CN115953384B - 一种烟叶形态参数在线检测和预测方法 - Google Patents
一种烟叶形态参数在线检测和预测方法 Download PDFInfo
- Publication number
- CN115953384B CN115953384B CN202310033469.4A CN202310033469A CN115953384B CN 115953384 B CN115953384 B CN 115953384B CN 202310033469 A CN202310033469 A CN 202310033469A CN 115953384 B CN115953384 B CN 115953384B
- Authority
- CN
- China
- Prior art keywords
- tobacco leaves
- image
- tobacco
- tobacco leaf
- leaves
- 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.)
- Active
Links
- 241000208125 Nicotiana Species 0.000 title claims abstract description 243
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 243
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明公开了一种烟叶形态参数在线检测和预测方法，通过拍摄采集经过复烤工序后烟叶的自然卷曲状态下和手动摊平状态下两种形态的图像，使用传统图像算法进行分析，计算烟叶的面积，周长和分形维数等参数；并将其得到的结果分别作为Resnet50网络的输入和输出进行预测模型的训练。在模型训练成功后，只需要输入自然状态下的烟叶图像和其相关形态参数就可以预测到摊平状态下烟叶的形态。本发明具有测量延时低，测量频率高、指标多，检测效率高的同时节约了大量人力的优点。
Description
技术领域
本发明涉及烟叶质量检测技术领域，特别涉及一种烟叶形态参数在线检测和预测方法。
背景技术
烟叶形状是决定烟丝结构的重要因素之一。在现有技术中，研究人员通过研究设计出图像处理方法，来自动实时识别计算烟叶的叶片率，准确地分类出类别不同的烟叶。有运用近红外光谱技术实现对烤烟烟叶完整性的检测，其进一步地应用近外红漫反射光谱技术来检测烤烟烟叶的颜色和对部分部位进行分析。目前制丝生产线的烟叶结构实行事后抽样调查的工艺监控体系，烟叶质量稳定性普遍没有进行检测，更没有实现烟叶的在线结构检测
但采用人工取样的方式会造成工艺监控体系存在以下缺陷：一方面对于生产过程中的烟叶结构特征无法实时监控，如果事后,发现出质量问题，就会造成整个批次的烟叶损失，影响生产供应；一方面是抽样样本少，难以全面、准确地反映烟叶的质量波动；另一方面是烟叶特征的局限性，经过复烤烤后，烟叶也拥有了不同程度的卷曲状态，当前机器只能测出复烤后烟叶卷曲下的烟叶参数，无法进一步评估烟叶其他特征。
发明内容
本发明的目的是提供一种烟叶形态参数在线检测和预测方法，其具有测量延时低，测量频率高、指标多，检测效率高的同时节约了大量人力的优点。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种烟叶形态参数在线检测和预测方法，包括如下步骤：
S1、采集复烤后烟叶自然状态下的初步图像及手动摊平状态下的初步图像；
S2、将初步图像进行图像预处理后得到形态图像；
S3、根据形态图像计算得到自然状态下烟叶的形态参数及摊平状态下烟叶的形态参数；
S4、获取烟叶预测神经网络，以自然状态下烟叶的形态图像及自然状态下烟叶的形态参数作为烟叶预测神经网络的输入，以摊平状态下烟叶的形态参数作为烟叶预测神经网络的输出标签，对烟叶预测神经网络进行训练得到新的烟叶预测神经网络；
S5、采集自然状态下待预测烟叶的初步图像；
S6、将初步图像进行图像预处理后得到形态图像；
S7、根据待预测烟叶的形态图像计算得到自然状态下待预测烟叶的形态参数并将该形态参数及对应的形态图像输入至训练后的烟叶预测神经网络；
S8、烟叶预测神经网络输出待预测烟叶摊平状态下的形态参数。
进一步设置：所述图像预处理具体包括如下步骤：
图像去噪，去除初步图像中由于硬件信号原因造成的噪声干扰；
图像分割，将去噪后的初步图像在YUV颜色通道下进行阈值分割，根据V通道下，烟叶和背景的像素差距，使用自适应阈值分割方法，分割烟叶和背景得到烟叶图像；
轮廓提取，对烟叶图像进行烟叶的轮廓提取。
进一步设置：所述形态参数具体包括：烟叶的面积，烟叶的周长，烟叶的分形维数，烟叶颜色分布直方图。
进一步设置：烟叶的面积计算具体包括如下步骤：
提取烟叶轮廓；
根据烟叶轮廓计算烟叶的面积；
烟叶的面积计算公式为：
S＝n*k*k
其中，S为烟叶的面积，n为烟叶轮廓内部像素点的个数，k为获取初步图像的镜头的单位像素精度。
进一步设置：烟叶的周常计算具体包括如下步骤：
提取烟叶轮廓；
根据烟叶轮廓计算烟叶的周长；
烟叶的周长计算公式为：
P＝m*k
其中，P为烟叶的周长，m为烟叶轮廓的像素点个数，k为获取初步图像的镜头的单位像素精度。
进一步设置：烟叶的分形维数的计算具体包括如下步骤：
提取烟叶轮廓；
根据烟叶轮廓，计算烟叶的周长和烟叶的面积；
根据烟叶的周长和烟叶的面积，计算烟叶的分形维数；
烟叶的分形维数计算公式为：
其中，D为烟叶的分形维数，P为烟叶的周长，S为烟叶的面积。
进一步设置：输入烟叶预测神经网络的形态图像需要保持固定的长度和宽度。
进一步设置：所述烟叶预测神经网络主干使用Resnet50网络模型作为特征提取模块，其中包括：
卷积层，其用于图像参数提取；
最大池化层，其用于缩小图像的特征尺寸；
残差模块，其用于防止下采样过程丢失过多图像细节信息；
归一化操作，其用于将发散的图像信息约束回归至0到1之间。
进一步设置：使用图像采集系统获取初步图像，所述图像采集系统包括：
2000万像素工业相机和防畸变镜头，其用于采集烟叶的初步图像；
LED面阵光源，为所述2000万像素工业相机提供光源。
进一步设置：在步骤S1之前还包括对图像采集系统进行标定，所述标定具体包括镜头对焦及镜头畸变矫正，所述镜头畸变矫正包括如下步骤：
拍摄黑白标定板图像；
使用Matlab软件读入拍摄的黑白标定板图像，利用图像计算镜头内参矩阵和外参矩阵，其中，计算内外参数矩阵使用张正友标定法；
使用Matlab软件读入拍摄的黑白标定板图像，利用图像计算镜头的单位像素精度k。
综上所述，本发明具有以下有益效果：通过拍摄采集复烤后烟叶自然卷曲状态下和手动摊平状态下两种形态的图片，使用传统图像算法进行分析，计算烟叶的面积，周长和分形维数等参数；并将其分别作为Resnet50网络的输入和输出进行模型的训练。再模型训练成功后，只需要输入自然状态下的烟叶图像和其相关形态参数就可以预测到摊平状态下烟叶的形态，其也是最能展现出烟叶品质的指标，通过烟叶预测神经网络对图像采集系统拍摄到的所有烟叶平摊状态下的形态参数进行预测，大大提高了检测的指标量及检测频率，且测量速度快延时低，保证了烟叶质量的稳定性。
附图说明
图1是实施例的整体结构框图；
图2是实施例中烟叶预测神经网络预测步骤图；
图3是实施例中烟叶预测神经网络的基本框架图；
图4是实施例中其中一个样本烟叶自然状态下的烟叶图像；
图5是与图4中的样本烟叶对应的摊平状态下的烟叶图像。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例：
一种烟叶形态参数在线检测和预测方法，包括如下步骤：
S1、采集复烤后烟叶自然状态下的初步图像及手动摊平状态下的初步图像；使用图像采集系统获取初步图像，所述图像采集系统包括：
2000万像素工业相机和防畸变镜头，其用于采集烟叶的初步图像；
LED面阵光源，为所述2000万像素工业相机提供光源。在拍摄摊平状态下烟叶时，摊平的烟叶应尽量平整，完全，不破坏原有结构。
S2、将初步图像进行图像预处理后得到形态图像；所述图像预处理具体包括如下步骤：
图像去噪，去除初步图像中由于硬件信号原因造成的噪声干扰；
图像分割，将去噪后的初步图像在YUV颜色通道下进行阈值分割，根据V通道下，烟叶和背景的像素差距，使用自适应阈值分割方法，分割烟叶和背景得到烟叶图像；
轮廓提取，对烟叶图像进行烟叶的轮廓提取。
S3、根据形态图像计算得到自然状态下烟叶的形态参数及摊平状态下烟叶的形态参数；所述形态参数具体包括：烟叶的面积，烟叶的周长，烟叶的分形维数，烟叶颜色分布直方图。
烟叶的面积计算具体包括如下步骤：
提取烟叶轮廓；
根据烟叶轮廓计算烟叶的面积；
烟叶的面积计算公式为：
S＝n*k*k
其中，S为烟叶的面积，n为烟叶轮廓内部像素点的个数，k为获取初步图像的镜头的单位像素精度。
烟叶的周常计算具体包括如下步骤：
提取烟叶轮廓；
根据烟叶轮廓计算烟叶的周长；
烟叶的周长计算公式为：
P＝m*k
其中，P为烟叶的周长，m为烟叶轮廓的像素点个数，k为获取初步图像的镜头的单位像素精度。
烟叶的分形维数的计算具体包括如下步骤：
提取烟叶轮廓；
根据烟叶轮廓，计算烟叶的周长和烟叶的面积；
根据烟叶的周长和烟叶的面积，计算烟叶的分形维数；
烟叶的分形维数计算公式为：
其中，D为烟叶的分形维数，P为烟叶的周长，S为烟叶的面积。
S4、获取烟叶预测神经网络，以自然状态下烟叶的形态图像及自然状态下烟叶的形态参数作为烟叶预测神经网络的输入，以摊平状态下烟叶的形态参数作为烟叶预测神经网络的输出标签，对烟叶预测神经网络进行训练得到新的烟叶预测神经网络；
输入烟叶预测神经网络的形态图像需要保持固定的长度和宽度。
所述烟叶预测神经网络主干使用Resnet50网络模型作为特征提取模块，其中包括：
卷积层，其用于图像参数提取；
最大池化层，其用于缩小图像的特征尺寸；
残差模块，其用于防止下采样过程丢失过多图像细节信息；
归一化操作，其用于将发散的图像信息约束回归至0到1之间。
S5、采集自然状态下待预测烟叶的初步图像；
S6、将初步图像进行图像预处理后得到形态图像；
S7、根据待预测烟叶的形态图像计算得到自然状态下待预测烟叶的形态参数并将该形态参数及对应的形态图像输入至训练后的烟叶预测神经网络；
S8、烟叶预测神经网络输出待预测烟叶摊平状态下的形态参数。
训练模型时，需要大量的数据采集工作，采集烟叶的自然状态和摊平状态，两个状态的烟叶图像，并用传统机器视觉算法计算出其相应烟叶形态参数。将自然状态烟叶形态参数和摊平状态烟叶形态参数分别作为训练模型的输入和标签，对模型进行训练。
如图4所示，为本实施例中其中一片作为样本的烟叶在自然状态下的烟叶图像，通过传统机器视觉算法计算得到该样本烟叶的面积为1743.7117mm2，周长为266.5mm；分形维数：2.67；烟叶颜色直方图：
[[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[1.],[3.],[4.],[21.],[41.],[66.],[101.],[110.],[179.],[170.],[190.],[170.],[182.],[181.],[206.],[212.],[206.],[169.],[162.],[115.],[99.],[62.],[22.],[12.],[5.],[1.],[1.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.]]。图5是上述样本烟叶在摊平状态下的烟叶图像，通过传统机器视觉算法计算得到该烟叶图像内的烟叶面积为4869.149mm2，周长为324.98mm，
分形维数为2.93，烟叶颜色直方图：
[[0.],[0.],[0.],[0.],[0.][0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[3.],[4.],[26.],[54.],[106.],[185.],[240.],[292.],[279.],[311.],[284.],[314.],[321.],[368.],[389.],[370.],[330.],[290.],[202.],[125.],[64.],[31.],[7.],[4.],[2.],[1.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.],[0.][0.],[0.]]。
通过上述方式得到多个样本烟叶的形态参数，具体样本数量根据实际需求的精确度来选择，将得到的多个样本烟叶的形态参数输入至烟叶预测神经网络模型中进行训练，在训练好模型后，再次采集部分数据对模型的训练效果进行判别，如果在模型对新采集的数据集上表现结果过差，需要重新调整模型或者筛选错误的训练模型，重新进行模型的训练，直至，模型的测试结果达到指定要求为止。
在模型训练时，输入神经网络的烟叶图像需要保持固定的长度和宽度。
神经网络主干使用Resnet50网络模型作为特征提取模块，提取烟叶图像特征，与传统图像算法计算出的烟叶参数相结合，进行回归预测。
在步骤S1之前还包括对图像采集系统进行标定，所述标定具体包括镜头对焦及镜头畸变矫正，所述镜头畸变矫正包括如下步骤：
拍摄黑白标定板图像；
使用Matlab软件读入拍摄的黑白标定板图像，利用图像计算镜头内参矩阵和外参矩阵，其中，计算内外参数矩阵使用张正友标定法；在本实施例中使用的工业相机通过张正友标定法计算得到的内参矩阵为：
[-0.784713206854009,5.747255467211894,-0.001724896813991,0.001148623745952,-20.167692845348130]，
计算得到的外参矩阵为：
[[1.137270602975424e+04,0,2.023073119760058e+03],
[0,1.138582156893353e+04,1.564263534888189e+03],
[0,0,1]]。
使用Matlab软件读入拍摄的黑白标定板图像，利用图像计算镜头的单位像素精度k。
通过拍摄采集复烤后烟叶自然卷曲状态下和手动摊平状态下两种形态的图片，使用传统图像算法进行分析，计算烟叶的面积，周长和分形维数等参数；并将其分别作为Resnet50网络的输入和输出进行模型的训练。再模型训练成功后，只需要输入自然状态下的烟叶图像和其相关形态参数就可以预测到摊平状态下烟叶的形态，其也是最能展现出烟叶品质的指标，通过烟叶预测神经网络对图像采集系统拍摄到的所有烟叶平摊状态下的形态参数进行预测，大大提高了检测的指标量及检测频率，且测量速度快延时低，保证了烟叶质量的稳定性。
以上所述的实施方式，并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等，均应包含在该技术方案的保护范围之内。
Claims (3)
1.一种烟叶形态参数在线检测和预测方法，其特征在于，包括如下步骤：
S1、采集复烤烟叶自然状态下的初步图像及手动摊平状态下的初步图像；
S2、将初步图像进行图像预处理后得到形态图像；
S3、根据形态图像计算得到自然状态下烟叶的形态参数及摊平状态下烟叶的形态参数；
S4、获取烟叶预测神经网络，以自然状态下烟叶的形态图像及自然状态下烟叶的形态参数作为烟叶预测神经网络的输入，以摊平状态下烟叶的形态参数作为烟叶预测神经网络的输出标签，对烟叶预测神经网络进行训练得到新的烟叶预测神经网络；
S5、采集自然状态下待预测烟叶的初步图像；
S6、将初步图像进行图像预处理后得到形态图像；
S7、根据待预测烟叶的形态图像计算得到自然状态下待预测烟叶的形态参数并将该形态参数及对应的形态图像输入至训练后的烟叶预测神经网络；
S8、烟叶预测神经网络输出待预测烟叶摊平状态下的形态参数；
所述图像预处理具体包括如下步骤：
图像去噪，去除初步图像中由于硬件信号原因造成的噪声干扰；
图像分割，将去噪后的初步图像在YUV颜色通道下进行阈值分割，根据V通道下，烟叶和背景的像素差距，使用自适应阈值分割方法，分割烟叶和背景得到烟叶图像；
轮廓提取，对烟叶图像进行烟叶的轮廓提取；
所述形态参数具体包括：烟叶的面积，烟叶的周长，烟叶的分形维数，烟叶颜色分布直方图；
烟叶的面积计算具体包括如下步骤：
提取烟叶轮廓；
根据烟叶轮廓计算烟叶的面积；
烟叶的面积计算公式为：
S＝n*k*k
其中，S为烟叶的面积，n为烟叶轮廓内部像素点的个数，k为获取初步图像的镜头的单位像素精度；
烟叶的周常计算具体包括如下步骤：
提取烟叶轮廓；
根据烟叶轮廓计算烟叶的周长；
烟叶的周长计算公式为：
P＝m*k
其中，P为烟叶的周长，m为烟叶轮廓的像素点个数，k为获取初步图像的镜头的单位像素精度；
烟叶的分形维数的计算具体包括如下步骤：
提取烟叶轮廓；
根据烟叶轮廓，计算烟叶的周长和烟叶的面积；
根据烟叶的周长和烟叶的面积，计算烟叶的分形维数；
烟叶的分形维数计算公式为：
其中，D为烟叶的分形维数，P为烟叶的周长，S为烟叶的面积；
输入烟叶预测神经网络的形态图像需要保持固定的长度和宽度；
所述烟叶预测神经网络主干使用Resnet50网络模型作为特征提取模块，其中包括：
卷积层，其用于图像参数提取；
最大池化层，其用于缩小图像的特征尺寸；
残差模块，其用于防止下采样过程丢失过多图像细节信息；
归一化操作，其用于将发散的图像信息约束回归至0到1之间。
2.根据权利要求1所述的一种烟叶形态参数在线检测和预测方法，其特征在于，使用图像采集系统获取初步图像，所述图像采集系统包括：
2000万像素工业相机和防畸变镜头，其用于采集烟叶的初步图像；
LED面阵光源，为所述2000万像素工业相机提供光源。
3.根据权利要求2所述的一种烟叶形态参数在线检测和预测方法，其特征在于：在步骤S1之前还包括对图像采集系统进行标定，所述标定具体包括镜头对焦及镜头畸变矫正，所述镜头畸变矫正包括如下步骤：
拍摄黑白标定板图像；
使用Matlab软件读入拍摄的黑白标定板图像，利用图像计算镜头内参矩阵和外参矩阵，其中，计算内外参数矩阵使用张正友标定法；
使用Matlab软件读入拍摄的黑白标定板图像，利用图像计算镜头的单位像素精度k。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310033469.4A CN115953384B (zh) | 2023-01-10 | 2023-01-10 | 一种烟叶形态参数在线检测和预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310033469.4A CN115953384B (zh) | 2023-01-10 | 2023-01-10 | 一种烟叶形态参数在线检测和预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115953384A CN115953384A (zh) | 2023-04-11 |
| CN115953384B true CN115953384B (zh) | 2024-02-02 |
Family
ID=87286031
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310033469.4A Active CN115953384B (zh) | 2023-01-10 | 2023-01-10 | 一种烟叶形态参数在线检测和预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115953384B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BE403424A (zh) * | 1933-12-19 | 1934-06-30 | ||
| CN103954236A (zh) * | 2014-05-16 | 2014-07-30 | 中国烟草总公司郑州烟草研究院 | 一种片烟形状紧致度的测定方法 |
| CN206284367U (zh) * | 2016-11-29 | 2017-06-30 | 福建省烟草公司三明市公司 | 一种基于云平台的在线智能化烤烟系统 |
| CN109420622A (zh) * | 2017-08-27 | 2019-03-05 | 南京理工大学 | 基于卷积神经网络的烟叶分拣方法 |
| CN110956212A (zh) * | 2019-11-29 | 2020-04-03 | 长沙理工大学 | 一种基于视觉特征融合的打叶质量检测方法 |
| CN111274860A (zh) * | 2019-11-08 | 2020-06-12 | 杭州安脉盛智能技术有限公司 | 一种基于机器视觉的在线自动烟叶等级分选的识别方法 |
| AU2020103260A4 (en) * | 2020-11-05 | 2021-01-14 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Rice blast grading system and method |
| CN113569880A (zh) * | 2020-04-28 | 2021-10-29 | 福建省烟草公司龙岩市公司 | 一种烤后自然卷曲烟叶的快速初分系统及初分方法 |
| WO2021239858A1 (en) * | 2020-05-27 | 2021-12-02 | Tomtom Global Content B.V. | Neural network model for image segmentation |
| CN113792817A (zh) * | 2021-09-29 | 2021-12-14 | 苏州科达科技股份有限公司 | 图像处理超参数预测方法、系统、设备及存储介质 |
| CN114943864A (zh) * | 2022-06-14 | 2022-08-26 | 福建省亿力信息技术有限公司 | 一种融合注意力机制和卷积神经网络模型的烟叶定级方法 |
| CN115049853A (zh) * | 2022-04-14 | 2022-09-13 | 鼎云(上海)科技有限公司 | 烟叶卷曲不变特性特征提取方法及存储介质 |
| CN115358972A (zh) * | 2022-07-21 | 2022-11-18 | 芜湖启迪睿视信息技术有限公司 | 基于视觉特征融合的烟叶分级方法及系统 |
| CN115457327A (zh) * | 2022-09-19 | 2022-12-09 | 云南省烟草烟叶公司 | 基于视觉的烤后烟烟叶部位分类方法、装置及电子设备 |
-
2023
- 2023-01-10 CN CN202310033469.4A patent/CN115953384B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BE403424A (zh) * | 1933-12-19 | 1934-06-30 | ||
| CN103954236A (zh) * | 2014-05-16 | 2014-07-30 | 中国烟草总公司郑州烟草研究院 | 一种片烟形状紧致度的测定方法 |
| CN206284367U (zh) * | 2016-11-29 | 2017-06-30 | 福建省烟草公司三明市公司 | 一种基于云平台的在线智能化烤烟系统 |
| CN109420622A (zh) * | 2017-08-27 | 2019-03-05 | 南京理工大学 | 基于卷积神经网络的烟叶分拣方法 |
| CN111274860A (zh) * | 2019-11-08 | 2020-06-12 | 杭州安脉盛智能技术有限公司 | 一种基于机器视觉的在线自动烟叶等级分选的识别方法 |
| CN110956212A (zh) * | 2019-11-29 | 2020-04-03 | 长沙理工大学 | 一种基于视觉特征融合的打叶质量检测方法 |
| CN113569880A (zh) * | 2020-04-28 | 2021-10-29 | 福建省烟草公司龙岩市公司 | 一种烤后自然卷曲烟叶的快速初分系统及初分方法 |
| WO2021239858A1 (en) * | 2020-05-27 | 2021-12-02 | Tomtom Global Content B.V. | Neural network model for image segmentation |
| AU2020103260A4 (en) * | 2020-11-05 | 2021-01-14 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Rice blast grading system and method |
| CN113792817A (zh) * | 2021-09-29 | 2021-12-14 | 苏州科达科技股份有限公司 | 图像处理超参数预测方法、系统、设备及存储介质 |
| CN115049853A (zh) * | 2022-04-14 | 2022-09-13 | 鼎云(上海)科技有限公司 | 烟叶卷曲不变特性特征提取方法及存储介质 |
| CN114943864A (zh) * | 2022-06-14 | 2022-08-26 | 福建省亿力信息技术有限公司 | 一种融合注意力机制和卷积神经网络模型的烟叶定级方法 |
| CN115358972A (zh) * | 2022-07-21 | 2022-11-18 | 芜湖启迪睿视信息技术有限公司 | 基于视觉特征融合的烟叶分级方法及系统 |
| CN115457327A (zh) * | 2022-09-19 | 2022-12-09 | 云南省烟草烟叶公司 | 基于视觉的烤后烟烟叶部位分类方法、装置及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 基于图像特征的烟叶分级方法研究;赵世民;宋正雄;贺智涛;董昆乐;李丽华;王玉洁;;安徽农业科学(28);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115953384A (zh) | 2023-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113989279B (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
| Yiyang | The design of glass crack detection system based on image preprocessing technology | |
| CN109086675B (zh) | 一种基于光场成像技术的人脸识别及攻击检测方法及其装置 | |
| CN111507426B (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
| CN110705655A (zh) | 一种基于光谱和机器视觉耦合的烟叶分类方法 | |
| CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
| CN113706490B (zh) | 一种晶片缺陷检测方法 | |
| CN110689524B (zh) | 一种无参考在线图像清晰度评价方法与系统 | |
| CN110677639A (zh) | 一种基于特征融合和循环神经网络的无参考视频质量评价方法 | |
| CN111062961A (zh) | 一种基于深度学习的隐形眼镜边缘缺陷检测方法 | |
| CN115829976A (zh) | 一种针对外观缺陷检测的图像处理方法 | |
| CN115272303A (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 | |
| CN112330613A (zh) | 一种细胞病理数字图像质量的评价方法及系统 | |
| CN113129281B (zh) | 一种基于深度学习的小麦茎秆截面参数检测方法 | |
| CN115953384B (zh) | 一种烟叶形态参数在线检测和预测方法 | |
| CN117058089A (zh) | 烟支外观检测方法 | |
| CN114612415A (zh) | 基于深度残差网络与多通道图像融合的表面缺陷分类方法 | |
| CN113439870B (zh) | 一种雪茄烟外观分类方法及装置 | |
| CN116109543A (zh) | 一种数据快速识别读取方法及装置、计算机可读存储介质 | |
| CN112213244A (zh) | 基于机器学习的机动车尾气林格曼黑度测量装置及方法 | |
| CN118115744B (zh) | 一种基于图像识别的电能表外壳检测方法 | |
| CN114648570B (zh) | 一种基于深度学习的面向差异化背景网格的曲线提取方法 | |
| CN117474916B (zh) | 一种图像检测方法、电子设备及存储介质 | |
| CN117850032B (zh) | 一种光学透镜的调校方法及系统 | |
| CN118115744A (zh) | 一种基于图像识别的电能表外壳检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |