專利名稱：基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法
技術(shù)領(lǐng)域：
本發(fā)明屬于煙草技術(shù)領(lǐng)域，涉及一種測(cè)定煙葉葉面積質(zhì)量的方法，特別是涉及一種基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法。
背景技術(shù)：
煙葉葉面積質(zhì)量是煙葉物理特征的重要指標(biāo)之一，該指標(biāo)的測(cè)定對(duì)于煙葉質(zhì)量評(píng)價(jià)有較高參考價(jià)值，并且是原料成本核算、卷煙質(zhì)量控制以及加工工藝選擇的重要參考。目前，測(cè)定煙葉葉面積質(zhì)量的方法通常是葉面積質(zhì)量法(質(zhì)量法)，即通過(guò)已知面積的打孔器在平鋪煙葉上，通過(guò)人工選取的方式在非葉梗區(qū)域(葉梗區(qū)域不在煙葉葉面積及質(zhì)量的計(jì)算范圍內(nèi))選擇六個(gè)打孔區(qū)域，之后放入烘箱中干燥兩小時(shí)，取出放入干燥皿中冷卻，稱量其重量，通過(guò)質(zhì)量與面積的比，進(jìn)而求得煙葉葉面積質(zhì)量。該方法的缺點(diǎn)是:主觀性較強(qiáng)、效率低下、測(cè)量結(jié)果誤差較大。此外，中國(guó)發(fā)明專利CN101393101A (200810230653.3)涉及的《采用近紅外光譜測(cè)定煙葉葉面密度的方法》，對(duì)于上述傳統(tǒng)的依賴人工打孔的煙葉葉面積質(zhì)量測(cè)定提出了改進(jìn)，通過(guò)六點(diǎn)法(固定地選取主梗兩側(cè)各三個(gè)點(diǎn))進(jìn)行近紅外密度檢測(cè)。該方法的主要改進(jìn)之處在于對(duì)傳統(tǒng)方法中的干燥、冷卻、稱重過(guò)程的簡(jiǎn)化，使得檢測(cè)時(shí)間縮短。但該方法仍然采用了點(diǎn)取樣估算總體平均密度的方式，因此無(wú)法真正意義上描述整張煙葉的平均密度；由于取樣數(shù)量的減少，甚至一定程度上較原有方法的六點(diǎn)抽樣，在估算總體密度時(shí)存在一定的劣勢(shì)。此外，該方法雖然對(duì)于樣品制作的要求降低，但近紅外檢測(cè)設(shè)備昂貴且對(duì)操作人員及檢測(cè)環(huán)境要求較高，進(jìn)而增加了該方法的經(jīng)濟(jì)成本。上述兩種方法都采用了隨機(jī)取樣的方式，通過(guò)計(jì)算取樣點(diǎn)的密度估算煙葉總體的密度，在一定程度上為煙葉葉面積質(zhì)量測(cè)定工作帶來(lái)不確定性。因此，急需一種能夠高效、快速、準(zhǔn)確測(cè)定煙葉葉面積質(zhì)量的方法。

發(fā)明內(nèi)容
鑒于以上所述現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明的目的在于提供一種基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法，用于解決現(xiàn)有技術(shù)無(wú)法高效、快速、準(zhǔn)確測(cè)定煙葉葉面積質(zhì)量的問(wèn)題。為實(shí)現(xiàn)上述目的及其他相關(guān)目的，本發(fā)明提供一種基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法。所述煙葉葉面積質(zhì)量測(cè)定方法包括:SI，采集煙葉圖像，即通過(guò)煙草及其加工制品的圖像數(shù)據(jù)獲取裝置完成煙葉圖像的米集；S2，通過(guò)智能圖像處理提取煙葉圖像；即通過(guò)智能圖像處理獲取的煙葉圖像的光線，識(shí)別獲取煙葉圖像的煙葉輪廓，并采用煙葉圖像的聚類(lèi)分析獲得煙葉主梗區(qū)域和葉片區(qū)域的面積信息，計(jì)算煙葉的實(shí)際面積；S3，利用圖像法二元線性模型估計(jì)煙葉面積質(zhì)量，即利用煙葉總質(zhì)量作為因變量，煙葉主梗區(qū)域面積和葉片區(qū)域面積作為自變量，建立關(guān)于主梗密度參數(shù)和葉片密度參數(shù)的二元線性模型進(jìn)行密度參數(shù)的估計(jì)。優(yōu)選地，所述煙草及其加工制品的圖像數(shù)據(jù)獲取裝置包括:透明吸附板，用于吸附固定待拍攝的煙葉；物料照明光源，用于照射固定待拍攝的煙葉；吸氣設(shè)備，用于將煙葉吸附在所述透明吸附板上；圖像采集設(shè)備，用于獲取煙葉圖像數(shù)據(jù)，并將煙葉圖像數(shù)據(jù)傳輸出去；

計(jì)算機(jī)，用于保存輸入的煙葉圖像數(shù)據(jù)并對(duì)其進(jìn)行后續(xù)處理。優(yōu)選地,所述步驟S2包括:S21，處理光線，將采集到的煙葉圖像的背景變成均勻的50%灰度，采用線性插值算法修正每幅圖像的亮度；S22，識(shí)別獲取煙葉圖像的煙葉輪廓；即通過(guò)采用圖像外輪廓識(shí)別算法提取煙葉的外圍輪廓；S23，聚類(lèi)分析煙葉圖像，獲取煙葉主梗區(qū)域和葉片區(qū)域；S24，計(jì)算煙葉實(shí)際面積，獲取煙葉主梗區(qū)域和葉片區(qū)域的面積信息。優(yōu)選地，所述圖像外輪廓識(shí)別算法包括:基于小波變換的圖像輪廓識(shí)別算法、基于robert因子的圖像輪廓識(shí)別算法、基于Iaplace算子的圖像輪廓識(shí)別、以及基于高斯濾波的輪廓識(shí)別算法。優(yōu)選地,所述聚類(lèi)分析包括K-means聚類(lèi)、FCM聚類(lèi)和凝集聚類(lèi)。優(yōu)選地，所述二元線性模型為:
Ytotal.weight ^ 0+ P peduncleXpeduncle+ P IeafXleaf+ ^，其中
Ytotal.weight是煙葉總質(zhì)量；β。為截距；P peduncle為主梗區(qū)域密度參數(shù)Apeduncle是主梗區(qū)域面積；P leaf為葉片區(qū)域密度參數(shù)；Xleaf是葉片區(qū)域面積；ε為隨機(jī)誤差。如上所述，本發(fā)明所述的基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法，具有以下有益效果:1、本發(fā)明對(duì)煙葉圖像實(shí)現(xiàn)了高效、準(zhǔn)確、批量化的處理分析；2、本發(fā)明不涉及復(fù)雜硬件儀器，實(shí)現(xiàn)了更為客觀、準(zhǔn)確地?zé)熑~面積質(zhì)量測(cè)定；3、本發(fā)明不依賴于人工操作。


圖1顯示為本發(fā)明的基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法的方法流程圖。圖2顯示為本發(fā)明的基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法中完成步驟Si的煙草及其加工制品的圖像數(shù)據(jù)獲取裝置的結(jié)構(gòu)圖。圖3顯示為本發(fā)明的基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法中步驟S2的流程圖。圖4顯示為本發(fā)明的基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法中步驟S3的流程圖元件標(biāo)號(hào)說(shuō)明I透明吸附板
2物料照明光源3吸氣設(shè)備4圖像采集設(shè)備5計(jì)算機(jī)11透氣孔12坐標(biāo)尺S1 S3步驟
具體實(shí)施例方式以下通過(guò)特定的具體實(shí)例說(shuō)明本發(fā)明的實(shí)施方式，本領(lǐng)域技術(shù)人員可由本說(shuō)明書(shū)所揭露的內(nèi)容輕易地了解本發(fā)明的其他優(yōu)點(diǎn)與功效。本發(fā)明還可以通過(guò)另外不同的具體實(shí)施方式
加以實(shí)施或應(yīng)用，本說(shuō)明書(shū)中的各項(xiàng)細(xì)節(jié)也可以基于不同觀點(diǎn)與應(yīng)用，在沒(méi)有背離本發(fā)明的精神下進(jìn)行各種修飾或改變。請(qǐng)參閱附圖。需要說(shuō)明的是，本實(shí)施例中所提供的圖示僅以示意方式說(shuō)明本發(fā)明的基本構(gòu)想，遂圖式中僅顯示與本發(fā)明中有關(guān)的組件而非按照實(shí)際實(shí)施時(shí)的組件數(shù)目、形狀及尺寸繪制，其實(shí)際實(shí)施時(shí)各組件的型態(tài)、數(shù)量及比例可為一種隨意的改變，且其組件布局型態(tài)也可能更為復(fù)雜。下面結(jié)合實(shí)施例和附圖對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。本實(shí)施例通過(guò)對(duì)取20種不同地區(qū)不同等級(jí)的煙葉，每種對(duì)同一批次的煙葉隨機(jī)選取20張煙葉，采用基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法處理，該測(cè)定方法首先，采集隨機(jī)選取的20張煙葉的圖像；隨后，通過(guò)智能圖像處理系統(tǒng)對(duì)采集到的煙葉的圖像進(jìn)行處理獲得主梗區(qū)域和葉片區(qū)域的面積信息；接著，稱重隨機(jī)選取的20張煙葉的總質(zhì)量，獲得20張煙葉的主梗面積、葉片面積及煙葉總質(zhì)量；最后，將20張煙葉的煙葉總質(zhì)量與煙葉主梗面積和葉片面積輸入到二元線性模型進(jìn)行密度參數(shù)的描述與估計(jì)。具體基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法，如圖1所示，包括:SI，采集煙葉圖像；即通過(guò)(但不限于)一種煙草及其加工制品的圖像數(shù)據(jù)獲取裝置完成煙葉圖像的采集，所述圖像數(shù)據(jù)獲取裝置，如圖2所示，包括:透明吸附板1，其用于吸附固定待拍攝的物料，即煙葉。所述透明吸附板I上具有均勻分布的透氣孔11，背面設(shè)有坐標(biāo)尺12。物料照明光源2，用于照射固定待拍攝的物料，多個(gè)物料照明光源2對(duì)稱分布在所述透明吸附板I的左側(cè)、右側(cè)、和下方，所述物料照明光源2可從多個(gè)角度調(diào)節(jié)。吸氣設(shè)備3，用于將物料，即煙葉吸附在所述透明吸附板上，其與所述透氣吸附板I相連。圖像采集設(shè)備4，用于獲取煙葉圖像數(shù)據(jù)，并將煙葉圖像數(shù)據(jù)傳輸至計(jì)算機(jī)5，以及，計(jì)算機(jī)5，用于保存輸入的煙葉圖像數(shù)據(jù)并對(duì)其進(jìn)行后續(xù)處理。當(dāng)需要對(duì)煙葉拍照時(shí)，將煙葉平鋪于所述透明吸附板I上，所述吸氣設(shè)備3會(huì)將煙葉吸附在所述透明吸附板I上進(jìn)行拍照，并將圖像采集設(shè)備4放置在所述透明吸附板I上方，如果打開(kāi)所述透明吸附板I下方的多個(gè)物料照明光源2，這樣可以拍出煙葉背面的脈絡(luò)，通過(guò)所述圖像采集設(shè)備4獲取煙葉圖像數(shù)據(jù)，并將獲取到的煙葉圖像數(shù)據(jù)傳輸至計(jì)算機(jī)5，以便保存和進(jìn)行后續(xù)處理。所述透明吸附板I上設(shè)有坐標(biāo)尺12是為了更好的獲取煙葉圖像數(shù)據(jù)，使形成的圖像上具有對(duì)比刻度。并且進(jìn)一步為了提高煙葉圖像的質(zhì)量，多個(gè)物料照明光源2可采用可調(diào)光線強(qiáng)度的高亮度白色LED光源。如果不具備以上設(shè)備，那么將煙葉平鋪在白色或透明的平板上，在平板垂直上方50厘米處架設(shè)圖像采集設(shè)備，保證光源穩(wěn)定且圖像采集設(shè)備焦距溫度。通過(guò)所述圖像數(shù)據(jù)獲取裝置采集到符合標(biāo)準(zhǔn)的圖像后，接著執(zhí)行步驟S2。S2，通過(guò)智能圖像處理提取煙葉圖像；即通過(guò)智能圖像處理獲取的煙葉圖像的光線，識(shí)別獲取煙葉圖像的煙葉輪廓，并采用煙葉圖像的聚類(lèi)分析獲得煙葉主耿區(qū)域和葉片區(qū)域的面積信息，計(jì)算煙葉的實(shí)際面積。如圖3所示，該步驟具體包括:S21，處理光線，將采集到的煙葉圖像的背景變成均勻的50%灰度，采用線性插值算法修正每幅圖像的亮度，以便每幅圖像在相同的尺度下進(jìn)行比較。S22，識(shí)別獲取煙葉圖像的煙葉輪廓；即通過(guò)采用圖像外輪廓識(shí)別算法提取煙葉的外圍輪廓，并獲得中間處理對(duì)象，即不包括背景白板區(qū)域的煙葉區(qū)域。其中，所述圖像外輪廓識(shí)別算法包括但不限于:基于小波變換的圖像輪廓識(shí)別算法、基于robert (羅伯特)因子的圖像輪廓識(shí)別算法、基于Iaplace (拉普拉斯)算子的圖像輪廓識(shí)別、以及基于高斯濾波的輪廓識(shí)別算法。S23，聚類(lèi)分析煙葉圖像，獲取煙葉主梗區(qū)域和葉片區(qū)域。由于煙葉的主梗區(qū)域和葉片區(qū)域在顏色上有明顯的區(qū)分，這樣便可以通過(guò)聚類(lèi)分析算法應(yīng)用于圖像顏色值，即紅綠藍(lán)三色體系，所述聚類(lèi)分析算法將聚類(lèi)目標(biāo)為煙葉的主梗區(qū)域和葉片區(qū)域，也就是設(shè)置聚類(lèi)目標(biāo)數(shù)目為2。所述聚類(lèi)分析算法包括但不限于K-means (K均值)聚類(lèi)、FCM (模糊C均值)聚類(lèi)和凝集聚類(lèi)；S24，計(jì)算煙葉實(shí)際面積，獲取煙葉主梗區(qū)域和葉片區(qū)域的面積信息，即利用背景坐標(biāo)識(shí)別獲取單個(gè)像素與煙葉實(shí)際面積大小的比例，分別計(jì)算主梗區(qū)域和葉片區(qū)域的像素，映射到煙葉實(shí)際面積大小，獲取煙葉主梗區(qū)域和葉片區(qū)域的面積信息。如果使用所述煙草及其加工制品的圖像數(shù)據(jù)獲取裝置，這樣可通過(guò)背景坐標(biāo)識(shí)別獲取圖像中單個(gè)像素與實(shí)際面積大小的比例，并分別計(jì)算煙葉的主梗區(qū)域和葉片區(qū)域的像素，并映射到實(shí)際面積大?。蝗绻词褂盟鰺煵菁捌浼庸ぶ破返膱D像數(shù)據(jù)獲取裝置，可以通過(guò)測(cè)量背景板面積，計(jì)算單個(gè)像素與實(shí)際面積的比例，最后計(jì)算出煙葉的主梗區(qū)域和葉片區(qū)域的實(shí)際面積，獲得主梗區(qū)域面積和位置信息、葉片區(qū)域面積和位置信息。通過(guò)智能圖像處理提取到煙葉的主梗區(qū)域和葉片區(qū)域的面積信息、位置信息后，繼續(xù)執(zhí)行下一步。在本實(shí)施例中步驟SI和S2統(tǒng)稱為基于智能圖像處理的煙葉葉面積質(zhì)量測(cè)定方法。S3，利用圖像法二元線性模型估計(jì)煙葉面積質(zhì)量，即利用煙葉總質(zhì)量作為因變量，煙葉主梗區(qū)域面積和葉片區(qū)域面積作為自變量，建立關(guān)于主梗密度參數(shù)和葉片密度參數(shù)的二元線性模型進(jìn)行密度參數(shù)的估計(jì)。該步驟稱為基于二元線性模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法。其中，所述二元線性模型為:Ytotal.weight ^ 0+P peduncleXpeduncle+P IeafXleaf+ ^其中，其中Ytotal.weight是煙葉總質(zhì)量；β。為截距；Ppedmcle為主梗區(qū)域密度參數(shù)；Xtredunc^是主梗區(qū)域面積；P lMf為葉片區(qū)域密度參數(shù)；Xleaf是葉片區(qū)域面積；ε為隨機(jī)誤差。如圖4所示，步驟S3具體包括:S31，根據(jù)煙葉總質(zhì)量(包括煙葉主梗質(zhì)量和葉片質(zhì)量)和煙葉主梗面積以及葉片面積存在線性關(guān)系，將獲取的煙葉主梗區(qū) 域和葉片區(qū)域的面積信息，作為煙葉總質(zhì)量與煙葉主梗面積和葉片面積關(guān)于密度參數(shù)的二元線性模型的自變量輸入；
S32，通過(guò)電子稱稱重隨機(jī)選取的20張煙葉的煙葉總質(zhì)量，將其作為關(guān)于密度參數(shù)的二元線性模型的因變量輸入；S33，通過(guò)關(guān)于密度參數(shù)的二元線性模型分別估計(jì)出煙葉主梗密度參數(shù)和葉片密
度參數(shù)。本發(fā)明通過(guò)對(duì)取20種不同地區(qū)不同等級(jí)的煙葉，每種對(duì)同一批次的煙葉隨機(jī)選取20張煙葉，采用基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法處理的結(jié)果與傳統(tǒng)的六點(diǎn)測(cè)量法比較，平均相對(duì)誤差達(dá)到15%以上，并且由于本發(fā)明采用的是用全煙葉技術(shù)，相比傳統(tǒng)的點(diǎn)測(cè)技術(shù)更為精確。本發(fā)明所述的基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法通過(guò)一種更為直接的方式，該方法通過(guò)計(jì)算機(jī)實(shí)現(xiàn)的自動(dòng)化圖像處理和二元線性模型的煙葉葉面積質(zhì)量方法，不依賴于人工操作，并且不涉及復(fù)雜硬件儀器，可對(duì)煙葉圖像實(shí)現(xiàn)高效、準(zhǔn)確、批量化的處理分析?？梢詫?shí)現(xiàn)更為客觀、準(zhǔn)確地葉面積質(zhì)量測(cè)定。綜上所述，本發(fā)明有效克服了現(xiàn)有技術(shù)中的種種缺點(diǎn)而具高度產(chǎn)業(yè)利用價(jià)值。上述實(shí)施例僅例示性說(shuō)明本發(fā)明的原理及其功效，而非用于限制本發(fā)明。任何熟悉此技術(shù)的人士皆可在不違背本發(fā)明的精神及范疇下，對(duì)上述實(shí)施例進(jìn)行修飾或改變。因此，舉凡所屬技術(shù)領(lǐng)域中具有通常知識(shí)者在未脫離本發(fā)明所揭示的精神與技術(shù)思想下所完成的一切等效修飾或改變，仍應(yīng)由本發(fā)明的權(quán)利要求所涵蓋。
權(quán)利要求
1.一種基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法，其特征在于，所述煙葉葉面積質(zhì)量測(cè)定方法包括: Si，采集煙葉圖像，即通過(guò)煙草及其加工制品的圖像數(shù)據(jù)獲取裝置完成煙葉圖像的采集; S2，通過(guò)智能圖像處理提取煙葉圖像；即通過(guò)智能圖像處理獲取的煙葉圖像的光線，識(shí)別獲取煙葉圖像的煙葉輪廓，并采用煙葉圖像的聚類(lèi)分析獲得煙葉主梗區(qū)域和葉片區(qū)域的面積信息，計(jì)算煙葉的實(shí)際面積； S3，利用圖像法二元線性模型估計(jì)煙葉面積質(zhì)量，即利用煙葉總質(zhì)量作為因變量，煙葉主梗區(qū)域面積和葉片區(qū)域面積作為自變量，建立關(guān)于主梗密度參數(shù)和葉片密度參數(shù)的二元線性模型進(jìn)行密度參數(shù)的估計(jì)。
2.根據(jù)權(quán)利要求1所述的基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法，其特征在于:所述煙草及其加工制品的圖像數(shù)據(jù)獲取裝置包括: 透明吸附板，用于吸附固定待拍攝的煙葉； 物料照明光源，用于照射固定待拍攝的煙葉； 吸氣設(shè)備，用于將煙葉吸附在所述透明吸附板上； 圖像采集設(shè)備，用于獲取煙葉圖像數(shù)據(jù)，并將煙葉圖像數(shù)據(jù)傳輸出去； 計(jì)算機(jī)，用于保存輸入的煙葉圖像數(shù)據(jù)并對(duì)其進(jìn)行后續(xù)處理。
3.根據(jù)權(quán)利要求1所述的基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法，其特征在于:所述步驟S2包括: S21，處理光線，將采集到的煙葉圖像的背景變成均勻的50%灰度，采用線性插值算法修正每幅圖像的売度； S22，識(shí)別獲取煙葉圖像的煙葉輪廓；即通過(guò)采用圖像外輪廓識(shí)別算法提取煙葉的外圍輪廓； S23，聚類(lèi)分析煙葉圖像，獲取煙葉主梗區(qū)域和葉片區(qū)域； S24，計(jì)算煙葉實(shí)際面積，獲取煙葉主梗區(qū)域和葉片區(qū)域的面積信息。
4.根據(jù)權(quán)利要求3所述的基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法，其特征在于:所述圖像外輪廓識(shí)別算法包括:基于小波變換的圖像輪廓識(shí)別算法、基于robert因子的圖像輪廓識(shí)別算法、基于Iaplace算子的圖像輪廓識(shí)別、以及基于高斯濾波的輪廓識(shí)別算法。
5.根據(jù)權(quán)利要求3所述的基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法，其特征在于:所述聚類(lèi)分析包括K-means聚類(lèi)、FCM聚類(lèi)和凝集聚類(lèi)。
6.根據(jù)權(quán)利要求1所述的基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法，其特征在于:所述二元線性模型為:Y total, weight ^ 0+ P peduncleXpeduncle+ P IeafXleaf+ ^， 其中Ytotal.weight是煙葉總質(zhì)量；β。為截距；P peduncle為主梗區(qū)域密度參數(shù)Apeduncle是主梗區(qū)域面積；P leaf為葉片區(qū)域密度參數(shù)；Xleaf是葉片區(qū)域面積；ε為隨機(jī)誤差。
全文摘要
本發(fā)明提供一種基于智能圖像處理和模型估計(jì)的煙葉葉面積質(zhì)量測(cè)定方法，所述測(cè)定方法包括采集煙葉圖像，即通過(guò)煙草及其加工制品的圖像數(shù)據(jù)獲取裝置完成煙葉圖像的采集；通過(guò)智能圖像處理提取煙葉圖像；即通過(guò)智能圖像處理獲取的煙葉圖像的光線，識(shí)別獲取煙葉圖像的煙葉輪廓，并采用煙葉圖像的聚類(lèi)分析獲得煙葉主梗區(qū)域和葉片區(qū)域的面積信息，計(jì)算煙葉的實(shí)際面積；利用圖像法二元線性模型估計(jì)煙葉面積質(zhì)量，即利用煙葉總質(zhì)量作為因變量，煙葉主梗區(qū)域面積和葉片區(qū)域面積作為自變量，建立關(guān)于主梗密度參數(shù)和葉片密度參數(shù)的二元線性模型進(jìn)行密度參數(shù)的估計(jì)。本發(fā)明所述的煙葉葉面積質(zhì)量測(cè)定方法可以更為客觀、準(zhǔn)確地對(duì)煙葉面積質(zhì)量進(jìn)行測(cè)定。
文檔編號(hào)G01N21/84GK103175835SQ201310060528
公開(kāi)日2013年6月26日 申請(qǐng)日期2013年2月26日 優(yōu)先權(quán)日2013年2月26日
發(fā)明者楊征宇, 余苓, 任偉, 楊凱, 楊斌, 徐其敏, 陳清 申請(qǐng)人:上海煙草集團(tuán)有限責(zé)任公司, 華環(huán)國(guó)際煙草有限公司