CN115290579A - 一种烟叶烘烤过程阶段的判断方法 - Google Patents
一种烟叶烘烤过程阶段的判断方法 Download PDFInfo
- Publication number
- CN115290579A CN115290579A CN202211011547.2A CN202211011547A CN115290579A CN 115290579 A CN115290579 A CN 115290579A CN 202211011547 A CN202211011547 A CN 202211011547A CN 115290579 A CN115290579 A CN 115290579A
- Authority
- CN
- China
- Prior art keywords
- stage
- tobacco
- tobacco leaf
- data
- baking
- 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
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
-
- A—HUMAN NECESSITIES
- A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
- A24B—MANUFACTURE OR PREPARATION OF TOBACCO FOR SMOKING OR CHEWING; TOBACCO; SNUFF
- A24B3/00—Preparing tobacco in the factory
- A24B3/10—Roasting or cooling tobacco
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明提出一种烟叶烘烤过程阶段的判断方法,属于烟叶烘烤技术领域。该烟叶烘烤过程阶段的判断方法,在实际烘烤之前,通过烤房控制端输入烘烤全部过程的预设烘烤参数;在实际烘烤的全部烘烤的过程中,依据标定的烘烤过程阶段的数据采集时刻t,采集的烟叶状态指标X的高光谱信息;并对通过在所述时刻t所采集的高光谱信息,建立在所述采集时刻t时的烟叶状态指标X的特征光谱数据;将所述的烟叶状态指标X在实际烘烤时刻t的特征光谱数据与所述预先标定的高光谱信息进行比较;通过比较结果判断当前烟叶烘烤过程所处的阶段。可实现烟叶烘烤控制过程的阶段判断的自动化,提高对烘烤过程阶段判断的效率。
Description
技术领域
本发明属于烟叶烘烤技术领域,具体涉及一种基于高光谱技术对烟叶烘烤过程阶段的判断方法。
背景技术
烟叶烘烤是卷烟生产过程中的一个重要步骤,烘烤的质量直接决定了烟叶的品质。国内采用密集式烤房烘烤,每次烘烤过程约耗时120-170小时。整个烟叶烘烤过程分为变黄期、定色期和干筋期三个阶段,每个阶段所对应的烘烤条件及烟叶状态各有不同。在实际生产过程中,烘烤人员通过密集烤房的观察窗来目测烟叶状态,从而判断烟叶烘烤过程所处的阶段,进而设置烘烤条件。这种依靠目测来判断烟叶烘烤阶段的方法依赖于烘烤人员个人经验,不仅效率低,而且判断结果误差较大,不利于烟叶烘烤的均质化提升。
针对上述问题,专利公开号为CN111466605A的发明专利提出了一种使用机器视觉来代替人眼的解决方案。其提出一种通过提取烟叶图像的RGB值,判断烟叶的变黄变褐程度的方法、系统和装置。然而,该装置的目的是判断烟叶变黄变褐程度,并不是对烟叶的烘烤过程进行判断,更重要的是,烟叶在烘烤过程中除了颜色会发生变化,其形态、含水率、主脉状态均会发生改变,单方面的依靠烟叶颜色来判断烟叶状态是缺乏准确性的。上述现有技术中RGB图像信息,是建立于接近人类可视光的光谱特性上的一种图像信息。因此,该现有技术仅仅起到一种替代人眼进行观察的效果。其所获得的RGB图像信息仍属于多光谱的技术范筹,而受到多光谱波段宽特性的限制。
专利公开号为CN109164009A的发明专利,则公开了一种烟叶烘烤实时在线监测记录系统,该系统通过测量烟叶重量变化来监测烟叶水分并记录,通过近红外光谱来监测烟叶颜色并判断烟叶烘烤过程,最终将水分及颜色监测结果通过移动客户端反馈给烘烤操作人员。该发明专利存在以下不可避免的缺陷是:1、从该发明的发明内容可以明显看出该系统是针对烘烤箱设计的,烘烤箱是用于实施烟叶烘烤试验的,与实际生产使用的大型密集式烤房的结构、装烟量以及控制系统有本质的区别。该现有技术的使用具有相当大的局限性,不适用于实际生产。2、该系统使用的是近红外相机获取的烟叶颜色光谱数据来进行烟叶烘烤过程的判断。近红外的光谱范围是对人类可视光光谱范围的扩展,但不包括可视光的范围。因此,近红外属于多光谱的其中一种,同样受到多光谱波段宽的特性的限制。例如,而该现有技术中,对于烟叶水分数据是通过重量法监测到的,而不能通过近红外图像的光谱信息获得。然而烟叶烘烤过程中的状态变化是多维度的,包括颜色、形态、含水率、主脉状态等,仅从颜色单方面判断烟叶烘烤过程往往会出现较大偏差。3、该系统对于烟叶状态判断的最终结果并不明确,根本无法实现按照目前生产上所使用的三段式(变黄期、定色期和干筋期)来对烘烤过程的阶段进行判断。
发明内容
本发明的目的在于,提供一种烟叶烘烤过程阶段的判断方法,实现烟叶烘烤控制过程的阶段判断的自动化,提高对烘烤过程阶段判断的效率,使之适用于实际生产使用的大型密集式烤房结构、装烟量以及控制的需求。
本发明的目的之二在于提供一种,提供一种烟叶烘烤过程阶段的判断方法。利用对烘烤过程中的烟叶状态,特别是烟叶状态指标进行多维度地综合分析,以获得对烟叶烘烤过程阶段的明确判断结果,以降低判断误差,进一步提升烟叶烘烤的均质化。
本发明的目的之三提供一种烟叶烘烤过程阶段的判断方法。采用高光谱技术对烟叶烘烤过程阶段进行监测,利用高光谱技术所具有的波段窄、维度高的图像和光谱特征,获得烘烤过程每个阶段的烟叶状态指标的高光谱信息所具有的信息量丰富的,以及具有真实度高特点,以此作为判断叶烘烤过程阶段的基础,进而达到提高对烟叶状态判断的准确性的目的。
本发明的目的之四在于提供一种,提供一种烟叶烘烤过程阶段的判断方法。通过对烟叶烘烤过程的所采集的丰富的高光谱图像和光谱数据进行处理,可以提高烟叶烘烤过程阶段判断中使用的烟叶状态光谱数据的全面性和精准性。
本发明的目的是这样实现的:
为达到上述目的,本发明提出一种烟叶烘烤过程阶段的判断方法,在实际烘烤之前,通过烤房控制端输入烘烤全部过程的预设烘烤参数;其中,在实际烘烤的全部烘烤的过程中,依据标定的烘烤过程阶段的数据采集时刻t,采集的烟叶状态指标X的高光谱信息;并对通过在所述时刻t所采集的高光谱信息,建立在所述采集时刻t时的烟叶状态指标X的特征光谱数据;将所述的烟叶状态指标X在实际烘烤时刻t的特征光谱数据与所述预先标定的高光谱信息进行比较;通过比较结果判断当前烟叶烘烤过程所处的阶段。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述烟叶烘烤过程阶段包括变黄期、定色期和干筋期;所述变黄期、定色期和干筋期的每个阶段的还可以分为前期、中期、末期三个时期。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述预先标定的烘烤过程数据采集时刻t,包括预先标定的信息采集的时刻t及时刻t所处的烘烤过程阶段;并依据烘烤过程的阶段,对信息采集的时刻t进行分段。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述对信息采集的时刻t进行分段,采用两级分段;一级分段是对变黄期、定色期和干筋期进行分段;二级分段是对变黄期、定色期和干筋期每个过程阶段进行前期、中期、末期的时期分段。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述的数据采集时刻t可依据数据采集的相等的时间间隔设置;或者依据烘烤过程阶段的分段时刻设置。
如上所述的烟叶烘烤过程阶段的判断方法,其中,对所述实际烘烤过程的数据采集时刻t,采用与预先标定的烘烤过程的相同的数据采集时刻t;并对所述采集的高光谱数据,添加定义该数据采集时刻t的时间标签m。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述采集的高光谱信息为在烟叶烘烤时数据采集时刻t时的烟叶状态指标的高光谱信息。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述的烟叶状态指标,由烟叶含水率、叶片颜色、主脉颜色、烟叶颜色均匀性、主脉形态、烟叶形态、主脉含水率的7项烟叶状态指标构成。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述的每个烘烤过程阶段的判定,至少选择所述7项烟叶状态指标中的其中一种烟叶状态指标X或一种以上的组合。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述的时刻t时采集的烟叶状态指标的特征光谱数据,由基于烟叶状态指标X的原始高光谱信息所构建的烟叶状态指标X的高光谱特征矩阵Xt构成。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述的烟叶状态指标X在时刻t时的高光谱特征矩阵Xt,采用如下方法构建:
S1:开始进行实际烘烤,在烘烤过程中采集烟叶原始高光谱信息,构建实际烘烤烟叶高光谱信息矩阵,在时刻t的高光谱信息矩阵Xt为:
Xt=(x1 … xn)
其中:t为高光谱信息采集的时刻,单位min;
n为高光谱信息数据维度;
S2:对矩阵Xt进行数据处理后,形成矩阵Yt:
Yt=(y1 … yn)
其中:t为高光谱信息采集的时刻,单位min;
n为高光谱信息数据维度;
S3:将矩阵Yt按照预先标定的烟叶状态指标X的各自的特征波段,分割建立与所述的烟叶特征指标X对应的烟叶特征指标矩阵Yxt:
其中t为高光谱信息采集的时刻,单位min;
x烟叶状态指标X。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述的烟叶特征指标矩阵Yxt,最佳依据烟叶含水率、叶片颜色、主脉颜色、烟叶颜色均匀性、主脉形态、烟叶形态、主脉含水率分割为7个烟叶特征指标矩阵Yxt。
如上所述的烟叶烘烤过程阶段的判断方法,其中,在步骤S2中所述的数据处理方法,为校正、平均、平滑、微分、归一化、降维等数据处理方法的其中任意一种,或两种以上方法的结合。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述的在步骤S2中数据处理方法,最佳为与标定对应的烟叶状态指标的光谱数据特征时所采用的相同的数据处理方法。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述的将所述的烟叶状态指标X在实际烘烤时刻t的特征光谱数据,与所述预先标定的高光谱信息进行比较,是将每种烟叶状态指标的特征光谱矩阵Yxt与分别与标定的对应的烟叶状态指标的特征矩阵Ct进行比较。
如上所述的烟叶烘烤过程阶段的判断方法,其中,是将所述的烟叶状态指标的特征矩阵Yxt与标定的对应的烟叶状态指标的特征矩阵Ct进行比较,可采用如下方法:
S21:开始进行实际烘烤,依据烘烤过程的时刻t所采集烟叶高光谱原始信息,构建实际烘烤烟叶状态指标X的高光谱信息矩阵Xt:
Xt=(x1 … xn)
S22:对高光谱信息矩阵Xt进行数据处理,分别构建每种烟叶状态指标X的光谱特征矩阵Yxt:
Yxt=(y1 … yn);
S23:将每种烟叶状态指标X的特征矩阵Yxt与标定的烟叶状态指标X的特征波段矩阵Ct进行比较。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述的步骤S23的比较,可进一步采用如下方法:
S321:计算烟叶状态指标X的特征矩阵Yxt与标定的烟叶状态指标X的光谱特征矩阵Cxt的对应数据的欧氏距离;
S322:对计算所得出的对应点的欧氏距离值进行数据处理,获得所述烟叶状态指标X的距离矩阵Zx;
S323:将所述的距离矩阵Zx按烘烤过程阶段的划分为距离矩阵Zxt;其中,距离矩阵Zxt的取值为,包括烘烤过程中不同阶段内所有的在时刻t的距离矩阵数据;
S324:计算各烘烤过程阶段的距离矩阵Zxt中的数据平均值。
S325:计算所述烘烤过程阶段的至少两个烟叶状态指标的距离矩阵Zxt的数据平均值之和;
S326:依据所述烟叶状态指标的距离矩阵Zxt的数据平均值之和,判断所述的烘烤过程的阶段,或者的所述的阶段的时期。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述的依据距离矩阵Zxt的数据平均值之和,判断烘烤过程的阶段标准是,采用距离矩阵Zxt的数据平均值之和从大到小的顺序判定每个阶段的前期、中期、末期的时期;当距离矩阵Zxt数据最小时的烟叶状态指标的光谱特征数据,与标定的烟叶状态光谱特征最为接近,则判断烟叶过程的阶段结束。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述的烟叶烘烤过程阶段的判断,依据变黄期、定色期、干筋期的顺序进行判断。
如上所述的烟叶烘烤过程阶段的判断方法,其中可依据待判断的烘烤过程阶段,选择的对应的烟叶状态指标X的数据,进一步对阶段变黄期、定色期、干筋期每个阶段的时期进行判断。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述的对烟叶烘烤过程阶段的变黄期、定色期和干筋期的判断,烟叶状态指标X较佳的选择至少为烟叶含水率和烟叶颜色。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述的对烟叶烘烤过程阶段变黄期的时期的判断,烟叶状态指标X较佳的选择为主脉颜色、烟叶颜色均匀性。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述的对烟叶烘烤过程阶段定色期的时期的判断,烟叶状态指标X较佳的选择为烟叶主脉颜色、烟叶主脉形态和叶片形态。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述的对烟叶烘烤过程阶段干筋期的判断,烟叶状态指标X较佳的选择为烟叶主脉含水率。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述的对变黄期、定色期、干筋期每个过程阶段的判断后,可以进一步判断对每个过程阶段的前期、中期、末期的时期。
如上所述的烟叶烘烤过程阶段的判断方法,其中,所述的对变黄期、定色期、干筋期每个过程阶段的前期、中期、末期的时期进行判断;其判断的依据是标定的每个过程阶段的前期、中期、末期的每个时期中所有的数据采集时刻t的判断数据。
本发明的技术效果是显著的:
本发明提供了一种烟叶烘烤过程阶段的判断方法,在烟叶烘烤的全过程连续地采集烟叶烘烤过程中烟叶状态数据,实时地对所采集的原始高光谱数据进行比较处理,实时地获得烟叶烘烤过程中各阶段的比较数据,通过模型决策,实现烟叶烘烤控制过程的阶段判断的自动化,提高对烘烤过程阶段判断的效率。从而克服了现有技术中依靠目测结合烘烤人员个人经验判断烟叶烘烤阶段,效率低下的缺陷。试验证明,本发明可以满足于实际生产使用的大型密集式烤房结构、装烟量以及控制系统的自动控制需求。
另外在本发明中,通过对烟叶烘烤过程的所采集的丰富的高光谱图像和光谱数据,大大地提高了烟叶烘烤过程中各阶段烟叶状态的数据精准度。利用对烘烤过程中的烟叶状态,特别是烟叶状态指标进行多维度地综合分析,以获得对烟叶烘烤过程阶段的明确判断结果,从而降低判断误差,提升烟叶烘烤的均质化。从而克服了现有技术中依靠目测和个人经验来判断烟叶烘烤阶段判断结果误差较大,不利于烟叶烘烤的均质化提升的缺陷。
进一步,本发明中采用高光谱技术对烟叶烘烤过程阶段进行监测,利用高光谱技术所具有的波段窄、维度高的图像和光谱特征,所获得烘烤过程每个阶段的烟叶状态的高光谱信息,具有的信息量丰富的真实度高特点。再通过对烟叶烘烤过程的所采集的丰富的高光谱图像和光谱数据进行处理,大大地提高烟叶烘烤过程中各阶段烟叶状态的数据精准度。
同时,本发明的烟叶烘烤过程阶段的判断方法。通过对烟叶烘烤过程的所采集的丰富的高光谱图像和光谱数据处理方法,可以在烟叶烘烤过程中同时实现对生产实践中所采用的三个阶段的判断,并且同时提高了所有判断依据的精准度,无需结合其它的判断方法。从而克服了现有技术的判断烘烤过程阶段所使用的烟叶状态指标范围,所具有的局限性的缺陷。
附图说明
图1本发明实际烘烤烟叶的高光谱原始信息矩阵的构建方法流程图;
图2本发明实际的与标定的烟叶状态特征光谱的比较方法的流程图;
图3本发明实际的与标定的烟叶状态特征光谱的比较方法具体实施例流程图。
在此描述的附图仅用于解释目的,而不意图以任何方式来限制本发明公开的范围。另外,图中的各部件的形状和比例尺寸等仅为示意性的,用于帮助对本发明的理解,并不是具体限定本发明各部件的形状和比例尺寸。本领域的技术人员在本发明的教导下,可以根据具体情况选择各种可能的形状和比例尺寸来实施本发明。
具体实施方式
实施例1:本实施例中的烟叶为翠碧1号中部烟叶,产地福建三明。
本发明提供了一种烟叶烘烤过程阶段的判断方法,在实际烘烤之前,通过烤房控制端输入烘烤全部过程的预设烘烤参数。在实际烘烤的全部烘烤的过程中,依据标定的烘烤过程阶段的数据采集时刻t,采集的烟叶状态指标X的高光谱信息;并对通过在采集时刻t所采集的高光谱信息,建立在所述采集时刻t时的烟叶状态指标X的特征光谱数据。将所述的烟叶状态指标X在实际烘烤时刻t的特征光谱数据与所述预先标定的高光谱信息进行比较,通过比较结果判断当前烟叶烘烤过程所处的阶段。
由于在本发明中,在烟叶烘烤的全过程连续地采集烟叶烘烤过程中烟叶状态数据,实时地对所采集的原始高光谱数据进行比较处理,实时地获得烟叶烘烤过程中各阶段的比较数据,通过模型决策,实现烟叶烘烤控制过程的阶段判断的自动化,提高对烘烤过程阶段判断的效率。从而克服了现有技术中依靠目测结合烘烤人员个人经验判断烟叶烘烤阶段,效率低下的缺陷。
本发明中,利用高光谱技术对烟叶烘烤过程的阶段进行监测,获得烘烤过程每个阶段的烟叶状态的丰富的高光谱信息。因此该烟叶状态的高光谱信息具有真实度高特点,以此作为判断叶烘烤过程阶段的基础,大大地提高了对烟叶状态判断的准确性。
特别是,由于本发明通过对烟叶烘烤过程的所采集的丰富的高光谱图像和光谱数据进行处理,可以提高烟叶烘烤过程中各阶段烟叶状态的数据精准度。通过所获得的烘烤过程的各阶段烟叶状态的数据,与预先标定的各阶段烟叶状态的数据进行比较,有效地提高了烟叶烘烤过程中各阶段判断的精准度。
本发明中,所述烟叶烘烤过程阶段至少包括变黄期、定色期和干筋期,以满足目前烟叶烘烤实际生产的需求。而在本发明的较佳的实施方式中所述变黄期、定色期和干筋期的每个阶段的还可以分为前期、中期、末期阶段,可以实现对变黄期、定色期和干筋期更为精准的判断。
需要说明的是,本发明所提出的预先标定的高光谱信息的标定方法,与本案同日另案申请。
在本发明的实施例1中,所述预先标定的烘烤过程数据采集时刻t,包括预先标定的信息采集的时刻t及时刻t所处的烘烤过程阶段;并依据烘烤过程阶段,对信息采集的时刻t进行分段。
本实施例1的一个其较佳的实施方式是,对于所述对信息采集的时刻t进行分段,采用了两级分段。一级分段是对变黄期、定色期和干筋期进行分段。二级分段是对变黄期、定色期和干筋期每个过程阶段进行前期、中期、末期的分段。
具体在本实施例1中,烟叶高光谱信息的采集时刻t按间隔时间1小时设定。本次烘烤耗时160h,对本批次烟叶烘烤阶段的分段为:第1-100h为变黄期,第101-135h为定色期,第136-160h为干筋期。其中:第0-33h为变黄前期,第34-66h为变黄中期,第67-100h为变黄末期。第101-112h为定色前期,其中:第113-124h为定色中期,第125-135h为定色末期。第136-144h为干筋前期,其中:第145-153h为干筋中期,第153-160h为干筋末期。
在本实施例1的上述可实施方式中,所述的数据采集时刻t可依据数据采集的相等的时间间隔1小时设置。本实施方式可以提高数据的采集密度。
在本实施例1的另一个实施方式中,可以依据标定的烘烤过程阶段的分段时刻设置。本实施方式,通过降低数据的采集密度,减少了数据的处理量和运算量,适用于运算能力不足的设备。
在本实施例1中,对实际烘烤过程的数据采集时刻t,采用了与预先标定的烘烤过程的相同的数据采集时刻t;并对所述采集的高光谱数据,添加定义该数据采集时刻t的时间标签m。具体在本实施例中,对每次采集到的高光谱信息添加时间标签m,分别为第1h、第2h……第160h。
在本实施例1中,所述采集的高光谱信息为在烟叶烘烤时数据采集时刻t时的烟叶状态指标的高光谱信息。所述的烟叶状态指标,由烟叶含水率、叶片颜色、主脉颜色、烟叶颜色均匀性、主脉形态、烟叶形态、主脉含水率的7项烟叶状态指标构成。长时间、大量的生产实践证明,发明中的7项烟叶状态指标足以表达烘烤状态下的烟叶状态。因此无需全部采用通过高光谱技术所采集的所有的庞大的信息,有利于减轻计算机对信息数据处理和算计的压力和强度,从而加快了数据反馈的速度。
本实施例1的一个较佳的实施方式是,对每个烘烤过程阶段的判定,至少选择所述7项烟叶状态指标中,其中的一种烟叶状态指标X或一种以上的组合。
具体在本实施例1中:对烘烤过程阶段变黄期、定色期和干筋期的判断,选择烟叶状态指标X为烟叶含水率X1、叶片颜色X2作为判断依据。试验证明,
在本实施例中,所述的时刻t时采集的烟叶状态指标的特征光谱数据,由基于烟叶状态指标X的原始高光谱信息所构建的烟叶状态指标X的高光谱特征矩阵Xt构成。
其中一个具体的实施方式中,所述的烟叶状态指标X在时刻t时的高光谱特征矩阵Xt,采用如下方法构建,具体如图1所示:
S1:开始进行实际烘烤,在烘烤过程中采集烟叶原始高光谱信息,构建实际烘烤烟叶高光谱信息矩阵,在采集时刻t的高光谱信息矩阵Xt为:
Xt=(x1 … xn)
其中:t为高光谱信息采集的时刻,单位min;
n为高光谱信息数据维度;
S2:对矩阵Xt进行数据处理后,形成矩阵Yt:
Yt=(y1 … yn)
其中:t为高光谱信息采集的时刻,单位min;
n为高光谱信息数据维度;
S3:将矩阵Yt按照预先标定的烟叶状态指标X的各自的特征波段,分割建立与所述的烟叶特征指标X对应的烟叶特征指标矩阵Yxt:
其中t为高光谱信息采集的时刻,单位min;
x烟叶状态指标X。
具体在在本实施例1,依据采集时刻t的烟叶含水率指标X1、叶片颜色指标X2的原始高光谱信息,经过对数据处理进行特征波段提取,其中,烟叶含水率筛选出2个特征波段,烟叶颜色筛选出5个特征波段,所获得的烟叶特征指标烟叶含水率指标X1、叶片颜色指标X2的烟叶特征指标波段矩阵分别为:
本发明中,所述的烟叶特征指标矩阵Yxt,最佳依据烟叶含水率、叶片颜色、主脉颜色、烟叶颜色均匀性、主脉形态、烟叶形态、主脉含水率分割为7个烟叶指标特征矩阵Yxt。
具体在本实施例1中,采用上述同样的方法,最终形成烟叶含水率指标X1、叶片颜色指标X2、主脉颜色指标X3、烟叶颜色均匀性指标X4、主脉形态指标X5、烟叶形态指标X6、主脉含水率指标X7,7个特征波段矩阵。
本实施例1中的步骤S2中所述的数据处理方法,为校正、平均、平滑、微分、归一化、降维等数据处理方法的其中任意一种,或两种以上方法的结合。
本实施例1的一种较佳的实施方式中,所述的在步骤S2中数据处理方法,为与标定对应的烟叶状态指标的光谱数据特征时所采用的相同的数据处理方法。
本实施例1中,将将所述的烟叶状态指标X在实际烘烤时刻t的特征光谱数据,与所述预先标定的高光谱信息进行比较,是将每种烟叶状态指标X的特征光谱矩阵Yxt与分别与标定的对应的烟叶状态指标X的光谱特征矩阵C进行比较。
本发明的一个可实施方式中,将所述的烟叶状态指标的特征矩阵Yxt与标定的对应的烟叶状态指标的光谱特征矩阵C进行比较,可采用如下方法,具体如图2所示:
S21:开始进行实际烘烤,依据烘烤过程的时刻t所采集烟叶高光谱原始信息,构建实际烘烤烟叶状态指标X的高光谱信息矩阵Xt:
Xt=(x1 … xn)
S22:对高光谱信息矩阵Xt进行数据处理,分别构建每种烟叶状态指标X的光谱特征矩阵Yxt:
Yxt=(y1 … yn);
S23:将每种烟叶状态指标X的特征矩阵Yxt与标定的烟叶状态指标X的特征波段矩阵Cxt进行比较。
其中,所述的步骤S23的比较,可进一步采用如下方法,具体如图3所示:
S321:计算烟叶状态指标X的特征矩阵Yxt与标定的烟叶状态指标X的光谱特征矩阵Cxt的对应数据的欧氏距离;
S322:对计算所得出的对应点的欧氏距离值进行数据处理,获得所述烟叶状态指标X的距离矩阵Zx;
S323:将所述的距离矩阵Zx按烘烤过程阶段的划分为距离矩阵Zxt;其中,距离矩阵Zxt的取值为,包括烘烤过程中不同阶段内所有的在时刻t的距离矩阵数据;
S324:计算各烘烤过程阶段的距离矩阵Zxt中的数据平均值。
S325:计算所述烘烤过程阶段的至少两个烟叶状态指标的距离矩阵Zxt的数据平均值之和;
S326:依据所述烟叶状态指标的距离矩阵Zxt的数据平均值之和,判断所述的烘烤过程的所述的阶段。
具体在本实施例1中,步骤S321~S323中所获得的烟叶含水率指标X1、叶片颜色指标X2的距离矩阵ZX1和ZX2分别为
其中,烟叶含水率指标X1、叶片颜色指标X2的距离矩阵ZX1和ZX2的数据包括了包括烘烤过程中阶段变黄期所有的,在时刻t的距离矩阵数据。
具体在本实施例1中,依据步骤S324~S326方法,分别对矩阵ZX1和ZX2的1-100列数据求均值,101-135列数据求均值,以及136-160列数据求均值,获得的叶片颜色指标X2的距离矩阵ZX1和ZX2的每个阶段的所获得的列数据的均值列表1如下:
表1
矩阵 | m=1-100 | m=101-135 | m=136-160 |
Z<sub>X1</sub> | 0.245 | 0.419 | 0.304 |
Z<sub>X2</sub> | 0.364 | 0.664 | 0.718 |
均值总和 | 0.609 | 1.083 | 1.022 |
在本在发明中,所述的依据距离矩阵Zx1t的数据平均值之和,判断烘烤过程的阶段标准是,采用距离矩阵Zxt的数据平均值之和从大到小的顺序判定每个阶段的前期、中期、末期;最小时的烟叶状态指标的光谱特征数据,与标定的烟叶状态光谱特征最为接近,判断烟叶过程的阶段结束。
具体在本实施例1中,上述列表数据1-100列的均值总和最小,说明此时的烟叶光谱特征与烟叶变黄期m=1~100h范围内的光谱特征最为接近,判定此时烟叶烘烤属于变黄期。
在本发明中,所述的烟叶烘烤过程阶段的判断,依据变黄期、定色期、干筋期的顺序进行判断。
本发明的可实施方式中,可依据判断的变黄期、定色期、干筋期烘烤过程的阶段,进一步选择的对应的烟叶状态指标X的数据,对阶段变黄期、定色期、干筋期每个阶段的前期、中期、末期进行判断。
本发明的可实施方式中,所述的对烟叶烘烤过程阶段变黄期的前期、中期、末期的判断,烟叶状态指标X较佳的选择为烟叶含水率和烟叶颜色。
具体在本实施例1中,在判定烟叶处于变黄期之后,利用主脉颜色指标X3的光谱矩阵ZX3和烟叶颜色均匀性光谱矩阵ZX4,进一步判断烟叶处于变黄期的前期、中期、末期的阶段。采用与ZX1和ZX2方法相同的方法,所获得的列数据的均值列表2如下:
表2
矩阵 | m=1-33 | m=34-66 | m=67-100 |
Z<sub>3</sub> | 0.651 | 0.347 | 0.288 |
Z<sub>4</sub> | 0.415 | 0.354 | 0.114 |
均值总和 | 1.066 | 0.701 | 0.402 |
表中数据显示,变黄期的m=1~100时的各时刻标签m数据总和可以得出,m=67~100时数据总和最小,因此判定m=67~100处于变黄期的末期。
再进一步对m=67~100变黄期的末期,所有的每个时刻标签m的数据进行求总和计算,所求得结果如下列表3:
表3
时刻标签m | 行数据总和 |
67 | 0.148 |
68 | 0.483 |
69 | 0.375 |
… | … |
99 | 0.119 |
100 | 0.014 |
从列表中的数据显示,当m=100时,数据总和最小,说明此时烟叶光谱特征与标定的烟叶变黄期结束时间第100h的光谱特征最为接近,判定此时烟叶额烘烤应当是变黄期结束。
本发明中,所述的对烟叶烘烤过程阶段定色期的前期、中期、末期的判断采用与变黄期相同的方法。其所采用的状态指标X较佳的选择为烟叶主脉颜色、烟叶主脉形态和叶片形态。
所述的对烟叶烘烤过程阶段定色期的前期、中期、末期的判断的判断采用与变黄期相同的方法。其烟叶状态指标X较佳的选择为烟叶主脉含水率。
本发明的烟叶烘烤过程阶段对烟叶状态指标X的较佳的选择方案,采用如下列表方式进行说明,不再对每种具体实施方式进行逐一的说明(见表4):
表4
本发明中,所述的对变黄期、定色期、干筋期每个过程阶段的前期、中期、末期的判断;其判断的依据是标定的每个过程阶段的前期、中期、末期的每个分阶段中,所有的数据采集时刻t的判断数据。由于对上述判断的依据的标定方法,申请人同日另案申请,本案不再赘述。
由于本发明是通过对烟叶烘烤过程的所采集的丰富的高光谱图像和光谱数据进行处理,大大地提高了烟叶烘烤过程中各阶段烟叶状态的数据精准度。通过所获得的烘烤过程的各阶段烟叶状态的数据,与预先标定的各阶段烟叶状态的数据进行比较,有效地提高了烟叶烘烤过程中各阶段判断的精准度。
另外在本发明中,在烟叶烘烤的全过程连续地实时地采集烟叶烘烤过程中烟叶状态数据,同时可以实时地对所采集的原始高光谱数据实时地进行处理,实时地、且直接地与评定的标准进行比较,从而实时地获得烟叶烘烤过程中各阶段的比较数据,通过模型决策,实现烟叶烘烤控制过程的阶段判断的自动化。本发明的方法在通过大量的生产实践中的数据积累,有利于实现对实现烟叶烘烤控制过程的阶段判断的AI控制。
实施例2
本实施例2采用与实施例1相同的烟叶种类。并采用的方法与实施例1基本相同,其区别一是,将实施例1中选择的判断烟叶烘烤阶段的烟叶含水率X1和叶片颜色X2这两个特征指标中剔除烟叶含水率指标X1,仅使用叶片颜色进行烘烤阶段判断。其区别二是,在判断变黄期的前期、中期和末期时,剔除主脉颜色指标,即仅使用颜色均匀性进行时期判断。试验的最终结果显示在剔除上述两个指标进行判断时,阶段判断和时期判断的准确率会有所下降(见表5)。
表5
试验 | 阶段判断准确率/% | 时期判断准确率/% |
实施例1 | 98.3 | 98.9 |
实施例2 | 84.1 | 76.5 |
本实施例2试验数据显示,在对烘烤过程的阶段或每个过程的时期时,适当地选择烟叶状态指标X的种类,有利于阶段判断和时期判断的准确率。
实施例3
本实施例2采用与实施例1相同的烟叶种类。并采用的方法与实施例1基本相同,其区别是,采用了烟叶含水率X1、叶片颜色X2、主脉颜色X3和颜色均匀性X4四项烟叶状态指标X的种类,作为烘烤阶段和烘烤时期的判断指标。试验的最终结果表明,对使用对实施例2的方法可以小幅提升判断准确率。但是与实施例1的准确率差距并不显著,同时对比例3的方法大幅提升了计算机的计算压力。
表6
试验 | 阶段判断准确率/% | 时期判断准确率/% | 总和计算时间/s |
实施例1 | 98.3 | 98.9 | 128 |
实施例3 | 98.5 | 99.3 | 315 |
本实施例3试验数据显示,在对烘烤过程的阶段或每个过程的时期时,烟叶状态指标X的种类的增加对数据运算的时间产生比较大的影响。适当地选择烟叶状态指标X的种类数量,有利于提高阶段判断和时期判断的数据的反馈速度。
针对上述各实施方式的详细解释,其目的仅在于对本发明进行解释,以便于能够更好地理解本发明,但是,这些描述不能以任何理由解释成是对本发明的限制,特别是,在不同的实施方式中描述的各个特征也可以相互任意组合,从而组成其他实施方式,除了有明确相反的描述,这些特征应被理解为能够应用于任何一个实施方式中,而并不仅局限于所描述的实施方式。
Claims (26)
1.一种烟叶烘烤过程阶段的判断方法,在实际烘烤之前,通过烤房控制端输入烘烤全部过程的预设烘烤参数;其特征在于,在实际烘烤的全部烘烤的过程中,依据标定的烘烤过程阶段的数据采集时刻t,采集的烟叶状态指标X的高光谱信息;并对通过在所述时刻t所采集的高光谱信息,建立在所述采集时刻t时的烟叶状态指标X的特征光谱数据;将所述的烟叶状态指标X在实际烘烤时刻t的特征光谱数据与所述预先标定的高光谱信息进行比较;通过比较结果判断当前烟叶烘烤过程所处的阶段。
2.如权利要求1所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述烟叶烘烤过程阶段包括变黄期、定色期和干筋期;所述变黄期、定色期和干筋期的每个阶段的还可以分为前期、中期、末期三个时期。
3.如权利要求1所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述预先标定的烘烤过程数据采集时刻t,包括预先标定的信息采集的时刻t及时刻t所处的烘烤过程阶段;并依据烘烤过程的阶段,对信息采集的时刻t进行分段。
4.如权利要求3所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述对信息采集的时刻t进行分段,采用两级分段;一级分段是对变黄期、定色期和干筋期进行分段;二级分段是对变黄期、定色期和干筋期每个过程阶段进行前期、中期、末期的时期分段。
5.如权利要求1或4所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述的数据采集时刻t可依据数据采集的相等的时间间隔设置;或者依据烘烤过程阶段的分段时刻设置。
6.如权利要求1所述的烟叶烘烤过程阶段的判断方法,其特征在于,对所述实际烘烤过程的数据采集时刻t,采用与预先标定的烘烤过程的相同的数据采集时刻t;并对所述采集的高光谱数据,添加定义该数据采集时刻t的时间标签m。
7.如权利要求1所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述采集的高光谱信息为在烟叶烘烤时数据采集时刻t时的烟叶状态指标的高光谱信息。
8.如权利要求6所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述的烟叶状态指标,由烟叶含水率、叶片颜色、主脉颜色、烟叶颜色均匀性、主脉形态、烟叶形态、主脉含水率的7项烟叶状态指标构成。
9.如权利要求8所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述的每个烘烤过程阶段的判定,至少选择所述7项烟叶状态指标中的其中一种烟叶状态指标X或一种以上的组合。
10.如权利要求1所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述的时刻t时采集的烟叶状态指标的特征光谱数据,由基于烟叶状态指标X的原始高光谱信息所构建的烟叶状态指标X的高光谱特征矩阵Xt构成。
11.如权利要求10所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述的烟叶状态指标X在时刻t时的高光谱特征矩阵Xt,采用如下方法构建:
S1:开始进行实际烘烤,在烘烤过程中采集烟叶原始高光谱信息,构建实际烘烤烟叶高光谱信息矩阵,在时刻t的高光谱信息矩阵Xt为:
Xt=(x1…xn)
其中:t为高光谱信息采集的时刻,单位min;
n为高光谱信息数据维度;
S2:对矩阵Xt进行数据处理后,形成矩阵Yt:
Yt=(y1…yn)
其中:t为高光谱信息采集的时刻,单位min;
n为高光谱信息数据维度;
S3:将矩阵Yt按照预先标定的烟叶状态指标X的各自的特征波段,分割建立与所述的烟叶特征指标X对应的烟叶特征指标矩阵Yxt:
其中t为高光谱信息采集的时刻,单位min;
x烟叶状态指标X。
12.如权利要求6或11所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述的烟叶特征指标矩阵Yxt,最佳依据烟叶含水率、叶片颜色、主脉颜色、烟叶颜色均匀性、主脉形态、烟叶形态、主脉含水率分割为7个烟叶特征指标矩阵Yxt。
13.如权利要求10所述的烟叶烘烤过程阶段的判断方法,其特征在于,在步骤S2中所述的数据处理方法,为校正、平均、平滑、微分、归一化、降维等数据处理方法的其中任意一种,或两种以上方法的结合。
14.如权利要求10所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述的在步骤S2中数据处理方法,最佳为与标定对应的烟叶状态指标的光谱数据特征时所采用的相同的数据处理方法。
15.如权利要求10所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述的将所述的烟叶状态指标X在实际烘烤时刻t的特征光谱数据,与所述预先标定的高光谱信息进行比较,是将每种烟叶状态指标的特征光谱矩阵Yxt与分别与标定的对应的烟叶状态指标的特征矩阵Ct进行比较。
16.如权利要求15所述的烟叶烘烤过程阶段的判断方法,其特征在于,是将所述的烟叶状态指标的特征矩阵Yxt与标定的对应的烟叶状态指标的特征矩阵Ct进行比较,可采用如下方法:
S21:开始进行实际烘烤,依据烘烤过程的时刻t所采集烟叶高光谱原始信息,构建实际烘烤烟叶状态指标X的高光谱信息矩阵Xt:
Xt=(x1…xn)
S22:对高光谱信息矩阵Xt进行数据处理,分别构建每种烟叶状态指标X的光谱特征矩阵Yxt:
Yxt=(y1…yn);
S23:将每种烟叶状态指标X的特征矩阵Yxt与标定的烟叶状态指标X的特征波段矩阵Ct进行比较。
17.如权利要求16所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述的步骤S23的比较,可进一步采用如下方法:
S321:计算烟叶状态指标X的特征矩阵Yxt与标定的烟叶状态指标X的光谱特征矩阵Cxt的对应数据的欧氏距离;
S322:对计算所得出的对应点的欧氏距离值进行数据处理,获得所述烟叶状态指标X的距离矩阵Zx;
S323:将所述的距离矩阵Zx按烘烤过程阶段的划分为距离矩阵Zxt;其中,距离矩阵Zxt的取值为,包括烘烤过程中不同阶段内所有的在时刻t的距离矩阵数据;
S324:计算各烘烤过程阶段的距离矩阵Zxt中的数据平均值。
S325:计算所述烘烤过程阶段的至少两个烟叶状态指标的距离矩阵Zxt的数据平均值之和;
S326:依据所述烟叶状态指标的距离矩阵Zxt的数据平均值之和,判断所述的烘烤过程的阶段,或者的所述的阶段的时期。
18.如权利要求1所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述的依据距离矩阵Zxt的数据平均值之和,判断烘烤过程的阶段标准是,采用距离矩阵Zxt的数据平均值之和从大到小的顺序判定每个阶段的前期、中期、末期的时期;当距离矩阵Zxt数据最小时的烟叶状态指标的光谱特征数据,与标定的烟叶状态光谱特征最为接近,则判断烟叶过程的阶段结束。
19.如权利要求1或4所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述的烟叶烘烤过程阶段的判断,依据变黄期、定色期、干筋期的顺序进行判断。
20.如权利要求1或19所述的烟叶烘烤过程阶段的判断方法,其特征在于可依据待判断的烘烤过程阶段,选择的对应的烟叶状态指标X的数据,进一步对阶段变黄期、定色期、干筋期每个阶段的时期进行判断。
21.如权利要求20所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述的对烟叶烘烤过程阶段的变黄期、定色期和干筋期的判断,烟叶状态指标X较佳的选择至少为烟叶含水率和烟叶颜色。
22.如权利要求20所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述的对烟叶烘烤过程阶段变黄期的时期的判断,烟叶状态指标X较佳的选择为主脉颜色、烟叶颜色均匀性。
23.如权利要求20所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述的对烟叶烘烤过程阶段定色期的时期的判断,烟叶状态指标X较佳的选择为烟叶主脉颜色、烟叶主脉形态和叶片形态。
24.如权利要求20所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述的对烟叶烘烤过程阶段干筋期的判断,烟叶状态指标X较佳的选择为烟叶主脉含水率。
25.如权利要求16~20所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述的对变黄期、定色期、干筋期每个过程阶段的判断后,可以进一步判断对每个过程阶段的前期、中期、末期的时期。
26.如权利要求24所述的烟叶烘烤过程阶段的判断方法,其特征在于,所述的对变黄期、定色期、干筋期每个过程阶段的前期、中期、末期的时期进行判断;其判断的依据是标定的每个过程阶段的前期、中期、末期的每个时期中所有的数据采集时刻t的判断数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211011547.2A CN115290579A (zh) | 2022-08-23 | 2022-08-23 | 一种烟叶烘烤过程阶段的判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211011547.2A CN115290579A (zh) | 2022-08-23 | 2022-08-23 | 一种烟叶烘烤过程阶段的判断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115290579A true CN115290579A (zh) | 2022-11-04 |
Family
ID=83829360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211011547.2A Pending CN115290579A (zh) | 2022-08-23 | 2022-08-23 | 一种烟叶烘烤过程阶段的判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115290579A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115969073A (zh) * | 2023-01-16 | 2023-04-18 | 河南讯飞人工智能科技有限公司 | 烘烤阶段确定方法、装置、电子设备、烘烤箱和存储介质 |
-
2022
- 2022-08-23 CN CN202211011547.2A patent/CN115290579A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115969073A (zh) * | 2023-01-16 | 2023-04-18 | 河南讯飞人工智能科技有限公司 | 烘烤阶段确定方法、装置、电子设备、烘烤箱和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308697B (zh) | 一种基于机器学习算法的树叶病害识别方法 | |
US20210056424A1 (en) | Method and system for hyperspectral inversion of phosphorus content of rubber tree leaves | |
US11100263B2 (en) | Method of predicting sugar content and acidity of fruit using multivariate statistical analysis of FT-IR spectrum data | |
CN112036701B (zh) | 一种面向多工序工业生产过程的工艺参数优化方法 | |
CN114627125B (zh) | 一种基于光学手段的不锈钢压片机表面质量评估方法 | |
CN111274860A (zh) | 一种基于机器视觉的在线自动烟叶等级分选的识别方法 | |
CN115290579A (zh) | 一种烟叶烘烤过程阶段的判断方法 | |
CN106897668A (zh) | 一种基于遥感影像的草地退化程度自动提取方法 | |
CN109325410B (zh) | 一种基于卷积神经网络的脑电信号eeg特征提取方法 | |
CN111067513B (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
CN114092839B (zh) | 基于无人机遥感的大豆收获期成熟度的判断方法 | |
Ibrahim et al. | Detection of diseases in rice leaf using deep learning and machine learning techniques | |
CN110163459A (zh) | 一种构建多指标评价模型对小麦品质分级的方法 | |
CN111160811A (zh) | 一种基于多阶段fom-sae的批次过程故障监测方法 | |
CN104463173B (zh) | 一种基于概率密度比值的作物病害识别方法 | |
CN114766706B (zh) | 一种烟叶除杂与定级方法 | |
CN113030008B (zh) | 一种蒲黄炭炮制品的近红外在线质量检测方法 | |
CN115017700A (zh) | 基于scad算法的卷烟制丝过程变量选择及赋权方法 | |
Di et al. | The research on the feature extraction of sunflower leaf rust characteristics based on color and texture feature | |
CN112529838A (zh) | 一种基于图像处理技术的烟叶成熟度在线判别方法 | |
CN110211147B (zh) | 一种基于成像高光谱分析的水稻纹枯病病斑提取方法 | |
Loresco et al. | Growth Stage Identification for Cherry Tomato using Image Processing Techniques | |
CN115349654A (zh) | 一种烟叶烘烤参数的标定方法 | |
WO2015197781A1 (de) | Verfahren zum klassifizieren eines stoffgemischs | |
CN116809388B (zh) | 一种茶叶智能筛分方法及系统 |
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 |