本发明涉及烟草技术领域，特别是涉及图像机器视觉技术领域，具体为一种基于机器视觉的烟叶部位识别方法、电子设备及存储介质。
背景技术：
机器视觉系统可以快速获取大量烟叶外观信息并自动进行数据处理，易于同生产中其它维度信息相集成，在提高烟叶分选的柔性和快速评价方面有较大基准尺度不变性的优势。在一些人工频繁操作，人工视觉难以满足要求的应用领域，常用机器视觉替代人工视觉。一般的，在工业分级过程中有三个外观质量因素占主要的因素，“颜色的均匀度”，“颜色的鲜亮程度”，“烟叶的油分”等，而烟叶的形态，轮廓，颜色是可以通过烟叶的相机拍照获取烟叶的图像信息，进而对图像的信息进行监控，信息提取，模式识别进行处理的，为实际的工业分级的机器视觉运用提供了研究的数据来源与理论基础。
但是，目前多部分研究成果都是静态的，即先从室内或者生产线采集静态图像，再用计算机对图像进行处理。而实际应用中要求识别的算法要能够适应复杂多变的条件。虽然一些动态的算法已经过得了成功，但分类精度仍不是很高；在烟草行业中基于机器视觉的部位的识别依然存在几个问题；
1)烟叶质量的波动性；通常，烟叶质量会因为年份、产区、品种以及等级的不同而产生差异，因此图像识别的算法应该充分考虑到烟叶质量差异的存在，并作出相应的算法转换和调整，这对实现烟叶的自动化检测造成了一定的困难。在实际生产过程中需要扩大样本数量，同时也应该关注烟叶样本的选择标准。
2)拍摄条件的多变性；一般地，图像采集要求在具有可控光照、色温以及没有环境因素影响的实验室或者温室等理想条件下进行，但在实际应用中环境多变、图像背景复杂，光照、风速的不可控性以及设备的机械震动等许多因素都能导致图像质量下降、噪声增加，大大增加了图像预处理的难度，降低了处理结果的准确性和快速性。
3)剔除非分级的干扰信息；由于烟叶自身的收缩性，即使相机拍摄时烟叶摆放在相同位置，同一烟叶不同放样形态也有差异，因此必须要从颜色空间中找出待分析烟叶样本的基于颜色的位置不变形特征；由于烟叶的梗在传统的烟叶分级中不占主要的影响因素，而梗的烟叶颜色往往比较深，会对烟叶的颜色的均匀度表征产生干扰；如何剔除非决定工业分级的变量也是一个关键的难点，如果根据梗的颜色深浅进行剔除，对于上部烟叶或者中部偏上的烟叶等级会增加误剔率，对于下部烟叶与中部偏下的烟叶等级又会剔不掉。
技术实现要素：
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于机器视觉的烟叶部位识别方法、电子设备及存储介质，用于解决现有技术中无法对烟叶部位快速、准确识别的问题。
为实现上述目的及其他相关目的，本发明提供一种基于机器视觉的烟叶部位识别方法，所述基于机器视觉的烟叶部位识别方法包括：获取烟叶的标准分级样本，采集烟叶样本图像并获取所有合格的烟叶样本图像；基于烟叶颜色与背景颜色不同，从合格的所述烟叶样本图像中分割出烟叶所在的烟叶区域；分别获取所述烟叶区域的RGB、HSV的均值与标准偏差和烟叶的面积和长宽；将RGB、HSV的均值与标准偏差和烟叶的面积和长宽标记为烟叶等级识别的特征向量，并根据不同烟叶的特征向量形成特征矩阵；对所述特征矩阵进行分解，建立烟叶部位识别的识别模型；根据所述识别模型识别烟叶部位。
于本发明的一实施例中，所述基于机器视觉的烟叶部位识别方法还包括：配置采集烟叶样本图像的采集环境和采集设备的采集参数。
于本发明的一实施例中，所述获取所有合格的烟叶样本图像具体包括：获取所述烟叶样本图像中背景板的位置的RGB颜色空间矩阵；分别获取R，G，B的均值；判断B值的上下浮动是否超过B值的浮动区间，若是，则判断烟叶样本图像不合格，若否，则判定烟叶样本图像合格；获取所有合格的所述烟叶样本图像。
于本发明的一实施例中，获取所述烟叶的面积和长宽具体包括：对所述烟叶样本图像进行滤波，形成烟叶样本滤波图像；获取所述烟叶样本滤波图像的灰度图像和图像灰度阈值；获取所述灰度图像的二值化矩阵；根据所述二值化矩阵获取所述烟叶样本滤波图像的连通区域并根据所述连通区域的像素位置获取所述烟叶的面积和长宽。
于本发明的一实施例中，根据根据所述二值化矩阵获取所述烟叶样本滤波图像的连通区域具体包括：对所述烟叶样本滤波图像的格子区域进行标记，形成类别标签；遍历所述烟叶样本滤波图像，按标记格子区域图像的像素值索引标记集合，获取标记集合中代表当前集合最小的值赋值给原图像当前位置的像素，得到烟叶每个格子区域图像的连通关系；寻找符合预设连通区域数量的连通区域，并获取每个连通区域的序号矩阵和每个连通区域的类型。
于本发明的一实施例中，所述连通区域的像素位置获取所述烟叶的面积和长宽具体包括：对每个连通区域所在的像素位置来计算该连通区域所包含的像素点，像素的总个数即为烟叶在图像中的实际像素面积；对每个连通区域，寻找包含第q个连通区域的最小外接矩形，q＝1:max(num)；所述最小外接矩形的长a，宽b分别为每个连通区域的长和宽；其中，寻找最小矩形的过程如下：寻找所有num＝q，q＝1:max(num)的二维像素坐标；获取第一维数据的最小值a11，最大值a22和第二维数据的最小值b11，最大值b22；分别以最小值a11，最大值a22，最小值b11，最大值b22为顶点确定的方形区域即为最小矩形；最小矩形的长a，宽b计算方式如下：长a＝max(a22-a11，b22-b11)；宽b＝min(a22-a11，b22-b11)。
于本发明的一实施例中，将所述特征矩阵分解为：X＝score×coeff'+E；其中，X为特征矩阵，score为主成份得分矩阵，coeff'为载荷矩阵，E为分解残差；选取烟叶等级图像特征数据主成份得分的score的前t列，对score的每一行样本按照实际烟叶的部位、等级进行标签赋值，每同一部位、等级赋相同的正整数值，形成标签数据Y；从score和标签数据Y种选取一定样本进行聚类和投影，形成所述识别模型。
于本发明的一实施例中，从score和标签数据Y种选取一定样本对所述识别模型的识别准确率进行验证。
本发明的实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的方法。
本发明的实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有程序指令，所述处理器运行程序指令实现如上所述的方法。
如上所述，本发明的基于机器视觉的烟叶部位识别方法、电子设备及存储介质具有以下
有益效果：
本发明通过对等级部位的不变特征的提取，使得部位、等级识别模型更为稳固，避免了在大量烟叶部位混淆，等级识别中出错，具有准确、快速的识别能力，加快了工业相机在部位，等级识别中的应用进程。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1显示为本发明的基于机器视觉的烟叶部位识别方法的流程示意图。
图2显示为本发明的基于机器视觉的烟叶部位识别方法的具体实施流程图。
图3显示为本发明的基于机器视觉的烟叶部位识别方法中不同样本的图像的背景色分布。
图4显示为本发明的基于机器视觉的烟叶部位识别方法中不同样本的烟叶图像所在的区域。
图5显示为本发明的基于机器视觉的烟叶部位识别方法中不同烟叶样本的HSV均值。
图6显示为本发明的基于机器视觉的烟叶部位识别方法中不同烟叶样本的RGB的均值。
图7显示为本发明的基于机器视觉的烟叶部位识别方法中不同烟叶样本的HSV的标准偏差。
图8显示为本发明的基于机器视觉的烟叶部位识别方法中不同烟叶样本的RGB的标准偏差。
图9显示为本发明的基于机器视觉的烟叶部位识别方法中不同烟叶样本的面积分布。
图10显示为本发明的基于机器视觉的烟叶部位识别方法中不同烟叶样本的宽度分布。
图11显示为本发明的基于机器视觉的烟叶部位识别方法中不同烟叶样本特征数据主成份的二维分布图。
图12显示为本发明的基于机器视觉的烟叶部位识别方法中不同烟叶部位的二维投影分布图。
图13显示为本发明的基于机器视觉的烟叶部位识别方法中投影向量分布图。
图14显示为本发明的基于机器视觉的烟叶部位识别方法中灰板拍摄烟叶的建模投影图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
请参阅图1至图14。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
本实施例的目的在于提供一种基于机器视觉的烟叶部位识别方法、电子设备及存储介质，用于解决现有技术中无法对烟叶部位快速、准确识别的问题。本发明的主要的发明内容在于如何快捷并且准确的在相机拍摄烟叶的过程中，控制拍摄条件，分析研究标准样本，剔除烟叶干扰信息，提取烟叶工业分级要素，建立快速准确的烟叶部位图像识别模型。
以下将详细阐述本发明的基于机器视觉的烟叶部位识别方法、电子设备及存储介质的原理及实施方式，使本领域技术人员不需要创造性劳动即可理解本发明的基于机器视觉的烟叶部位识别方法、电子设备及存储介质。
具体地，如图1所示，本发明的实施例提供了一种基于机器视觉的烟叶部位识别方法，所述基于机器视觉的烟叶部位识别方法包括以下步骤：
步骤S110，获取烟叶的标准分级样本，采集烟叶样本图像并获取所有合格的烟叶样本图像；
步骤S120，基于烟叶颜色与背景颜色不同，从合格的所述烟叶样本图像中分割出烟叶所在的烟叶区域；
步骤S130，分别获取所述烟叶区域的RGB、HSV的均值与标准偏差和烟叶的面积和长宽；
步骤S140，将RGB、HSV的均值与标准偏差和烟叶的面积和长宽标记为烟叶等级识别的特征向量，并根据不同烟叶的特征向量形成特征矩阵；
步骤S150，对所述特征矩阵进行分解，建立烟叶部位识别的识别模型；
步骤S160，根据所述识别模型识别烟叶部位。
以下将结合图2至图14对本实施例中的步骤S110至步骤S160进行详细说明。
步骤S110，获取烟叶的标准分级样本，采集烟叶样本图像并获取所有合格的烟叶样本图像。
获取烟叶的标准分级样本，并进行人工外观质量评价。
于本实施例中，所述基于机器视觉的烟叶部位识别方法还包括：配置采集烟叶样本图像的采集环境和采集设备的采集参数。
具体地，控制好烟叶拍摄时相机的工作环境，温度控制在恒温恒湿，25摄氏度，外界自然光控制在封闭自然光光线强度，控制外界光源与相机光源亮度；校正相机的拍摄焦距，设置相机的拍摄参数。
把分级好的烟叶样本，按照烟整把随机放，以黑色底板作为拍摄背景；烟叶整片相对比较规整的摆放在相机的拍摄工作台；每个烟叶样本在不同拍摄的区域拍摄多次，例如3次，采集3幅烟叶样本图像，并在图片上详细的标记图片的名称。
本方法严格的控制了工业相机的拍摄的环境参数，相机参数，电源稳压，为相机的稳定拍摄提出了稳定的基础，为工业相机的使用的稳定性控制提供了借鉴经验。
于本实施例中，所述获取所有合格的烟叶样本图像具体包括：获取所述烟叶样本图像中背景板的位置的RGB颜色空间矩阵；分别获取R，G，B的均值；判断B值的上下浮动是否超过B值的浮动区间，若是，则判断烟叶样本图像不合格，若否，则判定烟叶样本图像合格；获取所有合格的所述烟叶样本图像。
具体地，记拍摄烟叶的图像为Img，进行判定拍摄图像的质量的稳定性，拍摄图像质量的稳定性的是按照如下的方式计算的，选取背景板固定的位置A，求出该位置Img(A，rgb)的RGB颜色空间，分别计算R，G，B的均值；如果B值上下浮动超过B的区间BQ，则进行报警，该样本进行重新拍摄；获取所有合格的烟叶样本图片，记作Img_new。
其中A是一个矩阵，其具体的表示形式为A＝(a1，a2，b1，b2)，A表示的是像素的位置；R、G、B、均值的计算方式为：先把颜色数值矩阵转换成向量，R、G、B、均值的计算公式如下，p是R向量的长度：
按照本发明的方法对拍摄图像进行监控，剔除异常图像，从图像信息中提取不变特征，对烟叶特征矩阵进行模式识别，为分析数据的稳定性提供了可靠的数据来源。
步骤S120，基于烟叶颜色与背景颜色不同，从合格的所述烟叶样本图像中分割出烟叶所在的烟叶区域。
具体地，对于正常的合格的烟叶等级图片Img_new；在所有区域获取图片的RGB数据。计算RGB颜色信息的B值，基于烟叶颜色与背景颜色不同，运用阈值r，来从图像中分割出烟叶所在的区域位置。
步骤S130，分别获取所述烟叶区域的RGB、HSV的均值与标准偏差和烟叶的面积和长宽。
具体地，所有烟叶区域的R(红色)、G(绿色)、B(蓝色)转换成H(色调)、S(饱和程度)、V值(明亮程度)；转换的方法按照机器视觉领域常用的RGB与HSV的转换关系进行转换，求出烟叶所在区域的R、G、B、H、S、V的均值与标准偏差。
于本实施例中，获取所述烟叶的面积和长宽具体包括：对所述烟叶样本图像进行滤波，形成烟叶样本滤波图像；获取所述烟叶样本滤波图像的灰度图像和图像灰度阈值；获取所述灰度图像的二值化矩阵；根据所述二值化矩阵获取所述烟叶样本滤波图像的连通区域并根据所述连通区域的像素位置获取所述烟叶的面积和长宽。
也就是说，对烟叶图像进行滤波，获取滤波后的图像Img_new(i)，数据滤波的方法为标准差滤波，计算图像的局部颜色标准差时，在对输入图像执行标准差滤波时，设置参数为指定邻域的s维单位矩阵，s为奇数的自然数，i为第i个合格的样本图像。
计算图像灰度处理的阈值t，t的计算方法为：按图像的灰度特性，将图像分成背景和目标两部分，一般在计算t值可以采用系统默认的阈值。
对灰度图像进行二值化处理，形成二值化矩阵。
具体地，本实施例中，根据根据所述二值化矩阵获取所述烟叶样本滤波图像的连通区域具体包括：对所述烟叶样本滤波图像的格子区域进行标记，形成类别标签；遍历所述烟叶样本滤波图像，按标记格子区域图像的像素值索引标记集合，获取标记集合中代表当前集合最小的值赋值给原图像当前位置的像素，得到烟叶每个格子区域图像的连通关系；寻找符合预设连通区域数量的连通区域，并获取每个连通区域的序号矩阵和每个连通区域的类型。
例如，对Img_new(i)的连通区域进行标记，包含标记的Img_new(i)中每个连通区域的类别标签，这些标签的值为1、2、num(num表示连通区域的个数)。连通区域的寻找与计算的方法为根据二值化矩阵，来判别每个像素坐标点周围是否有相同灰度的数据分布，具体的而言就是遍历标记图像，按标记图像的像素值索引标记集合，找到标记集合中代表当前集合最小的值赋值给原图像当前位置的像素得到烟叶每个格子区域图像的连通关系，可以按照4连通寻找区域或者8连通寻找，得出每个连通区域的序号num矩阵以及每个连通区域的类型。
于本实施例中，所述连通区域的像素位置获取所述烟叶的面积和长宽具体包括：对每个连通区域所在的像素位置来计算该连通区域所包含的像素点，像素的总个数即为烟叶在图像中的实际像素面积；即每个连通区域所在的像素位置来计算该连通区域所包含的像素点，像素的总个数为像素面积Area，Area就是烟叶的在图像中的实际像素面积。
对每个连通区域，寻找包含第q个连通区域的最小外接矩形，所述最小外接矩形的长a，宽b分别为每个连通区域的长和宽；其中，寻找最小矩形的过程如下：寻找所有，的二维像素坐标；获取第一维数据的最小值a11，最大值a22和第二维数据的最小值b11，最大值b22；分别以最小值a11，最大值a22，最小值b11，最大值b22为顶点确定的方形区域即为最小矩形；最小矩形的长a，宽b计算方式如下：长a＝max(a22-a11，b22-b11)；宽b＝min(a22-a11，b22-b11)。
步骤S140，将RGB、HSV的均值与标准偏差和烟叶的面积和长宽标记为烟叶等级识别的特征向量，并根据不同烟叶的特征向量形成特征矩阵。
即把同一张图像烟叶所在区域的R、G、B、H、S、V的均值与标准偏差，与烟叶的像素长、宽、面积标记为烟叶等级识别的特征向量，把不同的图像的特征向量组成特征矩阵X。
步骤S150，对所述特征矩阵进行分解，建立烟叶部位识别的识别模型。
于本实施例中，将所述特征矩阵分解为：X＝score×coeff'+E；其中，X为特征矩阵，score为主成份得分矩阵，coeff'为载荷矩阵，E为分解残差。
即对特征矩阵X进行主成份分解，以最少的信息丢失为前提，将众多的原始变量综合成较少几个综合指标；
X＝score×coeff'+E；
上述公式的求解可以按照特征值分解、奇异值分解等方式进行计算。
然后选取烟叶等级图像特征数据主成份得分的score的前t列，对score的每一行样本按照实际烟叶的部位、等级进行标签赋值，每同一部位、等级赋相同的正整数值，形成标签数据Y；从和标签数据Y种选取一定样本进行聚类和投影，形成所述识别模型。
取烟叶等级图像特征数据主成份得分的score的前t列，对score的每一行样本按照实际烟叶的部位、等级进行标签赋值，每同一部位、等级赋相同的正整数值，形成标签数据Y；
具体地，从score，Y中分别选取一定比例的样本用于建模，一部分样本用于验证，设选取的建模样本的个数为m，则分别记建模集主成分数据、建模集标签、验证集主成分数数据，验证集标签分别为xcal，ycal，xtest，ytest。
对xcal，ycal做判别模型，其具体的做法求投影向量wi1,i1∈(0,k]，使得，
其中，z是建模数据在投影向量w的投影数据，E(zj1)表示的是第j1类样本的投影数据的均值，kk表示烟叶等级的总类别，j1,j2,∈(0,kk]的正整数，jj表示的是第jj类样本，N表示的是所有样本的个数，S1表示的是类间差，S2表示的是类内差，W表示的是类间差与类内差的比值，物理意义是投影模型的可分性度量；判别准则函数满足两个性质：投影后，各类样本内部尽可能密集，即总类内离散度越小越好。各类样本之间尽可能离得远，即样本类间离散度越大越好。
于本实施例中，所述基于机器视觉的烟叶部位识别方法还包括从score和标签数据Y种选取一定样本对所述识别模型的识别准确率进行验证。
把建立好的判别模型去预测xtest得到PY，把预测的结果与ytest进行比较，并计算模型预测的准确率Acc；
其中，N2表示验证样本的数量；
独立选取一些新的外来样本，反复的对识别模型进行验证，维护和优化。
步骤S160，根据所述识别模型识别烟叶部位。
通过本方法，由于等级部位的不变特征的提取，使得部位、等级识别模型更为稳固，避免了在大量烟叶部位混淆，等级识别中出错，具有准确、快速的识别能力，加快了工业相机在部位，等级识别中的应用进程。
本发明的实施例提供了一种存储介质，所述存储介质例如为存储器，所述存储器可包括高速随机存取存储器，并且还可包括非易失性存储器，例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。
所述存储器存储有程序指令，该程序被处理器执行时实现上述基于机器视觉的烟叶部位识别方法中的步骤。在此不再赘述上述基于机器视觉的烟叶部位识别方法中的步骤。
本发明的实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有程序指令，所述处理器运行程序指令实现如上所述的基于机器视觉的烟叶部位识别方法。在此不再赘述上述基于机器视觉的烟叶部位识别方法中的步骤。
其中，所述电子设备例如为相机或手机。
以下以一实例说明本发明的基于机器视觉的烟叶部位识别方法的具体实现过程。
获取烟叶分级样本，按照把烟叶直接放在拍摄台(无背景校正板)拍摄，每个细分等级只取1个样本，涵盖等级B1，B2，B3，B4，C1，C2，C3，C4，X1，X2，X3，X4；获得烟叶样本61个细分类型；独立验证烟叶样本各有20个。
烟叶拍摄相机的工作环境，温度控制在恒温恒湿，25摄氏度，外界自然光按照封闭自然光光线，控制自然灯开灯的数量为3组，相机的电源运用一个稳压器作为稳定的外部电源，烟叶的侧面光源进行垂直烟叶所在的平面90的角度，底板光源强度通过旋转按钮把光源控制在最低强度；设置相机的拍摄参数为参数设置：Tv<＝1/20s；ISO＝200；F：8.0，PEG记录分辨率＝6M；JPEG画质等级三颗星；防抖(Shake Reduction)；白平衡_自动；闪光灯模式_手动闪光；色彩空间RGB。
取A＝(a1，a2，b1，b2)＝[547:911，503:631]的区域作为背景区域；求得背景区域的RGB，求得计算蓝色色域B的背景基色为如图3所示。
由于，对于蓝色分布范围，如果颜色≤5，人工很难识别颜色的变化，所以所有样本都是正常，取BQ＝[158，163]。
基于烟叶颜色与背景颜色不同，运用阈值r，来从图像中分割出烟叶所在的区域位置，设阈值r＝80，计算烟叶区域如图4所示。
分别获取所述烟叶区域的RGB、HSV的均值与标准偏差，具体如图5至图8所示。
然后计算烟叶的面积和长宽，在对输入图像执行标准差滤波时，设置参数为指定邻域的s维单位矩阵，设s＝9，滤波阈值t为系统自带的默认阈值，可以用通用的阈值处理函数graythresh求得默认矩阵；按照8联通寻找联通区域，求得烟叶的面积与宽度如图9和图10所示。
对特征数据矩阵X进行主成份分解，求得主成份得分矩阵，score以及其二维分布图如图11所示。
取烟叶等级图像特征数据主成份得分的score的前9列，并对上部烟B赋值为1，中部烟赋值为2，下部烟赋值为3，所有样本采取留一验证法进行内部验证。
根据建立的识别模型得到投影图如图12所示，投影向量如图13所示。
通过内部交叉验证得到上述模型的准确度Acc＝84.85％；独立重新从大类烟叶样本中取样，分选20个烟叶样本，涵盖不同的等级，进行拍照进行验证，得到预测值如下表1，正确率为85％，识别错误的样本为2个中部烟叶识别成了下部烟叶，1个下部烟叶识别成了中部烟叶。
表1：新的样本的外部验证(白板)
再次取烟叶烟叶样本，进行严格的分级把烟叶放在灰板上进行拍摄的样本，总计样本398个，涵盖B1，B2，B3，B4，C1，C2，C3，C4，X1，X2，X3，X4，12个类别。灰板拍摄烟叶的建模投影图如图14所示。
求得部位识别模型的外部验证表如表2所示，识别准确度为85％。
表2：新的样本的外部验证(灰板)
综上所述，本发明通过等级部位的不变特征的提取，使得部位、等级识别模型更为稳固，避免了在大量烟叶部位混淆，等级识别中出错，具有准确、快速的识别能力，加快了工业相机在部位，等级识别中的应用进程。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中包括通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。