基于图像特征的烟叶分级方法研究

赵世民 宋正雄 贺智涛

摘要[目的]研究基于图像特征的烟叶分级方法。[方法]采用机器视觉获取烟叶图像特征，运用图像处理技术对图像进行预处理，进一步介绍烟叶图像特征的提取方法，并利用人工神经网络算法进行分类的测试，设计基于图像特征的烟叶分级方法。[结果]通过训练集和测试集的验证，分级准确率高达90%以上，达到了人工分级准确率。[结论]该研究可为烟叶智能化高效分级提供理论基础和技术支持。

关键词机器视觉;图像处理;人工神经网络;烟草分级

中图分类号S126文献标识码

A文章编号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

煙草作为一种重要的经济作物，在国民经济中占有举足轻重的地位。国内烟叶多采用人工分级，存在着耗时、费力、分级模糊和主观性大等一系列问题[1-2]。随着现代烟草生产的发展和卷烟产品质量的不断提高，需要更加专业、精确的烟叶分级系统研究。

随着计算机技术和数字图像技术日趋成熟，这些技术也越来越多地运用到烟叶分级中。魏扬帆[3]提出了一种基于颜色特征的烟叶分级算法设计及系统实现，该算法利用均匀的颜色模型作为衡量标准，通过对已知等级烟叶颜色的学习，根据颜色分布区域进行分级;刘剑君等[4]提出一种基于红外光谱的烟叶分级方法，为烟叶分级提供了新思路;阮静等[5]对烟叶自动分级系统进行研究，从烟叶的破损率、颜色、长度三方面进行讨论，特征因素较少，不能精确地实现烟叶分级;郭强等[6]基于图像处理与神经网络的烟叶分级研究，采用迭代阈值法进行图像背景分析，并用轮廓法提取叶片轮廓信息，把叶片主要特征参数作为分级模型的依据;陈朋等[7]提出基于模糊择近原则的烟叶分级方法，最大限度地把烟叶归类于合适的等级，并通过试验验证了可行性;韩力群等[8]开发了拟脑智能烟叶分级系统，具有自动学习、自动识别分级能力，分级效果较好。虽然前人对于烟叶分级做了不少研究，但仍处于初级阶段，应用到生产中的烟叶分级系统多数存在特征采集不完善、样本数量少、分级不精准等一系列问题。

通过对图像特征的研究，提出一种基于图像特征的烟草分级方法，提取颜色特征、形状特征、纹理特征，分别从烟叶成熟度、身份、叶片结构、长度、色度、油分、残伤7个外观品级因素出发，通过人工神经网络（artificial neural network，ANN）算法建立分类器，区分烟草等级，试验结果将有助于烟草智能分级系统的研发。

1数据采集与研究方法

1.1图像数据采集图像由实验室开发的封闭式图像采集系统（图1）获取，其中图像采集系统包括采集平台、CCD相机、LED条形灯、密封箱、计算机、RFID读卡器、卡条、数据线等。该试验通过人工放置烟叶进行图像采集，共放置烟叶520片，采集有效图像519张，其中346张用于分类器训练集，173张用于分类器测试集。

1.2图像预处理首先，将采集的有效图像进行灰度化处理（图2、3），以减少后续图像处理的工作量，提高作业效率，对得到的灰度图像进行高斯滤波，减少图像噪声，得到平滑图像。然后，对平滑图像进行直方图均衡化，使图像的灰度分布更加平均，利用灰度线性变换得到更加清晰的图像;为了更好地描述烟叶图像的轮廓，对图像进行二值化处理，得到只有2个灰度级的二值化图像。最后，采用形态学去除小面积区域，得到轮廓清晰烟叶图像。

1.3图像特征提取

1.3.1颜色特征提取。

1.3.1.1色调。HIS模型为一种面向视觉感知的颜色空间模型，它反映了人的视觉系统观察色彩的方式，使用非常接近于人对色彩感知的方式来定义色彩[9]。H和S分量具有很强的抗干扰性能力，几乎不受周围环境因素的影响，描述颜色信息更加准确可靠。在颜色特征提取中，采用几何推导法将图像的RGB模型转换为HIS模型，转换方法如下：

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为红色分量;g为绿色分量;b为蓝色分量;H为色调;I为亮度;S为饱和度。

1.3.1.2含青率的计算。烟叶含青率对烟叶质量影响很大，随着烟叶含青率的增加，会直接降低烟叶的吸食质量。在研究中，利用转换之后HSI模型，将色调H标准化至0～360°，通过统计叶面各像素HSI三分量变化，得出含青率的变化趋势，最终得到最佳的特征参数。实际统计后发现，叶面青黄色绝大部分分布在36°～90°。通过统计烟叶叶片在此色调范围内的像素个数占总烟叶像素个数的百分比，计算烟叶的含青率：

TH=NHN×100%（7）

式（7）中，NH为符合36°

1.3.1.3杂色率的计算。研究表明，烟叶像素的基本色调在直方图中分布最多，并在直方图中形成峰顶[10-11]（图4）。将色调直方图最大值处正负i个色调范围作为此片烟叶的基本色调，其他部分认为是杂色。通过烟叶色调直方图，自动搜索直方图最大值。统计直方图中小于和大于该色调i个色调值范围内的像素数量之和，即得该烟叶的基本色调面积累积值。设NX为直方图色调为X时的像素总数，N为叶面总有效像素，则某烟叶杂色面积率（Tk）的计算公式为

Tk=（N-max+imax-iNX）N×100%（8）

1.3.2形状特征提取。

1.3.2.1烟叶长、宽以及长宽比的计算。由于烟叶放置位置的不同，会影响测量点的选取，进而影响烟叶外轮廓椭圆的拟合精度。研究取烟叶图像垂直和水平方向上的最大点和最小点，分别记作Ymax、Ymin、Xmax、Xmin，并根据这4点构造矩形（图5）。以矩形对角线中心为原点，每间隔15°作一条射线，与烟叶边缘相交点视为测量点。为了更好地拟合烟叶外轮廓椭圆，选取28个测量点（包括4个最大最小值点，24个射线与烟叶边缘交点）进行椭圆拟合。拟合椭圆的长轴和短轴长度分别为烟叶长度和宽度，分别记作L、W。

烟叶长宽比Y=L/W（9）

1.3.2.2面积S的计算。烤煙的国家分级标准中暂未对烟叶面积提出特定的要求，但烟叶面积能从一定种程度上反映烟叶的平坦程度和叶形，同样对烟叶分级产生影响。用拟合椭圆面积近似表示烟叶的面积S。

S=πLW（10）

1.3.3纹理特征提取。采用灰度共生矩阵对烟叶的纹理特征进行提取，其纹理特征主要通过相关性、对比度、能量、熵等参数来表达。灰度共生矩阵是一种通过研究灰度的空间相关特性来描述纹理的常用方法，它不仅反映像素灰度的分布特性，而且反映具有同样或相似灰度值的像元位置分布特性，即图像中灰度的空间相关特性。例如一个8位灰度图像，灰度共生矩阵是一个 256×256 的矩阵，其中任意一个元素（i，j）都表示2个相近的灰度值在4个方向（0°、45°、90°、180°）出现的次数，GLCM纹理特征参数计算方法如下。

叶片纹理相关性计算公式：

COR=Ni，j（i-μ）（j-μ）/σ2g（i，j）（11）

2结果与分析

2.1建模效果取7个等级共计346张已通过人工分级的烟叶图像进行系统训练，各等级烟叶分别为64、52、18、66、70、34、42片，训练结果如表1所示，表中数据表示各烟叶等级的叶片数。青杂叶、B2F、B3F、C2F、C3L、X2F、X3F这7个等级的训练集准确率分别为98.4%、96.1%、77.7%、98.4%、98.5%、100%、80.9%。从建模训练结果来看，除B3F等级预测率低于80%外，其他分类预测率多数高于95%，烟叶等级建模效果好，分类预测准确。

2.2测试效果取7个等级共计173张烟叶图像进行分类测试，其中各等级烟叶分别为32、26、9、33、35、17、21片，测试结果如表2所示，表中数据表示各烟叶等级的叶片数，青杂叶、B2F、B3F、C2F、C3L、X2F、X3F这7个等级分类准确率分别为90.6%、92.3%、88.9%、100%、97.1%、100%、95.2%。结果表明，各等级分类准确率均为85%以上，多数类别准确率为90%以上，甚至个别类别分类准确率为100%，预测效果良好，达到了预期分类效果。

3结论

该研究基于图像特征提取，分析了运用人工神经网络进行烟叶分级的方法。分别提取烟叶的颜色特征、形状特征及纹理特征，对7个等级的烟叶进行分级;通过设计算法并建立分级模型，并对模型进行试验测试，分级准确率可达90%以上，结果可靠，为烟叶智能化分级研究提供了理论基础。

参考文献

[1]

赵献章.烟叶分级[M].北京：中国科学技术出版社，1997.

[2] 毛鹏军，贺智涛，杜东亮，等.烤烟烟叶视觉检测分级系统的研究现状与发展趋势[J].农业机械，2006（16）：43.

[3] 魏扬帆.一种基于颜色特征的烟叶分级算法设计及系统实现[D].北京： 北京交通大学，2014.

[4] 刘剑君，申金媛，张乐明，等.基于红外光谱的烟叶自动分级研究[J].激光与红外，2011，41（9）：986-990.

[5] 阮静.烟叶自动分级系统的研究[D].合肥：安徽大学，2013.

[6] 郭强.基于图像处理与神经网络的烟叶分级研究[D].长沙：中南大学，2013.

[7] 陈朋，贺福强，管琪明，等.基于模糊择近原则的烟叶自动分级算法研究[J].中国农机化学报，2016，37（9）：108-111.

[8] 韩力群，何为，苏维均，等.基于拟脑智能系统的烤烟烟叶分级研究[J].农业工程学报，2008，24（7）：137-140.

[9] 李慧慧，秦品乐，梁军.基于HSI亮度分量和RGB空间的图像去雾算法[J].计算机应用，2016，36（5）：1378-1382.

[10] 梁洪波，李念胜，元建，等.烤烟烟叶颜色与内在品质的关系[J].中国烟草科学，2002，23（1）：9-11.

[11] 牛文娟.基于图像处理的烟叶分级研究[D].郑州：郑州大学，2010.