基于圖像特征的煙葉分級(jí)方法研究

趙世民 宋正雄 賀智濤

摘要[目的]研究基于圖像特征的煙葉分級(jí)方法。[方法]采用機(jī)器視覺(jué)獲取煙葉圖像特征，運(yùn)用圖像處理技術(shù)對(duì)圖像進(jìn)行預(yù)處理，進(jìn)一步介紹煙葉圖像特征的提取方法，并利用人工神經(jīng)網(wǎng)絡(luò)算法進(jìn)行分類的測(cè)試，設(shè)計(jì)基于圖像特征的煙葉分級(jí)方法。[結(jié)果]通過(guò)訓(xùn)練集和測(cè)試集的驗(yàn)證，分級(jí)準(zhǔn)確率高達(dá)90%以上，達(dá)到了人工分級(jí)準(zhǔn)確率。[結(jié)論]該研究可為煙葉智能化高效分級(jí)提供理論基礎(chǔ)和技術(shù)支持。

關(guān)鍵詞機(jī)器視覺(jué);圖像處理;人工神經(jīng)網(wǎng)絡(luò);煙草分級(jí)

中圖分類號(hào)S126文獻(xiàn)標(biāo)識(shí)碼

A文章編號(hào)0517-6611（2018）28-0191-03

Research on Tobacco Leaf Grading Method Based on Image Features

ZHAO Shimin1，2，SONG Zhengxiong1，HE Zhitao2 et al（1.Luoyang Branch of Henan Tobacco Company，Luoyang，Henan 471000;2.Henan University of Science and Technology，Luoyang，Henan 471003）

Abstract[Objective]To study the tobacco leaf grading method based on image features.[Method]Using machine vision to obtain tobacco leaf image features and using image processing techniques for image preprocessing，the extraction method of tobacco image features was further introduced.Using artificial neural network algorithm to classify the test，we designed the leaf classification method based on image features.[Result]With the verification of the training set and the test set，the classification accuracy rates were more than 90% which achieved manual grading accuracy.[Conclusion]This research can provide theoretical foundation and technical support for intelligent and efficient classification of tobacco leaves.

Key wordsMachine vision;Image recognition;Artificial neural networks;Tobacco grading

煙草作為一種重要的經(jīng)濟(jì)作物，在國(guó)民經(jīng)濟(jì)中占有舉足輕重的地位。國(guó)內(nèi)煙葉多采用人工分級(jí)，存在著耗時(shí)、費(fèi)力、分級(jí)模糊和主觀性大等一系列問(wèn)題[1-2]。隨著現(xiàn)代煙草生產(chǎn)的發(fā)展和卷煙產(chǎn)品質(zhì)量的不斷提高，需要更加專業(yè)、精確的煙葉分級(jí)系統(tǒng)研究。

隨著計(jì)算機(jī)技術(shù)和數(shù)字圖像技術(shù)日趨成熟，這些技術(shù)也越來(lái)越多地運(yùn)用到煙葉分級(jí)中。魏揚(yáng)帆[3]提出了一種基于顏色特征的煙葉分級(jí)算法設(shè)計(jì)及系統(tǒng)實(shí)現(xiàn)，該算法利用均勻的顏色模型作為衡量標(biāo)準(zhǔn)，通過(guò)對(duì)已知等級(jí)煙葉顏色的學(xué)習(xí)，根據(jù)顏色分布區(qū)域進(jìn)行分級(jí);劉劍君等[4]提出一種基于紅外光譜的煙葉分級(jí)方法，為煙葉分級(jí)提供了新思路;阮靜等[5]對(duì)煙葉自動(dòng)分級(jí)系統(tǒng)進(jìn)行研究，從煙葉的破損率、顏色、長(zhǎng)度三方面進(jìn)行討論，特征因素較少，不能精確地實(shí)現(xiàn)煙葉分級(jí);郭強(qiáng)等[6]基于圖像處理與神經(jīng)網(wǎng)絡(luò)的煙葉分級(jí)研究，采用迭代閾值法進(jìn)行圖像背景分析，并用輪廓法提取葉片輪廓信息，把葉片主要特征參數(shù)作為分級(jí)模型的依據(jù);陳朋等[7]提出基于模糊擇近原則的煙葉分級(jí)方法，最大限度地把煙葉歸類于合適的等級(jí)，并通過(guò)試驗(yàn)驗(yàn)證了可行性;韓力群等[8]開(kāi)發(fā)了擬腦智能煙葉分級(jí)系統(tǒng)，具有自動(dòng)學(xué)習(xí)、自動(dòng)識(shí)別分級(jí)能力，分級(jí)效果較好。雖然前人對(duì)于煙葉分級(jí)做了不少研究，但仍處于初級(jí)階段，應(yīng)用到生產(chǎn)中的煙葉分級(jí)系統(tǒng)多數(shù)存在特征采集不完善、樣本數(shù)量少、分級(jí)不精準(zhǔn)等一系列問(wèn)題。

通過(guò)對(duì)圖像特征的研究，提出一種基于圖像特征的煙草分級(jí)方法，提取顏色特征、形狀特征、紋理特征，分別從煙葉成熟度、身份、葉片結(jié)構(gòu)、長(zhǎng)度、色度、油分、殘傷7個(gè)外觀品級(jí)因素出發(fā)，通過(guò)人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）算法建立分類器，區(qū)分煙草等級(jí)，試驗(yàn)結(jié)果將有助于煙草智能分級(jí)系統(tǒng)的研發(fā)。

1數(shù)據(jù)采集與研究方法

1.1圖像數(shù)據(jù)采集圖像由實(shí)驗(yàn)室開(kāi)發(fā)的封閉式圖像采集系統(tǒng)（圖1）獲取，其中圖像采集系統(tǒng)包括采集平臺(tái)、CCD相機(jī)、LED條形燈、密封箱、計(jì)算機(jī)、RFID讀卡器、卡條、數(shù)據(jù)線等。該試驗(yàn)通過(guò)人工放置煙葉進(jìn)行圖像采集，共放置煙葉520片，采集有效圖像519張，其中346張用于分類器訓(xùn)練集，173張用于分類器測(cè)試集。

1.2圖像預(yù)處理首先，將采集的有效圖像進(jìn)行灰度化處理（圖2、3），以減少后續(xù)圖像處理的工作量，提高作業(yè)效率，對(duì)得到的灰度圖像進(jìn)行高斯濾波，減少圖像噪聲，得到平滑圖像。然后，對(duì)平滑圖像進(jìn)行直方圖均衡化，使圖像的灰度分布更加平均，利用灰度線性變換得到更加清晰的圖像;為了更好地描述煙葉圖像的輪廓，對(duì)圖像進(jìn)行二值化處理，得到只有2個(gè)灰度級(jí)的二值化圖像。最后，采用形態(tài)學(xué)去除小面積區(qū)域，得到輪廓清晰煙葉圖像。

1.3圖像特征提取

1.3.1顏色特征提取。

1.3.1.1色調(diào)。HIS模型為一種面向視覺(jué)感知的顏色空間模型，它反映了人的視覺(jué)系統(tǒng)觀察色彩的方式，使用非常接近于人對(duì)色彩感知的方式來(lái)定義色彩[9]。H和S分量具有很強(qiáng)的抗干擾性能力，幾乎不受周圍環(huán)境因素的影響，描述顏色信息更加準(zhǔn)確可靠。在顏色特征提取中，采用幾何推導(dǎo)法將圖像的RGB模型轉(zhuǎn)換為HIS模型，轉(zhuǎn)換方法如下：

r=RR+G+B，g=GR+G+B，b=BR+G+B（1）

h=cos-10.5×[（r-g）+（r-b）][（r-g）2+（r-b）（g-b）]12，h∈[0，π]，b≤g（2）

h=2π-cos-10.5×[（r-g）+（r-b）][（r-g）2+（r-b）（g-b）]12，h∈[π，2π]，b>g（3）

s=1-3×min（r，g，b），s∈[0，1]（4）

i=（R+G+B）（3×255），i∈[0，1]（5）

H=h×180π;S=s×100;I=i×255（6）

式中，r為紅色分量;g為綠色分量;b為藍(lán)色分量;H為色調(diào);I為亮度;S為飽和度。

1.3.1.2含青率的計(jì)算。煙葉含青率對(duì)煙葉質(zhì)量影響很大，隨著煙葉含青率的增加，會(huì)直接降低煙葉的吸食質(zhì)量。在研究中，利用轉(zhuǎn)換之后HSI模型，將色調(diào)H標(biāo)準(zhǔn)化至0～360°，通過(guò)統(tǒng)計(jì)葉面各像素HSI三分量變化，得出含青率的變化趨勢(shì)，最終得到最佳的特征參數(shù)。實(shí)際統(tǒng)計(jì)后發(fā)現(xiàn)，葉面青黃色絕大部分分布在36°～90°。通過(guò)統(tǒng)計(jì)煙葉葉片在此色調(diào)范圍內(nèi)的像素個(gè)數(shù)占總煙葉像素個(gè)數(shù)的百分比，計(jì)算煙葉的含青率：

TH=NHN×100%（7）

式（7）中，NH為符合36°

1.3.1.3雜色率的計(jì)算。研究表明，煙葉像素的基本色調(diào)在直方圖中分布最多，并在直方圖中形成峰頂[10-11]（圖4）。將色調(diào)直方圖最大值處正負(fù)i個(gè)色調(diào)范圍作為此片煙葉的基本色調(diào)，其他部分認(rèn)為是雜色。通過(guò)煙葉色調(diào)直方圖，自動(dòng)搜索直方圖最大值。統(tǒng)計(jì)直方圖中小于和大于該色調(diào)i個(gè)色調(diào)值范圍內(nèi)的像素?cái)?shù)量之和，即得該煙葉的基本色調(diào)面積累積值。設(shè)NX為直方圖色調(diào)為X時(shí)的像素總數(shù)，N為葉面總有效像素，則某煙葉雜色面積率（Tk）的計(jì)算公式為

Tk=（N-max+imax-iNX）N×100%（8）

1.3.2形狀特征提取。

1.3.2.1煙葉長(zhǎng)、寬以及長(zhǎng)寬比的計(jì)算。由于煙葉放置位置的不同，會(huì)影響測(cè)量點(diǎn)的選取，進(jìn)而影響煙葉外輪廓橢圓的擬合精度。研究取煙葉圖像垂直和水平方向上的最大點(diǎn)和最小點(diǎn)，分別記作Ymax、Ymin、Xmax、Xmin，并根據(jù)這4點(diǎn)構(gòu)造矩形（圖5）。以矩形對(duì)角線中心為原點(diǎn)，每間隔15°作一條射線，與煙葉邊緣相交點(diǎn)視為測(cè)量點(diǎn)。為了更好地?cái)M合煙葉外輪廓橢圓，選取28個(gè)測(cè)量點(diǎn)（包括4個(gè)最大最小值點(diǎn)，24個(gè)射線與煙葉邊緣交點(diǎn)）進(jìn)行橢圓擬合。擬合橢圓的長(zhǎng)軸和短軸長(zhǎng)度分別為煙葉長(zhǎng)度和寬度，分別記作L、W。

煙葉長(zhǎng)寬比Y=L/W（9）

1.3.2.2面積S的計(jì)算。烤煙的國(guó)家分級(jí)標(biāo)準(zhǔn)中暫未對(duì)煙葉面積提出特定的要求，但煙葉面積能從一定種程度上反映煙葉的平坦程度和葉形，同樣對(duì)煙葉分級(jí)產(chǎn)生影響。用擬合橢圓面積近似表示煙葉的面積S。

S=πLW（10）

1.3.3紋理特征提取。采用灰度共生矩陣對(duì)煙葉的紋理特征進(jìn)行提取，其紋理特征主要通過(guò)相關(guān)性、對(duì)比度、能量、熵等參數(shù)來(lái)表達(dá)。灰度共生矩陣是一種通過(guò)研究灰度的空間相關(guān)特性來(lái)描述紋理的常用方法，它不僅反映像素灰度的分布特性，而且反映具有同樣或相似灰度值的像元位置分布特性，即圖像中灰度的空間相關(guān)特性。例如一個(gè)8位灰度圖像，灰度共生矩陣是一個(gè) 256×256 的矩陣，其中任意一個(gè)元素（i，j）都表示2個(gè)相近的灰度值在4個(gè)方向（0°、45°、90°、180°）出現(xiàn)的次數(shù)，GLCM紋理特征參數(shù)計(jì)算方法如下。

葉片紋理相關(guān)性計(jì)算公式：

COR=Ni，j（i-μ）（j-μ）/σ2g（i，j）（11）

2結(jié)果與分析

2.1建模效果取7個(gè)等級(jí)共計(jì)346張已通過(guò)人工分級(jí)的煙葉圖像進(jìn)行系統(tǒng)訓(xùn)練，各等級(jí)煙葉分別為64、52、18、66、70、34、42片，訓(xùn)練結(jié)果如表1所示，表中數(shù)據(jù)表示各煙葉等級(jí)的葉片數(shù)。青雜葉、B2F、B3F、C2F、C3L、X2F、X3F這7個(gè)等級(jí)的訓(xùn)練集準(zhǔn)確率分別為98.4%、96.1%、77.7%、98.4%、98.5%、100%、80.9%。從建模訓(xùn)練結(jié)果來(lái)看，除B3F等級(jí)預(yù)測(cè)率低于80%外，其他分類預(yù)測(cè)率多數(shù)高于95%，煙葉等級(jí)建模效果好，分類預(yù)測(cè)準(zhǔn)確。

2.2測(cè)試效果取7個(gè)等級(jí)共計(jì)173張煙葉圖像進(jìn)行分類測(cè)試，其中各等級(jí)煙葉分別為32、26、9、33、35、17、21片，測(cè)試結(jié)果如表2所示，表中數(shù)據(jù)表示各煙葉等級(jí)的葉片數(shù)，青雜葉、B2F、B3F、C2F、C3L、X2F、X3F這7個(gè)等級(jí)分類準(zhǔn)確率分別為90.6%、92.3%、88.9%、100%、97.1%、100%、95.2%。結(jié)果表明，各等級(jí)分類準(zhǔn)確率均為85%以上，多數(shù)類別準(zhǔn)確率為90%以上，甚至個(gè)別類別分類準(zhǔn)確率為100%，預(yù)測(cè)效果良好，達(dá)到了預(yù)期分類效果。

3結(jié)論

該研究基于圖像特征提取，分析了運(yùn)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行煙葉分級(jí)的方法。分別提取煙葉的顏色特征、形狀特征及紋理特征，對(duì)7個(gè)等級(jí)的煙葉進(jìn)行分級(jí);通過(guò)設(shè)計(jì)算法并建立分級(jí)模型，并對(duì)模型進(jìn)行試驗(yàn)測(cè)試，分級(jí)準(zhǔn)確率可達(dá)90%以上，結(jié)果可靠，為煙葉智能化分級(jí)研究提供了理論基礎(chǔ)。

參考文獻(xiàn)

[1]

趙獻(xiàn)章.煙葉分級(jí)[M].北京：中國(guó)科學(xué)技術(shù)出版社，1997.

[2] 毛鵬軍，賀智濤，杜東亮，等.烤煙煙葉視覺(jué)檢測(cè)分級(jí)系統(tǒng)的研究現(xiàn)狀與發(fā)展趨勢(shì)[J].農(nóng)業(yè)機(jī)械，2006（16）：43.

[3] 魏揚(yáng)帆.一種基于顏色特征的煙葉分級(jí)算法設(shè)計(jì)及系統(tǒng)實(shí)現(xiàn)[D].北京： 北京交通大學(xué)，2014.

[4] 劉劍君，申金媛，張樂(lè)明，等.基于紅外光譜的煙葉自動(dòng)分級(jí)研究[J].激光與紅外，2011，41（9）：986-990.

[5] 阮靜.煙葉自動(dòng)分級(jí)系統(tǒng)的研究[D].合肥：安徽大學(xué)，2013.

[6] 郭強(qiáng).基于圖像處理與神經(jīng)網(wǎng)絡(luò)的煙葉分級(jí)研究[D].長(zhǎng)沙：中南大學(xué)，2013.

[7] 陳朋，賀福強(qiáng)，管琪明，等.基于模糊擇近原則的煙葉自動(dòng)分級(jí)算法研究[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2016，37（9）：108-111.

[8] 韓力群，何為，蘇維均，等.基于擬腦智能系統(tǒng)的烤煙煙葉分級(jí)研究[J].農(nóng)業(yè)工程學(xué)報(bào)，2008，24（7）：137-140.

[9] 李慧慧，秦品樂(lè)，梁軍.基于HSI亮度分量和RGB空間的圖像去霧算法[J].計(jì)算機(jī)應(yīng)用，2016，36（5）：1378-1382.

[10] 梁洪波，李念勝，元建，等.烤煙煙葉顏色與內(nèi)在品質(zhì)的關(guān)系[J].中國(guó)煙草科學(xué)，2002，23（1）：9-11.

[11] 牛文娟.基于圖像處理的煙葉分級(jí)研究[D].鄭州：鄭州大學(xué)，2010.