基于機器視覺的煙草異物檢測和煙葉分類分級方法研究.pdf

1、機器視覺技術為煙草工業(yè)加工的自動化提供了一種可行方式。煙草異物檢測技術和煙葉自動分級技術受到了廣大研究人員的關注，并對其進行了一定的研究。針對現(xiàn)有方法檢測精度和分級正確率較低的問題，研究更為有效的煙草異物檢測方法和煙葉分級方法，具有重要的理論意義和實用價值。本文具體研究了煙草異物檢測、煙葉圖像去噪、正副組煙葉分類、正組煙葉分級等煙草圖像處理方法，主要工作如下：
　　首先，提出了一種基于非局部相似性交叉熵的含噪圖像閾值分割算法，并將

2、其直接應用于含噪煙草圖像的異物檢測。該算法根據(jù)含噪圖像的灰度級自適應計算閾值向量組，并依次使用其中的閾值向量對含噪圖像進行閾值分割；利用分割前后每個像素點的8鄰域向量與閾值向量的非局部相似性，分別表示含噪圖像分割前和分割后的概率分布；依據(jù)交叉熵準則選取最優(yōu)閾值向量，對含噪圖像進行分割以檢測煙草異物。經(jīng)過大量實驗，與多種基于信息量的閾值分割算法相比，所提出算法表現(xiàn)出明顯的抗噪優(yōu)勢，且對噪聲的魯棒性強，適用于檢測與煙草灰度差別較大的異物。<

3、br>　　然后，研究了一種基于改進灰度熵的雙向遞推閾值分割算法，并將其應用于預處理后的煙草圖像以檢測異物。該改進灰度熵針對一維和二維直方圖，分別給出了相應的圖像概率分布表示方法，并計算此概率分布下不同閾值時的圖像Tsallis熵；利用雙向遞推算法加快其運算速度；選取Tsallis熵最大時的閾值來分割圖像，實現(xiàn)異物檢測。實驗結果表明，與基于分解、基于遞推、基于優(yōu)化等5種二維灰度熵閾值分割算法相比，所研究算法可更好地表示類內灰度一致性，異物

4、檢測結果更加準確。
　　其次，提出了一種基于引導核聚類和自適應搜索窗的非局部均值圖像去噪算法，并將其應用于煙葉圖像去噪。該算法使用基于引導核的模糊C均值聚類算法對相似窗進行預篩選，劃分其類別；根據(jù)相似窗的類別計算每個像素點對應的搜索窗大小，以保證相似性較高的相似窗數(shù)量；分別對每一類進行自適應搜索窗的非局部均值圖像去噪。經(jīng)過大量煙葉圖像去噪實驗，與基于Zernike矩、基于主鄰域字典、基于均值方差預篩選等3種非局部均值改進算法相比，

5、所提出算法對于強噪聲污染或不規(guī)則紋理的煙葉圖像，去噪效果更為有效，并更好地保持了煙葉的紋理和邊緣。
　　再次，實現(xiàn)了一種基于多特征和小波支持向量機的正副組煙葉分類算法。在煙葉圖像的HSV空間中定義了含青率、烤紅率兩個顏色特征，使用Gabor小波提取煙葉的紋理特征；將這些特征進行歸一化處理后，輸入小波支持向量機進行訓練，并利用訓練好的小波支持向量機對煙葉圖像進行分類。實驗結果表明，與基于模糊推理、基于反向傳播神經(jīng)網(wǎng)絡、基于支持向量機

6、等3種正副組煙葉分類算法相比，此算法更好地實現(xiàn)了煙葉分類，正組煙葉與副組煙葉的誤分更少，分類正確率高。
　　最后，探索了一種基于卷積神經(jīng)網(wǎng)絡和顏色識別的正組煙葉分級算法。將彩色煙葉圖像灰度化后，直接輸入卷積神經(jīng)網(wǎng)絡進行正組煙葉部位識別；同時，將彩色煙葉圖像由RGB空間轉化至HSV空間，在H通道中定義紅色、橘色、黃色對應的閾值區(qū)間，并統(tǒng)計這3種顏色的比例分布，實現(xiàn)同一部位正組煙葉的顏色識別。實驗結果表明，與基于模糊推理、基于廣義回歸