基于圖像特征的煙葉分級方法研究

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方法。[方法]采用機器視覺獲取煙葉圖像特征，運用圖像處理技術對圖像進行預處理，進一步介紹煙葉圖像特征的提取方法，并利用人工神經網絡算法進行分類的測試，設計基于圖像特征的煙葉分級方法。[結果]通過訓練集和測試集的驗證，分級準確率高達90%以上，達到了人工分級準確率。[結論]該研究可為煙葉智能化高效分級提供理論基礎和技術支持。

關鍵詞機器視覺;圖像處理;人工神經網絡;煙草分級

中圖分類號S126文獻標識碼

A文章編號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濟作物，在國民經濟中占有舉足輕重的地位。國內煙葉多采用人工分級，存在著耗時、費力、分級模糊和主觀性大等一系列問題[1-2]。隨著現代煙草生產的發展和卷煙產品質量的不斷提高，需要更加專業、精確的煙葉分級系統研究。

隨著計算機技術和數字圖像技術日趨成熟，這些技術也越來越多地運用到煙葉分級中。魏揚帆[3]提出了一種基于顏色特征的煙葉分級算法設計及系統實現，該算法利用均勻的顏色模型作為衡量標準，通過對已知等級煙葉顏色的學習，根據顏色分布區域進行分級;劉劍君等[4]提出一種基于紅外光譜的煙葉分級方法，為煙葉分級提供了新思路;阮靜等[5]對煙葉自動分級系統進行研究，從煙葉的破損率、顏色、長度三方面進行討論，特征因素較少，不能精確地實現煙葉分級;郭強等[6]基于圖像處理與神經網絡的煙葉分級研究，采用迭代閾值法進行圖像背景分析，并用輪廓法提取葉片輪廓信息，把葉片主要特征參數作為分級模型的依據;陳朋等[7]提出基于模糊擇近原則的煙葉分級方法，最大限度地把煙葉歸類于合適的等級，并通過試驗驗證了可行性;韓力群等[8]開發了擬腦智能煙葉分級系統，具有自動學習、自動識別分級能力，分級效果較好。雖然前人對于煙葉分級做了不少研究，但仍處于初級階段，應用到生產中的煙葉分級系統多數存在特征采集不完善、樣本數量少、分級不精準等一系列問題。

通過對圖像特征的研究，提出一種基于圖像特征的煙草分級方法，提取顏色特征、形狀特征、紋理特征，分別從煙葉成熟度、身份、葉片結構、長度、色度、油分、殘傷7個外觀品級因素出發，通過人工神經網絡（artificial neural network，ANN）算法建立分類器，區分煙草等級，試驗結果將有助于煙草智能分級系統的研發。

1數據采集與研究方法

1.1圖像數據采集圖像由實驗室開發的封閉式圖像采集系統（圖1）獲取，其中圖像采集系統包括采集平臺、CCD相機、LED條形燈、密封箱、計算機、RFID讀卡器、卡條、數據線等。該試驗通過人工放置煙葉進行圖像采集，共放置煙葉520片，采集有效圖像519張，其中346張用于分類器訓練集，173張用于分類器測試集。

1.2圖像預處理首先，將采集的有效圖像進行灰度化處理（圖2、3），以減少后續圖像處理的工作量，提高作業效率，對得到的灰度圖像進行高斯濾波，減少圖像噪聲，得到平滑圖像。然后，對平滑圖像進行直方圖均衡化，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，對圖像進行二值化處理，得到只有2個灰度級的二值化圖像。最后，采用形態學去除小面積區域，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。HIS模型為一種面向視覺感知的顏色空間模型，它反映了人的視覺系統觀察色彩的方式，使用非常接近于人對色彩感知的方式來定義色彩[9]。H和S分量具有很強的抗干擾性能力，幾乎不受周圍環境因素的影響，描述顏色信息更加準確可靠。在顏色特征提取中，采用幾何推導法將圖像的RGB模型轉換為HIS模型，轉換方法如下：

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為藍色分量;H為色調;I為亮度;S為飽和度。

1.3.1.2含青率的計算。煙葉含青率對煙葉質量影響很大，隨著煙葉含青率的增加，會直接降低煙葉的吸食質量。在研究中，利用轉換之后HSI模型，將色調H標準化至0～360°，通過統計葉面各像素HSI三分量變化，得出含青率的變化趨勢，最終得到最佳的特征參數。實際統計后發現，葉面青黃色絕大部分分布在36°～90°。通過統計煙葉葉片在此色調范圍內的像素個數占總煙葉像素個數的百分比，計算煙葉的含青率：

TH=NHN×100%（7）

式（7）中，NH為符合36°

1.3.1.3雜色率的計算。研究表明，煙葉像素的基本色調在直方圖中分布最多，并在直方圖中形成峰頂[10-11]（圖4）。將色調直方圖最大值處正負i個色調范圍作為此片煙葉的基本色調，其他部分認為是雜色。通過煙葉色調直方圖，自動搜索直方圖最大值。統計直方圖中小于和大于該色調i個色調值范圍內的像素數量之和，即得該煙葉的基本色調面積累積值。設NX為直方圖色調為X時的像素總數，N為葉面總有效像素，則某煙葉雜色面積率（Tk）的計算公式為

Tk=（N-max+imax-iNX）N×100%（8）

1.3.2形狀特征提取。

1.3.2.1煙葉長、寬以及長寬比的計算。由于煙葉放置位置的不同，會影響測量點的選取，進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和最小點，分別記作Ymax、Ymin、Xmax、Xmin，并根據這4點構造矩形（圖5）。以矩形對角線中心為原點，每間隔15°作一條射線，與煙葉邊緣相交點視為測量點。為了更好地擬合煙葉外輪廓橢圓，選取28個測量點（包括4個最大最小值點，24個射線與煙葉邊緣交點）進行橢圓擬合。擬合橢圓的長軸和短軸長度分別為煙葉長度和寬度，分別記作L、W。

煙葉長寬比Y=L/W（9）

1.3.2.2面積S的計算。烤煙的國家分級標準中暫未對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，同樣對煙葉分級產生影響。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煙葉的紋理特征進行提取，其紋理特征主要通過相關性、對比度、能量、熵等參數來表達。灰度共生矩陣是一種通過研究灰度的空間相關特性來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特性。例如一個8位灰度圖像，灰度共生矩陣是一個 256×256 的矩陣，其中任意一個元素（i，j）都表示2個相近的灰度值在4個方向（0°、45°、90°、180°）出現的次數，GLCM紋理特征參數計算方法如下。

葉片紋理相關性計算公式：

COR=Ni，j（i-μ）（j-μ）/σ2g（i，j）（11）

2結果與分析

2.1建模效果取7個等級共計346張已通過人工分級的煙葉圖像進行系統訓練，各等級煙葉分別為64、52、18、66、70、34、42片，訓練結果如表1所示，表中數據表示各煙葉等級的葉片數。青雜葉、B2F、B3F、C2F、C3L、X2F、X3F這7個等級的訓練集準確率分別為98.4%、96.1%、77.7%、98.4%、98.5%、100%、80.9%。從建模訓練結果來看，除B3F等級預測率低于80%外，其他分類預測率多數高于95%，煙葉等級建模效果好，分類預測準確。

2.2測試效果取7個等級共計173張煙葉圖像進行分類測試，其中各等級煙葉分別為32、26、9、33、35、17、21片，測試結果如表2所示，表中數據表示各煙葉等級的葉片數，青雜葉、B2F、B3F、C2F、C3L、X2F、X3F這7個等級分類準確率分別為90.6%、92.3%、88.9%、100%、97.1%、100%、95.2%。結果表明，各等級分類準確率均為85%以上，多數類別準確率為90%以上，甚至個別類別分類準確率為100%，預測效果良好，達到了預期分類效果。

3結論

該研究基于圖像特征提取，分析了運用人工神經網絡進行煙葉分級的方法。分別提取煙葉的顏色特征、形狀特征及紋理特征，對7個等級的煙葉進行分級;通過設計算法并建立分級模型，并對模型進行試驗測試，分級準確率可達90%以上，結果可靠，為煙葉智能化分級研究提供了理論基礎。

參考文獻

[1]

趙獻章.煙葉分級[M].北京：中國科學技術出版社，1997.

[2] 毛鵬軍，賀智濤，杜東亮，等.烤煙煙葉視覺檢測分級系統的研究現狀與發展趨勢[J].農業機械，2006（16）：43.

[3] 魏揚帆.一種基于顏色特征的煙葉分級算法設計及系統實現[D].北京： 北京交通大學，2014.

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

[5] 阮靜.煙葉自動分級系統的研究[D].合肥：安徽大學，2013.

[6] 郭強.基于圖像處理與神經網絡的煙葉分級研究[D].長沙：中南大學，2013.

[7] 陳朋，賀福強，管琪明，等.基于模糊擇近原則的煙葉自動分級算法研究[J].中國農機化學報，2016，37（9）：108-111.

[8] 韓力群，何為，蘇維均，等.基于擬腦智能系統的烤煙煙葉分級研究[J].農業工程學報，2008，24（7）：137-140.

[9] 李慧慧，秦品樂，梁軍.基于HSI亮度分量和RGB空間的圖像去霧算法[J].計算機應用，2016，36（5）：1378-1382.

[10] 梁洪波，李念勝，元建，等.烤煙煙葉顏色與內在品質的關系[J].中國煙草科學，2002，23（1）：9-11.

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