基于HSV的烤烟叶片青杂检测研究

doi:10.11923/j.issn.2095-4050.cjas2023-0225

农学学报 ›› 2024, Vol. 14 ›› Issue (11): 1-6.doi: 10.11923/j.issn.2095-4050.cjas2023-0225

• 农艺农学生理生化 • 下一篇

基于HSV的烤烟叶片青杂检测研究

李更新¹(), 臧传江¹, 赵湘江¹, 王德权¹, 董玉双²(), 古明光¹, 高阳¹, 谭新伟¹, 苗壮¹, 赵溪清¹, 李阳³

¹ 山东潍坊烟草有限公司，山东潍坊 261031
² 中央民族大学信息工程学院，北京 100081
³ 北方工业大学计算机系，北京 100144

收稿日期:2023-10-12 修回日期:2024-06-20 出版日期:2024-11-20 发布日期:2024-11-19
通讯作者:
董玉双，男，1983年出生，黑龙江密山人，讲师，博士，现从事云计算、大数据，人工智能等研究。通信地址：100081 北京市海淀区中关村南大街27号中央民族大学信息工程学院，Tel：010-68932970，E-mail：yushuangdong@muc.edu.cn。
作者简介:
李更新，男，1970年出生，山东青州人，高级农艺师，在职研究生，现从事烟草农业现代化、烟叶生产经营管理、企业管理等。通信地址：261205 山东省潍坊市健康东街6787号山东潍坊烟草有限公司，E-mail：13864698666@139.com。
基金资助:
山东潍坊烟草有限公司2021年度科学基金项目“烟叶智能分级及收购成包全程自动化研究与应用”(2021-40)

Green Impurity Detection of Flue-cured Tobacco Leaf Based on HSV

LI Gengxin¹(), ZANG Chuanjiang¹, ZHAO Xiangjiang¹, WANG Dequan¹, DONG Yushuang²(), GU Mingguang¹, GAO Yang¹, TAN Xinwei¹, MIAO Zhuang¹, ZHAO Xiqing¹, LI Yang³

¹ Shandong Weifang Tobacco Co., Ltd., Weifang 261031, Shandong, China
² School of Information Engineering, Minzu University of China, Beijing 100081, China
³ College of Computer, North China University of Technology, Beijing 100144, China

Received:2023-10-12 Revised:2024-06-20 Online:2024-11-20 Published:2024-11-19

摘要/Abstract

摘要：

为研究烟叶收购过程中快速高效的青杂检测方法，以山东诸城烟叶收购中的青杂检测为研究背景，以提升青杂检测的自动化和高效能为目的，分别对含青烟叶样本、含杂烟叶样本和合格烟叶样本进行数据采集，结合图像识别技术，进行烤烟青杂检测的样本处理和主流检测手段优劣性剖析。利用256段波段高光谱相机获取数据信息，通过调取RGB波段映射RGB颜色空间，进而转换为HSV颜色空间进行叶片含青、含杂率检测。结果显示，通过大量实验测量，获得青杂的HSV颜色色域范围，精确给出青杂色的像素点数，进而给出烤烟叶片青含杂比例。待测烤烟的含青、含杂像素点的精确标注给出可视化的检测结果，结合烟叶RGB图像，使得算法的青杂检测具有较强的可解释性。研究发现，基于高光谱数据和HSV颜色空间的自动化烟叶青杂检测方法，青杂检测算法执行时延在4 s左右，在青杂检测准确率方面已经满足烟叶收购需求。

关键词: 色调-饱和度-明度, 高光谱, 青杂检测, 机器视觉, 自动化

Abstract:

Through the analysis of the advantages and disadvantages of the sample processing methods and mainstream detection methods for the detection of flue-cured tobacco leaf impurities, a set of detection schemes that fully reflect the superiority and high comprehensive performance is proposed. The 256-band hyperspectral camera was used to obtain data information, and the RGB color space was mapped by calling the RGB band, and then converted to the HSV color space for detection of green and impurity content in tobacco leaves. The HSV color gamut range of green impurity was obtained through amounts of real experimental measurements, and the number of green and impurity pixels of the tobacco leaves to be tested was accurately given, and the proportion of green and impurity pixels in the flue-cured tobacco leaves was given. The precise labeling of green and impurity pixels of the flue-cured tobacco to be tested provided a visual detection results. Combined with the RGB tobacco leaves, the algorithm of green and impurity detection had strong interpretability. Meanwhile, the execution delay of the proposed detection algorithm was about 4 s. The flue-cured tobacco leaf green impurity detection scheme not only meets the actual acquisition needs, but also has high visualization and interpretability.

Key words: hue-saturation-value (HSV), hyperspectral, green impurity detection, machine vision, automation

李更新, 臧传江, 赵湘江, 王德权, 董玉双, 古明光, 高阳, 谭新伟, 苗壮, 赵溪清, 李阳. 基于HSV的烤烟叶片青杂检测研究[J]. 农学学报, 2024, 14(11): 1-6.

LI Gengxin, ZANG Chuanjiang, ZHAO Xiangjiang, WANG Dequan, DONG Yushuang, GU Mingguang, GAO Yang, TAN Xinwei, MIAO Zhuang, ZHAO Xiqing, LI Yang. Green Impurity Detection of Flue-cured Tobacco Leaf Based on HSV[J]. Journal of Agriculture, 2024, 14(11): 1-6.

图/表 9

参考文献 29

[1]	张会娟, 胡志超, 谢焕雄, 等. 我国烟草的生产概况与发展对策[J]. 安徽农业科学, 2008, 36(32):14161-14162.
[2]	杨尚明, 徐刚, 杨宇峰, 等. 浅谈烤烟收购中的过程控制与质量管理[J]. 农业开发与装备, 2014(10):33-34.
[3]	何东健, 张海亮, 宁纪锋, 等. 农业自动化领域中计算机视觉技术的应用[J]. 农业工程学报, 2002, 18(2):171-175.
[4]	邹修国. 基于计算机视觉的农作物病虫害识别研究现状[J]. 计算机系统应用, 2011, 20(6):238-242.
[5]	王润涛, 张长利, 房俊龙, 等. 基于机器视觉的大豆籽粒精选技术[J]. 农业工程学报, 2011, 27(8):355-359.
[6]	周静远, 代建龙, 冯璐, 等. 我国现代棉花栽培理论和技术研究的新进展[J]. 塔里木大学学报, 2023, 35(2):1-12.
[7]	李锦卫, 管鹤卿, 廖桂平. 基于计算机视觉的油菜叶面积计算方法研究[J]. 农业网络信息, 2010(12):15-8.
[8]	梁淑敏, 杨锦忠. 计算机视觉技术在玉米上应用的研究进展[J]. 中国农学通报, 2006, 22(12):471-475.
[9]	毛鹏军, 贺智涛, 杜东亮, 等. 烤烟烟叶视觉检测分级系统的研究现状与发展趋势[J]. 农业机械, 2006(8B):43.
[10]	刘朝营, 许自成, 闫铁军. 机器视觉技术在烟草行业的应用状况[J]. 中国农业科技导报, 2011, 13(4):79-84.
[11]	杨文强, 李邦. 基于视觉实时性的CCD烟叶图像采集及处理系统的研究[J]. 中国农机化学报, 2013, 34(1):156-160.
[12]	李浩. 基于数字图像处理技术的烤烟烟叶自动分组模型研究[D]. 武汉: 华中农业大学, 2007.
[13]	肖玉娟. 基于反-透射图像的烟叶分级方法研究[D]. 洛阳: 河南科技大学, 2013.
[14]	陈楠, 冯慧琳, 杨艳东, 等. 烤烟叶片镉含量高光谱预测模型的构建[J]. 农业资源与环境学报, 2021, 38(4):570-575.
[15]	宾俊, 周冀衡, 范伟, 等. 基于NIR技术和ELM的烤烟烟叶自动分级[J]. 中国烟草学报, 2017, 23(2):60-68.
[16]	顾金梅, 吴雪梅, 陈永安, 等. 光照强度对烟叶颜色特征向量的影响[J]. 安徽农业大学学报, 2015, 42(2):322-326.
[17]	童德文, 陈钰, 杜超凡, 等. 开放环境下烟叶等级RGB图像智能识别及判别模型的构建[J]. 贵州农业科学, 2020, 48(3):131.
[18]	吴雪梅, 刘红芸, 王芳, 等. 基于改进Faster R-CNN网络的烟叶分级[J]. 计算机与数字工程, 2023, 51(6):1422-1427.
[19]	秦芝乾. 不同波段光源和光照强度对烟叶分级的影响研究[D]. 贵阳: 贵州大学, 2020.
[20]	马文杰, 贺立源, 徐胜祥, 等. 基于烤烟透射特征的烟叶图像分割研究[J]. 农业工程学报, 2006(7):134-137.
[21]	GANESAN P, SAJIV G.A comprehensive study of edge detection for image processing applications[A]. 2017 international conference on innovations in information, embedded and communication systems (ICIIECS)[C]. IEEE, 2017:1-6.
[22]	练文柳, 吴名剑, 孙贤军, 等. 不同预处理方法对烟草近红外光谱预测模型的影响[J]. 烟草科技, 2005(2):19-23.
[23]	SIGIT F M, SYAIFUDIN R, SURYANINGRUM D A.Disease detection system in tobacco leaves based on edge detection with decision tree classification method[A]. International seminar on business, education and science[C]. 2022:224-232.
[24]	MARZAN C S, RUIZ C R. Automated tobacco grading using image processing techniques and a convolutional neural network[J]. International journal of machine learning and computing, 2019, 9(6):807-813.
[25]	PAN S, KUDO M, TOYAMA J. Edge detection of tobacco leaf images based on fuzzy mathematical morphology[A]. 2009 first international conference on information science and engineering[C]. IEEE, 2009:1219-1222.
[26]	贾炳文. 基于机器视觉与深度学习的烟叶定级研究[D]. 昆明: 昆明理工大学, 2019.
[27]	邓晨曦. 基于智能识别技术的烟叶分级技术研究[J]. 经济师, 2020(3):291.
[28]	张龙, 马啸宇, 王锐亮, 等. 高光谱成像技术在烟叶和杂物分类中的应用[J]. 烟草科技, 2020, 53(8):72-78.
[29]	汪强, 席磊, 任艳娜, 等. 基于计算机视觉技术的烟叶成熟度判定方法[J]. 农业工程学报, 2012, 28(4):175-179.

类型	样本数
含青样本	60
含杂样本	71
合格样本	82
合计	213

类型	样本数
含青样本	60
含杂样本	71
合格样本	82
合计	213

步骤	使用方法	详细介绍
高光谱数据读取	Numpy中fromfile	以uint16的形式读取数据
RGB图像反演	提取[469.67 nm, 548.91 nm, 639.40 nm]三通道	根据蓝、绿、红三色通道生产RGB图像
RGB转HSV	OpenCV中的cvtColor	利用cvtColor函数将BGR图像转成HSV图像
背景剔除	利用inRange，bitwise_and获取剔除背景的烟叶图像	inRange获取掩模图像，bitwise_and利用掩码图像获取烟叶图像
设定HSV色域的颜色范围	杂色H∈[0,19]，青色H∈[26,49]、S∈[20,255]、V∈[120,255]	该值经过近500组的图像进行训练，获得最佳的色域范围
含杂检测	使用logical_and分块检测杂色部位，使用imwrite生成含杂图片	使用logical_and、where、sum检测杂色烟叶的像素数，得到含杂比例
含青检测	使用logical_and分块分部位检测含青部位，使用imwrite生成含青图片	使用logical_and、where、sum检测青色烟叶的像素数，得到含青比例

步骤	使用方法	详细介绍
高光谱数据读取	Numpy中fromfile	以uint16的形式读取数据
RGB图像反演	提取[469.67 nm, 548.91 nm, 639.40 nm]三通道	根据蓝、绿、红三色通道生产RGB图像
RGB转HSV	OpenCV中的cvtColor	利用cvtColor函数将BGR图像转成HSV图像
背景剔除	利用inRange，bitwise_and获取剔除背景的烟叶图像	inRange获取掩模图像，bitwise_and利用掩码图像获取烟叶图像
设定HSV色域的颜色范围	杂色H∈[0,19]，青色H∈[26,49]、S∈[20,255]、V∈[120,255]	该值经过近500组的图像进行训练，获得最佳的色域范围
含杂检测	使用logical_and分块检测杂色部位，使用imwrite生成含杂图片	使用logical_and、where、sum检测杂色烟叶的像素数，得到含杂比例
含青检测	使用logical_and分块分部位检测含青部位，使用imwrite生成含青图片	使用logical_and、where、sum检测青色烟叶的像素数，得到含青比例

类型	样本数	样本检测成功数	样本检测失败数
含青测试	60	57	3
含杂测试	71	67	4
合格测试	82	78	4
总计	213	202	11

基于HSV的烤烟叶片青杂检测研究

Green Impurity Detection of Flue-cured Tobacco Leaf Based on HSV

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 29

相关文章 1

编辑推荐

Metrics

本文评价

关于本刊

作者中心

审者中心

在线期刊

联系我们