基于機(jī)器視覺的煙草異物檢測(cè)和煙葉分類分級(jí)方法研究.pdf

1、機(jī)器視覺技術(shù)為煙草工業(yè)加工的自動(dòng)化提供了一種可行方式。煙草異物檢測(cè)技術(shù)和煙葉自動(dòng)分級(jí)技術(shù)受到了廣大研究人員的關(guān)注，并對(duì)其進(jìn)行了一定的研究。針對(duì)現(xiàn)有方法檢測(cè)精度和分級(jí)正確率較低的問(wèn)題，研究更為有效的煙草異物檢測(cè)方法和煙葉分級(jí)方法，具有重要的理論意義和實(shí)用價(jià)值。本文具體研究了煙草異物檢測(cè)、煙葉圖像去噪、正副組煙葉分類、正組煙葉分級(jí)等煙草圖像處理方法，主要工作如下：
　　首先，提出了一種基于非局部相似性交叉熵的含噪圖像閾值分割算法，并將

2、其直接應(yīng)用于含噪煙草圖像的異物檢測(cè)。該算法根據(jù)含噪圖像的灰度級(jí)自適應(yīng)計(jì)算閾值向量組，并依次使用其中的閾值向量對(duì)含噪圖像進(jìn)行閾值分割；利用分割前后每個(gè)像素點(diǎn)的8鄰域向量與閾值向量的非局部相似性，分別表示含噪圖像分割前和分割后的概率分布；依據(jù)交叉熵準(zhǔn)則選取最優(yōu)閾值向量，對(duì)含噪圖像進(jìn)行分割以檢測(cè)煙草異物。經(jīng)過(guò)大量實(shí)驗(yàn)，與多種基于信息量的閾值分割算法相比，所提出算法表現(xiàn)出明顯的抗噪優(yōu)勢(shì)，且對(duì)噪聲的魯棒性強(qiáng)，適用于檢測(cè)與煙草灰度差別較大的異物。<

3、br>　　然后，研究了一種基于改進(jìn)灰度熵的雙向遞推閾值分割算法，并將其應(yīng)用于預(yù)處理后的煙草圖像以檢測(cè)異物。該改進(jìn)灰度熵針對(duì)一維和二維直方圖，分別給出了相應(yīng)的圖像概率分布表示方法，并計(jì)算此概率分布下不同閾值時(shí)的圖像Tsallis熵；利用雙向遞推算法加快其運(yùn)算速度；選取Tsallis熵最大時(shí)的閾值來(lái)分割圖像，實(shí)現(xiàn)異物檢測(cè)。實(shí)驗(yàn)結(jié)果表明，與基于分解、基于遞推、基于優(yōu)化等5種二維灰度熵閾值分割算法相比，所研究算法可更好地表示類內(nèi)灰度一致性，異物

4、檢測(cè)結(jié)果更加準(zhǔn)確。
　　其次，提出了一種基于引導(dǎo)核聚類和自適應(yīng)搜索窗的非局部均值圖像去噪算法，并將其應(yīng)用于煙葉圖像去噪。該算法使用基于引導(dǎo)核的模糊C均值聚類算法對(duì)相似窗進(jìn)行預(yù)篩選，劃分其類別；根據(jù)相似窗的類別計(jì)算每個(gè)像素點(diǎn)對(duì)應(yīng)的搜索窗大小，以保證相似性較高的相似窗數(shù)量；分別對(duì)每一類進(jìn)行自適應(yīng)搜索窗的非局部均值圖像去噪。經(jīng)過(guò)大量煙葉圖像去噪實(shí)驗(yàn)，與基于Zernike矩、基于主鄰域字典、基于均值方差預(yù)篩選等3種非局部均值改進(jìn)算法相比，

5、所提出算法對(duì)于強(qiáng)噪聲污染或不規(guī)則紋理的煙葉圖像，去噪效果更為有效，并更好地保持了煙葉的紋理和邊緣。
　　再次，實(shí)現(xiàn)了一種基于多特征和小波支持向量機(jī)的正副組煙葉分類算法。在煙葉圖像的HSV空間中定義了含青率、烤紅率兩個(gè)顏色特征，使用Gabor小波提取煙葉的紋理特征；將這些特征進(jìn)行歸一化處理后，輸入小波支持向量機(jī)進(jìn)行訓(xùn)練，并利用訓(xùn)練好的小波支持向量機(jī)對(duì)煙葉圖像進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，與基于模糊推理、基于反向傳播神經(jīng)網(wǎng)絡(luò)、基于支持向量機(jī)

6、等3種正副組煙葉分類算法相比，此算法更好地實(shí)現(xiàn)了煙葉分類，正組煙葉與副組煙葉的誤分更少，分類正確率高。
　　最后，探索了一種基于卷積神經(jīng)網(wǎng)絡(luò)和顏色識(shí)別的正組煙葉分級(jí)算法。將彩色煙葉圖像灰度化后，直接輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行正組煙葉部位識(shí)別；同時(shí)，將彩色煙葉圖像由RGB空間轉(zhuǎn)化至HSV空間，在H通道中定義紅色、橘色、黃色對(duì)應(yīng)的閾值區(qū)間，并統(tǒng)計(jì)這3種顏色的比例分布，實(shí)現(xiàn)同一部位正組煙葉的顏色識(shí)別。實(shí)驗(yàn)結(jié)果表明，與基于模糊推理、基于廣義回歸