童德文， 陳 鈺， 杜超凡， 雷 佳， 范 輝， 林雷通， 石三三， 沈 平*

(1.龍巖市煙草公司 武平分公司， 福建 武平 364300； 2.福建省煙草公司 龍巖市公司， 福建 龍巖 364000； 3.廣東中煙工業(yè)有限責(zé)任公司， 廣東 廣州 510310)

煙草(NicotianaTabacumL.)是我國主要經(jīng)濟(jì)作物之一，其收購價(jià)格主要通過烤煙外觀質(zhì)量等級確定。我國采用的是42級國家烤煙分級標(biāo)準(zhǔn)(GB 2635-1992)，共分為8個(gè)正組、5個(gè)副組，并通過煙葉的成熟度、葉片結(jié)構(gòu)、身份、油分、色度、長度和殘傷等7個(gè)外觀品級因素將其區(qū)分為42個(gè)等級。目前，我國烤煙分級收購仍以人工為主，依靠分級人員的主觀評價(jià)及感官經(jīng)驗(yàn)定級，存在勞動(dòng)強(qiáng)度大、工作效率低、人工成本高、等級純度不穩(wěn)定等問題，而等級純度不穩(wěn)定影響了卷煙工業(yè)的均質(zhì)化生產(chǎn)及成品煙的質(zhì)量控制[1]。隨著計(jì)算機(jī)技術(shù)的發(fā)展，采用自動(dòng)智能技術(shù)替代人工對煙葉進(jìn)行外觀等級劃分已成為煙草工業(yè)化發(fā)展的趨勢[1-4]。關(guān)于烤煙不同等級葉色、葉型和多光譜特征方面的研究已提出了系列的自動(dòng)化分級方案。莊珍珍等[2]提出基于機(jī)器視覺及模糊綜合評判方法。劉劍君等[3]提出將煙葉的紅外光譜作為煙葉的分級特征。賓俊等[4]提出基于NIR 光譜技術(shù)及極限學(xué)習(xí)機(jī)(ELM)的初烤煙葉快速分級方案。已有研究所采用的圖像采集設(shè)備主要為紅外掃描儀和工業(yè) CCD相機(jī)等，采集環(huán)境多為黑箱取樣或者純色流水線，而在開放環(huán)境中，這些方案均無法實(shí)現(xiàn)自動(dòng)對葉片的識別，加之設(shè)備昂貴、體積大及分析運(yùn)算所需時(shí)長較長，限制了智能化分級方法在煙葉初分及基層煙草站分級定級的推廣應(yīng)用。為此，以龍巖煙區(qū)主栽品種云煙87為研究對象，綜合顏色閾值切割、邊緣識別切割、面積篩選和葉形篩選等算法[5-12]，提出開放環(huán)境烤煙RGB圖像自動(dòng)切割算法，以此為基礎(chǔ)，比對分析B2F、C3F等級葉片在紅色(Red)、綠色(Green)、藍(lán)色(Blue)3個(gè)色彩通道及灰度圖像的色階均值的分布及葉型特征區(qū)間[13-21]，采用百分位數(shù)法確定其特征參數(shù)區(qū)間，以此確定云煙87的B2F和C3F等級煙葉的判定區(qū)間[21-25]，通過貝葉斯分類器構(gòu)建判別模型，固化形成烤煙等級智能判定系統(tǒng)，并分析其判定準(zhǔn)確度，以期為煙葉生產(chǎn)及分級人員提供高效、精確、方便和成本低廉的烤煙等級智能判定方法。

1 材料與方法

1.1 材料

1.1.1 煙葉樣品 烤煙品種為云煙87，供試煙葉共計(jì)220片，其中，B2F等級煙葉78片，C3F等級煙葉140片，其他等級葉片2片。B2F和C3F各50片作為分析與建模樣品，其余葉片作為判別樣品。選取同一田塊、鮮煙素質(zhì)一致、成熟度一致的云煙87鮮葉為烘烤對象，烘烤工藝采用《龍巖市三長兩短保濕烘烤工藝》烘烤方法執(zhí)行。烘烤結(jié)束后，分級技師對烤后煙葉進(jìn)行逐片定級，挑選出試驗(yàn)所需的B2F、C3F和其他等級煙葉樣品。

1.1.2 儀器 CANON EOS-550D高分辨率數(shù)碼相機(jī)，日本佳能公司。

1.2 方法

1.2.1 開放環(huán)境煙葉的圖像采集與圖像識別切割

1) 圖像采集。采集地點(diǎn)位于福建煙草公司龍巖市公司(中國福建龍巖市新羅區(qū))，采集平面為煙葉樣品室瓷磚地面，其上均勻鋪設(shè)啞光A3打印紙(晨光，70 g/m2)；照明光源為室內(nèi)20 W白色LED燈組9組，色溫為5 000 K；距離采集平面100 cm處用三腳架和云臺固定數(shù)碼相機(jī)，采用高分辨率進(jìn)行垂直拍攝。圖像采集時(shí)將煙葉保持自然狀態(tài)(未展葉)水平放在A3紙上，采用M檔無閃光拍攝，ISO值為100，光圈f/5，快門1/60 s，焦距41 mm，白平衡設(shè)為自動(dòng)，數(shù)字圖像為5 184 pixel×3 456 pixel。

2) 圖像識別切割。開放環(huán)境烤煙圖像自動(dòng)切割算法主要通過MATLAB軟件實(shí)現(xiàn)。具體步驟：a) 將目標(biāo)葉片根據(jù)研究提供的圖像采集方法進(jìn)行拍攝，得到的原始圖像(圖1A)。b)通過背景差值法及HSV、RGB顏色混合算法進(jìn)行背景分離。c) 運(yùn)用邊緣切割、邊緣對象識別、填充邊緣空隙、菱形邊緣平滑、中值濾波和小面積碎片剔除等算法后，采用復(fù)原算法得到目標(biāo)烤煙精確圖像處理效果(圖1B)，該算法可以有效消除拍攝邊角陰影、孔洞、小孔隙、圖像背景、葉片陰影、碎煙等的干擾。

注：煙葉為烤煙中部葉。

Note: Flue-cured tobacco means middle leaves.

圖1開放環(huán)境烤煙圖像自動(dòng)切割算法的環(huán)境干擾消除示意

Fig.1 Diagram of environmental interference elimination for automatic cutting algorithm of flue-cured tobacco image in an open environment

1.2.2 計(jì)算機(jī)自動(dòng)化葉色信息的提取 采用MATLAB對煙葉彩色圖像進(jìn)行數(shù)據(jù)提取。

1) 不同色彩通道色階信息矩陣提取。讀取切割后的煙葉目標(biāo)彩色圖像，分別提取葉片彩色圖像紅色(Red)、綠色(Green)、藍(lán)色(Blue)3個(gè)顏色通道及灰度圖像的像素色階矩陣，并將其轉(zhuǎn)化為雙精度數(shù)組。

2) 不同色彩通道色階均值提取。運(yùn)用Mean函數(shù)分別獲取紅色(Red)、綠色(Green)、藍(lán)色(Blue)通道及灰度圖像的色階均值。

1.2.3 葉型參數(shù)信息的自動(dòng)化提取與計(jì)算 采用MATLAB對煙葉彩色圖像進(jìn)行葉型參數(shù)提取，Size函數(shù)獲取煙葉圖像的實(shí)際像素點(diǎn)數(shù)量(S1)，通過Regionprops函數(shù)獲取其最小外接矩陣的長度(L)和寬度(W)，計(jì)算最小外接矩陣面積(S2)、葉片長寬比和葉片有效面積占比。

S2=L×W

葉片長寬比=L/W

葉片有效面積占比=S1/S2

1.2.4 葉色參數(shù)的百分位數(shù)分布 選取B2F和C3F煙葉各50片作為分析樣品，運(yùn)用MATLAB的prctile函數(shù)提取這些樣品的葉色參數(shù)和葉型參數(shù)四分位點(diǎn)(25%分位點(diǎn)、75%分位點(diǎn))，在25%分位點(diǎn)至75%分位點(diǎn)的區(qū)間即為葉片圖像信息的百分位數(shù)區(qū)間，并采用Boxplot函數(shù)構(gòu)建樣品葉色參數(shù)的百分位數(shù)分布圖，根據(jù)樣品葉色參數(shù)的百分位數(shù)的分布結(jié)果即可得出不同等級煙葉3個(gè)色彩通道及灰度圖像25%分位點(diǎn)和75%分位點(diǎn)的下限和上限色階值。同時(shí)，采用SPSS對各樣品的葉色參數(shù)、葉型參數(shù)進(jìn)行獨(dú)立樣本T檢驗(yàn)(雙尾)，明確差異顯著性(α<0.05)。

1.2.5 模型的構(gòu)建與判別精度驗(yàn)證

1) 模型的構(gòu)建。選取無交集且具有顯著性差異的葉色參數(shù)及葉型參數(shù)百分位數(shù)區(qū)間作為煙葉等級判別區(qū)間。以煙葉等級作為判別結(jié)果，以煙葉等級判別區(qū)間作為判別因子，采用MATLAB的 NaiveBayes工具箱構(gòu)建貝葉斯分類器作為判別模型。

2) 選取相同時(shí)間采收的B2F煙葉28片、C3F煙葉90片和干擾煙葉2片，對貝葉斯分類器判別模型的判別精度進(jìn)行驗(yàn)證試驗(yàn)。

2 結(jié)果與分析

2.1 煙葉葉色及葉型判別區(qū)間的構(gòu)建

2.1.1 葉色判別區(qū)間 B2F和C3F煙葉在葉色上具有較大差異。從圖2看出，B2F和C3F煙葉的紅色(Red)、綠色(Green)和藍(lán)色(Blue) 3個(gè)色彩通道及灰度圖像色階均值的百分位數(shù)區(qū)間變化。B2F與C3F煙葉在紅色通道25%分位點(diǎn)和75%分位點(diǎn)的下限和上限色階值分別為59.64～69.67和78.03～101.96，綠色通道分別為31.20～37.14和42.38～58.01，藍(lán)色通道分別為13.30～15.34和15.44～20.21，灰度圖像分別為37.93～44.45和49.81～67.16，其色階均值百分位數(shù)在25%～75%均無交集，呈分離狀態(tài)。從表1可知，經(jīng)對B2F和C3F煙葉色階均值進(jìn)行獨(dú)立樣本T檢驗(yàn)，雙尾Sig值均為0.000，小于顯著水平0.05，說明B2F和C3F煙葉3個(gè)色彩通道及灰度圖像的色階均值均差異顯著。根據(jù)判別模型構(gòu)建對煙葉等級判別區(qū)間的定義，將紅色(Red)、綠色(Green)、藍(lán)色(Blue)通道及灰度圖像的色階均值25%分位點(diǎn)及75%分位點(diǎn)作為B2F和C3F煙葉葉色判別區(qū)間的上限和下限。

Fig.2 Percentile distribution of three color channels and gray-scale image color gradation mean value of flue-cured tobacco with different grade

表1不同等級煙葉3個(gè)色彩通道及灰度圖像色階均值的顯著性檢驗(yàn)

Table 1 Significance test for three color channels and gray-scale image color gradation mean value of flue-cured tobacco with different grade

等級Grade均值Mean value標(biāo)準(zhǔn)差Standard deviationT檢驗(yàn)雙尾Sig T testing百分位數(shù)區(qū)間Percentile interval25%75%均值Mean value標(biāo)準(zhǔn)差Standard errorT檢驗(yàn)雙尾Sig Ttesting百分位數(shù)區(qū)間 Percentile interval25%75%紅色通道綠色通道B2F66.4411.100.00059.6469.6735.026.450.00031.2037.14C3F90.9115.9078.03101.9651.0610.6442.3858.01藍(lán)色通道灰度圖像B2F14.541.880.00013.3015.3442.087.230.00037.9344.45C3F17.983.3215.4420.2159.2149.8167.16

注：顯著水平α=0.05，下同。

Note: The significance of difference is atα=0.05. The same below.

2.1.2 葉型判別區(qū)間 在實(shí)際生產(chǎn)過程中，部分煙葉烘烤后會產(chǎn)生皺縮和扭曲現(xiàn)象，從而影響葉型參數(shù)，B2F和C3F煙葉在葉型的差異較小。從表2可知， B2F和C3F煙葉的葉片長寬比百分位數(shù)25%～75%分別為4.54～5.53和3.88～5.02，其在4.54～5.02存在交集，只有部分分離；從葉片有效面積占比來看，B2F和C3F煙葉葉片有效面積占比百分位數(shù)25%～75%分別為0.49～0.57和0.48～0.56，其在0.49～0.56存在交集，百分位數(shù)區(qū)間基本完全相交(重疊)，交集范圍更大；經(jīng)對B2F和C3F煙葉葉型參數(shù)獨(dú)立樣本T檢驗(yàn)，其長寬比雙尾Sig值為0.000，小于顯著水平0.05，說明2個(gè)等級煙葉葉片長寬比差異顯著；其有效面積占比雙尾Sig值為0.835，大于顯著水平0.05，說明2個(gè)等級煙葉有效面積占比差異不顯著。根據(jù)判別模型構(gòu)建對煙葉等級判別區(qū)間的定義，煙葉葉片長寬比及葉片有效面積占比不滿足判別區(qū)間的條件，因此，不選擇葉型參數(shù)作為判別區(qū)間。

表2 不同等級煙葉葉型參數(shù)的顯著性檢驗(yàn)

2.2 煙葉等級的判別精度

結(jié)合煙葉等級葉色及葉型判別區(qū)間的研究結(jié)果最終確定B2F和C3F煙葉等級判別區(qū)間(表3)，并以煙葉等級判別區(qū)間作為判別因子，以煙葉等級作為判別結(jié)果構(gòu)建貝葉斯分類器作為判別模型。從表4可知，構(gòu)建的判別模型對B2F和和C3F煙葉判別的準(zhǔn)確率分別為92.86%和95.56%，總體準(zhǔn)確率為94.21%。

表3 B2F與C3F煙葉特征的參數(shù)區(qū)間

表4 B2F與C3F煙葉貝葉斯分類器模型判別的準(zhǔn)確率

3 結(jié)論與討論

以散煙收購方式代替把煙收購方式是烤煙分級推廣的應(yīng)用方向[1]。目前煙葉自動(dòng)分級技術(shù)大多停留在論證和試驗(yàn)階段，實(shí)際應(yīng)用中還沒有成熟的高效分級技術(shù)，更沒有已經(jīng)成熟穩(wěn)定可推廣的系統(tǒng)。利用計(jì)算機(jī)視覺技術(shù)進(jìn)行分級，具有簡捷、經(jīng)濟(jì)、高效和可靠等優(yōu)點(diǎn)，但該項(xiàng)技術(shù)不能對煙葉身份和油份進(jìn)行判別。如何從圖像特征中獲取足夠多、足夠可靠的有效信息是研究中的難點(diǎn)所在。

研究提出一種開放環(huán)境下的計(jì)算機(jī)智能識別煙葉的算法，并通過對葉色和葉型的百分位區(qū)間估計(jì)，確定B2F和C3F煙葉的特征參數(shù)區(qū)間，并采用貝葉斯分類模型，構(gòu)建判別模型，其判別的準(zhǔn)確率達(dá)92.86%以上，大于人工分級判別的準(zhǔn)確率(91.78%)[2-4]。該方法具有不受環(huán)境因素影響、設(shè)備要求低、分析速度快、可靠性高的優(yōu)點(diǎn)，適用于煙葉初分級、基層煙草站定級使用。由于煙草工業(yè)的不斷發(fā)展，自動(dòng)化煙葉圖像分級系統(tǒng)替代人工分級是大勢所趨，煙葉分級的合理化、高效化、簡捷化可以適應(yīng)煙草工業(yè)的需要，對提高廣大煙農(nóng)的積極性和促進(jìn)煙草種植產(chǎn)業(yè)的發(fā)展均具有重要意義。由于取樣有限，僅研究B2F和C3F煙葉的判別，在以后的研究中，將進(jìn)一步完善更多煙葉等級的判別參數(shù)區(qū)間在煙葉初分級中應(yīng)用。