CN104713835A - 一种烟叶颜色在线数值化识别方法 - Google Patents

Abstract

本发明提供一种烟叶颜色在线数值化识别方法，包括：采集在线生产的烟叶样本的原始烟叶图像；对原始烟叶图像进行相应处理以提取在线生产的烟叶样本的孟塞尔信号；对在线生产的烟叶样本的孟塞尔信号进行连续投影；计算在线生产的烟叶样本的烟叶颜色投影特征值；根据烟叶颜色投影特征值对在线生产的烟叶样本进行第二次分类；判断第一次分类与第二次分类是否具有一致性；若是，则表示分类成功，结束进程；若否，则表示分类失败，则返回采集步骤。本发明快速的把烟叶真实的信息给提取出，与人工打分的一致性较强；实现工业相机的快速准确检测；减少烟叶颜色的样本作量；对烟叶颜色的识别具有较强的实用意义与对定性理论定量化具有较强的借鉴意义。

Description

一种烟叶颜色在线数值化识别方法

技术领域

本发明属于烟草制品生产领域，涉及一种识别方法，特别是涉及一种烟叶颜色在线数值化识别方法。

背景技术

烟叶的质量主要是包含烟叶的外观质量，烟叶的感官评吸质量，烟叶的物理质量，以及烟叶化学成分的协调性，烟叶的可用性与烟叶的配伍性；烤烟烟叶的颜色与烟叶化学成分中的尼古丁，总糖有显著相关性，也与感官评吸的香气质与香气量有极显著相关；烟叶颜色基本上能够反映出烟叶的品质；烤烟的颜色是烟叶外观质量的一个重要组成部分；目前，烟叶外观质量的颜色是采用人工判断，由于环境和人的状态不稳定导致结果具有较大的不确定性，检测速度比较慢等缺点；烟叶属于农作物，同一烟叶产区的烟叶颜色波动较大，如何快速准确的识别烟叶制品的外观质量颜色，为烟叶内在品质的调控做好铺垫具有重要的意义。

烟叶外观质量颜色的识别主要有三种方法；

第一种为人工打分，这种方法的缺点就在于打分的随意性比较大，具有较高的不确定性，另外人工打分的速度比较慢；

第二种为基于近红外的烟叶颜色识别，近红外的光谱中是有烟叶的颜色信息，在近红外领域，烟叶的外观质量颜色的识别用一般的方法比如，PCA(主成分分析)，DPLS(定性偏最小二乘)，基于范数(光谱的相关性，夹角余弦，距离)是不能够把烟叶的外观颜色给识别出来，这主要是由于近红外光谱是一种吸收相互重叠的信号，并且近红外光谱中具有大量的非烟叶颜色信息，使用近红外光谱的连续投影提取烟叶颜色红外信息去除无用信息后是基本能够把烟叶的浓强中弱淡给识别出来，但是近红外颜色模型需要的样本量比较大，年度之间颜色的变化会为烟叶的近红外识别模型带来大量维护的工作，此外近红外仪器一般造价比较昂贵，不利于烟叶外观质量颜色的大规模应用；

第三种为基于相机的烟叶颜色识别，基于相机图像的识别，通常的做法是对烟叶图像或者把烟叶的图像转化为RGB/HIS(孟塞尔颜色系统)与烟叶人工打分颜色做BP(人工神经网络)，RBF(径向神经网络)，MLR(多元线性回归)，PLS(定量偏最小二乘)，一方面采用BP，回归方法必须样本量足够多，否则会因为找不到波动样本使得检测误差变大；第二由于人工颜色打分的不确定性较大这个误差会传递到模型中，因此在用BP，PLS的时候又不能以最小误差为原则进行训练校正样本，否则会产生过拟合；在线烟叶的梗，与反面信息也会对打分产生很大干扰。

因此，如何提供一种烟叶颜色在线数值化识别方法，以解决现有技术中无法快捷并且准确的获取烟叶的外观质量颜色信息，无法更好地调控烟叶品质等种种缺陷，实已成为本领域从业者亟待解决的技术问题。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种烟叶颜色在线数值化识别方法，用于解决现有技术中无法快捷并且准确的获取烟叶的外观质量颜色信息，无法更好的在后续加工过程中调控烟叶品质的问题。

为实现上述目的及其他相关目的，本发明提供一种烟叶颜色在线数值化识别方法，应用于在线生产的烟叶样本，预先通过人工按照颜色深浅度变化原则将需要在线生产的烟叶样本排序并进行第一次分类，每一在线生产的烟叶样本具有一个人工预测烟叶颜色值；所述烟叶颜色在线数值化识别方法包括以下步骤：采集所述在线生产的烟叶样本的原始烟叶图像；对所述原始烟叶图像进行相应处理以提取所述在线生产的烟叶样本的孟塞尔信号；对所述在线生产的烟叶样本的孟塞尔信号进行连续投影；计算所述在线生产的烟叶样本的烟叶颜色投影特征值；根据所述烟叶颜色投影特征值对所述在线生产的烟叶样本进行第二次分类；判断所述第一次分类与所述第二次分类是否具有一致性；若是，则表示分类成功，结束进程；若否，则表示分类失败，则返回采集步骤。

可选地，对所述原始烟叶图像进行相应处理以提取所述在线生产的烟叶样本的孟塞尔信号的步骤包括：预处理所述原始烟叶图像；识别预处理后的烟叶图像中的特殊区域；剔除该特殊区域的色度空间；提取所述在线生产的烟叶样本的孟塞尔信号。

可选地，对所述在线生产的烟叶样本的孟塞尔信号进行连续投影的步骤包括：对所述在线生产的烟叶样本的孟塞尔信号进行归一化处理；线性投影，建立颜色预测模型；确定目标函数；优化线性投影的方向。

可选地，按照x′_ij＝x_ij/x_j max，对所述在线生产的烟叶样本的孟塞尔信号进行归一化处理；其中，x_ij为所述在线生产的烟叶样本的孟塞尔信号数据，i为所述在线生产的烟叶样本中的第i个样本；j为所述在线生产的烟叶样本中第j个指标；x_j max为第j个指标的样本最大值。

可选地，线性投影，建立颜色预测模型步骤包括随机抽取若干个初始投影向量a(a₁,a₂,a₃,…,a_m)，其中，m为3维单位向量。

可选地，所述目标函数定位为初始投影向量的类内距离与投影向量的类内密度的乘积，即Q(a)＝s(a)·d(a)，其中，a为所述初始投影向量，Q(a)为所述目标函数，s(a)为所述初始投影向量的类内距离，d(a)为所述初始投影向量的类内密度。

可选地，优化线性投影的方向的步骤是指当所述目标函数Q(a)取最大值时所对应的投影方向即为所需最优投影方向。

可选地，计算所述在线生产的烟叶样本的烟叶颜色投影特征值的步骤是根据烟叶颜色投影特征值的计算公式：其中，z_i为第i个烟叶样本的烟叶颜色投影特征值，a_j为第j个初始投影向量，x′_ij为归一化后在线生产的烟叶样本的孟塞尔信号数据。

可选地，判断所述第一次分类与所述第二次分类是否具有一致性的依据为计算所述在线生产的烟叶样本的烟叶投影值与每一在线生产的烟叶样本具有一个人工预测烟叶颜色值之间的相关系数是否大于第一相关阈值，若是，则表示所述在线生产的烟叶样本的烟叶投影值与人工预测烟叶颜色值高度相关，分类成功，结束进程；若否，则继续判断计算的所述在线生产的烟叶样本的烟叶投影值与每一在线生产的烟叶样本具有一个人工预测烟叶颜色值之间的相关系数是否大于第二相关阈值，若是，则表示所述在线生产的烟叶样本的烟叶投影值与人工预测烟叶颜色值中度相关；若否，则表示所述在线生产的烟叶样本的烟叶投影值与人工预测烟叶颜色值低度相关，返回采集步骤。

如上所述，本发明所述的烟叶颜色在线数值化识别方法，具有以下有益效果：

第一，烟叶原料的颜色波动比较大，人工的打分随意性比较强，剔除异常颜色信息后直接对HSV值做投影，而不关联人工的颜色值，能够快速的把烟叶真实的信息给提取出来，并且与人工打分的一致性比较强；实现了工业相机的快速准确检测，并且打分标尺较为稳定；

第二，按照本发明的方法，经过数据比对得出，烟叶的识别方法与产地的关系不是很大，从而大量的减少了烟叶颜色的样本作量；

第三，对于烤机出口的片烟，因为其片烟是由复考工艺与原烟的叶组配方混合而成，其颜色一方面受工艺的影响比较大较挑选线普遍颜色偏深，另一方面由于叶组配方的混合，片烟的颜色更加趋于中心化，使得专业人员很难从原烟的颜色理论判别；在共识样本的前提下验证烤后片烟颜色的分辨度，此方法能够较好的取得与专业分级人员的一致性，对烤后片烟颜色的识别具有较强的实用意义与对定性理论定量化具有较强的借鉴意义。

附图说明

图1显示为本发明的烟叶颜色在线数值化识别方法流程示意图。

图2显示为本发明的烟叶颜色在线数值化识别方法中步骤S2的具体流程示意图。

图3显示为本发明的烟叶颜色在线数值化识别方法中步骤S3的具体流程示意图。

图4显示为本发明的烟叶颜色在线数值化识别方法中步骤S6的具体流程示意图。

图5显示为本发明的烟叶颜色在线数值化识别方法与

元件标号说明

S1～S6    步骤

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅附图。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

下面结合实施例和附图对本发明进行详细说明。

本实施例提供一种烟叶颜色在线数值化识别方法，应用于在线生产的烟叶样本，预先通过人工按照颜色深浅度变化原则将需要在线生产的烟叶样本排序并进行第一次分类，每一在线生产的烟叶样本具有一个人工预测烟叶颜色值。在本实施例中，人工会按照标准样本作为参考，统一对需要在线生产的烟叶样本的烟叶颜色进行打分，并按照颜色深浅进行排序。请参阅图1，显示为烟叶颜色在线数值化识别方法流程示意图。如图1所示，所述烟叶颜色在线数值化识别方法包括以下步骤：

S1，采集所述在线生产的烟叶样本的原始烟叶图像。在本实施例中，采用相机作为采集设备对所述在线生产的烟叶样本进行取样。

S2，对所述原始烟叶图像进行相应处理以提取所述在线生产的烟叶样本的孟塞尔信号。请参阅图2，显示为步骤S2的具体流程示意图。如图2所示，所述步骤S2具体包括以下步骤：

S21，预处理所述原始烟叶图像。在本实施例中，对所述原始烟叶图像进行二值化分析，中值滤波等方法预处理所述原始烟叶图像。

S22，识别预处理后的烟叶图像中的特殊区域。在本实施例中，从预处理后的所述原始烟叶图像中识别出包含空白皮带以及烟叶梗的信息的特殊区域。

S23，剔除该特殊区域的色度空间；

S24，将剔除色度空间的烟叶图像转换为HSV(孟塞尔信息)，并提取所述在线生产的烟叶样本的孟塞尔信号。

S3，对所述在线生产的烟叶样本的孟塞尔信号进行连续投影。请参阅图3，显示为步骤S3的具体流程示意图。如图3所示，所述步骤S3具体包括以下步骤：

S31，对所述在线生产的烟叶样本的孟塞尔信号进行归一化处理。由于各指标HSV的数值范围相差较大，因此，在建模之前对所述在线生产的烟叶样本的孟塞尔信号数据进行归一化处理。在本实施例中，按照

x′_ij＝x_ij/x_j max   公式(1)

对所述在线生产的烟叶样本的孟塞尔信号进行归一化处理；其中，x_ij为所述在线生产的烟叶样本的孟塞尔信号数据，i为所述在线生产的烟叶样本中的第i个样本；j为所述在线生产的烟叶样本中第j个指标；x_j max为第j个指标的样本最大值。

S32，线性投影，建立颜色预测模型。所谓投影实质上就是从不同的角度去观察数据，寻找最能充分挖掘数据特征的作为最优投影方向。可在单位超球面中随机抽取若干个初始投影方向a(a₁,a₂,…,a_m)，计算其投影指标的大小，根据指标选大的原则，最后确定最大指标对应的解为最优投影方向。若(a₁,a₂,…,a_m)为m＝3维单位向量，则第i个烟叶样本在一维线性空间的第i个烟叶样本的烟叶投影特征值z_i的表达为

$z_i=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{a}_j{x}_{\mathrm{ij}}^{\′}$    公式(2)

其中，z_i为烟叶颜色投影特征值，a_j为第j个初始投影向量，x′_ij为归一化后在线生产的烟叶样本的孟塞尔信号数据。

S33，确定目标函数。综合投影指标值时，要求投影特征值z_i的散布特征应为：局部投影点尽可能密集，最好凝聚成若干个点团，而在整体上投影点团之间尽可能散开。在本实施例中，所述目标函数定位为初始投影向量的类内距离与投影向量的类内密度的乘积，即

Q(a)＝s(a)·d(a)   公式(3)

其中，a为所述初始投影向量，Q(a)为所述目标函数，s(a)为所述初始投影向量的类内距离，d(a)为所述初始投影向量的类内密度。

在本实施例中，所述初始投影向量的类内距离s(a)是采用第i个烟叶样本的烟叶投影特征值z_i的方差计算，计算公式如下：

$s\left(a\right)={\left[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(z_i-{\stackrel{\‾}{z}}_a)}^2\right]}^{1/2}$    公式(4)

其中，z_i为第i个烟叶样本序列的投影特征值，为序列{z(i)|i＝1,2,…,n}的均值。

所述初始投影向量的类内密度d(a)需利用任意两个烟叶样本的烟叶投影特征值间的距离r_ik计算，任意两个烟叶样本的烟叶投影特征值间的距离r_ik的计算公式如下：

r_ik＝|z_i-z_k|(i,k＝1,2,…,n)   公式(5)

其中，z_i为第i个烟叶样本的烟叶投影特征值，z_k为第k个烟叶样本的烟叶投影特征值。则所述初始投影向量的类内密度d(a)的计算公式如下：

$d\left(a\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}(R-r_{\mathrm{ik}})f(R-r_{\mathrm{ik}})$    公式(6)

其中，f(t)为一阶单位阶跃函数，t≥0时，其值为1；t＜0时，其值为0。

$f(R-r_{\mathrm{ik}})=\left\{\begin{array}{cc}1& R\&GreaterEqual;r_{\mathrm{ik}}\\ 0& R<r_{\mathrm{ik}}\end{array}\right.$    公式(7)

R为估计局部散点密度的窗宽参数，按宽度内至少包括一个散点的原则选定，其取值与样本数据结构有关，可基本确定它的合理取值范围为r_max＜R≤2m，其中，r_max＝max(r_ik)(i,k＝1,2,…,n)。类内密度d(a)愈大，分类愈显著。

S34，优化线性投影的方向。在本实施例中，当所述目标函数Q(a)取最大值时所对应的投影方向即为所需最优投影方向。因此，寻找最优投影方向的问题可转化为下列优化问题：

$\left\{\begin{array}{c}\max Q\left(a\right)=s\left(a\right)\&CenterDot;d\left(a\right)\\ \left|\right|a\left|\right|=\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{a}_j^2=1\end{array}\right.$    公式(8)

在本实施例中，这是以a_j为优化变量的复杂非线性优化问题，可采用遗传算法等优化方法求解。

S4，计算所述在线生产的烟叶样本的烟叶颜色投影特征值。在本实施例中，利用公式(2)计算出第i个烟叶样本的烟叶投影特征值z_i。其中，z_i为第i个烟叶样本的烟叶颜色投影特征值，a_j为第j个初始投影向量，x′_ij为归一化后在线生产的烟叶样本的孟塞尔信号数据。

S5，根据所述烟叶投影特征值对所述在线生产的烟叶样本进行第二次分类。在本实施例中，根据最优投影方向，便可计算反映各评价指标综合信息的烟叶投影特征值z_i的差异水平，以z_i的差异水平对样本群进行聚类分析。

S6，判断所述第一次分类与所述第二次分类是否具有一致性；若是，则表示分类成功，结束进程；若否，则表示分类失败，则返回采集步骤。请参阅图4，显示为步骤S6的具体流程示意图。如图4所示，所述步骤S6包括以下步骤：

S61，计算所述在线生产的烟叶样本的烟叶投影值与每一在线生产的烟叶样本具有一个人工预测烟叶颜色值之间的相关系数。在本实施例中，利用相关系数计算公式计算所述在线生产的烟叶样本的烟叶投影值与每一在线生产的烟叶样本具有一个人工预测烟叶颜色值之间的相关系数r_XY

$r_{\mathrm{XY}}=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(X_i-\stackrel{\&OverBar;}{X})(Y_i-\stackrel{\&OverBar;}{Y})}{\sqrt{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(X_i-\stackrel{\&OverBar;}{X})}^2}\sqrt{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(Y_i-\stackrel{\&OverBar;}{Y})}^2}}$    公式(9)

其中，X_i表示在线生产的第i个烟叶样本的烟叶投影值，表示在线生产的烟叶样本的烟叶投影值的平均值，Y_i表示第i个烟叶样本的人工预测烟叶颜色值，表示在线生成的烟叶样本的人工预测烟叶颜色值的平均值。|r_XY|＝1的充要条件是，存在常数a，b，使得R{Y＝a+bX}＝1；相关系数r_XY取值在-1到1之间，r_XY＝0时，称X,Y不相关；|r_XY|＝1时，称X,Y完全相关，此时，X,Y之间具有线性函数关系；|r_XY|<1时，X的变动引起Y的部分变动，r_XY的绝对值越大，X的变动引起Y的变动就越大。

S62，判断所述在线生产的烟叶样本的烟叶投影值与每一在线生产的烟叶样本具有一个人工预测烟叶颜色值之间的相关系数是否大于第一相关阈值，若是，则表示所述在线生产的烟叶样本的烟叶投影值与人工预测烟叶颜色值高度相关，分类成功，结束进程；若否，则继续执行S63。在本实施例中，所述第一相关阈值为0.8。

S63，判断计算的所述在线生产的烟叶样本的烟叶投影值与每一在线生产的烟叶样本具有一个人工预测烟叶颜色值之间的相关系数是否大于第二相关阈值，若是，则表示所述在线生产的烟叶样本的烟叶投影值与人工预测烟叶颜色值中度相关，结束进程；若否，则表示所述在线生产的烟叶样本的烟叶投影值与人工预测烟叶颜色值低度相关，返回采集步骤。在本实施例中，所述第二相关阈值为0.3。

例如，在本实施例中，选取样本为A产地不同等级25个样本，B产地不同等级21个样本，C产地不同等级28个样本；

A产地的烟叶样本图像转化为HSV的值然后做连续投影求出投影预测值，：

表1：A产地烟叶样本

序号	H	S	V	浓淡	投影预测值
						1	20.09773	85.79327	40.96038	33.26446	0.036327
2	20.0035	89.01665	41.54912	33.54019	0.086297
						3	19.96477	94.73738	43.103	34.32365	0.238483
4	20.09688	93.921	43.94923	35.04046	0.320094
						5	20.55238	93.35227	45.26727	36.26781	0.530203
6	20.65008	95.84127	44.88046	35.759	0.558211
						7	20.84177	95.68138	45.03973	35.92612	0.62046
8	20.56062	98.12608	46.52419	36.88408	0.665429
						9	21.0975	103.5	48.57773	38.08965	1.003623
10	20.94219	95.47581	45.19462	36.07554	0.656222
						11	20.19627	97.282	46.15762	36.59915	0.530307
12	21.30369	96.14077	45.5105	36.29027	0.783427
						13	21.10858	97.90054	47.40546	37.69592	0.874226
14	21.92927	101.9163	48.46981	38.29873	1.21419
						15	21.82519	98.655	50.66692	40.27735	1.292848
16	21.62469	106.0651	49.37215	38.57962	1.229658
						17	21.743	100.4817	49.78935	39.471	1.234345
18	22.29169	102.3682	51.65623	40.841	1.52775
						19	21.47781	101.5617	49.05931	38.67823	1.120385
20	21.90481	96.24819	49.71523	39.77915	1.229658
						21	22.03138	101.982	50.42804	39.87588	1.371574
22	22.56723	102.5584	50.646	40.061	1.540866
						23	22.21996	100.1384	51.79473	41.16554	1.494888
24	22.10165	102.6428	55.48885	43.89992	1.730116
						25	22.38073	101.8123	53.38038	42.31919	1.661272

通过公式(9)计算A产地烟叶样本的投影特征值与人工打分的相关系数为0.9554。

固定投影系数，对B产地，C产地HSV信号进行归一化处理，用A产地的模型去预测B产地，C产地。

表2：B产地烟叶样本

通过公式(9)计算B产地烟叶样本的投影特征值与B人工打分的一致性为0.9516；

表3：C产地烟叶样本

序号	H	S	V	浓淡	投影预测值
						1	0.087186	-0.13695	0.00579	0.024518	0.035994
2	0.1329	0.227803	0.193426	0.167076	0.324061
						3	-0.07788	0.536577	0.201915	0.124259	0.248278
4	0.154297	0.328778	0.262069	0.228139	0.427619
						5	0.664368	0.006707	0.732259	0.792976	1.169608
6	0.115591	0.483848	0.235779	0.180566	0.410979
						7	0.158418	0.33529	0.199025	0.164191	0.374209
8	0.083098	0.16308	0.080946	0.066078	0.172736
						9	0.364665	0.759663	0.478371	0.406533	0.880437
10	0.242563	0.773145	0.415631	0.329315	0.733963
						11	0.298568	0.480026	0.347375	0.303849	0.646507
12	0.2803	0.471258	0.322628	0.283424	0.61052
						13	0.581357	1.223875	0.863216	0.735744	1.493243
14	0.428768	1.07934	0.685545	0.573775	1.188762
						16	0.283396	0.38838	0.506448	0.486806	0.766522
17	0.487307	0.920411	0.692182	0.610382	1.204419
						18	0.484839	0.767877	0.637764	0.576213	1.118376
19	0.647003	0.850497	0.935052	0.870831	1.527523
						20	0.594766	0.669197	0.686031	0.64484	1.221166
21	0.669348	0.63561	0.754108	0.720233	1.329813

通过公式(9)计算C产地烟叶样本的投影特征值与C人工打分的一致性为0.8674；

对于烤后片烟在线样本，人工在烤机出口处进行每隔3秒钟抓取一个样，9秒钟形成一个混合样本，共抓取10个混合样本；对于所取得10个样本人工分别记录其样本名称与相机所采集的HSV浓淡信号，确保信号值与实物样本一一对应；对片烟颜色信号按照此文方法进行信号分析，人工按照区间打分的方法来验证此文方法的准确性；人工打分1.2.3为A类，4.5.6.7.8为B类，9.10为C类。

请参阅图5，显示为同本实施所述的烟叶颜色在线数值化识别方法获取的分类与人工分类比较示意图，从图中可以看出所述的烟叶颜色在线数值化识别方法获取的分类与人工分类一致性较强，其中，横轴为样本，纵轴为一致性数据。

本发明所述的烟叶颜色在线数值化识别方法具有以下有益效果：

第一，烟叶原料的颜色波动比较大，人工的打分随意性比较强，剔除异常颜色信息后直接对HSV值做投影，而不关联人工的颜色值，能够快速的把烟叶真实的信息给提取出来，并且与人工打分的一致性比较强；实现了工业相机的快速准确检测，并且打分标尺较为稳定；

第二，按照本发明的方法，经过数据比对得出，烟叶的识别方法与产地的关系不是很大，从而大量的减少了烟叶颜色的样本作量；

第三，对于烤机出口的片烟，因为其片烟是由复考工艺与原烟的叶组配方混合而成，其颜色一方面受工艺的影响比较大较挑选线普遍颜色偏深，另一方面由于叶组配方的混合，片烟的颜色更加趋于中心化，使得专业人员很难从原烟的颜色理论判别；在共识样本的前提下验证烤后片烟颜色的分辨度，此方法能够较好的取得与专业分级人员的一致性，对烤后片烟颜色的识别具有较强的实用意义与对定性理论定量化具有较强的借鉴意义。

综上所述，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (9)

1.一种烟叶颜色在线数值化识别方法，应用于在线生产的烟叶样本，预先通过人工按照颜色深浅度变化原则将需要在线生产的烟叶样本排序并进行第一次分类，每一在线生产的烟叶样本具有一个人工预测烟叶颜色值；其特征在于，所述烟叶颜色在线数值化识别方法包括以下步骤：

采集所述在线生产的烟叶样本的原始烟叶图像；

对所述原始烟叶图像进行相应处理以提取所述在线生产的烟叶样本的孟塞尔信号；

对所述在线生产的烟叶样本的孟塞尔信号进行连续投影；

计算所述在线生产的烟叶样本的烟叶颜色投影特征值；

根据所述烟叶颜色投影特征值对所述在线生产的烟叶样本进行第二次分类；

判断所述第一次分类与所述第二次分类是否具有一致性；若是，则表示分类成功，结束进程；若否，则表示分类失败，则返回采集步骤。

2.根据权利要求1所述的烟叶颜色在线数值化识别方法，其特征在于：对所述原始烟叶图像进行相应处理以提取所述在线生产的烟叶样本的孟塞尔信号的步骤包括：

预处理所述原始烟叶图像；

识别预处理后的烟叶图像中的特殊区域；

剔除该特殊区域的色度空间；

提取所述在线生产的烟叶样本的孟塞尔信号。

3.根据权利要求1所述的烟叶颜色在线数值化识别方法，其特征在于：对所述在线生产的烟叶样本的孟塞尔信号进行连续投影的步骤包括：

对所述在线生产的烟叶样本的孟塞尔信号进行归一化处理；

线性投影，建立颜色预测模型；

确定目标函数；

优化线性投影的方向。

4.根据权利要求3所述的烟叶颜色在线数值化识别方法，其特征在于：按照x′_ij＝x_ij/x_jmax，对所述在线生产的烟叶样本的孟塞尔信号进行归一化处理；其中，x_ij为所述在线生产的烟叶样本的孟塞尔信号数据，i为所述在线生产的烟叶样本中的第i个样本；j为所述在线生产的烟叶样本中第j个指标；x_jmax为第j个指标的样本最大值。

5.根据权利要求3所述的烟叶颜色在线数值化识别方法，其特征在于：线性投影，建立颜色预测模型步骤包括随机抽取若干个初始投影向量a(a₁,a₂,a₃,…,a_m)，其中，m为3维单位向量。

6.根据权利要求5所述的烟叶颜色在线数值化识别方法，其特征在于：所述目标函数定位为初始投影向量的类内距离与投影向量的类内密度的乘积，即Q(a)＝s(a)·d(a)，其中，a为所述初始投影向量，Q(a)为所述目标函数，s(a)为所述初始投影向量的类内距离，d(a)为所述初始投影向量的类内密度。

7.根据权利要求6所述的烟叶颜色在线数值化识别方法，其特征在于：优化线性投影的方向的步骤是指当所述目标函数Q(a)取最大值时所对应的投影方向即为所需最优投影方向。

8.根据权利要求4所述的烟叶颜色在线数值化识别方法，其特征在于：计算所述在线生产的烟叶样本的烟叶颜色投影特征值的步骤是根据烟叶颜色投影特征值的计算公式：其中，z_i为第i个烟叶样本的烟叶颜色投影特征值，a_j为第j个初始投影向量，x′_ij为归一化后在线生产的烟叶样本的孟塞尔信号数据。

9.根据权利要求4所述的烟叶颜色在线数值化识别方法，其特征在于：判断所述第一次分类与所述第二次分类是否具有一致性的依据为计算所述在线生产的烟叶样本的烟叶投影值与每一在线生产的烟叶样本具有一个人工预测烟叶颜色值之间的相关系数是否大于第一相关阈值，若是，则表示所述在线生产的烟叶样本的烟叶投影值与人工预测烟叶颜色值高度相关，分类成功，结束进程；若否，则继续判断计算的所述在线生产的烟叶样本的烟叶投影值与每一在线生产的烟叶样本具有一个人工预测烟叶颜色值之间的相关系数是否大于第二相关阈值，若是，则表示所述在线生产的烟叶样本的烟叶投影值与人工预测烟叶颜色值中度相关；若否，则表示所述在线生产的烟叶样本的烟叶投影值与人工预测烟叶颜色值低度相关，返回采集步骤。