一种鲜烟叶素质识别方法技术

本发明专利技术涉及一种鲜烟叶素质识别方法，属于鲜烟叶素质识别领域，利用校正后的烟叶数据构建卷积神经网络模型，对卷积神经网络模型进行训练，利用训练好的卷积神经网络模型对待识别的鲜烟叶的烟叶素进行识别。利用卷积神经网络捕捉烟叶图像数据中的叶片颜色、纹理和局部斑点等特征，根据提取的特征来识别烟叶的成熟度、发育程度、含水率和烟叶部位。利用卷积神经网络能够更加准确地识别烟叶的素质，利用本发明专利技术的识别方法，不再需要人为识别，节省了人力且提高了效率。且提高了效率。且提高了效率。

【技术实现步骤摘要】
一种鲜烟叶素质识别方法


[0001]本专利技术涉及一种鲜烟叶素质识别方法，属于鲜烟叶素质识别领域。

技术介绍

[0002]在我国劳动力日益短缺背景下，烟草农业的可持续发展面临重大挑战。随着科技发展，如何实现烟草种植过程的智能化，成为解决劳动力短缺的重要途径。在烟草种植中，采收后鲜烟叶素质分类是烟草采收过程中高耗工环节，该环节也是决定如何选取后期烟叶调制手段的重要阶段。
[0003]因为品种、田间管理、地方水平的差异，烟叶采收期所呈现的成熟度并不一致。不同成熟水平的鲜烟叶进入烤房后在同一烘烤工艺下烘烤，导致烤后烟叶质量差异显著。为了提高烘烤质量，在鲜烟叶时候，需要对鲜烟叶素质进行识别，以规避烟农在鲜烟叶分类时候的主观性影响。
[0004]目前常用的成熟度识别主要依赖于烟农经验，根据采收烟叶的外观特征进行烟叶素质识别，由于烟叶素质特征复杂，现阶段人口形势下降，经验丰富的烟农稀缺，又缺乏简易、高效的识别工具。申请公布号CN109470700A的中国专利文件通过研究鲜烟叶切片，测量鲜烟叶栅栏组织比海绵组织的比值、栅栏组织细胞间隙度等参数对比识别鲜烟叶成熟程度。但目前的方法中存在操作复杂、数据采集不规范性等问题，从而出现鲜烟叶素质识别过程中效率和精度不高的问题。

技术实现思路

[0005]本专利技术的目的是提供一种鲜烟叶素质识别方法，用以解决鲜烟叶素质识别过程中效率和精度不高的问题。
[0006]为实现上述目的，本专利技术的方案包括：
[0007]本专利技术的一种鲜烟叶素质识别方法，包括如下步骤：
[0008]1)获取包含有鲜烟叶和比色卡的图像数据；
[0009]2)通过比色板中标准的RGB数据和比色卡的图像数据对获取的鲜烟叶的图像数据进行校正；
[0010]3)构建卷积神经网络模型，利用校正后的鲜烟叶的图像数据对卷积神经网络模型进行训练；
[0011]4)将待识别的鲜烟叶的图像数据通过步骤2)进行校正后，输入至训练完成的卷积神经网络模型，得到待识别的鲜烟叶的烟叶素质，所述烟叶素质至少包括烟叶成熟度、烟叶发育程度、烟叶含水率和烟叶部位中的其中一个。
[0012]上述技术方案的有益效果为：本专利技术提供一种鲜烟叶素质识别方法，利用校正后的烟叶数据构建卷积神经网络模型，对卷积神经网络模型进行训练，利用训练好的卷积神经网络模型对待识别的鲜烟叶的烟叶素进行识别。利用卷积神经网络捕捉烟叶图像数据中的叶片颜色、纹理和局部斑点等特征，根据提取的特征来识别烟叶的成熟度、发育程度、含
水率和烟叶部位。利用卷积神经网络能够更加准确地识别烟叶的素质，利用本专利技术的识别方法，不再需要人为识别，节省了人力且提高了烟叶素质识别的效率和准确性。
[0013]进一步地，还包括对鲜烟叶的长度、宽度和面积的计算，具体包括如下步骤：
[0014]A.提取鲜烟叶的图像数据中的烟叶形状数据；
[0015]B.鲜烟叶的图像数据中还包含参照物的形状数据，提取参照物的形状数据，根据图像数据中的参照物的形状数据和参照物的实际形状尺寸计算得到鲜烟叶的长度、宽度和面积。
[0016]上述技术方案的有益效果为：根据图像数据中的参照物的形状数据和参照物的实际形状尺寸能够快速、便捷地计算出鲜烟叶的长度、宽度和面积，进而能够全面反映鲜烟叶的烟叶素质。
[0017]进一步地，所述卷积神经网络模型为MobileNets。
[0018]进一步地，卷积神经网络模型进行训练的过程中，首先对输入卷积神经网络模型中的图像数据进行预训练；最后再对卷积神经网络模型进行全局训练。
[0019]上述技术方案的有益效果为：对卷积神经网络模型进行预训练之后再进行全局训练，能够明显提高模型收敛速度和训练准确率，进而提高了计算速度和识别精度。
[0020]进一步地，卷积神经网络模型进行训练的过程中采用十折交叉验证方法进行训练准确率的验证。
[0021]进一步地，卷积神经网络模型中利用的损失函数为交叉熵损失函数。
[0022]进一步地，所述步骤A中，提取鲜烟叶中心区域的HSV值，以鲜烟叶中心区域的HSV值为基准，保留所述HSV值的上限设定值和下限设定值范围内的图像数据为鲜烟叶的烟叶形状数据。
[0023]上述技术方案的有益效果为：利用HSV的上限设定值和下限设定值能够快速计算出烟叶的具体形状，提高计算速度。
[0024]进一步地，所述步骤B中，利用边缘检测算法和轮廓识别算法提取出参照物的形状数据。
[0025]进一步地，所述步骤B中的参照物为比色卡。
附图说明
[0026]图1是本专利技术鲜烟叶素质识别方法的流程图；
[0027]图2是鲜烟叶原始图片1；
[0028]图3是鲜烟叶原始图片1校正后的鲜烟叶图片；
[0029]图4是鲜烟叶原始图片2；
[0030]图5是鲜烟叶原始图片2校正后的鲜烟叶图片；
[0031]图6是鲜烟叶长宽和面积测量图片；
[0032]图7是鲜烟叶成熟度原始图片；
[0033]图8是利用本专利技术成熟度识别后的图片；
[0034]图9是腰叶部位鲜烟叶成熟度原始图片；
[0035]图10是利用本专利技术成熟度识别后腰叶部位鲜烟叶成熟度的图片；
[0036]图11是下部位鲜烟叶成熟度原始图片；
[0037]图12是利用本专利技术成熟度识别后下部位鲜烟叶成熟度的图片。
具体实施方式
[0038]下面结合附图对本专利技术做进一步详细地说明。
[0039]实施例：
[0040]本专利技术提供一种鲜烟叶素质识别方法，鲜烟叶素质包括烟叶的成熟度、烟叶发育程度的强弱、烟叶含水率和烟叶部位。本实施例详细阐述鲜烟叶成熟度的识别过程，烟叶发育程度的强弱、烟叶含水率和烟叶部位的识别方法与烟叶成熟度的识别方法相类似。
[0041]鲜烟叶成熟度识别方法如图1所示，具体包括如下步骤：
[0042]1)获取图像数据。
[0043]在图像数据采集过程中，通过烟叶公司的专业人员将鲜烟叶成熟度分为三种成熟度：成熟、过熟和欠熟。分别拍摄三种成熟度的鲜烟叶图像，并对拍摄的鲜烟叶图像标记出所拍摄的鲜烟叶的成熟度特征。将拍摄的鲜烟叶图像数据和对应标记的特征上传至数据库。为了后续模型的训练精度，每种成熟度的鲜烟叶图像都有一定的数量要求，并且为了避免其他色彩的干扰，将鲜烟叶放在黑色背景下进行拍摄。
[0044]在拍摄鲜烟叶图像生成图像数据的过程中，为了方便后续鲜烟叶图像的校正，该图像数据还包括比色卡的图像数据。即将比色卡和鲜烟叶一起放到黑色背景下进行拍摄，拍摄到的图像如图2所示。
[0045]2)对图像数据进行校正。
[0046]获取标准比色卡官方标准的RGB数值，将官方标准的RGB数值与比色卡的图像数据对应像素点的RGB值进行比对，得到CCM(颜色校正矩阵)。利用得到的颜色校正矩阵对鲜烟叶图像数据中的各像素点进行转换，即可得到RGB校正后的鲜本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种鲜烟叶素质识别方法，其特征在于，包括如下步骤：1)获取包含有鲜烟叶和比色卡的图像数据；2)通过比色卡中标准的RGB数据和比色卡的图像数据对获取的鲜烟叶的图像数据进行校正；3)构建卷积神经网络模型，利用校正后的鲜烟叶的图像数据对卷积神经网络模型进行训练；4)将待识别的鲜烟叶的图像数据通过步骤2)进行校正后，输入至训练完成的卷积神经网络模型，得到待识别的鲜烟叶的烟叶素质，所述烟叶素质至少包括烟叶成熟度、烟叶发育程度、烟叶含水率和烟叶部位中的其中一个。2.根据权利要求1所述的鲜烟叶素质识别方法，其特征在于，还包括对鲜烟叶的长度、宽度和面积的计算，具体包括如下步骤：A.提取鲜烟叶的图像数据中的烟叶形状数据；B.鲜烟叶的图像数据中还包含参照物的形状数据，提取参照物的形状数据，根据图像数据中的参照物的形状数据和参照物的实际形状尺寸计算得到鲜烟叶的长度、宽度和面积。3.根据权利要求1所述的鲜烟叶素质识别方法，其特征在于，所述卷积神经网络模型为MobileNets...

【专利技术属性】
技术研发人员：过伟民，李俊营，王爱国，张艳玲，阎海涛，徐嫱，常栋，张富生，张迪，
申请(专利权)人：河南省烟草公司平顶山市公司，
类型：发明
国别省市：