CN116597238B - 一种大田环境下鲜烟叶成熟度判别方法、介质及系统 - Google Patents
一种大田环境下鲜烟叶成熟度判别方法、介质及系统 Download PDFInfo
- Publication number
- CN116597238B CN116597238B CN202310875311.1A CN202310875311A CN116597238B CN 116597238 B CN116597238 B CN 116597238B CN 202310875311 A CN202310875311 A CN 202310875311A CN 116597238 B CN116597238 B CN 116597238B
- Authority
- CN
- China
- Prior art keywords
- maturity
- color
- tobacco
- center
- illumination
- 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
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 186
- 241000208125 Nicotiana Species 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005286 illumination Methods 0.000 claims abstract description 80
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000003086 colorant Substances 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 4
- 208000012868 Overgrowth Diseases 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G06T5/73—
-
- G06T5/94—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- 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
Abstract
本发明提供了一种大田环境下鲜烟叶成熟度判别方法、介质及系统，属于烟叶烘烤技术领域，该方法包括：获取待判别烟叶的烟叶图像，所述烟叶图像仅包含待判别烟叶的图像；对所述烟叶图像提取感兴趣烟叶区域；对所述感兴趣烟叶区域进行模糊去光照处理得到去光照图像；根据所述去光照图像计算得到烟叶成熟度的颜色表示中心；将所述烟叶成熟度的颜色表示中心在恒定光源的暗箱环境中的映射，作为规范颜色中心；获取所述暗箱环境中每种成熟度的颜色表示中心的标准值记为成熟度颜色标准值；计算所述规范颜色中心与每种成熟度颜色标准值的接近概率，以接近概率最大的成熟度颜色标准值对应的成熟度作为所述待判别烟叶的成熟度。
Description
技术领域
本发明属于烟叶烘烤技术领域，具体而言，涉及一种大田环境下鲜烟叶成熟度判别方法、介质及系统。
背景技术
随着计算机技术的快速进步，机械设备与计算机相结合的智能化发展成为未来的发展趋势。在这一趋势下，视觉作为机械设备理解环境的主要手段，基于视觉的环境感知方法成为实现智能化的关键技术。在烟叶采摘领域，烟叶的成熟度对烤后烟叶的质量具有直接影响。然而，在大田环境下，光照对烟叶色彩信息产生显著偏差，使得鲜烟叶的成熟度难以准确判断。因此，研究在大田光照环境下基于视觉的鲜烟叶成熟度识别方法成为智能烟叶作业装备的重要技术挑战。
现有的鲜烟叶成熟度识别方法主要包括基于化学成分检测、基于高光谱信息和基于视觉信息的方法。然而，基于化学成分检测和光谱信息的方法在智能采摘场景下，由于采集便利性和处理实时性等问题，不具备足够的实用性。基于视觉信息的方法则主要依赖于提取烟叶颜色和纹理等特征，然后将这些特征输入机器学习或神经网络算法进行成熟度分类。尽管在一定条件下，这类方法可以较好地识别鲜烟叶的成熟度，但其忽略了光照的影响。实际上，在自然环境下，光照对烟叶颜色和纹理等信息的表达具有直接影响，而基于特征提取的机器学习或神经网络算法对光照变化非常敏感，导致在光照环境下原有识别能力大幅下降。因此，提出一种能够克服光照影响并具有稳定识别性能的大田自然环境下鲜烟叶成熟度判别方法具有重要的实用价值。
发明内容
有鉴于此，本发明提供一种大田环境下鲜烟叶成熟度判别方法、介质及系统，能够解决现有技术中对大田自然环境下鲜烟叶成熟度判别存在光照影响的技术问题。
本发明是这样实现的：
本发明的第一方面提供一种大田环境下鲜烟叶成熟度判别方法，其中，包含如下步骤：
S10、获取待判别烟叶的烟叶图像，所述烟叶图像为仅包含待判别烟叶的图像；
S20、对所述烟叶图像提取感兴趣烟叶区域；
S30、对所述感兴趣烟叶区域进行模糊去光照处理得到去光照图像；
S40、根据所述去光照图像计算得到烟叶成熟度的颜色表示中心；
S50、将所述烟叶成熟度的颜色表示中心在恒定光源的暗箱环境中的映射，作为规范颜色中心；
S60、获取所述暗箱环境中每种成熟度的颜色表示中心的标准值记为成熟度颜色标准值；
S70、计算所述规范颜色中心与每种成熟度颜色标准值的接近概率，以接近概率最大的成熟度颜色标准值对应的成熟度作为所述待判别烟叶的成熟度；
其中，所述成熟度包括欠熟、尚熟、适熟、过熟4个等级。
在上述技术方案的基础上，本发明的一种大田环境下鲜烟叶成熟度判别方法还可以做如下改进:
其中，所述对所述烟叶图像提取感兴趣烟叶区域的步骤，具体为：采用平行双支路网络对所述烟叶图像提取感兴趣烟叶区域。
其中，所述对所述感兴趣烟叶区域进行模糊去光照处理得到去光照图像的步骤，具体包括：
提取感兴趣烟叶的受光照影响区域；
建立光照与颜色之间的模糊关系模型；
采用所述模糊关系模型对所述受光照影响区域的颜色映射到正常，得到去光照图像。
其中，所述根据所述去光照图像计算得到烟叶成熟度的颜色表示中心的步骤，具体为：计算所述去光照图像中红绿蓝三种颜色的颜色中心作为烟叶成熟度的颜色表示中心。
其中，所述将所述烟叶成熟度的颜色表示中心在恒定光源的暗箱环境中的映射，作为规范颜色中心的步骤，具体包括：
计算所述光照图像中的亮度的均值作为亮度中心；
计算所述大田环境亮度和所述暗箱环境亮度的归一化系数；
利用所述归一化系数，根据所述烟叶成熟度的颜色表示中心得到红绿蓝三种颜色的映射颜色中心作为烟叶成熟度的颜色表示中心。
其中，所述获取所述暗箱环境中每种成熟度的颜色表示中心的标准值记为成熟度颜色标准值的步骤，具体为：
在所述暗箱环境中，分别取多幅欠熟鲜烟叶图像、尚熟鲜烟叶图像、适熟鲜烟叶图像以及过熟鲜烟叶图像；
分别计算每一种成熟度的鲜烟叶图像的红绿蓝三种颜色的均值，作为成熟度颜色标准值。
其中，所述计算所述规范颜色中心与每种成熟度颜色标准值的接近概率的步骤，具体包括：
获取所述规范颜色中心中的红色颜色中心记为规范红色中心；
计算规范红色中心与每种成熟度颜色标准值中红色的欧式距离得到多个成熟度距离；
根据所述多个成熟度距离计算每个成熟度的概率作为接近概率。
本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时用于实现上述的大田环境下鲜烟叶成熟度判别方法。
本发明的第三方面提供一种大田环境下鲜烟叶成熟度判别系统，其中，包含上述的计算机可读存储介质。
与现有技术相比较，本发明提供的一种大田环境下鲜烟叶成熟度判别方法、介质及系统的有益效果是：
1.采用模糊去光照方法，建立去光照模型克服大田环境下光照对鲜烟叶颜色信息的表达，缓解光照对鲜烟叶信息表达影响；
2.构建鲜烟叶颜色中心的映射模型，将光照下鲜烟叶颜色中心映射到无光照条件下，符合实际鲜烟叶成熟度识别的环境条件，增加了识别稳定性及陌生环境的适应性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为一种大田环境下鲜烟叶成熟度判别方法的流程图；
图2为鲜烟叶去除光照流程图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
如图1所示，是本发明第一方面提供一种大田环境下鲜烟叶成熟度判别方法的流程图，本方法包含如下步骤：
S10、获取待判别烟叶的烟叶图像，烟叶图像为仅包含待判别烟叶的图像；
S20、对烟叶图像提取感兴趣烟叶区域；
S30、对感兴趣烟叶区域进行模糊去光照处理得到去光照图像；
S40、根据去光照图像计算得到烟叶成熟度的颜色表示中心；
S50、将烟叶成熟度的颜色表示中心在恒定光源的暗箱环境中的映射，作为规范颜色中心；
S60、获取暗箱环境中每种成熟度的颜色表示中心的标准值记为成熟度颜色标准值；
S70、计算规范颜色中心与每种成熟度颜色标准值的接近概率，以接近概率最大的成熟度颜色标准值对应的成熟度作为待判别烟叶的成熟度；
其中，成熟度包括欠熟、尚熟、适熟、过熟4个等级。
其中，在上述技术方案中，对烟叶图像提取感兴趣烟叶区域的步骤，具体为：采用平行双支路网络对烟叶图像提取感兴趣烟叶区域。
鲜烟叶从烟株根部到顶部成熟顺序具有规律性，所以不需要同时对区域内所有叶片的鲜烟叶成熟度进行识别，仅需要自下而上识别区域内单个鲜烟叶片的成熟度。然而摄像机在实际的拍摄过程中，同一图片场景往往出现多片鲜烟叶，另外，除烟叶区域外的背景区域也对鲜烟叶成熟度识别产生不利影响，所以需要提取处理的单鲜烟叶片区域，称为感兴趣烟叶区域。在此，提取感兴趣鲜烟叶区域问题转换为视觉的分割（二分类）任务，即将鲜烟叶图像分为感兴趣鲜烟叶区域和其他区域。对于分割任务在现有技术中已有大量的研究，在本方案中直接使用平行双支路网络提取感兴趣鲜烟叶区域。
其中， 平行双支路网络（Parallel Dual-Path Network）是一种深度学习网络结构，其特点是在网络中存在两个并行的信息传递路径。这两个路径通常具有不同的功能和特性，例如一个路径负责捕捉局部特征，另一个路径负责捕捉全局特征。通过将这两个路径的信息融合，网络可以更好地处理复杂的任务。
平行双支路网络的优点在于，两个路径可以分别关注不同的特征，从而提高网络的表达能力。此外，这种结构还可以有效地减少网络的参数量，提高计算效率。平行双支路网络在计算机视觉、自然语言处理等领域有广泛的应用。
其中，在上述技术方案中，对感兴趣烟叶区域进行模糊去光照处理得到去光照图像的步骤，具体包括：
提取感兴趣烟叶的受光照影响区域；
建立光照与颜色之间的模糊关系模型；
采用模糊关系模型对受光照影响区域的颜色映射到正常，得到去光照图像。
下面结合附图2对去光照的步骤进行详细解释：
基于提取感兴趣烟叶区域的大田烟叶图像自然环境下受到光照影响，严重影响烟叶颜色等信息的表达，从而造成鲜烟叶成熟度判别的失败。在HSV颜色空间空间，光照只影响亮度，不影响色调和饱和度，所以通过HSV颜色空间的亮度值判断鲜烟叶是否受到光照影响以及衡量受光照影响程度；在RGB颜色空间，光照影响R、G、B各分量值的绝对大小和三者之间的比例关系，但不会改变R、G、B分量值之间的相对大小关系，即当R分量值比G分量值大时，不会因为受到关照的影响而出现R分量值小于G分量值的情况。综上而言，首先使用H分量值判断是否受到光照影响及受光照影响的像素位置，其次调节相应位置各颜色分量值的大小以及比例关系。主要分为两部分：一是提取感兴趣烟叶的受光照影响区域；二是建立光照与颜色之间的模糊关系模型。
（1）提取感兴趣烟叶的受光照影响区域
假设图像位置亮度值为/>，存在阈值/>使得下式关系成立：
；
当前像素位置亮度值大于阈值时，判定为受光照影响位置并标记当前位置为1，否则为不受光照影响位置并标记当前位置为0。为适应不同环境，阈值应该有自适应调整的能力，最大类间方差法能够满足此需求。给定阈值/>将亮度分量分为两部分，受光照影响部分的亮度均值为/>，面积占比为/>，不受光照影响部分的亮度均值为/>，面积占比为/>，则整个烟叶区域亮度均值为：
；
其中，，则阈值为/>时类间方差可以表示为：
；
阈值从0遍历至255，出现类间方差最大值/>时对应的阈值记为/>，即为所求区分是否受光照影响的最佳阈值。当存在烟叶区域基本不受光照影响和基本都受光照影响两种情况时，不再适用于上述方法，所以通过/>判断烟叶区域受光照影响状态。统计大量数据，/>小于0.2且/>、/>均大于0.5时，烟叶区域基本都受光照影响；小于0.2且/>、/>均小于0.5时，烟叶区域基本不受光照影响；/>大于0.2时，利用上述方法获取受光照影响区域。
（2）建立光照与颜色之间的模糊关系模型
受光照影响烟叶区域的像素个数为/>，不受光照影响的正常区域/>的像素个数为/>，则其颜色中心分别为/>和/>，通过下式计算得到：
；
；
；
；
；
；
其中、/>、/>分别表示红色分量、绿色分量、蓝色分量在/>处的像素值，/>、/>分别表示/>像素位置属于受光照影响烟叶区域和正常区域。则消除光照的影响将受光照影响区域的颜色值映射到正常区域，可以近似转换为将受光照影响区域的颜色中心映射到正常区域的颜色中心，对于受光照影响区域/>处的像素值通过下式消除光照影响：
；
；
；
其中为/>处消除光照影响的像素值。结合烟叶区域部分受到光照影响、基本都受到光照影响两种情况，消除光照影响可以由下式计算：
；
其中，在上述技术方案中，根据去光照图像计算得到烟叶成熟度的颜色表示中心的步骤，具体为：计算去光照图像中红绿蓝三种颜色的颜色中心作为烟叶成熟度的颜色表示中心。
自然环境下，由于拍摄时间或者拍摄地点的差异，造成消除光照影响的鲜烟叶依然存在光照强度的差异。所以相同成熟度多片鲜烟叶出现颜色中心差异巨大的情况，而在暗箱环境中可以很好的避免这种情况，所以基于暗箱环境计算不同成熟度的颜色表示中心。
因此，进一步的，在上述技术方案中，将烟叶成熟度的颜色表示中心在恒定光源的暗箱环境中的映射，作为规范颜色中心的步骤，具体包括：
计算光照图像中的亮度的均值作为亮度中心；
亮度表示光照的强度，能够反映说出环境的光照水平。暗箱的光照环境是恒定的，构建暗箱环境下恒定光源与成熟度颜色表示中心的关系。由于不同成熟度鲜烟叶的外观颜色具有差异，所以在恒定光源照射下反射的亮度也会有所差异，假定第个成熟度有/>个鲜烟叶，亮度均值为/>，则取每个成熟度鲜烟叶亮度的均值作为该光源下的亮度中心/>：
；
其中，分别表示欠熟、尚熟、适熟、过熟四个成熟度。
计算大田环境亮度和暗箱环境亮度的归一化系数；
自然环境下，随着时间地点的不同导致鲜烟叶光线强度存在一定扰动，首先计算去除光照影响的单片鲜烟叶图像的亮度均值作为该叶片的亮度中心，随后归一化亮度中心与暗箱环境的亮度中心一致，则归一化系数/>可以表示为：
；
利用归一化系数，根据烟叶成熟度的颜色表示中心得到红绿蓝三种颜色的映射颜色中心作为烟叶成熟度的颜色表示中心。
系数表示暗箱环境和自然环境光照环境的差别，则其颜色分量值大小也遵循这一关系，由此可以将自然环境下鲜烟叶图像近似投影到暗箱环境下，表示为：
；
其中表示在/>位置处自然环境下颜色值到暗箱环境下的投影颜色值；
其中，在上述技术方案中，获取暗箱环境中每种成熟度的颜色表示中心的标准值记为成熟度颜色标准值的步骤，具体为：
在暗箱环境中，分别取多幅欠熟鲜烟叶图像、尚熟鲜烟叶图像、适熟鲜烟叶图像以及过熟鲜烟叶图像；
分别计算每一种成熟度的鲜烟叶图像的红绿蓝三种颜色的均值，作为成熟度颜色标准值；
具体的，在相同恒定光源的暗箱环境中，取欠熟鲜烟叶图像幅、尚熟鲜烟叶图像/>幅、适熟鲜烟叶图像/>幅、过熟鲜烟叶图像/>幅，四个成熟度的鲜烟叶颜色表示中心可以表示为：
；
；
；
其中，分别表示欠熟、尚熟、适熟、过熟四个成熟度，/>、/>、/>分别表示第个成熟度第/>幅图像的红色分量、绿色分量、蓝色分量的均值，则/>表示在亮度为/>的暗箱环境中不同成熟度烟叶颜色表示中心。固定的亮度中心并规范化颜色中心，此时取亮度值的固定中心为0.5，规范化后的红色颜色中心/>、绿色颜色中心/>、蓝色颜色中心/>可以表示为：
；
；
；
其中，在上述技术方案中，计算规范颜色中心与每种成熟度颜色标准值的接近概率的步骤，具体包括：
获取规范颜色中心中的红色颜色中心记为规范红色中心；
计算规范红色中心与每种成熟度颜色标准值中红色的欧式距离得到多个成熟度距离；
根据多个成熟度距离计算每个成熟度的概率作为接近概率。
具体的，判断鲜烟叶成熟度，仅仅使用红色分量即可，所以自然环境下鲜烟叶图像投影到暗箱环境下的红色颜色分量中心可以表示为：
；
其中表示感兴趣鲜烟叶区域，/>、/>分别表示受到光照影响和不受光照影响的像素个数，即感兴趣鲜烟叶区域/>的总像素个数。定义欧式距离衡量鲜烟叶红色颜色分量中心到各个成熟度红色分量颜色中心的远近程度，表示为：
；
判定鲜烟叶分别隶属于四个成熟度的概率为：
；
最后选取最大所对应的成熟度作为鲜烟叶成熟度。
本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时用于实现上述的大田环境下鲜烟叶成熟度判别方法。
本发明的第三方面提供一种大田环境下鲜烟叶成熟度判别系统，其中，包含上述的计算机可读存储介质。
具体的，本发明的原理是：本发明针对自然环境下受光照影响造成大田鲜烟叶成熟度难以识别且效果不稳定，提出一种基于模糊去光照的大田鲜烟叶成熟度判别方法。从感兴趣的烟叶区域图像入手，结合光照与烟叶颜色信息间的模糊分段非线性关系消除光照影响的技术，利用基于暗箱统计不同成熟度颜色先验知识建立的自然环境下黄色、绿色模糊关系推理烟叶区域像素点颜色属性，揭示光照下不同成熟度鲜烟叶颜色变化的规律，最后根据这一规律构建颜色表示中心与鲜烟叶成熟度之间的隶属度关系并计算鲜烟叶成熟度。本发明以提取的烟叶区域为基础，重点解决光照影响和不同成熟度鲜烟叶颜色中心，建立光照环境到无光照环境下鲜烟叶隶属度从而判定成熟度。
下表为本发明所用符号及意义：
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种大田环境下鲜烟叶成熟度判别方法，其特征在于，包含如下步骤：
S10、获取待判别烟叶的烟叶图像，所述烟叶图像为仅包含待判别烟叶的图像；
S20、对所述烟叶图像提取感兴趣烟叶区域；
S30、对所述感兴趣烟叶区域进行模糊去光照处理得到去光照图像；
S40、根据所述去光照图像计算得到烟叶成熟度的颜色表示中心；
S50、将所述烟叶成熟度的颜色表示中心在恒定光源的暗箱环境中的映射，作为规范颜色中心，具体包括：
计算所述光照图像中的亮度的均值作为亮度中心；
计算大田环境亮度和暗箱环境亮度的归一化系数；
利用所述归一化系数，根据所述烟叶成熟度的颜色表示中心得到红绿蓝三种颜色的映射颜色中心作为烟叶成熟度的颜色表示中心；
S60、获取所述暗箱环境中每种成熟度的颜色表示中心的标准值记为成熟度颜色标准值，具体为：
在所述暗箱环境中，分别取多幅欠熟鲜烟叶图像、尚熟鲜烟叶图像、适熟鲜烟叶图像以及过熟鲜烟叶图像；
分别计算每一种成熟度的鲜烟叶图像的红绿蓝三种颜色的均值，作为成熟度颜色标准值；
S70、计算所述规范颜色中心与每种成熟度颜色标准值的接近概率，以接近概率最大的成熟度颜色标准值对应的成熟度作为所述待判别烟叶的成熟度；
其中，所述成熟度包括欠熟、尚熟、适熟、过熟4个等级。
2.根据权利要求1所述的一种大田环境下鲜烟叶成熟度判别方法，其特征在于，所述对所述烟叶图像提取感兴趣烟叶区域的步骤，具体为：采用平行双支路网络对所述烟叶图像提取感兴趣烟叶区域。
3.根据权利要求1所述的一种大田环境下鲜烟叶成熟度判别方法，其特征在于，所述对所述感兴趣烟叶区域进行模糊去光照处理得到去光照图像的步骤，具体包括：
提取感兴趣烟叶的受光照影响区域；
建立光照与颜色之间的模糊关系模型；
采用所述模糊关系模型对所述受光照影响区域的颜色映射到正常，得到去光照图像。
4.根据权利要求1所述的一种大田环境下鲜烟叶成熟度判别方法，其特征在于，所述根据所述去光照图像计算得到烟叶成熟度的颜色表示中心的步骤，具体为：计算所述去光照图像中红绿蓝三种颜色的颜色中心作为烟叶成熟度的颜色表示中心。
5.根据权利要求1所述的一种大田环境下鲜烟叶成熟度判别方法，其特征在于，所述计算所述规范颜色中心与每种成熟度颜色标准值的接近概率的步骤，具体包括：
获取所述规范颜色中心中的红色颜色中心记为规范红色中心；
计算规范红色中心与每种成熟度颜色标准值中红色的欧式距离得到多个成熟度距离；
根据所述多个成熟度距离计算每个成熟度的概率作为接近概率。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时用于实现权利要求1-5任一项所述的大田环境下鲜烟叶成熟度判别方法。
7.一种大田环境下鲜烟叶成熟度判别系统，其特征在于，包含权利要求6所述的计算机可读存储介质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310875311.1A CN116597238B (zh) | 2023-07-18 | 2023-07-18 | 一种大田环境下鲜烟叶成熟度判别方法、介质及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310875311.1A CN116597238B (zh) | 2023-07-18 | 2023-07-18 | 一种大田环境下鲜烟叶成熟度判别方法、介质及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116597238A CN116597238A (zh) | 2023-08-15 |
| CN116597238B true CN116597238B (zh) | 2023-09-19 |
Family
ID=87606584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310875311.1A Active CN116597238B (zh) | 2023-07-18 | 2023-07-18 | 一种大田环境下鲜烟叶成熟度判别方法、介质及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116597238B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0360775A (ja) * | 1989-07-31 | 1991-03-15 | Japan Tobacco Inc | 色彩検出型葉たばこ種別装置 |
| CN108198176A (zh) * | 2017-12-29 | 2018-06-22 | 贵州省烟草公司毕节市公司 | 一种基于图像分析烟草成熟度的判别方法 |
| CN112529838A (zh) * | 2020-11-05 | 2021-03-19 | 云南省烟草农业科学研究院 | 一种基于图像处理技术的烟叶成熟度在线判别方法 |
| WO2021073609A1 (zh) * | 2019-10-17 | 2021-04-22 | 福建中烟工业有限责任公司 | 一种在遮光环境内用水养熟烟叶的调制方法 |
| DE102019132931A1 (de) * | 2019-12-04 | 2021-06-10 | Hauni Maschinenbau Gmbh | Sortiersystem und Sortierverfahren für Blatttabak |
| CN114577739A (zh) * | 2022-03-16 | 2022-06-03 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种鲜烟成熟度判定方法 |
| CN114609134A (zh) * | 2022-02-24 | 2022-06-10 | 河南中烟工业有限责任公司 | 基于线性判别的烤烟烟叶田间成熟度手机智能判别方法 |
| CN115587988A (zh) * | 2022-10-19 | 2023-01-10 | 广西中烟工业有限责任公司 | 基于数字图像处理的分辨烟叶成熟度高低的方法 |
-
2023
- 2023-07-18 CN CN202310875311.1A patent/CN116597238B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0360775A (ja) * | 1989-07-31 | 1991-03-15 | Japan Tobacco Inc | 色彩検出型葉たばこ種別装置 |
| CN108198176A (zh) * | 2017-12-29 | 2018-06-22 | 贵州省烟草公司毕节市公司 | 一种基于图像分析烟草成熟度的判别方法 |
| WO2021073609A1 (zh) * | 2019-10-17 | 2021-04-22 | 福建中烟工业有限责任公司 | 一种在遮光环境内用水养熟烟叶的调制方法 |
| DE102019132931A1 (de) * | 2019-12-04 | 2021-06-10 | Hauni Maschinenbau Gmbh | Sortiersystem und Sortierverfahren für Blatttabak |
| CN112529838A (zh) * | 2020-11-05 | 2021-03-19 | 云南省烟草农业科学研究院 | 一种基于图像处理技术的烟叶成熟度在线判别方法 |
| CN114609134A (zh) * | 2022-02-24 | 2022-06-10 | 河南中烟工业有限责任公司 | 基于线性判别的烤烟烟叶田间成熟度手机智能判别方法 |
| CN114577739A (zh) * | 2022-03-16 | 2022-06-03 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种鲜烟成熟度判定方法 |
| CN115587988A (zh) * | 2022-10-19 | 2023-01-10 | 广西中烟工业有限责任公司 | 基于数字图像处理的分辨烟叶成熟度高低的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于主成分分析和聚类分析的贵州烟叶品质类型划分;唐新苗;纪春媚;潘文杰;王丰;;广东农业科学(06);全文 * |
| 基于数字图像数据的烤烟成熟度指数研究;刘剑君;杨铁钊;朱宝川;梅芳;张小全;;中国烟草学报(03);全文 * |
| 基于机器视觉技术的烤烟鲜烟叶成熟度检测;史龙飞;宋朝鹏;贺帆;段史江;王涛;王梅;宫锦;宫长荣;;湖南农业大学学报(自然科学版)(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116597238A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gaubatz et al. | Automatic red-eye detection and correction | |
| Soriano et al. | Skin detection in video under changing illumination conditions | |
| Chen et al. | Identifying computer graphics using HSV color model and statistical moments of characteristic functions | |
| Beigpour et al. | Multi-illuminant estimation with conditional random fields | |
| US8571271B2 (en) | Dual-phase red eye correction | |
| WO2017084204A1 (zh) | 一种二维视频流中的人体骨骼点追踪方法及系统 | |
| CN108319973A (zh) | 一种树上柑橘果实检测方法 | |
| CN112668426B (zh) | 一种基于三种色彩模式的火灾图像偏色度量化方法 | |
| Mayer et al. | Towards autonomous vision self-calibration for soccer robots | |
| CN111798470A (zh) | 一种应用于智能农业的农作物图像实体分割方法及系统 | |
| CN114519698A (zh) | 暗光环境下的设备漏油检测方法、装置、设备及存储介质 | |
| CN109389165A (zh) | 基于巡检机器人的变压器油位计识别方法 | |
| CN116597238B (zh) | 一种大田环境下鲜烟叶成熟度判别方法、介质及系统 | |
| CN110619331A (zh) | 一种基于颜色距离的彩色影像字段定位方法 | |
| CN115100240A (zh) | 视频中的物体追踪方法及装置、电子设备、存储介质 | |
| Wang et al. | An efficient method of shadow elimination based on image region information in HSV color space | |
| Shengze et al. | Research based on the HSV humanoid robot soccer image processing | |
| CN112949367A (zh) | 基于视频流数据的工作服颜色检测方法及装置 | |
| Tang et al. | A novel similar background components connection algorithm for colorful text detection in natural images | |
| CN117557784B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| CN115880490B (zh) | 一种基于孤立森林的火焰分割方法 | |
| Zhu et al. | An adaptive shadow elimination algorithm using shadow position and edges attributes | |
| da Silva Vieira et al. | Towards Integrated Image Contrast Models in Segmentation of Trees | |
| Liu et al. | A coloured oil level indicator detection method based on simple linear iterative clustering | |
| Gumiran et al. | Enhanced Threshold-based Segmentation for Maize Plantation |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Dai Yingpeng Inventor after: Sun Fushan Inventor after: Wang Songfeng Inventor after: Meng Lingfeng Inventor after: Liu Zichang Inventor after: Ren Jie Inventor before: Dai Yingpeng Inventor before: Sun Fushan Inventor before: Wang Songfeng Inventor before: Meng Linghui Inventor before: Liu Zichang Inventor before: Ren Jie |