一种基于图像分析烟叶成熟度状态概率计算方法技术

本发明专利技术公开了一种基于图像分析烟叶成熟度状态概率计算方法，其特征在于，所述方法包括以下步骤：以预设周期采集烟叶烤房的原始数据；依据烘烤曲线，得到烟叶成熟度初级判断结果；对所述烘烤图像预处理，得到烟叶全局图像；采用全卷积神经网络的分割模型对烟叶全局图像进行处理，提取烟叶的局部图像；根据烟叶成熟度初级判断结果确定判断烟叶成熟度需要分析的全局及局部图像；采用卷积神经网络的烟叶成熟度状态识别模型，获取烟叶全局图像及所述烟叶的局部图像的成熟度状态，对烟叶成熟度状态进行判断。本发明专利技术通过对烟叶烘烤图像的多次分析，基于卷积神经网络模型实现自动化的烟叶成熟度状态识别，能大幅度提升烟叶烘烤质量，减少烟叶烘烤损失。减少烟叶烘烤损失。减少烟叶烘烤损失。

【技术实现步骤摘要】
一种基于图像分析烟叶成熟度状态概率计算方法


[0001]本专利技术申请为申请日2021年2月24日，申请号为：202110205039.7，名称为“一种基于图像分析的烟叶成熟度状态识别方法及装置”的专利技术专利申请的分案申请。
[0002]本专利技术涉及烟叶烘烤
，更具体地，涉及一种基于图像分析的烟叶成熟度状态识别方法及装置。

技术介绍

[0003]图像分析技术是人工智能的一个重要领域。简单来说，图像分析就是利用计算机对图像进行分析处理，以识别各种不同模式下的对像的技术。近几年，随着人工智能的发展和普及，尤其是深度学习相关技术的广泛研究和发展，图像分析技术也步入了一个新的阶段，图像识别的主要方法由以往的融合机器学习的简单分析处理，逐渐向融合深度神经网络为主的智能化分析方法转变。
[0004]在烟叶烘烤过程中，烘烤环境的温度和湿度的相关变化都会对烟叶烘烤质量造成影响，因此，烟叶烘烤中需要对烟叶成熟度进行跟踪观察和检测，并适时调整温度和湿度等相关因素，以避免对烟叶的烘烤质量造成损失。目前，针对烟叶成熟度的识别检测，主要是烟草相关单位专门组织人员培训烟叶烘烤师，烟叶烘烤师通过对整个烘烤进程进行人工观察和检测，并手动调整烘烤阶段参数和烘烤曲线。然而烘烤过程中烟叶的成熟度变化并不完全统一，人工识别检测主要依赖肉眼观察和主观判断，各个烟叶烘烤师对烟叶成熟度的判断也存在差别，这些不定因素最后多会在一定程度上影响烟叶烘烤质量，造成比较大的烘烤损耗。因此，可以使用对烘烤烟叶的图像采集观察，进而对烟叶成熟度进行图像分析处理，智能识别烘烤进程中各阶段的烟叶成熟度，并利用分析结果自动调整烘烤阶段参数和烘烤曲线。这样的智能识别方法，即避免了人工识别和调整出现的不稳定因素，又通过自动化调整节省了相关人力资源。

技术实现思路

[0005]本专利技术提出一种基于图像分析的烟叶成熟度状态识别方法及装置，以解决上述烟叶烘烤成熟度识别过程中识别精度低、成本高等问题。因此，本专利技术采用以下技术方案。
[0006]第一方面，本专利技术提供一种基于图像分析的烟叶成熟度状态识别方法，包括以下步骤：
[0007]S1：在烟叶烘烤过程中，以预设周期采集烟叶烤房的原始数据，所述原始数据包括烘烤图像、烟叶烤房干球和湿球温度、烟叶烘烤时长；
[0008]S2：依据烘烤曲线，根据所述烟叶烤房干球和湿球温度及所述烟叶烘烤时长判断所述烟叶烤房的烟叶成熟度状态，得到烟叶成熟度初级判断结果；
[0009]S3：对所述烘烤图像预处理，提取所述烘烤图像中烟叶全局图像，得到烟叶全局图像；
[0010]S4：采用全卷积神经网络的分割模型对所述烟叶全局图像进行处理，提取所述烟
叶全局图像中烟叶的局部图像；
[0011]S5：根据所述烟叶成熟度初级判断结果确定判断烟叶成熟度需要分析的图像，所述图像包括烟叶全局图像及烟叶的局部图像；
[0012]S6：采用卷积神经网络的烟叶成熟度状态识别模型，对所述烟叶全局图像及所述烟叶的局部图像进行识别，获取所述烟叶全局图像及所述烟叶的局部图像的成熟度状态及概率；
[0013]S7：根据所述烟叶全局图像及所述烟叶的局部图像的成熟度状态及概率，输出烟叶成熟度状态、烟叶成熟度状态概率。
[0014]进一步的，所述烟叶成熟度状态包括：变黄初期，变黄前期、变黄中期，变黄后期、定色前期、定色中期、定色后期，干筋前期、干筋中期、干筋后期。
[0015]进一步的，所述步骤S3具体步骤包括：
[0016]S31：读取所述烘烤图像；
[0017]S32：将所述烘烤图像的RGB色彩空间转换为HSV色彩空间，并采用H通道图像作为分割图像完成二值化分割，得到二值化分割图像；
[0018]S33：将所述二值化分割图像与所述烘烤图像进行对应，对所述二值化分割图像中烟叶区域的前景图像预处理以增强烟叶区域细节描述；
[0019]所述前景图像预处理具体为：
[0020][0021]其中I(i,j)为截取烟叶RGB图像中的一个像素点，minI(i,j)是为(i,j)坐标点处像素的RGB三通道最小值，N为每一行的像素数目，M为每一列的像素数目，I(i,j)像素点的每个通道都减去RGB三通道中的最小值。
[0022]S34：在经过所述步骤S33处理的图像中，截取烟叶区域的图像，得到烟叶全局图像。
[0023]进一步的，所述烟叶的局部图像包括：叶耳局部图像、主脉局部图像、支脉局部图像、叶尖局部图像。
[0024]进一步的，获得所述步骤S4中所述分割模型的具体步骤为：
[0025]第一步、通过摄像头采集烟叶图像，作为所述烟叶分割训练样本集；
[0026]第二步、所述烟叶分割训练样本集图像标注及预处理；
[0027]第三步、训练模型卷积神经网络建立；
[0028]第四步、采用上一步所述卷积神经网络对所述标注及预处理后的烟叶分割训练样本集进行迭代训练，得到所述分割模型。
[0029]进一步的，所述图像标注是将背景非烟叶各部位像素点进行数值化0的基础上，采用四个不同的数值对烟叶的叶耳局部图像、主脉局部图像、支脉局部图像、叶尖局部图像中的像素点，进行统一的数值化描述，最后形成分割模型卷积神经网络训练需要分割的Ground
‑
Truth图像。
[0030]进一步的，训练模型的卷积神经网络构建步骤为：
[0031](1)烟叶分割训练样本集图像输入训练模型卷积神经网络，通过第一个卷积组模块进行卷积运算，得到比输入烟叶图像分辨率降低4倍的卷积特征图像；
[0032](2)通过第二个卷积组模块分辨率再次降低4倍，并对该层特征图像进行不同尺度
的平均池化运算形成特征图像；
[0033](3)通过单次卷积对池化后的各个特征图像进行卷积运算，获取不同尺度的上下文特征图像；
[0034](4)通过通道注意力模块对上下文特征图像组进行通道加权选择，并通过一次卷积运算模块对加权后的上下文特征图像组进行5倍的通道压缩，形成最后的上下文特征图像；
[0035](5)将第一次卷积组模块输出的具有空间描述信息的空间特征图像和通道压缩后的上下文特征图像进行融合，并采用空间和通道注意力模块进行通道和空间选择，形成具有上下文描述和空间描述的特征图像，并再次通过图像上采样输出和输入图像尺寸相同的分割掩码图像。
[0036]进一步的，在所述步骤S5中：
[0037]对于所述变黄初期，变黄前期、变黄中期，主要分析叶尖局部图像和烟叶整体区域的变化，将所述叶尖局部图像、烟叶全局图像作为判断烟叶成熟度需要分析的图像；
[0038]对于所述定色前期，主要分析支脉部位和烟叶整体区域的变化，将所述支脉局部图像、烟叶全局图像作为作为判断烟叶成熟度需要分析的图像；
[0039]对于所述定色中期、定色后期，主要分析主脉部位和烟叶整体区域的变化，将所述主脉局部图像、烟叶全局图像作为作为判断烟叶成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像分析烟叶成熟度状态概率计算方法，其特征在于，所述方法包括以下步骤：S1：在烟叶烘烤过程中，以预设周期采集烟叶烤房的原始数据，所述原始数据包括烘烤图像、烟叶烤房干球和湿球温度、烟叶烘烤时长；S2：依据烘烤曲线，根据所述烟叶烤房干球和湿球温度及所述烟叶烘烤时长判断所述烟叶烤房的烟叶成熟度状态，得到烟叶成熟度初级判断结果，所述烟叶成熟度状态包括：变黄初期，变黄前期、变黄中期，变黄后期、定色前期、定色中期、定色后期，干筋前期、干筋中期、干筋后期；S3：对所述烘烤图像预处理，提取所述烘烤图像中烟叶全局图像，得到烟叶全局图像；S4：采用全卷积神经网络的分割模型对所述烟叶全局图像进行处理，提取所述烟叶全局图像中烟叶的局部图像，所述烟叶的局部图像包括：叶耳局部图像、主脉局部图像、支脉局部图像、叶尖局部图像；获得所述分割模型的具体步骤为：第一步、通过摄像头采集烟叶图像，作为所述烟叶分割训练样本集；第二步、所述烟叶分割训练样本集图像标注及预处理，所述图像标注是将背景非烟叶各部位像素点进行数值化0的基础上，采用四个不同的数值对烟叶的叶耳局部图像、主脉局部图像、支脉局部图像、叶尖局部图像中的像素点，进行统一的数值化描述，最后形成分割模型卷积神经网络训练需要分割的Ground
‑
Truth图像；第三步、训练模型卷积神经网络建立，所述训练模型的卷积神经网络构建步骤为：(1)烟叶分割训练样本集图像输入训练模型卷积神经网络，通过第一个卷积组模块进行卷积运算，得到比输入烟叶图像分辨率降低4倍的卷积特征图像；(2)通过第二个卷积组模块分辨率再次降低4倍，并对所述通过第二个卷积组模块获得的特征图像进行不同尺度的平均池化运算形成特征图像；(3)通过单次卷积对上一步池化后形成的特征图像进行卷积运算，获取不同尺度的上下文特征图像，将所述上下文特征图像经过上采样，并通过通道组合形成上下文特征图像组；(4)通过通道注意力模块对所述上下文特征图像组进行通道加权选择，并通过一次卷积运算模块对加权后的上下文特征图像组进行5倍的通道压缩，形成通道压缩后的上下文特征图像；(5)将第一个卷积组模块输出的具有空间描述信息的空间特征图像和通道压缩后的上下文特征图像进行融合，并采用空间和通道注意力模块进行通道和空间选择，形成具有上下文描述和空间描述的特征图像，并再次通过图像上采样输出和输入图像尺寸相同的分割掩码图像；第四步、采用上一步所述卷积神经网络对所述标注及预处理后的烟叶分割训练样本集进行迭代训练，得到所述分割模型；S5：根据所述烟叶成熟度初级判断结果确定判断烟叶成熟度需要分析的图像，所述图像包括烟叶全局图像及烟叶的局部图像；对于所述变黄初期，变黄前期、变黄中期，主要分析叶尖局部图像和烟叶整体区域的变化，将所述叶尖局部图像、烟叶全局图像作为判断烟叶成熟度需要分析的图像；
对于所述定色前期，主要分析支脉部位和烟叶整体区域的变化，将所述支脉局部图像、烟叶全局图像作为判断烟叶成熟度需要分析的图像；对于所述定色中期、定色后期，主要分析主脉部位和烟叶整体区域的变化，将所述主脉局部图像、烟叶全局图像作为判断烟叶成熟度需要分析的图像；对于所述干筋前期、干筋中期、干筋后期，主要分析叶耳局部图像和烟叶整体区域的变化，将所述叶耳局部图像、烟叶全局图像作为判断烟叶成熟度需要分析的图像；S6：采用卷积神经网络的烟叶成熟度状态识别模型，对所述烟叶全局图像及所述烟叶的局部图像进行识别，获取所述烟叶全局图像及所述烟叶的局部图像的成熟度状态及概率；S7：根据所述烟叶全局图像及所述烟叶的局部图像的成熟度状态及概率，输出烟叶成熟度状态、烟叶成熟度状态概率；所述步骤S7中，根据所述步骤S6所获取的所述烟叶全局图像及所述烟叶的局部图像的成熟度状态一致时，输出两者一致的成熟度状态作为烟叶成熟度状态，输出两者概率的较大者作为烟叶成熟度状态概率；所述步骤S7中，根据步骤S6所获取的所述烟叶全局图像及所述烟叶的局部图像的成熟度状态不一致时，对所述烟叶全局图像及所述烟叶的局部图像的概率进行加权处理，输出加权后的概率最大者对应的成熟度状态作为烟叶成熟度状态，输出加权后的概率最大者对应的概率作为烟叶成熟度状态概率；所述加权处理和判断公式如下：其中，C为最后的烟叶成熟度状态，Cj为烟叶的局部图像的成熟度状态，Cq为烟叶全局图像的成熟度状态，Pj为烟叶的局部图像概率，Pq为烟叶全局图像概率，Wj为烟叶的局部图像概率权重系数，Wq为烟叶全局图像概率权重系数。2.根据权利要求1所述的一种基于图像分析烟叶成熟度状态概率计算方法，其特征在于，所述步骤S3具体步骤包括：S31：读取所述烘烤图像；S32：将所述烘烤图像的RGB色彩空间转换为HSV色彩空间，并采用H通道图像作为分割图像完成二值...

【专利技术属性】
技术研发人员：李继凯，
申请(专利权)人：北京优创新港科技股份有限公司，
类型：发明
国别省市：