基于机器视觉的烟叶自动分级方法

刘东来

基于机器视觉的烟叶自动分级方法

刘东来

（永州职业技术学院湖南永州425000）

文章分析了以机器视觉为基础的烟叶自动分级方法，介绍了烟叶的等级标准和机器视觉分级技术的实现方式，其可以提高烟叶分级效率，简化烟叶分级流程，降低操作成本。通过分析机器视觉技术下的烟叶自动分级方法，不断推进烟叶自动分级技术的完善和研究，提高烟叶分级质量，推动烟叶分级技术的发展。

机器视觉；烟叶分级；自动分级技术；模糊识别方法

随着科技的不断发展，烟草行业也在探索新的生产技术手段以推进生产效率、提高生产质量，机器视觉烟叶自动分级技术应运而生，并广泛应用于烟草企业的生产中。该技术的利用，不仅可以实现烟叶自动分级，而且可以通过机器视觉更高质量地处理烟叶，实现对烟草产品的分级处理。下面对机器视觉的烟叶自动分级方法展开详细的论述。

1 烟叶分级标准

结合烟草行业对烟叶的利用情况，需要在生产过程中对烟叶进行等级划分，确定不同的烟叶利用结果。现阶段主要采用机器视觉的烟叶自动分级技术，通过判断烟叶的外观、形状、颜色等性状标准，来鉴别烟叶的等级。具体而言，确定烟叶的分级标准是结合烤烟生产情况进行区分，通过判断烟叶不同部位颜色的方式，具体确定烟叶等级。通常情况下，可以从烟叶的成熟度、叶片结构的松散度、烟叶油性成分的含量、烟叶的色度等4 个方面进行烟叶的分级。结合机器视觉技术的利用情况，在机器视觉的烟叶自动分级当中，以烟叶的外表特征为基础，通过上述四个分类方面，实现对烟叶细胞排列方式和松散程度的标准划分，详细的松散程度包括了疏松、尚疏松、稍密以及精密4 个程度。

2 机器视觉的烟叶自动分级方法利用过程

结合机器视觉基础下烟叶分级的标准，在烟叶自动分级方法上，通过烟叶图像的采集、图像信息的处理、图像中烟叶外观特征的提取以及烟叶识别分级等4 个步骤，由机器视觉来完成对烟叶自动分级。下面对具体的分级技术利用过程展开详细的论述。

2.1 烟叶图像信息的采集

在机器视觉的烟叶自动分级方法利用过程中，首先需要采集烟叶的图像信息，从而完成对图像中烟叶信息的具体分析和采集。但是，在采集烟叶图像信息的过程中，还包括了烟叶样品的选择与图像采集两个环节（见图1）。

第一，在烟叶样品的选择和收集上，通常是收集同一型号的烤烟，用平整玻璃压平的方式，实现对烟叶样品的隔热、隔光保存；同时，保持每一类样品数量的统一。

第二，在烟叶图像信息的采集操作当中，则是从图像采集设备、人工分级流程、采集方法等方面展开。具体地，基于机器视觉的特殊应用办法，通常需要选用一些CCD图像传感器、数码相机以及扫描仪等设备，更高清、精准采集烟叶的图像信息；在采集过程中，做好对烟叶成像质量的控制，解决并克服各类不利因素的影响，有助于更高效和精准分析图像结果。此后，在人工分级的处理上，则是在白天的自然光照环境下，尽可能保证同样的自然光照，降低外界因素对于烟叶等级以及烟叶颜色等具体信息的影响。机器视觉技术的应用，关键的技术要点是要克服图像采集会受到光照强度等因素的干扰，从而获得质量优秀、稳定的成像。最后，在采集方法上，则是为了最大限度提高图像稳定性和成像效果，通常会对采集的烟叶坚持采集3 次以上的频率，保障图像信息采集的完整性。在采集烟叶图像的过程中，还需要做到外界光线的规避，避免外界光线的介入，提高烟叶图像采集的准确性，便于后期对烟叶的识别和准确分级。

2.2 烟叶图像处理

当机器视觉采集完烟叶的图像之后，就需要对采集的烟叶图像进行后续的处理，规避并降低采集过程中各种因素的不良干扰。通常情况下，影响到机器视觉对烟叶图像信息采集效果的因素包括光照、拍摄位置和角度等，其很容易使采集到的烟叶图像成像质量不稳定，造成机器识别出现困难。因此，对烟叶图像的处理，是当烟叶图像在进入系统之前，通过预处理的方式，提高烟叶图像的清晰度、减少图像的噪点，进而提高烟叶图像被机器识别的概率和分析的成功率。预处理的方法见图2。

图2　烟叶图像预处理方法

2.2.1 噪点消除法

其中，对烟叶图像噪点的消除，通常是利用削弱烟叶图像滤波的形式，减少烟叶图像当中一些边缘区域的高频分量，使烟叶图像变得更加平滑，图像局部的一些灰度起伏也更为稳定，最终达到增强烟叶图像质量的效果。削弱烟叶图像滤波的方法包括领域平均法和中值滤波法等具体办法，可以高质量完成对烟叶图像噪点的消除。

2.2.2 图像二值化

此外，在烟叶图像处理当中，还可以通过二值化烟叶图像的方式，为下一步完成对烟叶图像外观特征的提取奠定基础。对烟叶图像的二值化处理，是通过将图像进行黑白两色特殊灰度表现的方法，先使彩色的烟叶图像变成灰度图像，再转化成为二值图像，达到确定烟叶图像中二值化阈值的效果。以烟叶图像二值化阈值的结果为依据，将烟叶图像中像素比阈值更大的数据作为判断的目标物，将其他小于阈值的因素排除，完成背景化改造。此后，利用直方图识别灰度二值图像中的具体分布，完成烟叶阈值范围的确定。在实践中，最常见的就是对烟叶放置台等多余的成像因素进行排除，以增加机器对烟叶信息的关键识别效果。

2.2.3 图像分割法

对烟叶图像的分割是实现去除烟叶图像背景的重要方法，有助于进一步规避烟叶颜色对烟叶几何特征提取的影响。结合烟叶图像采集和收集的处理流程，烟叶在烤制的过程中，叶片很容易受热而散发水分，使烟叶发生皱缩现象，从而在进行图像采集时会产生一种较真实颜色更暗的颜色，影响到烟叶几何特征参数提取的准确性。与此同时，收集的烟叶也可能存在一些病虫害引起的细微病斑、采摘的机械损伤孔洞等实际情况，使烟叶图像的颜色不够真实。

因此，采取对烟叶图像分割的方法，可以在有效过滤烟叶图像滤波之后，完成前期基础工作。在实践中，常见的图像分割方法包括生长区域分割法、阈值分割法、神经网络分割法、边缘检测法、颜色空间聚类技术以及模糊技术等。但是，这些图像分割方法在利用过程中通常需要较为严格的状态，对分割的对象也要求在鉴别复杂信息之后，详细优化图像分割的具体算法，实现对不同分割方法的综合应用。以阈值分割法为例，其可以与区域生长分割法相结合，在统计图像内每个烟叶像素颜色属性的具体情况下，进一步详细区分烟叶目标的图像与图像拍摄背景，解决图像分割所具有的不连续性问题，实现烟叶提取几何特征。这种对烟叶图像的分割方法，不仅简化了烟叶图像的方式，还可以实现机器对烟叶信息的精准识别，有效降低机器学习的难度，提高分析准确度。

2.3 烟叶几何特征提取

当完成烟叶图像的预处理后，对图像中烟叶的几何特征进行提取，完成对烟叶长度、宽度、面积等信息的具体判断和分析。对图像中烟叶几何特征的提取过程也是机器视觉学习识别的过程，可以参照烟叶分类标准的办法，实现图像几何特征提取与分类标准的匹配[1]。当提取完原始的图像信息之后，对数据库中的原始信息进行分类与识别，以便于在机器识别过程中进行烟叶图像几何特征目标的分类标准化提取。

具体而言，在提取烟叶图像的烟叶长度和宽度等几何特征的过程中，通过对长度和宽度的区分，判断烟叶具体的生长情况、发育情况，从而得出烟叶结构的具体结果。而在提取烟叶颜色特征的过程中，通过对烟叶内部黄色素、绿色素以及红色素等分析，判断烟叶的成熟度以及烤烟当中的物质转化流程。通常情况下，烟叶可能在颜色上呈现出较大的差异，部分烟叶的化学成分在分解过程中会表现出不同的形态，因此，对烟叶颜色特征的提取就需要选择合适的颜色空间模型，如RGB颜色空间模型和LAB颜色空间模型等，实现对烟叶颜色的精准提取。

2.4 烟叶信息模糊识别

烟叶信息的识别与分级是由机器视觉进行自动的模糊识别，达到合理分析被识别烟叶对象的效果。机器视觉的使用可以对难以确定的识别对象进行不同组别的区分，将其划分为同一类，达到精准识别的效果。对烟叶信息的模糊识别方法包括择近原则识别方法、模糊聚类识别方法、最大隶属度原则识别方法。择近原则识别方法是当烟叶识别对象并不是确定元素而作为论域中的一个模糊子集，通过不同模糊子集贴近程度的对比，识别烟叶对象群体。为了提高机器视觉对烟叶图像的识别精准度，通常会采用单个烟叶个体识别的形式，这就导致了择近原则利用存在限制。此外，模糊类聚识别方法是通过将多个抽象的烟叶对象进行类似组合划分的形式，实现聚类。此种识别方法多利用在烟叶对象不确定的情况，可以通过对烟叶的合理分析，在同类对象保持相近特征的情况下，完成对烟叶的属性划分[2]。这种识别方法并不适用于机器视觉下的烟叶自动分级研究。最大隶属度原则识别方法可以作为机器视觉识别烟叶并自动分级的基础，有助于机器基于论域来确定其隶属函数，进而完成烟叶等级的自动识别。

2.5 烟叶自动分级程序

当完成对烟叶图像的模糊识别之后，进入到烟叶识别的分级和自动化图像采集程序，由机器视觉完成烟叶的自动分级。自动分级程序是经过烟叶采集图像简化处理、分级活动信息提取等两个流程完成对烟叶图像的处理和关联信息获取，从而进入到分类环节。机器视觉系统通过识别所提取的各类信息，将其与烟叶等级标准进行逐一对照，并将烟叶图像中的识别对象随之划分为不同级别，将划分结果发送到用户计算机终端中，完成分类结果的发送与储存。与此同时，机器视觉的烟叶自动分级还可以给出一些智能化的烟叶质量参考建议，便于用户在烟叶收购或者出售中予以参考。基于机器视觉的烟叶自动分解方法，其推动了对烟叶等级的智能化识别，实现了多角度、全方位的烟叶识别和等级判断，在推动烟草行业生产效率和生产质量提高的同时，还可以实现烟叶等级判断的高效化和精准化，有利于烟草行业的转型升级和行业改造。

3 总结

探究基于机器视觉的烟叶自动分级方法，是以烟叶等级标准为基础，通过机器视觉条件对烟叶等级的划分和分级方法实现对烟叶质量的智能化、自动化判断，从而为烟叶的利用提供确定的标准信息。利用机器视觉的烟叶自动分级方法，可以确定统一的烟叶等级标准，进而推动我国烟草行业的长远发展。

[1]庄珍珍,祝诗平,孙雪剑,等.基于机器视觉的烟叶自动分组方法[J].西南师范大学学报(自然科学版),2016,41(4):122-129.

[2]赵树弥,张龙,徐大勇,等.机器视觉检测鲜烟叶的分级装置设计[J].中国农学通报,2019,35(16):133-140.

湖南省教育厅科学研究项目（19C1852）

10.3969/j.issn.2095-1205.2020.08.31

TS47

A

2095-1205(2020)08-64-03