CN113569880A - 一种烤后自然卷曲烟叶的快速初分系统及初分方法 - Google Patents
一种烤后自然卷曲烟叶的快速初分系统及初分方法 Download PDFInfo
- Publication number
- CN113569880A CN113569880A CN202010350216.6A CN202010350216A CN113569880A CN 113569880 A CN113569880 A CN 113569880A CN 202010350216 A CN202010350216 A CN 202010350216A CN 113569880 A CN113569880 A CN 113569880A
- Authority
- CN
- China
- Prior art keywords
- image
- tobacco
- tobacco leaves
- algorithm
- grade
- 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.)
- Pending
Links
- 241000208125 Nicotiana Species 0.000 title claims abstract description 114
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 239000002131 composite material Substances 0.000 claims abstract description 11
- 238000000926 separation method Methods 0.000 claims abstract description 5
- 238000007635 classification algorithm Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 8
- 238000012797 qualification Methods 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 3
- 238000004806 packaging method and process Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
-
- 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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/10—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
- G06T7/40—Analysis of texture
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明公开了一种烤后自然卷曲烟叶的快速初分系统及初分方法,以摄像头为图像采集设备,采用结合了OTSU算法及边缘识别算法的复合算法作为识别算法,采用RGB参数、HSV参数、叶型参数和叶面纹理参数组合而成的复合参数作为分级参数,采用贝叶斯分类器作为分级算法,通过系统的固化,实现对烤后自然卷曲烟叶的图像采集、目标识别、参数提曲、智能判定一系列步骤的自动智能分析处理,提高分级准确度,实现烟农家中即可预检封包,收购场直接定级,大大提高了工作效率,解决了烟农初分环节花工大、效率低、等级合格率无法达标的问题,对于提升烟叶收购等级纯度、推动烟叶生产高质量发展,努力保持烟叶生产持续稳定健康发展具有重要作用。
Description
技术领域
本发明涉及烟叶分级领域,尤其涉及一种烤后自然卷曲烟叶的快速初分系统及初分方法。
背景技术
烟草是我国主要经济作物之一,其收购价格主要通过烤烟外观质量等级确定。2010年开始,全国推行专业化分级散叶收购模式(下文简称:专分散收)。该模式主要分为烟叶初分、烟叶初检、烟叶评级三个工序。烟叶初分是专分散收的一个关键环节。烟叶初分的目的是把不同品质的烟叶分开,以便提高烟叶分级扎把水平、提高烟叶等级纯度。初分质量的高低直接影响烟叶收购质量和收购效率,是烟叶收购工作管理的一项重要内容。根据Q/LYYC122-2010《龙岩市优质烤烟生产技术标准体系》要求:烟叶初分等级合格率必须达到60%以上。
烟叶初分不合格被要求退回重分,不仅增加烟农重新初分和重新预约等待交售的时间,还会影响烟草站收购进度。同时,由于多次拆捆、扎捆,可能对烟叶品质造成损害,导致烟叶颜色变淡,高等级烟叶会因此造成等级下降,对烟农种烟收益造成损失。因此,烟叶初分质量的好坏直接影响烟草站收购进度和烟农种烟的切实利益。目前,我国烤烟分级仍以人工为主,依靠烟农的主观评价及感官经验来定级。
由于烟叶烘烤后呈自然卷曲状态,不能全面展现烟叶的全叶状态,人工肉眼无法快速判断进行分级,经过实地调查,烟农烟叶初分等级抽检合格率约在43%,远远低于标准要求。大部分烟农只做到了去青杂,分清部位、颜色(部分烟农以长短定等级),初分等级与收购场专业化分级的要求差距较大,初分等级合格率不达标。且由于日均烟叶初分数量需求较大,烟农为赶时间,一般都采用连续不间断初分的模式,持续工作9小时以上,劳动强度大。
目前也有提出将将自然卷曲状态的烟叶进行平展,呈现全叶状态,即平展叶状态,再进行分级,以提高分级合格率。但这样不仅会对烟叶品质造成损害,还会降低分级速度,增加劳动强度。
发明内容
本发明的目的在于提供一种烤后自然卷曲烟叶的快速初分系统及初分方法,能够实现在任意条件下对自然卷曲烟叶进行精准初分,提高初分等级合格率,并降低劳动强度。
本发明所解决的技术问题可以采用以下技术方案来实现:
一种烤后自然卷曲烟叶快速初分系统,其特征在于:包括图像采集模块、分析处理模块和等级显示模块;所述图像采集模块采集的图像一路传输至等级显示模块进行实时显示,另一路传输至分析处理模块进行分析处理后再将分析处理结果传输至所述等级显示模块进行显示;
所述分析处理模块采用结合了OTSU算法及边缘识别算法的识别程序进行烟叶识别,采用RGB参数、HSV参数、叶型参数和叶面纹理参数组合的复合参数的提取程序进行烟叶参数提取,采用基于贝叶斯分类算法的分级程序进行烟叶分级。
优选的,所述图像采集模块、分析处理模块和等级显示模块通过USB3.0接口进行数据传输。
优选的,所述图像采集模块为500万像素摄像头,所述等级显示模块为工控一体机;所述识别程序、提取程序和分级程序导入所述工控一体机中。
一种采烤后自然卷曲烟叶快速初分方法,包括如下步骤:
步骤一:图像采集:采用摄像头在距离烟叶60cm处进行垂直拍摄;
步骤二:图像识别:采用OTSU算法及边缘识别算法的识别程序对步骤一采集到的图像进行识别;
步骤三:参数提取:采用烟叶等级复合参数提取算法的提取程序对步骤二识别后的图像进行参数提取;
步骤四:分级处理:采用基于贝叶斯分类算法的分级程序进行分级处理;将步骤三提取的参数导入到贝叶斯分类器中,通过贝叶斯分类器的判定条件概率表及智能网络判定构架,进行等级判定。
优选的,步骤一所述的摄像头为500万像素摄像头,两侧设有光照强度为850LX~1000LX的白色LED光源,所述光源按与烟叶相平行的纵向条状安装布设。
优选的,步骤二所述图像识别包括:(1)识别程序读取图像信息;(2)将图像转化为双精度数组,通过graythresh函数获得其最优阈值;(3)以此为阈值对图像进行二值化处理;(4)运用edge函数进行边缘检测,并对背景分离后的图像进行膨胀操作,填补边缘缝隙及图像内部空隙,最后利用菱形结构元素对图像进行平滑及中值滤波处理;(5)采用循环算法将步骤一采集到的图像与处理得到的图像进行比对,将背景部分予以去除,保留部分即为目标叶片,将处理后的图像保存为jpg格式。
优选的,步骤三所述参数提取包括:(1)将步骤二识别的图像导入参数提取程序内,提取图片的R、G、B、H、V的均值及叶面纹理的CON及COR;(2)将图像转化为灰度图像,找到叶片边缘的距离最远的两个点,并构建两点连线为叶长,而后做叶长的垂线,其与叶缘的两个交点即为叶宽,记录叶长、叶宽的长度,计算可得叶片矩形长宽比;(3)采用nlinfit函数对叶缘进行最小二乘法拟合,而后通过椭圆公式获得椭圆长宽比。
优选的,所述步骤二的图像识别程序还包括动作捕捉。
本发明首次将人工智能技术应用于烟叶初分环节中,实现了烟叶初分级判定的智能化。通过系统的固化,实现对烤后自然卷曲烟叶的图像采集、目标识别、参数提曲、智能判定一系列步骤的自动化、智能化分析处理,提高分级准确度,实现烟农家中即可预检封包,收购场直接定级,大大提高了工作效率,努力保持烟叶生产持续稳定健康发展具有重要作用。同时避免了收购人为因素影响,更加公平公正,帮助烟农解决了初分级难题,减轻收购矛盾;实现收购质量提高和收购成本降低,达到烟农增收、收购降本、工业提质。
附图说明
图1是本发明初分方法的步骤流程图。
具体实施方式
以下结合附图及具体实施例对本发明做详细描述,但本发明的实施方式不限于此。
本发明的一种烤后自然卷曲烟叶快速初分系统,包括图像采集模块、分析处理模块和等级显示模块;图像采集模块为500万像素摄像头,等级显示模块是带显示器的WIN7计算机系统,分析处理模块采用结合了OTSU算法及边缘识别算法的识别程序进行烟叶识别,采用RGB参数、HSV参数、叶型参数和叶面纹理参数组合的复合参数的提取程序进行烟叶参数提取,采用基于贝叶斯分类算法的分级程序进行烟叶分级。
图像采集模块、分析处理模块和等级显示模块通过USB3.0接口进行数据传输;图像采集模块采集的图像一路传输至等级显示模块进行实时显示,另一路传输至分析处理模块进行分析处理后再将分析处理结果传输至等级显示模块进行显示。
本实施例中,等级显示模块为工控一体机,采用HTK-0750PT(型号)一体机,配有显示屏。并采用J1990@1.99GHz处理主板,将分析处理模块的算法固化为识别程序、提取程序和分级程序导入工控一体机中进行应用。工控一体机的显示屏分为三部分显示,一是对图像采集模块采集到的图像进行实时显示,二是对分级处理模块的处理过程进行显示,三是显示分析处理后的等级结果。工控一体机还包括语音输出,对每片烟叶的等级结果进行播报,以便进行分级封包作业。
本发明的一种烤后自然卷曲烟叶快速初分方法包括如下步骤:
步骤一:图像采集:采用500像素的摄像头,在距离烟叶60cm处进行垂直拍摄。摄像头两侧设有光照强度为850LX~1000LX的白色LED光源,光源按纵向条状安装布设,烟叶放入后,与烟叶长边方向平行;这样布设的光源模拟室外光强度,符合行业标准要求(光源照度300-1000LX),且光线均匀、柔和、无阴影,拍摄效果好。500万摄像头能准确拍摄烟叶,拍摄图片清晰,能够准确获取叶片图像信息。
步骤二:图像识别:采用OTSU算法及边缘识别算法的识别程序对步骤一采集到的图像进行识别。
识别程序首先进行动作捕捉,即捕捉手部动作,判断是否有放入烟叶,而后进行识别判断是否是烟叶,采用OTSU算法对图像进行全局去噪,采用边缘识别算法进行精准识别。(1)识别程序读取图片信息;(2)将图片转化为双精度数组后,通过graythresh函数获得其最优阈值;(3)以此为阈值对图片进行二值化处理;(4)运用edge函数进行边缘检测,并对背景分离后的图像进行膨胀操作,填补边缘缝隙及图像内部空隙,最后利用菱形结构元素对图像进行平滑及中值滤波处理;(5)采用循环算法将原图与所得到的图像进行比对,将黑色部分(即背景)予以去除,保留部分即为目标叶片,将处理后的图像保存为jpg格式。
步骤三:参数提取:采用烟叶等级复合参数提取算法的提取程序对步骤二识别后的图像进行参数提取。将步骤二识别的图像导入参数提取程序内,提取图片的R(红通道)、G(绿通道)、B(蓝通道)、H(色调)、V(明度)的均值及叶面纹理的CON(对比度)及COR(自相关);将图像转化为灰度图像,找到叶片边缘的距离最远的两个点,并构建两点连线,此即为叶长,而后做叶长的垂线,其与叶缘的两个交点即为叶宽,记录叶长、叶宽的长度,计算可得叶片矩形长宽比。采用nlinfit函数对叶缘进行最小二乘法拟合,而后通过椭圆公式即可获得椭圆离心率及长轴短轴比(椭圆长宽比)。
分级参数主要从RGB参数、HSV参数、叶型参数、叶面纹理参数4类参数中选择,需满足参数能够与烟叶等级有显著性相关。运用SPSS 22软件,对获取参数与烟叶等级进行Pearson相关分析,显著性检查采用双尾检验。分析结果如表1:
表1:分级参数相关分析结果
从表1中可看出R、G、B、H、V、LX、LS、TS、CON、IDM等10个参数与烟叶等级极显著相关,因此,选择这些参数作为分级参数,表2为复合参数表:
表2
参数 | 1 | 2 | 3 |
RGB参数 | R(红) | G(绿) | B(蓝) |
HSV参数 | H(色调) | V(明度) | |
叶型参数 | LX(拟合椭圆离心率) | LS(叶长宽比) | TS(拟合椭圆长宽比) |
叶面纹理参数 | CON(对比度) | COR(自相关) |
步骤四:分级处理:采用基于贝叶斯分类算法的分级程序进行分级处理;将步骤三提取的参数导入到贝叶斯分类器中,通过贝叶斯分类器的判定条件概率表及智能网络判定构架,进行等级判定。
实施例1:
步骤一:取云烟87标准B1F等级样品111张作为试验样品;用500万像素摄像机在距离烟叶60cm处进行垂直拍摄;拍摄在一设有光源的长方形箱体内进行,箱体尺寸为90cm×40cm×62cm,箱体材质采用铝合金制作,光源布设采用欧普照明的LED灯带,按照纵向条状布设于箱体顶部,摄像头设置在顶部中间,采用HD品牌的500万像素工业摄像头。
步骤二:将获取的图像导入Photoshop CS软件中,采用手动分离目标图像,作为CK;同时将获取图像导入识别程序中进行处理,记录识别用时(s);采用Photoshop CS软件直方图工具获取CK和识别程序2个图像的像素点进行对比,得到表3“识别程序准度度检查表”。
识别准确度计算公式:
式中,E代表识别程序处理图像的像素点,F为CK的像素点。
表3
从表3中可以看出,识别程序平均识别耗时为0.807s;平均识别准确度为99.91%;抗干扰能力强,能够自动排除阴影、碎叶等。
步骤三:取111张B2F等级的烟叶图像作为检验对象进行参数分析,将获取的图像导入Photoshop CS软件中,采用其自带直方图工具获取Red通道色阶均值,得到CK值。将步骤二识别后的图像导入参数提取程序中进行处理,得到提取程序值,与CK值对比后导出表4分级参数数据对比表格;
表4
式中,N代表参数提取程序获得的参数,M为CK的所获得的参数。
式中,X代表参数提取程序获得单个烟叶的参数个数。
从表4中可以看出,参数提取程序平均提取准确度为100%,平均每片叶片提取用时为1.77s,平均提取完整度为100%,符合目标要求。
步骤四:采用基于贝叶斯分类算法的分级程序进行分级处理;将步骤三提取的参数导入到贝叶斯分类器中,通过贝叶斯分类器的判定条件概率表5及智能网络判定构架,进行等级判定。
表5贝叶斯分级网络判定条件概率表
挑选7个等级各10片烟叶为检验对象;将烟叶图像导入分级程序中进行处理,记录识别结果,如表6分级程序等级合格率检查表;
表6
等级合格率计算公式:
式中,S代表正确判定的烟叶数量,T为参与判定的总数量。
从表6中可以看出,分级程序等级合格率65.71%,平均分析用时为0.003s;达到烟叶初分等级合格率必须达到60%以上的标准要求,且用时及短。
从实施例中可以看出,本发明采用的基于OTSU算法及边缘识别算法的识别程序达到了,1、对各个等级的烟叶识别准确度≥95%;2、每片叶片识别耗时≤1s;3、算法抗干扰能力强,能够自动排除阴影、碎叶等的目标要求。采用的烟叶等级复合参数提取算法的提取程序达到了1、烟叶等级复合参数提取完整度100%;2、每片叶片参数提取耗时≤2s;3、参数提取准确度100%的目标要求。采用的基于贝叶斯分类算法的分级程序达到了1、分级程序等级合格率≥60%;2、每片叶片分析判定耗时≤1s的目标要求。
与人工初分相比:1、等级合格率从43.16%提高到了63.14%;2、将原本人工每天初分的9小时工作量在3.6小时内完成,大大提高了初分效率,降低了人工劳动抢的;3、采用LED光源辅助初分,有效改善烟叶初分环境,能够在任意条件下精准初分。
本发明的烤后自然卷曲烟叶初分方法适用于各个烟区,运用计算机人工智能技术,无需人工肉眼识别,即可实现全天候、全环境、快速、准确、自动进行烟叶初分。
以上所述,仅是本发明较佳实施例而已,并非对本发明的技术范围作任何限制,故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰,仍属于本发明的保护范围。
Claims (8)
1.一种烤后自然卷曲烟叶快速初分系统,其特征在于:包括图像采集模块、分析处理模块和等级显示模块;所述图像采集模块采集的图像一路传输至等级显示模块进行实时显示,另一路传输至分析处理模块进行分析处理后再将分析处理结果传输至所述等级显示模块进行显示;
所述分析处理模块采用结合了OTSU算法及边缘识别算法的识别程序进行烟叶识别,采用RGB参数、HSV参数、叶型参数和叶面纹理参数组合的复合参数的提取程序进行烟叶参数提取,采用基于贝叶斯分类算法的分级程序进行烟叶分级。
2.根据权利要求1所述的一种烟叶烤后自然卷曲快速初分方法,其特征在于:所述图像采集模块、分析处理模块和等级显示模块通过USB3.0接口进行数据传输。
3.根据权利要求1所述的一种烟叶烤后自然卷曲快速初分方法,其特征在于:所述图像采集模块为500万像素摄像头,所述等级显示模块为工控一体机,是带显示器的WIN7计算机系统;所述识别程序、提取程序和分级程序导入所述工控一体机中。
4.一种采用权利要求1所述的初分系统进行初分的烤后自然卷曲烟叶快速初分方法,包括如下步骤:
步骤一:图像采集:采用摄像头在距离烟叶60cm处进行垂直拍摄;
步骤二:图像识别:采用OTSU算法及边缘识别算法的识别程序对步骤一采集到的图像进行识别;
步骤三:参数提取:采用烟叶等级复合参数提取算法的提取程序对步骤二识别后的图像进行参数提取;
步骤四:分级处理:采用基于贝叶斯分类算法的分级程序进行分级处理;将步骤三提取的参数导入到贝叶斯分类器中,通过贝叶斯分类器的判定条件概率表及智能网络判定结构,进行等级判定。
5.根据权利要求4所述的一种烤后自然卷曲烟叶快速初分方法,其特征在于:步骤一所述的摄像头为500万像素摄像头,两侧设有光照强度为850LX~1000LX的白色LED光源,所述光源按与烟叶相平行的纵向条状安装布设。
6.根据权利要求4所述的一种烤后自然卷曲烟叶快速初分方法,其特征在于:步骤二所述图像识别包括:(1)识别程序读取图像信息;(2)将图像转化为双精度数组,通过graythresh函数获得其最优阈值;(3)以此为阈值对图像进行二值化处理;(4)运用edge函数进行边缘检测,并对背景分离后的图像进行膨胀操作,填补边缘缝隙及图像内部空隙,最后利用菱形结构元素对图像进行平滑及中值滤波处理;(5)采用循环算法将步骤一采集到的图像与处理得到的图像进行比对,将背景部分予以去除,保留部分即为目标叶片,将处理后的图像保存为jpg格式。
7.根据权利要求4所述的一种烤后自然卷曲烟叶快速初分方法,其特征在于:步骤三所述参数提取包括:(1)将步骤二识别的图像导入参数提取程序内,提取图片的R、G、B、H、V的均值及叶面纹理的CON及COR;(2)将图像转化为灰度图像,找到叶片边缘的距离最远的两个点,并构建两点连线为叶长,而后做叶长的垂线,其与叶缘的两个交点即为叶宽,记录叶长、叶宽的长度,计算可得叶片矩形长宽比;(3)采用nlinfit函数对叶缘进行最小二乘法拟合,而后通过椭圆公式获得椭圆长宽比。
8.根据权利要求4所述的一种烤后自然卷曲烟叶快速初分方法,其特征在于:所述步骤二的图像识别程序还包括动作捕捉。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010350216.6A CN113569880A (zh) | 2020-04-28 | 2020-04-28 | 一种烤后自然卷曲烟叶的快速初分系统及初分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010350216.6A CN113569880A (zh) | 2020-04-28 | 2020-04-28 | 一种烤后自然卷曲烟叶的快速初分系统及初分方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113569880A true CN113569880A (zh) | 2021-10-29 |
Family
ID=78158043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010350216.6A Pending CN113569880A (zh) | 2020-04-28 | 2020-04-28 | 一种烤后自然卷曲烟叶的快速初分系统及初分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569880A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953384A (zh) * | 2023-01-10 | 2023-04-11 | 杭州首域万物互联科技有限公司 | 一种烟叶形态参数在线检测和预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077529A (zh) * | 2013-02-27 | 2013-05-01 | 电子科技大学 | 基于图像扫描的植物叶片特征分析系统 |
CN103323455A (zh) * | 2013-04-24 | 2013-09-25 | 南京文采科技有限责任公司 | 基于反射、透视和显微图像的烟叶分级方法 |
CN110415181A (zh) * | 2019-06-12 | 2019-11-05 | 勤耕仁现代农业科技发展(淮安)有限责任公司 | 一种开放环境下烤烟rgb图像智能识别及等级判定方法 |
-
2020
- 2020-04-28 CN CN202010350216.6A patent/CN113569880A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077529A (zh) * | 2013-02-27 | 2013-05-01 | 电子科技大学 | 基于图像扫描的植物叶片特征分析系统 |
CN103323455A (zh) * | 2013-04-24 | 2013-09-25 | 南京文采科技有限责任公司 | 基于反射、透视和显微图像的烟叶分级方法 |
CN110415181A (zh) * | 2019-06-12 | 2019-11-05 | 勤耕仁现代农业科技发展(淮安)有限责任公司 | 一种开放环境下烤烟rgb图像智能识别及等级判定方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953384A (zh) * | 2023-01-10 | 2023-04-11 | 杭州首域万物互联科技有限公司 | 一种烟叶形态参数在线检测和预测方法 |
CN115953384B (zh) * | 2023-01-10 | 2024-02-02 | 杭州首域万物互联科技有限公司 | 一种烟叶形态参数在线检测和预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103914708B (zh) | 基于机器视觉的食品品种检测方法及系统 | |
CN110705655A (zh) | 一种基于光谱和机器视觉耦合的烟叶分类方法 | |
CN103853724B (zh) | 多媒体数据分类方法及装置 | |
CN109446982B (zh) | 一种基于ar眼镜的电力屏柜压板状态识别方法及系统 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN106548160A (zh) | 一种人脸微笑检测方法 | |
CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
CN109886153B (zh) | 一种基于深度卷积神经网络的实时人脸检测方法 | |
CN107704878B (zh) | 一种基于深度学习的高光谱数据库半自动化建立方法 | |
CN111462058B (zh) | 一种水稻有效穗快速检测方法 | |
CN111652326A (zh) | 基于MobileNet v2网络改进的果实成熟度识别方法和识别系统 | |
CN108416814B (zh) | 一种菠萝头部的快速定位与识别方法及系统 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN114359727A (zh) | 基于轻量级优化Yolo v4的茶叶病害识别方法及系统 | |
CN110736709A (zh) | 一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法 | |
CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
CN113610185B (zh) | 基于主色调识别的木材色选方法 | |
Hortinela et al. | Classification of Cacao Beans Based on their External Physical Features Using Convolutional Neural Network | |
CN113569880A (zh) | 一种烤后自然卷曲烟叶的快速初分系统及初分方法 | |
CN112907516B (zh) | 一种用于穴盘育苗的甜玉米种子识别方法及装置 | |
CN113145473A (zh) | 一种水果智能分拣系统及方法 | |
CN107239761A (zh) | 基于骨架角点检测的果树拉枝效果评价方法 | |
CN117456358A (zh) | 一种基于YOLOv5神经网络的植物病虫害检测方法 | |
CN112183640A (zh) | 一种基于不规则物体的检测和分类方法 | |
CN107707975A (zh) | 基于监控平台的视频智能剪辑方法 |
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 |