CN113139951A - 片烟属性的表征方法、系统、设备及计算机可读存储介质 - Google Patents

片烟属性的表征方法、系统、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN113139951A
CN113139951A CN202110501831.7A CN202110501831A CN113139951A CN 113139951 A CN113139951 A CN 113139951A CN 202110501831 A CN202110501831 A CN 202110501831A CN 113139951 A CN113139951 A CN 113139951A
Authority
CN
China
Prior art keywords
tobacco
image
lamina
contour
sheet
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
Application number
CN202110501831.7A
Other languages
English (en)
Other versions
CN113139951B (zh
Inventor
丁冉
杨凯
徐玮杰
戴泽元
王戈
张鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Tobacco Group Co Ltd
Original Assignee
Shanghai Tobacco Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Tobacco Group Co Ltd filed Critical Shanghai Tobacco Group Co Ltd
Priority to CN202110501831.7A priority Critical patent/CN113139951B/zh
Publication of CN113139951A publication Critical patent/CN113139951A/zh
Application granted granted Critical
Publication of CN113139951B publication Critical patent/CN113139951B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw 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
    • G06T7/12—Edge-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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种片烟属性的表征方法、系统、设备及计算机可读存储介质，片烟属性的表征方法包括：获取分离后的单片片烟的形态图像，并通过对所述形态图像的背景分割，以获取分割后的片烟图像；对所述分割后的片烟图像进行片烟图像轮廓提取，对片烟图像轮廓上的轮廓点做重采样，以形成用于计算所述烟叶属性的数据集合；所述烟叶属性包括用于表征片烟尺寸的片烟平均成丝长度和用于表征片烟规整度的片烟成丝长度分布变异系数；根据所述数据集合中有效切割线的长度数据，计算片烟形态切割线的均值长度和变异系数用以表征片烟属性。本发明利用片烟切割线长度分布均值可精确计算片烟的成丝理论长度，对从片烟成丝使用角度理解片烟片型提供重要指导意义。

Description

片烟属性的表征方法、系统、设备及计算机可读存储介质
技术领域
本发明属于烟叶图像处理技术领域，涉及一种表征方法和系统，特别是涉及一种片烟属性的表征方法、系统、设备及计算机可读存储介质。
背景技术
片烟尺寸和片烟规整度综合反映出片烟的形态特征，依据标准《GB/T 21137-2007烟叶片烟大小测定》利用尺寸25.4mm×25.4mm筛网，置于筛网上层的片烟为大片，12.7mm×12.7mm～25.4mm×25.4mm筛网之间的片烟为中片，6.35mm×6.35mm～12.7mm×12.7mm筛网之间的片烟为小片等，但此标准仅定义五种类型片烟的尺寸并利用振筛法获取各类型尺寸片烟，按重量比例法测算各类型尺寸片烟的比例，振筛法衡量的是叶片通过筛网的能力，并未解释各类型尺寸片烟形态的特征；其次站在片烟成丝的角度，定义片烟尺寸大小是为了在打叶过程中更有效的控制过大和过小片烟，片烟过大会导致片烟成丝过长或过小导致造碎过多。当前关于叶丝结构和片烟结构的研究主要通过叶丝结构与片烟结构建立回归方程，但叶片转换成烟丝是复杂的、多维的，一维回归很难解释叶片至叶丝的转换过程，所以这种转换是不准确的；关于片烟形态特征的研究，当前复烤行业主要采用的是机器视觉的手段获取片烟的形态，获取如片烟的长度、宽度、面积、Feret直径等特征，但这些特征并没有与片烟成丝有直接的对应验证，因此这些特征不能全面的反映片烟的尺寸信息；当前打叶复烤行业对于片烟规整度尚未形成确定的评价标准，现有技术虽然能够对片烟的规则程度作出评价，但评价的角度仅围绕片烟形态角度出发，并未从片烟成丝使用角度说明规整度对片烟成丝的影响。
因此，如何从片烟使用角度提供一种片烟属性的表征方法、系统、设备及计算机可读存储介质，以解决现有技术无法有效准确评价片烟形态和规整度等缺陷，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片烟属性的表征方法、系统、设备及计算机可读存储介质，用于解决现有技术无法有效准确评价片烟形态和规整度的问题。
为实现上述目的及其他相关目的，本发明一方面提供一种片烟属性的表征方法，包括：获取分离后的单片片烟的形态图像，并通过对所述形态图像的背景分割，以获取分割后的片烟图像；对所述分割后的片烟图像进行片烟图像轮廓提取，对片烟图像轮廓上的轮廓点做重采样，以形成用于计算所述烟叶属性的数据集合；所述烟叶属性包括用于表征片烟尺寸的片烟平均成丝长度和用于表征片烟规整度的片烟成丝长度分布变异系数；根据所述数据集合中有效切割线的长度数据，计算片烟形态切割线的均值长度和变异系数用以表征片烟属性。
于本发明的一实施例中，所述获取分离后的单片片烟的形态图像，并通过对所述形态图像的背景切割，以获取切割后的片烟图像的步骤包括：获取单片片烟的形态图像的RGB颜色空间中的RGB值；将片烟与背景色彩分布差异最大的通道确定为形态图像的分割变量，查找与背景色彩分布差异最大的差异值，将该差异值确定为背景与形态图像的分割阈值；利用所述分割阈值对所述形态图像进行二值化分割，以形成二值化分割的片烟图像。
于本发明的一实施例中，所述对所述分割后的片烟图像进行片烟图像轮廓提取，对片烟图像轮廓上的轮廓点做重采样，以形成用于计算所述烟叶属性的数据集合的步骤包括：对片烟图像轮廓上的轮廓点做X方向和Y方向上等间隔冲重采样，获取初始重采样点的第一采样集合；所述重采样点形成片烟的重采样轮廓；计算重采样轮廓上每一个重采样点到片烟图像轮廓上的轮廓点的距离，以查找出两点之间最小距离对应的重采样点，形成用于计算所述烟叶属性的第二采样集合。
于本发明的一实施例中，所述对所述分割后的片烟图像进行片烟图像轮廓提取，对片烟图像轮廓上的轮廓点做重采样，以形成用于计算所述烟叶属性的数据集合的步骤还包括：将所述第二采样集合中任意两两不重合的重采样点进行连线，判断所述连线是否在所述片烟图像轮廓内，将在所述片烟图像轮廓内的连线组成片烟形态切割线的数据集合；所述根据所述数据集合中有效切割线的长度数据，计算片烟形态切割线的均值长度和变异系数用以表征片烟属性的步骤包括：计算数据集合中每条有效切割线的长度；计算有效切割线的均值长度，以获取片烟形态切割线的均值长度；计算有效切割线长度的变异系数，以获取片烟成丝长度分布变异系数。
于本发明的一实施例中，所述判断所述连线是否在所述片烟图像轮廓内的步骤包括：所述第二采样集合中任意两两不重合的重采样点进行连线后，形成一重采样点连线集合；生成与所述二值化分割的片烟图像同样尺寸的零矩阵；将重采样点连线集合中重采样点连线按照位置一一对应关系映射于所述零矩阵中；将零矩阵与重采样点连线集合中重采样点连线对应位置处的像素点赋值为1，以形成判定矩阵；查找二值化分割的片烟图像中与每一重采样点连线对应位置处的像素值不为0的第一像素点个数及所述判定矩阵中与每一重采样点连线对应位置处的像素值不为0的第二像素点个数；当所述第一像素点个数等于第二像素点个数时，表示该重采样点连线为有效切割线；当所述第一像素点个数不等于第二像素点个数时，表示该重采样点连线为无效切割线。
于本发明的一实施例中，所述片烟属性的表征方法还包括：将片烟图像轮廓上的轮廓点中任意两两不重合的轮廓点进行连线，形成一轮廓点连线集合；生成与所述二值化分割的片烟图像同样尺寸的零矩阵；将轮廓点连线集合中轮廓点连线按照位置一一对应关系映射于所述零矩阵中；将零矩阵与重采样点连线集合中轮廓点连线对应位置处的像素点赋值为1，以形成判定矩阵；查找二值化分割的片烟图像中与每一轮廓点连线对应位置处的像素值不为0的第一像素点个数及所述判定矩阵中与每一轮廓点连线对应位置处的像素值不为0的第二像素点个数；当所述第一像素点个数等于第二像素点个数时，表示该轮廓点连线为有效切割线；当所述第一像素点个数不等于第二像素点个数时，表示该轮廓点连线为无效切割线；计算有效切割线的长度，并计算实际有效切割线的均值长度，以获取实际片烟切割线的实际均值长度，及计算实际有效切割线长度的变异系数，以获取实际片烟成丝长度分布变异系数。
于本发明的一实施例中，所述片烟属性的表征方法还包括验证片烟形态切割线的均值长度与实际片烟切割线的实际均值长度的差异性；及验证片烟成丝长度分布变异系数与实际片烟成丝长度分布变异系数的差异性。
本发明另一方面提供一种片烟属性的表征系统，包括：图像获取模块，用于获取分离后的单片片烟的形态图像；分割模块，用于通过对所述形态图像的背景分割，以获取分割后的片烟图像；提取模块，用于对所述分割后的片烟图像进行片烟图像轮廓提取，对片烟图像轮廓上的轮廓点做重采样，以形成用于计算所述烟叶属性的数据集合；所述烟叶属性包括用于表征片烟尺寸的片烟平均成丝长度和用于表征片烟规整度的片烟成丝长度分布变异系数；计算模块，用于根据所述数据集合中有效切割线的长度数据，计算片烟形态切割线的均值长度和变异系数用以表征片烟属性。
本发明又一方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述片烟属性的表征方法。
本发明最后一方面提供一种表征设备，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，以使所述表征设备执行所述片烟属性的表征方法。
如上所述，本发明所述的片烟属性的表征方法、系统、设备及计算机可读存储介质，具有以下有益效果：
1，本发明基于片烟形态切割线思路，利用片烟切割线长度分布均值计算片烟的成丝理论长度，从片烟理论成丝角度，提供了一种评价片烟片型尺寸和规整度的方法，对从片烟成丝使用角度理解片烟片型提供重要的指导意义。
2，本发明通过标准圆形卡片模拟切丝实例中，证明本实施例所述方法可以较为精确模拟片烟理论成丝长度分布。
3，本发明通过对四种类型标准尺寸片烟切割线长度结果分析，可以从片烟理论成丝角度解释现有片烟尺寸定义标准，能够区分现有标准定义的各个类型尺寸片烟。
4，本发明通过等面积不同形状的标样切割线长度结果分析，本实施例可以从切割线长度均值和变异系数对相同面积不同形态的片烟做区分。
5，本发明通过不同规则程度的片烟切割线长度变异系数结果分析，从片烟理论成丝角度能够衡量片烟的规则程度。
附图说明
图1显示为本发明的片烟属性的表征方法于一实施例中的流程示意图。
图2A显示为本发明的单片片烟的形态图像的示例图。
图2B显示为本发明的二值化分割的片烟图像的示例图。
图3显示为本发明的提取的片烟图像轮廓示例图。
图4显示为本发明的片烟的重采样轮廓示例图。
图5显示为本发明的片烟的轮廓切割线示例图。
图6显示为本发明的线性拟合方法比较两种方法差异性和T检验比较两种方法比较示意图。
图7显示为本发明的标准圆形卡片图。
图8显示为本发明的大、中、小、碎片的片烟切割线长度分布的结果示意图。
图9显示为本发明的四种面积近似相同、形态不同的标样切割线长度分布图。
图10显示为本发明的不同规则程度片烟示例图。
图11显示为本发明的不同规则程度的片烟切割线长度变异系数的曲线图。
图12显示为本发明的片烟属性的表征系统于一实施例中的原理结构示意图。
元件标号说明
2 片烟属性的表征系统
21 图像获取模块
22 分割模块
23 提取模块
24 计算模块
25 验证模块
S1～Sn 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。
本发明所述片烟属性的表征方法、系统、设备及计算机可读存储介质的基本原理如下：
本发明基于机器视觉，在理论层面上模拟片烟成丝无向性过程，具体为：片烟在成丝时，会以一个方向去切割片烟，但这种切割方向是随机的、不确定的，也可称为无向性的，即片烟切割成丝会以任意方向进行，且理论上每个方向的概率是相等的，因此对于无穷张相同形态片烟进行切丝，则片烟成丝后烟丝长度的集合理论层面等价于：片烟轮廓上每个像素点作射线，每个像素点的射线以任意方向与片烟轮廓内区域相交的线段集合为片烟理论成丝长度集合，因此本发明将片烟轮廓上任意两个不重复轮廓点连线且连线均在轮廓区域内，将此连线称为片烟形态切割线，计算切割线集合的欧式距离集合，利用此距离集合表征片烟成丝后的丝长理论分布，进而获取片烟的平均成丝长度和分布变异系数，片烟平均成丝长度用于表征片烟的尺寸，用片烟成丝长度分布变异系数表征片烟的规整度。
实施例一
本实施例提供一种片烟属性的表征方法，包括：
获取分离后的单片片烟的形态图像，并通过对所述形态图像的背景分割，以获取分割后的片烟图像；
对所述分割后的片烟图像进行片烟图像轮廓提取，对片烟图像轮廓上的轮廓点做重采样，以形成用于计算所述烟叶属性的数据集合；所述烟叶属性包括用于表征片烟尺寸的片烟平均成丝长度和用于表征片烟规整度的片烟成丝长度分布变异系数；
根据所述数据集合中有效切割线的长度数据，计算片烟形态切割线的均值长度和变异系数用以表征片烟属性。
以下将结合图示对本实施例所提供的片烟属性的表征方法进行详细描述。请参阅图1，显示为片烟属性的表征方法于一实施例中的流程示意图。如图1所示，所述片烟属性的表征方法具体包括以下步骤：
S11，获取分离后的单片片烟的形态图像I。如图2A所示单片片烟的形态图像的示例图。
S12，通过对所述形态图像I的背景分割，以获取分割后的片烟图像I0。
所述S12具体包括以下步骤：
获取单片片烟的形态图像I的RGB颜色空间中的RGB值；
将片烟与背景色彩分布差异最大的通道确定为形态图像的分割变量，查找与背景色彩分布差异最大的差异值，将该差异值确定为背景与形态图像I的分割阈值Bs；
利用所述分割阈值Bs对所述形态图像I进行二值化分割，以形成二值化分割的片烟图像I0。请参阅图2B，显示为二值化分割的片烟图像的示例图。
S13，对所述分割后的片烟图像进行片烟图像轮廓提取，对片烟图像轮廓上的轮廓点做重采样，以形成用于计算所述烟叶属性的数据集合；所述烟叶属性包括用于表征片烟尺寸的片烟平均成丝长度和用于表征片烟规整度的片烟成丝长度分布变异系数。
在本实施例中，所述S13具体包括以下步骤：
利用Canny算子边缘检测算法对所述分割后的片烟图像进行片烟图像轮廓K0提取。请参阅图3，显示为提取的片烟图像轮廓示例图。
对片烟图像轮廓上的轮廓点做X方向和Y方向上等间隔Xd，Yd重采样(其中，Xd＝Yd)，获取初始重采样点的第一采样集合B。在本实施例中，所述重采样点形成片烟的重采样轮廓。重采样可减少运算量，请参阅图4，显示为片烟的重采样轮廓示例图。
计算重采样轮廓上每一个重采样点到片烟图像轮廓上的轮廓点的距离，以查找出两点之间最小距离对应的重采样点B-K0，重采样轮廓上每一个重采样点到片烟图像轮廓上的轮廓点的距离对应的重采样点形成用于计算所述烟叶属性的第二采样集合B0。
将所述第二采样集合中任意两两不重合的重采样点进行连线(例如，利用Bresenham画线算法连线)，并将连线合标记为L(Xi—Yi)。
判断所述连线是否在所述片烟图像轮廓内，将在所述片烟图像轮廓内的连线组成片烟形态切割线的数据集合。
在本实施例中，所述判断所述连线是否在所述片烟图像轮廓内的步骤包括：
所述第二采样集合中任意两两不重合的重采样点进行连线后，形成一重采样点连线集合；
生成与所述二值化分割的片烟图像I0同样尺寸的零矩阵M；
将重采样点连线集合中重采样点连线按照位置一一对应关系映射于所述零矩阵M中；
将零矩阵M与重采样点连线集合中重采样点连线对应位置处的像素点赋值为1后形成非零矩阵M1，通过二值化分割的片烟图像I0和非零矩阵M1形成判定矩阵M2。在本实施例中，所述判定矩阵M2＝I0+M1。
查找二值化分割的片烟图像中与每一重采样点连线对应位置处的像素值不为0的第一像素点个数N1及所述判定矩阵M2中与每一重采样点连线对应位置处的像素值不为0的第二像素点个数N2；
当所述第一像素点个数N1等于第二像素点个数N2时，表示该重采样点连线为有效切割线；
当所述第一像素点个数N1不等于第二像素点个数N2时，表示该重采样点连线为无效切割线。
S14，根据所述数据集合中有效切割线的长度数据，计算片烟形态切割线的均值长度和变异系数用以表征片烟属性。
具体地包括：计算数据集合中每条有效切割线的长度。在本实施例中，利用欧式距离公式，计算有效切割线的长度，即计算有效切割线起始点和末位点之间的距离。
计算有效切割线的均值长度，以获取片烟形态切割线的均值长度D1；
计算有效切割线长度的变异系数，以获取片烟成丝长度分布变异系数S1(片烟成丝长度分布变异系数S1等于有效切割线的长度标偏除以片烟形态切割线的均值长度D1)。
在本实施例中，S13还包括以下步骤：
将片烟图像轮廓K0上的轮廓点中任意两两不重合的轮廓点进行连线，形成一轮廓点连线集合。请参阅图5，显示为片烟的轮廓切割线示例图。
生成与所述二值化分割的片烟图像同样尺寸的零矩阵M；
将轮廓点连线集合中轮廓点连线按照位置一一对应关系映射于所述零矩阵M中；
将零矩阵与重采样点连线集合中轮廓点连线对应位置处的像素点赋值为1形成非零矩阵M1，通过二值化分割的片烟图像I0和非零矩阵M1形成判定矩阵M2；
查找二值化分割的片烟图像I0中与每一轮廓点连线对应位置处的像素值不为0的第一像素点个数N1及所述判定矩阵M2中与每一轮廓点连线对应位置处的像素值不为0的第二像素点个数N2；
当所述第一像素点个数N1等于第二像素点个数N2时，表示该轮廓点连线为有效切割线；
当所述第一像素点个数N1不等于第二像素点个数N2时，表示该轮廓点连线为无效切割线。
S15(上一个标签仍是S14，因此此处应是S15,后面以此更改)，计算有效切割线的长度，并计算实际有效切割线的均值长度，以获取实际片烟切割线的实际均值长度D1，及计算实际有效切割线长度的变异系数，以获取实际片烟成丝长度分布变异系数S2。
S16，验证片烟形态切割线的均值长度与实际片烟切割线的实际均值长度的差异性；及验证片烟成丝长度分布变异系数与实际片烟成丝长度分布变异系数的差异性。
在本实施例中，对图3的轮廓计算出的结果如表1所示，而两种方式方法所得均值和标偏结果相近。
表1：两种方法计算片烟切割线均值和标偏
方法 切割线长度均值/mm 切割线长度标偏
原轮廓 38.40 18.99
重采样 37.12 19.33
计算256张片烟的D1s与D2s、S1s和S2s，线性拟合方法比较两种方法差异性和T检验比较两种方法如图6可知，将原始轮廓计算的切割线长度集合作为x，重采样后计算切割线长度集合作为y，其样本均值散点投影后拟合曲线，由拟合结果可知，x≈y，两者无显著差异，同时对切割线长度和标偏做T检验，其95％置信区间p值分别为0.9183和0.8207，两者无显著差异。两种方法分别计算256张片烟的切割线长度和标偏，比较两种方法的计算时间复杂度，结果表明重采样后的轮廓点计算切割线时，其时间复杂度降低约40倍。综上鉴于轮廓上所有点经重采样后，不仅检测的切割线均值和标偏无显著差异且时间复杂度较低，表明此种方式是能够快速有效计算出片烟的切割线长度分布。具体时间复杂度结果详见表2。
表2：算法时间复杂度比较
算法类型 运行时间/s
原轮廓所有点参与计算 127.14
重采样后的点参与计算 3.56
设置一组标准圆形卡片，如图7所示，利用本方法计算圆形切割线长度，并与实际切割线长做比较，比较结果如表3所示，两者差异较小，将切割线长和变异系数分别进行T检验，p值分别为0.82和0.61，均远大于0.05，两者无显著差异，说明本方法可以用于表征形态的切割线长和标偏。
表3：理论切割线长与实际切割线长检测结果比较
Figure BDA0003056688400000091
在本实施例中，分别制备的大、中、小等四种类型尺寸的片烟，并测定对应的的切割线长度均值分布，表征不同筛网尺寸筛分出的片烟尺寸，大、中、小、碎片的片烟切割线长度分布的结果如图8与表4所示，由结果可知本方法测定的切割线长在不同尺寸类型片烟中体现出较强的差异性，其中大片与中片尺寸均值呈2倍关系，中片与小片呈2倍关系，小片与碎片碎末呈2倍关系，与各层级筛网尺寸比相一致，同时像素换算成的实际长度均在各层级筛网尺寸直径之间。
表4：各类尺寸片烟切割线长检测结果比较
Figure BDA0003056688400000092
于本实施例中，选取直径为20圆形，20像素×20像素正方形，10像素×40像素长方形，5像素×80像素长方形，四种面积近似相同形态不同的标样，如表5所示，利用本发明方法计算切割线长度分布，并计算出切割线长度均值和变异系数，结果如表6、图9所示，由结果可知，首先四种形状的切割线长分布有差异，其中随着圆形往长方形演变，分布峰值点往右偏移；其次四种形状的切割线长度均值中，圆形与正方形相近，同面积下形态越长，其切割线长度均值越长；最后从切割线长度变异系数分析，形状越不规则其变异系数越大。
表5：四种面积近似相同形态不同的标样，尺寸单位：像素
Figure BDA0003056688400000093
Figure BDA0003056688400000101
表6：四种面积近似相同形态不同的标样切割线长度相关指标
形状尺寸/像素 切割线长均值 切割线长标偏 切割线长变异系数
圆直径：20 17.54 5.04 0.27
正方形尺寸：20×20 17.90 5.28 0.29
长方形尺寸：10×40 20.27 9.78 0.48
长方形尺寸5×80 30.46 20.05 0.66
于本实施例中，验证片烟切割线长度变异系数表征片烟的规整度，从大片和中片样品中分别选取一组规则的片烟样品和不规则的片烟样品如图10不同规则程度片烟示例，不同规则程度的片烟切割线长度变异系数曲线示意图如图11所示，利用本发明方法检测两组片烟样品的切割线变异系数，并比较两组样品的差异性，结果如图11所示，由结果可知，不规则片烟切割线变异系数均高于规则片烟，不规则片烟变异系数均值为0.658，规则片烟变异系数均值为0.336，证明本实施例方法中的切割线长度并以系数指标可以反映出片烟的规整度。
本实施例所述片烟属性的表征方法具有以下有益效果：
1，本实施例基于片烟形态切割线思路，利用片烟切割线长度分布均值计算片烟的成丝理论长度，从片烟理论成丝角度，提供了一种评价片烟片型尺寸和规整度的方法，对从片烟成丝使用角度理解片烟片型提供重要的指导意义。
2，本实施例通过标准圆形卡片模拟切丝实例中，证明本实施例所述方法可以较为精确模拟片烟理论成丝长度分布。
3，本实施例通过对四种类型标准尺寸片烟切割线长度结果分析，本实施例可以从片烟理论成丝角度解释现有片烟尺寸定义标准，能够区分现有标准定义的各个类型尺寸片烟。
4，本实施例通过等面积不同形状的标样切割线长度结果分析，本实施例可以从切割线长度均值和变异系数对相同面积不同形态的片烟做区分。
5，本实施例通过不同规则程度的片烟切割线长度变异系数结果分析，本实施例从片烟理论成丝角度能够衡量片烟的规则程度。
本实施例还提供一种计算机可读存储介质：其上存储有计算机程序，该程序被处理器执行时实现上述片烟属性的表征方法。
本领域普通技术人员可以理解计算机可读存储介质为：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，执行包括上述各方法实施例的步骤；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。
实施例二
本实施例提供一种片烟属性的表征系统，包括：
图像获取模块，用于获取分离后的单片片烟的形态图像；
分割模块，用于通过对所述形态图像的背景分割，以获取分割后的片烟图像；
提取模块，用于对所述分割后的片烟图像进行片烟图像轮廓提取，对片烟图像轮廓上的轮廓点做重采样，以形成用于计算所述烟叶属性的数据集合；所述烟叶属性包括用于表征片烟尺寸的片烟平均成丝长度和用于表征片烟规整度的片烟成丝长度分布变异系数；
计算模块，用于根据所述数据集合中有效切割线的长度数据，计算片烟形态切割线的均值长度和变异系数用以表征片烟属性。
以下将结合图示对本实施例所提供的片烟属性的表征系统进行详细描述。请参阅图12,，显示为片烟属性的表征系统于一实施例中的原理结构示意图。如图12所示，所述片烟属性的表征系统2包括图像获取模块21、分割模块22、提取模块23、计算模块24及验证模块25。
所述图像获取模块21用于获取分离后的单片片烟的形态图像。
所述分割模块22用于获取单片片烟的形态图像的RGB颜色空间中的RGB值；将片烟与背景色彩分布差异最大的通道确定为形态图像的分割变量，查找与背景色彩分布差异最大的差异值，将该差异值确定为背景与形态图像的分割阈值；利用所述分割阈值对所述形态图像进行二值化分割，以形成二值化分割的片烟图像。
所述提取模块23用于对片烟图像轮廓上的轮廓点做X方向和Y方向上等间隔冲重采样，获取初始重采样点的第一采样集合；所述重采样点形成片烟的重采样轮廓；计算重采样轮廓上每一个重采样点到片烟图像轮廓上的轮廓点的距离，以查找出两点之间最小距离对应的重采样点，形成用于计算所述烟叶属性的第二采样集合；将所述第二采样集合中任意两两不重合的重采样点进行连线，判断所述连线是否在所述片烟图像轮廓内，将在所述片烟图像轮廓内的连线组成片烟形态切割线的数据集合。
具体地，所述提取模块23判断所述连线是否在所述片烟图像轮廓内过程包括：所述第二采样集合中任意两两不重合的重采样点进行连线后，形成一重采样点连线集合；生成与所述二值化分割的片烟图像同样尺寸的零矩阵；将重采样点连线集合中重采样点连线按照位置一一对应关系映射于所述零矩阵中；将零矩阵与重采样点连线集合中重采样点连线对应位置处的像素点赋值为1，以形成判定矩阵；查找二值化分割的片烟图像中与每一重采样点连线对应位置处的像素值不为0的第一像素点个数及所述判定矩阵中与每一重采样点连线对应位置处的像素值不为0的第二像素点个数；当所述第一像素点个数等于第二像素点个数时，表示该重采样点连线为有效切割线；当所述第一像素点个数不等于第二像素点个数时，表示该重采样点连线为无效切割线。
所述计算模块24用于根据所述数据集合中有效切割线的长度数据，计算片烟形态切割线的均值长度和变异系数用以表征片烟属性。
具体地，计算数据集合中每条有效切割线的长度；计算有效切割线的均值长度，以获取片烟形态切割线的均值长度；计算有效切割线长度的变异系数，以获取片烟成丝长度分布变异系数。
在本实施例中，所述提取模块23还用于将片烟图像轮廓上的轮廓点中任意两两不重合的轮廓点进行连线，形成一轮廓点连线集合；生成与所述二值化分割的片烟图像同样尺寸的零矩阵；将轮廓点连线集合中轮廓点连线按照位置一一对应关系映射于所述零矩阵中；将零矩阵与重采样点连线集合中轮廓点连线对应位置处的像素点赋值为1，以形成判定矩阵；查找二值化分割的片烟图像中与每一轮廓点连线对应位置处的像素值不为0的第一像素点个数及所述判定矩阵中与每一轮廓点连线对应位置处的像素值不为0的第二像素点个数；当所述第一像素点个数等于第二像素点个数时，表示该轮廓点连线为有效切割线；当所述第一像素点个数不等于第二像素点个数时，表示该轮廓点连线为无效切割线；
所述计算模块24还用于计算有效切割线的长度，并计算实际有效切割线的均值长度，以获取实际片烟切割线的实际均值长度，及计算实际有效切割线长度的变异系数，以获取实际片烟成丝长度分布变异系数。
所述验证模块25用于验证片烟形态切割线的均值长度与实际片烟切割线的实际均值长度的差异性；及验证片烟成丝长度分布变异系数与实际片烟成丝长度分布变异系数的差异性。
需要说明的是，应理解以上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，也可以集成在上述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上述系统的存储器中，由上述系统的某一个处理元件调用并执行以上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上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。以上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 Integrated Circuit，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。当以上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(CentralProcessing 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。
实施例三
本实施例提供一种表征设备，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，使表征设备执行如实施例一所述片烟属性的表征方法的各个步骤。
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。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。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。
本发明所述的片烟属性的表征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。
本发明还提供一种片烟属性的表征系统，所述片烟属性的表征系统可以实现本发明所述的片烟属性的表征方法，但本发明所述的片烟属性的表征方法的实现装置包括但不限于本实施例列举的片烟属性的表征系统的结构，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，本发明所述片烟属性的表征方法、系统、设备及计算机可读存储介质具有以下有益效果：
1，本发明基于片烟形态切割线思路，利用片烟切割线长度分布均值计算片烟的成丝理论长度，从片烟理论成丝角度，提供了一种评价片烟片型尺寸和规整度的方法，对从片烟成丝使用角度理解片烟片型提供重要的指导意义。
2，本发明通过标准圆形卡片模拟切丝实例中，证明本实施例所述方法可以较为精确模拟片烟理论成丝长度分布。
3，本发明通过对四种类型标准尺寸片烟切割线长度结果分析，可以从片烟理论成丝角度解释现有片烟尺寸定义标准，能够区分现有标准定义的各个类型尺寸片烟。
4，本发明通过等面积不同形状的标样切割线长度结果分析，本实施例可以从切割线长度均值和变异系数对相同面积不同形态的片烟做区分。
5，本发明通过不同规则程度的片烟切割线长度变异系数结果分析，从片烟理论成丝角度能够衡量片烟的规则程度。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)

1.一种片烟属性的表征方法，其特征在于，包括：
获取分离后的单片片烟的形态图像，并通过对所述形态图像的背景分割，以获取分割后的片烟图像；
对所述分割后的片烟图像进行片烟图像轮廓提取，对片烟图像轮廓上的轮廓点做重采样，以形成用于计算所述烟叶属性的数据集合；所述烟叶属性包括用于表征片烟尺寸的片烟平均成丝长度和用于表征片烟规整度的片烟成丝长度分布变异系数；
根据所述数据集合中有效切割线的长度数据，计算片烟形态切割线的均值长度和变异系数用以表征片烟属性。
2.根据权利要求1所述的片烟属性的表征方法，其特征在于，所述获取分离后的单片片烟的形态图像，并通过对所述形态图像的背景切割，以获取切割后的片烟图像的步骤包括：
获取单片片烟的形态图像的RGB颜色空间中的RGB值；
将片烟与背景色彩分布差异最大的通道确定为形态图像的分割变量，查找与背景色彩分布差异最大的差异值，将该差异值确定为背景与形态图像的分割阈值；
利用所述分割阈值对所述形态图像进行二值化分割，以形成二值化分割的片烟图像。
3.根据权利要求2所述的片烟属性的表征方法，其特征在于，所述对所述分割后的片烟图像进行片烟图像轮廓提取，对片烟图像轮廓上的轮廓点做重采样，以形成用于计算所述烟叶属性的数据集合的步骤包括：
对片烟图像轮廓上的轮廓点做X方向和Y方向上等间隔重采样，获取初始重采样点的第一采样集合；所述重采样点形成片烟的重采样轮廓；
计算重采样轮廓上每一个重采样点到片烟图像轮廓上的轮廓点的距离，以查找出两点之间最小距离对应的重采样点，形成用于计算所述烟叶属性的第二采样集合。
4.根据权利要求3所述的片烟属性的表征方法，其特征在于，
所述对所述分割后的片烟图像进行片烟图像轮廓提取，对片烟图像轮廓上的轮廓点做重采样，以形成用于计算所述烟叶属性的数据集合的步骤还包括：
将所述第二采样集合中任意两两不重合的重采样点进行连线，判断所述连线是否在所述片烟图像轮廓内，将在所述片烟图像轮廓内的连线组成片烟形态切割线的数据集合；
所述根据所述数据集合中有效切割线的长度数据，计算片烟形态切割线的均值长度和变异系数用以表征片烟属性的步骤包括：
计算数据集合中每条有效切割线的长度；
计算有效切割线的均值长度，以获取片烟形态切割线的均值长度；
计算有效切割线长度的变异系数，以获取片烟成丝长度分布变异系数。
5.根据权利要求4所述的片烟属性的表征方法，其特征在于，所述判断所述连线是否在所述片烟图像轮廓内的步骤包括：
所述第二采样集合中任意两两不重合的重采样点进行连线后，形成一重采样点连线集合；
生成与所述二值化分割的片烟图像同样尺寸的零矩阵；
将重采样点连线集合中重采样点连线按照位置一一对应关系映射于所述零矩阵中；
将零矩阵与重采样点连线集合中重采样点连线对应位置处的像素点赋值为1，以形成判定矩阵；
查找二值化分割的片烟图像中与每一重采样点连线对应位置处的像素值不为0的第一像素点个数及所述判定矩阵中与每一重采样点连线对应位置处的像素值不为0的第二像素点个数；
当所述第一像素点个数等于第二像素点个数时，表示该重采样点连线为有效切割线；
当所述第一像素点个数不等于第二像素点个数时，表示该重采样点连线为无效切割线。
6.根据权利要求4所述的片烟属性的表征方法，其特征在于，所述片烟属性的表征方法还包括：
将片烟图像轮廓上的轮廓点中任意两两不重合的轮廓点进行连线，形成一轮廓点连线集合；
生成与所述二值化分割的片烟图像同样尺寸的零矩阵；
将轮廓点连线集合中轮廓点连线按照位置一一对应关系映射于所述零矩阵中；
将零矩阵与重采样点连线集合中轮廓点连线对应位置处的像素点赋值为1，以形成判定矩阵；
查找二值化分割的片烟图像中与每一轮廓点连线对应位置处的像素值不为0的第一像素点个数及所述判定矩阵中与每一轮廓点连线对应位置处的像素值不为0的第二像素点个数；
当所述第一像素点个数等于第二像素点个数时，表示该轮廓点连线为有效切割线；
当所述第一像素点个数不等于第二像素点个数时，表示该轮廓点连线为无效切割线；
计算有效切割线的长度，并计算实际有效切割线的均值长度，以获取实际片烟切割线的实际均值长度，及计算实际有效切割线长度的变异系数，以获取实际片烟成丝长度分布变异系数。
7.根据权利要求4所述的片烟属性的表征方法，其特征在于，所述片烟属性的表征方法还包括验证片烟形态切割线的均值长度与实际片烟切割线的实际均值长度的差异性；及验证片烟成丝长度分布变异系数与实际片烟成丝长度分布变异系数的差异性。
8.一种片烟属性的表征系统，其特征在于，包括：
图像获取模块，用于获取分离后的单片片烟的形态图像；
分割模块，用于通过对所述形态图像的背景分割，以获取分割后的片烟图像；
提取模块，用于对所述分割后的片烟图像进行片烟图像轮廓提取，对片烟图像轮廓上的轮廓点做重采样，以形成用于计算所述烟叶属性的数据集合；所述烟叶属性包括用于表征片烟尺寸的片烟平均成丝长度和用于表征片烟规整度的片烟成丝长度分布变异系数；
计算模块，用于根据所述数据集合中有效切割线的长度数据，计算片烟形态切割线的均值长度和变异系数用以表征片烟属性。
9.一种计算机可读存储介质，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中任一项所述片烟属性的表征方法。
10.一种表征设备，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，以使所述表征设备执行如权利要求1至7中任一项所述片烟属性的表征方法。
CN202110501831.7A 2021-05-08 2021-05-08 片烟属性的表征方法、系统、设备及计算机可读存储介质 Active CN113139951B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110501831.7A CN113139951B (zh) 2021-05-08 2021-05-08 片烟属性的表征方法、系统、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110501831.7A CN113139951B (zh) 2021-05-08 2021-05-08 片烟属性的表征方法、系统、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113139951A true CN113139951A (zh) 2021-07-20
CN113139951B CN113139951B (zh) 2022-11-22

Family

ID=76816690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110501831.7A Active CN113139951B (zh) 2021-05-08 2021-05-08 片烟属性的表征方法、系统、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113139951B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102879535A (zh) * 2012-10-25 2013-01-16 山东中烟工业有限责任公司 提高卷烟质量稳定性所需烟丝长度的确定方法
CN103478902A (zh) * 2013-09-13 2014-01-01 湖南中烟工业有限责任公司 一种卷烟复合滤棒及其制备方法
CN106770303A (zh) * 2017-03-31 2017-05-31 河南农业大学 基于图像分析的卷烟烟丝结构表征方法
CN107220973A (zh) * 2017-06-29 2017-09-29 浙江中烟工业有限责任公司 基于Python+OpenCV的六边形中空滤棒快速检测方法
CN107330467A (zh) * 2017-07-03 2017-11-07 云南昆船设计研究院 一种基于片烟形态特征对烟丝结构影响的预测方法
WO2018040302A1 (zh) * 2016-08-31 2018-03-08 上海创和亿电子科技发展有限公司 烟丝或梗丝的宽度测定方法、系统及具有该系统的服务器
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
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
CN109215048A (zh) * 2018-09-21 2019-01-15 云南中烟工业有限责任公司 基于机器视觉的烟丝长度确定方法及系统
CN109493335A (zh) * 2018-11-13 2019-03-19 上海烟草集团有限责任公司 片烟的片型系数表征方法、系统、计算机存储介质及设备
CN109829943A (zh) * 2018-11-13 2019-05-31 上海烟草集团有限责任公司 基于机器视觉的叶片结构检测方法、系统、介质及设备
CN111737643A (zh) * 2020-06-05 2020-10-02 红云红河烟草(集团)有限责任公司 一种烟丝结构分布稳定性测定方法
CN112505039A (zh) * 2020-11-16 2021-03-16 山东中烟工业有限责任公司 一种烟用梗丝复切理论成丝效果评价方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102879535A (zh) * 2012-10-25 2013-01-16 山东中烟工业有限责任公司 提高卷烟质量稳定性所需烟丝长度的确定方法
CN103478902A (zh) * 2013-09-13 2014-01-01 湖南中烟工业有限责任公司 一种卷烟复合滤棒及其制备方法
WO2018040302A1 (zh) * 2016-08-31 2018-03-08 上海创和亿电子科技发展有限公司 烟丝或梗丝的宽度测定方法、系统及具有该系统的服务器
CN106770303A (zh) * 2017-03-31 2017-05-31 河南农业大学 基于图像分析的卷烟烟丝结构表征方法
CN107220973A (zh) * 2017-06-29 2017-09-29 浙江中烟工业有限责任公司 基于Python+OpenCV的六边形中空滤棒快速检测方法
CN107330467A (zh) * 2017-07-03 2017-11-07 云南昆船设计研究院 一种基于片烟形态特征对烟丝结构影响的预测方法
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
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
CN109215048A (zh) * 2018-09-21 2019-01-15 云南中烟工业有限责任公司 基于机器视觉的烟丝长度确定方法及系统
CN109493335A (zh) * 2018-11-13 2019-03-19 上海烟草集团有限责任公司 片烟的片型系数表征方法、系统、计算机存储介质及设备
CN109829943A (zh) * 2018-11-13 2019-05-31 上海烟草集团有限责任公司 基于机器视觉的叶片结构检测方法、系统、介质及设备
CN111737643A (zh) * 2020-06-05 2020-10-02 红云红河烟草(集团)有限责任公司 一种烟丝结构分布稳定性测定方法
CN112505039A (zh) * 2020-11-16 2021-03-16 山东中烟工业有限责任公司 一种烟用梗丝复切理论成丝效果评价方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
周雅宁: "烟梗加工处理技术与设备研究进展", 《中国烟草学报》 *
张超凡等: "基于视觉形态特征检测的烟梗切丝质量分析", 《烟草科技》 *
徐大勇等: "基于计算机视觉的片烟形状测量方法", 《烟草科技》 *
王戈 等: "计算机视觉和智能识别技术在烤烟烟叶分级中的应用", 《计算机与应用化学》 *

Also Published As

Publication number Publication date
CN113139951B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
WO2022042579A1 (zh) 一种用于lcd屏幕的缺陷检测方法、装置
CN107798672B (zh) 烟丝或梗丝的宽度测定方法、系统及具有该系统的服务器
WO2019104780A1 (zh) 激光雷达点云数据分类方法、装置、设备及存储介质
CN111340787B (zh) 输电线路的导线缺陷检测识别方法、装置及计算机设备
CN107169960B (zh) 一种基于图像颜色空间的皮肤表面毛孔大小检测方法
CN108335311B (zh) 烟叶形态结构特征的提取方法、电子设备及存储介质
US8577611B2 (en) System and method for analyzing trees in LiDAR data using views
CN113109368B (zh) 玻璃裂纹检测方法、装置、设备及介质
CN109829943B (zh) 基于机器视觉的叶片结构检测方法、系统、介质及设备
CN109461133B (zh) 桥梁螺栓脱落检测方法及终端设备
CN111598827A (zh) 外观瑕疵检测方法、电子装置及存储介质
CN113156394A (zh) 基于激光雷达的森林资源监测方法、装置和存储介质
CN115526885A (zh) 一种产品图像缺陷检测方法、系统、装置及介质
US20220114810A1 (en) Forest resource information generation structure and forest resource information generation method
US8538695B2 (en) System and method for analyzing trees in LiDAR data using views
CN113139951B (zh) 片烟属性的表征方法、系统、设备及计算机可读存储介质
CN107945164B (zh) 基于峰值阈值、旋转校准和混合特征的纺织品瑕疵检测方法
CN109376770B (zh) 一种应用于底片检查机的网格区域识别方法及装置
CN116432052A (zh) 一种新能源汽车模具用夹具质量检测方法
CN113838123B (zh) 基于图像处理的烟丝形貌特征的测量方法
CN112418313B (zh) 一种大数据在线噪声过滤系统与方法
CN114708191A (zh) 晶体边界检测方法、装置、探测器事例定位系统和介质
CN109472766B (zh) 桥梁螺栓区域定位方法及终端设备
CN113553980A (zh) 一种图片的商标图形要素编码生成方法、系统及装置
Zheng et al. A CBCT series slice image segmentation method

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