一种初烤烟叶青筋烟自动识别方法及青筋烟检测报警系统与流程

本发明涉及图像处理技术领域，尤其涉及一种初烤烟叶青筋烟自动识别方法及青筋烟检测报警系统。

背景技术：

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

黄片黄筋是优质烟叶的基本要求，但是在烟叶生产中，特别是上部烟叶初烤后叶脉含青(青筋)现象比较普遍。青筋烟叶不仅表明叶脉中叶绿素在烘烤过程中没有充分降解，同时也意味着叶内的淀粉、蛋白质等物质分解转化不足，内在油分少、弹性差，内在化学成分不协调，青杂色重，香气不足，叶片内在和外观品质都很差，对工业卷烟产品的质量影响很大也很坏。目前对青筋烟的识别都是通过人工观看的方法进行检测，但是人工检测存在视觉疲劳和人为主观因素等的影响制约。

技术实现要素：

为克服上述现有技术的不足，本发明提供了一种青筋烟自动识别方法和青筋烟检测报警系统，构建青筋的特征阈值区间，对采集的烟叶图像进行快速、准确的自动识别，判断是否含有青筋烟，并且据此提醒烟叶定级人员剔除青筋烟。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

一种青筋烟自动识别方法，包括以下步骤：

通过照明成像设备采集待测烟叶图像；

将图像由rgb空间转换为hsi空间，通过高斯滤波对图像进行增强；

将所述待测烟叶增强图像划分为大小相等的多个图像块；

对于每个图像块：

分别根据青筋的特征阈值区间，识别所有落入该特征阈值区间的像素；

对识别出的像素进行连续性检测；

若存在连续像素，且连续的像素数目超过一定阈值，判定该图像块中存在青筋；

根据所有图像块青筋的识别结果，判断所述待测烟叶图像是否存在青筋。

一个或多个实施例提供了一种青筋烟自动识别系统，包括：

照明成像模块，采集待测烟叶图像；

青筋特征阈值区间生成模块，通过对多个青筋烟样品图像进行分析提取青筋特征；

图像分块模块，将所述待测烟叶图像划分为大小相等的多个图像块；

青筋识别模块，对于每个图像块：

分别根据青筋的特征阈值区间，识别所有落入该特征阈值区间的像素；

对识别出的像素进行连续性检测；

若存在连续像素，且连续的像素数目超过一定阈值，判定该图像块中存在青筋；

根据所有图像块青筋的识别结果，判断所述待测烟叶图像是否存在青筋。

一个或多个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述青筋烟自动识别方法。

一个或多个实施例提供了一种计算装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述青筋烟自动识别方法。

一个或多个实施例提供了一种青筋烟检测报警系统，包括：

定级设备，接收工作人员针对当前工作台上摆放的待测烟叶输入的烟叶等级，并发送至服务器；以及，接收服务器发送的告警信息并显示；

服务器，接收定级设备发送的等级信息后，向成像装置发送图像获取指令；以及，接收成像设备返回的待测烟叶图像，执行如权利要求1-4任一项所述的烟叶青筋自动识别方法，若识别结果为包含青筋，向定级设备发送告警信息；

成像设备，响应服务器发送的图像获取指令，对当前工作台上摆放的待测烟叶进行拍摄，并将待测烟叶图像发送至服务器。

以上一个或多个技术方案存在以下有益效果：

本发明在青筋烟识别过程中，对待测烟叶图像进行分块，分别对每个分块进行青筋识别，相对于对整幅图像执行识别，通过分块的方式不容易忽略图像中的细节，且各分块内受到的光照相对更为均匀，识别效果更好；并且，对每个分块识别色调值在该特征阈值区间内的所有像素，然后对这些像素进行连续性检测，判断这些像素是否构成叶脉，若这些像素构成了叶脉，则说明包含青筋，这种方式保证了在烟叶数量很多时，图像中叶脉辨识度较弱的情况下，也能够识别出青筋。

本发明还将该青筋烟识别方法应用于青筋烟检测报警系统，在工作人员对当前烟叶进行定级时，服务器接收工作人员经由定级设备输入的等级，触发摄像头拍照，获取当前烟叶的图像，对该图像进行青筋识别，若识别结果为包含青筋，则向定级设备发出警示，即使工作人员视觉疲劳没有发现，也能提醒工作人员及时剔除青筋烟，避免含青筋烟的烟叶入库，确保卷烟原材料的纯度和质量。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明一个实施例的青筋烟识别方法流程图；

图2为本发明一个实施例中青筋烟检测报警系统的示意图，图中，1、标准光源；2、网络相机；3、工作面；4、后台服务器；5、定级设备。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例一

本发明的一个典型实施例公开了一种初烤烟叶青筋烟自动识别方法，如图1所示，包括以下步骤：

步骤1：采集待测烟叶图像；

本实施例采用照明成像设备采集待测烟叶图像，所述照明成像设备满足如下要求：采用标准光源模拟自然光照明，色温：5500—6000k，照度：自然散射光3000—10000lx，人工模拟自然光2000±200lx；烟叶摆放工作台面颜色为灰色或白色，无明显反光；成像设备采用1600万像素高色彩还原度网络相机，相机安装于取景区正上方，距离工作台面高度0.8-1米。

步骤2：将图像由rgb空间转换为hsi空间，通过高斯滤波对图像进行增强；

步骤3：将所述待测烟叶图像划分为大小相等的多个图像块；本实施例中将待测烟叶图像划分为100个图像块；在进行烟叶青筋识别时，将图像进行分块，对每个分块分别进行青筋识别，各分块内受到的光照相对更为均匀，并且相对于对整幅图像进行识别，不容易忽略图像中的细节。

步骤4：对于每个图像块进行青筋识别，具体包括：

步骤4.1：分别根据青筋的特征阈值区间，识别所有落入该特征阈值区间的像素；

步骤4.2：对识别出的像素进行连续性检测；

步骤4.3：若存在连续像素，且连续的像素数目超过一定阈值，判定该图像块中存在青筋。

所述步骤4.1中特征阈值区间的获取方法为：

(1)采集多片青筋烟叶片的图像，并人工识别和截取包含青筋的部分图像，作为模板图像；具体地，将含青筋的烟叶叶片展开平放于照明成像系统工作台上，采集其图像，手动截取图像中叶片青筋位置的矩形模板，并确保截取模板中烟筋全部为青筋，将此作为样品模板识别范围；

(2)分别对所述多个样品模板做如下处理：

将模板图像转换至hsi空间，并进行图像增强；本实施例中，采用高斯滤波对图像进行增强；

对增强后的图像进行边缘检测，识别叶脉；

根据增强后图像的h分量提取叶脉对应的所有色调值；本实施例中，采用canny边缘检测方法对增强后的图像进行边缘识别；

基于色调值确定青筋的特征阈值区间：

将青筋模板图像中叶脉对应的所有色调值从大到小进行排列；

去掉其中5％的最大值，去掉其中5％的最小值，再分别求取数值较大的20％的几何平均值和数值较小的20％的几何平均值；

(3)分别计算两组色调值几何平均值的平均值，作为青筋叶脉的特征阈值区间。

具体地，若有n片(n≥100)含青筋的烟叶叶片，对于每一幅模板图像，均进行颜色空间转换、图像增强和提取叶脉后，将叶脉相应的所有像素点的h分量值按照大小排列，去掉其中5％的最大值，去掉其中5％的最小值，剩余部分分别选取数值较大的20％和数值较小的20％，并分别计算两组h分量值的几何平均值，数值较大的几何平均值标记为hm_t，数值较小的几何平均值标记为hl_t。求取这n个hm_t的平均值标记为hm，求取这n个hl_t的平均值标记为hl，将hm和hl作为青筋叶脉h分量的特征阈值区间的端值。上述数值的具体确定，既考虑了人工标记青筋区域可能出现的误差(标记区域内可能仍然存在非青筋)，又考虑了拍摄时光照可能存在的不均匀性。

所述步骤4.2中连续性检测方法为：

由于待测烟叶图像中涉及的烟叶数量多，对于每个叶片叶脉的识别能力较弱，通过特征阈值区间筛选出的像素点会较为离散，但是，如果叶片中存在青筋，那么图像中识别出的位于特征阈值区间内的像素具备明显的线性特征，本实施例根据这些像素是否具备线性特征来筛选可能的青筋像素，然后判断具备线性特征的像素个数是否超过设定阈值，以此判断是否属于青筋像素。具体包括：

(1)对识别出的像素根据坐标位置进行聚类，聚类规则为：一个类簇中每相邻两个点之间的距离小于第一设定阈值，将像素数量小于第二设定阈值的类簇删除。首由于叶片图像上可能存在不是青筋但像素色调值位于特征阈值区间内的异常点，通过聚类能够识别出位置关联密切的像素点，排除异常点。本实施例中，相邻像素间距离小于3个像素点的像素均聚为一类，考虑了烟叶中实际有青筋，但根据特征阈值区间识别出的像素点断断续续的情况。

(2)对于剩余的类簇，分别针对其中的像素点提取线特征：首先基于k-l变换计算数据点分布的主轴方向，然后生成以主轴方向为斜率过中心坐标点生成该类簇的线特征。

(3)对该图像块所有的线特征两两之间进行共线性判断，判断规则为：分别属于两个线特征的两端点之间距离小于第三设定阈值(本实施例取10个像素点)，两个线特征之间的夹角小于第四设定阈值(本实施例取5°)，将共线的线特征进行合并。

(4)对共线的线特征合并后，对该图像块中所有线特征相应的满足特征阈值区间的像素个数进行统计，若存在某个线特征相应的像素个数大于第五设定阈值，则认为该图像块存在青筋。

由于对烟叶进行青筋自动识别时是成批次的，图像上叶片数目较多，且各叶片之间可能存在遮挡，因此一个叶片上的青筋从图像上来看很可能是会有间断的，因而上述连续性检测过程中允许存在间断的像素点，保证青筋的识别更为准确。

步骤5：根据所有图像块青筋的识别结果，判断所述待测烟叶图像是否存在青筋；本实施例中，根据上述检测方法依次检测每幅小图像，如100份小图像中有一个含青筋烟，则说明拍摄区域内的烟叶含青筋烟，如100份小图像均不含青筋烟，则说明拍摄区域内的烟叶不含青筋烟。

上述烟叶青筋识别方法中，在获取特征阈值区间时，通过对含青筋的烟叶叶片样品执行手动截取青筋部分图像，然后通过边缘检测方法得到叶脉，进而根据叶脉相应的色调范围界定青筋的色调范围作为特征阈值区间。本领域技术人员能够理解，在此基础上，若要对待测烟叶进行青筋识别，可以对待测烟叶图像也进行边缘检测，得到叶脉，然后将待测烟叶的叶脉色调与色调阈值区间进行比对从而确定是否存在青筋。但是，需要注意的是，作为样品的烟叶叶片是人工筛选过的，且拍摄的一幅样品图像中仅包括一个叶片，因而这些叶片的叶脉能够从图像中很清晰的辨别出来，而烟叶定级过程中，由于烟叶是成批次的铺放在工作台面上进行青筋识别的，数量很多，且烟叶之间不可避免的会存在些许互相遮挡的现象，因而图像中对于每个叶片中的叶脉辨识度要相对弱很多。本实施例的方法，对待测烟叶图像的每个分块，识别色调值在该特征阈值区间内的所有像素，然后对这些像素进行连续性检测，判断这些像素是否构成叶脉，并且在进行连续性检测时设定了一定容差，若这些像素构成了叶脉，则说明包含青筋。

基于上述青筋烟自动识别方法，本实施例还提供了相应的青筋烟自动识别系统、计算机可读存储介质和计算设备。

所述青筋烟自动识别系统，包括：

照明成像模块，采集待测烟叶图像；

青筋特征阈值区间生成模块，通过对多个青筋烟样品图像进行分析提取青筋特征；

图像分块模块，将所述待测烟叶图像划分为大小相等的多个图像块；

青筋识别模块，对于每个图像块：

分别根据青筋的特征阈值区间，识别所有落入该特征阈值区间的像素；

对识别出的像素进行连续性检测；

若存在连续像素，且连续的像素数目超过一定阈值，判定该图像块中存在青筋；

根据所有图像块青筋的识别结果，判断所述待测烟叶图像是否存在青筋。

所述一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述青筋烟自动识别方法。

所述一种计算装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述青筋烟自动识别方法。

以上青筋烟自动识别系统、计算机存储介质和计算装置中所涉及的步骤与方法实施例相对应，具体实现方法可参考方法实施例。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。

实施例二

本实施例的目的是提供一种采用实施例一所述方法的青筋烟检测报警系统。

所述青筋烟检测报警系统，如图2所示，包括：照明装置、工作台、成像装置、服务器和定级设备。

所述照明装置采用标准光源，人工模拟自然光照明，色温：5500—6000k，照度：自然散射光3000—10000lx，人工模拟自然光2000±200lx；

所述工作台用于摆放待测烟叶，台面颜色为灰色，无明显反光。将烟叶尽量薄的摊放在工作面划定的拍摄区域内；

所述成像装置采用1600万像素高色彩还原度网络相机，相机安装于工作台正上方，垂直向下方拍摄，距离工作台高度0.8-1米，图像采集完毕后，通过网络传送到服务器进行识别处理。

所述系统的工作过程如下：

定级设备接收工作人员针对当前摆放的待测烟叶进行的等级评定，并发送至服务器；

服务器接收等级评定后，向成像装置发送图像获取指令；

成像设备响应所述指令获取待测烟叶图像并发送至服务器；

服务器对待测烟叶图像进行青筋识别：

步骤1：接收待测烟叶图像；

步骤2：将所述待测烟叶图像划分为大小相等的多个图像块；

步骤3：对于每个图像块进行青筋识别；

步骤4：根据所有图像块青筋的识别结果，判断所述待测烟叶图像是否存在青筋。

上述青筋识别方法的具体实现方法可参考实施例一中各步骤的阐述。

若识别结果为含有青筋，向定级设备发送告警信息，提示工作人员及时进行人工核实，及时剔除青筋烟；同时，在获取的原始待测烟叶图像上打上“青筋”字样水印备案。

在上述处理过程中，成像设备在工作人员进行等级评定后触发，拍摄当前的烟叶图像，自动分析烟叶图像中是否包含青筋，若图像识别结果为存在青筋，发出警示，通过此方法实现了对定级工作人员的监督，避免青筋烟入库。

将图像进行备案时可同时存储该图像对应烟叶的批次、定级工作人员等信息，以便于后续的查询和分析。

以上一个或多个实施例具有以下技术效果：

在青筋烟识别过程中，对待测烟叶图像的每个分块，分别对每个分块进行青筋识别，相对于对整幅图像执行识别，通过分块的方式不容易忽略图像中的细节，且各分块内受到的光照相对更为均匀，识别效果更好；并且，对每个分块识别色调值在该特征阈值区间内的所有像素，然后对这些像素进行连续性检测，判断这些像素是否构成叶脉，若这些像素构成了叶脉，则说明包含青筋，这种方式保证了在烟叶数量很多时，图像中叶脉辨识度较弱的情况下，也能够识别出青筋。

将该青筋烟识别方法应用于青筋烟检测报警系统，在工作人员对当前烟叶进行定级时，服务器接收工作人员经由定级设备输入的等级，触发摄像头拍照，获取当前烟叶的图像，对该图像进行青筋识别，若识别结果为包含青筋，则向定级设备发出警示，即使由于工作人员视觉疲劳没有发现青筋烟，也会提醒工作人员核实。

本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用服务器可执行的程序代码来实现，从而，可以将它们存储在存储装置中由服务器来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。