CN110415181B - 一种开放环境下烤烟rgb图像智能识别及等级判定方法 - Google Patents
一种开放环境下烤烟rgb图像智能识别及等级判定方法 Download PDFInfo
- Publication number
- CN110415181B CN110415181B CN201910506974.XA CN201910506974A CN110415181B CN 110415181 B CN110415181 B CN 110415181B CN 201910506974 A CN201910506974 A CN 201910506974A CN 110415181 B CN110415181 B CN 110415181B
- Authority
- CN
- China
- Prior art keywords
- image
- color
- flue
- function
- cured 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.)
- Active
Links
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 102
- 241000208125 Nicotiana Species 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005520 cutting process Methods 0.000 claims abstract description 33
- 238000012216 screening Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 4
- 239000000919 ceramic Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000007639 printing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- LFULEKSKNZEWOE-UHFFFAOYSA-N propanil Chemical compound CCC(=O)NC1=CC=C(Cl)C(Cl)=C1 LFULEKSKNZEWOE-UHFFFAOYSA-N 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000003892 spreading Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 3
- 238000007427 paired t-test Methods 0.000 claims 1
- 238000001454 recorded image Methods 0.000 claims 1
- 238000009826 distribution Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 34
- 238000005516 engineering process Methods 0.000 description 7
- 235000019504 cigarettes Nutrition 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010832 independent-sample T-test Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种开放环境下烤烟RGB图像智能识别及等级判定方法，属于烟叶评估领域，综合HSV颜色阈值切割、边缘识别切割、RGB颜色阈值切割、区域面积筛选、叶形识别切割等，提出开放环境烤烟图像自动切割算法。通过比对分析了B2F、C3F等级叶片在叶色Red、Green、blue、Gray通道中叶色分布情况，采用百分位数区间估计确定其参考区间，建立B2F、C3F叶色特征参数区间表，并综合开放环境烤烟图像自动切割算法、叶色参数提取算法等，构建形成烤烟等级智能判定系统，并对其判定准确度进行分析；以期能够为烟叶生产、分级人员提供一种具有高效、精确、方便、适用范围广的烤烟等级智能判定方法。
Description
技术领域
本发明属于烟叶评估技术领域，具体涉及一种开放环境下烤烟RGB图像智能识别及等级判定方法。
背景技术
烟草(Nicotiana Tabacum L.)是我国主要经济作物之一，其收购价格主要通过烤烟等级确定。目前我国采用的是42级国家烤烟分级标准(GB2635-92Flue-Cured tobacco)，共分为8个正组、5个副组，并通过烟叶的成熟度、叶片结构、身份、油分、色度、长度、残伤等七个外观品级因素将其区分为42个等级。我国目前烤烟分级收购仍以人工为主，依靠分级人员的主观评价及感官经验来定级，存在劳动强度大、工作效率低、人工成本高、等级纯度不稳定等问题，而等级纯度不稳定影响了卷烟工业的均质化生产及成品烟质量控制。随着计算机技术的发展，采用自动智能技术替代人工对烟叶进行等级划分成为烟草工业化发展的趋势。目前研究人员通过对烤烟不同等级叶色、叶型、多光谱特征研究，提出了一系列的自动化分级方案，如，庄珍珍等提出基于机器视觉及模糊综合评判方法方法，刘剑君等提出了将烟叶的红外光谱作为烟叶的分级特征，马文杰等基于烤烟透射特征分级方法，宾俊等提出了基于NIR光谱技术及极限学习机(ELM)的初烤烟叶快速分级方案。这些研究成果所采用的图像采集设备主要有红外扫描仪、工业CCD相机等，采集环境多为黑箱取样或者封闭纯色流水线，而在开放环境中，这些方案均无法实现自动对叶片的识别并去除背景干扰，加之设备昂贵、体积大、分析运算所需时长较长，限制了烟叶智能化分级方法在烟叶初分及基层烟草站分级定级推广应用。
发明内容
本发明的目的在于提供一种开放环境下烤烟RGB图像智能识别及等级判定方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种开放环境下烤烟RGB图像智能识别方法，该烤烟RGB图像智能识别方法通过MATLAB 2016R软件进行图像识别，具体包括如下步骤：
S1、图像采集，对目标叶片进行拍摄，得到原始图像；
S2、HSV颜色切割，将叶片原始图像通过rgb2hsv函数转化为HSV色彩空间模式，采用双循环算法，将图像中H通道的烤烟色彩范围值外的V通道饱和度值设为0；将处理后的图像通过hsv2rgb转化为RGB色彩空间模式；
S3、边缘识别切割，将S1中得到的RGB图像通过rgb2gray函数转化为灰度图像，通过edge函数canny算子对烤烟叶片边缘进行切割，通过strel和imdilate函数对图像进行膨胀操作，填补边缘缝隙，通过imfill函数对空隙填充后通过imerode函数利用菱形结构元素对图像进行平滑，通过medfilt2进行中值滤波；
S4、面积筛选切割，将S2中得到的图像通过bwlabel函数寻找连通成分且用唯一数字标识，通过regionprops函数获取连通域的面积，通过find函数找到最大连通域的索引值，并通过ismember函数将最大连通域索引值所对应的区域保存为二值图；
S5、目标图像复原，运用双循环算法将S3中所得图像二值图中黑色部分填充白色后形成背景蒙版，将原图作为底图，与背景蒙版进行图像加法运算，形成具有白色背景及目标图像彩色图像的JPG图片；
S6、RGB色彩阈值切割及背景透明化处理，运用双循环算法将S5中所复原后的JPG图片通过RGB色彩阈值再次进行切割，将阴影及白色背景透明度调整为0，得到透明背景的目标叶片彩色图像PNG图片；
S7、叶形识别，将S6中得到的PNG图像通过rgb2gray函数转化为灰度图像，通过im2bw函数二值化，通过regionprops函数获取连通域的相关参数，并通过rectangle画出最小外接矩阵及叶形轮廓描边，通过cell2mat提取最小外接矩阵X、Y维度长度，算出长宽比及最小外接矩阵面积；
S8、不同色彩通道色阶信息矩阵提取，通过imread函数读取切割后的彩色图像，分别通过image(:,:,1)、image(:,:,2)、image(:,:,3)、rgb2gray函数提取叶片彩色图像Red、Green、Blue、Gray四个色彩通道的像素色阶，并组成色阶矩阵，再通过double函数将色阶数组转化为双精度数组。运用全循环算法检索记录图像中非黑部分像素索引码，将其组合为新的色阶矩阵，该数组即为无软件特性干扰的叶片色阶信息矩阵；
S9、不同色彩通道色阶均值提取，运用Mean函数分别获取Red、Green、Blue、Gray通道的色阶均值；
S10、色阶累积直方图构建，运用imhist函数获取色阶累积直方图；
S11、数据分析，采用Excel软件整理数据，采用IBM SPSS Statistics 22软件对数据进行相关分析、配对T检验、回归分析、模型构建及拟合优度分析；采用MATLAB 2016软件对不同等级的叶色均值、叶形参数进行百分位数法区间估计。
优选的，所述S1中，图像采集的照明光源为室内20W白色LED灯组9组，色温为5000K，采用型号为CANON EOS-550D的高分倍率照相机进行垂直拍摄，具体包括如下步骤：
S101、在瓷砖地面铺设哑光A3打印纸，并将烟叶无展叶、自然水平的放置在A3纸上；
S102、采用M挡无闪光拍摄，ISO值为100，光圈f/5，快门1/60秒，焦距41mm，白平衡设为自动，数字图像分辨率为5184*3456。
优选的，所述照相机镜头距离采集平面100cm。
本发明还提供一种开放环境下烤烟RGB图像等级判定方法，该等级判定方法包括如下步骤：
a)根据不同等级的叶色均值、叶形参数进行百分位数法区间估计，确定B2F等级和C3F等级的百分位数法区间；
b)采用循环四重判断算法，分别对每一个图像Red、Green、Blue、Gray通道的色阶均值与B2F与C3F特征参数值进行比对判断；
c)确定烤烟的等级。
与现有技术相比，本发明的有益效果是：本发明综合HSV颜色阈值切割、边缘识别切割、RGB颜色阈值切割、区域面积筛选、叶形识别切割等，提出开放环境烤烟图像自动切割算法。通过比对分析了B2F、C3F等级叶片在叶色Red、Green、blue、Gray通道中叶色分布情况，采用百分位数区间估计确定其参考区间，建立B2F、C3F叶色特征参数区间表，并综合开放环境烤烟图像自动切割算法、叶色参数提取算法等，构建形成烤烟等级智能判定系统，并对其判定准确度进行分析。以期能够为烟叶生产、分级人员提供一种具有高效、精确、方便、适用范围广的烤烟等级智能判定方法。
附图说明
图1为本发明的开放环境烤烟图像自动切割算法示意图；
图2为本发明的开放环境烤烟图像自动切割算法环境干扰消除示意图；
图3为本发明的烤烟不同部位色阶均值分布直方图；
图4为本发明的烤烟不同部位不同通道色阶均值分布图；
图5为本发明的烤烟叶行参数分布图；
图6为本发明中烤烟等级智能判定系统图。
具体实施方式
下面结合实施例对本发明做进一步的描述。
以下实施例用于说明本发明，但不能用来限制本发明的保护范围。实施例中的条件可以根据具体条件做进一步的调整，在本发明的构思前提下对本发明的方法简单改进都属于本发明要求保护的范围。
请参阅图1，本发明提供一种开放环境下烤烟RGB图像智能识别方法，该烤烟RGB图像智能识别方法通过MATLAB 2016R软件进行图像识别，具体包括如下步骤：
S1、图像采集，对目标叶片进行拍摄，得到原始图像，请参阅图1.1；图像采集的照明光源为室内20W白色LED灯组9组，色温为5000K，采用型号为CANON EOS-550D的高分倍率照相机进行垂直拍摄，所述照相机镜头距离采集平面100cm，具体包括如下步骤：
S101、在瓷砖地面铺设哑光A3打印纸，并将烟叶无展叶、自然水平的放置在A3纸上；
S102、采用M挡无闪光拍摄，ISO值为100，光圈f/5，快门1/60秒，焦距41mm，白平衡设为自动，数字图像分辨率为5184*3456；
S2、HSV颜色切割，将叶片原始图像通过rgb2hsv函数转化为HSV色彩空间模式，采用双循环算法，将图像中H通道的烤烟色彩范围值外的V通道饱和度值设为0；将处理后的图像通过hsv2rgb转化为RGB色彩空间模式；
S3、边缘识别切割，将S1中得到的RGB图像通过rgb2gray函数转化为灰度图像，通过edge函数canny算子对烤烟叶片边缘进行切割，通过strel和imdilate函数对图像进行膨胀操作，填补边缘缝隙，通过imfill函数对空隙填充后通过imerode函数利用菱形结构元素对图像进行平滑，通过medfilt2进行中值滤波；
S4、面积筛选切割，将S2中得到的图像通过bwlabel函数寻找连通成分且用唯一数字标识，通过regionprops函数获取连通域的面积，通过find函数找到最大连通域的索引值，并通过ismember函数将最大连通域索引值所对应的区域保存为二值图；
S5、请参阅图1.2，目标图像复原，运用双循环算法将S3中所得图像二值图中黑色部分后填充白色后形成背景蒙版，将原图作为底图，与背景蒙版进行图像加法运算，形成具有白色背景及目标图像彩色图像的JPG图片；
S6、请参阅图1.3，RGB色彩阈值切割及背景透明化处理，运用双循环算法将S5中所复原后的JPG图片通过RGB色彩阈值再次进行切割，将阴影及白色背景透明度调整为0，得到透明背景的目标叶片彩色图像PNG图片；
S7、请参阅图1.4，叶形识别，将S6中得到的PNG图像通过rgb2gray函数转化为灰度图像，通过im2bw函数二值化，通过regionprops函数获取连通域的相关参数，并通过rectangle画出最小外接矩阵及叶形轮廓描边，通过cell2mat提取最小外接矩阵X、Y维度长度，算出长宽比及最小外接矩阵面积；
S8、不同色彩通道色阶信息矩阵提取，通过imread函数读取切割后的彩色图像，分别通过image(:,:,1)、image(:,:,2)、image(:,:,3)、rgb2gray函数提取叶片彩色图像Red、Green、Blue、Gray四个色彩通道的像素色阶，并组成色阶矩阵，再通过double函数将色阶数组转化为双精度数组。运用全循环算法检索记录图像中非黑部分像素索引码，将其组合为新的色阶矩阵，该数组即为无软件特性干扰的叶片色阶信息矩阵；
S9、请参阅图2，不同色彩通道色阶均值提取，运用Mean函数分别获取Red、Green、Blue、Gray通道的色阶均值；
S10、请参阅体3，色阶累积直方图构建，运用imhist函数获取色阶累积直方图；
S11、数据分析，采用Excel软件整理数据，采用IBM SPSS Statistics 22软件对数据进行相关分析、配对T检验、回归分析、模型构建及拟合优度分析；采用MATLAB 2016软件对不同等级的叶色均值、叶形参数进行百分位数法区间估计。
请参阅图4和图5，本发明还提供一种开放环境下烤烟RGB图像等级判定方法，该等级判定方法包括如下步骤：
a)根据不同等级的叶色均值、叶形参数进行百分位数法区间估计，确定B2F等级和C3F等级的百分位数法区间；
b)采用循环四重判断算法，分别对每一个图像Red、Green、Blue、Gray通道的色阶均值与B2F与C3F特征参数值进行比对判断；
c)确定烤烟的等级。
烤烟不同部位等级判定的区间估计分析：
B2F和C3F等级烤烟在叶色上具有较大差距。请参阅图3，在Red通道上，上部叶和中部叶具有不同的波形特征及色阶分布位置。通过对B2F和C3F等级烤烟的Red、Green、Blue、Gray通道的色阶均值进行独立样本T检验(请参阅表1.1和表1.2)及百分位数法区间估计的结果，请参阅图4，B2F和C3F等级烤烟在RGB图像四个色彩通道的色阶均值均呈现显著差异，百分位数25％-75％区间均呈现分离状态；本发明将Red、Green、Blue、Gray通道的色阶均值25％、75％百分位数值作为B2F和C3F等级烤烟参考区间的上、下限。
表1.1烤烟不同部位不同通道色阶均值百分位数法区间估计(1)
注：显著水平α＝0.05；下表同。
表1.2烤烟不同部位不同通道色阶均值百分位数法区间估计(2)
对B2F和C3F等级烤烟叶形参数进行了独立样本T检验及百分位数法区间估计分析。请参阅图5和表2，B2F和C3F等级烤烟的长宽比具有显著差异，百分位数25％-75％区间呈现部分分离状态。而烤烟叶片有效面积占比没有显著差异，其百分位数25％-75％区间未分离状态。由于在实际识别过程中，部分烟叶烘烤后会产生皱缩、扭曲的现象，影响叶形参数，因此，本发明不选择叶形参数作为参考值。综上所述，本发明确定B2F和C3F等级烤烟叶色特征参数如表3所示。
表2烤烟不同部位叶形参数百分位数法区间估计
注：烤烟叶片有效面积占比＝烤烟叶片连通域面积像素点/最小外接矩阵面积。
表3烤烟B2F与C3F叶色特征参数区间
烤烟不同部位等级判定算法实现步骤及精度分析：
烤烟不同部位等级判定算法采用循环四重判断算法，分别对每一个图像Red、Green、Blue、Gray通道的色阶均值与B2F与C3F特征参数值进行比对判断，从而确定其叶片等级。请参阅图6，本发明采用MATLAB将开放环境烤烟图像自动切割算法、叶色参数提取算法、不同部位烤烟特征叶色区间及循环四重判断算法进行综合固化，形成烤烟等级智能判定系统V1.0。
为验证系统判定准确率，本发明采用B2F叶片28片，C3F叶片90片、干扰叶片2片进行系统等级判定。请参阅表4，本发明所提供的系统总体准确率为94.92％，且不受干扰项目影响，符合精准判定需求。
表4烤烟B2F与C3F等级判定准确率
综上所述，以散烟收购的方式代替把烟收购的方式也是烤烟分级推广的应用方向。目前的烟叶自动分级技术大多停留在论证和实验阶段，实际应用中还没有成熟和高效的技术，更没有已经成熟稳定可推广的系统。理想的分级系统应具备简捷、经济、高效、可靠等4方面的优点。利用计算机视觉技术来进行分类，在这4方面都有较为突出的优势，而计算机视觉技术的关键点在于获取可供判决的特征。烟叶自动分级系统可以避免人工与烟叶的直接接触，但同时也就失去了对烟叶从多方面考察的途径(如身份、油份无法通过计算机视觉进行识别)。如何从图像特征中获取足够多、足够可靠的有效信息是难点所在。同时，理想的自动分级系统判别正确率不得低于人工的判别正确率，人工分级的正确率波动虽然较大，但最高可达到91.78％，所以自动分级系统的判别正确率应不低于此。
本发明提出了一种开放环境下的计算机视觉智能识别烟叶的算法；并通过百分位区间估计，确定了B2F及C3F的参数区间，并采用循环四重判断算法，分别对每一个图像Red、Green、Blue、Gray通道的色阶均值与B2F与C3F特征参数值进行比对判断，智能判定其烤烟等级。通过系统固化，实现了92.86％以上的准确率，大于人工分级判别的准确率。该方法具有不受环境因素影响、设备要求低、分析速度快、可靠性高的优点，适用于烟叶初分级、基层烟草站定级使用。由于烟草工业的不断发展，自动化烟叶图像分级系统替代人工分级是大势所趋。在市场需求强烈的背景下，烟叶自动分级系统的面世对其本身必然会带来相应的经济回报，而且随着更多的新技术的突破，烟叶分级的合理化、高效化、简捷化可以适应烟草工业的需要，此对提高广大烟农的积极性、促进烟草种植产业的发展等都具有重大意义。
由于本发明取样有限，仅进行了B2F及C3F两个等级的判定，将在下一阶段研究中进一步完善烤烟等级参数区间。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种开放环境下烤烟RGB图像智能识别方法，其特征在于，该烤烟RGB图像智能识别方法通过MATLAB2016R软件进行图像识别，具体包括如下步骤：
S1、图像采集，对目标叶片进行拍摄，得到原始图像；
S2、HSV颜色切割，将叶片原始图像通过rgb2hsv函数转化为HSV色彩空间模式，采用双循环算法，将图像中H通道的烤烟色彩范围值外的V通道饱和度值设为0；将处理后的图像通过hsv2rgb转化为RGB色彩空间模式；
S3、边缘识别切割，将S1中得到的RGB图像通过rgb2gray函数转化为灰度图像，通过edge函数canny算子对烤烟叶片边缘进行切割，通过strel和imdilate函数对图像进行膨胀操作，填补边缘缝隙，通过imfill函数对空隙填充后通过imerode函数利用菱形结构元素对图像进行平滑，通过medfilt2进行中值滤波；
S4、面积筛选切割，将S2中得到的图像通过bwlabel函数寻找连通成分且用唯一数字标识，通过regionprops函数获取连通域的面积，通过find函数找到最大连通域的索引值，并通过ismember函数将最大连通域索引值所对应的区域保存为二值图；
S5、目标图像复原，运用双循环算法将S3中所得图像二值图中黑色部分填充白色后形成背景蒙版，将原图作为底图，与背景蒙版进行图像加法运算，形成具有白色背景及目标图像彩色图像的JPG图片；
S6、RGB色彩阈值切割及背景透明化处理，运用双循环算法将S5中所复原后的JPG图片通过RGB色彩阈值再次进行切割，将阴影及白色背景透明度调整为0，得到透明背景的目标叶片彩色图像PNG图片；
S7、叶形识别，将S6中得到的PNG图像通过rgb2gray函数转化为灰度图像，通过im2bw函数二值化，通过regionprops函数获取连通域的相关参数，并通过rectangle画出最小外接矩阵及叶形轮廓描边，通过cell2mat提取最小外接矩阵X、Y维度长度，算出长宽比及最小外接矩阵面积；
S8、不同色彩通道色阶信息矩阵提取，通过imread函数读取切割后的彩色图像，分别通过image(:,:,1)、image(:,:,2)、image(:,:,3)、rgb2gray函数提取叶片彩色图像Red、Green、Blue、Gray四个色彩通道的像素色阶，并组成色阶矩阵，再通过double函数将色阶数组转化为双精度数组，运用全循环算法检索记录图像中非黑部分像素索引码，将其组合为新的色阶矩阵，该数组即为无软件特性干扰的叶片色阶信息矩阵；
S9、不同色彩通道色阶均值提取，运用Mean函数分别获取Red、Green、Blue、Gray通道的色阶均值；
S10、色阶累积直方图构建，运用imhist函数获取色阶累积直方图；
S11、数据分析，采用Excel软件整理数据，采用IBMSPSSStatistics22软件对数据进行相关分析、配对T检验、回归分析、模型构建及拟合优度分析；采用MATLAB2016软件对不同等级的叶色均值、叶形参数进行百分位数法区间估计。
2.根据权利要求1所述的开放环境下烤烟RGB图像智能识别方法，其特征在于：所述S1中，图像采集的照明光源为室内20W白色LED灯组9组，色温为5000K，采用型号为CANONEOS-550D的高分倍率照相机进行垂直拍摄，具体包括如下步骤：
S101、在瓷砖地面铺设哑光A3打印纸，并将烟叶无展叶、自然水平的放置在A3纸上；
S102、采用M挡无闪光拍摄，ISO值为100，光圈f/5，快门1/60秒，焦距41mm，白平衡设为自动，数字图像分辨率为5184*3456。
3.根据权利要求2所述的开放环境下烤烟RGB图像智能识别方法，其特征在于：所述照相机镜头距离采集平面100cm。
4.一种开放环境下烤烟RGB图像等级判定方法，包括对权利要求1-3中任意一项所述的一种开放环境下烤烟RGB图像等级判定方法，其特征在于：该等级判定方法包括如下步骤：
a)根据不同等级的叶色均值、叶形参数进行百分位数法区间估计，确定B2F等级和C3F等级的百分位数法区间；
b)采用循环四重判断算法，分别对每一个图像Red、Green、Blue、Gray通道的色阶均值与B2F与C3F特征参数值进行比对判断；
c)确定烤烟的等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910506974.XA CN110415181B (zh) | 2019-06-12 | 2019-06-12 | 一种开放环境下烤烟rgb图像智能识别及等级判定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910506974.XA CN110415181B (zh) | 2019-06-12 | 2019-06-12 | 一种开放环境下烤烟rgb图像智能识别及等级判定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110415181A CN110415181A (zh) | 2019-11-05 |
| CN110415181B true CN110415181B (zh) | 2023-07-14 |
Family
ID=68359058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910506974.XA Active CN110415181B (zh) | 2019-06-12 | 2019-06-12 | 一种开放环境下烤烟rgb图像智能识别及等级判定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110415181B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110930381A (zh) * | 2019-11-19 | 2020-03-27 | 南京大树智能科技股份有限公司 | 一种改善细支烟生产质量的烟片形状测定方法 |
| CN111199344B (zh) * | 2019-12-25 | 2022-08-02 | 云南省烟草烟叶公司 | 一种控制烟叶分选过程中纯度的方法 |
| CN111466605B (zh) * | 2020-04-23 | 2022-04-01 | 贵州省烟草科学研究院 | 基于rgb值测定烟叶烘烤变黄变褐程度的方法、系统及装置 |
| CN113569880A (zh) * | 2020-04-28 | 2021-10-29 | 福建省烟草公司龙岩市公司 | 一种烤后自然卷曲烟叶的快速初分系统及初分方法 |
| CN111505038A (zh) * | 2020-04-28 | 2020-08-07 | 中国地质大学（北京） | 一种基于阴极发光技术定量分析砂岩胶结的实现方法 |
| CN111758991B (zh) * | 2020-05-13 | 2022-11-04 | 中国烟草总公司四川省公司 | 一种可控式烟叶烘烤方法 |
| CN113989176B (zh) * | 2020-07-10 | 2024-05-31 | 福建省烟草公司龙岩市公司 | 一种烟草鲜叶成熟度判定模型的构建方法 |
| CN111860639B (zh) * | 2020-07-17 | 2022-09-27 | 中国农业科学院烟草研究所 | 一种量化烤烟烟叶烘烤特性的判定系统及判定方法 |
| CN112042999B (zh) * | 2020-08-25 | 2022-11-29 | 湖北省烟草科学研究院 | 一种基于神经网络的挂灰烟识别的质量判定方法 |
| CN112529922A (zh) * | 2020-11-18 | 2021-03-19 | 南京农业大学 | 一种开放环境下多色叶片rgb图像背景精确分离的方法 |
| CN113516617B (zh) * | 2021-04-02 | 2023-05-05 | 云南省烟草质量监督检测站 | 一种基于机器视觉和ai深度学习的烤烟等级识别建模方法 |
| CN113129306B (zh) * | 2021-05-10 | 2022-12-02 | 电子科技大学成都学院 | 一种基于深度学习的遮挡物体分割求解方法 |
| CN113240277A (zh) * | 2021-05-13 | 2021-08-10 | 云南省烟草质量监督检测站 | 一种基于人工智能分级的烤烟收购等级分类样品制作方法 |
| CN114022389B (zh) * | 2021-11-17 | 2022-08-09 | 河北农业大学 | 一种基于数码相机进行植物叶色等级判别的方法 |
| CN114610944B (zh) * | 2022-05-11 | 2022-09-06 | 山东捷瑞数字科技股份有限公司 | 基于三维引擎的关键字智能匹配资源材质的优化方法 |
| CN117853936B (zh) * | 2024-03-08 | 2024-05-31 | 山东省气候中心 | 小麦冠层图像的冻害识别方法、系统、终端及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN108416814A (zh) * | 2018-02-08 | 2018-08-17 | 广州大学 | 一种菠萝头部的快速定位与识别方法及系统 |
| CN109410232A (zh) * | 2018-09-26 | 2019-03-01 | 漳州市佰佳贸易有限公司 | 基于常规低分辨率摄像头对叶色特征值的提取方法 |
-
2019
- 2019-06-12 CN CN201910506974.XA patent/CN110415181B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN108416814A (zh) * | 2018-02-08 | 2018-08-17 | 广州大学 | 一种菠萝头部的快速定位与识别方法及系统 |
| CN109410232A (zh) * | 2018-09-26 | 2019-03-01 | 漳州市佰佳贸易有限公司 | 基于常规低分辨率摄像头对叶色特征值的提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于粗糙集的烤烟烟叶智能分级方法";谭旭等;《农业机械学报》;20090630;第40卷(第6期);第169-174页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110415181A (zh) | 2019-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110415181B (zh) | 一种开放环境下烤烟rgb图像智能识别及等级判定方法 | |
| CN104715239B (zh) | 一种基于去雾处理和权重分块的车辆颜色识别方法 | |
| CN103034838B (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
| CN102072882B (zh) | 一种基于叶片图像特征的植物养分含量指标定量分析方法 | |
| CN103076288B (zh) | 一种基于计算机视觉的鱼肉自动分级装置和方法 | |
| CN106250896B (zh) | 基于图像采集装置的在线烟叶的正反面的识别方法 | |
| CN102521564A (zh) | 基于颜色和形状识别茶叶的方法 | |
| US20030095704A1 (en) | Determination of an illuminant of digital color image by segmentation and filtering | |
| CN111860639B (zh) | 一种量化烤烟烟叶烘烤特性的判定系统及判定方法 | |
| CN109145848B (zh) | 一种麦穗计数方法 | |
| CN102982350A (zh) | 一种基于颜色和梯度直方图的台标检测方法 | |
| CN103543107B (zh) | 基于机器视觉和高光谱技术的烟叶智能分级系统和方法 | |
| CN108681715A (zh) | 海南热带天然林植被型组分类方法 | |
| CN113920376B (zh) | 一种基于轻量型卷积神经网络的小麦种子品种鉴别的方法 | |
| CN110687121A (zh) | 一种陶瓦智能在线检测与自动分级方法和系统 | |
| CN112044808A (zh) | 一种生活垃圾识别系统 | |
| CN110009609B (zh) | 一种快速检测黄粒米的方法 | |
| CN115587988A (zh) | 基于数字图像处理的分辨烟叶成熟度高低的方法 | |
| CN108416782B (zh) | 基于视觉识别和光照矫正的烟叶评级方法及系统 | |
| CN112858311A (zh) | 一种基于机器视觉技术的稻米表型监测系统及方法 | |
| CN115601690B (zh) | 一种基于智慧农业的食用菌环境检测方法 | |
| CN109829496A (zh) | 一种物理测量分类方法及设备 | |
| CN112529922A (zh) | 一种开放环境下多色叶片rgb图像背景精确分离的方法 | |
| CN115358972A (zh) | 基于视觉特征融合的烟叶分级方法及系统 | |
| Xie et al. | Research on recognition methods of pomelo fruit hanging on trees base on machine vision |
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 |