專利名稱：基于智能圖像處理和模型估計的煙葉葉面積質(zhì)量測定方法
技術(shù)領(lǐng)域：
本發(fā)明屬于煙草技術(shù)領(lǐng)域，涉及一種測定煙葉葉面積質(zhì)量的方法，特別是涉及一種基于智能圖像處理和模型估計的煙葉葉面積質(zhì)量測定方法。
背景技術(shù)：
煙葉葉面積質(zhì)量是煙葉物理特征的重要指標(biāo)之一，該指標(biāo)的測定對于煙葉質(zhì)量評價有較高參考價值，并且是原料成本核算、卷煙質(zhì)量控制以及加工工藝選擇的重要參考。目前，測定煙葉葉面積質(zhì)量的方法通常是葉面積質(zhì)量法(質(zhì)量法)，即通過已知面積的打孔器在平鋪煙葉上，通過人工選取的方式在非葉梗區(qū)域(葉梗區(qū)域不在煙葉葉面積及質(zhì)量的計算范圍內(nèi))選擇六個打孔區(qū)域，之后放入烘箱中干燥兩小時，取出放入干燥皿中冷卻，稱量其重量，通過質(zhì)量與面積的比，進(jìn)而求得煙葉葉面積質(zhì)量。該方法的缺點(diǎn)是:主觀性較強(qiáng)、效率低下、測量結(jié)果誤差較大。此外，中國發(fā)明專利CN101393101A (200810230653.3)涉及的《采用近紅外光譜測定煙葉葉面密度的方法》，對于上述傳統(tǒng)的依賴人工打孔的煙葉葉面積質(zhì)量測定提出了改進(jìn)，通過六點(diǎn)法(固定地選取主梗兩側(cè)各三個點(diǎn))進(jìn)行近紅外密度檢測。該方法的主要改進(jìn)之處在于對傳統(tǒng)方法中的干燥、冷卻、稱重過程的簡化，使得檢測時間縮短。但該方法仍然采用了點(diǎn)取樣估算總體平均密度的方式，因此無法真正意義上描述整張煙葉的平均密度；由于取樣數(shù)量的減少，甚至一定程度上較原有方法的六點(diǎn)抽樣，在估算總體密度時存在一定的劣勢。此外，該方法雖然對于樣品制作的要求降低，但近紅外檢測設(shè)備昂貴且對操作人員及檢測環(huán)境要求較高，進(jìn)而增加了該方法的經(jīng)濟(jì)成本。上述兩種方法都采用了隨機(jī)取樣的方式，通過計算取樣點(diǎn)的密度估算煙葉總體的密度，在一定程度上為煙葉葉面積質(zhì)量測定工作帶來不確定性。因此，急需一種能夠高效、快速、準(zhǔn)確測定煙葉葉面積質(zhì)量的方法。

發(fā)明內(nèi)容
鑒于以上所述現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明的目的在于提供一種基于智能圖像處理和模型估計的煙葉葉面積質(zhì)量測定方法，用于解決現(xiàn)有技術(shù)無法高效、快速、準(zhǔn)確測定煙葉葉面積質(zhì)量的問題。為實(shí)現(xiàn)上述目的及其他相關(guān)目的，本發(fā)明提供一種基于智能圖像處理和模型估計的煙葉葉面積質(zhì)量測定方法。所述煙葉葉面積質(zhì)量測定方法包括:SI，采集煙葉圖像，即通過煙草及其加工制品的圖像數(shù)據(jù)獲取裝置完成煙葉圖像的米集；S2，通過智能圖像處理提取煙葉圖像；即通過智能圖像處理獲取的煙葉圖像的光線，識別獲取煙葉圖像的煙葉輪廓，并采用煙葉圖像的聚類分析獲得煙葉主梗區(qū)域和葉片區(qū)域的面積信息，計算煙葉的實(shí)際面積；S3，利用圖像法二元線性模型估計煙葉面積質(zhì)量，即利用煙葉總質(zhì)量作為因變量，煙葉主梗區(qū)域面積和葉片區(qū)域面積作為自變量，建立關(guān)于主梗密度參數(shù)和葉片密度參數(shù)的二元線性模型進(jìn)行密度參數(shù)的估計。優(yōu)選地，所述煙草及其加工制品的圖像數(shù)據(jù)獲取裝置包括:透明吸附板，用于吸附固定待拍攝的煙葉；物料照明光源，用于照射固定待拍攝的煙葉；吸氣設(shè)備，用于將煙葉吸附在所述透明吸附板上；圖像采集設(shè)備，用于獲取煙葉圖像數(shù)據(jù)，并將煙葉圖像數(shù)據(jù)傳輸出去；

計算機(jī)，用于保存輸入的煙葉圖像數(shù)據(jù)并對其進(jìn)行后續(xù)處理。優(yōu)選地,所述步驟S2包括:S21，處理光線，將采集到的煙葉圖像的背景變成均勻的50%灰度，采用線性插值算法修正每幅圖像的亮度；S22，識別獲取煙葉圖像的煙葉輪廓；即通過采用圖像外輪廓識別算法提取煙葉的外圍輪廓；S23，聚類分析煙葉圖像，獲取煙葉主梗區(qū)域和葉片區(qū)域；S24，計算煙葉實(shí)際面積，獲取煙葉主梗區(qū)域和葉片區(qū)域的面積信息。優(yōu)選地，所述圖像外輪廓識別算法包括:基于小波變換的圖像輪廓識別算法、基于robert因子的圖像輪廓識別算法、基于Iaplace算子的圖像輪廓識別、以及基于高斯濾波的輪廓識別算法。優(yōu)選地,所述聚類分析包括K-means聚類、FCM聚類和凝集聚類。優(yōu)選地，所述二元線性模型為:
Ytotal.weight ^ 0+ P peduncleXpeduncle+ P IeafXleaf+ ^，其中
Ytotal.weight是煙葉總質(zhì)量；β。為截距；P peduncle為主梗區(qū)域密度參數(shù)Apeduncle是主梗區(qū)域面積；P leaf為葉片區(qū)域密度參數(shù)；Xleaf是葉片區(qū)域面積；ε為隨機(jī)誤差。如上所述，本發(fā)明所述的基于智能圖像處理和模型估計的煙葉葉面積質(zhì)量測定方法，具有以下有益效果:1、本發(fā)明對煙葉圖像實(shí)現(xiàn)了高效、準(zhǔn)確、批量化的處理分析；2、本發(fā)明不涉及復(fù)雜硬件儀器，實(shí)現(xiàn)了更為客觀、準(zhǔn)確地?zé)熑~面積質(zhì)量測定；3、本發(fā)明不依賴于人工操作。


圖1顯示為本發(fā)明的基于智能圖像處理和模型估計的煙葉葉面積質(zhì)量測定方法的方法流程圖。圖2顯示為本發(fā)明的基于智能圖像處理和模型估計的煙葉葉面積質(zhì)量測定方法中完成步驟Si的煙草及其加工制品的圖像數(shù)據(jù)獲取裝置的結(jié)構(gòu)圖。圖3顯示為本發(fā)明的基于智能圖像處理和模型估計的煙葉葉面積質(zhì)量測定方法中步驟S2的流程圖。圖4顯示為本發(fā)明的基于智能圖像處理和模型估計的煙葉葉面積質(zhì)量測定方法中步驟S3的流程圖元件標(biāo)號說明I透明吸附板
2物料照明光源3吸氣設(shè)備4圖像采集設(shè)備5計算機(jī)11透氣孔12坐標(biāo)尺S1 S3步驟
具體實(shí)施例方式以下通過特定的具體實(shí)例說明本發(fā)明的實(shí)施方式，本領(lǐng)域技術(shù)人員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(diǎn)與功效。本發(fā)明還可以通過另外不同的具體實(shí)施方式
加以實(shí)施或應(yīng)用，本說明書中的各項(xiàng)細(xì)節(jié)也可以基于不同觀點(diǎn)與應(yīng)用，在沒有背離本發(fā)明的精神下進(jìn)行各種修飾或改變。請參閱附圖。需要說明的是，本實(shí)施例中所提供的圖示僅以示意方式說明本發(fā)明的基本構(gòu)想，遂圖式中僅顯示與本發(fā)明中有關(guān)的組件而非按照實(shí)際實(shí)施時的組件數(shù)目、形狀及尺寸繪制，其實(shí)際實(shí)施時各組件的型態(tài)、數(shù)量及比例可為一種隨意的改變，且其組件布局型態(tài)也可能更為復(fù)雜。下面結(jié)合實(shí)施例和附圖對本發(fā)明進(jìn)行詳細(xì)說明。本實(shí)施例通過對取20種不同地區(qū)不同等級的煙葉，每種對同一批次的煙葉隨機(jī)選取20張煙葉，采用基于智能圖像處理和模型估計的煙葉葉面積質(zhì)量測定方法處理，該測定方法首先，采集隨機(jī)選取的20張煙葉的圖像；隨后，通過智能圖像處理系統(tǒng)對采集到的煙葉的圖像進(jìn)行處理獲得主梗區(qū)域和葉片區(qū)域的面積信息；接著，稱重隨機(jī)選取的20張煙葉的總質(zhì)量，獲得20張煙葉的主梗面積、葉片面積及煙葉總質(zhì)量；最后，將20張煙葉的煙葉總質(zhì)量與煙葉主梗面積和葉片面積輸入到二元線性模型進(jìn)行密度參數(shù)的描述與估計。具體基于智能圖像處理和模型估計的煙葉葉面積質(zhì)量測定方法，如圖1所示，包括:SI，采集煙葉圖像；即通過(但不限于)一種煙草及其加工制品的圖像數(shù)據(jù)獲取裝置完成煙葉圖像的采集，所述圖像數(shù)據(jù)獲取裝置，如圖2所示，包括:透明吸附板1，其用于吸附固定待拍攝的物料，即煙葉。所述透明吸附板I上具有均勻分布的透氣孔11，背面設(shè)有坐標(biāo)尺12。物料照明光源2，用于照射固定待拍攝的物料，多個物料照明光源2對稱分布在所述透明吸附板I的左側(cè)、右側(cè)、和下方，所述物料照明光源2可從多個角度調(diào)節(jié)。吸氣設(shè)備3，用于將物料，即煙葉吸附在所述透明吸附板上，其與所述透氣吸附板I相連。圖像采集設(shè)備4，用于獲取煙葉圖像數(shù)據(jù)，并將煙葉圖像數(shù)據(jù)傳輸至計算機(jī)5，以及，計算機(jī)5，用于保存輸入的煙葉圖像數(shù)據(jù)并對其進(jìn)行后續(xù)處理。當(dāng)需要對煙葉拍照時，將煙葉平鋪于所述透明吸附板I上，所述吸氣設(shè)備3會將煙葉吸附在所述透明吸附板I上進(jìn)行拍照，并將圖像采集設(shè)備4放置在所述透明吸附板I上方，如果打開所述透明吸附板I下方的多個物料照明光源2，這樣可以拍出煙葉背面的脈絡(luò)，通過所述圖像采集設(shè)備4獲取煙葉圖像數(shù)據(jù)，并將獲取到的煙葉圖像數(shù)據(jù)傳輸至計算機(jī)5，以便保存和進(jìn)行后續(xù)處理。所述透明吸附板I上設(shè)有坐標(biāo)尺12是為了更好的獲取煙葉圖像數(shù)據(jù)，使形成的圖像上具有對比刻度。并且進(jìn)一步為了提高煙葉圖像的質(zhì)量，多個物料照明光源2可采用可調(diào)光線強(qiáng)度的高亮度白色LED光源。如果不具備以上設(shè)備，那么將煙葉平鋪在白色或透明的平板上，在平板垂直上方50厘米處架設(shè)圖像采集設(shè)備，保證光源穩(wěn)定且圖像采集設(shè)備焦距溫度。通過所述圖像數(shù)據(jù)獲取裝置采集到符合標(biāo)準(zhǔn)的圖像后，接著執(zhí)行步驟S2。S2，通過智能圖像處理提取煙葉圖像；即通過智能圖像處理獲取的煙葉圖像的光線，識別獲取煙葉圖像的煙葉輪廓，并采用煙葉圖像的聚類分析獲得煙葉主耿區(qū)域和葉片區(qū)域的面積信息，計算煙葉的實(shí)際面積。如圖3所示，該步驟具體包括:S21，處理光線，將采集到的煙葉圖像的背景變成均勻的50%灰度，采用線性插值算法修正每幅圖像的亮度，以便每幅圖像在相同的尺度下進(jìn)行比較。S22，識別獲取煙葉圖像的煙葉輪廓；即通過采用圖像外輪廓識別算法提取煙葉的外圍輪廓，并獲得中間處理對象，即不包括背景白板區(qū)域的煙葉區(qū)域。其中，所述圖像外輪廓識別算法包括但不限于:基于小波變換的圖像輪廓識別算法、基于robert (羅伯特)因子的圖像輪廓識別算法、基于Iaplace (拉普拉斯)算子的圖像輪廓識別、以及基于高斯濾波的輪廓識別算法。S23，聚類分析煙葉圖像，獲取煙葉主梗區(qū)域和葉片區(qū)域。由于煙葉的主梗區(qū)域和葉片區(qū)域在顏色上有明顯的區(qū)分，這樣便可以通過聚類分析算法應(yīng)用于圖像顏色值，即紅綠藍(lán)三色體系，所述聚類分析算法將聚類目標(biāo)為煙葉的主梗區(qū)域和葉片區(qū)域，也就是設(shè)置聚類目標(biāo)數(shù)目為2。所述聚類分析算法包括但不限于K-means (K均值)聚類、FCM (模糊C均值)聚類和凝集聚類；S24，計算煙葉實(shí)際面積，獲取煙葉主梗區(qū)域和葉片區(qū)域的面積信息，即利用背景坐標(biāo)識別獲取單個像素與煙葉實(shí)際面積大小的比例，分別計算主梗區(qū)域和葉片區(qū)域的像素，映射到煙葉實(shí)際面積大小，獲取煙葉主梗區(qū)域和葉片區(qū)域的面積信息。如果使用所述煙草及其加工制品的圖像數(shù)據(jù)獲取裝置，這樣可通過背景坐標(biāo)識別獲取圖像中單個像素與實(shí)際面積大小的比例，并分別計算煙葉的主梗區(qū)域和葉片區(qū)域的像素，并映射到實(shí)際面積大小；如果未使用所述煙草及其加工制品的圖像數(shù)據(jù)獲取裝置，可以通過測量背景板面積，計算單個像素與實(shí)際面積的比例，最后計算出煙葉的主梗區(qū)域和葉片區(qū)域的實(shí)際面積，獲得主梗區(qū)域面積和位置信息、葉片區(qū)域面積和位置信息。通過智能圖像處理提取到煙葉的主梗區(qū)域和葉片區(qū)域的面積信息、位置信息后，繼續(xù)執(zhí)行下一步。在本實(shí)施例中步驟SI和S2統(tǒng)稱為基于智能圖像處理的煙葉葉面積質(zhì)量測定方法。S3，利用圖像法二元線性模型估計煙葉面積質(zhì)量，即利用煙葉總質(zhì)量作為因變量，煙葉主梗區(qū)域面積和葉片區(qū)域面積作為自變量，建立關(guān)于主梗密度參數(shù)和葉片密度參數(shù)的二元線性模型進(jìn)行密度參數(shù)的估計。該步驟稱為基于二元線性模型估計的煙葉葉面積質(zhì)量測定方法。其中，所述二元線性模型為:Ytotal.weight ^ 0+P peduncleXpeduncle+P IeafXleaf+ ^其中，其中Ytotal.weight是煙葉總質(zhì)量；β。為截距；Ppedmcle為主梗區(qū)域密度參數(shù)；Xtredunc^是主梗區(qū)域面積；P lMf為葉片區(qū)域密度參數(shù)；Xleaf是葉片區(qū)域面積；ε為隨機(jī)誤差。如圖4所示，步驟S3具體包括:S31，根據(jù)煙葉總質(zhì)量(包括煙葉主梗質(zhì)量和葉片質(zhì)量)和煙葉主梗面積以及葉片面積存在線性關(guān)系，將獲取的煙葉主梗區(qū) 域和葉片區(qū)域的面積信息，作為煙葉總質(zhì)量與煙葉主梗面積和葉片面積關(guān)于密度參數(shù)的二元線性模型的自變量輸入；
S32，通過電子稱稱重隨機(jī)選取的20張煙葉的煙葉總質(zhì)量，將其作為關(guān)于密度參數(shù)的二元線性模型的因變量輸入；S33，通過關(guān)于密度參數(shù)的二元線性模型分別估計出煙葉主梗密度參數(shù)和葉片密
度參數(shù)。本發(fā)明通過對取20種不同地區(qū)不同等級的煙葉，每種對同一批次的煙葉隨機(jī)選取20張煙葉，采用基于智能圖像處理和模型估計的煙葉葉面積質(zhì)量測定方法處理的結(jié)果與傳統(tǒng)的六點(diǎn)測量法比較，平均相對誤差達(dá)到15%以上，并且由于本發(fā)明采用的是用全煙葉技術(shù)，相比傳統(tǒng)的點(diǎn)測技術(shù)更為精確。本發(fā)明所述的基于智能圖像處理和模型估計的煙葉葉面積質(zhì)量測定方法通過一種更為直接的方式，該方法通過計算機(jī)實(shí)現(xiàn)的自動化圖像處理和二元線性模型的煙葉葉面積質(zhì)量方法，不依賴于人工操作，并且不涉及復(fù)雜硬件儀器，可對煙葉圖像實(shí)現(xiàn)高效、準(zhǔn)確、批量化的處理分析?？梢詫?shí)現(xiàn)更為客觀、準(zhǔn)確地葉面積質(zhì)量測定。綜上所述，本發(fā)明有效克服了現(xiàn)有技術(shù)中的種種缺點(diǎn)而具高度產(chǎn)業(yè)利用價值。上述實(shí)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(shí)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。
權(quán)利要求
1.一種基于智能圖像處理和模型估計的煙葉葉面積質(zhì)量測定方法，其特征在于，所述煙葉葉面積質(zhì)量測定方法包括: Si，采集煙葉圖像，即通過煙草及其加工制品的圖像數(shù)據(jù)獲取裝置完成煙葉圖像的采集; S2，通過智能圖像處理提取煙葉圖像；即通過智能圖像處理獲取的煙葉圖像的光線，識別獲取煙葉圖像的煙葉輪廓，并采用煙葉圖像的聚類分析獲得煙葉主梗區(qū)域和葉片區(qū)域的面積信息，計算煙葉的實(shí)際面積； S3，利用圖像法二元線性模型估計煙葉面積質(zhì)量，即利用煙葉總質(zhì)量作為因變量，煙葉主梗區(qū)域面積和葉片區(qū)域面積作為自變量，建立關(guān)于主梗密度參數(shù)和葉片密度參數(shù)的二元線性模型進(jìn)行密度參數(shù)的估計。
2.根據(jù)權(quán)利要求1所述的基于智能圖像處理和模型估計的煙葉葉面積質(zhì)量測定方法，其特征在于:所述煙草及其加工制品的圖像數(shù)據(jù)獲取裝置包括: 透明吸附板，用于吸附固定待拍攝的煙葉； 物料照明光源，用于照射固定待拍攝的煙葉； 吸氣設(shè)備，用于將煙葉吸附在所述透明吸附板上； 圖像采集設(shè)備，用于獲取煙葉圖像數(shù)據(jù)，并將煙葉圖像數(shù)據(jù)傳輸出去； 計算機(jī)，用于保存輸入的煙葉圖像數(shù)據(jù)并對其進(jìn)行后續(xù)處理。
3.根據(jù)權(quán)利要求1所述的基于智能圖像處理和模型估計的煙葉葉面積質(zhì)量測定方法，其特征在于:所述步驟S2包括: S21，處理光線，將采集到的煙葉圖像的背景變成均勻的50%灰度，采用線性插值算法修正每幅圖像的売度； S22，識別獲取煙葉圖像的煙葉輪廓；即通過采用圖像外輪廓識別算法提取煙葉的外圍輪廓； S23，聚類分析煙葉圖像，獲取煙葉主梗區(qū)域和葉片區(qū)域； S24，計算煙葉實(shí)際面積，獲取煙葉主梗區(qū)域和葉片區(qū)域的面積信息。
4.根據(jù)權(quán)利要求3所述的基于智能圖像處理和模型估計的煙葉葉面積質(zhì)量測定方法，其特征在于:所述圖像外輪廓識別算法包括:基于小波變換的圖像輪廓識別算法、基于robert因子的圖像輪廓識別算法、基于Iaplace算子的圖像輪廓識別、以及基于高斯濾波的輪廓識別算法。
5.根據(jù)權(quán)利要求3所述的基于智能圖像處理和模型估計的煙葉葉面積質(zhì)量測定方法，其特征在于:所述聚類分析包括K-means聚類、FCM聚類和凝集聚類。
6.根據(jù)權(quán)利要求1所述的基于智能圖像處理和模型估計的煙葉葉面積質(zhì)量測定方法，其特征在于:所述二元線性模型為:Y total, weight ^ 0+ P peduncleXpeduncle+ P IeafXleaf+ ^， 其中Ytotal.weight是煙葉總質(zhì)量；β。為截距；P peduncle為主梗區(qū)域密度參數(shù)Apeduncle是主梗區(qū)域面積；P leaf為葉片區(qū)域密度參數(shù)；Xleaf是葉片區(qū)域面積；ε為隨機(jī)誤差。
全文摘要
本發(fā)明提供一種基于智能圖像處理和模型估計的煙葉葉面積質(zhì)量測定方法，所述測定方法包括采集煙葉圖像，即通過煙草及其加工制品的圖像數(shù)據(jù)獲取裝置完成煙葉圖像的采集；通過智能圖像處理提取煙葉圖像；即通過智能圖像處理獲取的煙葉圖像的光線，識別獲取煙葉圖像的煙葉輪廓，并采用煙葉圖像的聚類分析獲得煙葉主梗區(qū)域和葉片區(qū)域的面積信息，計算煙葉的實(shí)際面積；利用圖像法二元線性模型估計煙葉面積質(zhì)量，即利用煙葉總質(zhì)量作為因變量，煙葉主梗區(qū)域面積和葉片區(qū)域面積作為自變量，建立關(guān)于主梗密度參數(shù)和葉片密度參數(shù)的二元線性模型進(jìn)行密度參數(shù)的估計。本發(fā)明所述的煙葉葉面積質(zhì)量測定方法可以更為客觀、準(zhǔn)確地對煙葉面積質(zhì)量進(jìn)行測定。
文檔編號G01N21/84GK103175835SQ201310060528
公開日2013年6月26日 申請日期2013年2月26日 優(yōu)先權(quán)日2013年2月26日
發(fā)明者楊征宇, 余苓, 任偉, 楊凱, 楊斌, 徐其敏, 陳清 申請人:上海煙草集團(tuán)有限責(zé)任公司, 華環(huán)國際煙草有限公司