專(zhuān)利名稱(chēng)：利用光譜和圖像特征進(jìn)行煙葉分級(jí)的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及ー種對(duì)煙葉進(jìn)行分組(分部位)、分色和分級(jí)的方法。
背景技術(shù)：
由于煙葉中C-H，N-H和O-H等含氫基團(tuán)對(duì)紅外光有吸收，所以煙葉紅外吸收光譜含有與煙草化學(xué)成分相關(guān)聯(lián)的信息。近年來(lái)，不少科研工作者利用紅外和近紅外光譜對(duì)煙葉進(jìn)行理化分析、化學(xué)成分的定性定量研究及識(shí)別。很多文獻(xiàn)運(yùn)用光譜分析法測(cè)定煙草化學(xué)成分，其中河南農(nóng)業(yè)大學(xué)，靳志偉老師發(fā)表的《畑葉的光譜特征及品質(zhì)檢測(cè)技術(shù)研究》中討論了不同地區(qū)、不同級(jí)別煙葉在可見(jiàn)光區(qū)域的量化吸收特征以及各吸收特征與煙葉地域性、畑葉部位之間的關(guān)系。研究表明煙葉的光譜吸收特征與煙葉產(chǎn)地和部位之間的確存在著相關(guān)性。還有些文獻(xiàn)則利用紅外和近紅外光譜對(duì)烤煙煙葉產(chǎn)地、部位及對(duì)烤煙葉片成熟度進(jìn)行識(shí)別研究，但還未見(jiàn)利用光譜對(duì)煙葉分級(jí)識(shí)別的具體研究。以上文獻(xiàn)在獲取煙葉光譜時(shí)，大多將煙葉粉碎成粉末，然后壓制成薄片作為樣本。顯然，這種破壞煙葉的方法不適合用于煙葉收購(gòu)時(shí)的等級(jí)分類(lèi)。目前，我國(guó)的煙葉分級(jí)還處于專(zhuān)業(yè)人員眼觀手摸的人工分級(jí)階段，并依靠經(jīng)驗(yàn)和分級(jí)標(biāo)準(zhǔn)進(jìn)行分級(jí)，具有一定的主觀性和模糊性，且費(fèi)時(shí)費(fèi)カ。對(duì)于煙葉智能分級(jí)，大多數(shù)研究集中在運(yùn)用計(jì)算機(jī)視覺(jué)技術(shù)與色度學(xué)理論進(jìn)行探索和嘗試，主要研究包括利用煙葉圖像的顏色、形狀及紋理等特征進(jìn)行分級(jí)或分組識(shí)別。這些特征很難包含煙葉的內(nèi)部結(jié)構(gòu)，與煙葉等級(jí)緊密相關(guān)的油分和成熟度等特征也難以從圖像中提取出來(lái)。此外，基于圖像特征的煙葉分級(jí)在對(duì)煙葉圖像提取眾多特征時(shí)計(jì)算量比較大，無(wú)法滿(mǎn)足實(shí)時(shí)的要求。農(nóng)機(jī)化研究中發(fā)表的《基于徑向基網(wǎng)絡(luò)的煙葉光譜分級(jí)》中，僅僅提出了利用光譜技術(shù)對(duì)煙葉分級(jí)進(jìn)行檢測(cè)，這種方法只基于光譜特征的分析，故不能包含畑葉形狀特征，也很難準(zhǔn)確顯示煙葉破損度和葉片結(jié)構(gòu)等與煙葉等級(jí)密切相關(guān)的特征，因此限制了正確進(jìn)行煙葉等級(jí)分類(lèi)的精度。

發(fā)明內(nèi)容
本發(fā)明的目的是提供ー種利用光譜分析和圖像處理雙技木，并聯(lián)合人工神經(jīng)網(wǎng)絡(luò)對(duì)煙葉進(jìn)行智能化、無(wú)損分組、分色和分級(jí)的方法。為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案本發(fā)明包括以下步驟①實(shí)時(shí)獲取待測(cè)煙葉的圖像信息和光譜信息；②分別對(duì)獲取的圖像信息和光譜信息進(jìn)行預(yù)處理并提取圖像特征和光譜特征，然后分別對(duì)圖像特征和光譜特征進(jìn)行歸一化處理，進(jìn)而分別對(duì)歸一化后的圖像特征和光譜特征進(jìn)行自適應(yīng)提取有用特征；③對(duì)有用圖像特征和光譜特征進(jìn)行融合；
④對(duì)融合后的特征進(jìn)行分組、分色和分級(jí)。
在所述的步驟①中，利用CXD或數(shù)碼相機(jī)進(jìn)行圖像信息采集，利用近紅外光譜儀進(jìn)行光譜信息采集。在所述的步驟②中，對(duì)圖像信息的預(yù)處理包括去除圖像噪聲和壓縮圖像信息；圖像信息預(yù)處理方法包括邊緣增強(qiáng)、小波分析、主成份分析、獨(dú)立成分分析、形態(tài)學(xué)中的ー種或幾種；所述的圖像特征包括幾何特征、顏色特征和內(nèi)在特征中的ー種或幾種；對(duì)圖像特征進(jìn)行歸ー化處理是指將所有圖像特征值限制在0 1或-1 1之間；對(duì)圖像特征提取有用特征是指利用自適應(yīng)刪減方法或自適應(yīng)刪減和人工神經(jīng)網(wǎng)絡(luò)聯(lián)合方法對(duì)特征進(jìn)行自適應(yīng)篩選，依據(jù)分組、分色和分級(jí)結(jié)果從已提取的特征中篩選與分組、分色和分級(jí)密切相關(guān)的特征。在所述的步驟②中，對(duì)光譜信息的預(yù)處理包括消除基線(xiàn)漂移、去除光譜噪聲和壓縮光譜信息；光譜信息預(yù)處理方法包括減最小值、減平均值、差分輸入、小波分析、主成份分折、獨(dú)立成分分析、ー階微分處理、ニ階微分處理、中值濾波和自適應(yīng)刪減算法的任意ー種方法或幾種方法的組合；對(duì)光譜特征進(jìn)行歸一化處理是指將所有光譜特征值限制在0 1 或-1 1之間；對(duì)光譜特征提取有用特征是指利用自適應(yīng)刪減或自適應(yīng)刪減和人工神經(jīng)網(wǎng)絡(luò)聯(lián)合方法，依據(jù)分組、分色和分級(jí)結(jié)果從光譜特征中篩選與分組、分色和分級(jí)密切的相關(guān)特征。在所述的步驟③中，采用人工神經(jīng)網(wǎng)絡(luò)方法或距離最近方法進(jìn)行圖像特征和光譜特征的融合。在所述的步驟③中，采取硬件方法進(jìn)行特征融合；所述的硬件方法包括ー個(gè)光源設(shè)備，所述光源設(shè)備中的光源波長(zhǎng)為自適應(yīng)提取光譜特征所提取的最有用波長(zhǎng)，這個(gè)光源不僅僅用于采集光譜信息而且用于圖像采集，及將圖像和光譜的光源合并；或者在所述的光源設(shè)備中利用白光作為圖像采集光源和可見(jiàn)光光譜光源，而發(fā)熱多的紅外只作為光譜光源，利用不同的光電轉(zhuǎn)換器件獲取圖像和光譜信息；所述光源設(shè)備中的圖像和光譜信息采集為同時(shí)采集，或者為級(jí)聯(lián)采集。在所述的步驟④中，利用人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、最近距離算法、聚類(lèi)算法、粗集算法等中的ー種或幾種對(duì)融合后的特征進(jìn)行分組、分色和分級(jí)。在所述的步驟④之前，先采用人エ神經(jīng)網(wǎng)絡(luò)對(duì)融合后的特征進(jìn)行刪減，然后再對(duì)融合后的特征進(jìn)行分組、分色和分級(jí)。采用上述技術(shù)方案的本發(fā)明，能做大限度的做到無(wú)損分級(jí)、能準(zhǔn)確的劃分煙葉等級(jí)，確保收購(gòu)的各方利益不受損失。1、分析數(shù)據(jù)確定用于煙葉智能等級(jí)分類(lèi)的光譜類(lèi)型(吸收譜、反射譜等)、光譜范圍；確定能夠正確分級(jí)、分色、分部位的光譜的最大分辨間隔。同時(shí)分析圖像數(shù)據(jù)，以獲得圖像特征。此兩種數(shù)據(jù)可獨(dú)力同時(shí)獲取，與只采用兩種的任ー種分析方法所用時(shí)間相同，能最大限度的節(jié)省時(shí)間和提高分級(jí)速度。2、數(shù)據(jù)預(yù)處理通過(guò)研究提取圖像、特征光譜的預(yù)處理方法，對(duì)兩類(lèi)數(shù)據(jù)分別提出 ー種最有效的預(yù)處理方法。擬采用的方法有采用減最小值、減平均值、差分輸入、小波分析、 主成份分析、獨(dú)立成分分析、ー階微分處理、ニ階微分處理、中值濾波、邊緣增強(qiáng)、小波分析、 主成份分析、獨(dú)立成分分析、形態(tài)學(xué)和自適應(yīng)刪減算法等預(yù)處理方法以及他們的各種改進(jìn)方法，利用ー種或幾種聯(lián)合對(duì)光譜和圖像數(shù)據(jù)進(jìn)行預(yù)處理。
3、提出基于特征光譜和圖像特征的煙葉智能分級(jí)的算法和模型。算法模型要致力于提高分組分色分級(jí)速度和正確識(shí)別率(吻合率)。4、采用或部分采用神經(jīng)網(wǎng)絡(luò)的方法，以提高系統(tǒng)的推廣泛化能力。


圖1為本發(fā)明的原理框圖。圖2為本發(fā)明中某一 C2L等級(jí)煙葉的原始紅外光譜圖。圖3為圖2所對(duì)應(yīng)的一次壓縮光譜圖。圖4為圖3所對(duì)應(yīng)的二次壓縮光譜圖。圖5為圖4所對(duì)應(yīng)的三次壓縮光譜圖。圖6為本發(fā)明中的支持向量機(jī)網(wǎng)絡(luò)圖。
具體實(shí)施例方式實(shí)施例1本實(shí)施例中，光譜、圖像聯(lián)合人工神經(jīng)網(wǎng)絡(luò)進(jìn)行煙葉分級(jí)的方法，包括以下步驟①實(shí)時(shí)獲取待測(cè)煙葉的圖像信息和光譜信息。本實(shí)施例中利用圖像采集卡和CCD 或數(shù)碼相機(jī)完成圖像信息采集，存儲(chǔ)于計(jì)算機(jī)，上述的圖像信息指的是CCD或數(shù)碼相機(jī)采集的煙葉圖像，煙葉為整片煙葉；且采集的煙葉圖像既可以同時(shí)利用煙葉的透射和反射兩種圖像，或者也可以?xún)H利用透射圖像。需要指出的是，本實(shí)施例中可以利用圖像采集卡的ニ 次開(kāi)發(fā)功能，實(shí)時(shí)控制采集的圖像信息并存儲(chǔ)于計(jì)算機(jī)，便于實(shí)時(shí)識(shí)別分組(分部位)、分色和分級(jí)和再次學(xué)習(xí)。并且，本實(shí)施例中利用現(xiàn)有的近紅外光譜儀進(jìn)行光譜信息采集，其采集范圍可以為320-3200nm或其中任意部分，另外也可參考現(xiàn)有光度分光計(jì)或光譜儀結(jié)構(gòu)， 并改進(jìn)現(xiàn)有光度計(jì)樣品室不宜固定煙葉樣品、比較小等缺點(diǎn)。②分別對(duì)獲取的圖像信息和光譜信息進(jìn)行預(yù)處理并提取圖像特征和光譜特征，然后分別對(duì)圖像特征和光譜特征進(jìn)行歸一化處理。其中，對(duì)圖像信息的預(yù)處理可以由軟件或者根據(jù)采用的方法設(shè)計(jì)硬件完成，圖像預(yù)處理包括去除圖像噪聲和壓縮圖像信息；采用的方法有邊緣增強(qiáng)、小波分析、主成份分析、形態(tài)學(xué)或傅里葉變換中的任意ー種方法或幾種方法的組合。需要說(shuō)明的是，上述邊緣增強(qiáng)、小波分析、主成份分析、形態(tài)學(xué)和傅里葉變換均為本領(lǐng)域普通技術(shù)人員所熟知的技木，在圖像處理時(shí)，可僅僅采用ー種方法，也可以采用多種方法的組合。如可把圖像中的噪聲看做隨機(jī)白噪聲，就可以認(rèn)為噪聲表現(xiàn)高頻，因此可以通過(guò)傅立葉變換FFT將信號(hào)從時(shí)域變換到頻域，在頻域中濾去高頻部分，再做逆變換，從而
去掉噪聲；假設(shè)函數(shù)為f(t)，則其傅里葉變換公式
權(quán)利要求
1.一種利用光譜和圖像特征進(jìn)行煙葉分級(jí)的方法，其特征在于，它包括以下步驟①實(shí)時(shí)獲取待測(cè)煙葉的圖像信息和光譜信息；②分別對(duì)獲取的圖像信息和光譜信息進(jìn)行預(yù)處理并提取圖像特征和光譜特征，然后分別對(duì)圖像特征和光譜特征進(jìn)行歸一化處理，進(jìn)而分別對(duì)歸一化后的圖像特征和光譜特征進(jìn)行自適應(yīng)提取有用特征；③對(duì)有用圖像特征和光譜特征進(jìn)行融合；④對(duì)融合后的特征進(jìn)行分組、分色和分級(jí)。
2.根據(jù)權(quán)利要求1所述的利用光譜和圖像特征進(jìn)行煙葉分級(jí)的方法，其特征在于在所述的步驟①中，利用CCD或數(shù)碼相機(jī)進(jìn)行圖像信息采集，利用近紅外光譜儀進(jìn)行光譜信息米集。
3.根據(jù)權(quán)利要求1所述的利用光譜和圖像特征進(jìn)行煙葉分級(jí)的方法，其特征在于在所述的步驟②中，對(duì)圖像信息的預(yù)處理包括去除圖像噪聲和壓縮圖像信息；圖像信息預(yù)處理方法包括邊緣增強(qiáng)、小波分析、主成份分析、獨(dú)立成分分析、形態(tài)學(xué)中的一種或幾種；所述的圖像特征包括幾何特征、顏色特征和內(nèi)在特征中的一種或幾種；對(duì)圖像特征進(jìn)行歸一化處理是指將所有圖像特征值限制在0 1或-1 1之間；對(duì)圖像特征提取有用特征是指 利用自適應(yīng)刪減方法或自適應(yīng)刪減和人工神經(jīng)網(wǎng)絡(luò)聯(lián)合方法對(duì)特征進(jìn)行自適應(yīng)篩選，依據(jù)分組、分色和分級(jí)結(jié)果從已提取的特征中篩選與分組、分色和分級(jí)密切相關(guān)的特征。
4.根據(jù)權(quán)利要求1所述的利用光譜和圖像特征進(jìn)行煙葉分級(jí)的方法，其特征在于在所述的步驟②中，對(duì)光譜信息的預(yù)處理包括消除基線(xiàn)漂移、去除光譜噪聲和壓縮光譜信息； 光譜信息預(yù)處理方法包括減最小值、減平均值、差分輸入、小波分析、主成份分析、獨(dú)立成分分析、一階微分處理、二階微分處理、中值濾波和自適應(yīng)刪減算法的任意一種方法或幾種方法的組合；對(duì)光譜特征進(jìn)行歸一化處理是指將所有光譜特征值限制在0 1或-1 1之間；對(duì)光譜特征提取有用特征是指利用自適應(yīng)刪減或自適應(yīng)刪減和人工神經(jīng)網(wǎng)絡(luò)聯(lián)合方法，依據(jù)分組、分色和分級(jí)結(jié)果從光譜特征中篩選與分組、分色和分級(jí)密切的相關(guān)特征。
5.根據(jù)權(quán)利要求1所述的利用光譜和圖像特征進(jìn)行煙葉分級(jí)的方法，其特征在于在所述的步驟③中，采用人工神經(jīng)網(wǎng)絡(luò)方法或距離最近方法進(jìn)行圖像特征和光譜特征的融合。
6.根據(jù)權(quán)利要求1所述的利用光譜和圖像特征進(jìn)行煙葉分級(jí)的方法，其特征在于在所述的步驟③中，采取硬件方法進(jìn)行特征融合；所述的硬件方法包括一個(gè)光源設(shè)備，所述光源設(shè)備中的光源波長(zhǎng)為自適應(yīng)提取光譜特征所提取的最有用波長(zhǎng)，這個(gè)光源不僅僅用于采集光譜信息而且用于圖像采集，及將圖像和光譜的光源合并；或者在所述的光源設(shè)備中利用白光作為圖像采集光源和可見(jiàn)光光譜光源，而發(fā)熱多的紅外只作為光譜光源，利用不同的光電轉(zhuǎn)換器件獲取圖像和光譜信息；所述光源設(shè)備中的圖像和光譜信息采集為同時(shí)采集，或者為級(jí)聯(lián)采集。
7.根據(jù)權(quán)利要求1所述的利用光譜和圖像特征進(jìn)行煙葉分級(jí)的方法，其特征在于在所述的步驟④中，利用人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、最近距離算法、聚類(lèi)算法、粗集算法等中的一種或幾種對(duì)融合后的特征進(jìn)行分組、分色和分級(jí)。
8.根據(jù)權(quán)利要求7所述的利用光譜和圖像特征進(jìn)行煙葉分級(jí)的方法，其特征在于在所述的步驟④之前，先采用人工神經(jīng)網(wǎng)絡(luò)對(duì)融合后的特征進(jìn)行刪減，然后再對(duì)融合后的特征進(jìn)行分組、分色和分級(jí)。
全文摘要
一種利用光譜和圖像特征進(jìn)行煙葉分級(jí)方法，它包括以下步驟①實(shí)時(shí)獲取待測(cè)煙葉的圖像信息和光譜信息；②分別對(duì)獲取的圖像信息和光譜信息進(jìn)行預(yù)處理并提取圖像特征和光譜特征，然后分別對(duì)圖像特征和光譜特征進(jìn)行歸一化處理，進(jìn)而分別對(duì)歸一化后的圖像特征和光譜特征進(jìn)行自適應(yīng)提取有用特征；③對(duì)有用圖像特征和光譜特征進(jìn)行融合；④對(duì)融合后的特征進(jìn)行分組、分色和分級(jí)。采用上述技術(shù)方案的本發(fā)明，能做大限度的做到無(wú)損分級(jí)、能準(zhǔn)確的劃分煙葉等級(jí)，確保收購(gòu)的各方利益不受損失。
文檔編號(hào)G01N21/27GK102590211SQ20111000417
公開(kāi)日2012年7月18日 申請(qǐng)日期2011年1月11日 優(yōu)先權(quán)日2011年1月11日
發(fā)明者劉劍君, 劉潤(rùn)杰, 張樂(lè)明, 彭丹青, 申金媛 申請(qǐng)人:鄭州大學(xué)