基于机器视觉与深度学习的烟叶定级研究

发布时间：2020-10-18 02:05

　　 随着机器视觉技术的发展,图像的获取与识别已经成为研究热点。在烟草行业,烟叶定级技术正在经历从效率低的人工定级到计算机自动定级的转变。本文提出基于机器视觉与深度学习对烟叶定级开展研究,具有一定的理论意义和应用价值。基于机器视觉与深度学习开展烟叶定级研究,图像特征提取及分割至关重要。本文提出改进K-mean算法并与RGB色彩空间球坐标混合距离法相结合,实现对烟叶图像的完整分割;将深度学习应用于烟叶图像的识别,通过优化深度学习算法提高识别准确率和运行速度。主要工作及创新点如下:1、搭建烟叶图像采集系统,采集烟叶图像并对图像进行预处理;通过对比不同滤波方法的优缺点,选择适合的滤波方法去除图像噪声;分析现有烟叶分割方法的不足,提出RGB色彩空间球坐标混合距离法与改进K-means算法,对烟叶图像进行分割,得到了完整的前景信息。2、在预处理的基础上提取烟叶特征参数,利用支持向量机(SVM)模式识别理论和方法,通过实验参数数据并训练网络,搭建了基于SVM网络的烟叶定级模型。计算得出烟叶B3F、C3F、X2F级别的定级识别率,分别为81.67%、90.67%、86.67%。3、通过对比其他机器学习SVM模型,根据烟叶数据库性质优化了卷积神经网络,提出优化烟叶数据库方法,解决过拟合问题;通过使用卷积神经网络训练和测试烟叶图像,实现了对烟叶B3F、C3F、X2F级别的定级,识别率分别提高了11.66%、1.67%、10.00%。
【学位单位】：昆明理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TS42;TP391.41;TP18
【部分图文】：

昆明理工大学硕士论文8白平衡：自动，预设（日光，钨丝灯，白色荧光灯，闪光灯）在实时拍摄时，将相机垂直固定在箱体的上方。2.2烟叶图像采集按照我国的烤烟标准，依据颜色和部位可以将烟叶分成8个主组和5个副组，又依据烟叶的成熟度、烟叶结构、身份、油分、长度、色度、残伤将烟叶分成42个等级[26]。本文选择了生长于上部、中部和下部的烟叶进行研究，选择B2F、C3F、X3F作为本文的研究对象，定级中主要依靠烟叶外观特征。表2-1品质规定组别烟叶等级成熟度叶片结构身份油分色度长度（cm）残伤（%）上部BB2F成熟尚疏松稍厚有强4020中部CC3F成熟疏松中等有中3525下部XX3F成熟疏松薄稍有弱3030本文研究的烟叶样品均来自云南玉溪，收集时间为2017年7月，均为K型烤烟。每个烟叶样品都是人为平整化处理过的，并且专家分拣定级，保存3组、1000个烟叶样品。通过搭建好的采集系统拍摄780张高清烟叶图像，挑选540张合格的烟叶图像作为本文实验使用，烟叶图像级别和数量分配如表2-2。图2.2采集图像时用的相机

昆明理工大学硕士论文9表2-2烟叶样品级别和数量烟叶等级学习个数测试样本个数B2F12060C3F12060X3F12060在烟叶采集过程中，我们保持载物台、相机、焦距等相对位置不变，烟叶在载物台上，尽可能模拟工业化生产环境，图像大小设置为1500×700，存储格式为bmp。采集的烟叶如图2.3所示：2.3烟叶图像的滤波处理在采集图像时一般会捕获噪声，比如拍摄环境的光照变化、相机传感原件质量、灰尘等的影响。如果噪声比低于相应的水平就会变成颗粒形状，导致图像质量下降。噪声的影响除了视觉上的感受不好，还会遮盖图像的细节信息，所以必须采取相应的滤波降噪处理来保证图像的品质，还原图像的部分有用信息，增强图像的可靠性。2.3.1均值滤波一般情况下，我们认为图像的局部是连续的，相邻区域之间的像素是比较接近的。均值滤波是在相应的模板上取算术均值或几何均值，用相近领域的均值代替原像素值，同时减少了图像的尖锐变化[27]。假设g(x,y)为要处理的图像，模板大小为×，经过模板平均处理后的图像为(x,y)，即(,)1(,)(,)xystsfxygstmn（2.3.1）(a)采集的原始图像(b)采集的原始图像(c)采集的原始图像图2.3采集的烟叶图像

昆明理工大学硕士论文10几何均值滤波器复原图像时，表达式为：1(,)(,)(,)xymnstsfxygst（2.3.2）拟谐波均值滤波器的表达式为：1(,)(,)(,)(,)(,)xyxyQstsQstsgstfxygst（2.3.3）式中，Q为滤波器的阶数，Q的正负取值影响着对椒噪声和盐噪声的滤除。在进行滤波时，为了更明了的表现不同滤波方法的优缺点和滤波效果，我们给图像加入椒盐噪声，噪声密度为0.01。下图a表示原始灰度图像，b为加入椒盐噪声污染的灰度图像。从图2.4中的c图和d图可以看到均值滤波本身存在着固有的缺陷，烟叶图像的边缘一般变化梯度比较大，经过在受到线性平滑滤波器的均值平滑处理后边缘相比原图明显变得模糊，而且5×5模板也比3×3模板的边缘更模糊，可以看出线性滤波是将噪声平摊到周围的像素上，模板越大模糊越强，它不能很好地保护图像边缘及细节，在图像均值化的同时也破坏了图像的细节部分，使得图像变得（a）灰度化后的原始图像（b）加入椒盐噪声的图像（c）3×3模板的均值滤波（d）5×5模板的均值滤波图2.4通过均值滤波对图像处理
【相似文献】

相关期刊论文 前10条

1 盖小雷;;浅谈提高罚没烟叶利用率的途径[J];科技与创新;2019年23期

2 罗云;陈晓伟;陈斌;罗宏鸣;郭绍坤;徐兴阳;;原烟储存中烟垛内部温度与烟叶霉变的关系研究[J];昆明学院学报;2019年06期

3 屈玉娇;李集勤;陈泽鹏;文志强;梁俊芬;曹阳;李淑玲;陈俊标;;广东省烟叶生产现状与发展对策[J];广东农业科学;2019年11期

4 王学海;潘首慧;;推进精益烟叶生产的措施初探[J];南方农业;2018年30期

5 何国兴;林建委;杨学良;;再造烟叶松散回潮过程吸水性的研究[J];科技创新与应用;2019年03期

6 杨惠娟;;河南洛阳启动“国际有机烟叶开发生产项目”[J];中国烟草学报;2019年03期

7 贺鹏霖;时永楠;王耀斌;刘莉;高强;王滨;张伟娜;徐蕊;王玉洁;崔云;张超;徐海荣;王希玲;武汉玉;杨少胜;宗国华;;一种烟叶定级台设备的研制[J];农业开发与装备;2019年06期

8 王灿;;源头活水润金叶——全省商业系统烟叶线实施“全员素质提升年”活动综述[J];湖南烟草;2019年02期

9 龚鹏飞;;延安烟区基层烟叶收购管理工作的思考[J];农业与技术;2017年24期

10 高昕;金立权;刘元德;李新峰;高庆磊;韩硕;吴迪;;烟叶全面预检体系建立与应用[J];农业开发与装备;2018年02期

相关博士学位论文 前10条

1 周喜新;经济相对发达烟区烟叶生产可持续发展实证研究[D];湖南农业大学;2011年

2 邱晔;造纸法再造烟叶产品研究与相关检测技术开发[D];昆明理工大学;2013年

3 葛少林;造纸法再造烟叶热解过程与烟气组分调控技术研究[D];中国科学技术大学;2014年

4 米其利;晒黄烟调制期烟叶微生物多样性和功能菌株在烟叶调制中的应用[D];云南大学;2017年

5 高志强;中国烟草种植替代预案研究[D];湖南农业大学;2010年

6 李洪勋;贵州山地不同微地形烟地环境特征及其对烤烟农艺、生理和品质性状的影响[D];西南大学;2016年

7 宗浩;云南大理特色优质烤烟品质差异化及区划研究[D];中国农业科学院;2012年

8 饶国华;利用低次烟叶蛋白制备生物活性肽及烟用香精的研究[D];华南理工大学;2006年

9 邓阳春;遵义烤烟营养特性及其产量、品质研究[D];西南大学;2010年

10 林顺顺;基于风格特征剖析的上部烟叶降低烟碱提质研究[D];江南大学;2016年

相关硕士学位论文 前10条

1 贾炳文;基于机器视觉与深度学习的烟叶定级研究[D];昆明理工大学;2019年

2 何厚龙;废烟叶水提液醇化过程中微生物多样性分析以及功能微生物的筛选鉴定和特性研究[D];浙江工业大学;2015年

3 鲁柯佚;上部烟叶一次性采收及烘烤技术研究[D];湖南农业大学;2016年

4 胡润岭;不同采收方式对新宁县烟区上部烟叶可用性影响[D];湖南农业大学;2015年

5 赖长龙;烟叶表面视觉检测技术与应用研究[D];贵州大学;2016年

6 潘东彪;烟叶自动分拣关键技术研究及设计[D];贵州大学;2016年

7 齐翼飞;柳河县烟叶产业发展问题研究[D];吉林大学;2016年

8 陈秀斋;临沂市烟叶产业化发展对策研究[D];中国海洋大学;2015年

9 杨超飞;基地单元背景下烟叶家庭农场适度规模研究[D];河南农业大学;2015年

10 吴小林;湖北烟叶产业发展研究[D];武汉轻工大学;2015年

本文编号：2845635