CN113390799A - 一种烟叶中梗的识别与检测方法 - Google Patents

一种烟叶中梗的识别与检测方法 Download PDF

Info

Publication number
CN113390799A
CN113390799A CN202110705028.5A CN202110705028A CN113390799A CN 113390799 A CN113390799 A CN 113390799A CN 202110705028 A CN202110705028 A CN 202110705028A CN 113390799 A CN113390799 A CN 113390799A
Authority
CN
China
Prior art keywords
tobacco
stem
spectrum
stems
leaf
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
CN202110705028.5A
Other languages
English (en)
Other versions
CN113390799B (zh
Inventor
徐大勇
李智慧
李辉
堵劲松
孟庆华
李嘉康
苏子淇
徐波
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.)
Zhengzhou Tobacco Research Institute of CNTC
Original Assignee
Zhengzhou Tobacco Research Institute of CNTC
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 Zhengzhou Tobacco Research Institute of CNTC filed Critical Zhengzhou Tobacco Research Institute of CNTC
Priority to CN202110705028.5A priority Critical patent/CN113390799B/zh
Publication of CN113390799A publication Critical patent/CN113390799A/zh
Application granted granted Critical
Publication of CN113390799B publication Critical patent/CN113390799B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Manufacture Of Tobacco Products (AREA)

Abstract

本发明提出了一种烟叶中梗的识别与检测方法，特别是烟叶含梗率检测方法及系统，其中，方法包括：对离散后的待测样品采集高光谱图像数据；利用烟梗的标准参考光谱匹配待测样品，完成烟梗的单位像素的标记；在利用滤波算法对所述的烟叶中梗的识别方法中标记为烟梗的像素进行滤波后，计算烟叶含梗率。本发明中，烟梗标准光谱库的建立方法，包括：分别获取多个己知类型的烟叶样品的高光谱图像数据；获取的高光谱数据经校正和选取ROI，计算得到每片样品烟梗的纯净像元光谱；计算所有样品烟梗的纯净像元的平均光谱数值，将得到的平均光谱作为该类型烟叶烟梗的标准参考光谱，并将该参考光谱存为光谱库。本发明方法能够同时适用于离线和在线检测。

Description

一种烟叶中梗的识别与检测方法
技术领域
本发明属于烟草行业检测技术领域，尤其涉及一种烟叶中梗的识别与检测方法，特别是烟叶含梗率检测方法及系统。
背景技术
烟叶的轮廓和叶脉是烟叶形态学特征的重要组成部分，烟叶中烟梗含量的粗细、多少和分布被视为烟叶的“指纹”。烟叶、片烟的含梗状态也是衡量烟叶、片烟质量的指标之一。烟叶的外轮廓、颜色和烟梗的分布都可以作为烟叶质量分级依据，但当烟叶颜色、外轮廓相似时，而烟梗的分布，尺寸等能提供更多的信息。烟叶在制丝卷制前需要经过叶梗分离形成片烟，但片烟中仍然不可避免会存在一定量的烟梗，在切丝过程中形成梗签，影响卷烟质量及其稳定性，故片烟的含梗情况在对片烟的质量评价和分级中起到重要的作用。
目前烟草行业，大多数烟厂和复烤厂检测烟叶、片烟中含梗情况的方法采用人眼识别，依靠传统的人工操作，使用机械对烟叶进行叶和梗分离之后称量各自重量，进而计算叶中含梗率。该方法具有操作复杂、检测周期长、对烟叶造碎损失大和受检测人员的操作熟练程度影响等缺点，并且叶中含梗率只是叶片和烟梗质量的比值，无法完全表征烟叶中的含梗情况。因此，需要探索一种快速准确地实现烟叶中梗的识别与检测方法。
CN201110213062.7提供了一种基于组合光透视的叶中含梗率检测方法。该方法利用光透射烟叶获取叶梗图像，通过图像特征识别，得到烟叶和烟梗的形状特征尺寸，结合测量的烟叶和烟梗密度，计算得到叶中含梗率。该方法为了将光透过烟叶，使用高穿透的X射线光源辐射大，对身体健康造成危害。
CN201210475963.8公开了一种基于主动加热的叶含梗红外成像检测方法。该方法利用加热装置进行加热后送入制冷装置进行冷却，再运用红外热成像仪对烟叶进行扫描形成叶片、叶梗图像，获取目标烟叶的叶片、叶梗分布图像，对分布图像进行图像分割，计算叶中含梗率。该方法需要加热装置和制冷装置，设备复杂，过程繁琐，不够简便。
另外，烟叶是一个复杂的有机体，叶片和叶梗作为烟叶的组成部分，在水分、糖类物质、烟碱蛋白质、纤维素等化学成分上有较大的差异，导致叶片和叶梗在光谱表达上有很大的差异。含氮化合物及碳水化合物在短波红外段均有明显的波峰或波谷。利用叶片和叶梗各自特征波形的不同，完成叶中叶梗的识别。
CN201410491816.9公开了一种基于光谱成像技术的烟丝组分识别方法，然而该专利所提方法仅用于测定烟丝组成成分（叶丝、梗丝、再造烟叶丝、膨胀叶丝），并未涉及烟叶中梗的识别与检测。
综上，利用光谱技术测定烟丝含量、高光谱定量测定烟草中化学物质含量在行业内有一定的研究和应用。然而利用光谱信息技术，识别烟叶、片烟中的梗，实现烟梗形态特征尺寸计算统计和叶中含梗率检测的分类尚属空白。
发明内容
为了解决上述问题，有必要提供一种烟叶中梗的识别与检测方法，特别是烟叶含梗率检测方法及系统。
本发明第一方面提供了一种已知烟叶类型烟梗标准光谱库的建立方法，包括：
分别获取多个己知类型的烟叶样品的高光谱图像数据；
获取的高光谱数据经校正和选取ROI，计算得到每片样品烟梗的纯净像元光谱；
计算所有样品烟梗的纯净像元的平均光谱数值，将得到的平均光谱作为该类型烟叶烟梗的标准参考光谱，并将该参考光谱存为光谱库。
基于上述，所述计算得到每片样品烟梗的纯净像元光谱的方法包括纯像素索引法、凸锥分析法、迭代误差分析法和顶点成分分析法。
本发明第二方面提供了一种服务装置，所述服务装置包括高光谱成像仪、存储器和处理器，所述光谱仪、所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如所述的已知烟叶类型烟梗标准光谱库的建立方法。
本发明第三方面提供了一种可读存储介质，所述可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行所述的已知烟叶类型烟梗标准光谱库的建立方法。
本发明第四方面提供了一种烟叶含梗率的检测方法，包括：
对离散后的待测样品采集高光谱图像数据；
利用烟梗的标准参考光谱匹配待测样品，完成烟梗的单位像素的标记；所述烟梗的标准参考光谱为采用所述的建立方法建立的标准光谱库中的对应类型的标准参考光谱，或由所述的服务装置提供的对应类型的标准参考光谱，或从所述的可读存储介质中读取的预存的对应类型的标准参考光谱；
在利用滤波算法对所述的烟叶中梗的识别方法中标记为烟梗的像素进行滤波后，计算烟叶含梗率。
基于上述，所述烟叶中梗的识别方法具体包括：
1）利用离散装置将待检测烟叶均匀摊薄，摊薄后的烟叶进入高光谱成像仪的采集区域；
2）高光谱成像仪获取烟叶的高光谱图像数据，采集到的高光谱图像数据进入图像处理系统；
3）利用图像处理系统对高光谱图像数据进行黑白板校正；
4）利用图像处理系统对原始图像数据进行预处理；
5）利用图像处理系统对目标烟叶图像进行二值化处理，去除背景区域，获取目标烟叶区域，统计并计算烟叶特征尺寸参数；
6）利用图像处理系统对去除背景得到的目标烟叶区域，运用光谱角匹配法，设置光谱角阈值，进行该类型的标准参考光谱对目标烟叶区域的光谱匹配，将匹配为烟梗的单位像素进行标记；
7）利用滤波算法对所述的烟叶中梗的识别方法中标记为烟梗的像素进行滤波；
8）统计并计算烟梗特征尺寸参数，结合烟叶特征尺寸参数及烟梗特征尺寸参数计算烟叶含梗率。
基于上述，获取目标烟叶区域后，统计并计算烟叶区域面积S总；
将匹配为烟梗的像素进行标记的公式为：
Figure 671810DEST_PATH_IMAGE002
，式中，T为标准主成分得分矢量，R为参考主成分得分矢量，T、R均为非零向量；
统计并计算经滤波处理后的烟梗的区域面积S梗；
计算叶面积S叶=S总-S梗，结合叶密度P叶和梗密度P梗，则叶中含梗率为：
Figure 962852DEST_PATH_IMAGE004
。
基于上述，所述滤波处理采用滤波窗口大小为3×3的中值滤波算法。
本发明第五方面提供一种烟叶含梗率的检测系统，包括离散装置、高光谱成像仪和图像处理服务器，所述图像处理服务器与所述离散装置和所述高光谱成像仪通信连接，所述图像处理服务器中存储有计算机指令，所述图像处理服务器通过执行所述计算机指令，从而执行所述的烟叶含梗率的检测方法。
基于上述，所述高光谱成像仪的光谱范围为短波段1000-2500nm，采集高光谱图像数据时，设置所述高光谱成像仪的采集帧率为400、曝光时间为20m、光谱分辨率为12nm、采集图像分辨率为686*400。
本发明相对现有技术具有突出的实质性特点和显著进步，具体的说：
1、本发明利用短波成像高光谱技术对烟叶梗的存在情况的识别与检测，能检测叶中含梗率的同时表征烟叶中梗的大小，分布等形态特征尺寸，并且还建立了不同类型烟叶烟梗的标准光谱库；
2、本发明通过将采集到的高光谱图像数据，利用图像特征提取，获取烟叶轮廓信息，得到含梗总的烟叶面积，利用光谱角匹配法（SAM）对烟梗光谱匹配，得到烟梗的面积，结合叶片和烟梗的密度，即可计算得到叶中含梗率，整个检测过程易于实现、操作简便、准确快速、对烟叶无损，并且能够同时适用于离线和在线识别与检测。
本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
附图说明
图1为本发明烟叶含梗率的检测方法的流程图。
图2为本发明中烟叶和烟梗端元的光谱图。
图3为本发明中烟叶三波段合成的RGB伪彩图像。
图4为本发明中烟叶中梗的识别结果图像。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
实施例1
本实施例提供一种已知烟叶类型烟梗标准光谱库的建立方法，包括：
分别获取多个己知类型的烟叶样品的高光谱图像数据；
获取的高光谱数据经校正和选取ROI，计算得到每片样品烟梗的纯净像元光谱；
计算所有样品烟梗的纯净像元的平均光谱数值，将得到的平均光谱作为该类型烟叶烟梗的标准参考光谱，并将该参考光谱存为光谱库；其中，所述计算得到每片样品烟梗的纯净像元光谱的方法包括纯像素索引法、凸锥分析法、迭代误差分析法和顶点成分分析法。
进一步地，已知烟叶类型由产地和等级两个因素定义组成，通过提取已知烟叶类型纯净像元作为烟梗的标准光谱，并建立已知类型烟叶中烟梗的光谱库，如图2所示，具体流程如下：
1）取样
对己知类型烟叶随机抽取3个样品，要求每个样品重量为
Figure 352376DEST_PATH_IMAGE006
，确保烟叶表面无污染物附着；
2）烟梗纯净像元的获取
利用短波高光谱成像仪依次分别获取3组样品高光谱图像数据，设置高光谱成像仪的参数，包括采集帧率为400、曝光时间为20m、光谱分辨率为12nm、采集图像分辨率为686*400等参数。对获取的高光谱数据进行校正及预处理等操作，再选取ROI，计算得到每片烟叶中烟梗的纯净像元。
具体操作方法如下：
a）样品以均匀的状态平铺在高光谱采集数据的载物台上，使样品呈离散化状态，方便数据的采集；
b）采集烟叶高光谱图像，并将采集到的高光谱图像进行黑白校正。黑白校正具体为：首先关闭镜头盖，采集反射率为零的全黑标定图像。再打开镜头盖，扫描标准白板，采集反射率为超99%的白板标定图像；
黑白板校正公式如下：
Figure 389996DEST_PATH_IMAGE008
；
式中：R为校正后高光谱图像；I为原始高光谱图像；B为关闭相机镜头采集的全黑标定图像；W为扫描白色校正板得到的白板标定图像；
c）对原始高光谱图像数据进行Savitzky-Golay卷积滤波预处理；Savitzky-Golay卷积滤波可以提高光谱曲线的平滑性，降低噪音的干扰。标准正态变化能够降低样品表面形态，光程变化等外部因素对光谱影响；
d）选取烟梗作为感兴趣区ROI；
e）使用纯像素索引法（PPI）计算所选烟梗ROI内所有像元的纯净度，并将烟梗的端元光谱数据保存；
纯像素索引法(Pure Pixel Index，PPI)，利用端元在特征空间中所形成凸体顶点的特点，在特征空间中产生若干条具有随机方向的直线，并将原始数据中所有的样本点在这些具有随机方向的直线上进行投影，之后统计落在每条直线上位于端点的两个样本点的个数，这些样本点即为选择出来的光谱端元。因此，某个像元所对应的纯像元的计数积分越高，说明其是端元的可能性越高。经过足够多次投影后，可以根据每个烟梗像元的计数积分判定端元；
f）重复以上流程分别得到样品1、2、3烟梗的端元光谱；
g）将得到的3个样品烟梗的各自端元光谱计算平均光谱数值，将得到的平均光谱作为该类型烟叶烟梗的标准参考光谱，并将该参考光谱存入光谱库。
实施例2
如图1所示，本实施例提供一种烟叶含梗率的检测方法，包括：
对离散后的待测样品采集高光谱图像数据；
利用烟梗的标准参考光谱匹配待测样品，完成烟梗的单位像素的标记；所述烟梗的标准参考光谱为采用实施例1所述的建立方法建立的标准光谱库中的对应类型的标准参考光谱，或由实施例4所述的服务装置提供的对应类型的标准参考光谱，或从实施例4所述的可读存储介质中读取的预存的对应类型的标准参考光谱；
在利用滤波算法对所述的烟叶中梗的识别方法中标记为烟梗的像素进行滤波后，计算烟叶含梗率。
烟叶含梗率的检测方法的具体操作如下：
1）利用离散装置将待检测烟叶均匀摊薄，摊薄后的烟叶呈离散化状态，并进入高光谱成像仪的采集区域；
2）高光谱成像仪获取烟叶的高光谱图像数据，采集到的高光谱图像数据进入图像处理系统；
3）利用图像处理系统对高光谱图像数据进行黑白板校正；
4）利用图像处理系统对原始图像数据进行预处理；
5）利用图像处理系统对目标烟叶图像进行二值化处理，去除背景区域，获取目标烟叶区域，获取目标烟叶区域如图3所示，统计并计算烟叶的数目、大小、面积等烟叶特征尺寸参数，记烟叶区域面积S总；
6）利用图像处理系统对去除背景得到的目标烟叶区域，运用光谱角匹配法，设置光谱角阈值，进行该类型的标准参考光谱对目标烟叶区域的光谱匹配，将匹配为烟梗的单位像素进行标记；其中，将匹配为烟梗的像素进行标记的公式为：
Figure DEST_PATH_IMAGE009
，式中，T为标准主成分得分矢量，R为参考主成分得分矢量，T、R均为非零向量；
7）利用中值滤波算法对所述的烟叶中梗的识别方法中标记为烟梗的像素进行滤波，去除毛刺，中值滤波窗口大小为
Figure DEST_PATH_IMAGE011
，识别的烟梗图像如图4所示；
8）统计并计算经滤波处理后的烟梗数目、大小、面积等烟梗特征尺寸参数，记烟梗区域面积S梗；
9）计算叶面积S叶=S总-S梗，结合已知的叶密度P叶和梗密度P梗，则叶中含梗率为：
Figure DEST_PATH_IMAGE012
。
实施例3
本实施例提供一种烟叶含梗率的检测系统，包括离散装置、高光谱成像仪和图像处理服务器，所述图像处理服务器与所述离散装置和所述高光谱成像仪通信连接，所述图像处理服务器中存储有计算机指令，所述图像处理服务器通过执行所述计算机指令，从而执行实施例2所述的烟叶含梗率的检测方法。
需要说明的是，为描述的方便和简洁，上述描述的烟叶含梗率的检测系统的进一步工作过程，可以参考上述实施例2描述的方法的对应过程，在此不再赘述。
本实施例的检测系统，具体用于烟叶含梗率检测时，所述高光谱成像仪的光谱范围配置为短波段1000-2500nm，采集高光谱图像数据时，设置所述高光谱成像仪的采集帧率为400、曝光时间为20m、光谱分辨率为12nm、采集图像分辨率为686*400。
当设计为离线检测系统时，所述离散装置可以设计为一带振动离散烟叶的载物台，所述高光谱成像仪的图像采集范围覆盖载物台；当设计为在线检测系统时，所述离散装置可以设计为设置在传输带上的振动输送机，所述高光谱成像仪沿物料输送方向设置在所述离散装置的下方，且图像采集范围覆盖一定的传送带范围，以满足图像采集。
实施例4
本实施例提供一种服务装置，所述服务装置包括高光谱成像仪、存储器和处理器，所述光谱仪、所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如实施例1中所述的已知烟叶类型烟梗标准光谱库的建立方法。
所述存储器可以是任何具有存储功能的器件，包括但不限于高速随机存取存储器、非易失性存储器等，比如常见的磁盘、USB闪存盘等；所述处理器可以是诸如中央处理器(Central Processing Unit，简称CPU)和网络处理器(Network Processor，简称NP)之类的通用处理器；也可以是诸如数字信号处理器、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。所述存储器和所述处理器可以是各自独立的模块，也可以是集成于一体的模块。所述高光谱成像仪与所述存储器和所述处理器可以通过有线和/或无线，基于TCP/IP协议的通信方式相连接。
另外，用于运行实施例1中所述的已知烟叶类型烟梗标准光谱库的建立方法的各种计算机指令可以装载在计算机可读存储介质中，因而本发明还提供一种已知烟叶类型烟梗标准光谱库的建立方法的计算机可读存储介质。所述计算机可读存储介质可以是市面上常见的存储介质，包括但不限于软盘、光盘、CD-ROM(紧致盘-只读存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。所述计算机可读存储介质可以是独立的、未接入计算机设备的产品，也可以是已接入计算机设备使用的部件。所述计算机指令可以为执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等。而在具体的实施载体上，所述计算机可读存储介质可用于各种通用和专用的电子设备或运算系统中，比如常见的个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等。所述计算机可读存储介质也可以在基于网络连接的分布式计算环境中运行。在分布式运行环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式运行环境中，计算机程序可以位于包括存储设备在内的本地和远程计算机存储介质中。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种已知烟叶类型烟梗标准光谱库的建立方法，其特征在于，包括：
分别获取多个己知类型的烟叶样品的高光谱图像数据；
获取的高光谱数据经校正和选取ROI，计算得到每片样品烟梗的纯净像元光谱；
计算所有样品烟梗的纯净像元的平均光谱数值，将得到的平均光谱作为该类型烟叶烟梗的标准参考光谱，并将该参考光谱存为光谱库。
2.根据权利要求1所述的已知烟叶类型烟梗标准光谱库的建立方法，其特征在于：所述计算得到每片样品烟梗的纯净像元光谱的方法包括纯像素索引法、凸锥分析法、迭代误差分析法和顶点成分分析法。
3.一种服务装置，所述服务装置包括高光谱成像仪、存储器和处理器，所述光谱仪、所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-2中任一项所述的已知烟叶类型烟梗标准光谱库的建立方法。
4.一种可读存储介质，其特征在于，所述可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行如权利要求1-2中任一项所述的已知烟叶类型烟梗标准光谱库的建立方法。
5.一种烟叶含梗率的检测方法，其特征在于，包括：
对离散后的待测样品采集高光谱图像数据；
利用烟梗的标准参考光谱匹配待测样品，完成烟梗的单位像素的标记；所述烟梗的标准参考光谱为采用权利要求1-2任一项所述的建立方法建立的标准光谱库中的对应类型的标准参考光谱，或由权利要求3所述的服务装置提供的对应类型的标准参考光谱，或从权利要求4所述的可读存储介质中读取的预存的对应类型的标准参考光谱；
在利用滤波算法对所述的烟叶中梗的识别方法中标记为烟梗的像素进行滤波后，计算烟叶含梗率。
6.根据权利要求5所述的烟叶含梗率的检测方法，其特征在于，所述烟叶中梗的识别方法具体包括：
1）利用离散装置将待检测烟叶均匀摊薄，摊薄后的烟叶进入高光谱成像仪的采集区域；
2）高光谱成像仪获取烟叶的高光谱图像数据，采集到的高光谱图像数据进入图像处理系统；
3）利用图像处理系统对高光谱图像数据进行黑白板校正；
4）利用图像处理系统对原始图像数据进行预处理；
5）利用图像处理系统对目标烟叶图像进行二值化处理，去除背景区域，获取目标烟叶区域，统计并计算烟叶特征尺寸参数；
6）利用图像处理系统对去除背景得到的目标烟叶区域，运用光谱角匹配法，设置光谱角阈值，进行该类型的标准参考光谱对目标烟叶区域的光谱匹配，将匹配为烟梗的单位像素进行标记；
7）利用滤波算法对所述的烟叶中梗的识别方法中标记为烟梗的像素进行滤波；
8）统计并计算烟梗特征尺寸参数，结合烟叶特征尺寸参数及烟梗特征尺寸参数计算烟叶含梗率。
7.根据权利要求6所述的烟叶含梗率的检测方法，其特征在于：
获取目标烟叶区域后，统计并计算烟叶区域面积S总；
将匹配为烟梗的像素进行标记的公式为：
Figure DEST_PATH_IMAGE002
，式中，T为标准主成分得分矢量，R为参考主成分得分矢量，T、R均为非零向量；
统计并计算经滤波处理后的烟梗的区域面积S梗；
计算叶面积S叶=S总-S梗，结合叶密度P叶和梗密度P梗，则叶中含梗率为：
Figure DEST_PATH_IMAGE004
。
8.根据权利要求7所述的烟叶含梗率的检测方法，其特征在于：所述滤波处理采用滤波窗口大小为3×3的中值滤波算法。
9.一种烟叶含梗率的检测系统，其特征在于：包括离散装置、高光谱成像仪和图像处理服务器，所述图像处理服务器与所述离散装置和所述高光谱成像仪通信连接，所述图像处理服务器中存储有计算机指令，所述图像处理服务器通过执行所述计算机指令，从而执行权利要求5-8中任一项所述的烟叶含梗率的检测方法。
10.根据权利要求9所述的烟叶含梗率的检测系统，其特征在于：所述高光谱成像仪的光谱范围为短波段1000-2500nm，采集高光谱图像数据时，设置所述高光谱成像仪的采集帧率为400、曝光时间为20m、光谱分辨率为12nm、采集图像分辨率为686*400。
CN202110705028.5A 2021-06-24 2021-06-24 一种烟叶中梗的识别与检测方法 Active CN113390799B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110705028.5A CN113390799B (zh) 2021-06-24 2021-06-24 一种烟叶中梗的识别与检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110705028.5A CN113390799B (zh) 2021-06-24 2021-06-24 一种烟叶中梗的识别与检测方法

Publications (2)

Publication Number Publication Date
CN113390799A true CN113390799A (zh) 2021-09-14
CN113390799B CN113390799B (zh) 2023-06-27

Family

ID=77623799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110705028.5A Active CN113390799B (zh) 2021-06-24 2021-06-24 一种烟叶中梗的识别与检测方法

Country Status (1)

Country Link
CN (1) CN113390799B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114486772A (zh) * 2021-12-29 2022-05-13 中国烟草总公司郑州烟草研究院 卷烟产品的重金属检测设备及检测方法
CN115356275A (zh) * 2022-08-26 2022-11-18 中国烟草总公司郑州烟草研究院 一种烟叶等级评价方法
CN115356297A (zh) * 2022-08-26 2022-11-18 中国烟草总公司郑州烟草研究院 一种烤烟烟叶微青的鉴别方法及装置
CN116167913A (zh) * 2022-09-07 2023-05-26 武汉珈和科技有限公司 基于光谱库的光谱超分方法、装置、设备及存储介质

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101266296A (zh) * 2008-04-28 2008-09-17 北京航空航天大学 高光谱小目标探测方法及装置
CN101540049A (zh) * 2009-04-29 2009-09-23 北京师范大学 一种高光谱图像的端元提取方法
CN102339385A (zh) * 2011-07-28 2012-02-01 南京焦耳科技有限责任公司 基于组合光透视的叶中含梗及含梗率视觉识别检测方法
WO2012127617A1 (ja) * 2011-03-22 2012-09-27 日本たばこ産業株式会社 見掛密度測定方法
CN103776715A (zh) * 2014-02-24 2014-05-07 昆明聚林科技有限公司 一种烟叶含梗率测定装置及方法
CN104034661A (zh) * 2014-06-30 2014-09-10 南京大树智能科技股份有限公司 基于高光谱的叶含梗检测装置
US8897570B1 (en) * 2011-03-31 2014-11-25 Raytheon Company Detection of targets from hyperspectral imagery
CN104596877A (zh) * 2015-01-07 2015-05-06 云南昆船设计研究院 一种烟叶中含梗率的无损检测方法和装置
CN104715455A (zh) * 2015-01-09 2015-06-17 青岛市光电工程技术研究院 一种光谱成像手印增强的方法
CN105844620A (zh) * 2016-03-18 2016-08-10 武汉大学 一种基于量子粒子群的高光谱遥感影像端元提取方法
CN107274387A (zh) * 2017-05-19 2017-10-20 西安电子科技大学 基于进化多目标优化的高光谱遥感影像的端元提取方法
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
CN107991303A (zh) * 2017-12-18 2018-05-04 云南烟叶复烤有限责任公司 一种基于双光谱技术的打叶去梗质量检测装置及检测方法
CN110349153A (zh) * 2019-07-24 2019-10-18 南京大树智能科技股份有限公司 基于多特征融合的图像法烟草含梗率检测方法
CN110542658A (zh) * 2019-09-10 2019-12-06 中国烟草总公司郑州烟草研究院 一种基于高光谱成像技术的烟草非烟物质分类方法
CN112132237A (zh) * 2020-11-23 2020-12-25 广东弓叶科技有限公司 一种纯净像元光谱库建立方法及装置

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101266296A (zh) * 2008-04-28 2008-09-17 北京航空航天大学 高光谱小目标探测方法及装置
CN101540049A (zh) * 2009-04-29 2009-09-23 北京师范大学 一种高光谱图像的端元提取方法
WO2012127617A1 (ja) * 2011-03-22 2012-09-27 日本たばこ産業株式会社 見掛密度測定方法
US8897570B1 (en) * 2011-03-31 2014-11-25 Raytheon Company Detection of targets from hyperspectral imagery
CN102339385A (zh) * 2011-07-28 2012-02-01 南京焦耳科技有限责任公司 基于组合光透视的叶中含梗及含梗率视觉识别检测方法
CN103776715A (zh) * 2014-02-24 2014-05-07 昆明聚林科技有限公司 一种烟叶含梗率测定装置及方法
CN104034661A (zh) * 2014-06-30 2014-09-10 南京大树智能科技股份有限公司 基于高光谱的叶含梗检测装置
CN104596877A (zh) * 2015-01-07 2015-05-06 云南昆船设计研究院 一种烟叶中含梗率的无损检测方法和装置
CN104715455A (zh) * 2015-01-09 2015-06-17 青岛市光电工程技术研究院 一种光谱成像手印增强的方法
CN105844620A (zh) * 2016-03-18 2016-08-10 武汉大学 一种基于量子粒子群的高光谱遥感影像端元提取方法
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
CN107274387A (zh) * 2017-05-19 2017-10-20 西安电子科技大学 基于进化多目标优化的高光谱遥感影像的端元提取方法
CN107991303A (zh) * 2017-12-18 2018-05-04 云南烟叶复烤有限责任公司 一种基于双光谱技术的打叶去梗质量检测装置及检测方法
CN110349153A (zh) * 2019-07-24 2019-10-18 南京大树智能科技股份有限公司 基于多特征融合的图像法烟草含梗率检测方法
CN110542658A (zh) * 2019-09-10 2019-12-06 中国烟草总公司郑州烟草研究院 一种基于高光谱成像技术的烟草非烟物质分类方法
CN112132237A (zh) * 2020-11-23 2020-12-25 广东弓叶科技有限公司 一种纯净像元光谱库建立方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
张龙等: "高光谱成像技术在烟叶和杂物分类中的应用", 《烟草科技》 *
张龙等: "高光谱成像技术在烟叶和杂物分类中的应用", 《烟草科技》, vol. 53, no. 08, 31 August 2020 (2020-08-31), pages 72 - 78 *
赵东娥等: "高光谱成像的垃圾分类识别研究", 《光谱学与光谱分析》 *
赵东娥等: "高光谱成像的垃圾分类识别研究", 《光谱学与光谱分析》, vol. 39, no. 3, 31 March 2019 (2019-03-31), pages 917 - 922 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114486772A (zh) * 2021-12-29 2022-05-13 中国烟草总公司郑州烟草研究院 卷烟产品的重金属检测设备及检测方法
CN115356275A (zh) * 2022-08-26 2022-11-18 中国烟草总公司郑州烟草研究院 一种烟叶等级评价方法
CN115356297A (zh) * 2022-08-26 2022-11-18 中国烟草总公司郑州烟草研究院 一种烤烟烟叶微青的鉴别方法及装置
CN116167913A (zh) * 2022-09-07 2023-05-26 武汉珈和科技有限公司 基于光谱库的光谱超分方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113390799B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN113390799B (zh) 一种烟叶中梗的识别与检测方法
Perez-Sanz et al. Plant phenomics: An overview of image acquisition technologies and image data analysis algorithms
Bock et al. Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging
CN110542658A (zh) 一种基于高光谱成像技术的烟草非烟物质分类方法
Mahendran et al. Application of computer vision technique on sorting and grading of fruits and vegetables
CN113237836A (zh) 一种基于高光谱图像的烤烟叶水分含量估测方法
CN108444924B (zh) 一种应用高光谱图像技术判别茶叶贮藏期的方法
Yao et al. Hyperspectral image classification and development of fluorescence index for single corn kernels infected with Aspergillus flavus
CN210465246U (zh) 小麦感染赤霉病等级及病粒率高光谱无损检测装置的光谱采集装置
CN110376202A (zh) 基于成像高光谱技术的茶树炭疽病病斑识别方法
Chopin et al. Land-based crop phenotyping by image analysis: consistent canopy characterization from inconsistent field illumination
CN111767863A (zh) 一种基于近地高光谱技术冬小麦赤霉病遥感识别方法
Cao et al. Combining multispectral and hyperspectral data to estimate nitrogen status of tea plants (Camellia sinensis (L.) O. Kuntze) under field conditions
CN114136920A (zh) 一种基于高光谱的单粒杂交水稻种子种类鉴定方法
Cao et al. Discrimination of tea plant variety using in-situ multispectral imaging system and multi-feature analysis
Tian et al. Research on apple origin classification based on variable iterative space shrinkage approach with stepwise regression–support vector machine algorithm and visible‐near infrared hyperspectral imaging
CN113570538A (zh) 一种叶片rgb图像偏态分布参数信息采集及分析方法
Yuan et al. Early identification of Rice leaf blast based on Hyperspectral imaging
Yang et al. Early apple bruise recognition based on near-infrared imaging and grayscale gradient images
Zhang et al. Development of a hyperspectral imaging system for the early detection of apple rottenness caused by P enicillium
Bejarin et al. Rough rice grading in the Philippines using infrared thermography
Liu et al. Paddy variety identification using hyperspectral imagery under non-ideal illumination conditions
CN115356297A (zh) 一种烤烟烟叶微青的鉴别方法及装置
Xu et al. Detection of Cucumber Powdery Mildew Based on Spectral and Image Information
Zhang et al. Analysis of moisture and total sugar content of Huizao based on surface images

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