本发明涉及烟叶分级领域，特别涉及一种基于FPGA的烟叶分级方法和装置。
背景技术：
烟叶是我国的重要经济作物，现在我国对于烟叶的分级还主要依靠人观察和手摸的人工阶段。不仅费时费力，而且主观性和模糊性较强。基于计算机的烟叶智能分级在对烟叶图像处理时计算量比较大，很难满足实时性的要求。基于FPGA芯片的处理能力现在越来越强，利用FPGA并行处理的优势，像素级别的算法完全可以在FPGA中实时处理，在烟叶的分级处理中，利用FPGA实现的装置相比于PC对于烟叶图像的处理，在速度上有着极大的提升。
技术实现要素：
有鉴于此，本发明的目的在于，提供一种基于FPGA的烟叶分级方法和装置，采用两块FPGA芯片作为主控芯片，在速度上极大的提升了对烟叶图像的处理速度。
本发明的目的是以下述方式实现的：
一种基于FPGA的烟叶分级装置，所述装置包括通过双排插针相互连接的接口板FPGA和处理板FPGA；
所述接口板FPGA通过串行通信芯片接口连接CCD，由接口板FPGA发送指令采集帧图像，采集的图像存入与接口板FPGA相连的SRAM缓存Ⅰ；
所述接口板FPGA读取SRAM缓存Ⅰ中的烟叶图像进行背景分割并进行去噪处理，然后提取已设定的图像特征；接口板FPGA将提取的图像特征存入与处理板FPGA相连的SRAM缓存Ⅱ，然后处理板FPGA根据已建立的分级模型算法对烟叶的特征信息进行处理，得到分色分级结果，并将分色分级结果和控制信息发送到接口板FPGA；
所述接口板FPGA将采集的烟叶图像和相应的分色分级结果在VGA显示并通过语音模块进行播报。
所述图像特征包括颜色特征、纹理特征、脉络特征。
所述控制信息包括将SRAM里缓存的烟叶帧图像和对应的分色分级信息存储至外部存储设备。
所述的分级模型算法利用人工神经网络、遗传算法、最近距离算法、聚类算法、粗集算法中的一种或几种对提取的图像特征进行分组、分色和分级。
在处理板FPGA上，每两片SRAM通过扩展位宽的方式共享地址总线。
一种基于FPGA的烟叶分级方法，所述方法包括如下步骤：
步骤一、接口板FPGA通过串行通信芯片发送相机设置命令，每完成一条命令的发送，将触发信号由串行通信芯片发送至CCD，开始帧图像传输过程，在CCD完成应答信号后，再继续发出下一条命令；
步骤二、 接口板FPGA根据图像中烟叶的展开度和光线情况选择最合适的帧图像进行采集，采集的图像存入与接口板FPGA相连的SRAM缓存Ⅰ；
步骤三、接口板FPGA对SRAM缓存Ⅰ中的烟叶图像进行背景分割，剔除图像中与烟叶分级无关的因素，再进行去噪处理，去除噪声后进行特征提取；
步骤四、接口板FPGA将提取的图像特征传送给处理板FPGA，处理板FPGA利用已建立的分级模型算法对提取的特征进行分组、分色和分级，分级结果和控制信号再传送给接口板FPGA；
步骤五、接口板FPGA将烟叶的分级结果和对应的烟叶帧图像通过VGA显示，并通过语音模块播放。
所述步骤三中，特征的提取标准根据处理板FPGA里设定的烟叶分级模型来选择。
所述步骤四中的控制信号是将分级结果和对应SDRAM中的帧图像存储到外部存储设备里。
所诉步骤四中的分级模型算法包括人工神经网络、遗传算法、最近距离算法、聚类算法、粗集算法中的一种或几种
所述步骤五中，通过同一个显示器显示采集到的烟叶帧图像和分级结果。
与现有技术相比，本发明的优点是：
利用FPGA的分级装置体积更小，运算速度快且操作简单，可以很好的解决现在烟叶分级过程中的分级速度问题；利用FPGA的可编程性，可以优化升级分级模型算法并且不用购买新的设备，更加经济；本发明有利于定制统一的分级标准，避免传统人为分级过程中产生的各种纠纷。
附图说明
图1为本发明的结构示意图。
具体实施方式
如图1所示，依据本发明的一种将烟叶实时智能分级的装置，采用两块FPGA芯片作为主控芯片。第一片FPGA的电路板成为接口板，完成CCD、VGA以及语音模块等的接口通信功能和烟叶图像预处理和特征提取等功能。第二片FPGA的电路板称为处理板，用来进行算法设计，完成对烟叶分级模型的建立，处理由接口板FPGA发来的烟叶特征数据，根据已有模型进行分色分级。两片板子采用双排插针的连接方式。
CCD连接CameraLink接口，实时采集烟叶数据，由接口板FPGA发送指令采集帧图像，采集的图像缓存至SRAM，接口板FPGA读取SRAM中的烟叶图像进行背景分割并进行去噪处理，然后提取已设定的图像特征，比如长宽比、RGB值等。图像的特征信息从接口板FPGA发送至处理板FPGA后，存入SRAM缓存，然后处理板FPGA将烟叶的特征信息根据已建立的分级模型算法进行处理，然后将分色分级结果和控制信息发送到接口板，接口板将处理结果在VGA显示并通过语音播报出来，接口板接收到的控制信息是将CCD采集的烟叶图像和对应的分色分级信息存储至外部存储设备的指令，及将接口板FPGA上SRAM里缓存的烟叶帧图像复制给外部存储。在处理过程中，Flash作为代码的存储芯片，在上电后从其中加载已经设定好的代码。
根据分色分级实时性的要求和代码设计占用逻辑资源的情况，简化设计和开发流程，所述的接口板与处理板我们都选用的是Altera公司的CycloneIV系列的FPGA，型号为EP4CF23C8N。CCD我们采用的是JVC的TK-1481BEC。接口板和处理板在处理过程中需要缓存芯片，为了简化设计，这里我们选用操作简单的异步SRAM作为存储。选用的是ISSI公司的IS64WV102416BL型号。在处理板上，每两片SRAM通过扩展位宽的方式共享地址总线。VGA接口芯片采用ADV7123 高速、高精度数模转换芯片。语音播放模块采用的是WM8731S便携式因特网音频编解码器芯片。外部存储采用通用SD卡标准。Flash模块负责代码的存储，根据代码所占空间的大小我们选用ALTERA的专用Flash配置芯片EPCS128。接口板和处理板都采用JTAG接口，用来下载编译好的代码。
系统上电后，Flash中的代码分别加载到接口板和处理板FPGA，接口板和处理板FPGA接收到复位信号后，经过数个周期的延时等待其他模块与芯片完成复位，然后接口板FPGA通过串行通信芯片（整合在CameraLink接口芯片内部）发送相机设置命令，每完成一条命令的发送，在CCD完成应答信号后，再继续发出下一条命令。完成命令的发送后，将触发信号由串行通信芯片发送至CCD，开始帧图像传输过程。接口板FPGA根据图像中烟叶的展开度和光线情况选择最合适的帧图像进行采集，缓存至SRAM。然后对SRAM种的烟叶图像进行背景分割（设定阈值），剔除图像中与烟叶分级无关的因素，背景分割后还需要去噪处理（噪声对分级影响较大），去除噪声后才可以进行特征提取，特征的提取标准是根据处理板FPGA里设定的烟叶分级模型来选择的，是已经设定好的。提取的图像特征传送给处理板FPGA，处理板根据已建立的分级模型算法进行分级运算，利用人工神经网络、遗传算法、最近距离算法、聚类算法、粗集算法等中的一种或几种对提取的特征进行分组、分色和分级，分级结果和控制信号再传送给接口板FPGA。接口板FPGA将烟叶的分级结果和对应的烟叶帧图像通过VGA显示出来，这里我们通过同一个显示器显示采集到的烟叶帧图像和分级结果，以便更直观的认识与判断，语音播报模块负责将分级的结果通过语音的形式播放出来。处理板返回给接口板的控制信号是将分级结果和对应SDRAM中的帧图像存储到外部存储设备里。
分级模型算法还可以使用现有技术中的随机森林分级模型算法，随机森林分级模型算法根据不同特征的值建立一定数量的分类级别，且不同类别之间是相互独立的，利用对不同类别特征值的运算结果对输入的数据样本进行分类。应用随机森林分级模型算法时，接口板FPGA将提取的图像特征传送给处理板FPGA，处理板根据随机森林分级模型算法进行分级运算，将不同的特征值与设定的节点值进行运算比对，逐层运算，得出最终分级结果和控制信号，分级结果和控制信号再传送给接口板FPGA。
以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的技术人员来说，在不脱离本发明整体构思前提下，还可以作出若干改变和改进，这些也应该视为本发明的保护范围。