CN109829943A - 基于机器视觉的叶片结构检测方法、系统、介质及设备 - Google Patents
基于机器视觉的叶片结构检测方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN109829943A CN109829943A CN201811346013.9A CN201811346013A CN109829943A CN 109829943 A CN109829943 A CN 109829943A CN 201811346013 A CN201811346013 A CN 201811346013A CN 109829943 A CN109829943 A CN 109829943A
- Authority
- CN
- China
- Prior art keywords
- threshold
- tobacco leaf
- rate
- area
- small pieces
- 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
Abstract
本发明提供一种基于机器视觉的叶片结构检测方法、系统、介质及设备,检测方法包括:获取烟叶样本的原始烟叶图像;二值化处理原始烟叶图像,形成二值化烟叶图像;通过计算二值化烟叶图像中连通区域的区域信息,获取烟叶对应的机器视觉所测烟叶像素面积向量;定义与大片率数据对应的第一阈值集,与中片率数据对应的第二阈值集及与小片率数据对应的第三阈值集;计算大片率预测值,中片率预测值及小片率预测值,并计算大片率误差,中片率误差及小片率误差;根据烟叶图像的特征面积、大片的特征面积阈值、中片的特征面积阈值及小片的特征面积阈值,判定烟叶样本的类型。本发明能够快速、准确检测打叶复烤环节的叶片结构,获取大量有效的叶片结构数据。
Description
技术领域
本发明属于烟叶的图像处理技术领域,涉及一种检测方法和系统,特别是涉及一种基于机器视觉的叶片结构检测方法、系统、介质及设备。
背景技术
叶片结构主要是指在打叶复烤环节产生的半成品经过2.36mm、6.35mm、12.7mm、25.4mm 四层振筛后各层筛网上的烟叶重量比,分别为大片率,中片率,小片率与碎片率。打叶复烤流程包含预处理、打叶风分和复烤等三个主要环节,共同决定着产品质量。对于预处理和打叶风分环节的研究集中于大中片率、碎片率和含梗率方面,说明预处理和打叶风分对于打叶物理质量影响至关重要,叶片结构能够反应在线生产的工艺稳定与否;同时,打叶复烤的叶片结构是构成卷烟叶丝结构的重要原料基础,一般而言,大片越多,长丝也会越多,卷烟的物理指标与烟气指标就越会不稳定。现有的依靠振筛检测叶片结构的方式主要存如下几方面的问题,
1)样本检测时间过长,取样数量较少,不能及时的反应在线的叶片结构情况;依靠振筛检测的叶片结构每次按照3公斤取样,各层筛网筛完后,至少需要10分钟才能完成1个样本的检测;
2)筛网的筛分效率不一,现有的振筛检测,由于烟叶在复烤工艺段存在一定的折叠,使得大片的烟叶落到中片的筛网上,混淆烟叶的实际尺寸;
3)工艺段烟叶状态不同,烤后的烟叶较烤前的烟叶存在一定程度的皱缩,在振筛的筛网上皱缩的大片容易落到中片对应的筛网上。
由于传统的方法的实质是想运用筛网上的孔对不同的叶片面积进行分类,然后计算重量比,由于同批次打叶烟叶的密度基本相当,传统烟叶的叶片结构的总重量比实际等同于不同筛网上烟叶的面积比,而机器视觉可以通过一些分离装置先把烟叶给初步分离,然后求出各个筛网上所对应在线的图像上的特征面积,运用采集的烟叶图像结合特征面积对烟叶面积进行分类,图像上的各个面积类型的面积之和比上总图像面积之和就等同于指定面积区间的重量比,此面积比就等同于传统筛网所测的叶片结构,这为运用机器视觉来检测叶片结构提供了理论上的可能。
但是现有技术中对叶片结构如何取样做了一定程度上的探讨,然而关于运用机器视觉检测打叶复烤的叶片结构的专利鲜有报道,检测方法涉及较少。所以,现有技术存在打叶复烤环节的叶片结构的检测效率低,准确率不高,无法获取大量有效的叶片结构数据等问题。
因此,如何提供一种基于机器视觉的叶片结构检测方法、系统、介质及设备,以解决现有技术存在打叶复烤环节的叶片结构的检测效率低,准确率不高,无法获取大量有效的叶片结构数据等缺陷,实已成为本领域技术人员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基于机器视觉的叶片结构检测方法、系统、介质及设备,用于解决现有技术存在打叶复烤环节的叶片结构的检测效率低,准确率不高,无法获取大量有效的叶片结构数据的问题。
为实现上述目的及其他相关目的,本发明一方面提供一种基于机器视觉的叶片结构检测方法,包括:获取烟叶样本的原始烟叶图像;对所述原始烟叶图像进行二值化处理,以形成二值化烟叶图像;通过计算二值化烟叶图像中连通区域的区域信息,获取烟叶样本对应的机器视觉所测烟叶像素面积向量;基于烟叶样本对应的机器视觉所测烟叶像素面积向量及预先经过振筛筛网分别检测称重所获取烟叶样本对应的大片率数据、中片率数据及小片率数据,定义与所述大片率数据对应的第一阈值集,与所述中片率数据对应的第二阈值集及与所述小片率数据对应的第三阈值集;分别计算针对第一阈值集中每个指定阈值的大片率预测值,针对第二阈值集中每个指定阈值的中片率预测值及针对第三阈值集中每个指定阈值的小片率预测值,并计算针对第一阈值集中每个指定阈值的大片率误差,针对第二阈值集中每个指定阈值的中片率误差及针对第三阈值集中每个指定阈值的小片率误差;其中,最小的大片率误差对应的指定阈值为大片的特征面积阈值、最小的中片率误差对应的指定阈值为中片的特征面积阈值、最小的小片率误差对应的指定阈值为小片的特征面积阈值;根据烟叶图像的特征面积、大片的特征面积阈值、中片的特征面积阈值及小片的特征面积阈值,对烟叶样本的类型进行判定。
于本发明的一实施例中,所述对所述原始烟叶图像集合进行二值化处理,以形成二值化烟叶图像的集合的步骤包括:对原始烟叶图像进行标准差滤波,以获取每个原始烟叶图像的 RGB空间;将烟叶与背景色彩分布差异最大的通道确定为图像的分割指标,及将烟叶与背景色彩分布最大程度分离的值确定为分割指标的分割阈值;利用所述分割指标和分割阈值对每个图像进行二值化处理,以形成二值化烟叶图像的集合。
于本发明的一实施例中,所述二值化烟叶图像中连通区域的区域信息包括二值化烟叶图像中每个连通区域的区域面积、边缘曲线和/或中心点;其中,二值化烟叶图像中每个连通区域的区域面积之和为烟叶样本对应的机器视觉所测烟叶像素面积向量。
于本发明的一实施例中,第一阈值集中每个指定阈值等于[烟叶样本对应的机器视觉所测烟叶像素面积向量中的最小值:1:烟叶样本对应的机器视觉所测烟叶像素面积向量的最大值];第二阈值集中每个指定阈值等于[烟叶样本对应的机器视觉所测烟叶像素面积向量中的最小值:1:大片的特征面积阈值];第三阈值集中每个指定阈值等于[烟叶样本对应的机器视觉所测烟叶像素面积向量中的最小值:1:中片的特征面积阈值]。
于本发明的一实施例中,针对第一阈值集中每个指定阈值的大片率预测值等于大于该指定阈值的烟叶样本对应的烟叶面积向量之和与针对第一阈值集中所有指定阈值的烟叶样本对应的烟叶面积向量之和;针对第二阈值集中每个指定阈值的中片率预测值等于大于该指定阈值且小于大片的特征面积阈值的烟叶样本对应的烟叶面积向量之和与针对第二阈值集中所有指定阈值的烟叶样本对应的烟叶面积向量之和;针对第三阈值集中每个指定阈值的小片率预测值等于大于该指定阈值且小于中片的特征面积阈值的烟叶样本对应的烟叶面积向量之和与针对第三阈值集中所有指定阈值的烟叶样本对应的烟叶面积向量之和;针对第一阈值集中每个指定阈值的大片率误差等于针对第一阈值集中每个指定阈值的大片率预测值与预先经过振筛筛网分别检测称重所获取烟叶样本对应的大片率数据之差;针对第二阈值集中每个指定阈值的中片率误差等于针对第二阈值集中每个指定阈值的中片率预测值与预先经过振筛筛网分别检测称重所获取烟叶样本对应的中片率数据之差;针对第三阈值集中每个指定阈值的小片率误差等于针对第三阈值集中每个指定阈值的小片率预测值与预先经过振筛筛网分别检测称重所获取烟叶样本对应的小片率数据之差。
于本发明的一实施例中,所述根据烟叶图像的特征面积、大片的特征面积阈值、中片的特征面积阈值及小片的特征面积阈值,对烟叶样本的类型进行判定的步骤包括:若烟叶图像的特征面积大于等于所述大片的特征面积阈值,则判定该烟叶为大叶;若烟叶图像的特征面积小于大片的特征面积阈值,大于等于中片的特征面积阈值,则判定该烟叶为中叶;若烟叶图像的特征面积小于中片的特征面积阈值,大于等于小片的特征面积阈值,则判定烟叶为小叶。
于本发明的一实施例中,所述基于机器视觉的叶片结构检测方法还包括:小叶、中叶及大叶特征面积和与所有烟叶的特征面积相比,以获取基于机器视觉预测的小片率,中片率,大片率。
本发明另一方面提供一种基于机器视觉的叶片结构检测系统,包括:第一获取模块,用于获取烟叶样本的原始烟叶图像;二值化处理模块,用于对所述原始烟叶图像进行二值化处理,以形成二值化烟叶图像;第二获取模块,用于通过计算二值化烟叶图像中连通区域的区域信息,获取烟叶样本对应的机器视觉所测烟叶像素面积向量;阈值集定义模块,用于基于烟叶样本对应的机器视觉所测烟叶像素面积向量及预先经过振筛筛网分别检测称重所获取烟叶样本对应的大片率数据、中片率数据及小片率数据,定义与所述大片率数据对应的第一阈值集,与所述中片率数据对应的第二阈值集及与所述小片率数据对应的第三阈值集;计算模块,用于分别计算针对第一阈值集中每个指定阈值的大片率预测值,针对第二阈值集中每个指定阈值的中片率预测值及针对第三阈值集中每个指定阈值的小片率预测值,并计算针对第一阈值集中每个指定阈值的大片率误差,针对第二阈值集中每个指定阈值的中片率误差及针对第三阈值集中每个指定阈值的小片率误差;其中,最小的大片率误差为大片的特征面积阈值、最小的中片率误差为中片的特征面积阈值、最小的小片率误差为小片的特征面积阈值;判定模块,用于根据烟叶图像的特征面积、大片的特征面积阈值、中片的特征面积阈值及小片的特征面积阈值,对烟叶样本的类型进行判定。
本发明又一方面提供一种介质,其上存储有计算机程序,该程序被处理器执行时实现所述基于机器视觉的叶片结构检测方法。
本发明最后一方面提供一种设备,包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述设备执行所述基于机器视觉的叶片结构检测方法。
如上所述,本发明所述的基于机器视觉的叶片结构检测方法、系统、介质及设备,具有以下有益效果:
第一,本发明主要是运用机器视觉在线检测,测量一个标准重量下的样本时间基本在3 分钟,而且可以提供叶片结构的实时数据,获取了大量的有效叶片结构样本数据,为打叶复考的工艺工序监测提供了有支撑的代表性样本数据;
第二,本发明检测叶片结构的方法的主要思想在于求出各个传统叶片结构的特征面积,然后把叶片结构的重量比转换成图像的面积比,根据面积比预测出在线的叶片结构,面积比更能够突出烟叶的实际片型大小,一定程度上解决筛网的筛分效率的问题;
第三,本发明核心点在于所属烟叶叶片结构特征面积的求解,为估测传统振筛筛网的筛分效率提供了一种新的思路。
附图说明
图1A显示为本发明的基于机器视觉的叶片结构检测方法于一实施例中的流程示意图。
图1B显示为本发明的基于机器视觉的叶片结构检测方法中S12的流程示意图。
图2显示为本发明的烟叶样本的原始烟叶图像I的示例图。
图3显示为本发明的二值化图像BW的示例示意图。
图4显示为本发明的烟叶图像中每个连通区域的边缘曲线和/或中心点的示例图。
图5显示为本发明的烟叶图像中每个连通区域的区域面积分布的示例图。
图6显示为本发明的基于机器视觉的叶片结构检测系统于一实施例中的原理结构示意图。
元件标号说明
7 基于机器视觉的叶片结构
检测系统
71 第一获取模块
72 二值化处理模块
73 第二获取模块
74 定义模块
75 计算模块
76 判定模块
S11~S16 步骤
S121~S124 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。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下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。
本发明所提供的基于机器视觉的叶片结构检测方法、系统、介质及设备技术原理如下:
本发明运用在线振筛分离的烟叶,使用线阵相机实时获取烟叶的图像,通过图像的滤波、二值化、形态分割、去碎算法获取有效烟的叶图像像素面积,把对应的烟叶样本取样分别放到振筛上来检测标准的叶片结构,关联图像的像素面积与叶片结构,分别构建叶片结构中大片、中片、小片的校正模型,求出大片、中片、小片的烟叶特征面积;运用各个叶片结构对应图像区间的面积之和占总图像的面积比求出基于机器视觉的叶片结构,验证上述叶片结构模型的重复性、准确度。最后模型验证通过后,运用上述模型实际检测在线的叶片结构数据。
实施例一
本实施例提供一种基于机器视觉的叶片结构检测方法,包括:
获取烟叶样本的原始烟叶图像;
对所述原始烟叶图像进行二值化处理,以形成二值化烟叶图像;
通过计算二值化烟叶图像中连通区域的区域信息,获取烟叶样本对应的机器视觉所测烟叶像素面积向量;
基于烟叶样本对应的机器视觉所测烟叶像素面积向量及预先经过振筛筛网分别检测称重所获取烟叶样本对应的大片率数据、中片率数据及小片率数据,定义与所述大片率数据对应的第一阈值集,与所述中片率数据对应的第二阈值集及与所述小片率数据对应的第三阈值集;
分别计算针对第一阈值集中每个指定阈值的大片率预测值,针对第二阈值集中每个指定阈值的中片率预测值及针对第三阈值集中每个指定阈值的小片率预测值,并计算针对第一阈值集中每个指定阈值的大片率误差,针对第二阈值集中每个指定阈值的中片率误差及针对第三阈值集中每个指定阈值的小片率误差;其中,最小的大片率误差为大片的特征面积阈值、最小的中片率误差为中片的特征面积阈值、最小的小片率误差为小片的特征面积阈值;
根据烟叶图像的特征面积、大片的特征面积阈值、中片的特征面积阈值及小片的特征面积阈值,对烟叶样本的类型进行判定。
以下将结合图示对本实施例所提供的基于机器视觉的叶片结构检测方法进行详细描述。执行所述基于机器视觉的叶片结构检测方法之前,需在生产线烟叶振筛分离装置后,运用编码器结合线阵相机的线扫描获取烟叶的线扫描图像,拼接成指定时间的图像,以采集到烟叶样本的原始烟叶图像I。
请参阅图1A,显示为基于机器视觉的叶片结构检测方法于一实施例中的流程示意图。如图1A所示,所述基于机器视觉的叶片结构检测方法具体包括以下几个步骤:
S11,获取烟叶样本的原始烟叶图像I。烟叶样本的原始烟叶图像I的示例图如图2所示。
S12,对所述原始烟叶图像进行二值化处理,以形成二值化烟叶图像。
请参阅图1B,显示为S12流程示意图。如图1B所示,所述S12具体包括以下几个步骤:
S121,对原始烟叶图像进行标准差滤波,以获取每个原始烟叶图像的RGB空间。
例如,通过stdfilt滤波对原始烟叶图像进行标准差滤波,并使用最大类间方差法查找到一个用于转换色彩空间的转换阈值,以将原始烟叶图像转换为RGB图像。
S122,分别获取色彩空间RGB,把R、G、B通道的颜色分别转换成颜色向量,绘制烟叶与背景的R、G、B上的色彩分布的正态分布曲线。根据正态分布曲线求得不同颜色空间下的烟叶与背景的差异,如表1所示,以烟叶与背景色彩分布差异最大的通道确定为图像的分割指标,以使得烟叶与背景能够最大程度分离的值为分割指标的阈值;因此根据表1的计算结果选择B值为图像二值化的分割指标,由于此分割指标在60-80烟叶与背景均无交叉,分离程度最大,因此选择Y=60作为分割指标B的阈值。
表1:不同颜色空间下的烟叶与背景的差异
S123,将烟叶与背景色彩分布差异最大的通道确定为图像的分割指标X,及将烟叶与背景色彩分布最大程度分离的值确定为分割指标的分割阈值Y。
S124,利用所述分割指标和分割阈值对每个图像进行二值化处理,以形成二值化烟叶图像的集合。
具体地,对图像上的每个像素点进行如公式(1)的二值化处理得到二值化图像BW:
其中,Is,(i,j)(X)表示图像Is∈I上的第i,j位置的坐标上的分割指标X的值。二值化图像BW 的示例示意图如图3所示。
S13,通过计算二值化烟叶图像中连通区域的区域信息,获取烟叶样本对应的机器视觉所测烟叶像素面积向量。在本实施例中,所述二值化烟叶图像中连通区域的区域信息包括二值化烟叶图像中每个连通区域的区域面积、边缘曲线和/或中心点,单幅图像的每个连通区域的像素面积为Area0。其中,二值化烟叶图像中每个连通区域的区域面积之和为烟叶样本对应的机器视觉所测烟叶像素面积向量。示例的烟叶图像中每个连通区域的边缘曲线和/或中心点如图4所示,示例的烟叶图像中每个连通区域的区域面积分布如图5所示。
S14,基于烟叶样本(m个样本)对应的机器视觉所测烟叶像素面积向量 Area1,Area2,...Aream及预先经过振筛筛网分别检测称重所获取烟叶样本对应的大片率数据DP1,DP2,...DPm、中片率数据ZP1,ZP2,...ZPm、小片率数据XP1,XP2,...XPm及碎片率数据SP1,SP2,...SPm,定义与所述大片率数据对应的第一阈值集,与所述中片率数据对应的第二阈值集及与所述小片率数据对应的第三阈值集。
具体地,从Area1,Area2,...Aream中选取烟叶样本对应的机器视觉所测烟叶像素面积向量中的最小值Area_min以及烟叶样本对应的机器视觉所测烟叶像素面积向量中的最大值 Area_max。
定义的第一阈值集中每个指定阈值f1等于[烟叶样本对应的机器视觉所测烟叶像素面积向量中的最小值:1:烟叶样本对应的机器视觉所测烟叶像素面积向量的最大值];
f1表示为:f1=[Area_min:1:Area_max]。
定义的第二阈值集中每个指定阈值f2等于[烟叶样本对应的机器视觉所测烟叶像素面积向量中的最小值:1:大片的特征面积阈值];
f2表示为:f2=[Area_min:1:T_DP],其中,T_DP为大片的特征面积阈值。
定义的第三阈值集中每个指定阈值f3等于[烟叶样本对应的机器视觉所测烟叶像素面积向量中的最小值:1:中片的特征面积阈值]。
f3表示为:f3=[Area_min:1:T_ZP]。其中,T_ZP为中片的特征面积阈值。
S15,分别计算针对第一阈值集中每个指定阈值的大片率预测值,针对第二阈值集中每个指定阈值的中片率预测值及针对第三阈值集中每个指定阈值的小片率预测值,并计算针对第一阈值集中每个指定阈值的大片率误差,针对第二阈值集中每个指定阈值的中片率误差及针对第三阈值集中每个指定阈值的小片率误差;其中,最小的大片率误差为大片的特征面积阈值、最小的中片率误差为中片的特征面积阈值、最小的小片率误差为小片的特征面积阈值。
其中,针对第一阈值集中每个指定阈值的大片率预测值等于大于该指定阈值的烟叶样本对应的烟叶面积向量之和与针对第一阈值集中所有指定阈值的烟叶样本对应的烟叶面积向量之和。
具体地,针对第一阈值集中每个指定阈值的大片率预测值如公式(2)所示:
其中,Areai表示m个烟叶样本中第i个烟叶样本的图像烟叶面积向量,length(Areai)表示图像烟叶面积向量Areai的数据个数,表示Areai所有大于指定阈值f1的烟叶样本对应的烟叶面积向量之和,表示Areai所有指定阈值的烟叶样本对应的烟叶面积向量之和,PDPf,i表示在指定阈值f1下第i个样本的大片率预测值。
针对第二阈值集中每个指定阈值的中片率预测值等于大于该指定阈值且小于大片的特征面积阈值的烟叶样本对应的烟叶面积向量之和与针对第二阈值集中所有指定阈值的烟叶样本对应的烟叶面积向量之和。
具体地,针对第二阈值集中每个指定阈值的中片率预测值如公式(3)所示:
其中,Areai表示第i个烟叶样本的图像烟叶面积向量,length(Areai)表示烟叶面积向量Areai的数据个数,表示Areai所有大于指定阈值f2且小于T_DP的面积之和,表示Areai所有烟叶样本对应的烟叶面积向量之和,PZPf1,i表示在指定阈值f2下第i个样本的中片率预测值。
针对第三阈值集中每个指定阈值的小片率预测值等于大于该指定阈值且小于中片的特征面积阈值的烟叶样本对应的烟叶面积向量之和与针对第三阈值集中所有指定阈值的烟叶样本对应的烟叶面积向量之和。
具体地,针对第三阈值集中每个指定阈值f3的小片率预测值如公式(4)所示:
针对第一阈值集中每个指定阈值的大片率误差等于针对第一阈值集中每个指定阈值的大片率预测值与预先经过振筛筛网分别检测称重所获取烟叶样本对应的大片率数据之差。
具体地,针对第一阈值集中每个指定阈值的大片率误差,表示如公式(5)所示:
DP_SEi,f1=PDPf1,i-DPi 公式(5)
其中,DPi表示为预先经过振筛筛网分别检测称重所获取第i个烟叶样本对应的大片率数据。对同一阈值f1不同样本的大片率预测值绝对误差求平均值得到阈值f1下的大片率预测误差 DP_SEi,f,画出不同阈值f1误差的分布曲线,最小的大片率误差对应的指定阈值T_DP为大片的特征面积阈值。
针对第二阈值集中每个指定阈值的中片率误差等于针对第二阈值集中每个指定阈值的中片率预测值与预先经过振筛筛网分别检测称重所获取烟叶样本对应的中片率数据之差。
具体地,针对第二阈值集中每个指定阈值的中片率误差,表示如公式(6)所示:
ZP_SEi,f2=PZPf2,i-ZPi 公式(6)
其中,ZPi表示为预先经过振筛筛网分别检测称重所获取第i个烟叶样本对应的中片率数据。对同一阈值f2不同样本的中片率预测值绝对误差求平均值得到阈值f2下的大片率预测误差 ZP_SEi,f,画出不同阈值f2误差的分布曲线,最小的中片率误差对应的指定阈值T_ZP为中片的特征面积阈值。
针对第三阈值集中每个指定阈值的小片率误差等于针对第三阈值集中每个指定阈值的小片率预测值与预先经过振筛筛网分别检测称重所获取烟叶样本对应的小片率数据之差。
具体地,针对第三阈值集中每个指定阈值的中片率误差,表示如公式(7)所示:
XP_SEi,f2=PXPf3,i-XPi 公式(7)
其中,XPi表示为预先经过振筛筛网分别检测称重所获取第i个烟叶样本对应的小片率数据。对同一阈值f3不同样本的小片率预测值绝对误差求平均值得到阈值f3下的大片率预测误差 XP_SEi,f3,画出不同阈值f3误差的分布曲线,最小的小片率误差对应的指定阈值T_XP为小片的特征面积阈值。
例如,获取每个样本对应的机器视觉所测烟叶面积Area1,Area2,...Area9,Area_min=50,以及最大值Area_max=39278;同一阈值f1∈[50,39278]不同样本的大片率的预测值误差求平均值得到阈值f1下的大片率预测误差DP_SEf,不同阈值f1大片率的预测误差曲线,误差最小的值对应的阈值T_DP=1942,即为大片的特征面积,所测图像中面积大于1942的即为所属大片的烟叶。
构建中片率的模型,获取每个样本对应的机器视觉所测烟叶面积Area1,Area2,...Area9,Area_min=50,以及最大值Area_max=39278;同一阈值f2∈[50,1942]不同样本的中片率的预测值误差求平均值得到阈值f2下的中片率预测误差ZP_SEf1,绘制不同阈值f2中片率的预测误差曲线,误差最小的值对应的阈值T_ZP=378,即为中片的特征面积,所测图像中面积大于该378且小于1942的即为所属中片的烟叶。
获取每个样本对应的机器视觉所测烟叶面积Area1,Area2,...Area9,Area_min=50,以及最大值Area_max=39278;同一阈值f3∈[50,378]不同样本的中片率的预测值误差求平均值得到阈值f2下的小片率预测误差XP_SEf2,绘制不同阈值f3小片率的预测误差曲线,误差最小的值对应的阈值T_XP=98,即为小片的特征面积,所测图像中面积大于该98且小于378的即为所属小片的烟叶。
S16,根据烟叶图像的特征面积、大片的特征面积阈值、中片的特征面积阈值及小片的特征面积阈值,对烟叶样本的类型进行判定。
具体地,若烟叶图像的特征面积大于等于所述大片的特征面积阈值([T_DP,+∞)),则判定该烟叶为大叶。
若烟叶图像的特征面积小于大片的特征面积阈值,大于等于中片的特征面积阈值([T_ZP, T_DP]),则判定该烟叶为中叶;
若烟叶图像的特征面积小于中片的特征面积阈值,大于等于小片的特征面积阈值([T_XP,T_ZP]),则判定烟叶为小叶。
S17,小叶、中叶及大叶特征面积和与所有烟叶的特征面积相比,以获取基于机器视觉预测的小片率,中片率,大片率。
在本实施例中,把同一样本反复运用振筛分离,重复多次,分别获取图像。每次运用所属烟叶特征面积计算的大片率,中片率,与小片率的各自标偏,标偏越小说明特征面积越稳定。
在烤前与烤后分别取样,两个工艺段为同类型样本,但皱缩有明显的区别,观察所测烟叶图像面积在同一特征区间两批样本面积的差异性,差异性一定程度上说明了烤后的样本较烤前样本的皱缩情况。
本实施例还提供一种介质(亦称为计算机可读存储介质),其上存储有计算机程序,该计算机程序被处理器执行时实现所述基于机器视觉的叶片结构检测方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述叶片结构检测方法实施例的步骤;而前述的存储介质包括:ROM、 RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例所述基于机器视觉的叶片结构检测方法具有以下有益效果:
第一,本实施例所述检测方法主要是运用机器视觉在线检测,测量一个标准重量下的样本时间基本在3分钟,而且可以提供叶片结构的实时数据,获取了大量的有效叶片结构样本数据,为打叶复考的工艺工序监测提供了有支撑的代表性样本数据;
第二,本实施例所述检测方法检测叶片结构的方法的主要思想在于求出各个传统叶片结构的特征面积,然后把叶片结构的重量比转换成图像的面积比,根据面积比预测出在线的叶片结构,面积比更能够突出烟叶的实际片型大小,一定程度上解决筛网的筛分效率的问题;
第三,本实施例所述检测方法核心点在于所属烟叶叶片结构特征面积的求解,为估测传统振筛筛网的筛分效率提供了一种新的思路。
实施例二
本实施例提供一种基于机器视觉的叶片结构检测系统,包括:
第一获取模块,用于获取烟叶样本的原始烟叶图像;
二值化处理模块,用于对所述原始烟叶图像进行二值化处理,以形成二值化烟叶图像;
第二获取模块,用于通过计算二值化烟叶图像中连通区域的区域信息,获取烟叶样本对应的机器视觉所测烟叶像素面积向量;
阈值集定义模块,用于基于烟叶样本对应的机器视觉所测烟叶像素面积向量及预先经过振筛筛网分别检测称重所获取烟叶样本对应的大片率数据、中片率数据及小片率数据,定义与所述大片率数据对应的第一阈值集,与所述中片率数据对应的第二阈值集及与所述小片率数据对应的第三阈值集;
计算模块,用于分别计算针对第一阈值集中每个指定阈值的大片率预测值,针对第二阈值集中每个指定阈值的中片率预测值及针对第三阈值集中每个指定阈值的小片率预测值,并计算针对第一阈值集中每个指定阈值的大片率误差,针对第二阈值集中每个指定阈值的中片率误差及针对第三阈值集中每个指定阈值的小片率误差;其中,最小的大片率误差为大片的特征面积阈值、最小的中片率误差为中片的特征面积阈值、最小的小片率误差为小片的特征面积阈值;
判定模块,用于根据烟叶图像的特征面积、大片的特征面积阈值、中片的特征面积阈值及小片的特征面积阈值,对烟叶样本的类型进行判定。
以下将结合图示对本实施例所提供的基于机器视觉的叶片结构检测系统进行详细描述。需要说明的是,应理解以下检测系统的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现,也可以全部以硬件的形式实现,还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如:x模块可以为单独设立的处理元件,也可以集成在下述检测系统的某一个芯片中实现。此外,x模块也可以以程序代码的形式存储于下述检测系统的存储器中,由下述检测系统的某一个处理元件调用并执行以下x模块的功能。其它模块的实现与之类似。这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以下各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。以下这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific IntegratedCircuit,简称ASIC),一个或多个微处理器(Digital Singnal Processor,简称DSP),一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。当以下某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,如中央处理器(Central Processing Unit,简称CPU) 或其它可以调用程序代码的处理器。这些模块可以集成在一起,以片上系统(System-on-a-chip,简称SOC)的形式实现。
请参阅图6,显示为基于机器视觉的叶片结构检测系统于一实施例中的原理结构示意图。如图6所示,所述基于机器视觉的叶片结构检测系统7具体包括:第一获取模块71、二值化处理模块72、第二获取模块73、定义模块74、计算模块75及判定模块76。
所述第一获取模块71用于获取烟叶样本的原始烟叶图像I。
与所述第一获取模块71耦合的二值化处理模块72用于对所述原始烟叶图像进行二值化处理,以形成二值化烟叶图像。
所述二值化处理模块72具体用于对原始烟叶图像进行标准差滤波,以获取每个原始烟叶图像的RGB空间;分别获取色彩空间RGB,把R、G、B通道的颜色分别转换成颜色向量,绘制烟叶与背景的R、G、B上的色彩分布的正态分布曲线;将烟叶与背景色彩分布差异最大的通道确定为图像的分割指标X,及将烟叶与背景色彩分布最大程度分离的值确定为分割指标的分割阈值Y;利用所述分割指标和分割阈值对每个图像进行二值化处理,以形成二值化烟叶图像的集合。
与所述二值化处理模块72耦合的第二获取模块73用于通过计算二值化烟叶图像中连通区域的区域信息,获取烟叶样本对应的机器视觉所测烟叶像素面积向量。在本实施例中,所述二值化烟叶图像中连通区域的区域信息包括二值化烟叶图像中每个连通区域的区域面积、边缘曲线和/或中心点,单幅图像的每个连通区域的像素面积为Area0。其中,二值化烟叶图像中每个连通区域的区域面积之和为烟叶样本对应的机器视觉所测烟叶像素面积向量。
与所述第二获取模块73耦合的定义模块74用于基于烟叶样本(m个样本)对应的机器视觉所测烟叶像素面积向量Area1,Area2,...Aream及预先经过振筛筛网分别检测称重所获取烟叶样本对应的大片率数据DP1,DP2,...DPm、中片率数据ZP1,ZP2,...ZPm、小片率数据XP1,XP2,...XPm及碎片率数据SP1,SP2,...SPm,定义与所述大片率数据对应的第一阈值集,与所述中片率数据对应的第二阈值集及与所述小片率数据对应的第三阈值集。
具体地,从Area1,Area2,...Aream中选取烟叶样本对应的机器视觉所测烟叶像素面积向量中的最小值Area_min以及烟叶样本对应的机器视觉所测烟叶像素面积向量中的最大值 Area_max。
定义的第一阈值集中每个指定阈值f1等于[烟叶样本对应的机器视觉所测烟叶像素面积向量中的最小值:1:烟叶样本对应的机器视觉所测烟叶像素面积向量的最大值];
f1表示为:f1=[Area_min:1:Area_max]。
定义的第二阈值集中每个指定阈值f2等于[烟叶样本对应的机器视觉所测烟叶像素面积向量中的最小值:1:大片的特征面积阈值];
f2表示为:f2=[Area_min:1:T_DP],其中,T_DP为大片的特征面积阈值。
定义的第三阈值集中每个指定阈值f3等于[烟叶样本对应的机器视觉所测烟叶像素面积向量中的最小值:1:中片的特征面积阈值]。
f3表示为:f3=[Area_min:1:T_ZP]。其中,T_ZP为中片的特征面积阈值。
与所述第二获取模块73和定义模块74耦合的计算模块75用于分别计算针对第一阈值集中每个指定阈值的大片率预测值,针对第二阈值集中每个指定阈值的中片率预测值及针对第三阈值集中每个指定阈值的小片率预测值,并计算针对第一阈值集中每个指定阈值的大片率误差,针对第二阈值集中每个指定阈值的中片率误差及针对第三阈值集中每个指定阈值的小片率误差;其中,最小的大片率误差为大片的特征面积阈值、最小的中片率误差为中片的特征面积阈值、最小的小片率误差为小片的特征面积阈值。
其中,针对第一阈值集中每个指定阈值的大片率预测值等于大于该指定阈值的烟叶样本对应的烟叶面积向量之和与针对第一阈值集中所有指定阈值的烟叶样本对应的烟叶面积向量之和。
针对第二阈值集中每个指定阈值的中片率预测值等于大于该指定阈值且小于大片的特征面积阈值的烟叶样本对应的烟叶面积向量之和与针对第二阈值集中所有指定阈值的烟叶样本对应的烟叶面积向量之和。
针对第三阈值集中每个指定阈值的小片率预测值等于大于该指定阈值且小于中片的特征面积阈值的烟叶样本对应的烟叶面积向量之和与针对第三阈值集中所有指定阈值的烟叶样本对应的烟叶面积向量之和。
针对第一阈值集中每个指定阈值的大片率误差等于针对第一阈值集中每个指定阈值的大片率预测值与预先经过振筛筛网分别检测称重所获取烟叶样本对应的大片率数据之差。
针对第二阈值集中每个指定阈值的中片率误差等于针对第二阈值集中每个指定阈值的中片率预测值与预先经过振筛筛网分别检测称重所获取烟叶样本对应的中片率数据之差。
针对第三阈值集中每个指定阈值的小片率误差等于针对第三阈值集中每个指定阈值的小片率预测值与预先经过振筛筛网分别检测称重所获取烟叶样本对应的小片率数据之差。
与所述计算模块75耦合的判定模块76用于根据烟叶图像的特征面积、大片的特征面积阈值、中片的特征面积阈值及小片的特征面积阈值,对烟叶样本的类型进行判定。
具体地,所述判定模块76用于若烟叶图像的特征面积大于等于所述大片的特征面积阈值,则判定该烟叶为大叶;若烟叶图像的特征面积小于大片的特征面积阈值,大于等于中片的特征面积阈值,则判定该烟叶为中叶;若烟叶图像的特征面积小于中片的特征面积阈值,大于等于小片的特征面积阈值,则判定烟叶为小叶。
与所述计算模块75还用于将小叶、中叶及大叶特征面积和与所有烟叶的特征面积相比,以获取基于机器视觉预测的小片率,中片率,大片率。
实施例三
本实施例提供一种设备,所述设备包括:处理器、存储器、收发器、通信接口或/和系统总线;存储器和通信接口通过系统总线与处理器和收发器连接并完成相互间的通信,存储器用于存储计算机程序,通信接口用于和其他设备进行通信,处理器和收发器用于运行计算机程序,使设备执行如上基于机器视觉的叶片结构检测方法的各个步骤。
上述提到的系统总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称 PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。通信接口用于实现数据库访问装置与其他设备(如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器 (Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)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。
本发明所述的基于机器视觉的叶片结构检测方法的保护范围不限于本实施例列举的步骤执行顺序,凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明还提供一种基于机器视觉的叶片结构检测系统,所述基于机器视觉的叶片结构检测系统可以实现本发明所述的基于机器视觉的叶片结构检测方法,但本发明所述的基于机器视觉的叶片结构检测方法的实现装置包括但不限于本实施例列举的基于机器视觉的叶片结构检测系统的结构,凡是根据本发明的原理所做的现有技术的结构变形和替换,都包括在本发明的保护范围内。
综上所述,本发明所提供的基于机器视觉的叶片结构检测方法、系统、介质及设备具有以下有益效果:
第一,本发明主要是运用机器视觉在线检测,测量一个标准重量下的样本时间基本在3 分钟,而且可以提供叶片结构的实时数据,获取了大量的有效叶片结构样本数据,为打叶复考的工艺工序监测提供了有支撑的代表性样本数据;
第二,本发明检测叶片结构的方法的主要思想在于求出各个传统叶片结构的特征面积,然后把叶片结构的重量比转换成图像的面积比,根据面积比预测出在线的叶片结构,面积比更能够突出烟叶的实际片型大小,一定程度上解决筛网的筛分效率的问题;
第三,本发明核心点在于所属烟叶叶片结构特征面积的求解,为估测传统振筛筛网的筛分效率提供了一种新的思路。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 (10)
1.一种基于机器视觉的叶片结构检测方法,其特征在于,包括:
获取烟叶样本的原始烟叶图像;
对所述原始烟叶图像进行二值化处理,以形成二值化烟叶图像;
通过计算二值化烟叶图像中连通区域的区域信息,获取烟叶样本对应的机器视觉所测烟叶像素面积向量;
基于烟叶样本对应的机器视觉所测烟叶像素面积向量及预先经过振筛筛网分别检测称重所获取烟叶样本对应的大片率数据、中片率数据及小片率数据,定义与所述大片率数据对应的第一阈值集,与所述中片率数据对应的第二阈值集及与所述小片率数据对应的第三阈值集;
分别计算针对第一阈值集中每个指定阈值的大片率预测值,针对第二阈值集中每个指定阈值的中片率预测值及针对第三阈值集中每个指定阈值的小片率预测值,并计算针对第一阈值集中每个指定阈值的大片率误差,针对第二阈值集中每个指定阈值的中片率误差及针对第三阈值集中每个指定阈值的小片率误差;其中,最小的大片率误差对应的指定阈值为大片的特征面积阈值、最小的中片率误差对应的指定阈值为中片的特征面积阈值、最小的小片率误差对应的指定阈值为小片的特征面积阈值;
根据烟叶图像的特征面积、大片的特征面积阈值、中片的特征面积阈值及小片的特征面积阈值,对烟叶样本的类型进行判定。
2.根据权利要求1所述的基于机器视觉的叶片结构检测方法,其特征在于,所述对所述原始烟叶图像集合进行二值化处理,以形成二值化烟叶图像的集合的步骤包括:
对原始烟叶图像进行标准差滤波,以获取每个原始烟叶图像的RGB空间;
将烟叶与背景色彩分布差异最大的通道确定为图像的分割指标,及将烟叶与背景色彩分布最大程度分离的值确定为分割指标的分割阈值;
利用所述分割指标和分割阈值对每个图像进行二值化处理,以形成二值化烟叶图像的集合。
3.根据权利要求2所述的基于机器视觉的叶片结构检测方法,其特征在于,所述二值化烟叶图像中连通区域的区域信息包括二值化烟叶图像中每个连通区域的区域面积、边缘曲线和/或中心点;其中,二值化烟叶图像中每个连通区域的区域面积之和为烟叶样本对应的机器视觉所测烟叶像素面积向量。
4.根据权利要求2所述的基于机器视觉的叶片结构检测方法,其特征在于,
第一阈值集中每个指定阈值等于[烟叶样本对应的机器视觉所测烟叶像素面积向量中的最小值:1:烟叶样本对应的机器视觉所测烟叶像素面积向量的最大值];
第二阈值集中每个指定阈值等于[烟叶样本对应的机器视觉所测烟叶像素面积向量中的最小值:1:大片的特征面积阈值];
第三阈值集中每个指定阈值等于[烟叶样本对应的机器视觉所测烟叶像素面积向量中的最小值:1:中片的特征面积阈值]。
5.根据权利要求4所述的基于机器视觉的叶片结构检测方法,其特征在于,
针对第一阈值集中每个指定阈值的大片率预测值等于大于该指定阈值的烟叶样本对应的烟叶面积向量之和与针对第一阈值集中所有指定阈值的烟叶样本对应的烟叶面积向量之和;
针对第二阈值集中每个指定阈值的中片率预测值等于大于该指定阈值且小于大片的特征面积阈值的烟叶样本对应的烟叶面积向量之和与针对第二阈值集中所有指定阈值的烟叶样本对应的烟叶面积向量之和;
针对第三阈值集中每个指定阈值的小片率预测值等于大于该指定阈值且小于中片的特征面积阈值的烟叶样本对应的烟叶面积向量之和与针对第三阈值集中所有指定阈值的烟叶样本对应的烟叶面积向量之和;
针对第一阈值集中每个指定阈值的大片率误差等于针对第一阈值集中每个指定阈值的大片率预测值与预先经过振筛筛网分别检测称重所获取烟叶样本对应的大片率数据之差;
针对第二阈值集中每个指定阈值的中片率误差等于针对第二阈值集中每个指定阈值的中片率预测值与预先经过振筛筛网分别检测称重所获取烟叶样本对应的中片率数据之差;
针对第三阈值集中每个指定阈值的小片率误差等于针对第三阈值集中每个指定阈值的小片率预测值与预先经过振筛筛网分别检测称重所获取烟叶样本对应的小片率数据之差。
6.根据权利要求5所述的基于机器视觉的叶片结构检测方法,其特征在于:所述根据烟叶图像的特征面积、大片的特征面积阈值、中片的特征面积阈值及小片的特征面积阈值,对烟叶样本的类型进行判定的步骤包括:
若烟叶图像的特征面积大于等于所述大片的特征面积阈值,则判定该烟叶为大叶;
若烟叶图像的特征面积小于大片的特征面积阈值,大于等于中片的特征面积阈值,则判定该烟叶为中叶;
若烟叶图像的特征面积小于中片的特征面积阈值,大于等于小片的特征面积阈值,则判定烟叶为小叶。
7.根据权利要求6所述的基于机器视觉的叶片结构检测方法,其特征在于:所述基于机器视觉的叶片结构检测方法还包括:
小叶、中叶及大叶特征面积和与所有烟叶的特征面积相比,以获取基于机器视觉预测的小片率,中片率,大片率。
8.一种基于机器视觉的叶片结构检测系统,其特征在于,包括:
第一获取模块,用于获取烟叶样本的原始烟叶图像;
二值化处理模块,用于对所述原始烟叶图像进行二值化处理,以形成二值化烟叶图像;
第二获取模块,用于通过计算二值化烟叶图像中连通区域的区域信息,获取烟叶样本对应的机器视觉所测烟叶像素面积向量;
阈值集定义模块,用于基于烟叶样本对应的机器视觉所测烟叶像素面积向量及预先经过振筛筛网分别检测称重所获取烟叶样本对应的大片率数据、中片率数据及小片率数据,定义与所述大片率数据对应的第一阈值集,与所述中片率数据对应的第二阈值集及与所述小片率数据对应的第三阈值集;
计算模块,用于分别计算针对第一阈值集中每个指定阈值的大片率预测值,针对第二阈值集中每个指定阈值的中片率预测值及针对第三阈值集中每个指定阈值的小片率预测值,并计算针对第一阈值集中每个指定阈值的大片率误差,针对第二阈值集中每个指定阈值的中片率误差及针对第三阈值集中每个指定阈值的小片率误差;其中,最小的大片率误差为大片的特征面积阈值、最小的中片率误差为中片的特征面积阈值、最小的小片率误差为小片的特征面积阈值;
判定模块,用于根据烟叶图像的特征面积、大片的特征面积阈值、中片的特征面积阈值及小片的特征面积阈值,对烟叶样本的类型进行判定。
9.一种介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至7中任一项所述基于机器视觉的叶片结构检测方法。
10.一种设备,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述设备执行如权利要求1至7中任一项所述基于机器视觉的叶片结构检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811346013.9A CN109829943B (zh) | 2018-11-13 | 2018-11-13 | 基于机器视觉的叶片结构检测方法、系统、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811346013.9A CN109829943B (zh) | 2018-11-13 | 2018-11-13 | 基于机器视觉的叶片结构检测方法、系统、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829943A true CN109829943A (zh) | 2019-05-31 |
CN109829943B CN109829943B (zh) | 2023-02-10 |
Family
ID=66859174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811346013.9A Active CN109829943B (zh) | 2018-11-13 | 2018-11-13 | 基于机器视觉的叶片结构检测方法、系统、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829943B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109645547A (zh) * | 2019-01-25 | 2019-04-19 | 云南烟叶复烤有限责任公司 | 一种采用动态调节框栏打叶的打叶方法 |
CN110345874A (zh) * | 2019-08-16 | 2019-10-18 | 上海创和亿电子科技发展有限公司 | 一种基于机器视觉检测技术测量烟丝宽度的新方法 |
CN111058182A (zh) * | 2019-12-25 | 2020-04-24 | 杭州晶一智能科技有限公司 | 基于投影区域统计的纱线状态检测方法 |
CN113139951A (zh) * | 2021-05-08 | 2021-07-20 | 上海烟草集团有限责任公司 | 片烟属性的表征方法、系统、设备及计算机可读存储介质 |
WO2023226103A1 (zh) * | 2022-05-23 | 2023-11-30 | 云南中烟工业有限责任公司 | 一种打叶复烤风分过程中叶片结构测量方法及风分器出叶量测量方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103743486A (zh) * | 2014-01-02 | 2014-04-23 | 上海大学 | 一种基于海量烟叶数据的自动定级系统和方法 |
CN104914105A (zh) * | 2015-06-09 | 2015-09-16 | 中国农业科学院茶叶研究所 | 一种基于图像识别技术的茶叶等级鉴定方法 |
CN105091756A (zh) * | 2015-08-31 | 2015-11-25 | 中国烟草总公司广东省公司 | 一种烟叶分级中烟叶长度的检测方法 |
CN106446968A (zh) * | 2016-11-22 | 2017-02-22 | 湖北民族学院 | 基于fpga的烟叶自动分级系统 |
CN108229065A (zh) * | 2018-02-06 | 2018-06-29 | 北京林业大学 | 一种基于木本植物叶片表型特征的净光合速率预测模型的构建方法和预测方法 |
CN108335311A (zh) * | 2018-01-22 | 2018-07-27 | 上海烟草集团有限责任公司 | 烟叶形态结构特征的提取方法、电子设备及存储介质 |
-
2018
- 2018-11-13 CN CN201811346013.9A patent/CN109829943B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103743486A (zh) * | 2014-01-02 | 2014-04-23 | 上海大学 | 一种基于海量烟叶数据的自动定级系统和方法 |
CN104914105A (zh) * | 2015-06-09 | 2015-09-16 | 中国农业科学院茶叶研究所 | 一种基于图像识别技术的茶叶等级鉴定方法 |
CN105091756A (zh) * | 2015-08-31 | 2015-11-25 | 中国烟草总公司广东省公司 | 一种烟叶分级中烟叶长度的检测方法 |
CN106446968A (zh) * | 2016-11-22 | 2017-02-22 | 湖北民族学院 | 基于fpga的烟叶自动分级系统 |
CN108335311A (zh) * | 2018-01-22 | 2018-07-27 | 上海烟草集团有限责任公司 | 烟叶形态结构特征的提取方法、电子设备及存储介质 |
CN108229065A (zh) * | 2018-02-06 | 2018-06-29 | 北京林业大学 | 一种基于木本植物叶片表型特征的净光合速率预测模型的构建方法和预测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109645547A (zh) * | 2019-01-25 | 2019-04-19 | 云南烟叶复烤有限责任公司 | 一种采用动态调节框栏打叶的打叶方法 |
CN110345874A (zh) * | 2019-08-16 | 2019-10-18 | 上海创和亿电子科技发展有限公司 | 一种基于机器视觉检测技术测量烟丝宽度的新方法 |
CN111058182A (zh) * | 2019-12-25 | 2020-04-24 | 杭州晶一智能科技有限公司 | 基于投影区域统计的纱线状态检测方法 |
CN113139951A (zh) * | 2021-05-08 | 2021-07-20 | 上海烟草集团有限责任公司 | 片烟属性的表征方法、系统、设备及计算机可读存储介质 |
CN113139951B (zh) * | 2021-05-08 | 2022-11-22 | 上海烟草集团有限责任公司 | 片烟属性的表征方法、系统、设备及计算机可读存储介质 |
WO2023226103A1 (zh) * | 2022-05-23 | 2023-11-30 | 云南中烟工业有限责任公司 | 一种打叶复烤风分过程中叶片结构测量方法及风分器出叶量测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109829943B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829943A (zh) | 基于机器视觉的叶片结构检测方法、系统、介质及设备 | |
WO2019233189A1 (zh) | 一种传感网络异常数据检测方法 | |
Silvén et al. | Wood inspection with non-supervised clustering | |
CN109086799A (zh) | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 | |
CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
CN112580664A (zh) | 一种基于ssd网络的小目标检测方法 | |
CN108470172A (zh) | 一种文本信息识别方法及装置 | |
CN110189256A (zh) | 一种全景图像拼接方法、计算机可读存储介质及全景相机 | |
CN110991506B (zh) | 一种车辆品牌识别方法、装置、设备及存储介质 | |
CN109597968A (zh) | 基于smt大数据的锡膏印刷性能影响因素分析方法 | |
CN108960069A (zh) | 一种用于单阶段物体检测器的增强上下文的方法 | |
CN102722577B (zh) | 指标动态权重的确定方法及装置 | |
CN110417591A (zh) | 投票节点配置方法及系统 | |
CN110148117A (zh) | 基于电力图像的电力设备缺陷识别方法、装置与存储介质 | |
CN110008953A (zh) | 基于卷积神经网络多层特征融合的潜在目标区域生成方法 | |
CN114170161A (zh) | 一种烟支外观缺陷检测方法及系统 | |
CN103383774A (zh) | 图像处理方法及其设备 | |
CN109685097A (zh) | 一种基于gan的图像检测方法及装置 | |
CN108805343A (zh) | 一种基于多元线性回归的科技服务业发展水平预测方法 | |
CN113569830A (zh) | 陈列物品行列位置的确定方法、装置、设备及存储介质 | |
CN113658192B (zh) | 一种多目标行人的轨迹获取方法、系统、装置及介质 | |
CN109426655A (zh) | 数据分析方法、装置、电子设备及计算机可读存储介质 | |
CN109948393A (zh) | 一种一维条码的定位方法及装置 | |
CN105956544B (zh) | 一种基于结构指数特征的遥感影像道路交叉口提取的方法 | |
CN108665421A (zh) | 人脸图像高光分量去除装置和方法、存储介质产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |