CN104198324A - 基于计算机视觉的烟丝中叶丝比例测定方法 - Google Patents
基于计算机视觉的烟丝中叶丝比例测定方法 Download PDFInfo
- Publication number
- CN104198324A CN104198324A CN201410448179.7A CN201410448179A CN104198324A CN 104198324 A CN104198324 A CN 104198324A CN 201410448179 A CN201410448179 A CN 201410448179A CN 104198324 A CN104198324 A CN 104198324A
- Authority
- CN
- China
- Prior art keywords
- tobacco
- image
- measured
- stem
- cut tobacco
- 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
Landscapes
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明公开了一种基于计算机视觉的烟丝中叶丝比例测定方法,A:利用图像采集系统分别采集各个叶丝图像;B:对获取的多张叶丝图像进行预处理;C:分别获取叶丝的图像特征并计算叶丝的特征数据量;D:建立特征数据库;E:采集待测烟丝各组分图像;F:对待测烟丝各组分图像进行预处理;G:计算待测烟丝各组分图像中待测烟丝特征数据量并进行相关度计算,根据相关度计算结果对叶丝组分进行分析识别;H:由分拣系统分拣出待测烟丝中的叶丝;I:分别称量由并计算待测烟丝中叶丝组分比例。本发明能够实现烟丝中叶丝组分的快速、准确、自动化测定,提高测定效率与准确性,降低工作人员劳动强度。
Description
技术领域
本发明涉及一种烟丝中叶丝比例测定方法,尤其涉及一种基于计算机视觉的烟丝中叶丝比例测定方法。
背景技术
卷烟配方设计是卷烟企业产品设计的基础和核心,烟支中叶丝、膨胀叶丝、梗丝、再造烟叶等组分的准确掺配对卷烟物理指标、烟气特性及感官质量存在不同程度的影响。因此,快速准确地测定出烟支中叶丝、膨胀叶丝、梗丝、再造烟叶等组分在烟丝中的比例,对考查配方设计目标准确性、稳定烟丝混合工艺质量及同质化生产具有重要意义。
由于检测对象的特征复杂并且涉及相关技术瓶颈,因此烟丝组成成分的测定仍然依靠手工分选和人为判读。目前通常使用的叶丝比例测定方法步骤如下:首先人工识别出梗丝和再造烟叶,再通过特定的溶剂将剩余组分中的膨胀叶丝与叶丝分离出来,最后经称量后计算出叶丝组份比例。现有的检测方法操作步骤复杂,检测效率低,随着工作量的增加将会产生较大误差,不适用于大量检测,测量效率和精度已经很难适应现代化的检测需求和高质量卷烟生产的要求,并且不同人员的检测结果之间也存在较大误差;此外有机溶剂的使用也增加了实验过程中的防护难度,不利于检验人员的身体健康。
由于加工方法和原料本身特性的差异,烟丝的不同组分间存在纹理、颜色、形态、边缘平滑程度的差异,这些差异的存在为计算机视觉手段识别各组分提供了特征参数。相比其他组分,叶丝由于产地和等级不同,纹理、颜色、形态等特征均不明显,边缘特征又与膨胀叶丝类似,因此叶丝的识别分离只能建立在其他组分分离的基础之上。
发明内容
本发明的目的是提供一种基于计算机视觉的烟丝中叶丝比例测定方法,能够通过计算机对单一组分叶丝的图像进行采集处理,获取叶丝的特征数据量并建立特征数据库,通过特征数据库分析识别多组分烟丝中的叶丝,最终实现烟丝中叶丝组分的快速、准确、自动化测定,提高测定效率与准确性,降低工作人员劳动强度。
本发明采用下述技术方案:
一种基于计算机视觉的烟丝中叶丝比例测定方法,包括以下步骤:
A:利用图像采集系统分别采集梗丝图像、膨胀叶丝图像和再造烟叶图像;在采集梗丝图像时,将多根梗丝平整无重叠的摆放,然后利用图像采集系统采集各个梗丝图像;在采集膨胀叶丝图像时,将多根膨胀叶丝平整无重叠的摆放,然后利用图像采集系统采集各个膨胀叶丝图像;在采集再造烟叶图像时,将多根再造烟叶平整无重叠的摆放,然后利用图像采集系统采集各个再造烟叶图像;
B:利用图像处理分析系统分别对获取的多张梗丝图像、膨胀叶丝图像和再造烟叶图像进行预处理,去除每张梗丝图像、膨胀叶丝图像和再造烟叶图像中的干扰和噪声;
C:利用图像处理分析系统分别获取多张梗丝图像中梗丝的图像特征、多张膨胀叶丝图像中膨胀叶丝的图像特征和多张再造烟叶图像中再造烟叶的图像特征,然后分别根据梗丝的图像特征计算梗丝的特征数据量、根据膨胀叶丝的图像特征计算膨胀叶丝的特征数据量以及根据再造烟叶的图像特征计算再造烟叶的特征数据量;
D:利用图像处理分析系统根据多张梗丝图像中梗丝的特征数据量、多张膨胀叶丝图像中膨胀叶丝的特征数据量和多张再造烟叶图像中再造烟叶的特征数据量建立特征数据库;特征数据库中包含梗丝特征数据量、膨胀叶丝特征数据量和再造烟叶特征数据量;
E:将待测烟丝通过铺展分离系统平整无重叠的摆放,利用图像采集系统采集待测烟丝各组分图像;
F:利用图像处理分析系统对获取的待测烟丝各组分图像进行预处理,去除待测烟丝各组分图像中的干扰和噪声;
G:图像处理分析系统计算待测烟丝各组分图像中待测烟丝特征数据量,并与步骤D中所建立的特征数据库中的梗丝特征数据量、膨胀叶丝特征数据量和再造烟叶特征数据量分别进行相关度计算,然后分别根据相关度计算结果分析识别出混合在烟丝中的梗丝组分、膨胀叶丝组分和再造烟叶组分;然后图像处理分析系统将待测烟丝各组分图像中未识别出来的组份判别为叶丝组份;
H:图像处理分析系统将叶丝组份分析识别结果发送至分拣系统,由分拣系统分拣出待测烟丝中的叶丝;
I:分别称量由分拣系统分拣出的叶丝质量和剩余组分质量,并计算待测烟丝中叶丝组分的比例。
所述的步骤B中,图像处理分析系统采用5×5像素的扫描窗口分别对获取的梗丝图像、膨胀叶丝图像和再造烟叶图像按照自上到下、自左到右的顺序进行扫描,计算出各个图像中扫描窗口内的图像均值及方差Var,若方差Var大于设定阈值TD,则对该点采用快速中值滤波方法进行平滑处理,除去图像中的干扰和噪声。
所述的步骤C中,图像处理分析系统分别将获取的梗丝图像、膨胀叶丝图像和再造烟叶图像转换到HSV颜色空间;结合Canny及Log边缘检测算子分别对R、G、B、H、S、V这六个分量的图像进行边缘检测,分别记录R、G、B、H、S、V分量图像中烟丝区域的像素方差值VR、VG、VB、VH、VS、VV;然后使用灰度共生矩阵计算各个图像中烟丝区域的对比度、熵、角二阶矩和相关性四个纹理特征值;其中,其中,R分量图像表示在RGB颜色空间,各个像素点的R值不变,G值与B值均为零;G分量图像表示在RGB颜色空间,各个像素点的G值不变,R值与B值均为零;B分量图像表示在RGB颜色空间,各个像素点的B值不变,R值与G值均为零;H分量图像表示在HSV颜色空间,各个像素点的H值不变,S值与V值均为零;S分量图像表示在HSV颜色空间,各个像素点的S值不变,H值与V值均为零;V分量图像表示在HSV颜色空间,各个像素点的V值不变,H值与S值均为零;步骤C中所述的特征数据量包括十个特征值,分别为各个图像中烟丝区域的VR、VG、VB、VH、VS、VV六个分量上的像素方差值,以及各个图像中烟丝区域的对比度、熵、角二阶矩和相关性四个纹理特征值。
所述的步骤D中,图像处理分析系统分别计算梗丝图像中的梗丝特征数据量、膨胀叶丝图像中的膨胀叶丝特征数据量和再造烟叶图像中的再造烟叶特征数据量,并统计每个特征值的分布范围Ci(i=1,2,…,10),然后将各个范围的取值乘以对应的比例系数ei(i=1,2,…,10),最终建立特征数据库Ti=Ciei(i=1,2,…,10),其中,为离散程度的倒数。
所述的步骤F中,图像处理分析系统采用5×5像素的扫描窗口对获取的待测烟丝各组分图像中按照自上到下、自左到右的顺序进行扫描,计算出扫描窗口内待测烟丝各组分图像中均值及方差Var,若方差Var大于设定阈值TD,则对该点采用快速中值滤波方法进行平滑处理,除去待测烟丝各组分图像中的干扰和噪声。
所述的步骤G中,图像处理分析系统分别计算待测烟丝特征数据量中的十个特征值,并将这十个特征值分别导入特征数据库中,然后图像处理分析系统分别计算待测烟丝与与梗丝、膨胀叶丝和再造烟叶的相关度,待测烟丝与梗丝、膨胀叶丝和再造烟叶的相关度R的计算公式为其中 n∈[1,10],为待测烟丝的十个特征值中处于特征数据库标准范围内的数量;xi为对应特征值,为特征数据库中该特征值的均值;设待测烟丝与与梗丝、膨胀叶丝和再造烟叶的相关度分别为R1、R2和R3,若待测烟丝与梗丝的相关度R1大于等于相关度阈值T,则判定当前待测烟丝为梗丝;若相关度R1小于相关度阈值T,则判定当前待测烟丝不是梗丝;若待测烟丝与膨胀叶丝的相关度R2大于等于相关度阈值T,则判定当前待测烟丝为膨胀叶丝;若相关度R2小于相关度阈值T,则判定当前待测烟丝不是膨胀叶丝;若待测烟丝与再造烟叶的相关度R3大于等于相关度阈值T,则判定当前待测烟丝为再造烟叶;若相关度R3小于相关度阈值T,则判定当前待测烟丝不是再造烟叶;如待测烟丝不为梗丝、膨胀叶丝和再造烟叶,则待测烟丝为叶丝;其中,相关度阈值T为对应特征数据库的离散程度T∈[0.25,0.75],
本发明基于计算机视觉技术,通过对单一组分的叶丝图像采集处理,获取叶丝的特征数据量并建立特征数据库,再通过特征数据库分析识别多组分烟丝中的叶丝并进行分拣,能够避免现有方法中人工测量对测试结果的影响,消除人为误差;本发明通过采集叶丝特征录入数据库,最后将待测烟丝一一与数据库中的叶丝特征进行比对计算,最后分拣出烟丝中的叶丝组分,测试速度快,且能够提供面积比例、形状尺寸参数等其他测试数据;测量过程完全自动化处理,能够提高测量的效率、准确性和测量精度,显著降低劳动量;同时,本发明不涉及任何化学试剂,不会对操作人员身体健康造成危害。。
附图说明
图1为本发明的流程示意图。
具体实施方式
如图1所示,本发明所述的基于计算机视觉的烟丝中叶丝比例测定方法,其特征在于,包括以下步骤:
A:利用图像采集系统分别采集梗丝图像、膨胀叶丝图像和再造烟叶图像;在采集梗丝图像时,将多根梗丝平整无重叠的摆放,然后利用图像采集系统采集各个梗丝图像;在采集膨胀叶丝图像时,将多根膨胀叶丝平整无重叠的摆放,然后利用图像采集系统采集各个膨胀叶丝图像;在采集再造烟叶图像时,将多根再造烟叶平整无重叠的摆放,然后利用图像采集系统采集各个再造烟叶图像;;
B:利用图像处理分析系统分别对获取的多张梗丝图像、膨胀叶丝图像和再造烟叶图像进行预处理,去除每张梗丝图像、膨胀叶丝图像和再造烟叶图像中的干扰和噪声;
在进行梗丝图像预处理和去除干扰和噪声时,图像处理分析系统采用5×5像素的扫描窗口对获取的梗丝图像按照自上到下、自左到右的顺序进行扫描,然后计算出扫描窗口内梗丝图像均值及方差Var,若方差Var大于设定阈值TD,则表明该处像素值有较大变化,对该点采用快速中值滤波方法进行平滑处理,除去梗丝图像中的干扰和噪声。
在进行膨胀叶丝图像预处理和去除干扰和噪声时,图像处理分析系统采用5×5像素的扫描窗口对获取的膨胀叶丝图像按照自上到下、自左到右的顺序进行扫描,然后计算出扫描窗口内膨胀叶丝图像均值及方差Var,若方差Var大于设定阈值TD,则表明该处像素值有较大变化,对该点采用快速中值滤波方法进行平滑处理,除去膨胀叶丝图像中的干扰和噪声。
在进行再造烟叶图像预处理和去除干扰和噪声时,图像处理分析系统采用5×5像素的扫描窗口对获取的再造烟叶图像按照自上到下、自左到右的顺序进行扫描,然后计算出扫描窗口内再造烟叶图像均值及方差Var,若方差Var大于设定阈值TD,则表明该处像素值有较大变化,对该点采用快速中值滤波方法进行平滑处理,除去再造烟叶图像中的干扰和噪声。
步骤B中,对各个图像均值及方差Var的计算属于本领域的现有技术,通过快速中值滤波方法进行平滑处理去除干扰和噪声也属于本领域的现有技术,在此不再赘述。
C:利用图像处理分析系统分别获取多张梗丝图像中梗丝的图像特征、多张膨胀叶丝图像中膨胀叶丝的图像特征和多张再造烟叶图像中再造烟叶的图像特征,然后分别根据梗丝的图像特征计算梗丝的特征数据量、根据膨胀叶丝的图像特征计算膨胀叶丝的特征数据量以及根据再造烟叶的图像特征计算再造烟叶的特征数据量;
在进行步骤C中梗丝的特征数据量计算时,图像处理分析系统首先将获取的梗丝图像转换到HSV颜色空间;结合Canny及Log边缘检测算子分别对R、G、B、H、S、V这六个分量的图像进行边缘检测,分别记录各分量图像中烟丝区域的像素方差值VR、VG、VB、VH、VS、VV;然后使用灰度共生矩阵计算梗丝图像中烟丝区域的对比度、熵、角二阶矩和相关性四个纹理特征值;其中,R分量图像表示在RGB颜色空间,各个像素点的R值不变,G值与B值均为零;H分量图像表示在HSV颜色空间,各个像素点的H值不变,S值与V值均为零;其它分量图像以此类推。
进行步骤C中膨胀叶丝的特征数据量与再造烟叶的特征数据量计算方法与梗丝的特征数据量计算相似,在此不再赘述。
步骤C中的特征数据量包括十个特征值,分别为R、G、B、H、S、V分量图像中烟丝区域的像素方差值VR、VG、VB、VH、VS、VV,以及叶丝图像中烟丝区域的对比度、熵、角二阶矩和相关性四个纹理特征值。步骤C中将图像转换到HSV颜色空间、利用Canny及Log边缘检测算子对图像进行边缘检测、使用灰度共生矩阵计算对比度、熵、角二阶矩和相关性均为本领域的现有技术,在此不再赘述。
D:利用图像处理分析系统根据多张梗丝图像中梗丝的特征数据量、多张膨胀叶丝图像中膨胀叶丝的特征数据量和多张再造烟叶图像中再造烟叶的特征数据量建立特征数据库;
图像处理分析系统分别计算梗丝图像中的梗丝特征数据量、膨胀叶丝图像中的膨胀叶丝特征数据量和再造烟叶图像中的再造烟叶特征数据量,并统计每个特征值的分布范围Ci(i=1,2,…,10),然后将各个范围的取值乘以对应的比例系数ei(i=1,2,…,10),最终建立特征数据库Ti=Ciei(i=1,2,…,10),其中,为离散程度的倒数;特征数据库中包含梗丝特征数据量、膨胀叶丝特征数据量和再造烟叶特征数据量。
E:将待测烟丝通过铺展分离系统平整无重叠的摆放,利用图像采集系统采集待测烟丝各组分图像;
F:利用B中所述方法对获取的待测烟丝各组分图像进行预处理,去除待测烟丝各组分图像中的干扰和噪声,具体过程不再赘述;
G:图像处理分析系统计算待测烟丝各组分图像中待测烟丝特征数据量,并分别与步骤D中所建立的特征数据库中的梗丝特征数据量、膨胀叶丝特征数据量和再造烟叶特征数据量进行相关度计算,然后分别根据相关度计算结果分析识别出混合在烟丝中的梗丝组分、膨胀叶丝组分和再造烟叶组分;然后图像处理分析系统将待测烟丝各组分图像中未识别出来的组份判别为叶丝组份。
步骤G中,图像处理分析系统分别计算待测烟丝的十个特征值,即R、G、B、H、S、V分量图像中烟丝区域的像素方差值VR、VG、VB、VH、VS、VV,及烟丝图像中烟丝区域的对比度、熵、角二阶矩和相关性。并将上述十个特征值分别导入特征数据库中,然后通过图像处理分析系统分别计算待测烟丝与梗丝、膨胀叶丝和再造烟叶的相关度,待测烟丝与与梗丝、膨胀叶丝和再造烟叶的相关度R的计算公式为:
其中 其中,n∈[1,10],表示待测烟丝的10个特征值中处于特征数据库标准范围内的数量(在特征数据库中VR、VG、VB、VH、VS、VV、对比度、熵、角二阶矩这十个值各自对应的分布范围即为该值的标准范围);xi表示对应的特征值,为特征数据库中该特征值的均值;
设待测烟丝与与梗丝、膨胀叶丝和再造烟叶的相关度分别为R1、R2和R3,在判断待测烟丝是否为梗丝时,根据计算出的待测烟丝与梗丝的相关度R1,若相关度R1大于等于相关度阈值T,则判定当前待测烟丝为梗丝;若相关度R1小于相关度阈值T,则判定当前待测烟丝不是梗丝。在判定当前待测烟丝不是梗丝后,根据计算出的待测烟丝与膨胀叶丝的相关度R2判断待测烟丝是否为膨胀叶丝,若相关度R2大于等于相关度阈值T,则判定当前待测烟丝为膨胀叶丝;若相关度R2小于相关度阈值T,则判定当前待测烟丝不是膨胀叶丝。在判定当前待测烟丝既不是梗丝也不是膨胀叶丝后,根据计算出的待测烟丝与膨胀叶丝的相关度R3判断待测烟丝是否为再造烟叶,若相关度R3大于等于相关度阈值T,则判定当前待测烟丝为再造烟叶;若相关度R3小于相关度阈值T,则判定当前待测烟丝为叶丝。其中,在实际检测识别过程中,相关度阈值T对应特征数据库的离散程度T∈[0.25,0.75],ei的计算方法已在在步骤D中给出。离散程度越大,该特征数据库的标准范围越大,对应T越小;反之,T越大。
H:图像处理分析系统将叶丝组份分析识别结果发送至分拣系统,由分拣系统分拣出待测烟丝中的叶丝;
I:分别称量由分拣系统分拣出的叶丝质量和剩余组分质量,并计算待测烟丝中叶丝组分的比例。
本发明中,图像采集系统包括照明装置、成像装置和图像采集软件,照明装置的作用是为叶丝和待测烟丝提供合适的照明,以便于获取清晰真实的图像;照明装置可采用能够提供均匀强光照明的平面光源、环形光源、发光LED阵列、背光源等光源系统;成像装置主要包括镜头和相机两部分,成像装置的作用是配合图像采集软件获取叶丝和待测烟丝的图像;图像采集软件可采用市面上现有的多种软件,如Motic2.0图像采集软件;图像分析处理系统可采用上位机,配合根据现有图像处理分析技术编制的软件实现相关功能,如MATLAB图像处理分析软件;铺展分离系统包含传送皮带、振动筛、振动平台等可以将待测烟丝平整无重叠的分离铺展开的机械装置或装置组合,分拣系统包含机械分拣机、机械手、正压或负压吸管等可以将识别出的叶丝和其他烟丝组分分拣出的装置或装置组合。上述各个设备及相应软件均属于现有产品,在此不再赘述。
以下结合实施例对本发明进行进一步的阐述:
实施例1
1)将2根叶丝平整无重叠的摆放在强光LED照明阵列下,通过CCD相机和自动对焦镜头配合计算机端的Motic2.0图像采集软件,采集得到2张梗丝图像;将2根膨胀叶丝平整无重叠的摆放在强光LED照明阵列下,通过CCD相机和自动对焦镜头配合计算机端的Motic2.0图像采集软件,采集得到2张膨胀叶丝图像;将2根再造烟叶平整无重叠的摆放在强光LED照明阵列下,通过CCD相机和自动对焦镜头配合计算机端的Motic2.0图像采集软件,采集得到2张再造烟叶图像;
2)利用MATLAB图像处理分析软件对获取的2张梗丝图像、2张膨胀叶丝图像和2张再造烟叶图像进行预处理,去除每张梗丝图像、膨胀叶丝图像和再造烟叶图像中的干扰和噪声;
3)计算机分别获取2张梗丝图像中梗丝的图像特征、2张膨胀叶丝图像中膨胀叶丝的图像特征和2张再造烟叶图像中再造烟叶的图像特征,然后分别根据梗丝的图像特征计算梗丝的特征数据量、根据膨胀叶丝的图像特征计算膨胀叶丝的特征数据量以及根据再造烟叶的图像特征计算再造烟叶的特征数据量;
4)计算机根据2张梗丝图像中梗丝的特征数据量、2张膨胀叶丝图像中膨胀叶丝的特征数据量和2张再造烟叶图像中再造烟叶的特征数据量建立特征数据库;特征数据库中包含梗丝特征数据量、膨胀叶丝特征数据量和再造烟叶特征数据量;
5)将待测烟丝通过铺展分离系统平整无重叠的摆放在强光LED照明阵列下,通过CCD相机和自动对焦镜头配合计算机端的Motic2.0图像采集软件采集待测烟丝各组分图像;
6)利用MATLAB图像处理分析软件对获取的待测烟丝各组分图像进行预处理,去除待测烟丝各组分图像中的干扰和噪声;
7)计算机计算待测烟丝各组分图像中待测烟丝特征数据量,并分别与步骤D中所建立的特征数据库中的梗丝特征数据量、膨胀叶丝特征数据量和再造烟叶特征数据量进行相关度计算,然后分别根据相关度计算结果分析识别出混合在烟丝中的梗丝组分、膨胀叶丝组分和再造烟叶组分;然后图像处理分析系统将待测烟丝各组分图像中未识别出来的组份判别为叶丝组份;
8)计算机将叶丝组份分析识别结果发送至分拣系统,由分拣系统分拣出待测烟丝中的叶丝;
9)用天平称量分拣出的叶丝质量1.4g和剩余组分质量4.6g,则烟丝中叶丝组分的比例为23%。
实施例2
1)将20根叶丝平整无重叠的摆放在强光LED照明阵列下,通过CCD相机和自动对焦镜头配合计算机端的Motic2.0图像采集软件,采集得到20张梗丝图像;将20根膨胀叶丝平整无重叠的摆放在强光LED照明阵列下,通过CCD相机和自动对焦镜头配合计算机端的Motic2.0图像采集软件,采集得到20张膨胀叶丝图像;将20根再造烟叶平整无重叠的摆放在强光LED照明阵列下,通过CCD相机和自动对焦镜头配合计算机端的Motic2.0图像采集软件,采集得到20张再造烟叶图像;
2)利用MATLAB图像处理分析软件对获取的20张梗丝图像、20张膨胀叶丝图像和20张再造烟叶图像进行预处理,去除每张梗丝图像、膨胀叶丝图像和再造烟叶图像中的干扰和噪声;
3)计算机分别获取20张梗丝图像中梗丝的图像特征、20张膨胀叶丝图像中膨胀叶丝的图像特征和20张再造烟叶图像中再造烟叶的图像特征,然后分别根据梗丝的图像特征计算梗丝的特征数据量、根据膨胀叶丝的图像特征计算膨胀叶丝的特征数据量以及根据再造烟叶的图像特征计算再造烟叶的特征数据量;
4)计算机根据20张梗丝图像中梗丝的特征数据量、20张膨胀叶丝图像中膨胀叶丝的特征数据量和20张再造烟叶图像中再造烟叶的特征数据量建立特征数据库;特征数据库中包含梗丝特征数据量、膨胀叶丝特征数据量和再造烟叶特征数据量;
5)将待测烟丝通过铺展分离系统平整无重叠的摆放在强光LED照明阵列下,通过CCD相机和自动对焦镜头配合计算机端的Motic2.0图像采集软件采集待测烟丝各组分图像;
6)利用MATLAB图像处理分析软件对获取的待测烟丝各组分图像进行预处理,去除待测烟丝各组分图像中的干扰和噪声;
7)计算机计算待测烟丝各组分图像中待测烟丝特征数据量,并分别与步骤D中所建立的特征数据库中的梗丝特征数据量、膨胀叶丝特征数据量和再造烟叶特征数据量进行相关度计算,然后分别根据相关度计算结果分析识别出混合在烟丝中的梗丝组分、膨胀叶丝组分和再造烟叶组分;然后图像处理分析系统将待测烟丝各组分图像中未识别出来的组份判别为叶丝组份;
8)计算机将叶丝组份分析识别结果发送至分拣系统,由分拣系统分拣出待测烟丝中的叶丝;
9)用天平称量分拣出的叶丝质量为0.6g,剩余组分质量3.8g,则烟丝中叶丝组分的比例为14%。
Claims (5)
1.一种基于计算机视觉的烟丝中叶丝比例测定方法,其特征在于,包括以下步骤:
A:利用图像采集系统分别采集梗丝图像、膨胀叶丝图像和再造烟叶图像;在采集梗丝图像时,将多根梗丝平整无重叠的摆放,然后利用图像采集系统采集各个梗丝图像;在采集膨胀叶丝图像时,将多根膨胀叶丝平整无重叠的摆放,然后利用图像采集系统采集各个膨胀叶丝图像;在采集再造烟叶图像时,将多根再造烟叶平整无重叠的摆放,然后利用图像采集系统采集各个再造烟叶图像;
B:利用图像处理分析系统分别对获取的多张梗丝图像、膨胀叶丝图像和再造烟叶图像进行预处理,去除每张梗丝图像、膨胀叶丝图像和再造烟叶图像中的干扰和噪声;
C:利用图像处理分析系统分别获取多张梗丝图像中梗丝的图像特征、多张膨胀叶丝图像中膨胀叶丝的图像特征和多张再造烟叶图像中再造烟叶的图像特征,然后分别根据梗丝的图像特征计算梗丝的特征数据量、根据膨胀叶丝的图像特征计算膨胀叶丝的特征数据量以及根据再造烟叶的图像特征计算再造烟叶的特征数据量;
D:利用图像处理分析系统根据多张梗丝图像中梗丝的特征数据量、多张膨胀叶丝图像中膨胀叶丝的特征数据量和多张再造烟叶图像中再造烟叶的特征数据量建立特征数据库;特征数据库中包含梗丝特征数据量、膨胀叶丝特征数据量和再造烟叶特征数据量;
E:将待测烟丝通过铺展分离系统平整无重叠的摆放,利用图像采集系统采集待测烟丝各组分图像;
F:利用图像处理分析系统对获取的待测烟丝各组分图像进行预处理,去除待测烟丝各组分图像中的干扰和噪声;
G:图像处理分析系统计算待测烟丝各组分图像中待测烟丝特征数据量,并与步骤D中所建立的特征数据库中的梗丝特征数据量、膨胀叶丝特征数据量和再造烟叶特征数据量分别进行相关度计算,然后分别根据相关度计算结果分析识别出混合在烟丝中的梗丝组分、膨胀叶丝组分和再造烟叶组分;然后图像处理分析系统将待测烟丝各组分图像中未识别出来的组份判别为叶丝组份;
H:图像处理分析系统将叶丝组份分析识别结果发送至分拣系统,由分拣系统分拣出待测烟丝中的叶丝;
I:分别称量由分拣系统分拣出的叶丝质量和剩余组分质量,并计算待测烟丝中叶丝组分的比例。
2.根据权利要求1所述的基于计算机视觉的烟丝中叶丝比例测定方法,其特征在于:所述的步骤B中,图像处理分析系统采用5×5像素的扫描窗口分别对获取的梗丝图像、膨胀叶丝图像和再造烟叶图像按照自上到下、自左到右的顺序进行扫描,计算出各个图像中扫描窗口内的图像均值及方差Var,若方差Var大于设定阈值TD,则对该点采用快速中值滤波方法进行平滑处理,除去图像中的干扰和噪声。
3.根据权利要求2所述的基于计算机视觉的烟丝中叶丝比例测定方法,其特征在于:所述的步骤C中,图像处理分析系统分别将获取的梗丝图像、膨胀叶丝图像和再造烟叶图像转换到HSV颜色空间;结合Canny及Log边缘检测算子分别对R、G、B、H、S、V这六个分量的图像进行边缘检测,分别记录R、G、B、H、S、V分量图像中烟丝区域的像素方差值VR、VG、VB、VH、VS、VV;然后使用灰度共生矩阵计算各个图像中烟丝区域的对比度、熵、角二阶矩和相关性四个纹理特征值;其中,其中,R分量图像表示在RGB颜色空间,各个像素点的R值不变,G值与B值均为零;G分量图像表示在RGB颜色空间,各个像素点的G值不变,R值与B值均为零;B分量图像表示在RGB颜色空间,各个像素点的B值不变,R值与G值均为零;H分量图像表示在HSV颜色空间,各个像素点的H值不变,S值与V值均为零;S分量图像表示在HSV颜色空间,各个像素点的S值不变,H值与V值均为零;V分量图像表示在HSV颜色空间,各个像素点的V值不变,H值与S值均为零;步骤C中所述的特征数据量包括十个特征值,分别为各个图像中烟丝区域的VR、VG、VB、VH、VS、VV六个分量上的像素方差值,以及各个图像中烟丝区域的对比度、熵、角二阶矩和相关性四个纹理特征值。
4.根据权利要求3所述的基于计算机视觉的烟丝中叶丝比例测定方法,其特征在于:所述的步骤D中,图像处理分析系统分别计算梗丝图像中的梗丝特征数据量、膨胀叶丝图像中的膨胀叶丝特征数据量和再造烟叶图像中的再造烟叶特征数据量,并统计每个特征值的分布范围Ci(i=1,2,…,10),然后将各个范围的取值乘以对应的比例系数ei(i=1,2,…,10),最终建立特征数据库Ti=Ciei(i=1,2,…,10),其中,为离散程度的倒数。
5.根据权利要求4所述的基于计算机视觉的烟丝中叶丝比例测定方法,其特征在于:所述的步骤F中,图像处理分析系统采用5×5像素的扫描窗口对获取的待测烟丝各组分图像中按照自上到下、自左到右的顺序进行扫描,计算出扫描窗口内待测烟丝各组分图像中均值及方差Var,若方差Var大于设定阈值TD,则对该点采用快速中值滤波方法进行平滑处理,除去待测烟丝各组分图像中的干扰和噪声。6.根据权利要求5所述的基于计算机视觉的烟丝中叶丝比例测定方法,其特征在于:所述的步骤G中,图像处理分析系统分别计算待测烟丝特征数据量中的十个特征值,并将这十个特征值分别导入特征数据库中,然后图像处理分析系统分别计算待测烟丝与与梗丝、膨胀叶丝和再造烟叶的相关度,待测烟丝与梗丝、膨胀叶丝和再造烟叶的相关度R的计算公式为其中 n∈[1,10],为待测烟丝的十个特征值中处于特征数据库标准范围内的数量;xi为对应特征值,为特征数据库中该特征值的均值;设待测烟丝与与梗丝、膨胀叶丝和再造烟叶的相关度分别为R1、R2和R3,若待测烟丝与梗丝的相关度R1大于等于相关度阈值T,则判定当前待测烟丝为梗丝;若相关度R1小于相关度阈值T,则判定当前待测烟丝不是梗丝;若待测烟丝与膨胀叶丝的相关度R2大于等于相关度阈值T,则判定当前待测烟丝为膨胀叶丝;若相关度R2小于相关度阈值T,则判定当前待测烟丝不是膨胀叶丝;若待测烟丝与再造烟叶的相关度R3大于等于相关度阈值T,则判定当前待测烟丝为再造烟叶;若相关度R3小于相关度阈值T,则判定当前待测烟丝不是再造烟叶;如待测烟丝不为梗丝、膨胀叶丝和再造烟叶,则待测烟丝为叶丝;其中,相关度阈值T为对应特征数据库的离散程度T∈[0.25,0.75],
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410448179.7A CN104198324B (zh) | 2014-09-04 | 2014-09-04 | 基于计算机视觉的烟丝中叶丝比例测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410448179.7A CN104198324B (zh) | 2014-09-04 | 2014-09-04 | 基于计算机视觉的烟丝中叶丝比例测定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104198324A true CN104198324A (zh) | 2014-12-10 |
CN104198324B CN104198324B (zh) | 2017-04-19 |
Family
ID=52083649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410448179.7A Active CN104198324B (zh) | 2014-09-04 | 2014-09-04 | 基于计算机视觉的烟丝中叶丝比例测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104198324B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573736A (zh) * | 2015-01-20 | 2015-04-29 | 湖南中烟工业有限责任公司 | 一种基于双能感应的烟梗与烟叶精确识别的方法及系统 |
CN106442575A (zh) * | 2016-04-11 | 2017-02-22 | 红云红河烟草(集团)有限责任公司 | 一种分析检验卷烟烟丝中各配方模块分布的方法 |
CN107578067A (zh) * | 2017-09-15 | 2018-01-12 | 国家烟草质量监督检验中心 | 一种基于卷积神经网络的烟丝组分识别方法及装置 |
CN108562604A (zh) * | 2018-01-26 | 2018-09-21 | 江苏警官学院 | 一种辨识卷烟生产厂商的方法 |
CN111766241A (zh) * | 2020-07-23 | 2020-10-13 | 清华大学天津高端装备研究院洛阳先进制造产业研发基地 | 一种基于图像处理的烟丝结构检测方法 |
CN113210264A (zh) * | 2021-05-19 | 2021-08-06 | 江苏鑫源烟草薄片有限公司 | 烟草杂物剔除方法及装置 |
CN113281115A (zh) * | 2021-04-09 | 2021-08-20 | 河南中烟工业有限责任公司 | 一种烟叶智能剪切的控制方法 |
CN113570584A (zh) * | 2021-07-30 | 2021-10-29 | 河南中烟工业有限责任公司 | 基于图像识别的烟丝结构检测方法 |
CN114403492A (zh) * | 2022-02-14 | 2022-04-29 | 河南中烟工业有限责任公司 | 一种与卷烟配方相匹配的原料烟叶分选方法 |
CN114578778A (zh) * | 2022-03-28 | 2022-06-03 | 苏州以诚科技有限公司 | 一种基于视觉的工艺参数智能控制系统与方法 |
CN115410077A (zh) * | 2022-11-02 | 2022-11-29 | 杭州首域万物互联科技有限公司 | 一种基于yolov7目标检测算法实现检测烟丝杂物识别方法 |
CN115791768A (zh) * | 2022-11-08 | 2023-03-14 | 江苏鑫源烟草薄片有限公司 | 一种再造烟叶或再造梗丝在卷烟中掺配均匀性的检测方法及应用 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070076934A1 (en) * | 2005-10-05 | 2007-04-05 | Arun Krishnan | Automatic CAD algorithm selection |
CN102261892A (zh) * | 2011-05-06 | 2011-11-30 | 川渝中烟工业公司 | 一种叶丝宽度的快速测量系统 |
JP2012078156A (ja) * | 2010-09-30 | 2012-04-19 | Olympus Corp | 検査装置 |
CN103592304A (zh) * | 2013-10-23 | 2014-02-19 | 上海烟草集团有限责任公司 | 梗物分析系统及其分析方法 |
CN103752531A (zh) * | 2014-01-14 | 2014-04-30 | 河南科技大学 | 一种基于机器视觉的烟叶分拣机 |
-
2014
- 2014-09-04 CN CN201410448179.7A patent/CN104198324B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070076934A1 (en) * | 2005-10-05 | 2007-04-05 | Arun Krishnan | Automatic CAD algorithm selection |
JP2012078156A (ja) * | 2010-09-30 | 2012-04-19 | Olympus Corp | 検査装置 |
CN102261892A (zh) * | 2011-05-06 | 2011-11-30 | 川渝中烟工业公司 | 一种叶丝宽度的快速测量系统 |
CN103592304A (zh) * | 2013-10-23 | 2014-02-19 | 上海烟草集团有限责任公司 | 梗物分析系统及其分析方法 |
CN103752531A (zh) * | 2014-01-14 | 2014-04-30 | 河南科技大学 | 一种基于机器视觉的烟叶分拣机 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573736B (zh) * | 2015-01-20 | 2017-12-15 | 湖南中烟工业有限责任公司 | 一种基于双能感应的烟梗与烟叶精确识别的方法及系统 |
CN104573736A (zh) * | 2015-01-20 | 2015-04-29 | 湖南中烟工业有限责任公司 | 一种基于双能感应的烟梗与烟叶精确识别的方法及系统 |
CN106442575A (zh) * | 2016-04-11 | 2017-02-22 | 红云红河烟草(集团)有限责任公司 | 一种分析检验卷烟烟丝中各配方模块分布的方法 |
CN106442575B (zh) * | 2016-04-11 | 2019-10-18 | 红云红河烟草(集团)有限责任公司 | 一种分析检验卷烟烟丝中各配方模块分布的方法 |
CN107578067A (zh) * | 2017-09-15 | 2018-01-12 | 国家烟草质量监督检验中心 | 一种基于卷积神经网络的烟丝组分识别方法及装置 |
CN108562604A (zh) * | 2018-01-26 | 2018-09-21 | 江苏警官学院 | 一种辨识卷烟生产厂商的方法 |
CN108562604B (zh) * | 2018-01-26 | 2020-07-28 | 江苏警官学院 | 一种辨识卷烟生产厂商的方法 |
CN111766241A (zh) * | 2020-07-23 | 2020-10-13 | 清华大学天津高端装备研究院洛阳先进制造产业研发基地 | 一种基于图像处理的烟丝结构检测方法 |
CN111766241B (zh) * | 2020-07-23 | 2023-10-13 | 清研(洛阳)先进制造产业研究院 | 一种基于图像处理的烟丝结构检测方法 |
CN113281115B (zh) * | 2021-04-09 | 2023-09-15 | 河南中烟工业有限责任公司 | 一种烟叶智能剪切的控制方法 |
CN113281115A (zh) * | 2021-04-09 | 2021-08-20 | 河南中烟工业有限责任公司 | 一种烟叶智能剪切的控制方法 |
CN113210264A (zh) * | 2021-05-19 | 2021-08-06 | 江苏鑫源烟草薄片有限公司 | 烟草杂物剔除方法及装置 |
CN113210264B (zh) * | 2021-05-19 | 2023-09-05 | 江苏鑫源烟草薄片有限公司 | 烟草杂物剔除方法及装置 |
CN113570584A (zh) * | 2021-07-30 | 2021-10-29 | 河南中烟工业有限责任公司 | 基于图像识别的烟丝结构检测方法 |
CN114403492A (zh) * | 2022-02-14 | 2022-04-29 | 河南中烟工业有限责任公司 | 一种与卷烟配方相匹配的原料烟叶分选方法 |
CN114578778A (zh) * | 2022-03-28 | 2022-06-03 | 苏州以诚科技有限公司 | 一种基于视觉的工艺参数智能控制系统与方法 |
CN115410077A (zh) * | 2022-11-02 | 2022-11-29 | 杭州首域万物互联科技有限公司 | 一种基于yolov7目标检测算法实现检测烟丝杂物识别方法 |
CN115791768A (zh) * | 2022-11-08 | 2023-03-14 | 江苏鑫源烟草薄片有限公司 | 一种再造烟叶或再造梗丝在卷烟中掺配均匀性的检测方法及应用 |
Also Published As
Publication number | Publication date |
---|---|
CN104198324B (zh) | 2017-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104198324A (zh) | 基于计算机视觉的烟丝中叶丝比例测定方法 | |
CN104256882B (zh) | 基于计算机视觉的烟丝中再造烟叶比例测定方法 | |
CN104198325A (zh) | 基于计算机视觉的烟丝中梗丝比例测定方法 | |
CN109269951B (zh) | 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法 | |
CN100480680C (zh) | 多光谱肉类新鲜度人工智能测量方法及系统 | |
CN102176228B (zh) | 一种用于识别多个指针式仪表表盘信息的机器视觉方法 | |
CN103308430B (zh) | 一种测量种子千粒重的方法及装置 | |
CN101424514B (zh) | 基于图像处理的卷尺刻度在线自动检测系统及方法 | |
CN103175835B (zh) | 基于智能图像处理和模型估计的烟叶叶面积质量测定方法 | |
CN108520514B (zh) | 基于计算机视觉的印刷电路板电子元器一致性检测方法 | |
CN110403232A (zh) | 一种基于二级算法的烟支质量检测方法 | |
US8315457B2 (en) | System and method for performing multi-image training for pattern recognition and registration | |
CN101793840A (zh) | 钻石切工参数测量方法及测量装置 | |
CN102565044B (zh) | 基于图像处理的农药残留速测卡检测方法 | |
CN104766310B (zh) | 光源检测系统和检测方法 | |
CN105466921A (zh) | 一种多样品同时检测的方法 | |
CN106248680A (zh) | 一种基于机器视觉的电机换向器质量检测系统及检测方法 | |
CN110319933B (zh) | 一种基于cam02-ucs色貌模型的光源光谱优化方法 | |
CN113792725B (zh) | 元器件检测装置和方法 | |
CN107891012A (zh) | 基于等效算法的珍珠大小及圆形度分拣装置 | |
CN104198491B (zh) | 基于计算机视觉的烟丝中膨胀叶丝比例测定方法 | |
CN110243475B (zh) | 一种基于机器视觉识别技术的织物色差检测方法 | |
CN112200200B (zh) | 一种led灯光颜色检测方法 | |
Labati et al. | Improving OSB wood panel production by vision-based systems for granulometric estimation | |
Zhang et al. | Color image segmentation in RGB color space based on color saliency |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |