1.一种基于图像采集装置的在线烟叶的正反面的识别方法,其特征在于,包括以下步骤:
步骤A、在原烟挑选线获取原烟烟叶的扫描图像,对扫描图像进行滤波处理;然后对图像进行灰度处理得到灰度矩阵G;人工测量烟梗在实际烟叶的面积占比;该面积比为记为PG;并统计获得原料样本的烟叶正反面比例;
步骤B、对灰度矩阵G选取一定的阈值;对阈值的分别进行二值化矩阵,矩阵的像素为m×n;分别计算在上述阈值下的二值化矩阵
其中Area(G(i,j)==0)表征的是灰度矩阵在s阈值上,G(i,j)=0的图像像素点数,根据人工测量的烟梗在实际烟叶的面积占比PG,选取p(s)=PG的阈值s作为图像的二值化阈值;
步骤C、根据原料样本的原料样本烟梗的面积比例确定烟梗二值化阈值,计算烟梗的面积比例p(b);
在生产线上取待测量的烟叶样本图像,待测图片进行中值滤波,根据阈值s来对滤波后的图像进行二值化操作,得到二值化矩阵Im;计算烟梗的面积占比为;Im中为0的元素个数除以(m*n);定义待测烟叶样本中烟梗的比例为p(b),则
步骤D、将烟叶样本图像,分别提取图像的RGB的颜色空间,把烟叶颜色空间转化为HSV孟塞尔空间,其中rgb转换成hsv采用 rgb2hsv函数,根据HSV的颜色均值空间分布;建立烟叶HSV颜色异常分析模型,保留正常样本图像;
步骤E、将正常样本图像进行滤波;
步骤F、根据原料样本的烟叶正反面比例确定烟叶正反二值化阈值,根据烟叶正反二值化阈值,根据二值化矩阵得到每个格子区域图像的连通关系;并计算每个格子的图像中烟叶连通区域的面积。计算烟叶正面的面积比例p1(a);
步骤G、计算烟叶反面所占的比例pp=p1(a)/(1-p(b))。
2.如权利要求1所述的基于相机的在线烟叶的正反面的识别方法,其特征在于:
步骤D中,HSV颜色异常模型的识别方法为最小行列式判别法(MCD)、半重数采样法(RHM)、马氏距离判别法(MD)、蒙特卡洛偏最小二乘二维残差分析法(PLSMCCV)中的任意一种。
3.如权利要求1所述的基于相机的在线烟叶的正反面的识别方法,其特征在于:
步骤D中,HSV颜色异常模型的识别方法具有以下步骤:
定义校正模型中第i个样本点对第h个成分th的贡献率为m为提取的PCA(PLS)成分数;n为分析样本的个数;
可以证明,
所以当在校正模型里面光谱的主成分贡献率满足:
则认为样本点异常。
4.如权利要求3所述的基于相机的在线烟叶的正反面的识别方法,其特征在于:
当m=2时,在二维平面上就形成了一个椭圆;置信椭圆内的样本为正常样本;置信椭圆外的样本为异常样本。
5.如权利要求1所述的基于相机的在线烟叶的正反面的识别方法,其特征在于:所述滤波为中值滤波或者标准偏差滤波。
6.如权利要求5所述的基于相机的在线烟叶的正反面的识别方法,其特征在于:
其中,对获取的图像数据进行标准差滤波,在计算图像的局部颜色标准差时,在对输入图像I执行标准差滤波时,设置参数为指定邻域的s维单位矩阵,s为奇数的自然数。
7.如权利要求1所述的基于相机的在线烟叶的正反面的识别方法,其特征在于:
二值化阈值的方法:从0至255,每隔a进行一个间隔,1≥a>0,建立一个烟叶二值化集合;从中选取与颜料样本烟梗的面积差异最小 的所对应的阈值为图像分析样本的二值化阈值;将进行初步锁定的烟梗区域分别进行原始图像的色度连通聚类;计算每块联通区域的面积与曲率。
8.如权利要求7所述的基于相机的在线烟叶的正反面的识别方法,其特征在于:
其中,所述曲率的计算方法为椭圆曲率的计算方法,可以用长度/宽度来近似逼近。
9.如权利要求7所述的基于相机的在线烟叶的正反面的识别方法,其特征在于:
其中,所述差异的表征方法为绝对误差或者相对误差。