透射图像颜色特征在烟叶识别中应用的探索

在理论推导的基础上,提出并应用烟叶反射和透射图像获取烟叶内在的质量信息,并在实际分级试验中验证透射图像颜色特征的有效性。研究发现,透射图像的三个颜色特征H、S、I和相对应的反射图像特征相关性小,可以有效补充反射图像不能反映烟叶内在质量的不足。利用7个烟叶正组各5片烟叶,采用费歇尔线性逐步判别法筛选,获得反射和透射图像的色调作为识别参数,建立判别模型。研究结果表明,采用透射图像作为反射图像的补充可以提高烟叶分组识别的准确率,具有应用前景。

基于CSS-Cascade Mask R-CNN的有遮挡多片烟叶部位识别

烟叶部位信息是进行烟叶分级的重要参考信息,准确识别烟叶部位对实现烟叶智能分级具有重要意义。在实际的烟叶智能分级应用中,为了提高分级效率,需要对多片烟叶等级进行同步识别。受现行上料方式的限制,同步识别的多片烟叶间往往存在局部遮挡的问题,给烟叶的目标检测和部位识别带来挑战。该研究提出一种基于改进Cascade Mask R-CNN,融合通道、非局部和空间注意力机制,并引入柔性极大值抑制检测框交并操作与斯库拉交并比损失函数(SIoU)的目标检测与识别模型(CSS-Cascade Mask R-CNN)。该模型对Cascade Mask R-CNN进行了三方面的改进:一是在其骨干网络Resent101上同时引入通道、非局部、空间3种注意力机制,使网络更加关注未被遮挡且部位特征明显区域的显著度;二是将Cascade Mask R-CNN中的损失函数SmoothL1Loss替换为SIoU损失函数,将预测框与真实框之间的方向差异引入到模型训练中提高模型检测精度;三是在筛选候选框时将常规的非极大抑制(non-max-suppression)替换为柔性非极大抑制,以避免删除候选框造成信息丢失。试验结果表明,利用提出的模型对有遮挡多片烟叶进行检测和部位识别,检测框平均准确率均值(bbox_mAP50)达到了80.2%,与改进前的Cascade Mask R-CNN模型相比提高了7.5个百分点。提出的模型与多个主流的目标检测模型(YOLOvX、YOLOv3、YOLOv5、Mask R-CNN、Cascade R-CNN)相比,分别高7.1、10.2、5.8、9.2、8.4个百分点,尤其是对较难区分的下部烟叶优势明显,因此研究结果可以为有遮挡多片烟叶部位的检测识别提供参考。

基于近红外光谱和BYOL对比学习的烟叶部位识别方法

【背景和目的】烟叶部位识别对卷烟制品的配方设计与质量监控具有重要意义。利用近红外光谱(NIR)分析可以实现烟叶部位的快速、无损在线识别。针对烟叶光谱特征提取困难问题,利用具有强特征提取的BYOL模型,提出NIR-BYOL烟叶部位识别方法。【方法】通过微分光谱融合实现数据增强,利用卷积自编码器和多层感知器实现BYOL的在线网络和目标网络,以在线网络和目标网络输出的均方误差为损失函数,通过损失最小优化的编码值,提取的特征经SVM分类识别烟叶部位信息。实验比较分析了不同数据增强方式、卷积核大小和激活函数对模型的影响。【结果】一阶微分融合和二阶微分融合的组合是最佳数据增强方法,对比学习模型最佳参数为卷积核11*1,激活函数为ELU。模型对部位的平均识别率达到91.79%。相比SVM、PCA+SVM和PLS-DA方法,NIR-BYOL模型的准确率有显著提升,分别提升了13.12%、15.79%、16.79%。【结论】近红外光谱分析技术结合对比学习模型可以有效分类识别烟叶的部位信息。

基于数字孪生技术的烟叶包装箱夹层材料检测和落料检验

目的提出一种数字孪生技术在烟叶包装箱中的应用方法,改进目前烟草产业中烟叶复烤生产环节存在缺乏自动化落料检验以及工业开箱机器人难以判断烟叶包装箱内是否有黄卡纸夹层材料的问题。方法通过构建复杂烟叶包装箱夹芯材料的数字孪生模型,采用图像处理结合卷积神经网络得到了基于机器视觉的复杂烟叶包装箱夹芯材料检测方法,系统可对麦秆板夹层形状进行标定并确定其中心位置,实现工业机器人精确定位烟叶包装箱夹层材料以及装箱时自动增减物料,并进行有效的数字化物料信息追踪。结果实验表明,机器人判断包装箱夹层材料的准确率高达94.88%,且效率优于人工检查。结论可在一定程度上节省人力资源,提高工厂的生产效率。

基于改进Mask R-CNN的多片烟叶部位的同步识别

为解决烟叶智能分级识别中需对多片散放烟叶同步进行部位识别的问题,提出一种基于改进Mask R-CNN的多片烟叶的部位同步识别方法:在Mask R-CNN区域建议网络中引入K-means聚类算法,对已标注目标检测框进行聚类,实现对预设的5种尺度的锚点尺寸和3种比例的锚点长宽比的优化,使其更加符合烟叶图像数据的分布特性,达到提高生成建议框的精确性、缩短识别时间的目的。基于采集的烟叶图像数据集,验证改进Mask R-CNN方法的有效性。结果表明,当IoU为0.5时,改进Mask R-CNN单样本耗时313 ms,比Mask R-CNN的326 ms快,在测试集上的均值平均精度(mAP)提高了3.56%。与Faster R-CNN和SSD目标检测算法相比,在准确率和召回率上也表现出优势。

基于多光谱与深度学习技术的皱褶初烤烟叶等级识别

为解决皱褶初烤烟叶分级过程中存在的人工成本高、分级效率低等问题,本研究提出一种基于多光谱成像技术结合深度学习的皱褶初烤烟叶等级识别方法.通过使用连续投影算法选取皱褶初烤烟叶高光谱反射图像的12个特征波段,并以此为基础搭建多光谱成像设备,采集了B2F、C2F、C3F和C4F四个等级皱褶初烤烟叶的多光谱反射图像,形成模型训练和验证的数据集.通过改造VGG11网络模型,用上述训练集构建烟叶等级识别网络(tobacco gradeidentification network, TGIN)模型,用验证集测试该模型烟叶等级识别的正确率为99.8%.针对不同年份的烟叶样本,引入迁移学习方法后,其识别的平均正确率也可达到99.4%.结果显示,TGIN模型能够实现皱褶初烤烟叶等级的快速识别,可为皱褶初烤烟叶自动化等级识别提供理论基础和技术支持.

基于深度学习网络的烟叶质量识别

概述了烟叶质量和熟成度分类的主要依据,采用自动编码器预训练方法重构的卷积神经网络构建了烟叶质量识别模型,并采用实地采集的数据集进行了实验验证,结果表明重构的深度训练自编码器在分类性能上达到99.92%的准确度。

Study on the ultraviolet-visible spectral feature of tobacco leaves by pattern recognition

In order to differentiate regions, varieties, and parts of tobacco leaves, two pattern recognition methods through pattern classification modeling were developed based on the comprehensive information of ultraviolet-visible spectroscopy （UV-VIS） by employing one-way analysis of variance （ANOVA1） and wave range random combination （WRRC） technology from MATLAB. This proposed classification method has never been reported previously and the instrument and operation for this method is much more convenient and efficient than previous reported classification methods. The result of this paper demonstrated that the spectral features extracted by ANOVAI and WRRC methods could be used to differentiate tobacco leaves with different patterns. The ANOVAI method had a training recognition rate range of 75.00-87.50%,4 and a validation recognition rate range of 57.14-100%. The WRRC method had a training recognition rate range of 75.00-94.12% and a validation recognition rate range of 66.67-100%. The ANOVAI method is more convenient and efficient in model developing, while the WRRC method utilizes fewer model variables and is more robust.

荧光定量PCR法定量检测混合烟叶中的红花大金元

为检测混合烟叶中红花大金元烟叶,设计了红花大金元品种特异性引物与TaqMan MGB探针,检测了引物和探针的特异性和灵敏性,确定了荧光定量PCR反应条件,并在此基础上建立标准曲线对混合烟叶中红花大金元单一品种进行定量检测。结果表明,引物与探针组合H1-R/F/T的特异性较好,建立了标准曲线方程,决定系数R2为0.997。当DNA(55 ng·μL-1)模板含量为2μL时,红花大金元的检测限可达0.11 ng。利用该方法对混合烟叶样品中红花大金元含量进行检测,误差范围在2.5%~3.5%之间,表明该方法可应用于特定混合样品中红花大金元烟叶的定量检测。