亚星游戏官网-www.yaxin868.com

专利名称：利用光谱和图像特征进行烟叶分级的方法
技术领域：
本发明涉及ー种对烟叶进行分组(分部位)、分色和分级的方法。
背景技术：
由于烟叶中C-H，N-H和O-H等含氢基团对红外光有吸收，所以烟叶红外吸收光谱含有与烟草化学成分相关联的信息。近年来，不少科研工作者利用红外和近红外光谱对烟叶进行理化分析、化学成分的定性定量研究及识别。很多文献运用光谱分析法测定烟草化学成分，其中河南农业大学，靳志伟老师发表的《畑叶的光谱特征及品质检测技术研究》中讨论了不同地区、不同级别烟叶在可见光区域的量化吸收特征以及各吸收特征与烟叶地域性、畑叶部位之间的关系。研究表明烟叶的光谱吸收特征与烟叶产地和部位之间的确存在着相关性。还有些文献则利用红外和近红外光谱对烤烟烟叶产地、部位及对烤烟叶片成熟度进行识别研究，但还未见利用光谱对烟叶分级识别的具体研究。以上文献在获取烟叶光谱时，大多将烟叶粉碎成粉末，然后压制成薄片作为样本。显然，这种破坏烟叶的方法不适合用于烟叶收购时的等级分类。目前，我国的烟叶分级还处于专业人员眼观手摸的人工分级阶段，并依靠经验和分级标准进行分级，具有一定的主观性和模糊性，且费时费カ。对于烟叶智能分级，大多数研究集中在运用计算机视觉技术与色度学理论进行探索和尝试，主要研究包括利用烟叶图像的颜色、形状及纹理等特征进行分级或分组识別。这些特征很难包含烟叶的内部结构，与烟叶等级紧密相关的油分和成熟度等特征也难以从图像中提取出来。此外，基于图像特征的烟叶分级在对烟叶图像提取众多特征时计算量比较大，无法满足实时的要求。农机化研究中发表的《基于径向基网络的烟叶光谱分级》中，仅仅提出了利用光谱技术对烟叶分级进行检测，这种方法只基于光谱特征的分析，故不能包含畑叶形状特征，也很难准确显示烟叶破损度和叶片结构等与烟叶等级密切相关的特征，因此限制了正确进行烟叶等级分类的精度。

发明内容
本发明的目的是提供ー种利用光谱分析和图像处理双技木，并联合人工神经网络对烟叶进行智能化、无损分组、分色和分级的方法。为实现上述目的，本发明采用以下技术方案本发明包括以下步骤①实时获取待测烟叶的图像信息和光谱信息；②分别对获取的图像信息和光谱信息进行预处理并提取图像特征和光谱特征，然后分别对图像特征和光谱特征进行归一化处理，进而分别对归一化后的图像特征和光谱特征进行自适应提取有用特征；③对有用图像特征和光谱特征进行融合；
④对融合后的特征进行分组、分色和分级。
在所述的步骤①中，利用CXD或数码相机进行图像信息采集，利用近红外光谱仪进行光谱信息采集。在所述的步骤②中，对图像信息的预处理包括去除图像噪声和压缩图像信息；图像信息预处理方法包括边缘增强、小波分析、主成份分析、独立成分分析、形态学中的ー种或几种；所述的图像特征包括几何特征、颜色特征和内在特征中的ー种或几种；对图像特征进行归ー化处理是指将所有图像特征值限制在0 1或-1 1之间；对图像特征提取有用特征是指利用自适应删减方法或自适应删减和人工神经网络联合方法对特征进行自适应筛选，依据分组、分色和分级结果从已提取的特征中筛选与分组、分色和分级密切相关的特征。在所述的步骤②中，对光谱信息的预处理包括消除基线漂移、去除光谱噪声和压缩光谱信息；光谱信息预处理方法包括减最小值、减平均值、差分输入、小波分析、主成份分折、独立成分分析、ー阶微分处理、ニ阶微分处理、中值滤波和自适应删减算法的任意ー种方法或几种方法的組合；对光谱特征进行归一化处理是指将所有光谱特征值限制在0 1 或-1 1之间；对光谱特征提取有用特征是指利用自适应删减或自适应删减和人工神经网络联合方法，依据分组、分色和分级结果从光谱特征中筛选与分组、分色和分级密切的相关特征。在所述的步骤③中，采用人工神经网络方法或距离最近方法进行图像特征和光谱特征的融合。在所述的步骤③中，采取硬件方法进行特征融合；所述的硬件方法包括ー个光源设备，所述光源设备中的光源波长为自适应提取光谱特征所提取的最有用波长，这个光源不仅仅用于采集光谱信息而且用于图像采集，及将图像和光谱的光源合并；或者在所述的光源设备中利用白光作为图像采集光源和可见光光谱光源，而发热多的红外只作为光谱光源，利用不同的光电转换器件获取图像和光谱信息；所述光源设备中的图像和光谱信息采集为同时采集，或者为级联采集。在所述的步骤④中，利用人工神经网络、遗传算法、最近距离算法、聚类算法、粗集算法等中的ー种或几种对融合后的特征进行分组、分色和分级。在所述的步骤④之前，先采用人エ神经网络对融合后的特征进行删减，然后再对融合后的特征进行分组、分色和分级。采用上述技术方案的本发明，能做大限度的做到无损分级、能准确的划分烟叶等级，确保收购的各方利益不受损失。1、分析数据确定用于烟叶智能等级分类的光谱类型(吸收谱、反射谱等)、光谱范围；确定能够正确分级、分色、分部位的光谱的最大分辨间隔。同时分析图像数据，以获得图像特征。此两种数据可独力同时获取，与只采用两种的任ー种分析方法所用时间相同，能最大限度的节省时间和提高分级速度。2、数据预处理通过研究提取图像、特征光谱的预处理方法，对两类数据分别提出 ー种最有效的预处理方法。拟采用的方法有采用减最小值、减平均值、差分输入、小波分析、 主成份分析、独立成分分析、ー阶微分处理、ニ阶微分处理、中值滤波、边缘增强、小波分析、 主成份分析、独立成分分析、形态学和自适应删减算法等预处理方法以及他们的各种改进方法，利用ー种或几种联合对光谱和图像数据进行预处理。
3、提出基于特征光谱和图像特征的烟叶智能分级的算法和模型。算法模型要致力于提高分组分色分级速度和正确识别率(吻合率)。4、采用或部分采用神经网络的方法，以提高系统的推广泛化能力。


图1为本发明的原理框图。图2为本发明中某一 C2L等级烟叶的原始红外光谱图。图3为图2所对应的一次压缩光谱图。图4为图3所对应的二次压缩光谱图。图5为图4所对应的三次压缩光谱图。图6为本发明中的支持向量机网络图。
具体实施例方式实施例1本实施例中，光谱、图像联合人工神经网络进行烟叶分级的方法，包括以下步骤①实时获取待测烟叶的图像信息和光谱信息。本实施例中利用图像采集卡和CCD 或数码相机完成图像信息采集，存储于计算机，上述的图像信息指的是CCD或数码相机采集的烟叶图像，烟叶为整片烟叶；且采集的烟叶图像既可以同时利用烟叶的透射和反射两种图像，或者也可以仅利用透射图像。需要指出的是，本实施例中可以利用图像采集卡的ニ 次开发功能，实时控制采集的图像信息并存储于计算机，便于实时识别分组(分部位)、分色和分级和再次学习。并且，本实施例中利用现有的近红外光谱仪进行光谱信息采集，其采集范围可以为320-3200nm或其中任意部分，另外也可參考现有光度分光计或光谱仪结构， 并改进现有光度计样品室不宜固定烟叶样品、比较小等缺点。②分别对获取的图像信息和光谱信息进行预处理并提取图像特征和光谱特征，然后分别对图像特征和光谱特征进行归一化处理。其中，对图像信息的预处理可以由软件或者根据采用的方法设计硬件完成，图像预处理包括去除图像噪声和压缩图像信息；采用的方法有边缘增强、小波分析、主成份分析、形态学或傅里叶变换中的任意ー种方法或几种方法的組合。需要说明的是，上述边缘增强、小波分析、主成份分析、形态学和傅里叶变换均为本领域普通技术人员所熟知的技木，在图像处理时，可仅仅采用ー种方法，也可以采用多种方法的組合。如可把图像中的噪声看做随机白噪声，就可以认为噪声表现高频，因此可以通过傅立叶变换FFT将信号从时域变换到频域，在频域中滤去高频部分，再做逆变换，从而
去掉噪声；假设函数为f(t)，则其傅里叶变换公式
权利要求
1.一种利用光谱和图像特征进行烟叶分级的方法，其特征在于，它包括以下步骤①实时获取待测烟叶的图像信息和光谱信息；②分别对获取的图像信息和光谱信息进行预处理并提取图像特征和光谱特征，然后分别对图像特征和光谱特征进行归一化处理，进而分别对归一化后的图像特征和光谱特征进行自适应提取有用特征；③对有用图像特征和光谱特征进行融合；④对融合后的特征进行分组、分色和分级。
2.根据权利要求1所述的利用光谱和图像特征进行烟叶分级的方法，其特征在于在所述的步骤①中，利用CCD或数码相机进行图像信息采集，利用近红外光谱仪进行光谱信息米集。
3.根据权利要求1所述的利用光谱和图像特征进行烟叶分级的方法，其特征在于在所述的步骤②中，对图像信息的预处理包括去除图像噪声和压缩图像信息；图像信息预处理方法包括边缘增强、小波分析、主成份分析、独立成分分析、形态学中的一种或几种；所述的图像特征包括几何特征、颜色特征和内在特征中的一种或几种；对图像特征进行归一化处理是指将所有图像特征值限制在0 1或-1 1之间；对图像特征提取有用特征是指 利用自适应删减方法或自适应删减和人工神经网络联合方法对特征进行自适应筛选，依据分组、分色和分级结果从已提取的特征中筛选与分组、分色和分级密切相关的特征。
4.根据权利要求1所述的利用光谱和图像特征进行烟叶分级的方法，其特征在于在所述的步骤②中，对光谱信息的预处理包括消除基线漂移、去除光谱噪声和压缩光谱信息； 光谱信息预处理方法包括减最小值、减平均值、差分输入、小波分析、主成份分析、独立成分分析、一阶微分处理、二阶微分处理、中值滤波和自适应删减算法的任意一种方法或几种方法的组合；对光谱特征进行归一化处理是指将所有光谱特征值限制在0 1或-1 1之间；对光谱特征提取有用特征是指利用自适应删减或自适应删减和人工神经网络联合方法，依据分组、分色和分级结果从光谱特征中筛选与分组、分色和分级密切的相关特征。
5.根据权利要求1所述的利用光谱和图像特征进行烟叶分级的方法，其特征在于在所述的步骤③中，采用人工神经网络方法或距离最近方法进行图像特征和光谱特征的融合。
6.根据权利要求1所述的利用光谱和图像特征进行烟叶分级的方法，其特征在于在所述的步骤③中，采取硬件方法进行特征融合；所述的硬件方法包括一个光源设备，所述光源设备中的光源波长为自适应提取光谱特征所提取的最有用波长，这个光源不仅仅用于采集光谱信息而且用于图像采集，及将图像和光谱的光源合并；或者在所述的光源设备中利用白光作为图像采集光源和可见光光谱光源，而发热多的红外只作为光谱光源，利用不同的光电转换器件获取图像和光谱信息；所述光源设备中的图像和光谱信息采集为同时采集，或者为级联采集。
7.根据权利要求1所述的利用光谱和图像特征进行烟叶分级的方法，其特征在于在所述的步骤④中，利用人工神经网络、遗传算法、最近距离算法、聚类算法、粗集算法等中的一种或几种对融合后的特征进行分组、分色和分级。
8.根据权利要求7所述的利用光谱和图像特征进行烟叶分级的方法，其特征在于在所述的步骤④之前，先采用人工神经网络对融合后的特征进行删减，然后再对融合后的特征进行分组、分色和分级。
全文摘要
一种利用光谱和图像特征进行烟叶分级方法，它包括以下步骤①实时获取待测烟叶的图像信息和光谱信息；②分别对获取的图像信息和光谱信息进行预处理并提取图像特征和光谱特征，然后分别对图像特征和光谱特征进行归一化处理，进而分别对归一化后的图像特征和光谱特征进行自适应提取有用特征；③对有用图像特征和光谱特征进行融合；④对融合后的特征进行分组、分色和分级。采用上述技术方案的本发明，能做大限度的做到无损分级、能准确的划分烟叶等级，确保收购的各方利益不受损失。
文档编号G01N21/27GK102590211SQ20111000417
公开日2012年7月18日 申请日期2011年1月11日 优先权日2011年1月11日
发明者刘剑君, 刘润杰, 张乐明, 彭丹青, 申金媛 申请人:郑州大学