一種基于工業(yè)相機(jī)特征提取的潤后水漬煙葉識別方法
【專利摘要】本發(fā)明公開了一種基于工業(yè)相機(jī)特征提取的潤后水漬煙葉識別方法，所述方法包括如下步驟：1）采集在線煙葉樣本的所有原始煙葉圖像，將煙葉樣本人工分類為正常煙葉、水漬煙葉、近正常煙葉和近水漬煙葉，并獲取所有原始煙葉圖像的信息；2）對所述原始煙葉圖像的信息進(jìn)行處理獲得所有原始煙葉圖像的特征向量；3）對所述特征向量進(jìn)行SNV預(yù)處理以消除異常數(shù)值信息；4）對預(yù)處理后的特征采取有監(jiān)督模式的二維投影處理獲得二維投影向量?？焖俚慕鉀Q了一潤后水漬煙葉的快速識別以及比例的計算，為通過工藝的控制來減少水漬煙葉的比例打下了堅實的基礎(chǔ)，積累了原始的水漬煙葉識別數(shù)據(jù)。
【專利說明】
一種基于工業(yè)相機(jī)特征提取的潤后水漬煙葉識別方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種圖像特征信息提取及識別領(lǐng)域，具體涉及一種基于工業(yè)相機(jī)特征 提取的潤后水漬煙葉識別方法。
【背景技術(shù)】
[0002] 在潤葉工序受高溫高濕的影響，煙葉容易產(chǎn)生煙葉的水漬煙及蒸片，在復(fù)烤環(huán)節(jié) 很難把水漬煙及蒸片調(diào)控到合適的水分，造成水漬片水分偏大，在片煙裝箱過程中，水漬片 溫度及水分都較高，造成局部煙葉水分及溫度過高，在保管過程中容易產(chǎn)生霉變及碳化，造 成損失。水漬煙葉的識別一般根據(jù)煙葉的葉面和葉背是一種顏色基調(diào)，對著陽光通透性較 強(qiáng)。但是這種人工的操作一方面不能在生產(chǎn)線上完成對水漬煙葉的事實識別以及比例的測 算，另外一方面，現(xiàn)場沒有光源，使得根據(jù)煙葉自身的透光性來判別生產(chǎn)線的煙葉是否為水 漬煙葉不具備可行性;隨著近年來在煙葉外觀分析領(lǐng)域工業(yè)相機(jī)的逐步應(yīng)用，顏色特征提 取以及圖像處理技術(shù)的發(fā)展，對水漬煙葉在煙葉的透光性的研究，以及圖像的特征抽提上 來完成對水漬煙葉的識別成為可能。
[0003] 圖像由像素與顏色空間構(gòu)成的，一方面在實驗室離線分析的狀態(tài)來識別煙葉是否 透光，可以根據(jù)實驗室開燈與不開燈的狀態(tài)下煙葉自身的色彩空間的變化來完成，另一方 面在實際的生產(chǎn)線可以根據(jù)煙葉顏色的自身特征來識別煙葉是否為水漬煙，根據(jù)所含有的 特征區(qū)域占整個區(qū)域的比例來完成現(xiàn)場的水漬煙葉的統(tǒng)計監(jiān)控分析。
[0004] 而對于如何準(zhǔn)確并簡單的從工業(yè)相機(jī)中提取的水漬煙葉的特征信息，來對煙葉是 否為水漬煙葉進(jìn)行識別，結(jié)合圖像的拼接，并根據(jù)該組特征信息的面積占比來對水漬煙葉 一段時間內(nèi)得實際比例進(jìn)行測算，現(xiàn)有技術(shù)中并沒有關(guān)于此種的技術(shù)方案記載。

【發(fā)明內(nèi)容】

[0005] 鑒于以上所述現(xiàn)有技術(shù)的缺點，本發(fā)明的目的在于提供一種基于工業(yè)相機(jī)特征提 取的潤后水漬煙識別方法，以克服現(xiàn)有技術(shù)中的缺陷。
[0006] 為了實現(xiàn)上述目的或者其他目的，本發(fā)明是通過以下技術(shù)方案實現(xiàn)的。
[0007] -種基于工業(yè)相機(jī)特征提取的潤后水漬煙葉識別方法，其特征在于，所述識別方 法包括如下步驟：
[0008] 采集在線煙葉樣本的所有原始煙葉圖像，將煙葉樣本人工分類為正常煙葉、水漬 煙葉、近正常煙葉和近水漬煙葉，并獲取所有原始煙葉圖像的信息；
[0009]對所述原始煙葉圖像的信息進(jìn)行處理獲得所有原始煙葉圖像的特征向量；
[0010] 對所述特征向量進(jìn)行SNV預(yù)處理以消除異常數(shù)值信息；
[0011] 對預(yù)處理后的特征采取有監(jiān)督模式的二維投影處理獲得二維投影向量；
[0012] 將所述二維投影向量按照同種分類進(jìn)行同列拼接，不同種分類之間上下拼接的原 則形成新圖像信息矩陣；
[0013] 根據(jù)新圖像信息矩陣和閾值識別新圖像信息矩陣中包含水漬煙葉特征的連通區(qū) 域面積；
[0014] 計算包含水漬煙葉特征的連通區(qū)域面積占新圖像信息矩陣的總面積的比例即為 水漬煙的比例。
[0015] 可選地，步驟1)中，采用工業(yè)相機(jī)采集在線煙葉樣本的所有原始圖像。
[0016] 可選地，步驟1)中，將煙葉樣本人工分類的依據(jù)為透光率。
[0017]本發(fā)明中通過實驗室相機(jī)獲取開燈和不開燈條件下水漬煙葉和正常煙葉的圖像， 并對圖像進(jìn)行信號分析，計算圖像的透光率。以此先確認(rèn)了水漬煙葉和正常煙葉在透光率 上有很大差別，可以通過透光率將水漬煙葉和正常煙葉區(qū)分開來。
[0018] 更為優(yōu)選地，人工分類的標(biāo)準(zhǔn)為:水漬煙葉是指煙葉的葉面和葉背是一種顏色，對 著陽光看通透性較強(qiáng);近水漬煙葉是指具備水漬煙葉透光性的特征但是局部偏黃且透光不 明顯；近正常煙葉是指具備正常煙葉的特征但是透光性略強(qiáng)的；正常煙葉是指正常經(jīng)過一 潤加工后的煙葉。
[0019] 可選地，步驟2)中，獲得所有原始煙葉圖像的特征的方法包括如下步驟：
[0020] 21)將所有原始煙葉圖像的信息進(jìn)行灰度處理；
[0021] 22)通過PCA分解獲得原始煙葉圖像的特征向量即為所有原始煙葉圖像的特征。 [0022]更為可選地，步驟21)中灰度處理獲得的為二維灰度矩陣。
[0023]更為可選地，步驟22)中，PCA分解是指主成分分解，是指將二維灰度矩陣進(jìn)行分解 形成得分矩陣，選取得分矩陣的第一列作為特征向量，將各特征向量合并形成特征向量矩 陣。
[0024] 更優(yōu)選地，具體地處理步驟為：
[0025]對每張原始煙葉圖像由RGB空間進(jìn)行灰度處理，得到二維灰度矩陣G;
[0026]對每個分類的每張圖像的灰度矩陣61采取如下的方式進(jìn)行特征抽提：
[0027] 對Gi進(jìn)行特征矩陣的分解獲得:Gi = Pi*Si+Ei;
[0028] 其中Pi為載荷矩陣，&為得分矩陣;￡1是指分解的殘差矩陣；
[0029] 取分矩陣第一列形成列向量作為該圖像的特征向量，記為S(:，l);
[0030] 分別把各分類中的每個圖像的特征向量合并成特征向量矩陣TS=[Si(:，1)]。
[0031] 可選地，步驟3)中，SNV預(yù)處理為標(biāo)準(zhǔn)正態(tài)變量變換預(yù)處理。
[0032]更為優(yōu)選地，SNV預(yù)處理是以特征向量矩陣中的每列數(shù)據(jù)為單位，將各列中各點值 減去此列的平均值，然后除以此列的標(biāo)準(zhǔn)方差獲得。
[0033] 可選地，步驟4)中，有監(jiān)督模式的二維投影是指線性判別LDA或偏最小二乘的線性 判別。上述所述投影實質(zhì)上就是從不同的角度去觀察數(shù)據(jù)，尋找最能充分挖掘數(shù)據(jù)特征的 作為最優(yōu)投影方向。
[0034] 可選地，步驟6)中，所述閾值為二維投影向量的閾值。
[0035] 更為優(yōu)選地，步驟6)中，所述閾值為1.14。
[0036] 優(yōu)選地，通過工業(yè)相機(jī)獲得在生產(chǎn)線上一潤工序后的近正常煙葉、近水漬煙葉、正 常煙葉和水漬煙葉的圖像;將圖像由RGB空間轉(zhuǎn)換成基于顏色模型的一維顏色，并獲得顏色 值，通過顏色值確認(rèn)一維顏色值可以將水漬煙葉與其他煙葉區(qū)分開來。進(jìn)一步地，將圖像信 息進(jìn)行處理以獲得近正常煙葉、近水漬煙葉、正常煙葉和水漬煙葉的特征向量;對特征向量 進(jìn)行預(yù)處理消除異常的數(shù)值信息。進(jìn)一步地，對預(yù)處理之后的特征向量，采用有監(jiān)督模式的 二維投影處理獲得二維投影向量。進(jìn)一步地，把二維投影向量從上到下進(jìn)行拼接，形成新圖 像信息;根據(jù)新圖像信息計算水漬煙葉占樣本煙葉中的比例。
[0037]本發(fā)明提供一種快速從圖像信息中提取有效的水漬煙葉的特征信息，為水漬煙葉 的分類以及識別指導(dǎo)提供依據(jù)。
[0038]本發(fā)明的積極效果：
[0039] 快速的解決了一潤后水漬煙葉的快速識別以及比例的計算，為通過工藝的控制來 減少水漬煙葉的比例打下了堅實的基礎(chǔ)，積累了原始的水漬煙葉識別數(shù)據(jù)；
[0040] 本專利是圖像特征抽提的經(jīng)典范例，首次把化學(xué)計量學(xué)的方法與圖像處理技術(shù)融 合在一塊，為運(yùn)用化學(xué)計量學(xué)技術(shù)來推動圖像處理技術(shù)的發(fā)展在圖像特征抽提以及圖像相 似度的比對方面做了較為新穎的嘗試。
【附圖說明】
[0041 ] 圖1為正常煙葉的透光率，Ti均值為29.34 %，且!^ <40 %。
[0042] 圖2為水漬煙葉的透光率T2，T2均值為90%，且T2>85%。
[0043]圖3為近正常煙葉的圖像及編號。
[0044]圖4為近水漬煙葉的圖像及編號。
[0045]圖5為正常煙葉的圖像及編號。
[0046] 圖6為水漬煙葉的圖像及編號。
[0047] 圖7為不同煙葉的類型對應(yīng)的顏色值。
[0048] 圖8為不同種類的煙葉的特征圖譜。
[0049] 圖9為識別結(jié)果。
[0050] 圖10為IS圖像。
[0051]圖11為水漬煙特征面積圖。
【具體實施方式】
[0052]以下由特定的具體實施例說明本發(fā)明的實施方式，熟悉此技術(shù)的人士可由本說明 書所揭露的內(nèi)容輕易地了解本發(fā)明的其他優(yōu)點及功效。
[0053]在進(jìn)一步描述本發(fā)明【具體實施方式】之前，應(yīng)理解，本發(fā)明的保護(hù)范圍不局限于下 述特定的具體實施方案;還應(yīng)當(dāng)理解，本發(fā)明實施例中使用的術(shù)語是為了描述特定的具體 實施方案，而不是為了限制本發(fā)明的保護(hù)范圍。下列實施例中未注明具體條件的試驗方法， 通常按照常規(guī)條件，或者按照各制造商所建議的條件。
[0054] 當(dāng)實施例給出數(shù)值范圍時，應(yīng)理解，除非本發(fā)明另有說明，每個數(shù)值范圍的兩個端 點以及兩個端點之間任何一個數(shù)值均可選用。除非另外定義，本發(fā)明中使用的所有技術(shù)和 科學(xué)術(shù)語與本技術(shù)領(lǐng)域技術(shù)人員通常理解的意義相同。除實施例中使用的具體方法、設(shè)備、 材料外，根據(jù)本技術(shù)領(lǐng)域的技術(shù)人員對現(xiàn)有技術(shù)的掌握及本發(fā)明的記載，還可以使用與本 發(fā)明實施例中所述的方法、設(shè)備、材料相似或等同的現(xiàn)有技術(shù)的任何方法、設(shè)備和材料來實 現(xiàn)本發(fā)明。
[0055] 在煙草行業(yè)中打葉復(fù)烤工藝流程主要包括以下步驟:真空回潮-一潤-電子稱- 二潤-打葉風(fēng)分等步驟。本發(fā)明實施例中所述的水漬煙葉是指在打葉復(fù)烤工藝中一潤處取 得的煙葉。
[0056] 在潤葉工序受高溫高濕的影響，煙葉容易產(chǎn)生水漬煙及蒸片，在復(fù)烤環(huán)節(jié)很難把 水漬煙及蒸片調(diào)控到合適的水分，造成水漬片水分偏大，在片煙裝箱過程中，水漬片溫度及 水分都較高，造成局部煙葉水分及溫度過高，在保管過程中容易產(chǎn)生霉變及碳化，造成損 失。
[0057] 本發(fā)明實施例中識別方法識別的對象均為一潤工序的煙葉。但不排除將此種識別 方法及原理使用在其他工序中產(chǎn)生的水漬煙葉的識別和計算中。
[0058] 實施例1
[0059] 使用A復(fù)烤廠一潤后煙葉作為樣本煙葉，利用實驗室相機(jī)分別獲取開燈或不開燈 條件下的正常煙葉和水漬煙葉的圖像;對圖像進(jìn)行信號分析，用矩陣來表示數(shù)字圖像，根據(jù) 矩陣計算透光率。
[0060] 本實施例中實驗室相機(jī)的像素為2848X4288;但不限于使用此。
[0061] 透光率T的計算公式為：
[0063] T為透光率；
[0064] R1為不開燈條件下圖像對應(yīng)的灰度矩陣；
[0065] R2為開燈條件下圖像對應(yīng)的灰度矩陣。
[0066] average具體指對按照上式計算獲得的矩陣求平均值；
[0067]獲得T為向量。
[0068]本實施例中，獲得的透光率如圖1和圖2所示。其中圖1為正常煙葉的透光率 值為29.34%，且!^<40%。圖2為水漬煙葉的透光率T2，T2均值為90%，且T 2>85%。
[0069]由實施例可以看出僅通過透光率就可以將正常煙葉和水漬煙葉區(qū)分開來。
[0070] 實施例2
[0071] 本實施例為本申請中基于工業(yè)相機(jī)特征提取的潤后水漬煙葉識別方法。
[0072] (1)在A復(fù)烤廠一潤工序后用工業(yè)相機(jī)采集獲取所有原始煙葉圖像，將煙葉樣本人 工分類為正常煙葉、水漬煙葉、近正常煙葉和近水漬煙葉，并獲取所有原始煙葉圖像的信 息。
[0073] 人工分類的標(biāo)準(zhǔn)為:水漬煙葉是指煙葉的葉面和葉背是一種顏色，對著陽光看通 透性較強(qiáng)；近水漬煙葉是指具備水漬煙葉透光性的特征但是局部偏黃且透光不明顯；近正 常煙葉是指具備正常煙葉的特征但是透光性略強(qiáng)的；正常煙葉是指正常經(jīng)過一潤加工后的 煙葉。
[0074] 進(jìn)一步地，分別對四種分類的煙葉圖像進(jìn)行編號。其中：近正常煙葉的圖像及編號 分別為1、2、3、4、5、6、7、8、9、10、11、12、13和14，見圖3;近水漬煙葉的圖像及編號分別為1、 2、3、4、5、6、7、8、9和10,見圖4;正常煙葉的圖像及編號為1、2、3、4、5、6、7、8、9、10、11、12、13 和14,見圖5;水漬煙葉的圖像及編號為1、2、3、4、5、6、7、8、9、10、11、12和13,見圖6。
[0075] (2)對所述原始煙葉圖像的信息進(jìn)行處理獲得所有原始煙葉圖像的特征，具體為：
[0076] 21)將所有原始煙葉圖像的信息進(jìn)行灰度處理;具體地，灰度處理獲得的為二維灰 度矩陣；
[0077] 22)通過PCA分解獲得原始煙葉圖像的特征向量即為所有原始煙葉圖像的特征。
[0078] PCA分解是指主成分分解，是指將二維灰度矩陣進(jìn)行分解形成得分矩陣，選取得分 矩陣的第一列作為特征向量，將各特征向量合并形成特征向量矩陣。
[0079] PCA分解具體地處理步驟為：
[0080]對每張原始煙葉圖像由RGB空間進(jìn)行灰度處理，得到二維灰度矩陣G;
[0081]對每個分類的每張圖像的灰度矩陣61采取如下的方式進(jìn)行特征抽提：
[0082] 對Gi進(jìn)行特征矩陣的分解獲得:Gi = Pi*Si+Ei;
[0083] 其中Pi為載荷矩陣，&為得分矩陣;￡1是指分解的殘差矩陣；
[0084] 取分矩陣第一列形成列向量作為該圖像的特征向量，記為S(:，l);
[0085] 分別把各分類中的每個圖像的特征向量合并成特征向量矩陣TSitSK^l)]。 [0086]根據(jù)TS作圖如圖8所示。因為TS的每一行是根據(jù)S(:，l)組成的，每一行的信息代表 著每一幅圖像降維后的信息，對矩陣TS的每一行畫折線圖就可以得到圖8。
[0087]另外，將上述獲取的原始煙葉圖像由RGB空間轉(zhuǎn)換成基于顏色模型的一維顏色，以 進(jìn)行煙葉顏色的特征抽提，獲得顏色值。本發(fā)明中將煙葉圖像由RGB空間轉(zhuǎn)換成基于顏色模 型的一維顏色的方法參見申請?zhí)枮?015101338058的專利。
[0088]各樣本的具體顏色值結(jié)果如下表表1所不：
[0089]表1
[0091 ]從表1中可以看出：水漬煙葉中的顏色值大部分偏小，正常煙葉中的顏色值大部分 偏大，根據(jù)一維顏色值就可以對水漬煙葉與其他煙葉區(qū)分開來。如圖7所示。圖7是根據(jù)表1 的數(shù)據(jù)按照近正常煙葉、近水漬煙、正常煙葉和水漬煙葉中各顏色值點依次直接劃曲線得 到的。
[0092] (3)對所述特征進(jìn)行SNV預(yù)處理以消除異常數(shù)值信息；
[0093]所述SNV為標(biāo)準(zhǔn)正態(tài)變量變換，所述SNV預(yù)處理為：以特征向量矩陣中的每列數(shù)據(jù) 單位，將各列中各點值減去此列的平均值，然后除以此列的標(biāo)準(zhǔn)方差。
[0094] SNV預(yù)處理是以特征向量矩陣中的每列數(shù)據(jù)為單位，將各列中各點值減去此列的 平均值，然后除以此列的標(biāo)準(zhǔn)方差獲得。
[0095]其具體的計算方式為：
[0097]其中，
[0098] m代表TS的行數(shù)，即總煙草樣本個數(shù)；
[0099] TS1>k是指特征向量矩陣TS的第i行，第k列的元素；
[0100] TSi是TSi,k相應(yīng)行的均值。
[0101] TS1>snv是預(yù)處理之后的特征向量矩陣即為預(yù)處理后的特征。
[0102] (4)對預(yù)處理后的特征采取有監(jiān)督模式的二維投影處理獲得二維投影向量;具體 為：
[0103] 有監(jiān)督模式的二維投影是指線性判別LDA或偏最小二乘的線性判別。上述所述投 影實質(zhì)上就是從不同的角度去觀察數(shù)據(jù)，尋找最能充分挖掘數(shù)據(jù)特征的作為最優(yōu)投影方 向。
[0104] 所謂投影實質(zhì)上就是從不同的角度去觀察數(shù)據(jù)，尋找最能充分挖掘數(shù)據(jù)特征的作 為最優(yōu)投影方向。
[0105] 可在單位超球面中隨機(jī)抽取若干個初始投影方向a(ai，a2,…，an)，b(bi，b2,…， b n)，計算其投影指標(biāo)的大小，根據(jù)指標(biāo)選大的原則，最后確定最大指標(biāo)對應(yīng)的解為最優(yōu)投 影方向。
[0106]若(ai，a2,…，an)為n維的單位向量，n為TS的列數(shù)，貝lj樣本i在一維線性空間的投影 特征值21的表達(dá)為
[0107] ^ = (￡ afTSsmXU J\ t J)) hi ；
[0108] 其中，^為預(yù)處理后的圖像的第一維投影向量的第j個值；
[0109] TSsnv(i，j)為通過PCA降維獲取的特征矩陣，經(jīng)過SNV預(yù)處理的得到的數(shù)值矩陣的 第i行第j列的數(shù)值；
[0110] h為預(yù)處理后的圖像的第二維投影向量的第j個值；
[0111] Zl是一行兩列的數(shù)據(jù)，i = l:m，m是指樣本的個數(shù)，對每個21畫散點圖得到圖9。 [0112]二維投影向量的獲得原則是:在類間的距離與類內(nèi)的距離的比值最大。
[0113]類間的距離R計算方式為：
[0114] ri，k= | |zi_zk| | (i，k=l，2，"，m) (4)
[0115] R=ZZ (5) i k
[0116] a為二維投影值的第k個樣本的投影值，此處的zk
[0117] 為一個二維值；
[0118] r1>k為二維投影值的第k個樣本與第i個樣本的距離；
[0119] R表示的是所有TSsnv矩陣投影后投影值的距離和；
[0120]類內(nèi)的距離S的計算方式為：
[0121 ] S(a)代表的是TSsnv矩陣投影后投影值的標(biāo)準(zhǔn)偏差 n _ 2 V .
[0122] s{a) = [V(z. -za) /nY2 i=l /
[0123] 乙是指Zi的均值。
[0124] S = s(a)；
[0125] Q(Zi)=R/S
[0126] Q(Zl)代表的是，類間的距離與類內(nèi)的距離比值。
[0127] 選擇目標(biāo)函數(shù)Q(Zi)取的最大值Max Q(Zj)時對應(yīng)的投影方向即為最優(yōu)投影方向。
[0128] 在最優(yōu)投影方向上對應(yīng)的二維投影向量即為采取有監(jiān)督模式的二維投影處理獲 得二維投影向量。
[0129] (5)將所述二維投影向量按照同種分類進(jìn)行同列拼接，不同種分類之間上下拼接 的原則形成新圖像信息矩陣。
[0130] 把所有的樣本的圖像信息矩陣從上到下進(jìn)行拼接;形成一個新圖像矩陣信息，即 為一個新的圖像IS，具體結(jié)果如圖10所示。圖10是不同樣本矩陣拼接在一塊的圖像，其目的 在于對每一幅圖像的局部能夠計算，從圖10可以看出，不同煙葉類型的樣本，在圖像上有明 顯的差異，水漬煙葉的顏色偏深。
[0131] (6)根據(jù)新圖像信息矩陣和閾值識別新圖像信息矩陣中包含水漬煙葉特征的連通 區(qū)域面積。所述閾值為二維投影向量的閾值。對新圖像計算每張圖像包含水漬煙葉特征C1 <PC(閾值)區(qū)域的面積總和;或者先在新圖像上，按照像素點為單元，依據(jù)新圖像的投影向 量21， 22計算新圖像像素點，每塊區(qū)域的類別屬性，計算水漬煙葉類別區(qū)域的面積比例。
[0132] (7)計算包含水漬煙葉特征的連通區(qū)域面積占新圖像信息矩陣的總面積的比例即 為水漬煙的比例
[0133] 具體地，本實施例中，根據(jù)新圖像矩陣信息及新的圖像IS，并基于圖像的顏色特 征，計算所有小于閾值1.14的數(shù)值信息的個數(shù)占整個新圖像矩陣信息中數(shù)值個數(shù)的比值， 即為水漬煙葉占樣本煙葉中的比例。本實施例中為:3702495/12533760 = 29.54%。
[0134] 對拼接的圖像，整體進(jìn)行顏色特征與圖像特征S(i，，l)的判斷，根據(jù)經(jīng)驗選取閾值 為P(此處的P=1.14);在整個拼接的圖像上尋找顏色值與圖像特征值s(i，l)均小于閾值p 的區(qū)域，并計算每一區(qū)域的面積(此處的面積是指的像素和），畫出在顏色值與圖像特征值S (i，1)均小于閾值P的區(qū)域的面積分布得到圖11。
[0135] 進(jìn)一步地，根據(jù)上述技術(shù)方案原理及公開實施例，如果所有的煙葉是在不同的時 間取的，那么這段時間內(nèi)的拼接圖像的特征區(qū)域面積比即為該段時間內(nèi)水漬煙葉的比例。
[0136] 上述實施例僅例示性說明本發(fā)明的原理及其功效，而非用于限制本發(fā)明。任何熟 悉此技術(shù)的人士皆可在不違背本發(fā)明的精神及范疇下，對上述實施例進(jìn)行修飾或改變。因 此，舉凡所屬技術(shù)領(lǐng)域中具有通常知識者在未脫離本發(fā)明所揭示的精神與技術(shù)思想下所完 成的一切等效修飾或改變，仍應(yīng)由本發(fā)明的權(quán)利要求所涵蓋。
【主權(quán)項】
1. 一種基于工業(yè)相機(jī)特征提取的潤后水潰煙葉識別方法，其特征在于:所述方法包括 如下步驟： 采集在線煙葉樣本的所有原始煙葉圖像，將煙葉樣本人工分類為正常煙葉、水潰煙葉、 近正常煙葉和近水潰煙葉，并獲取所有原始煙葉圖像的信息； 對所述原始煙葉圖像的信息進(jìn)行處理獲得所有原始煙葉圖像的特征向量； 對所述特征向量進(jìn)行SNV預(yù)處理W消除異常數(shù)值信息； 對預(yù)處理后的特征采取有監(jiān)督模式的二維投影處理獲得二維投影向量； 將所述二維投影向量按照同種分類進(jìn)行同列拼接，不同種分類之間上下拼接的原則形 成新圖像信息矩陣； 根據(jù)新圖像信息矩陣和闊值識別新圖像信息矩陣中包含水潰煙葉特征的連通區(qū)域面 積； 計算包含水潰煙葉特征的連通區(qū)域面積占新圖像信息矩陣的總面積的比例即為水潰 煙的比例。2. 如權(quán)利要求1所述方法，其特征在于:采用工業(yè)相機(jī)采集在線煙葉樣本的所有原始圖 像。3. 如權(quán)利要求1所述方法，其特征在于:獲得所有原始煙葉圖像的特征的方法包括如下 步驟： 21) 將所有原始煙葉圖像的信息進(jìn)行灰度處理； 22) 通過PCA分解獲得原始煙葉圖像的特征向量即為所有原始煙葉圖像的特征。4. 如權(quán)利要求1所述方法，其特征在于:獲得所有原始煙葉圖像的特征的方法包括如下 步驟： 對每張原始煙葉圖像由RGB空間進(jìn)行灰度處理，得到二維灰度矩陣G; 對每個分類的每張圖像的灰度矩陣Gi采取如下的方式進(jìn)行特征抽提： 對Gi進(jìn)行特征矩陣的分解獲得:Gi = Pi巧i+Ei; 其中Pi為載荷矩陣，Si為得分矩陣;Ei是指分解的殘差矩陣； 取分矩陣Si的第一列形成列向量作為該圖像的特征向量，記為S(:，1); 分別把各分類中的每個圖像的特征向量合并成特征向量矩陣TS= [Si(:，1)]。5. 如權(quán)利要求4所述方法，其特征在于:SNV預(yù)處理為標(biāo)準(zhǔn)正態(tài)變量變換預(yù)處理，是W特 征向量矩陣中的每列數(shù)據(jù)為單位，將各列中各點值減去此列的平均值，然后除W此列的標(biāo) 準(zhǔn)方差獲得。6. 如權(quán)利要求1所述方法，其特征在于:有監(jiān)督模式的二維投影是指線性判別LDA或偏 最小二乘的線性判別。7. 如權(quán)利要求6所述方法，其特征在于:二維投影的原則是類間的距離與類內(nèi)的距離的 比值最大。8. 如權(quán)利要求7所述方法，其特征在于:類間的距離R的計算方式為： ri,k= I I Zi-Zk I |(i,k=l,2,---,m)Zi為第i個樣本在二維投影空間的投影特征值； Zk為第k個樣本在二維投影空間的投影特征值； m為所有煙葉樣本的數(shù)量； Tl,k為在二維投影空間，第i個樣本與第k個樣本的投影值距離； R表示的是所有TSsnv矩陣投影后投影值的距離和。9. 如權(quán)利要求7所述方法，其特征在于:類內(nèi)的距離S的計算方式為： S(a)代表的是TSsnv矩陣投影后投影值的標(biāo)準(zhǔn)偏差 石是指Zi的均值；n是指在二維投影空間投影樣本的數(shù)量;此處的n=m; S = s(a)。10. 如權(quán)利要求1所述方法，其特征在于:所述闊值為二維投影向量的闊值。
【文檔編號】G06K9/62GK105913056SQ201610195473
【公開日】2016年8月31日
【申請日】2016年3月29日
【發(fā)明人】徐其敏, 竇家宇, 王際洲, 陳清, 張軍
【申請人】華環(huán)國際煙草有限公司, 上海創(chuàng)和億電子科技發(fā)展有限公司