基于二進(jìn)制粒子群的煙葉圖像特征篩選和分級方法研究.pdf

1、煙葉的分級直接影響著煙葉的經(jīng)濟(jì)價(jià)值和卷煙的質(zhì)量。在我國現(xiàn)行的煙葉分級標(biāo)準(zhǔn)中對煙葉等級的判斷缺乏具體的量化標(biāo)準(zhǔn)，實(shí)際收購過程中依靠人工進(jìn)行識別，其正確分級率受到主觀因素的影響。因此智能分級方法的研究是很必要的。本文提取煙葉透射圖像中所有可能影響煙葉分級的視覺特征;為減少特征間的相關(guān)性以及提高分級速度，分別使用RBF神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SVM)和Adaboost聯(lián)合二進(jìn)制粒子群對這些煙葉特征進(jìn)行自適應(yīng)選擇;并分別建立RBF、SVM和Ada

2、boost分級模型。實(shí)驗(yàn)證明煙葉特征的有效選擇不僅提高了煙葉智能識別的效率（速度快）而且提高了分類器的識別率。具體研究工作如下:
　　1.煙葉圖像采集、預(yù)處理及特征提取。搭建專門的煙葉圖像獲取系統(tǒng)，獲取煙葉透射圖像提取特征;首先對圖像進(jìn)行濾波去噪，邊緣提取，背景分割，小面積去除等預(yù)處理，然后提取8個(gè)幾何、12個(gè)顏色、4個(gè)紋理和15個(gè)脈絡(luò)共39個(gè)特征。
　　2.分級模型建立。分別建立RBF神經(jīng)網(wǎng)絡(luò)、SVM和Adaboost三種

3、分類器對13個(gè)等級的462片煙葉進(jìn)行分級。學(xué)習(xí)樣本和測試樣本的正確識別率分別為:RBF為89.6％、85.5％;SVM為89.3％、86.6％;Adaboost為96.3％、93.2％。
　　3.煙葉特征選擇及分級。分別利用RBF、SVM神經(jīng)網(wǎng)絡(luò)和Adaboost聯(lián)合二進(jìn)制粒子群算法對煙葉圖像特征進(jìn)行自適應(yīng)選擇;通過多次的迭代選擇，最優(yōu)特征數(shù)目分別為16，21和21個(gè)。利用這三組特征分別建立RBF神經(jīng)網(wǎng)絡(luò)、SVM和Adaboost