基于图像采集装置的在线烟叶的正反面的识别方法与流程

技术特征：

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

$p\left(s\right)=\frac{Area\left(G\right(i,j)==0)}{m\×n}$

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

$p\left(b\right)=\frac{count(\mathrm{Im}==0)}{m\×n}$

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t_h的贡献率为m为提取的PCA(PLS)成分数；n为分析样本的个数；

$T_{hi}^2=\frac{t_{hi}^2}{(n-1)s_h^2}$

$\stackrel{\·}{\·\·}{T}_i^2=\frac{1}{n-1}\underset{h=1}{\overset{m}{\Σ}}\frac{t_{hi}^2}{s_h^2},$

可以证明，

$\frac{n^2(n-m)}{m(n^2-1)}{T}_i^2~F(m,n-m)$

所以当在校正模型里面光谱的主成分贡献率满足：

$T_i^2\≥\frac{m(n^2-1)}{n^2(n-m)}{F}_{0.05}(m,n-m)$

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。