CN115049865A - 基于计算机视觉的烟叶分级方法和系统 - Google Patents

基于计算机视觉的烟叶分级方法和系统 Download PDF

Info

Publication number
CN115049865A
CN115049865A CN202210395834.1A CN202210395834A CN115049865A CN 115049865 A CN115049865 A CN 115049865A CN 202210395834 A CN202210395834 A CN 202210395834A CN 115049865 A CN115049865 A CN 115049865A
Authority
CN
China
Prior art keywords
tobacco leaf
image
tobacco
leaf image
complex
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
Application number
CN202210395834.1A
Other languages
English (en)
Inventor
薛原
奎总
李�杰
陈文兵
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.)
Dingyun Shanghai Technology Co ltd
Original Assignee
Dingyun Shanghai Technology 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 Dingyun Shanghai Technology Co ltd filed Critical Dingyun Shanghai Technology Co ltd
Priority to CN202210395834.1A priority Critical patent/CN115049865A/zh
Publication of CN115049865A publication Critical patent/CN115049865A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于计算机视觉的烟叶分级方法，包括：获取烟叶图像；提取烟叶图像复杂特征对应的烟叶图像基本特征；烟叶图像复杂特征包括：形状、色度、杂色占比和成熟度；烟叶图像基本特征是用于描述烟叶图像复杂特征的烟叶图像的固有参数；将烟叶图像的复杂特征对应的基本特征所构成的特征向量进行降维，选取方差贡献率最高的前X个主成分，X大于1；对X个主成分进行聚类处理，获得烟草图像复杂特征的初始量化等级；对每个烟草图像复杂特征判断类内一致性，选取烟草图像复杂特征的最终量化等级；将烟草图像每个特征的最终量化等级根据指定顺序排序，并进行标识。本发明能将烟叶分级精确量化，实现更精准的烟叶分级。

Description

基于计算机视觉的烟叶分级方法和系统
技术领域
本发明涉及烟草领域，特别是涉及一种基于计算机视觉的烟叶分级方法，以及一种基于计算机视觉的烟叶分级系统。
背景技术
烟叶收购进程中，级别是决定烟叶收购标准的重要概念。现阶段依据烤烟国家标准所规定的级别进行收购，国家标准给出了各个级别的区分方法，并提及了烟叶的成熟度，长度，色度，油分，杂色面积占比等作为特征来评价烟叶等级的方法。
目前，国内的烤烟收购主要为人工收购，收购样品挑选由专业的分级人员参照《烤烟》国标及结合实际生产情况进行挑选，烤烟收购人员根据样品和自身的经验对烟叶进行分级，基于收购各层级人员的经验对样品进行基本的定性描述，分级信息的传递主要以实物为主，主观描述作为辅助，通常会出现烟叶级别信息不对称、信息传递困难、信息误差等问题。
在国内外从20世纪初就开始研究基于计算机视觉的烤烟分级方法，利用计算机视觉技术和机器学习对烤烟进行智能化分级，所有研究烤烟样品都是基于目前人工挑选的方法获得的，虽然研究都有一定的分级效果，但难以投入实际应用。主要原因如下：第一，基于个人的主观判断，每一个烤烟样品挑选人员对级别的理解是不同，致使样品之间存在差异；第二，在灯光、自然光线、场景、气氛等不同的环境中，相同的挑样人员挑选出的样品也存在较大差异；第三，由于各地气候差异，同样品种的烤烟在各地种植的外观也有较大差异，甚至种植水平不一样，烤烟外观之间也存在较大差异。
发明内容
在发明内容部分中引入了一系列简化形式的概念,该简化形式的概念均为本领域现有技术简化，这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
本发明要解决的技术问题是提供一种基于计算机视觉能快速准确进行烟叶分机的方法。
以及，提供一种基于计算机视觉能快速准确进行烟叶分机的系统。
为解决上述技术问题，本发明提供的基于计算机视觉的烟叶分级方法，包括以下步骤：
S1，获取烟叶图像；图像可选择工业相机拍摄，获取烟叶图像越清晰，分级结果越准确；
S2，提取烟叶图像复杂特征对应的烟叶图像基本特征；
烟叶图像复杂特征包括：形状、色度、杂色占比和成熟度；
烟叶图像基本特征是用于描述烟叶图像复杂特征的烟叶图像的固有参数；
S3，将烟叶图像的复杂特征对应的基本特征所构成的特征向量进行降维，选取方差贡献率最高的前X个主成分，X大于1；
S4，对X个主成分进行聚类处理，获得烟草图像复杂特征的初始量化等级；
S5，对每个烟草图像复杂特征判断类内一致性，设置阈值选取合适的类别作为烟草图像复杂特征的最终量化等级；
所述类内一致性：依据每个量化等级内所有烟叶复杂特征所对应所有基本特征归一化后方差的加权统计；
或，通过DBSCAN方法排除类内的异常样本，从而保证单一类别的烟草图像有更好的类内一致性；
S6，将烟草图像每个特征的最终量化等级根据指定顺序排序，并进行标识。
可选择的，进一步改进所述基于计算机视觉的烟叶分级方法，烟叶图像复杂特征中的形状采用以下方式获得；
基于大津阈值法对烟叶图像进行二值化处理，寻找其中最大连通域得到其轮廓信息，将轮廓内包含的像素总数视为烟叶的面积，轮廓内所有像素在单一方向上最大的投影长度视为其长度，与其长度方向垂直的最大像素占有个数为宽度，轮廓所占像素点个数为周长。
可选择的，进一步改进所述基于计算机视觉的烟叶分级方法，烟叶图像复杂特征中的色度采用以下方式获得；
对烟叶图像进行阈值二值化处理，同时每个像素点应该满足R通道的值应该大于B通道值的3倍；
对烟叶图像进行前景和背景分离，提取烟叶图像掩膜；
根据烟叶图像掩膜将烟叶图像的背景区域置为0；
选取烟叶前景提取烟叶图像在此区间内不同的颜色空间中的均值。
可选择的，进一步改进所述基于计算机视觉的烟叶分级方法，烟叶图像复杂特征中的杂色采用以下方式获得；
采用分水岭算法，将图像进行多区域的分割，提取面积在前M个的区域的颜色统计RGB均值加入这个区域的像素面积，构成其特征向量，M大于1。
可选择的，进一步改进所述基于计算机视觉的烟叶分级方法，烟叶图像复杂特征中的成熟度采用以下方式获得；
统计烟叶图像在HSV空间上的直方图表达成熟度。
可选择的，进一步改进所述基于计算机视觉的烟叶分级方法，实施步骤S3时，执行PCA降维，在方差贡献率之和大于90％的特征向量中选取方差贡献率最高的前X个主成分。
可选择的，进一步改进所述基于计算机视觉的烟叶分级方法，实施步骤S4时，采用K均值聚类，量化级别为K值，获得烟草图像复杂特征的最终量化等级，K为大于1的整数；
或，采用K-pototypes算法、CLARANS算法、BIRCH算法、CURE算法、DBSCAN算法或CLIQUE算法。
为解决上述技术问题，本发明提供基于计算机视觉的烟叶分级系统，包括：
摄像模块，其用于拍摄烟叶图像；
特征提取模块，其用于提取烟叶图像复杂特征对应的烟叶图像基本特征；
烟叶图像复杂特征包括：形状、色度、杂色占比和成熟度；
烟叶图像基本特征是用于描述烟叶图像复杂特征的烟叶图像的固有参数；
特征处理模块，其用于将烟叶图像的复杂特征对应的基本特征所构成的特征向量进行降维，选取方差贡献率最高的前X个主成分，X大于1；
量化等级模块，其用于对X个主成分进行聚类处理，获得烟草图像复杂特征的初始量化等级，对每个烟草图像复杂特征判断类内一致性，设置阈值选取合适的类别作为烟草图像复杂特征的最终量化等级；
所述类内一致性：依据每个量化等级内所有烟叶复杂特征所对应所有基本特征归一化后方差的加权统计；
或，通过DBSCAN方法排除类内的异常样本；
标识模块，其用于将烟草图像每个特征的最终量化等级根据指定顺序排序，并进行标识。
可选择的，进一步改进所述基于计算机视觉的烟叶分级系统，特征提取模块采用以下方式获得烟叶图像复杂特征中的形状；
基于大津阈值法对烟叶图像进行二值化处理，寻找其中最大连通域得到其轮廓信息，将轮廓内包含的像素总数视为烟叶的面积，轮廓内所有像素在单一方向上最大的投影长度视为其长度，与其长度方向垂直的最大像素占有个数为宽度，轮廓所占像素点个数为周长。
可选择的，进一步改进所述基于计算机视觉的烟叶分级系统，特征提取模块采用以下方式获得烟叶图像复杂特征中的色度；
对烟叶图像进行阈值二值化处理，同时每个像素点应该满足R通道的值应该大于B通道值的3倍；
对烟叶图像进行前景和背景分离，提取烟叶图像掩膜；
根据烟叶图像掩膜将烟叶图像的背景区域置为0；
选取烟叶前景提取烟叶图像在此区间内不同的颜色空间中的均值。
可选择的，进一步改进所述基于计算机视觉的烟叶分级系统，特征提取模块采用以下方式获得烟叶图像复杂特征中的杂色；
采用分水岭算法，将图像进行多区域的分割，提取面积在前M个的区域的颜色统计RGB均值加入这个区域的像素面积，构成其特征向量，M大于1。
可选择的，进一步改进所述基于计算机视觉的烟叶分级系统，特征提取模块采用以下方式获得烟叶图像复杂特征中的成熟度；
统计烟叶图像在HSV空间上的直方图表达成熟度。
可选择的，进一步改进所述基于计算机视觉的烟叶分级系统，特征处理模块执行PCA降维，在方差贡献率之和大于90％的特征向量中选取方差贡献率最高的前X个主成分。
可选择的，进一步改进所述基于计算机视觉的烟叶分级系统，量化等级模块采用K均值聚类，量化级别为K值，获得烟草图像复杂特征的最终量化等级，K为大于1的整数；
或，采用K-pototypes算法、CLARANS算法、BIRCH算法、CURE算法、DBSCAN算法或CLIQUE算法。
本发明至少能实现以下技术效果：
1、相较烟叶人工分级，本发明能将烟叶分级精确量化，实现更精准的烟叶分级。
2、本发明利用计算机视觉技术，识别烟叶图像基本特征，通过烟叶图像基本特征描述烟叶图像复杂特征，经聚类量化更有针对性的识别提取需要作为分级基础的烟叶特征，能自动快速实现烟叶分级；
3、烟叶生长以及烘烤流程都相对固定，则不同烟叶图像基本特征具有一定的关联性，在聚类之前加入PCA，可以避免过多的冗余信息给量化复杂烟叶特征造成的负面影响；
4、无监督的聚类的结果具有一定的不确定性，例如有些烟叶因为卷曲造成了形状的变形，这些可以选择性通过后学增加人工去除类内不一致的烟叶或者去除一些类，来达到去除特殊样本的目的。
附图说明
本发明附图旨在示出根据本发明的特定示例性实施例中所使用的方法、结构和/或材料的一般特性，对说明书中的描述进行补充。然而，本发明附图是未按比例绘制的示意图，因而可能未能够准确反映任何所给出的实施例的精确结构或性能特点，本发明附图不应当被解释为限定或限制由根据本发明的示例性实施例所涵盖的数值或属性的范围。下面结合附图与具体实施方式对本发明作进一步详细的说明：
图1是本发明原理示意图。
具体实施方式
以下通过特定的具体实施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公开的内容充分地了解本发明的其他优点与技术效果。本发明还可以通过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加以应用，在没有背离发明总的设计思路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。本发明下述示例性实施例可以多种不同的形式来实施，并且不应当被解释为只限于这里所阐述的具体实施例。应当理解的是，提供这些实施例是为了使得本发明的公开彻底且完整，并且将这些示例性具体实施例的技术方案充分传达给本领域技术人员。下述个实施例均能通过现有计算机系统通过计算机编程技术手段实现。
第一实施例；
本发明提供一种基于计算机视觉的烟叶分级方法，包括以下步骤：
S1，获取烟叶图像；
S2，提取烟叶图像复杂特征对应的烟叶图像基本特征；
烟叶图像复杂特征包括：形状、色度、杂色占比和成熟度；
烟叶图像基本特征是用于描述烟叶图像复杂特征的烟叶图像的固有参数；
S3，将烟叶图像的复杂特征对应的基本特征所构成的特征向量进行降维，选取方差贡献率最高的前X个主成分，X大于1；
S4，对X个主成分进行聚类处理，获得烟草图像复杂特征的初始量化等级；
S5，对每个烟草图像复杂特征判断类内一致性，设置阈值选取合适的类别作为烟草图像复杂特征的最终量化等级；
所述类内一致性：依据每个量化等级内所有烟叶复杂特征所对应所有基本特征归一化后方差的加权统计；
或，通过DBSCAN方法排除类内的异常样本；
S6，将烟草图像每个特征的最终量化等级根据指定顺序排序，并进行标识。
第二实施例；
本发明提供一种基于计算机视觉的烟叶分级方法，包括以下步骤：
S1，获取N片烟叶图像Xi，i∈{1，2，......，N}；图像可选择工业相机拍摄，获取烟叶图像越清晰，分级结果越准确；
S2，对烟叶图像进行阈值二值化处理，同时每个像素点应该满足R通道的值应该大于B通道值的3倍；
对烟叶图像进行前景和背景分离，提取烟叶图像掩膜；
根据烟叶图像掩膜将烟叶图像的背景区域置为0；
提取烟叶图像复杂特征对应的烟叶图像基本特征；
烟叶图像复杂特征包括：形状、色度、杂色占比和成熟度；
烟叶图像基本特征是用于描述烟叶图像复杂特征的烟叶图像的固有参数；
形状S1，通过烟叶图像基本特征长度F1，1，宽度F1，2，面积F1，3，周长F1，4描述；色度S2，通过烟叶图像基本特征RGB(F2，r，F2，g，F2，b)，HSV(F2，h，F2，s，F2，v)，LAB(F2，l，F2，a，F2，b)颜色均值；
杂色占比S3，基于分水岭算法的图像分割后面积最大的20个区域的特征，F3，i，i∈{1，2，3，......，20}；
成熟度S4，HSV空间上的直方图统计F4，i，i∈C，其中C为人工选择特定的HSV空间中的颜色；
S3，将烟叶图像的复杂特征对应的基本特征所构成的特征向量F进行降维，设进行降维后的主成分为fi，其对应的贡献率为ρi，选取方差贡献率之和大于90％的部分作为降维后的特征
Figure BDA0003597264460000071
由于烟叶基本特征的维度过于高，不利于聚类量化和计算，采用PCA算法将其降维，选取方差贡献率之和大于90％的部分作为降维后的特征
Figure BDA0003597264460000072
S4，对
Figure BDA0003597264460000073
进行聚类处理，获得烟草图像复杂特征的初始量化等级；在烟叶对应分级特征的主成分上进行K均值聚类，选用欧氏距离，并对烟叶的复杂特征形状S1、色度S2、杂色占比S3、成熟度S4，依次选取K值为6，6，8，8，在聚类之后每个烟叶数据库的烟叶图像有了对应特征上的量化等级；
S5，对每个烟草图像复杂特征判断类内一致性，设置阈值选取合适的类别作为烟草图像复杂特征的最终量化等级；
所述类内一致性：依据每个量化等级内所有烟叶复杂特征所对应所有基本特征归一化后方差的加权统计；所有烟叶复杂特征所对应所有基本特征归一化后方差的加权统计定义为类内一致性，设置阈值去除一致性较差的几类，或者选择一致性最高的4类；
或，通过DBSCAN方法排除类内的异常样本；
S6，将烟草图像每个特征的最终量化等级根据指定顺序排序，并进行标识，Li，i∈{1，2，3，4}；
例如，将每个特征上的4类，依据在特征上的表现进行排序(比如形状，就按大小排序)，对样本打上标签。对于每个样本，通过上述方法找到其在烟叶复杂特征上的归属，其最终的L就可以代表其在该特征上的表现，实现烟叶分级。
可选择的，烟叶图像复杂特征中的形状采用以下方式获得；
基于大津阈值法对烟叶图像进行二值化处理，寻找其中最大连通域得到其轮廓信息，将轮廓内包含的像素总数视为烟叶的面积，轮廓内所有像素在单一方向上最大的投影长度视为其长度，与其长度方向垂直的最大像素占有个数为宽度，轮廓所占像素点个数为周长。
可选择的，烟叶图像复杂特征中的色度采用以下方式获得；
对烟叶图像进行阈值二值化处理，同时每个像素点应该满足R通道的值应该大于B通道值的3倍；
对烟叶图像进行前景和背景分离，提取烟叶图像掩膜；
根据烟叶图像掩膜将烟叶图像的背景区域置为0；
选取烟叶前景提取烟叶图像在此区间内不同的颜色空间中的均值。
可选择的，烟叶图像复杂特征中的杂色采用以下方式获得；
采用分水岭算法，将图像进行多区域的分割，提取面积在前M个的区域的颜色统计RGB均值加入这个区域的像素面积，构成其特征向量，M大于1。
可选择的，烟叶图像复杂特征中的成熟度采用以下方式获得；
统计烟叶图像在HSV空间上的直方图表达成熟度。
第三实施例；
本发明提供一种基于计算机视觉的烟叶分级系统，其能通过计算机编程技术手段在计算机上实现，包括：
摄像模块，其用于拍摄烟叶图像；
特征提取模块，其用于提取烟叶图像复杂特征对应的烟叶图像基本特征；
烟叶图像复杂特征包括：形状、色度、杂色占比和成熟度；
烟叶图像基本特征是用于描述烟叶图像复杂特征的烟叶图像的固有参数；
特征处理模块，其用于将烟叶图像的复杂特征对应的基本特征所构成的特征向量进行降维，选取方差贡献率最高的前X个主成分，X大于1；
量化等级模块，其用于对X个主成分进行聚类处理，获得烟草图像复杂特征的初始量化等级，对每个烟草图像复杂特征判断类内一致性，设置阈值选取合适的类别作为烟草图像复杂特征的最终量化等级；
所述类内一致性：依据每个量化等级内所有烟叶复杂特征所对应所有基本特征归一化后方差的加权统计；
或，通过DBSCAN方法排除类内的异常样本；
标识模块，其用于将烟草图像每个特征的最终量化等级根据指定顺序排序，并进行标识。
第四实施例；
本发明提供一种基于计算机视觉的烟叶分级系统，其能通过计算机编程技术手段在计算机上实现，包括：
摄像模块，其用于拍摄烟叶图像；
特征提取模块，其用于提取烟叶图像复杂特征对应的烟叶图像基本特征；
烟叶图像复杂特征包括：形状、色度、杂色占比和成熟度；
烟叶图像基本特征是用于描述烟叶图像复杂特征的烟叶图像的固有参数；
特征处理模块，其用于将烟叶图像的复杂特征对应的基本特征所构成的特征向量进行降维，选取方差贡献率最高的前X个主成分，X大于1；
量化等级模块，其用于对X个主成分进行聚类处理，获得烟草图像复杂特征的初始量化等级，对每个烟草图像复杂特征判断类内一致性，设置阈值选取合适的类别作为烟草图像复杂特征的最终量化等级；
所述类内一致性：依据每个量化等级内所有烟叶复杂特征所对应所有基本特征归一化后方差的加权统计；
或，通过DBSCAN方法排除类内的异常样本；
标识模块，其用于将烟草图像每个特征的最终量化等级根据指定顺序排序，并进行标识。
第四实施例；
本发明提供一种基于计算机视觉的烟叶分级系统，其能通过计算机编程技术手段在计算机上实现，包括：
摄像模块，其用于拍摄N片烟叶图像Xi，i∈{1，2，......，N}；图像可选择工业相机拍摄，获取烟叶图像越清晰，分级结果越准确；
特征提取模块，对烟叶图像进行阈值二值化处理，同时每个像素点应该满足R通道的值应该大于B通道值的3倍；
对烟叶图像进行前景和背景分离，提取烟叶图像掩膜；
根据烟叶图像掩膜将烟叶图像的背景区域置为0；
提取烟叶图像复杂特征对应的烟叶图像基本特征；
烟叶图像复杂特征包括：形状、色度、杂色占比和成熟度；
烟叶图像基本特征是用于描述烟叶图像复杂特征的烟叶图像的固有参数；
形状S1，通过烟叶图像基本特征长度F1，1，宽度F1，2，面积F1，3，周长F1，4描述；色度S2，通过烟叶图像基本特征RGB(F2，r，F2，g，F2，b)，HSV(F2，h，F2，s，F2，v)，LAB(F2，l，F2，a，F2，b)颜色均值；
杂色占比S3，基于分水岭算法的图像分割后面积最大的20个区域的特征，F3，i，i∈{1，2，3，......，20}；
成熟度S4，HSV空间上的直方图统计F4，i，i∈C，其中C为人工选择特定的HSV空间中的颜色；
特征处理模块，其用于将将烟叶图像的复杂特征对应的基本特征所构成的特征向量F进行降维，设进行降维后的主成分为fi,其对应的贡献率为ρi,选取方差贡献率之和大于90％的部分作为降维后的特征
Figure BDA0003597264460000111
由于烟叶基本特征的维度过于高，不利于聚类量化和计算，采用PCA算法将其降维，选取方差贡献率之和大于90％的部分作为降维后的特征
Figure BDA0003597264460000112
量化等级模块，对所有烟叶降维后的特征进行聚类处理，获得烟草图像复杂特征的初始量化等级；在烟叶对应分级特征的主成分上进行K均值聚类，选用欧氏距离，并对烟叶的复杂特征形状、色度、杂色占比、成熟度，依次选取K值为6,6,8,8，在聚类之后每个烟叶数据库的烟叶图像有了对应特征上的量化等级；
可选择，增加对每个烟草图像复杂特征判断类内一致性，设置阈值选取合适的类别作为烟草图像复杂特征的最终量化等级；
所述类内一致性：依据每个量化等级内所有烟叶复杂特征所对应所有基本特征归一化后方差的加权统计；
类内一致性可以采用以下方式获得；
Figure BDA0003597264460000113
设置一个阈值，过滤掉不符合的类别；
或，通过DBSCAN方法排除类内的异常样本；
标识模块，其用于将烟草图像每个特征的最终量化等级根据指定顺序排序，并进行标识，Li，i∈{1，2，3，4}；
例如，将每个特征上的4类，依据在特征上的表现进行排序(比如形状，就按大小排序)，对样本打上标签。对于每个样本，通过上述方法找到其在烟叶复杂特征上的归属，其最终的L就可以代表其在该特征上的表现，实现烟叶分级。
可选择的，烟叶图像复杂特征中的形状采用以下方式获得；
基于大津阈值法对烟叶图像进行二值化处理，寻找其中最大连通域得到其轮廓信息，将轮廓内包含的像素总数视为烟叶的面积，轮廓内所有像素在单一方向上最大的投影长度视为其长度，与其长度方向垂直的最大像素占有个数为宽度，轮廓所占像素点个数为周长。
可选择的，烟叶图像复杂特征中的色度采用以下方式获得；
对烟叶图像进行阈值二值化处理，同时每个像素点应该满足R通道的值应该大于B通道值的3倍；
对烟叶图像进行前景和背景分离，提取烟叶图像掩膜；
根据烟叶图像掩膜将烟叶图像的背景区域置为0；
选取烟叶前景提取烟叶图像在此区间内不同的颜色空间中的均值。
可选择的，烟叶图像复杂特征中的杂色采用以下方式获得；
采用分水岭算法，将图像进行多区域的分割，提取面积在前M个的区域的颜色统计RGB均值加入这个区域的像素面积，构成其特征向量，M大于1。
可选择的，烟叶图像复杂特征中的成熟度采用以下方式获得；
统计烟叶图像在HSV空间上的直方图表达成熟度。
除非另有定义，否则这里所使用的全部术语(包括技术术语和科学术语)都具有与本发明所属领域的普通技术人员通常理解的意思相同的意思。还将理解的是，除非这里明确定义，否则诸如在通用字典中定义的术语这类术语应当被解释为具有与它们在相关领域语境中的意思相一致的意思，而不以理想的或过于正式的含义加以解释。
以上通过具体实施方式和实施例对本发明进行了详细的说明，但这些并非构成对本发明的限制。在不脱离本发明原理的情况下，本领域的技术人员还可做出许多变形和改进，这些也应视为本发明的保护范围。

Claims (14)

1.一种基于计算机视觉的烟叶分级方法，其特征在于，包括以下步骤：
S1，获取烟叶图像；
S2，提取烟叶图像复杂特征对应的烟叶图像基本特征；
烟叶图像复杂特征包括：形状、色度、杂色占比和成熟度；
烟叶图像基本特征是用于描述烟叶图像复杂特征的烟叶图像的固有参数；
S3，将烟叶图像的复杂特征对应的基本特征所构成的特征向量进行降维，选取方差贡献率最高的前X个主成分，X大于1；
S4，对X个主成分进行聚类处理，获得烟草图像复杂特征的初始量化等级；
S5，对每个烟草图像复杂特征判断类内一致性，设置阈值选取合适的类别作为烟草图像复杂特征的最终量化等级；
所述类内一致性：依据每个量化等级内所有烟叶复杂特征所对应所有基本特征归一化后方差的加权统计；
或，通过DBSCAN方法排除类内的异常样本；
S6，将烟草图像每个特征的最终量化等级根据指定顺序排序，并进行标识。
2.如权利要求1所述基于计算机视觉的烟叶分级方法，其特征在于：烟叶图像复杂特征中的形状采用以下方式获得；
基于大津阈值法对烟叶图像进行二值化处理，寻找其中最大连通域得到其轮廓信息，将轮廓内包含的像素总数视为烟叶的面积，轮廓内所有像素在单一方向上最大的投影长度视为其长度，与其长度方向垂直的最大像素占有个数为宽度，轮廓所占像素点个数为周长。
3.如权利要求1所述基于计算机视觉的烟叶分级方法，其特征在于：烟叶图像复杂特征中的色度采用以下方式获得；
对烟叶图像进行阈值二值化处理，同时每个像素点应该满足R通道的值应该大于B通道值的3倍；
对烟叶图像进行前景和背景分离，提取烟叶图像掩膜；
根据烟叶图像掩膜将烟叶图像的背景区域置为0；
选取烟叶前景提取烟叶图像在此区间内不同的颜色空间中的均值。
4.如权利要求1所述基于计算机视觉的烟叶分级方法，其特征在于：烟叶图像复杂特征中的杂色采用以下方式获得；
采用分水岭算法，将图像进行多区域的分割，提取面积在前M个的区域的颜色统计RGB均值加入这个区域的像素面积，构成其特征向量，M大于1。
5.如权利要求1所述基于计算机视觉的烟叶分级方法，其特征在于：烟叶图像复杂特征中的成熟度采用以下方式获得；
统计烟叶图像在HSV空间上的直方图表达成熟度。
6.如权利要求1所述基于计算机视觉的烟叶分级方法，其特征在于，包括：
实施步骤S3时，执行PCA降维，在方差贡献率之和大于90％的特征向量中选取方差贡献率最高的前X个主成分。
7.如权利要求1所述基于计算机视觉的烟叶分级方法，其特征在于：
实施步骤S4时，采用K均值聚类，量化级别为K值，获得烟草图像复杂特征的最终量化等级，K为大于1的整数；
或，采用K-pototypes算法、CLARANS算法、BIRCH算法、CURE算法、DBSCAN算法或CLIQUE算法。
8.一种基于计算机视觉的烟叶分级系统，其特征在于：
摄像模块，其用于拍摄烟叶图像；
特征提取模块，其用于提取烟叶图像复杂特征对应的烟叶图像基本特征；
烟叶图像复杂特征包括：形状、色度、杂色占比和成熟度；
烟叶图像基本特征是用于描述烟叶图像复杂特征的烟叶图像的固有参数；
特征处理模块，其用于将烟叶图像的复杂特征对应的基本特征所构成的特征向量进行降维，选取方差贡献率最高的前X个主成分，X大于1；
量化等级模块，其用于对X个主成分进行聚类处理，获得烟草图像复杂特征的初始量化等级，对每个烟草图像复杂特征判断类内一致性，设置阈值选取合适的类别作为烟草图像复杂特征的最终量化等级；
所述类内一致性：依据每个量化等级内所有烟叶复杂特征所对应所有基本特征归一化后方差的加权统计；
或，通过DBSCAN方法排除类内的异常样本；
标识模块，其用于将烟草图像每个特征的最终量化等级根据指定顺序排序，并进行标识。
9.如权利要求8所述基于计算机视觉的烟叶分级系统，其特征在于：特征提取模块采用以下方式获得烟叶图像复杂特征中的形状；
基于大津阈值法对烟叶图像进行二值化处理，寻找其中最大连通域得到其轮廓信息，将轮廓内包含的像素总数视为烟叶的面积，轮廓内所有像素在单一方向上最大的投影长度视为其长度，与其长度方向垂直的最大像素占有个数为宽度，轮廓所占像素点个数为周长。
10.如权利要求8所述基于计算机视觉的烟叶分级系统，其特征在于：特征提取模块采用以下方式获得烟叶图像复杂特征中的色度；
对烟叶图像进行阈值二值化处理，同时每个像素点应该满足R通道的值应该大于B通道值的3倍；
对烟叶图像进行前景和背景分离，提取烟叶图像掩膜；
根据烟叶图像掩膜将烟叶图像的背景区域置为0；
选取烟叶前景提取烟叶图像在此区间内不同的颜色空间中的均值。
11.如权利要求8所述基于计算机视觉的烟叶分级系统，其特征在于：特征提取模块采用以下方式获得烟叶图像复杂特征中的杂色；
采用分水岭算法，将图像进行多区域的分割，提取面积在前M个的区域的颜色统计RGB均值加入这个区域的像素面积，构成其特征向量，M大于1。
12.如权利要求8所述基于计算机视觉的烟叶分级系统，其特征在于：特征提取模块采用以下方式获得烟叶图像复杂特征中的成熟度；
统计烟叶图像在HSV空间上的直方图表达成熟度。
13.如权利要求8所述基于计算机视觉的烟叶分级方法，其特征在于：
特征处理模块执行PCA降维，在方差贡献率之和大于90％的特征向量中选取方差贡献率最高的前X个主成分。
14.如权利要求8所述基于计算机视觉的烟叶分级系统，其特征在于：
量化等级模块采用K均值聚类，量化级别为K值，获得烟草图像复杂特征的最终量化等级，K为大于1的整数；
或，采用K-pototypes算法、CLARANS算法、BIRCH算法、CURE算法、DBSCAN算法或CLIQUE算法。
CN202210395834.1A 2022-04-14 2022-04-14 基于计算机视觉的烟叶分级方法和系统 Pending CN115049865A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210395834.1A CN115049865A (zh) 2022-04-14 2022-04-14 基于计算机视觉的烟叶分级方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210395834.1A CN115049865A (zh) 2022-04-14 2022-04-14 基于计算机视觉的烟叶分级方法和系统

Publications (1)

Publication Number Publication Date
CN115049865A true CN115049865A (zh) 2022-09-13

Family

ID=83157061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210395834.1A Pending CN115049865A (zh) 2022-04-14 2022-04-14 基于计算机视觉的烟叶分级方法和系统

Country Status (1)

Country Link
CN (1) CN115049865A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385435A (zh) * 2023-06-02 2023-07-04 济宁市健达医疗器械科技有限公司 基于图像分割的制药胶囊计数方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385435A (zh) * 2023-06-02 2023-07-04 济宁市健达医疗器械科技有限公司 基于图像分割的制药胶囊计数方法
CN116385435B (zh) * 2023-06-02 2023-09-26 济宁市健达医疗器械科技有限公司 基于图像分割的制药胶囊计数方法

Similar Documents

Publication Publication Date Title
CN112464942B (zh) 基于计算机视觉的重叠烟叶智能化分级方法
CN110479636B (zh) 基于神经网络自动分拣烟叶的方法及装置
CN106803257B (zh) 一种作物病害叶片图像中病斑的分割方法
CN114757900A (zh) 基于人工智能的纺织品缺陷类型识别方法
CN110598560A (zh) 基于神经网络增强的夜间监控识别方法和系统
CN112818827A (zh) 基于图像识别的烟叶烘烤过程中阶段控温点的判断方法
Niu et al. Image segmentation algorithm for disease detection of wheat leaves
CN104966099B (zh) 一种基于人脚图像的脚型分类方法
CN110705516B (zh) 一种基于协同网络结构的鞋底花纹图像聚类方法
CN111797707A (zh) 一种基于聚类的镜头关键帧提取方法
JP4553300B2 (ja) コンテンツ識別装置
CN109871900A (zh) 一种基于图像处理的复杂背景下苹果的识别定位方法
CN115049865A (zh) 基于计算机视觉的烟叶分级方法和系统
CN110874835B (zh) 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质
CN111292347B (zh) 一种基于图像处理技术的显微图像炭疽孢子密度计算方法
Marzan et al. Automated tobacco grading using image processing techniques and a convolutional neural network
CN110866547B (zh) 基于多特征和随机森林的中药饮片自动分类系统及方法
CN102938053A (zh) 一种基于计算机视觉的甘蔗特征提取与识别方法
CN108764347A (zh) 基于卷积神经网络的地球仪国家图像识别方法
CN117496436A (zh) 一种基于深浅层特征融合的浮选过程工况识别方法
CN116912234B (zh) 一种基于图像特征的电缆绞线质量检测方法
CN115861308B (zh) 一种元宝枫病害检测方法
CN115063603B (zh) 基于边缘信息的木材年轮线精确提取及复原方法
CN115082741B (zh) 基于图像处理的废旧纺织品分类方法
CN110929740A (zh) 一种基于lgbm模型的舌质舌苔分离方法

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