[发明专利]一种基于视觉特征融合的打叶质量检测方法

权利要求书

1.一种基于视觉特征融合的打叶质量检测方法，其特征在于，包括以下步骤：

步骤1：片烟摊薄，将打叶后的烟叶进行平摊，确保烟叶重叠率小于阈值；

步骤2：片烟图像获取，对摊薄的所述烟叶进行实时拍摄，获取对应的片烟图像；

步骤3：图像预处理，对所述片烟图像进行预处理；

步骤4：构造所述片烟图像特征向量；

步骤5：构建片烟结构图像样本库；

步骤6：采用卷积耦合神经网络获取深度特征；

步骤7：特征融合，将所述步骤5和所述步骤6获得的特征向量进行降维，将降维到合适长度的两组向量进行融合；

步骤8：片烟结构识别，以所述步骤7获得的融合向量为输入，构建分类器对样本库图像进行分类；

步骤9：片烟结构统计；

步骤10：重复上述步骤直至所有烟叶识别完成。

2.如权利要求1所述的基于视觉特征融合的打叶质量检测方法，其特征在于，所述步骤3中图像预处理方法包括白平衡、二值化、归一化。

3.如权利要求1所述的基于视觉特征融合的打叶质量检测方法，其特征在于，所述步骤4中所述特征向量包括颜色、纹理、形态。

4.如权利要求3所述的基于视觉特征融合的打叶质量检测方法，其特征在于，提取烟叶、叶梗的颜色特征，采用的方法包括1-3阶颜色矩。

5.如权利要求3所述的基于视觉特征融合的打叶质量检测方法，其特征在于，提取烟叶、叶梗的纹理特征，采用的方法包括局部二值模式LBP(Local Binary Pattern)。

6.如权利要求3所述的基于视觉特征融合的打叶质量检测方法，其特征在于，提取烟叶、叶梗的形态特征，采用的方法包括高阶局部自相关HALC(Higher-order Local Auto-Correlation)。

7.如权利要求1所述的基于视觉特征融合的打叶质量检测方法，其特征在于，所述步骤5中，根据片烟的不同结构、烟叶的不同部位、烟叶的不同来源、不同类型片烟结构的平均密度，构建片烟结构图像样本库。

8.如权利要求1所述的基于视觉特征融合的打叶质量检测方法，其特征在于，所述步骤6配置为：构建卷积耦合神经网络CNN(Convolution-coupled neural network)，采用已标定的图像数据库为训练样本进行预训练，采用迁移学习方法，以初步训练好的网络参数为初始值，对构建的片烟结构样本图像库进行训练，获得针对该图像库的分类网络，将训练好的CNN模型输出作为深度特征，并通过全连接层调整输出向量的长度。

9.如权利要求1所述的基于视觉特征融合的打叶质量检测方法，其特征在于，所述步骤7中进行降维的方法包括主成分分析法，将降维到合适长度的两组向量进行融合的方法包括串联、并联以及经多层感知机连接。