基于遗传算法的图像法含梗率非线性拟合模型计算方法技术

本发明专利技术公开了基于遗传算法的图像法含梗率非线性拟合模型计算方法，具体包括以下操作步骤：步骤1：运用传统的称重法计算出一系列烟草成品样本的含梗率，将这些值作为目标数据集合；步骤2：对步骤1同一批烟草成品样本在运用软件的图像法计算出含梗率，将这些值作为需要拟合函数的输入集合，步骤3：运用改进的遗传算法求出非线性拟合函数的最佳参数，即满足遗传算法结束循环条件的系数向量A=[a

【技术实现步骤摘要】
基于遗传算法的图像法含梗率非线性拟合模型计算方法
本专利技术涉及基于遗传算法的图像法含梗率非线性拟合模型计算方法，属于烟草含梗率检测

技术介绍
在烟叶打叶复烤过程中，需要采用风分方式对打叶后的烟片和烟梗进行分离，以进行后期烟叶的准确配方，提高卷烟品质。由于打叶后的混合烟叶中，含梗烟片与游离纯净叶片的悬浮速度差异不大，在风分过程中会使含梗烟片被当作纯净叶片而难于分离出来，从而使烟叶配方中增加了含梗烟片，直接影响卷烟质量。打叶后的烟叶含梗率是影响切丝质量的最重要的因素之一，而烟丝的质量又直接影响到成品烟支的质量(填充度、重量、密度、空头率、掉丝率等重要指标)。现行的打叶复烤国家标准(YC/T146—2001和YC/T147--2001)分别限制了烤前和烤后的烟叶中，含梗率应小于或等于2.5％，新标准又修改为应小于或等于2.0％。根据以上国家标准，各个打叶复烤企业都要对烟梗含量进行检测，多数复烤企业每隔半小时，就要检测一次烟叶含梗率，采用的测量方式主要有两种：一是，用打叶机将待测烟叶全部打碎，然后再测量其中的含梗率，这种测量方式会造成烟叶的破坏，测量之后的烟叶将不能继续使用，一天下来每条打叶线都将浪费很多烟叶。二是，目前大多数烟厂和复烤厂是通过取样去梗后对烟梗和叶片分别称重来实现烟叶含梗率的检测，该检测方法对烟叶产生较大破坏，且检测耗时长、无法实现在线实时检测。这两种检测方法均存在明显的弊端。
技术实现思路
为了解决上述存在的问题，本专利技术公开了一种基于遗传算法的图像法含梗率非线性拟合模型计算方法，其具体技术方案如下：基于遗传算法的图像法含梗率非线性拟合模型计算方法，具体包括以下操作步骤：步骤1：得到目标数据集合：运用传统的称重法计算出一系列烟草成品样本的含梗率，将这些值作为目标数据集合；步骤2：得到输入集合：对步骤1同一批烟草成品样本在运用软件的图像法计算出含梗率，将这些值作为需要拟合函数的输入集合，步骤3：运用改进的遗传算法求出非线性拟合函数的最佳参数，即满足遗传算法结束循环条件的系数向量A＝[a1，a2，…，an]T。进一步的，所述步骤3中的遗传算法应用于三次样条函数拟合的基本思路正是通过运行GA找到系数向量A＝[a1，a2，…，an]T中第一个元素a1的最佳值，再依次求出其余系数a2…an，所以在GA中要编码的参数只有a1，设在整个曲线拟合区间[a，b]上的第i代第j条染色体对应的估计误差为eij,这样就可以定义该染色体的适应度函数：进一步的，所述GA的具体步骤为：(1)设置参数，包括群体规模N，染色体长度L，交叉概率Pc，正常变异概率Pmnor，最大变异概率Pmmax，运行代数Ge，运行代数Gt，估计精度W，令i＝0，k＝0，m＝0；(2)初始化N个染色体，令i＝i+1，k＝0，m＝0；(3)译码染色体并对第i代中第j条染色体计算估计误差eij，令(4)采用赌轮法选择N个父体，保留1个最优父体不参与交叉变异；(5)配对交叉，采用两点交叉方法，在交叉过程中以概率Pm调用变异操作，若Pm＝Pmmax，变异操作完成之后恢复正常的变异概率Pm＝Pmmor，将步骤(4)保留的最优父体随机地替换N个子体中的任一个；(6)如果k＝k+1,m＝m+1,否则k＝0，m＝0；(7)如果N个父体都相同或k＝Ge，使变异概率Pm＝Pmmax，令k＝0；(8)如果m＝Gt(或)，那么结束算法，否则转至步骤(3)。本专利技术的有益效果是：由于烟叶处理工艺、烟叶差异等因素，造成不同类型烟叶采用图像法和物理法获得的含梗率结果具有不同差异的问题；提出了一种基于遗传算法获取非线性拟合函数最佳参数的方法，通过对不同类型烟叶运用两种方法获得一定的数据结果集合，以图像法结果为输入集合，已称重法结果为目标集合，运用改进的遗传算法获得两个集合对应的非线性拟合函数的最佳参数，来提高图像法测量结果的对于不同类型烟叶含梗率测量的结果精度。三次样条函数拟合是曲线拟合中公认较好得办法，具有很好的分段光滑性，但三次样条函数拟合涉及到矩阵求逆，离散样本点越多，矩阵就越大,求逆就越繁琐，因此提出一种基于遗传算法获取非线性拟合函数最佳参数的方法。具体实施方式下面结合具体实施方式，进一步阐明本专利技术。应理解下述具体实施方式仅用于说明本专利技术而不用于限制本专利技术的范围。本专利技术基于遗传算法的图像法含梗率非线性拟合模型计算方法，为通过图像处理后得到的烟叶图片利用拟合算法去计算含梗率，该烟草图片的处理过程为：基于双边滤波的多特征纹理图像融合的高噪声X光图像烟梗区域提取，利用原图像的高亮点密度、灰度熵、灰度三个纹理特征加权构建烟梗区域的概率密度图像，再采用双边滤波函数对概率密度图像进行滤波，最后利用混合高斯模型和形态学滤波方法从烟梗概率密度图像中提取准确的烟梗区域，具体过程为：步骤1：获取烟草图像：在打叶机的出口端的皮带上方安装X光相机，X光相机拍照获取在皮带上传送的烟草图像；步骤2：获取纹理特征：X光相机将图像传送给叶含梗视觉在线检测软件，叶含梗视觉在线检测软件对烟草图像进行灰度处理获得灰度图，阈值分割获得二值图，通过计算sobel算子来计算图像灰度函数的近似梯度，灰度熵是指图像中灰度的不均匀程度或复杂度，假设图像中灰度值为gj的象素个数为kj，则图像中灰度值为gj的象素出现的概率P(gj)为:整幅图像灰度熵E(I)为：获得灰度值gj、灰度值gj的象素出现概率P(gj)和整幅图像灰度熵E(I)三个纹理特征；步骤3：获取烟梗区域的概率密度图像：利用加权函数进行线性图像融合获得最终的烟梗区域的概率密度图像；步骤4：滤波：步骤3获取的烟梗区域的概率密度图像具有很多强噪声需要滤除，采用双边滤波对烟梗区域的概率密度图像进行滤波，具体过程为：双边滤波实际是两个高斯滤波的同时作用，一个计算空间邻近度的权值，另一个负责计算像素值相似度的权值，将高斯滤波的原理中，通过各个点到中心点的空间临近度计算的各个权值进行优化，将其优化为空间临近度计算的权值和像素值相似度计算的权值的乘积，优化后的权值再与图像作卷积运算，从而达到保边去噪的效果，其具体公式为：其中，g(i,j)代表输出点，S(i,j)指以(i,j)为中心的(2N+1)(2N+1)的大小的范围,f(k,l)代表多个输入点，w(i,j,k,l)代表经过两个高斯函数计算出的值，假设公式中w(i,j,k,l)＝m，则有：设m1+m2+m3…+mn＝M,则有：此时可以看到，这明显是图像矩阵与核的卷积运算了，其中m1/M代表的第一个点的权值，而图像矩阵与核通过卷积算子作加权和，最终得到输出值，而w(i,j,k,l)＝ws*wr,其中σ分别为当前像素信息和当前像素位置的标准差。步骤5：分割烟梗区域与背景：通过建立高斯混合模型能够实现将烟梗区域与背景准确的分割，得到分割后的烟梗区域图像，其中建立高斯混合模型将烟梗区域与背景分割的具体过程为：本文档来自技高网...

【技术保护点】
1.基于遗传算法的图像法含梗率非线性拟合模型计算方法，其特征在于，具体包括以下操作步骤：/n步骤1：得到目标数据集合：运用传统的称重法计算出一系列烟草成品样本的含梗率，将这些值作为目标数据集合；/n步骤2：得到输入集合：对步骤1同一批烟草成品样本在运用软件的图像法计算出含梗率，将这些值作为需要拟合函数的输入集合，/n步骤3：运用改进的遗传算法求出非线性拟合函数的最佳参数，即满足遗传算法结束循环条件的系数向量A＝[a

【技术特征摘要】
1.基于遗传算法的图像法含梗率非线性拟合模型计算方法，其特征在于，具体包括以下操作步骤：
步骤1：得到目标数据集合：运用传统的称重法计算出一系列烟草成品样本的含梗率，将这些值作为目标数据集合；
步骤2：得到输入集合：对步骤1同一批烟草成品样本在运用软件的图像法计算出含梗率，将这些值作为需要拟合函数的输入集合，
步骤3：运用改进的遗传算法求出非线性拟合函数的最佳参数，即满足遗传算法结束循环条件的系数向量A＝[a1，a2，…，an]T。


2.根据权利要求1所述的基于遗传算法的图像法含梗率非线性拟合模型计算方法，其特征在于所述步骤3中的遗传算法应用于三次样条函数拟合的基本思路正是通过运行GA找到系数向量A＝[a1，a2，…，an]T中第一个元素a1的最佳值，再依次求出其余系数a2…an，所以在GA中要编码的参数只有a1，设在整个曲线拟合区间[a，b]上的第i代第j条染色体对应的估计误差为eij,这样就可以定义该染色体的适应度函数：


3.根据权...

【专利技术属性】
技术研发人员：肖荣，吴主峰，叶明，姜华，孔世凡，王李苏，
申请(专利权)人：南京大树智能科技股份有限公司，
类型：发明
国别省市：江苏;32