基于HSV 颜色空间的烟叶烘烤阶段判别模型研究*

汪伯军 ， 郭保银 ， 黄富饶 ， 赵 虎 ， 冯 川

（1.中国烟草总公司重庆市公司烟叶分公司，重庆 400023；2.西南大学工程技术学院，重庆 400716）

0 引言

烟叶在烘烤时所处阶段的判别对于提升烤烟品质具有重要意义。但目前烘烤师对于密集烤房内烟叶的变黄和干燥程度的判断，主要依据眼睛看和手触摸，极易受主观经验的影响。因此，实现烟叶烘烤阶段自动判别，减少人为影响，提高判别准确率，是目前烟叶烘烤领域的研究重点[1]。

近年来，随着人工智能的崛起，机器视觉技术在农业领域应用越来越广泛。在烟叶烘烤阶段中，陈飞程等[2]建立了对烟叶含水率进行预测的BP 神经网络模型，得到的预测决定系数R2为0.998 7；吴娟[3]基于图像特征建立GA-SVM 模型对烤房内烤烟的烘烤阶段进行判定，总体识别精度为96.5%；李增盛等[4]利用由相关性分析得出的特征集测试了GA-SVM、PSOBP 和ELM 三种模型并进行了比较，它们的准确率分别是93.27%、89.35%和85.05%，最终发现基于遗传算法的SVM 模型识别效果更加优秀。总体来讲，对于烟叶烘烤阶段的判别主要还是依据颜色信息[2-5]。

目前的机器视觉技术虽然在实验中准确率较高，但是烤房设备算力有限，部分设备难以部署神经网络，另外在嵌入式设备中进行机器学习的程序框架还不成熟，以上种种问题导致算法易于研究却难以落地[5]。所以，对于烟叶烘烤阶段判断这一特定问题，采用基于传统计算机图形学的方式进行解决，就可以消除机器学习庞大的算力需求带来的负担，达到节约运算成本的目的[2-5]。

1 材料与方法

1.1 实验材料

烟叶采烤一体项目实验于2022 年烘烤季在涪陵、黔江、奉节等地进行，烤烟品种为云烟87。为了有效地采集烘烤全过程的图像，整个烘烤操作皆由专业的烘烤师负责，在烤房中层设置温湿度传感器，保证烘烤工艺符合行业标准。在烤房出风墙正对烟叶30 cm的位置安装配备标准光源的图像采集设备，调整摄像头的角度和高度，每隔30 min在线实时采集烘烤过程中的烟叶图像，并将图像上传至服务器，图像采集设备装置如图1 所示。采集得到的图像数据样本类型为*.JPEG，分辨率为3 840×2 160。图像样本如图2 所示，图2（a）是鲜烟叶，图2（b）是烘烤后的成品烟叶。

图1 图像采集装置

图2 图像样本

1.2 烤烟烘烤阶段分级标准

按照国家现行标准烟叶烘烤“三段六步式”工艺，将整个烘烤过程分为10 个阶段，除鲜烟期定义为第一阶段，其他分别为变黄期、定色期和干筋期，根据温度和卷边特性，各设3 个阶段[6-7]。因此，图像样本总分10 类，分别为Stage1 至Stage10。具体分类情况如表1 所示。

表1 烤烟烘烤阶段分级划分

1.3 数据预处理

烤烟图像受背景、光照等不可抗力因素影响产生噪声，且烘烤过程中烤烟的颜色和形状差异导致图像质量发生变化，所以需对采集的图像进行改善处理，增强烤烟图像的有效信息，提高图像的辨识度[8]。

1.3.1 图片有效信息裁剪

烤烟图像的背景去除能有效地降低图像的噪声，增强图像辨识度。首先，根据图像的梯度直方图将其均衡化，然后将图像裁剪为100×100 的图块，再提取每一个图块的HSV 三通道值，根据阈值筛选出具有有效信息的图块，同时删除无效的背景图块，最后得到去除背景后的完整烤烟彩色图像，用于阶段分级识别[9]。烤烟图像背景去除过程如图3所示。

图3 烤烟图像背景去除

1.3.2 数据增强

为了增强烟叶等级识别模型的鲁棒性，避免过拟合，提高泛化能力，首先要对烟叶图像数据进行增强处理。图像数据增强方式包含但不限于镜像、平移、旋转、缩放、增加亮度等，本文选择的方式是水平镜像和垂直镜像[10]。

图像的水平镜像操作是将图像的左右部分根据中轴线进行镜像对换。设点P0(x0,y0)经过镜像对换后得到P(x,y)，此时图像高度为fH，宽度为fW，则原图像P0(x0,y0)经过水平镜像后的坐标将变为(fW-x0,y0)，经过垂直镜像后的坐标将变为(x0,fH-y0)，代表式分别为[10]：

为了方便算法编写，把它转换为矩阵表达式：

镜像后结果如图4所示。

图4 数据镜像

1.4 基于HSV的特征提取器

HSV 是根据颜色的直观特性创建的一种颜色空间，它表示着颜色的色调（H）、饱和度（S）和亮度（V）。可以通过RGB 颜色空间的参数换算得到HSV参数值[10-11]，具体算法步骤如下。

1）输入：烘烤阶段基于RGB 颜色空间的图像f(x,y)|RGB样本集。

2）过程：

①获取图像集像素点三通道值Rx,y,Gx,y,Bx,y；

③取最大值和最小值，Max=max(R'x,y,G'x,y,B'x,y),Min=min(R'x,y,G'x,y,B'x,y)，计算Δ=Max-Min；

④计算通道V数值：

⑤计算通道S 数值：

⑥计算通道H数值：

3）输出：转换为HSV颜色空间的图像f(x,y)|HSV。

2 实验与结果

2.1 特征提取与分类模型

基于HSV 颜色空间的特征提取总共有三步。第一步是对图像使用均衡化处理，然后裁剪并剔除背景较多的图块，筛选出有效信息最多的图块；第二步是对已筛选好的图块{1,2,3,...,i-1,i}进行HSV 三通道值提取，得到i项（h1s1v1,h2s2v2,h3s3v3,...,hi-1si-1vi-1,hisivi）通道值，然后对这i张图块根据相同通道求其均值得到h、s、v；第三步是使用阈值筛选的方法将提取出来的通道值分解出10个类别，对应10 个阶段的图像：

当满足h≥26且60≤s﹤80时，输出结果为阶段1；

当满足26≤h﹤30且80≤s﹤90时，输出结果为阶段2；

当满足24≤h﹤26时，输出结果为阶段3；

当满足22≤h﹤24时，输出结果为阶段4；

当满足20≤h﹤22时，输出结果为阶段5；

当满足18≤h﹤20时，输出结果为阶段6；

当满足16≤h﹤18且s≥72时，输出结果为阶段7；

当满足16≤h﹤18且s﹤72时，输出结果为阶段8；

当满足14≤h﹤16且s≥53时，输出结果为阶段9；

当满足14≤h﹤16且s﹤53时，输出结果为阶段10。

特征提取与分类如图5 所示。

图5 特征提取与分类

2.2 结果

采用本文2.1 节所描述的基于HSV 颜色空间的特征提取算法，每个阶段的验证效果对比如表2所示。

表2 模型效果验证

由表2 可知，阶段3 和阶段4 达到了非常理想的效果，验证准确率达到了100%，而阶段5 因属于变黄期与定色期交接部分，相对而言区分度不高，区分难度较大。各阶段验证错误率对比情况，如图6所示。

图6 各阶段验证情况对比

由表2 和图6 可知，模型整体表现比较好，整体准确率达到了90.64%，符合行业判断标准。

验证曲线和实际曲线的拟合效果如图7 所示。图7 中展示了烘烤时的工艺曲线，可以从中清晰地了解到整体烘烤阶段识别效果，图像不仅展示了验证曲线和实际曲线的拟合效果，还表现出了各个阶段的拟合水平。由图7 可知，在第5 阶段波动比较大，从实际情况看，是因为此时烤房温度处于44 ℃左右，属于变黄期完—定色期始，此时烟叶气孔基本打开，烤房内部处于大排湿状态，温度变化不明显，颜色变化小[12-14]；在第9 阶段波动也比较明显，从实际情况看，是因为此时烤房温度处于60 ℃以上，烟夹内外叶片全干，主脉干燥1/3~1/2，主脉干燥难度大，图像变化不明显[12-14]。但整体上，从烘烤工艺曲线的表现来看，拟合度达90%以上。

图7 验证曲线和实际曲线的拟合效果

3 结论

本文提出了基于HSV 颜色空间的特征提取算法，用于烟叶烘烤阶段的识别，最终整体准确率达到90.64%，阶段3 和阶段4 更是达到了100%。研究表明，将图像处理技术应用于烟叶烘烤阶段的识别，对判断烘烤进程、指导烘烤参数（温湿度、火力、升温稳温时间等）调节、提高烘烤品质、减少物料浪费和烘烤成本具有实际意义。本研究为后续绕过深度学习等大算力算法但能提高实际应用效果方面的研究提供了方向。