[發(fā)明專利]基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201310060528.3
• 申請(qǐng)日: 2013-02-26
• 公開（公告）號(hào): CN103175835A
• 公開（公告）日: 2013-06-26
• 發(fā)明（設(shè)計(jì)）人: 楊征宇;余苓;任偉;楊凱;楊斌;徐其敏;陳清
• 申請(qǐng)（專利權(quán)）人: 上海煙草集團(tuán)有限責(zé)任公司;華環(huán)國(guó)際煙草有限公司
• 主分類號(hào): G01N21/84
• 分類號(hào): G01N21/84
• 代理公司: 上海光華專利事務(wù)所 31219
• 代理人: 余明偉

1.一種基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法，其特征在于，所述煙葉葉面積質(zhì)量測(cè)定方法包括：

S1，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(shí)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(jì)算煙葉的實(shí)際面積；

S3，利用圖像法二元線性模型估計(jì)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(jì)。

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(jì)的煙葉葉面積質(zhì)量測(cè)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(jì)算機(jī)，用于保存輸入的煙葉圖像數(shù)據(jù)并對(duì)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(jì)的煙葉葉面積質(zhì)量測(cè)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亮度；

S22，識(shí)別獲取煙葉圖像的煙葉輪廓；即通過采用圖像外輪廓識(shí)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(jì)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(jì)的煙葉葉面積質(zhì)量測(cè)定方法，其特征在于：所述圖像外輪廓識(shí)別算法包括：基于小波變換的圖像輪廓識(shí)別算法、基于robert因子的圖像輪廓識(shí)別算法、基于laplace算子的圖像輪廓識(shí)別、以及基于高斯濾波的輪廓識(shí)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(jì)的煙葉葉面積質(zhì)量測(cè)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(jì)的煙葉葉面積質(zhì)量測(cè)定方法，其特征在于：所述二元線性模型為：Y_total.weight＝β₀+ρ_peduncleX_peduncle+ρ_leafX_leaf+ε，其中Y_total.weight是煙葉總質(zhì)量；β₀為截距；ρ_peduncle為主梗區(qū)域密度參數(shù)；X_peduncle是主梗區(qū)域面積；ρ_leaf為葉片區(qū)域密度參數(shù)；X_leaf是葉片區(qū)域面積；ε為隨機(jī)誤差。