基于卷积神经网络校正烘烤烟叶颜色失真图像的方法

本发明涉及一种基于卷积神经网络校正烘烤烟叶颜色失真图像的方法，属于烟叶烘烤。

背景技术：

1、当前，烟叶烘烤程度和烘烤工艺阶段判断主要是靠烘烤技术人员感官获得烟叶当前的颜色和形状，通过对比标准样本，进而适时调整烘烤工艺参数。然而，基于人工经验的烟叶烘烤工艺不客观，个体差异性大，烟叶烘烤质量不稳定。

2、基于上述，现有技术cn112540971a公开了一种基于烟叶特征的全信息在线采集系统及方法，该系统包括包括rfid信息采集模块、图像采集模块、图像处理模块、测厚模块、称重模块、近红外光谱采集模块、化学成分分析模块、数据分类模块和数据存储模，该方案可以实现烟叶特征的全信息在线采集，包括图像信息、物理信息、化学信息等，并可构建烟叶特征全信息数据库，便于后续分析、生产使用。然而，在烟叶烘烤过程中装烟室内环境复杂多变，对于摄像头而言处于高温高湿状态，使得图像采集过程中会产生颜色失真，例如图片发绿，图像模糊等，不便于准确的判断。有必要对此进行研究改进。

技术实现思路

1、基于上述，本发明提供一种基于卷积神经网络校正烘烤烟叶颜色失真图像的方法，能够对失真的烘烤烟叶图像进行校正处理，以便准确判断烟叶的颜色。

2、本发明的技术方案是：基于卷积神经网络校正烘烤烟叶颜色失真图像的方法，包括：

3、获取烘烤烟叶颜色失真图像；

4、将所述烟叶颜色失真图像输入到卷积神经网络颜色校正模型中，得到校正后的烘烤烟叶颜色图像。

5、优选的，所述卷积神经网络颜色校正模型的构建方法如下：

6、获取烘烤烟叶颜色正常图像和颜色失真图像；

7、提取所述颜色正常图像和颜色失真图像的非零像素点的r、g、b均值，通过与同时刻温湿度信息进行多模态融合，建立图像颜色数据集；

8、将所述颜色失真图像的数据集作为输入，将所述颜色正常图像的数据集作为输出，对多层卷积神经网络进行训练，得到卷积神经网络颜色校正模型。

9、优选的，在提取r、g、b均值前，将所述烟叶颜色正常图像和颜色失真图像分割为叶茎图像和叶片图像。

10、优选的，所述卷积神经网络颜色校正模型为三层，其中第一层对图像进行灰度化处理，第二层对图像进行灰度细节增强，第三层通过端到端的卷积神经网络对图像进行颜色还原，对三层的输出进行积分生成最后的校正图像。

11、本发明的有益效果是：本发明通过将烟叶颜色失真图像输入到卷积神经网络颜色校正模型中进行校正，经申请人试验，采用本发明校正后的图像，能够很好的识别烟叶烘烤颜色，准确度达90%，可以作为烟叶烘烤判断的依据，有效解决了烟叶图像采集过程中产生的颜色失真问题。

技术特征：

1.基于卷积神经网络校正烘烤烟叶颜色失真图像的方法，其特征在于，包括：

2.根据权利要求1所述的基于卷积神经网络校正烘烤烟叶颜色失真图像的方法，其特征在于，所述卷积神经网络颜色校正模型的构建方法如下：

3.根据权利要求2所述的基于卷积神经网络校正烘烤烟叶颜色失真图像的方法，其特征在于，在提取r、g、b均值前，将所述烟叶颜色正常图像和颜色失真图像分割为叶茎图像和叶片图像。

4.根据权利要求1所述的基于卷积神经网络校正烘烤烟叶颜色失真图像的方法，其特征在于，所述卷积神经网络颜色校正模型为三层，其中第一层对图像进行灰度化处理，第二层对图像进行灰度细节增强，第三层通过端到端的卷积神经网络对图像进行颜色还原，对三层的输出进行积分生成最后的校正图像。

技术总结
本发明公开了一种基于卷积神经网络校正烘烤烟叶颜色失真图像的方法，包括：获取烘烤烟叶颜色失真图像；将所述烟叶颜色失真图像输入到卷积神经网络颜色校正模型中，得到校正后的烘烤烟叶颜色图像。本发明通过将烟叶颜色失真图像输入到卷积神经网络颜色校正模型中进行校正，经申请人试验，采用本发明校正后的图像，能够很好的识别烟叶烘烤颜色，准确度达90%，可以作为烟叶烘烤判断的依据，有效解决了烟叶图像采集过程中产生的颜色失真问题。

技术研发人员：曹阳,饶承麟,刘典,郭泽华,张大斌
受保护的技术使用者：贵州大学
技术研发日：
技术公布日：2024/1/13