一種煙葉顏色在線數(shù)值化識別方法
【技術領域】
[0001] 本發(fā)明屬于煙草制品生產(chǎn)領域，涉及一種識別方法，特別是涉及一種煙葉顏色在 線數(shù)值化識別方法。
【背景技術】
[0002] 煙葉的質量主要是包含煙葉的外觀質量，煙葉的感官評吸質量，煙葉的物理質量， 以及煙葉化學成分的協(xié)調性，煙葉的可用性與煙葉的配伍性；烤煙煙葉的顏色與煙葉化學 成分中的尼古丁，總糖有顯著相關性，也與感官評吸的香氣質與香氣量有極顯著相關；煙葉 顏色基本上能夠反映出煙葉的品質；烤煙的顏色是煙葉外觀質量的一個重要組成部分；目 前，煙葉外觀質量的顏色是采用人工判斷，由于環(huán)境和人的狀態(tài)不穩(wěn)定導致結果具有較大 的不確定性，檢測速度比較慢等缺點；煙葉屬于農(nóng)作物，同一煙葉產(chǎn)區(qū)的煙葉顏色波動較 大，如何快速準確的識別煙葉制品的外觀質量顏色，為煙葉內(nèi)在品質的調控做好鋪墊具有 重要的意義。
[0003] 煙葉外觀質量顏色的識別主要有三種方法；
[0004] 第一種為人工打分，這種方法的缺點就在于打分的隨意性比較大，具有較高的不 確定性，另外人工打分的速度比較慢；
[0005] 第二種為基于近紅外的煙葉顏色識別，近紅外的光譜中是有煙葉的顏色信息，在 近紅外領域，煙葉的外觀質量顏色的識別用一般的方法比如，PCA(主成分分析），DPLS(定 性偏最小二乘），基于范數(shù)（光譜的相關性，夾角余弦，距離）是不能夠把煙葉的外觀顏色 給識別出來，這主要是由于近紅外光譜是一種吸收相互重疊的信號，并且近紅外光譜中具 有大量的非煙葉顏色信息，使用近紅外光譜的連續(xù)投影提取煙葉顏色紅外信息去除無用信 息后是基本能夠把煙葉的濃強中弱淡給識別出來，但是近紅外顏色模型需要的樣本量比較 大，年度之間顏色的變化會為煙葉的近紅外識別模型帶來大量維護的工作，此外近紅外儀 器一般造價比較昂貴，不利于煙葉外觀質量顏色的大規(guī)模應用；
[0006] 第三種為基于相機的煙葉顏色識別，基于相機圖像的識別，通常的做法是對煙葉 圖像或者把煙葉的圖像轉化為RGB/HIS(孟塞爾顏色系統(tǒng)）與煙葉人工打分顏色做BP(人 工神經(jīng)網(wǎng)絡），RBF(徑向神經(jīng)網(wǎng)絡），MLR(多元線性回歸），PLS(定量偏最小二乘），一方面 采用BP，回歸方法必須樣本量足夠多，否則會因為找不到波動樣本使得檢測誤差變大；第 二由于人工顏色打分的不確定性較大這個誤差會傳遞到模型中，因此在用BP，PLS的時候 又不能以最小誤差為原則進行訓練校正樣本，否則會產(chǎn)生過擬合；在線煙葉的梗，與反面信 息也會對打分產(chǎn)生很大干擾。
[0007] 因此，如何提供一種煙葉顏色在線數(shù)值化識別方法，以解決現(xiàn)有技術中無法快捷 并且準確的獲取煙葉的外觀質量顏色信息，無法更好地調控煙葉品質等種種缺陷，實已成 為本領域從業(yè)者亟待解決的技術問題。

【發(fā)明內(nèi)容】

[0008] 鑒于以上所述現(xiàn)有技術的缺點，本發(fā)明的目的在于提供一種煙葉顏色在線數(shù)值化 識別方法，用于解決現(xiàn)有技術中無法快捷并且準確的獲取煙葉的外觀質量顏色信息，無法 更好的在后續(xù)加工過程中調控煙葉品質的問題。
[0009] 為實現(xiàn)上述目的及其他相關目的，本發(fā)明提供一種煙葉顏色在線數(shù)值化識別方 法，應用于在線生產(chǎn)的煙葉樣本，預先通過人工按照顏色深淺度變化原則將需要在線生產(chǎn) 的煙葉樣本排序并進行第一次分類，每一在線生產(chǎn)的煙葉樣本具有一個人工預測煙葉顏色 值；所述煙葉顏色在線數(shù)值化識別方法包括以下步驟：采集所述在線生產(chǎn)的煙葉樣本的原 始煙葉圖像；對所述原始煙葉圖像進行相應處理以提取所述在線生產(chǎn)的煙葉樣本的孟塞爾 信號；對所述在線生產(chǎn)的煙葉樣本的孟塞爾信號進行連續(xù)投影；計算所述在線生產(chǎn)的煙葉 樣本的煙葉顏色投影特征值；根據(jù)所述煙葉顏色投影特征值對所述在線生產(chǎn)的煙葉樣本進 行第二次分類；判斷所述第一次分類與所述第二次分類是否具有一致性；若是，則表示分 類成功，結束進程；若否，則表示分類失敗，則返回采集步驟。
[0010] 可選地，對所述原始煙葉圖像進行相應處理以提取所述在線生產(chǎn)的煙葉樣本的 孟塞爾信號的步驟包括：預處理所述原始煙葉圖像；識別預處理后的煙葉圖像中的特殊區(qū) 域；剔除該特殊區(qū)域的色度空間；提取所述在線生產(chǎn)的煙葉樣本的孟塞爾信號。
[0011] 可選地，對所述在線生產(chǎn)的煙葉樣本的孟塞爾信號進行連續(xù)投影的步驟包括：對 所述在線生產(chǎn)的煙葉樣本的孟塞爾信號進行歸一化處理；線性投影，建立顏色預測模型； 確定目標函數(shù)；優(yōu)化線性投影的方向。
[0012] 可選地，按照X'ij=Xi/Xj_，對所述在線生產(chǎn)的煙葉樣本的孟塞爾信號進行歸 一化處理；其中，Xij為所述在線生產(chǎn)的煙葉樣本的孟塞爾信號數(shù)據(jù)，i為所述在線生產(chǎn)的煙 葉樣本中的第i個樣本；j為所述在線生產(chǎn)的煙葉樣本中第j個指標；Xj _為第j個指標的 樣本最大值。
[0013] 可選地，線性投影，建立顏色預測模型步驟包括隨機抽取若干個初始投影向量 a(apa2,a3，…，am)，其中，m為3維單位向量。
[0014] 可選地，所述目標函數(shù)定位為初始投影向量的類內(nèi)距離與投影向量的類內(nèi)密度的 乘積，即Q(a) =s(a) ?(!&)，其中，a為所述初始投影向量，Q(a)為所述目標函數(shù)，s(a)為 所述初始投影向量的類內(nèi)距離，d(a)為所述初始投影向量的類內(nèi)密度。
[0015] 可選地，優(yōu)化線性投影的方向的步驟是指當所述目標函數(shù)Q(a)取最大值時所對 應的投影方向即為所需最優(yōu)投影方向。
[0016] 可選地，計算所述在線生產(chǎn)的煙葉樣本的煙葉顏色投影特征值的步驟是根據(jù)煙葉 m 顏色投影特征值的計算公式：^ ，其中，Zi為第i個煙葉樣本的煙葉顏色投影特征 值，a」為第j個初始投影向量，x'u為歸一化后在線生產(chǎn)的煙葉樣本的孟塞爾信號數(shù)據(jù)。
[0017] 可選地，判斷所述第一次分類與所述第二次分類是否具有一致性的依據(jù)為計算所 述在線生產(chǎn)的煙葉樣本的煙葉投影值與每一在線生產(chǎn)的煙葉樣本具有一個人工預測煙葉 顏色值之間的相關系數(shù)是否大于第一相關閾值，若是，則表示所述在線生產(chǎn)的煙葉樣本的 煙葉投影值與人工預測煙葉顏色值高度相關，分類成功，結束進程；若否，則繼續(xù)判斷計算 的所述在線生產(chǎn)的煙葉樣本的煙葉投影值與每一在線生產(chǎn)的煙葉樣本具有一個人工預測 煙葉顏色值之間的相關系數(shù)是否大于第二相關閾值，若是，則表示所述在線生產(chǎn)的煙葉樣 本的煙葉投影值與人工預測煙葉顏色值中度相關；若否，則表示所述在線生產(chǎn)的煙葉樣本 的煙葉投影值與人工預測煙葉顏色值低度相關，返回采集步驟。
[0018] 如上所述，本發(fā)明所述的煙葉顏色在線數(shù)值化識別方法，具有以下有益效果： [0019] 第一，煙葉原料的顏色波動比較大，人工的打分隨意性比較強，剔除異常顏色信息 后直接對HSV值做投影，而不關聯(lián)人工的顏色值，能夠快速的把煙葉真實的信息給提取出 來，并且與人工打分的一致性比較強；實現(xiàn)了工業(yè)相機的快速準確檢測，并且打分標尺較為 穩(wěn)定；
[0020] 第二，按照本發(fā)明的方法，經(jīng)過數(shù)據(jù)比對得出，煙葉的識別方法與產(chǎn)地的關系不是 很大，從而大量的減少了煙葉顏色的樣本作量；
[0021] 第三，對于烤機出口的片煙，因為其片煙是由復考工藝與原煙的葉組配方混合而 成，其顏色一方面受工藝的影響比較大較挑選線普遍顏色偏深，另一方面由于葉組配方的 混合，片煙的顏色更加趨于中心化，使得專業(yè)人員很難從原煙的顏色理論判別；在共識樣本 的前提下驗證烤后片煙顏色的分辨度，此方法能夠較好的取得與專業(yè)分級人員的一致性， 對烤后片煙顏色的識別具有較強的實用意義與對定性理論定量化具有較強的借鑒意義。
【附圖說明】
[0022] 圖1顯示為本發(fā)明的煙葉顏色在線數(shù)值化識別方法流程示意圖。
[0023] 圖2顯示為本發(fā)明的煙葉顏色在線數(shù)值化識別方法中步驟S2的具體流程示意圖。
[0024] 圖3顯示為本發(fā)明的煙葉顏色在線數(shù)值化識別方法中步驟S3的具體流程示意圖。
[0025] 圖4顯示為本發(fā)明的煙葉顏色在線數(shù)值化識別方法中步驟S6的具體流程示意圖。
[0026] 圖5顯示為本發(fā)明的煙葉顏色在線數(shù)值化識別方法與
[0027] 元件標號說明
[0028] S1 ~S6 步驟
【具體實施方式】
[0029] 以下通過特定的具體實例說明本發(fā)明的實施方式，本領域技術人員可由本說明書 所揭露的內(nèi)容