基于视觉的烤后烟烟叶部位分类方法、装置及电子设备与流程

1.本文件涉及姜丝蒜机技术领域，尤其涉及一种基于视觉的烤后烟烟叶部位分类方法、装置及电子设备。


背景技术：

2.按照《中华人民共和国烤烟国家标准》中有关规定，烟叶分级需要按如下顺序进行，首先对部位进行分类，分为上部中部下部三类；其次对颜色进行分类，对于各部位的烟叶有固定的颜色种类；最后对等级分级，每个部位每种颜色有4个等级，分别用1，2，3，4表示；按照这一系列流程最后可分出42个等级，也就是国标中的烟叶42种等级。由此看出，部位分类在其中非常重要，是整个分级工作的首要步骤，传统的部位分类主要由烟叶分级专家通过逐片观察进行，不利用烟草行业迈向智能化，自动化的发展，同时也存在工作效率低，人力物力资源浪费较大等问题，所以烟叶部位的计算机自动分类方法研究具有重大的实际意义。传统的烟叶部位分类主要由烟叶分级专家通过观察得出结果，效率较低。


技术实现要素：

3.本发明的目的在于提供一种基于视觉的烤后烟烟叶部位分类方法、装置及电子设备，旨在解决现有技术中的上述问题。
4.本发明提供一种基于视觉的烤后烟烟叶部位分类方法，包括：
5.对烤后烟烟叶图片进行标注，基于标注的烤后烟烟叶图片基于深度自学习网络进行训练，得到语义分割模型，将烤后烟烟叶图片输入所述语义分割模型，根据所述语义分割模型的输出进行烟叶背景及烟叶放置平台上其他杂物的处理，获取处理后的烤后烟烟叶图片；
6.寻找烤后烟烟叶图片烟叶部分的上下左右边界，计算边界点，再使用高分辨率工业相机拍摄黑白棋盘格图片作为参照，计算烤后烟烟叶真实的长宽；
7.根据烤后烟烟叶真实的长宽和黑白棋盘格参照信息，计算烤后烟烟叶实际面积；
8.根据烤后烟烟叶真实的长宽和烤后烟烟叶实际面积，通过分类模型得到部位分类结果。
9.本发明提供一种基于视觉的烤后烟烟叶部位分类装置，包括：
10.语义分割模型模块，用于对烤后烟烟叶图片进行标注，基于标注的烤后烟烟叶图片基于深度自学习网络进行训练，得到语义分割模型，将烤后烟烟叶图片输入所述语义分割模型，根据所述语义分割模型的输出进行烟叶背景及烟叶放置平台上其他杂物的处理，获取处理后的烤后烟烟叶图片；
11.第一计算模块，用于寻找烤后烟烟叶图片烟叶部分的上下左右边界，计算边界点，再使用高分辨率工业相机拍摄黑白棋盘格图片作为参照，计算烤后烟烟叶真实的长宽；
12.第二计算模块，用于根据烤后烟烟叶真实的长宽和黑白棋盘格参照信息，计算烤后烟烟叶实际面积；
13.分类模块，用于根据烤后烟烟叶真实的长宽和烤后烟烟叶实际面积，通过分类模型得到部位分类结果。
14.本发明实施例还提供一种基于视觉的烤后烟烟叶部位分类电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述基于视觉的烤后烟烟叶部位分类方法的步骤。
15.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述基于视觉的烤后烟烟叶部位分类方法的步骤。
16.采用本发明实施例，综合了专家分级时考虑的几个因素，并通过计算机视觉获取和量化，最后通过分类模型得到部位分类结果，一定程度上提高了部位分类工作的效率，并节省了大量人力资源，相较于原有的人工分类具有效率高成本低的特点，并有利于后续烟叶智能分级等方面的研究。本发明实施例所需的硬件设备简单，仅需要拍摄烟叶图片的高分辨率相机，相较于其他复杂硬件装置具有成本低，速度快的优势。
附图说明
17.为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
18.图1是本发明实施例的基于视觉的烤后烟烟叶部位分类方法的流程图；
19.图2是本发明实施例的基于视觉的烤后烟烟叶部位分类方法的详细步骤的流程图；
20.图3是本发明实施例的图片预处理方法流程图；
21.图4是本发明实施例的烟叶实际长宽计算方法流程图；
22.图5是本发明实施例的烟叶实际面积计算方法流程图；
23.图6是本发明实施例的烟叶图片语义分割标签标注示意图；
24.图7是本发明实施例的烟叶长宽示意图；
25.图8是本发明实施例的作为参考的黑白棋盘格示意图；
26.图9是本发明实施例的真实烟叶图片分类结果示意图；
27.图10是本发明实施例的基于视觉的烤后烟烟叶部位分类装置的示意图；
28.图11是本发明实施例的基于视觉的烤后烟烟叶部位分类电子设备的示意图。
具体实施方式
29.本发明实施例提出了一种基于视觉的烤后烟烟叶部位分类方法、装置及电子设备，主要目的在于自动的对烟叶部位进行分类，解决人工分类的工作效率低，成本高，资源浪费等问题。本发明首先运用深度学习语义分割和连通区域筛选对拍摄的烟叶图片预处理，排除背景和碎叶等杂物的干扰；其次通过烟叶部分边界点的提取，利用黑白棋盘格作为参考信息，计算烟叶实际长宽；然后利用长宽及其他参考信息计算烟叶实际面积；最后针对多种分类模型进行训练测试，选择最佳方案。
30.为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
31.方法实施例
32.根据本发明实施例，提供了一种基于视觉的烤后烟烟叶部位分类方法，图1是本发明实施例的基于视觉的烤后烟烟叶部位分类方法的流程图，如图1所示，根据本发明实施例的基于视觉的烤后烟烟叶部位分类方法具体包括：
33.步骤101，对烤后烟烟叶图片进行标注，基于标注的烤后烟烟叶图片基于深度自学习网络进行训练，得到语义分割模型，将烤后烟烟叶图片输入所述语义分割模型，根据所述语义分割模型的输出进行烟叶背景及烟叶放置平台上其他杂物的处理，获取处理后的烤后烟烟叶图片；
34.步骤102，寻找烤后烟烟叶图片烟叶部分的上下左右边界，计算边界点，再使用高分辨率工业相机拍摄黑白棋盘格图片作为参照，计算烤后烟烟叶真实的长宽；
35.步骤103，根据烤后烟烟叶真实的长宽和黑白棋盘格参照信息，计算烤后烟烟叶实际面积；
36.步骤104，根据烤后烟烟叶真实的长宽和烤后烟烟叶实际面积，通过分类模型得到部位分类结果。
37.步骤101具体包括：
38.对所述烤后烟烟叶图片的图片特征区域和背景进行像素级标注，在每张待训练的所述烤后烟烟叶图片上用自定义多边形曲线标注烟叶部分和背景部分，生成带有烟叶区域像素位置信息的像素级标签；
39.采用基于mobilenetv2的deeplab v3+语义分割网络，根据标注好标签的所述烤后烟烟叶图片进行训练，分割所述烤后烟烟叶图片中的烟叶部分，其中，所述基于mobilenetv2的deeplab v3+语义分割网络共186层，每次通过卷积层进行卷积操作后根据公式1进行批归一化，然后输入激活层，根据公式2使用截断整流线性单元为激活函数，解码器用转置卷积将编码器输出结果还原为输入特征图的大小，并对比原图进行中心裁剪，通过如公式3所示的softmax激活函数后输出通道数为标签个数的分割结果，再将输出输入下一个卷积层。最终得到的语义分割结果为一个类别种类为标签种类的类别矩阵，即矩阵的元素为不同种类的标签名或者标签的标识字符串，即分别是烟叶部分的标签“stopseg”和背景部分的标签“back”；
[0040][0041]
其中，x
(k)
和y
(k)
分别为原始输入数据和输出数据，μ
(k)
和σ
(k)
分别是输入数据均值和标准差，β
(k)
和γ
(k)
分别为可学习的平移参数和缩放参数，上标k表示数据的第k维，ε是防止分母为0的一个小量；
[0042][0043]
其中，ceiling为设定的阈值；
[0044][0045]
其中，zi为第i个节点的输出值，c为标签种类的个数；
[0046]
针对背景利用语义分割模型输出的类别矩阵，提取元素为“back”的元素位置，对应到原图像素矩阵中，将对应位置像素值置0，进行初步处理，根据公式4将初步处理的烤后烟烟叶图片转为单通道灰度图像，再转为二值图像求取连通区域，在灰度图像转二值图像时确定合适的像素阈值以将像素二值化，根据公式5采用计算前景背景类间方差的方法寻找像素阈值，计算时在灰度图像中遍历像素值，将高于当前像素值部分作为前景部分，其余为背景部分，依次计算类间方差后取最大方差对应的像素值作为阈值将灰度图像转为二值图像，在二值图像中求取连通区域，选取8连通的方式，即元素为1的像素点上下左右及斜方向共8个方向像素值均为1，则认为该区域为一个连通区域，求取所有的连通区域后选择最大的连通区域，其余区域像素值置0，经过两次处理后的图片背景部分像素值为0，没有烟叶放置平台上残留的碎叶等杂质的影响；
[0047]
i＝0.30r+0.59g+0.11b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式4；
[0048]
其中，r,g,b为彩色图片的三通道矩阵，i为合并后的单通道矩阵；
[0049]
std＝num1
×
(ave1-ave)2+num2
×
(ave2-ave)2ꢀꢀꢀ
公式5；
[0050]
其中，std为类间方差，num1为前景部分像素个数，num2为背景部分像素个数，ave1为前景部分平均灰度值，ave2为背景部分平均灰度值，ave为总的平均灰度值。
[0051]
步骤102具体包括：
[0052]
在经处理后的烤后烟烟叶图片的像素矩阵中，烟叶部分像素为原始值，背景部分像素值为0，分别沿上下左右四个方向对图片像素矩阵逐行或逐列遍历，上下方向按行遍历，左右方向按列遍历，寻找第一个不为0的行或列，并返回其中不为0的元素的位置，假设该行或列中不为0的元素总数为n，i为其中第i个元素，则根据公式6计算作为边界点的元素i：
[0053][0054]
在黑白棋盘格上不同位置取5个格子测量方格边长ai，求取平均值作为黑白棋盘中一个方格的实际边长，再对拍摄的黑白棋盘格上以同样方式取5个格子测取像素边长，即图片中像素坐标间的欧氏距离bi，同样求取平均值作为黑白棋盘格的像素边长，根据公式7计算拍摄图片中像素尺寸z
p
与实际尺寸的zn：
[0055][0056]
根据找出的边界点，将上下边界点记作w1,w2，左右边界点记作l1,l2，根据公式8和
公式9计算烟叶实际长宽ln,wn：
[0057][0058][0059]
步骤103具体包括：
[0060]
根据黑白棋盘格图片，假设图片中共有p个小方格，由该台设备拍摄的烟叶图片中烟叶区域的像素个数为p1，图片总的像素个数为p2，则根据公式10计算烟叶的实际面积sn：
[0061][0062]
步骤104具体包括：
[0063]
确定分类模型的6个特征输入具体为：长、宽、面以及颜色的hsv值，其中，根据公式11-13确定颜色的rgb空间转为hsv空间：
[0064][0065][0066]
v＝max(r,g,b)
ꢀꢀ
公式13；
[0067]
对已知等级的烟叶图片计算6个特征根据公式14进行均值归一化，经过归一化将原始数据映射到均值为0，标准差为1的分布上，并分为训练集、验证集和测试集输入并输入到分类器中，设置类别标签为上部烟1，中部烟2，下部烟3，测试分类效果：
[0068][0069]
其中，x为原始特征的均值，σ为标准差；
[0070]
根据得到的分类效果，确定分类模型为如公式15所示的二次核函数的支持向量机：
[0071]
k(x,y)＝(x
·
y+1)2ꢀꢀ
公式15；
[0072]
其中，x，y为两个样本的特征向量；
[0073]
通过二次核函数分类模型得到部位分类结果。
[0074]
以下结合附图，对本发明实施例的上述技术方案进行详细说明。图2是本发明实施例的基于视觉的烤后烟烟叶部位分类方法的详细步骤的流程图，如图2所示，具体包括如下处理：
[0075]
步骤(1)基于深度学习语义分割的图片预处理，如图3所示：先对烤后烟烟叶图片
进行标注，选择深度网络进行训练后得到语义分割模型。之后使用已训练模型读入烟叶图片，根据模型输出进行烟叶背景及烟叶放置上其他杂物的处理；
[0076]
①
烟叶图片特征标注
[0077]
如图6所示，对图片进行语义分割前需要对图片特征区域和背景进行像素级的标注，在每张待训练图片上用自定义多边形曲线标注烟叶部分和背景部分，生成带有烟叶区域像素位置信息的像素级标签。
[0078]
②
烟叶图片烟叶部分分割
[0079]
本发明采用基于mobilenetv2的deeplab v3+语义分割网络，利用
①
中标注好的标签进行训练，分割图片中的烟叶部分。deeplab v3+网络整体架构为编码器—解码器架构，编码器的主体部分本发明中采用了mobilenetv2网络作为基本网络。网络共186层，每次通过卷积层进行卷积操作后进行批归一化，然后输入激活层，再将输出输入下一个卷积层。使用的批归一化公式为：
[0080][0081]
x
(k)
和y
(k)
分别为原始输入数据和输出数据，μ
(k)
和σ
(k)
分别是输入数据均值和标准差，β
(k)
和γ
(k)
分别为可学习的平移参数和缩放参数，上标k表示数据的第k维，ε是防止分母为0的一个小量。激活层使用截断整流线性单元为激活函数，其公式为：
[0082][0083]
ceiling为设定的阈值，此处设定为6。解码器用转置卷积将编码器输出结果还原为输入特征图的大小，并对比原图进行中心裁剪，通过softmax激活函数后输出通道数为标签个数的分割结果，softmax激活函数公式为：
[0084][0085]
zi为第i个节点的输出值，c为标签种类的个数。最终得到的语义分割结果为一个类别种类为标签种类的类别矩阵，即矩阵的元素为不同种类的标签名或者标签的标识字符串，此处分别是烟叶部分的标签“stopseg”和背景部分的标签“back”。
[0086]
③
烟叶图片背景及碎叶等杂物处理
[0087]
首先对于背景，利用语义分割模型输出的类别矩阵，提取元素为“back”的元素位置，对应到原图像素矩阵中，将对应位置像素值置0，进行初步处理。将初步处理的烟叶图片转为单通道灰度图像，再转为二值图像求取连通区域。烟叶图片转单通道灰度图片的公式为：
[0088]
i＝0.30r+0.59g+0.11b
ꢀꢀ⑷
[0089]
r,g,b为彩色图片的三通道矩阵，i为合并后的单通道矩阵。灰度图像转二值图像时需要寻找合适的像素阈值以将像素二值化，此处采用计算前景背景类间方差的方法寻找像素阈值。类间方差的计算公式为：
[0090]
std＝num1
×
(ave1-ave)2+num2
×
(ave2-ave)2ꢀꢀ⑸
[0091]
std为类间方差，num1为前景部分像素个数，num2为背景部分像素个数，ave1为前景部分平均灰度值，ave2为背景部分平均灰度值，ave为总的平均灰度值。计算时在灰度图像中遍历像素值，将高于当前像素值部分作为前景部分，其余为背景部分，依次计算类间方差后取最大方差对应的像素值作为阈值将灰度图像转为二值图像。
[0092]
在二值图像中求取连通区域，选取8连通的方式，即元素为1的像素点上下左右及斜方向共8个方向像素值均为1，则认为该区域为一个连通区域。求取所有的连通区域后选择最大的连通区域，其余区域像素值置0，经过两次处理后的图片背景部分像素值为0，没有烟叶放置平台上残留的碎叶等杂质的影响。
[0093]
步骤(2)计算烟叶实际长宽，如图4所示：寻找烟叶图片烟叶部分的上下左右边界，计算边界点，再使用公司配备的烟叶综合测试装置拍摄黑白棋盘格图片作为参照，计算烟叶图片真实的长宽，如图7所示；
[0094]
①
寻找烟叶图片烟叶部分边界点
[0095]
对于步骤(1)处理后的图片，对其像素矩阵分析。经处理后烟叶图片的像素矩阵中，烟叶部分像素为原始值，背景部分像素值为0，所以分别沿上下左右四个方向对图片像素矩阵逐行或逐列遍历，上下方向按行遍历，左右方向按列遍历，寻找第一个不为0的行或列，并返回其中不为0的元素的位置。假设该行或列中不为0的元素总数为n，i为其中第i个元素，则作为边界点的元素i计算公式为：
[0096][0097]
②
获取参考信息
[0098]
在黑白棋盘格上不同位置取5个格子测量方格边长ai，求取平均值作为黑白棋盘中一个方格的实际边长。再对拍摄的黑白棋盘格上以同样方式取5个格子测取像素边长，即图片中像素坐标间的欧氏距离bi，同样求取平均值作为黑白棋盘格的像素边长。黑白棋盘格如图8所示，拍摄图片中像素尺寸z
p
与实际尺寸的zn计算方式为：
[0099][0100]
③
计算烟叶实际长宽
[0101]
根据
①
中找出的边界点，上下边界点记作w1,w2，左右边界点记作l1,l2，烟叶实际长宽ln,wn的计算公式为：
[0102][0103][0104]
步骤(3)计算烟叶实际面积，如图5所示：根据步骤(2)计算的长宽信息和黑白棋盘格参照信息，计算烟叶图片真实的长宽；
[0105]
根据步骤(2)具体步骤
②
中提到的黑白棋盘格图片，假设图片中共有p个小方格，由该台设备拍摄的烟叶图片中烟叶区域的像素个数为p1，图片总的像素个数为p2，则烟叶的
实际面积sn计算公式为：
[0106][0107]
步骤(4)通过分类模型得到部位分类结果：利用步骤(2)(3)得到的长宽面积信息，用分类模型测试分类效果；
[0108]
①
综合特征信息
[0109]
根据《中华人民共和国烤烟国家标准》中关于烟叶部位的描述，影响烟叶部位分类的主要因素为尺寸，但颜色同样存在一定影响，所以在选择分类模型的特征输入时，除长宽面积外，加入颜色的hsv值作为另外3个输入，总计为6个特征输入。颜色的rgb空间转hsv空间公式为：
[0110][0111][0112]
v＝max(r,g,b)
⒀
[0113]
②
选择最佳分类模型
[0114]
对已知等级的烟叶图片计算
①
中6个特征输入多个分类器中，其中70％作为训练集，20％作为验证集，10％作为测试集，类别标签为上部烟1，中部烟2，下部烟3，测试分类效果。所有特征输入需要先进行均值归一化，归一化公式为：
[0115][0116]
x为原始特征的均值，σ为标准差，经过归一化可以将原始数据映射到均值为0，标准差为1的分布上，使各个特征的数据处于同一数值量级，以便分析。不同分类器分类效果不同，经过测试得到分类效果最好的模型为二次核函数的支持向量机。其核函数为二次多项式核函数：
[0117]
k(x,y)＝(x
·
y+1)2⒂
[0118]
其中x,y为两个样本的特征向量。核函数用以简化支持向量机优化问题中任意两个样本特征向量需要进行点乘这一步骤，减少计算量。
[0119]
表1为测试的不同分类模型效果：
[0120]
表1不同分类模型测试效果
[0121]
[0122][0123]
综合验证集和测试集的效果，选择二次核svm效果最好。实际运用时，除部分因机械损伤造成特征数据失真的烟叶，其余分类效果显著，真实烟叶图片分类结果示意图如图9所示。
[0124]
装置实施例一
[0125]
根据本发明实施例，提供了一种基于视觉的烤后烟烟叶部位分类装置，图10是本发明实施例的基于视觉的烤后烟烟叶部位分类装置的示意图，如图10所示，根据本发明实施例的基于视觉的烤后烟烟叶部位分类装置具体包括：
[0126]
语义分割模型模块100，用于对烤后烟烟叶图片进行标注，基于标注的烤后烟烟叶图片基于深度自学习网络进行训练，得到语义分割模型，将烤后烟烟叶图片输入所述语义分割模型，根据所述语义分割模型的输出进行烟叶背景及烟叶放置平台上其他杂物的处理，获取处理后的烤后烟烟叶图片；
[0127]
第一计算模块102，用于寻找烤后烟烟叶图片烟叶部分的上下左右边界，计算边界点，再使用高分辨率工业相机拍摄黑白棋盘格图片作为参照，计算烤后烟烟叶真实的长宽；
[0128]
第二计算模块104，用于根据烤后烟烟叶真实的长宽和黑白棋盘格参照信息，计算烤后烟烟叶实际面积；
[0129]
分类模块106，用于根据烤后烟烟叶真实的长宽和烤后烟烟叶实际面积，通过分类模型得到部位分类结果。
[0130]
所述语义分割模型模块100具体用于：
[0131]
对所述烤后烟烟叶图片的图片特征区域和背景进行像素级标注，在每张待训练的所述烤后烟烟叶图片上用自定义多边形曲线标注烟叶部分和背景部分，生成带有烟叶区域像素位置信息的像素级标签；
[0132]
采用基于mobilenetv2的deeplab v3+语义分割网络，根据标注好标签的所述烤后烟烟叶图片进行训练，分割所述烤后烟烟叶图片中的烟叶部分，其中，所述基于mobilenetv2的deeplab v3+语义分割网络共186层，每次通过卷积层进行卷积操作后根据公式1进行批归一化，然后输入激活层，根据公式2使用截断整流线性单元为激活函数，解码器用转置卷积将编码器输出结果还原为输入特征图的大小，并对比原图进行中心裁剪，通过如公式3所示的softmax激活函数后输出通道数为标签个数的分割结果，再将输出输入下
一个卷积层。最终得到的语义分割结果为一个类别种类为标签种类的类别矩阵，即矩阵的元素为不同种类的标签名或者标签的标识字符串，即分别是烟叶部分的标签“stopseg”和背景部分的标签“back”；
[0133][0134]
其中，x
(k)
和y
(k)
分别为原始输入数据和输出数据，μ
(k)
和σ
(k)
分别是输入数据均值和标准差，β
(k)
和γ
(k)
分别为可学习的平移参数和缩放参数，上标k表示数据的第k维，ε是防止分母为0的一个小量；
[0135][0136]
其中，ceiling为设定的阈值；
[0137][0138]
其中，zi为第i个节点的输出值，c为标签种类的个数；
[0139]
针对背景利用语义分割模型输出的类别矩阵，提取元素为“back”的元素位置，对应到原图像素矩阵中，将对应位置像素值置0，进行初步处理，根据公式4将初步处理的烤后烟烟叶图片转为单通道灰度图像，再转为二值图像求取连通区域，在灰度图像转二值图像时确定合适的像素阈值以将像素二值化，根据公式5采用计算前景背景类间方差的方法寻找像素阈值，计算时在灰度图像中遍历像素值，将高于当前像素值部分作为前景部分，其余为背景部分，依次计算类间方差后取最大方差对应的像素值作为阈值将灰度图像转为二值图像，在二值图像中求取连通区域，选取8连通的方式，即元素为1的像素点上下左右及斜方向共8个方向像素值均为1，则认为该区域为一个连通区域，求取所有的连通区域后选择最大的连通区域，其余区域像素值置0，经过两次处理后的图片背景部分像素值为0，没有烟叶放置平台上残留的碎叶等杂质的影响；
[0140]
i＝0.30r+0.59g+0.11b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式4；
[0141]
其中，r,g,b为彩色图片的三通道矩阵，i为合并后的单通道矩阵；
[0142]
std＝num1
×
(ave1-ave)2+num2
×
(ave2-ave)2ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式5；
[0143]
其中，std为类间方差，num1为前景部分像素个数，num2为背景部分像素个数，ave1为前景部分平均灰度值，ave2为背景部分平均灰度值，ave为总的平均灰度值。
[0144]
所述第一计算模块102具体用于：
[0145]
在经处理后的烤后烟烟叶图片的像素矩阵中，烟叶部分像素为原始值，背景部分像素值为0，分别沿上下左右四个方向对图片像素矩阵逐行或逐列遍历，上下方向按行遍历，左右方向按列遍历，寻找第一个不为0的行或列，并返回其中不为0的元素的位置，假设该行或列中不为0的元素总数为n，i为其中第i个元素，则根据公式6计算作为边界点的元素i：
[0146][0147]
在黑白棋盘格上不同位置取5个格子测量方格边长ai，求取平均值作为黑白棋盘中一个方格的实际边长，再对拍摄的黑白棋盘格上以同样方式取5个格子测取像素边长，即图片中像素坐标间的欧氏距离bi，同样求取平均值作为黑白棋盘格的像素边长，根据公式7计算拍摄图片中像素尺寸z
p
与实际尺寸的zn：
[0148][0149]
根据找出的边界点，将上下边界点记作w1,w2，左右边界点记作l1,l2，根据公式8和公式9计算烟叶实际长宽ln,wn：
[0150][0151][0152]
所述第二计算模块104具体用于：
[0153]
根据黑白棋盘格图片，假设图片中共有p个小方格，由该台设备拍摄的烟叶图片中烟叶区域的像素个数为p1，图片总的像素个数为p2，则根据公式10计算烟叶的实际面积sn：
[0154][0155]
所述分类模块106具体用于：
[0156]
确定分类模型的6个特征输入具体为：长、宽、面以及颜色的hsv值，其中，根据公式11-13确定颜色的rgb空间转为hsv空间：
[0157][0158][0159]
v＝max(r,g,b)
ꢀꢀ
公式13；
[0160]
对已知等级的烟叶图片计算6个特征根据公式14进行均值归一化，经过归一化将原始数据映射到均值为0，标准差为1的分布上，并分为训练集、验证集和测试集输入并输入到分类器中，设置类别标签为上部烟1，中部烟2，下部烟3，测试分类效果：
[0161]
[0162]
其中，x为原始特征的均值，σ为标准差；
[0163]
根据得到的分类效果，确定分类模型为如公式15所示的二次核函数的支持向量机：
[0164]
k(x,y)＝(x
·
y+1)2ꢀꢀ
公式15；
[0165]
其中，x，y为两个样本的特征向量；
[0166]
通过二次核函数分类模型得到部位分类结果。
[0167]
本发明实施例是与上述方法实施例对应的装置实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。
[0168]
装置实施例二
[0169]
本发明实施例提供一种基于视觉的烤后烟烟叶部位分类电子设备，如图11所示，包括：存储器110、处理器112及存储在所述存储器110上并可在所述处理112上运行的计算机程序，所述计算机程序被所述处理器112执行时实现如方法实施例中所述的步骤。
[0170]
装置实施例三
[0171]
本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传输的实现程序，所述程序被处理器112执行时实现如方法实施例中所述的步骤。
[0172]
本实施例所述计算机可读存储介质包括但不限于为：rom、ram、磁盘或光盘等。
[0173]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。