CN114766706B - 一种烟叶除杂与定级方法 - Google Patents

Abstract

一种烟叶除杂与定级方法，包括：利用高光谱采集设备获取待评级烟叶的高光谱原始数据，并提取感兴趣区域获得高光谱待检数据；进行烟叶含青与含杂检测；然后进行烟叶等级识别，确定检测单元内待评级烟叶的初步等级；获取烟叶化学成分协调性评价指标；利用烟叶化学成分协调性评价指标校正初步等级以确定特定检测单元内的待评级烟叶的最终等级。本发明方法在对待评级烟叶进行评级前去除含青含杂超过指定阈值的烟叶，从而提高了烟叶评级的准确性。利用面向烟叶等级的神经网络模型以自动确定烟叶的初步等级，实现烟叶等级检测的自动化。同时，利用烟叶化学成分协调性评价指标校正初步等级以确定待评级烟叶的最终等级，能够保证烟叶定级的准确性。

Description

一种烟叶除杂与定级方法

技术领域

本发明涉及烟叶杂质检测去除和定级技术领域，特别是涉及一种烟叶除杂与定级方法。

背景技术

烟草行业在中国农业经济上占有重要地位，其各个生产环节正在逐步实现机械化与自动化，如烟叶打顶抑芽机、全自动烟叶采收机、全自动编烟机和密集型高效能烤房的开发与应用等。

对于烟叶收购过程中的烟叶分级，还停留在人工分级水平。烟叶人工分级方式主要通过操作人员的经验和感官判断进行划分，人工分级依靠的是烟叶分级工的眼、鼻、手等感官感受对烟叶进行主观上的等级判断。在实际过程无法要求烟叶分级工对烟叶都过手仔细查看，这样不仅劳动强度极大，而且长时间的分级工作将导致烟叶分级工产生视觉疲劳，使分级效率和正确率降低。此外，在实际烟叶的收购中，经常会发生不同产区之间、不同分级工之间、或烟农与烟草收购站之间在烟叶分级标准认识上的分歧。导致这种分歧的原因主要是人工分级具有很强的主观性，容易造成烟叶收购不客观的问题。在人工分级过程中时常发生烟农不认可烟叶收购站对烟叶质量等级认定的纠纷，这样会造成无法实现以质论价的分级原则，损害烟农的利益，影响烟农的种植积极性。

发明内容

本发明的目的在于提供一种烟叶除杂与定级方法，实现烟叶评价的自动化、智能化、标准化。

为实现上述目的，提供一种烟叶除杂与定级方法，包括如下步骤：

S1，将待评级烟叶按照待检测单元分摊至检测设备的输送装置；

S2，利用高光谱采集设备获取检测单元内待评级烟叶的高光谱原始数据，提取高光谱数据中的感兴趣区域获得高光谱待检数据；

S3，进行烟叶含青与含杂检测；利用烟叶含青部位所对应的特征颜色范围和S2中的高光谱待检数据检测待评级烟叶含青比例，利用含杂部位所对应的特征颜色范围和S2中的高光谱待检数据检测待评级烟叶含杂比例；待评级烟叶含青比例和含杂比例之和小于给定的烟叶含青含杂阈值时进行S4；

S4，烟叶等级识别；

获取初步评级，将S2的高光谱待检数据输入面向烟叶等级的神经网络模型以确定检测单元内待评级烟叶的初步等级；

获取烟叶化学成分协调性评价指标，利用S2的高光谱待检数据以及特征高光谱数据与烟叶化学成分的对应关系，确定待评级烟叶总糖、还原糖、总烟碱、总氮、钾、氯、淀粉、蛋白质中至少两种的含量，并根据所述含量计算烟叶化学成分协调性评价指标；

利用烟叶化学成分协调性评价指标校正初步等级以确定特定检测单元内的待评级烟叶的最终等级。

本发明上述烟叶除杂与定级方法，进一步地，在S2中，还包括结合采集的标准白板高光谱数据对待评级烟叶的高光谱数据进行校准的步骤。通过校准操作，能够消除光源变化衰减等对高光谱数据采集造成的不利影响，提高除杂和分级的准确性。

本发明上述烟叶除杂与定级方法，进一步地，在S2中，提取感兴趣区域的方法为：选择高光谱数据中400nm～480nm波段蓝光构建烟叶高光谱数据的灰度图，然后基于所述灰度图获取面向高光谱数据的烟叶掩码图，基于烟叶掩码图获取烟叶感兴趣区域的高光谱数据值，烟叶感兴趣区域的高光谱数据值为高光谱待检数据。通过感兴趣区域的提取，能够将烟叶部位所形成的高光谱数据与背景数据分离，能够提高烟叶含青与含杂检测以及烟叶等级识别的准确性，同时由于数据量的减少，能够提高检测步骤和等级识别步骤的进行速度，进一步满足烟叶实时收购的需求。

本发明上述烟叶除杂与定级方法，进一步地，在S4中，在进行获取初步评级前还包括数据波段的选取步骤，选取高光谱待检数据中400nm～800nm波段范围内的光谱特性作为备用数据。通过对波段的选择，实现输入数据维度对面向烟叶等级的神经网络模型的预测执行时间产生的平衡，即满足等级评价结果的准确性也保证执行速度满足烟叶实时收购的需要。

本发明上述烟叶除杂与定级方法，进一步地，进行烟叶含青与含杂检测的过程包括：利用HSV颜色空间提取高光谱待检数据中的含青区域，H取值区间26～49、S取值区间20～255、V取值区间120～255。

本发明上述烟叶除杂与定级方法，进一步地，进行烟叶含青与含杂检测的过程包括：利用HSV颜色空间提取高光谱待检数据中的含杂区域，H取值区间0～16、S取值区间43～255、V取值区间46～255。

本发明上述烟叶除杂与定级方法，进一步地，在S4中，训练面向烟叶等级的神经网络模型的过程为：利用高光谱采集设备获取已知等级烟叶的高光谱数据并提取感兴趣区域，将提取的感兴趣区域数据作为训练数据输入卷积神经网络进行迭代训练，获得面向烟叶等级的神经网络模型。

本发明上述烟叶除杂与定级方法，进一步地，在S4中，确定特征高光谱数据与烟叶化学成分的对应关系的方法为：获取已知等级烟叶的高光谱数据，对数据中取样点位置所对应的已知等级烟叶进行取样，并对样本进行化学成分含量检测，建立特征高光谱数据与烟叶化学成分的对应关系。

本发明上述烟叶除杂与定级方法，进一步地，在S4中，还包括获取叶片结构评价指标和饱满度评价指标的步骤，将S2的高光谱待测数据输入面向叶片结构和饱满度的神经网络模型以确定检测单元内待评级烟叶的叶片结构评价指标和饱满度评价指标；最终，利用烟叶化学成分协调性评价指标、叶片结构评价指标和饱满度评价指标校正初步等级以确定特定检测单元内的待评级烟叶的最终等级。利用叶片结构评价指标和饱满度评价指标对初步等级进一步校正，能够进一步提高烟叶等级检测的准确性。

本发明上述烟叶除杂与定级方法，进一步地，训练面向叶片结构和饱满度的神经网络模型的过程为：利用高光谱采集设备获取已知叶片结构和饱满度烟叶的高光谱数据并提取感兴趣区域，将提取的感兴趣区域数据作为训练数据输入卷积神经网络进行迭代训练，获得面向烟叶部位和烟叶颜色的神经网络模型。

本发明烟叶除杂与定级方法，在对待评级烟叶进行评级前对其进行含青和含杂检测，并去除含青含杂超过指定阈值的烟叶，从而提高了烟叶评级的准确性，避免收购到不合格烟叶造成收购方的损失。利用待检测烟叶的高光谱待检数据和面向烟叶等级的神经网络模型以自动确定检测单元内待评级烟叶的初步等级实现烟叶等级检测的自动化。同时，利用烟叶化学成分协调性评价指标校正初步等级以确定特定检测单元内的待评级烟叶的最终等级能够保证烟叶定级的准确性。

附图说明

为了更清楚地说明本发明，下面将对本发明的说明书附图进行描述和说明。显而易见地，下面描述中的附图仅仅说明了本发明的一些示例性实施方案的某些方面，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为已知等级烟叶的不同部位高光谱数据差异图；

图2为已知等级烟叶的颜色高光谱数据差异图；

图3为含杂检测中对烟叶高光谱数据进行分块；

图4为含青检测中对烟叶高光谱数据进行分块；

图5为一种实施方式的烟叶除杂与定级方法流程示意图。

具体实施方式

以下参照附图详细描述本公开的各种示例性实施例。对示例性实施例的描述仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。本公开可以以许多不同的形式实现，不限于这里所述的实施例。提供这些实施例是为了使本公开透彻且完整，并且向本领域技术人员充分表达本公开的范围。应注意到：除非另有说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值等应被解释为仅仅是示例性的，而不是作为限制。

本公开中使用的“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其它要素的可能。

本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用词典中定义的术语应当被理解为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非本文有明确地这样定义。

对于本部分中未详细描述的部件、部件的具体型号等参数、部件之间的相互关系以及控制电路，可被认为是相关领域普通技术人员已知的技术、方法和设备，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

实施方式1

结合图5说明本发明一种实施方式的烟叶除杂与定级方法，包括如下步骤：

S1，将待评级烟叶按照待检测单元分摊至检测设备的输送装置；上述分摊过程可通过自动化手段完成如振动平台、分格提升皮带、精摊设备等。

S2，利用高光谱采集设备获取检测单元内待评级烟叶的高光谱原始数据，提取高光谱数据中的感兴趣区域获得高光谱待检数据；在一种实施例中，采用高分辨率的高光谱成像仪，覆盖可见光与近红外，在全波段(380-1000nm)内可以获得128个的光谱通道。通过高光谱数据获取高光谱待检数据的过程是数据的预处理工作，通过感兴趣区域的提取，能够将烟叶部位所形成的高光谱数据与背景数据分离，能够提高烟叶含青与含杂检测以及烟叶等级识别的准确性，同时由于数据量的减少，能够提高检测步骤和等级识别步骤的进行速度，进一步满足烟叶实时收购的需求。

在一种实施例中，在S2中，提取感兴趣区域的方法为：选择高光谱数据中400nm～480nm波段蓝光构建烟叶高光谱数据的灰度图，然后基于所述灰度图获取面向高光谱数据的烟叶掩码图，基于烟叶掩码图获取烟叶感兴趣区域的高光谱数据值，烟叶感兴趣区域的高光谱数据值为高光谱待检数据。在另一种实施例中，提取感兴趣区域的方法为：利用HSV颜色空间提取高光谱数据中的感兴趣区域，H取值区间0～80、S取值区间20～255、V取值区间46～255。利用HSV颜色空间的感兴趣区域提取，可以最大化的将非烟叶部位进行剔除，且算法执行时间是实时的，完全适用于烟叶实际收购需求。此外也可以通过RGB、YUV、HSL、Lab、CMY等颜色空间提取高光谱数据中的感兴趣区域。在一种实施例中，选择高光谱待检数据中450nm、550nm和650nm处的蓝、绿和红光波段对应的光谱值，获取RGB色系下对应的R/G/B值，进而反演生成烟叶对应的RGB图像。通过操作人员对所述RGB图像进行识别，以判断高光谱数据中背景数据的剔除是否准确，即感兴趣区域的提取是否准确，如果出现准确度差的问题，可调整提取感兴趣区域的方法的具体参数选择。在另一种实施例中，对上述RGB图像亮度、曝光度进行调整，以获取更接近真实的烟叶图像。

S3，进行烟叶含青与含杂检测；利用烟叶含青部位所对应的特征颜色范围和S2中的高光谱待检数据检测待评级烟叶含青比例，利用含杂部位所对应的特征颜色范围和S2中的高光谱待检数据检测待评级烟叶含杂比例；待评级烟叶含青比例和含杂比例之和小于给定的烟叶含青含杂阈值时进行S4；可选地，待评级烟叶含青比例和含杂比例之和大于给定的烟叶含青含杂阈值时可以将对应待检测单元的烟叶移出以进行人工单独评级，或者通过机器或人工去除待检测单元内的青烟叶和杂物，对剩余烟叶按检测单元分摊至检测设备的输送装置，继续进行除杂和定级的其他步骤。

在一种实施例中，选择高光谱待检数据中450nm、550nm和650nm处的蓝、绿和红光波段对应的光谱值，获取RGB色系下对应的R/G/B值，进而反演生成烟叶对应的RGB图像。针对所述RGB图像，进行烟叶含青与含杂检测的过程包括：利用HSV颜色空间提取高光谱待检数据中的含青区域，H取值区间26～49、S取值区间20～255、V取值区间120～255。在一种实施例中，进行烟叶含青与含杂检测的过程包括：利用HSV颜色空间提取高光谱待检数据中的含杂区域，H取值区间0～16、S取值区间43～255、V取值区间46～255。

结合图3说明一种实施例的含杂检测方法，首先基于S2获取的高光谱待检数据，本系统沿着烟叶主脉的方向将烟叶分成若干块；图3中示出的方法首先进行等距离分块，构成1、2、……N分块。利用HSV颜色空间提取某一分块区域内的高光谱待检数据中的含杂区域，H取值区间0～16、S取值区间43～255、V取值区间46～255，分别对每个分块的高光谱待检数据进行含杂检测，得到每块高光谱待检数据所对应烟叶的含杂比例；然后根据每块高光谱待检数据所对应烟叶的含杂比例，并和设定的第一含杂上限阈值进行比较，如果该块高光谱待检数据所对应烟叶的含杂比例小于给定阈值则只计算该块的含杂数据，否则整个分块都记为含杂区域；最后计算所有分块的含杂数据并计算该检测单元内烟叶含杂比例，最终和第二含杂上限阈值进行比较，如果小于给定的阈值则继续后续的等级判断或含青检测，否则人工剔除含杂烟叶后重复上述含杂检测流程。上述方法对待检测分级的烟叶高光谱待测数据进行分块处理，能进一步提高含杂检测的准确率。

结合图4说明一种实施例的含青检测方法，基于S2获取的高光谱待检数据，沿着垂直于主脉的方向将叶基部与其他部分划分开，如图4中划分为叶基部100和其他部分200，对叶尖部和叶基部进行分别分块处理，其中对叶基部的分块数量大于对叶尖部的分块数量。图4中示出的方法对叶尖部和叶基部首先进行等距离分块，构成1、2、……N，然后在叶基部对初级分块内进行再次分块，图4中对下部第二个初级分块继续划分为第一次级分块21、第二次级分块22、第三次级分块23。对利用HSV颜色空间提取高光谱待检数据中的含青区域，H取值区间26～49、S取值区间20～255、V取值区间120～255。分别对每个分块的高光谱待检数据进行含青检测，得到每块高光谱待检数据所对应烟叶的含青比例；然后根据每块高光谱待检数据所对应烟叶的含青比例，并和设定的第一含青上限阈值进行比较，如果该块高光谱待检数据所对应烟叶的含青比例小于给定阈值则只计算该块的含青数据，否则整个分块都记为含青区域；最后计算所有分块的含青数据并计算该检测单元内烟叶含青比例，最终和第二含青上限阈值进行比较，如果小于给定的阈值则继续后续的等级判断或含杂检测，否则人工剔除含青烟叶后重复上述含青检测流程。由于烟叶的含青部位多分布在烟叶的叶基部，通过对叶尖部和叶基部两部分分别进行检测，并分别将叶尖部和叶基部分别进行分块能进一步提高含青检测的准确率。

S4，烟叶等级识别；

获取初步评级，将S2的高光谱待检数据输入面向烟叶等级的神经网络模型以确定检测单元内待评级烟叶的初步等级；在一种实施例中，在S4中，训练面向烟叶等级的神经网络模型的过程为：利用高光谱采集设备获取已知等级烟叶的高光谱数据并提取感兴趣区域，将提取的感兴趣区域数据作为训练数据输入卷积神经网络进行迭代训练，获得面向烟叶等级的神经网络模型。在一种实施例中，已知等级的烟叶样本为15000个，包含B2F，B3F，C2F，C3F，X2F，C3L等六个等级的烟叶，上述等级中B表示下部，C表示中部，X表示上部，F表示橘黄，L表示柠檬黄。

由于上述面向烟叶等级的神经网络模型进行初步等级的评价过程中需要处理烟叶部位和颜色等多重指标，存在等级判断准确率较低的问题，为了进一步提高初步等级的准确率利，用烟叶部位和烟叶颜色对通过面向烟叶等级的神经网络模型确定的检测单元内待评级烟叶的初步等级进行校正。包括获取烟叶部位和烟叶颜色的步骤，将S2的高光谱待测数据输入面向烟叶部位和烟叶颜色的神经网络模型以确定检测单元内待评级烟叶的烟叶部位和烟叶颜色；上述面向烟叶部位和烟叶颜色的神经网络模型可以是同时检测烟叶部位和烟叶颜色的一个模型，也可以是分别检测烟叶部位和烟叶颜色的两个模型，是两个模型的情况下对烟叶部位和烟叶颜色的检测结果准确率更高。在一种实施例中，训练面向烟叶部位和烟叶颜色的神经网络模型的过程为：利用高光谱采集设备获取已知烟叶部位和烟叶颜色的高光谱数据并提取感兴趣区域，将提取的感兴趣区域数据作为训练数据输入卷积神经网络进行迭代训练，获得面向烟叶部位和烟叶颜色的神经网络模型。例如通过面向烟叶等级的神经网络模型确定的检测单元内待评级烟叶的初步等级为B2F，但此时通过面向烟叶部位和烟叶颜色的神经网络模型获得的部位结果为C，颜色结果为F，可将初步评级结果调整为CF，获得的初步评级结果更加准确，提高了烟叶等级识别的准确率。

获取烟叶化学成分协调性评价指标，利用S2的高光谱待检数据以及特征高光谱数据与烟叶化学成分的对应关系，确定待评级烟叶总糖、还原糖、总烟碱、总氮、钾、氯、淀粉、蛋白质中至少两种的含量，并根据所述含量计算烟叶化学成分协调性评价指标；在一种实施例中，在S4中，确定特征高光谱数据与烟叶化学成分的对应关系的方法为：获取已知等级烟叶的高光谱数据，对数据中取样点位置所对应的已知等级烟叶进行取样(如取样数量为在烟叶表面均匀分布的32个)，并对样本进行化学成分含量检测，建立特征高光谱数据与烟叶化学成分的对应关系。

在一种实施例中，利用S2的高光谱待检数据以及特征高光谱数据与烟叶化学成分的对应关系，确定待评级烟叶总糖、还原糖、总烟碱、总氮、钾、氯、淀粉、蛋白质的含量，并根据所述含量计算烟叶化学成分协调性评价指标；最终，利用烟叶化学成分协调性评价指标校正初步等级以确定特定检测单元内的待评级烟叶的最终等级。烟叶化学成分协调性评价指标越高说明烟叶中各个化学成分协调性越佳，其所对应的烟叶品质也越高，根据该参数对烟叶初步评级进行校正，能够确保烟叶评级准确率更高。

本发明烟叶除杂与定级方法，在对待评级烟叶进行评级前对其进行含青和含杂检测，并去除含青含杂超过指定阈值的烟叶，从而提高了烟叶评级的准确性，避免收购到不合格烟叶造成收购方的损失。利用待检测烟叶的高光谱待检数据和面向烟叶等级的神经网络模型以自动确定检测单元内待评级烟叶的初步等级，实现了烟叶等级检测的自动化。同时，利用烟叶化学成分协调性评价指标校正初步等级以确定特定检测单元内的待评级烟叶的最终等级能够保证烟叶定级的准确性。

实施方式2

与第一种实施方式的烟叶除杂与定级方法相比，本实施方式的改进在于：S2，利用高光谱采集设备获取检测单元内待评级烟叶的高光谱原始数据，提取高光谱数据中的感兴趣区域获得高光谱待检数据；在S2中，还包括结合采集的标准白板高光谱数据对待评级烟叶的高光谱数据进行校准的S。由于高光谱数据采集过程中使用的光源在持续使用过程中会发生衰减等影响数据采集的问题，导致对于同一样本获取的高光谱数据不一致，影响检测结果的准确性。在本实施方式中，在第一时间获取标准白板高光谱数据1，在第二时间获取烟叶的高光谱数据，以及标准白板高光谱数据2，可利用标准白板高光谱数据2和标准白板高光谱数据1去校准烟叶的高光谱数据，以提高除杂和分级的准确性。

实施方式3

与第一种实施方式的烟叶除杂与定级方法相比，本实施方式的改进在于：S4，烟叶等级识别；

获取初步评级，将S2的高光谱待检数据输入面向烟叶等级的神经网络模型以确定检测单元内待评级烟叶的初步等级；

获取烟叶化学成分协调性评价指标，利用S2的高光谱待检数据以及特征高光谱数据与烟叶化学成分的对应关系，确定待评级烟叶总糖、还原糖、总烟碱、总氮、钾、氯、淀粉、蛋白质中至少两种的含量，并根据所述含量计算烟叶化学成分协调性评价指标；

利用烟叶化学成分协调性评价指标校正初步等级以确定特定检测单元内的待评级烟叶的最终等级。

在S4中，在进行获取初步评级前还包括数据波段的选取步骤，选取高光谱待检数据中400nm～800nm波段范围内的光谱特性作为备用数据。

通过对1000份已知等级的烟叶样本进行分析，发现不同部位(上部B、中部C和下部X)和不同颜色(橘黄F和柠檬黄L)的烟叶的光谱曲线在400nm-800nm波段下的光谱值存在较大区分度。如图1所示，取某一样本的不同部位数据值。如图2所示，取橘黄样本和柠檬黄样本的某一点数据值，其中横坐标为波长(nm)纵坐标为强度。同时，为平衡输入数据维度对面向烟叶等级的神经网络模型的预测执行时间产生的影响，选取在400nm-800nm波段范围内的高光谱待检数据进行检测。训练面向烟叶等级的神经网络模型的过程为：利用高光谱采集设备获取已知等级烟叶的高光谱数据并提取感兴趣区域，选取在400nm-800nm波段范围内的感兴趣区域数据作为训练数据输入卷积神经网络进行迭代训练，获得面向烟叶等级的神经网络模型。

实施方式4

一种烟叶除杂与定级方法，其特征在于，包括如下步骤：

S1，将待评级烟叶按照待检测单元分摊至检测设备的输送装置；

S2，利用高光谱采集设备获取检测单元内待评级烟叶的高光谱原始数据，提取高光谱数据中的感兴趣区域获得高光谱待检数据；

S3，进行烟叶含青与含杂检测；利用烟叶含青部位所对应的特征颜色范围和S2中的高光谱待检数据检测待评级烟叶含青比例，利用含杂部位所对应的特征颜色范围和S2中的高光谱待检数据检测待评级烟叶含杂比例；待评级烟叶含青比例和含杂比例之和小于给定的烟叶含青含杂阈值时进行S4；

S4，烟叶等级识别；

获取初步评级，将S2的高光谱待检数据输入面向烟叶等级的神经网络模型以确定检测单元内待评级烟叶的初步等级；

获取烟叶化学成分协调性评价指标，利用S2的高光谱待检数据以及特征高光谱数据与烟叶化学成分的对应关系，确定待评级烟叶总糖、还原糖、总烟碱、总氮、钾、氯、淀粉、蛋白质中至少两种的含量，并根据所述含量计算烟叶化学成分协调性评价指标；

在S4中，还包括获取叶片结构评价指标和饱满度评价指标的步骤，将S2的高光谱待测数据输入面向叶片结构和饱满度的神经网络模型以确定检测单元内待评级烟叶的叶片结构评价指标和饱满度评价指标；最终，利用烟叶化学成分协调性评价指标、叶片结构评价指标和饱满度评价指标校正初步等级以确定特定检测单元内的待评级烟叶的最终等级。在本实施方式的方法中，利用叶片结构评价指标和饱满度评价指标进一步校正，能够进一步提高烟叶等级检测的准确性。

上述面向叶片结构和饱满度的神经网络模型可以是同时检测叶片结构和饱满度的一个模型，也可以是分别检测叶片结构和饱满度的两个模型，是两个模型的情况下对叶片结构和饱满度的检测结果准确率更高。在一种实施例中，训练面向叶片结构和饱满度的神经网络模型的过程为：利用高光谱采集设备获取已知叶片结构和饱满度烟叶的高光谱数据并提取感兴趣区域，将提取的感兴趣区域数据作为训练数据输入卷积神经网络进行迭代训练，获得面向烟叶部位和烟叶颜色的神经网络模型。

在其他实施方式中，S4在确定待评级烟叶的最终等级后还包括称重结算步骤，按照待检测单元进行烟叶自动称重，并根据等级单价和最终等级结果，对每个待检测单元的烟叶进行核算。然后，按照待检测单元的定级结果，按级对烟叶进行缓存、打包。

应当理解，以上所述的具体实施例仅用于解释本发明，本发明的保护范围并不限于此，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，根据本发明的技术方案及其发明构思加以变更、置换、结合，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种烟叶除杂与定级方法，其特征在于，包括如下步骤：

S1，将待评级烟叶按照待检测单元分摊至检测设备的输送装置；

S2，利用高光谱采集设备获取检测单元内待评级烟叶的高光谱原始数据，提取高光谱原始数据中的感兴趣区域获得高光谱待检数据；

S3，进行烟叶含青与含杂检测；利用烟叶含青部位所对应的特征颜色范围和S2中的高光谱待检数据检测待评级烟叶含青比例，利用含杂部位所对应的特征颜色范围和S2中的高光谱待检数据检测待评级烟叶含杂比例；待评级烟叶含青比例和含杂比例之和小于给定的烟叶含青含杂阈值时进行S4；

利用烟叶含青部位所对应的特征颜色范围和S2中的高光谱待检数据检测待评级烟叶含青比例的具体步骤为：基于S2获取的高光谱待检数据，沿着垂直于主脉的方向将叶基部与叶尖部划分开，对叶尖部和叶基部进行分别分块处理，其中对叶基部的分块数量大于对叶尖部的分块数量；分别对每个分块的高光谱待检数据进行含青检测，得到每块高光谱待检数据所对应烟叶的含青比例；然后根据每块高光谱待检数据所对应烟叶的含青比例，并和设定的第一含青上限阈值进行比较，如果该块高光谱待检数据所对应烟叶的含青比例小于给定阈值则只计算该块的含青数据，否则整个分块都记为含青区域；最后计算所有分块的含青数据并计算该检测单元内烟叶含青比例，最终和第二含青上限阈值进行比较，如果小于给定的阈值则继续后续的等级判断或含杂检测，否则人工剔除含青烟叶后重复上述含青检测流程；

S4，烟叶等级识别；

获取初步评级，将S2的高光谱待检数据输入面向烟叶等级的神经网络模型以确定检测单元内待评级烟叶的初步等级；

获取烟叶化学成分协调性评价指标，利用S2的高光谱待检数据以及特征高光谱数据与烟叶化学成分的对应关系，确定待评级烟叶总糖、还原糖、总烟碱、总氮、钾、氯、淀粉、蛋白质中至少两种的含量，并根据所述含量计算烟叶化学成分协调性评价指标；

利用烟叶化学成分协调性评价指标校正初步等级以确定检测单元内的待评级烟叶的最终等级。

2.如权利要求1所述的烟叶除杂与定级方法，其特征在于，在S2中，还包括结合采集的标准白板高光谱数据对待评级烟叶的高光谱原始数据进行校准的步骤。

3.如权利要求1所述的烟叶除杂与定级方法，其特征在于，在S2中，提取感兴趣区域的方法为：选择高光谱原始数据中400nm～480nm波段蓝光构建烟叶高光谱数据的灰度图，然后基于所述灰度图获取面向高光谱数据的烟叶掩码图，基于烟叶掩码图获取烟叶感兴趣区域的高光谱数据值，烟叶感兴趣区域的高光谱数据值为高光谱待检数据。

4.如权利要求1所述的烟叶除杂与定级方法，其特征在于，在S4中，在进行获取初步评级前还包括数据波段的选取步骤，选取高光谱待检数据中400nm～800nm波段范围内的光谱特性作为备用数据。

5.如权利要求1所述的烟叶除杂与定级方法，其特征在于，进行烟叶含青与含杂检测的过程包括：利用HSV颜色空间提取高光谱待检数据中的含青区域，H取值区间26～49、S取值区间20～255、V取值区间120～255。

6.如权利要求1所述的烟叶除杂与定级方法，其特征在于，进行烟叶含青与含杂检测的过程包括：利用HSV颜色空间提取高光谱待检数据中的含杂区域，H取值区间0～16、S取值区间43～255、V取值区间46～255。

7.如权利要求1所述的烟叶除杂与定级方法，其特征在于，在S4中，训练面向烟叶等级的神经网络模型的过程为：利用高光谱采集设备获取已知等级烟叶的高光谱数据并提取感兴趣区域，将提取的感兴趣区域数据作为训练数据输入卷积神经网络进行迭代训练，获得面向烟叶等级的神经网络模型。

8.如权利要求1所述的烟叶除杂与定级方法，其特征在于，在S4中，确定特征高光谱数据与烟叶化学成分的对应关系的方法为：获取已知等级烟叶的高光谱数据，对数据中取样点位置所对应的已知等级烟叶进行取样，并对样本进行化学成分含量检测，建立特征高光谱数据与烟叶化学成分的对应关系。

9.如权利要求1所述的烟叶除杂与定级方法，其特征在于，在S4中，还包括获取叶片结构评价指标和饱满度评价指标的步骤，将S2的高光谱待检数据输入面向叶片结构和饱满度的神经网络模型以确定检测单元内待评级烟叶的叶片结构评价指标和饱满度评价指标；最终，利用烟叶化学成分协调性评价指标、叶片结构评价指标和饱满度评价指标校正初步等级以确定检测单元内的待评级烟叶的最终等级。

10.如权利要求9所述的烟叶除杂与定级方法，其特征在于，训练面向叶片结构和饱满度的神经网络模型的过程为：利用高光谱采集设备获取已知叶片结构和饱满度烟叶的高光谱数据并提取感兴趣区域，将提取的感兴趣区域数据作为训练数据输入卷积神经网络进行迭代训练，获得面向叶片结构和饱满度的神经网络模型。