其系统 |
CN108844957A (zh) * | 2018-05-25 | 2018-11-20 | 上海创和亿电子科技发展有限公司 | 一种基于机器视觉的烟叶油分检测新方法 |
CN110889309A (zh) * | 2018-09-07 | 2020-03-17 | 上海怀若智能科技有限公司 | 金融单据分类管理系统及方法 |
CN109829943B (zh) * | 2018-11-13 | 2023-02-10 | 上海烟草集团有限责任公司 | 基于机器视觉的叶片结构检测方法、系统、介质及设备 |
CN109829943A (zh) * | 2018-11-13 | 2019-05-31 | 上海烟草集团有限责任公司 | 基于机器视觉的叶片结构检测方法、系统、介质及设备 |
CN109635845A (zh) * | 2018-11-14 | 2019-04-16 | 湖南金石分选智能科技有限公司 | 基于主成分分析和支持向量机结合的物料分选方法及系统 |
CN109635845B (zh) * | 2018-11-14 | 2021-10-22 | 湖南金石分选智能科技有限公司 | 基于主成分分析和支持向量机结合的物料分选方法及系统 |
US11205259B2 (en) * | 2019-01-28 | 2021-12-21 | Future Dial, Inc. | Enhanced automatic cosmetic grading |
CN110111263B (zh) * | 2019-03-29 | 2021-08-27 | 中国地质大学(武汉) | 一种基于图像处理的烤烟种植指导系统 |
CN110111263A (zh) * | 2019-03-29 | 2019-08-09 | 中国地质大学(武汉) | 一种基于图像处理的烤烟种植指导系统 |
CN110243823B (zh) * | 2019-05-08 | 2021-01-05 | 华中科技大学 | 基于支持向量机的小儿佝偻病自动筛查装置及其使用方法 |
CN110243823A (zh) * | 2019-05-08 | 2019-09-17 | 华中科技大学 | 基于支持向量机的小儿佝偻病自动筛查装置及其使用方法 |
CN110479636A (zh) * | 2019-07-19 | 2019-11-22 | 深圳市微蓝智能科技有限公司 | 基于神经网络自动分拣烟叶的方法及装置 |
CN110479636B (zh) * | 2019-07-19 | 2021-11-09 | 深圳市微蓝智能科技有限公司 | 基于神经网络自动分拣烟叶的方法及装置 |
CN110633684A (zh) * | 2019-09-20 | 2019-12-31 | 南京邮电大学 | 一种基于深度学习的烟叶收购定级系统及定级方法 |
CN111067131A (zh) * | 2019-12-25 | 2020-04-28 | 福建武夷烟叶有限公司 | 一种烟叶等级自动识别分拣方法 |
CN111487940A (zh) * | 2020-04-24 | 2020-08-04 | 山东山大新元易通信息科技有限公司 | 一种烟叶烘烤管控方法及系统 |
CN112539785A (zh) * | 2020-12-11 | 2021-03-23 | 云南中烟工业有限责任公司 | 一种基于多维度特征信息的烟叶等级识别系统及方法 |
CN114521664A (zh) * | 2022-01-13 | 2022-05-24 | 浙江大学 | 一种基于多模态图像数据和深度神经网络的自动烟叶分级系统及装置 |
CN114766703A (zh) * | 2022-04-07 | 2022-07-22 | 河南中烟工业有限责任公司 | 上部烟叶分选方法 |
CN116223440A (zh) * | 2023-05-08 | 2023-06-06 | 四川威斯派克科技有限公司 | 一种烟叶原料配比的近红外检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103743486B (zh) | 2015-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103743486B (zh) | 一种基于海量烟叶数据的自动定级系统和方法 | |
CN109767255B (zh) | 一种通过大数据建模实现智能运营及精准营销的方法 | |
CN102590211B (zh) | 利用光谱和图像特征进行烟叶分级的方法 | |
CN101271469B (zh) | 一种基于三维模型库下二维图像的识别和物体的重建方法 | |
CN104866831B (zh) | 特征加权的人脸识别算法 | |
CN103093208B (zh) | 一种果蔬识别的方法及系统 | |
CN104063686B (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
CN104268590B (zh) | 基于互补性组合特征与多相回归的盲图像质量评价方法 | |
CN114359727B (zh) | 基于轻量级优化Yolo v4的茶叶病害识别方法及系统 | |
CN109635636A (zh) | 基于属性特征和加权的分块特征相融合的行人再识别方法 | |
CN114092769B (zh) | 基于联邦学习的变电站多场景巡检分析方法 | |
WO2022062419A1 (zh) | 基于非督导金字塔相似性学习的目标重识别方法及系统 | |
CN108960412A (zh) | 图像识别方法、装置及计算机可读存储介质 | |
Zhu et al. | Identifying carrot appearance quality by an improved dense CapNet | |
CN109670423A (zh) | 一种基于深度学习的图像识别系统、方法及介质 | |
CN112560896A (zh) | 一种基于图像处理的水果品质筛选分类系统 | |
CN111598700A (zh) | 一种金融风控系统及方法 | |
CN116665092A (zh) | 基于ia-yolov7的污水悬浮物识别方法及系统 | |
Cheng et al. | Water quality monitoring method based on TLD 3D fish tracking and XGBoost | |
Chen et al. | Fresh tea sprouts detection via image enhancement and fusion SSD | |
CN116701706B (zh) | 一种基于人工智能的数据处理方法、装置、设备及介质 | |
Acosta et al. | Predicting city safety perception based on visual image content | |
CN107832667A (zh) | 一种基于深度学习的人脸识别方法 | |
Liu et al. | Multi-focus image fusion dataset and algorithm test in real environment | |
Weng et al. | Image inpainting technique based on smart terminal: A case study in CPS ancient image data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151202 |
|
CF01 | Termination of patent right due to non-payment of annual fee |