CN112704259A

CN112704259A - 一种密集烟叶识别的打叶质量评价方法及系统

Info

Publication number: CN112704259A
Application number: CN202011459737.1A
Authority: CN
Inventors: 胡芬; 楼阳冰; 张志勇; 江睿谦; 董云成
Original assignee: Hangzhou AIMS Intelligent Technology Co Ltd
Current assignee: Hangzhou AIMS Intelligent Technology Co Ltd
Priority date: 2020-12-11
Filing date: 2020-12-11
Publication date: 2021-04-27
Anticipated expiration: 2040-12-11
Also published as: CN112704259B

Abstract

本发明提供一种密集烟叶识别的打叶质量评价方法，包括以下步骤：B1.人工挑选大、中、小三种烟叶叶片并拍摄图像，分别进行图像预处理并获取所述大、中、小烟叶叶片的特征向量；B2.利用所述大、中、小烟叶叶片的特征向量对烟叶分类器模型进行训练得到能够精确识别烟叶叶片大小的烟叶分类器模型；B3.利用所述烟叶分类器模型对生产线上打叶后的烟叶进行实时检测，输出当前烟叶图像的特征向量值及大中小识别结果；B4.提取实时烟叶特征向量值的统计特征量及大中小片次数的统计特征量；B5.设定打叶质量良好状态的阈值，当B4.提取得到的结果超出所述设定阈值时，发出预警/报警信号。

Description

一种密集烟叶识别的打叶质量评价方法及系统

技术领域

本发明涉及图像识别及预测技术领域，尤其涉及一种密集烟叶识别的打叶质量评价方法及系统。

背景技术

打叶复烤烟叶的片型结构包含大片率、中片率、大中片率等多项指标。研究表明，打叶复烤后的片型结构对烟丝结构具有关联性影响，大片率可以提高烟丝结构的整丝性，减少碎丝率，但是较高的大中片率导致长丝率的增加，对烟支的填充性不利。同样，过高的整丝率和整丝率变化率对卷制烟支的总体质量有负面影响。烟草行业现有的打叶过程已经进入成熟的机械化阶段，但是如何高效判断机械打叶的烟叶质量仍是一个技术难题。

烟丝结构对单支质量、烟支密度、吸阻、端部落丝量、空头等烟支质量具有显著的影响，得到合理的烟丝结构是卷烟工业为之攻坚的目标。对烟叶片型结构而言，各项指标中呈一定的关联，只有控制大片率、提高中片率以及降低碎片率，才能得到适宜的整丝率，提高烟丝的填充值，为企业取得良好的效益。综上所述，作为打叶复烤重要的考核经济指标，片型结构直接影响到烟丝的结构，继而影响到卷烟的卷制质量与经济效益。得到合理的烟丝结构区间必须以打叶复烤后的烟叶片型结构“控制大片率，提高中片率”的调控要求为抓手。传统的打叶复烤片型结构评估方式已满足不了现在烟丝结构及烟支卷制质量的要求，机器视觉及大数据的兴起为烟片片型检测提供了新方向。

为了解决上述技术问题，公开号为CN103175835B的专利文献公开了一种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，所述方法包括：采集烟叶图像，即通过烟草及其加工制品的图像数据获取装置完成烟叶图像的采集；通过智能图像处理提取烟叶图像；即通过智能图像处理获取的烟叶图像的光线，识别获取烟叶图像的烟叶轮廓，并采用烟叶图像的聚类分析获得烟叶主梗区域和叶片区域的面积信息，计算烟叶的实际面积；利用图像法二元线性模型估计烟叶面积质量，即利用烟叶总质量作为因变量，烟叶主梗区域面积和叶片区域面积作为自变量，建立关于主梗密度参数和叶片密度参数的二元线性模型进行密度参数的估计。但该发明的发明目的是检测烟叶叶片重量，而且不能同时检测高数量密度堆叠的烟叶叶片。

发明内容

本发明要解决的技术问题是：现有技术无法同时检测高数量密度堆叠的烟叶叶片质量的技术问题。

为解决上述技术问题，本发明提供一种密集烟叶识别的打叶质量评价方法，包括以下步骤

B1.人工挑选大、中、小三种烟叶叶片并拍摄图像，分别进行图像预处理并获取所述大、中、小烟叶叶片的特征向量；

B2.利用所述大、中、小烟叶叶片的特征向量对烟叶分类器模型进行训练得到能够精确识别烟叶叶片大小的烟叶分类器模型；

B3.利用所述烟叶分类器模型对生产线上打叶后的烟叶进行实时检测，输出当前烟叶图像的特征向量值及大中小识别结果；

B4.提取实时烟叶特征向量值的统计特征量及大中小片次数的统计特征量；

B5.设定打叶质量良好状态的阈值，当B4.提取得到的结果超出所述设定阈值时，发出预警/报警信号。

根据高数量密度堆叠的烟叶叶片图像提取的特征向量，分析大叶、中叶以及小叶分别的占比，能够在极短时间内完成大量烟叶的检测，提高生产效率并保证卷烟烟丝配比合理。

作为优选，所述步骤B1中所述图像预处理为图像增强处理、图像去噪处理、图像分割处理及颜色转换处理中的一种或几种；所述图像增强处理为灰度变换、直方图均衡中的一种或几种；所述图像去噪处理为基于空域和频域的各种滤波算法中的一种或多种；所述图像分割方法为基于阈值的分割方法、区域生长法、聚类分割法及基于边缘的分割方法中的一种。灰度变换是指根据某种目标条件按一定变换关系逐点改变源图像中每一个像素灰度值的方法。目的是为了改善画质，增加图像对比度使图像的显示效果更加清晰。本发明利用计算机程序完成图像灰度变换函数的数据运算。

作为优选，所述特征向量表征纹理特征、颜色特征及形状特征，所述纹理特征的计算方式为：

x-1≤i≤x+1，

y-1≤j≤y+1，

0≤p≤7

其中，L_xy为(x，y)点的局部二值结果，G_xy为(x，y)点的灰度值，p为各点对应的一个互不相同的整数。

作为优选，所述特征向量表征纹理特征、颜色特征及形状特征，所述颜色特征量为颜色直方图、颜色集、颜色矩和颜色聚合向量中的一种或多种。

作为优选，所述特征向量表征纹理特征、颜色特征及形状特征，所述形状特征为面积、周长、质心、分散度、矩形度、长宽比、方向、区域的矩形度、圆形度、球形度、偏心率、面积周长比、细度、Hu不变矩特征中的一种或多种。

作为优选，所述步骤B3.还包括以下步骤

B301.根据被测烟叶图像的纹理特征、颜色特征及形状特征推算被测烟叶中大片、中片以及小片的占比；

B302.根据被测烟叶纹理连续度以及边缘光滑度判断烟叶完整性。

作为优选，所述步骤B2.具体包括以下步骤：

根据纹理特征及形状特征对烟叶分类的结果，将纹理特征255维与形状特征100维合并成一个特征向量355维，在合并之前需要先将纹理特征和形状特征模型分布曲线的频率值做归一化，转化为概率值作为特征输入，合并两类不同类型特征，并使用特征选择相关算法进行特征选择，得到一个一定长度的特征向量作为分类器的训练输入。

作为优选，所述特征选择的方法为主成分分析法(PCA)、独立成分分析法(ICA)、Fisher分析法(FDA)、相关分析法(CFS)、自组织映射法(SOM)、Relief法、遗传算法、模拟退火法、Tabu搜索法中的一种。

本发明还提供一种密集烟叶识别的打叶质量评价系统，包括用于运行能够实现上述的密集烟叶识别的打叶质量评价方法的计算机、用于采集图像的摄像装置以及用于输送烟叶的传送装置。

本发明的实质性效果是：能够高效率的统计大中小烟叶在烟叶总量中所占的比例，满足了后续生产线对烟丝结构及烟支卷制质量的要求，解决了现有技术无法同时检测高数量密度堆叠的烟叶叶片质量的技术问题。

附图说明

图1是实施例一的流程示意图。

图2是实施例一大片烟叶原始图像效果。

图3是实施例一中片烟叶原始图像效果。

图4是实施例一小片烟叶原始图像效果。

图5是实施例一大片烟叶图像预处理效果。

图6是实施例一中片烟叶图像预处理效果。

图7是实施例一小片烟叶图像预处理效果。

图8是实施例一大片烟叶纹理特征提取效果图。

图9是实施例一中片烟叶纹理特征提取效果图。

图10是实施例一小片烟叶纹理特征提取效果图。

图11是实施例一大片烟叶的纹理特征分布图。

图12是实施例一中片烟叶的纹理特征分布图。

图13是实施例一小片烟叶的纹理特征分布图。

图14是实施例一图像模糊处理效果。

图15是实施例一图像颜色连通域提取效果。

图16是实施例一烟叶图像连通域最大值分布图。

图17是实施例一纹理及形状特征合并效果。

具体实施方式

下面通过具体实施例，并结合附图，对本发明的具体实施方式作进一步具体说明。

如图1所示，实施例一包括以下步骤

在步骤S100采集烟叶图像中，需要调节工业相机的光圈、焦距及白平衡，使得烟叶边缘清晰、曝光偏亮以隐藏部分烟叶内部纹路，采集烟叶原始图像如图2-图4所示。

在步骤S200将采集到的烟叶图像进行预处理，其预处理方式有图像增强处理、图像去噪处理、图像分割处理及颜色转换处理。其中图像增强处理为灰度变换、直方图均衡，再经过图像去噪处理和图像分割，最后颜色转换处理，预处理效果效果如图5至图7所示。

步骤S300提取所述烟叶特征提取有纹理特征的局部二值模式、灰度共生矩阵及形状特征的连通域面积特征，特征提取效果如图8至图13所示。

步骤S400烟叶图像特征选择及特征融合，构建大中小片烟叶特征向量。

步骤S500采用特征向量训练烟叶大中小片的分类器模型及设定不同烟片大小的特征向量各个维度的波动范围；

步骤S600对生产线上打叶后的烟叶进行实时检测，输出当前烟叶图像的特征向量值及大中小识别结果；

步骤S700提取实时烟叶特征向量值的统计特征量及大中小片次数的统计特征量；

步骤S800根据统计特征量设定打叶质量良好状态的阈值；

步骤S900当超出设定阈值时，系统发出预警报警信号。

进行打叶质量评价时，如图8至图13所示，根据计算式

x-1≤i≤x+1，

y-1≤j≤y+1，

0≤p≤7

计算并统计烟叶的纹理特征。

当烟叶堆叠时，堆叠区域的颜色特征会出现波动。

如图14所示，本实施例中，采用图像模糊处理去除噪声。

如图15至图16所示，在进行步骤S300时，提取图像连通域表征烟叶形状特征100维中的面积，统计大中小形状特征占总体的比例，图16中纵坐标单位为像素。从图16中可以看出，本实施例经过图像处理后大片烟叶的最大面积为(1.8～8.5)×10^5像素，中片烟叶的最大面积为(0.6～8.5)×10^5像素，小片烟叶的最大面积为(0.05～0.8)×10^5，三种叶片之间具有明显的差异性。

如图17所示，根据纹理特征及形状特征对烟叶分类的结果，将纹理特征255维与形状特征100维合并成一个特征向量355维，在合并之前需要先将纹理特征和形状特征模型分布曲线的频率值做归一化，转化为概率值作为特征输入，合并两类不同类型特征，并使用特征选择相关算法进行特征选择，得到一个一定长度的特征向量作为分类器的训练输入。

可以看出，本发明可以在烟叶高数量密度堆叠时，通过烟叶纹理特征、颜色特征以及形状特征判断高密度烟叶中大中小烟叶所占的比例，为后续生产线提供烟叶比例的准确信息。

以上的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims

1.一种密集烟叶识别的打叶质量评价方法，其特征在于:包括以下步骤

2.根据权利要求1所述的一种密集烟叶识别的打叶质量评价方法,其特征在于:所述步骤B1中所述图像预处理为图像增强处理、图像去噪处理、图像分割处理及颜色转换处理中的一种或几种；所述图像增强处理为灰度变换、直方图均衡中的一种或几种；所述图像去噪处理为基于空域和频域的各种滤波算法中的一种或多种；所述图像分割方法为基于阈值的分割方法、区域生长法、聚类分割法及基于边缘的分割方法中的一种。

3.根据权利要求2所述的一种密集烟叶识别的打叶质量评价方法,其特征在于:所述特征向量表征纹理特征、颜色特征及形状特征，所述纹理特征的计算方式为：

x-1≤i≤x+1，

y-1≤j≤y+1，

0≤p≤7

4.根据权利要求2所述的一种密集烟叶识别的打叶质量评价方法,其特征在于:所述特征向量表征纹理特征、颜色特征及形状特征，所述颜色特征量为颜色直方图、颜色集、颜色矩和颜色聚合向量中的一种或多种。

5.根据权利要求2所述的一种密集烟叶识别的打叶质量评价方法,其特征在于:所述特征向量表征纹理特征、颜色特征及形状特征，所述形状特征为面积、周长、质心、分散度、矩形度、长宽比、方向、区域的矩形度、圆形度、球形度、偏心率、面积周长比、细度、Hu不变矩特征中的一种或多种。

6.根据权利要求2所述的一种密集烟叶识别的打叶质量评价方法,其特征在于:所述步骤B3.还包括以下步骤

7.根据权利要求1所述的一种密集烟叶识别的打叶质量评价方法,其特征在于:所述步骤B2.具体包括以下步骤：

8.根据权利要求7所述的一种密集烟叶识别的打叶质量评价方法,其特征在于:所述特征选择的方法为主成分分析法(PCA)、独立成分分析法(ICA)、Fisher分析法(FDA)、相关分析法(CFS)、自组织映射法(SOM)、Relief法、遗传算法、模拟退火法、Tabu搜索法中的一种。

9.一种密集烟叶识别的打叶质量评价系统，其特征在于，包括用于运行能够实现权利要求1至6任一项所述的密集烟叶识别的打叶质量评价方法的计算机、用于采集图像的摄像装置以及用于输送烟叶的传送装置。