基于HSV 顏色空間的煙葉烘烤階段判別模型研究*

汪伯軍 ， 郭保銀 ， 黃富饒 ， 趙 虎 ， 馮 川

（1.中國煙草總公司重慶市公司煙葉分公司，重慶 400023；2.西南大學工程技術學院，重慶 400716）

0 引言

煙葉在烘烤時所處階段的判別對于提升烤煙品質具有重要意義。但目前烘烤師對于密集烤房內煙葉的變黃和干燥程度的判斷，主要依據眼睛看和手觸摸，極易受主觀經驗的影響。因此，實現煙葉烘烤階段自動判別，減少人為影響，提高判別準確率，是目前煙葉烘烤領域的研究重點[1]。

近年來，隨著人工智能的崛起，機器視覺技術在農業領域應用越來越廣泛。在煙葉烘烤階段中，陳飛程等[2]建立了對煙葉含水率進行預測的BP 神經網絡模型，得到的預測決定系數R2為0.998 7；吳娟[3]基于圖像特征建立GA-SVM 模型對烤房內烤煙的烘烤階段進行判定，總體識別精度為96.5%；李增盛等[4]利用由相關性分析得出的特征集測試了GA-SVM、PSOBP 和ELM 三種模型并進行了比較，它們的準確率分別是93.27%、89.35%和85.05%，最終發現基于遺傳算法的SVM 模型識別效果更加優秀?？傮w來講，對于煙葉烘烤階段的判別主要還是依據顏色信息[2-5]。

目前的機器視覺技術雖然在實驗中準確率較高，但是烤房設備算力有限，部分設備難以部署神經網絡，另外在嵌入式設備中進行機器學習的程序框架還不成熟，以上種種問題導致算法易于研究卻難以落地[5]。所以，對于煙葉烘烤階段判斷這一特定問題，采用基于傳統計算機圖形學的方式進行解決，就可以消除機器學習龐大的算力需求帶來的負擔，達到節約運算成本的目的[2-5]。

1 材料與方法

1.1 實驗材料

煙葉采烤一體項目實驗于2022 年烘烤季在涪陵、黔江、奉節等地進行，烤煙品種為云煙87。為了有效地采集烘烤全過程的圖像，整個烘烤操作皆由專業的烘烤師負責，在烤房中層設置溫濕度傳感器，保證烘烤工藝符合行業標準。在烤房出風墻正對煙葉30 cm的位置安裝配備標準光源的圖像采集設備，調整攝像頭的角度和高度，每隔30 min在線實時采集烘烤過程中的煙葉圖像，并將圖像上傳至服務器，圖像采集設備裝置如圖1 所示。采集得到的圖像數據樣本類型為*.JPEG，分辨率為3 840×2 160。圖像樣本如圖2 所示，圖2（a）是鮮煙葉，圖2（b）是烘烤后的成品煙葉。

圖1 圖像采集裝置

圖2 圖像樣本

1.2 烤煙烘烤階段分級標準

按照國家現行標準煙葉烘烤“三段六步式”工藝，將整個烘烤過程分為10 個階段，除鮮煙期定義為第一階段，其他分別為變黃期、定色期和干筋期，根據溫度和卷邊特性，各設3 個階段[6-7]。因此，圖像樣本總分10 類，分別為Stage1 至Stage10。具體分類情況如表1 所示。

表1 烤煙烘烤階段分級劃分

1.3 數據預處理

烤煙圖像受背景、光照等不可抗力因素影響產生噪聲，且烘烤過程中烤煙的顏色和形狀差異導致圖像質量發生變化，所以需對采集的圖像進行改善處理，增強烤煙圖像的有效信息，提高圖像的辨識度[8]。

1.3.1 圖片有效信息裁剪

烤煙圖像的背景去除能有效地降低圖像的噪聲，增強圖像辨識度。首先，根據圖像的梯度直方圖將其均衡化，然后將圖像裁剪為100×100 的圖塊，再提取每一個圖塊的HSV 三通道值，根據閾值篩選出具有有效信息的圖塊，同時刪除無效的背景圖塊，最后得到去除背景后的完整烤煙彩色圖像，用于階段分級識別[9]?？緹焾D像背景去除過程如圖3所示。

圖3 烤煙圖像背景去除

1.3.2 數據增強

為了增強煙葉等級識別模型的魯棒性，避免過擬合，提高泛化能力，首先要對煙葉圖像數據進行增強處理。圖像數據增強方式包含但不限于鏡像、平移、旋轉、縮放、增加亮度等，本文選擇的方式是水平鏡像和垂直鏡像[10]。

圖像的水平鏡像操作是將圖像的左右部分根據中軸線進行鏡像對換。設點P0(x0,y0)經過鏡像對換后得到P(x,y)，此時圖像高度為fH，寬度為fW，則原圖像P0(x0,y0)經過水平鏡像后的坐標將變為(fW-x0,y0)，經過垂直鏡像后的坐標將變為(x0,fH-y0)，代表式分別為[10]：

為了方便算法編寫，把它轉換為矩陣表達式：

鏡像后結果如圖4所示。

圖4 數據鏡像

1.4 基于HSV的特征提取器

HSV 是根據顏色的直觀特性創建的一種顏色空間，它表示著顏色的色調（H）、飽和度（S）和亮度（V）?？梢酝ㄟ^RGB 顏色空間的參數換算得到HSV參數值[10-11]，具體算法步驟如下。

1）輸入：烘烤階段基于RGB 顏色空間的圖像f(x,y)|RGB樣本集。

2）過程：

①獲取圖像集像素點三通道值Rx,y,Gx,y,Bx,y；

③取最大值和最小值，Max=max(R'x,y,G'x,y,B'x,y),Min=min(R'x,y,G'x,y,B'x,y)，計算Δ=Max-Min；

④計算通道V數值：

⑤計算通道S 數值：

⑥計算通道H數值：

3）輸出：轉換為HSV顏色空間的圖像f(x,y)|HSV。

2 實驗與結果

2.1 特征提取與分類模型

基于HSV 顏色空間的特征提取總共有三步。第一步是對圖像使用均衡化處理，然后裁剪并剔除背景較多的圖塊，篩選出有效信息最多的圖塊；第二步是對已篩選好的圖塊{1,2,3,...,i-1,i}進行HSV 三通道值提取，得到i項（h1s1v1,h2s2v2,h3s3v3,...,hi-1si-1vi-1,hisivi）通道值，然后對這i張圖塊根據相同通道求其均值得到h、s、v；第三步是使用閾值篩選的方法將提取出來的通道值分解出10個類別，對應10 個階段的圖像：

當滿足h≥26且60≤s﹤80時，輸出結果為階段1；

當滿足26≤h﹤30且80≤s﹤90時，輸出結果為階段2；

當滿足24≤h﹤26時，輸出結果為階段3；

當滿足22≤h﹤24時，輸出結果為階段4；

當滿足20≤h﹤22時，輸出結果為階段5；

當滿足18≤h﹤20時，輸出結果為階段6；

當滿足16≤h﹤18且s≥72時，輸出結果為階段7；

當滿足16≤h﹤18且s﹤72時，輸出結果為階段8；

當滿足14≤h﹤16且s≥53時，輸出結果為階段9；

當滿足14≤h﹤16且s﹤53時，輸出結果為階段10。

特征提取與分類如圖5 所示。

圖5 特征提取與分類

2.2 結果

采用本文2.1 節所描述的基于HSV 顏色空間的特征提取算法，每個階段的驗證效果對比如表2所示。

表2 模型效果驗證

由表2 可知，階段3 和階段4 達到了非常理想的效果，驗證準確率達到了100%，而階段5 因屬于變黃期與定色期交接部分，相對而言區分度不高，區分難度較大。各階段驗證錯誤率對比情況，如圖6所示。

圖6 各階段驗證情況對比

由表2 和圖6 可知，模型整體表現比較好，整體準確率達到了90.64%，符合行業判斷標準。

驗證曲線和實際曲線的擬合效果如圖7 所示。圖7 中展示了烘烤時的工藝曲線，可以從中清晰地了解到整體烘烤階段識別效果，圖像不僅展示了驗證曲線和實際曲線的擬合效果，還表現出了各個階段的擬合水平。由圖7 可知，在第5 階段波動比較大，從實際情況看，是因為此時烤房溫度處于44 ℃左右，屬于變黃期完—定色期始，此時煙葉氣孔基本打開，烤房內部處于大排濕狀態，溫度變化不明顯，顏色變化小[12-14]；在第9 階段波動也比較明顯，從實際情況看，是因為此時烤房溫度處于60 ℃以上，煙夾內外葉片全干，主脈干燥1/3~1/2，主脈干燥難度大，圖像變化不明顯[12-14]。但整體上，從烘烤工藝曲線的表現來看，擬合度達90%以上。

圖7 驗證曲線和實際曲線的擬合效果

3 結論

本文提出了基于HSV 顏色空間的特征提取算法，用于煙葉烘烤階段的識別，最終整體準確率達到90.64%，階段3 和階段4 更是達到了100%。研究表明，將圖像處理技術應用于煙葉烘烤階段的識別，對判斷烘烤進程、指導烘烤參數（溫濕度、火力、升溫穩溫時間等）調節、提高烘烤品質、減少物料浪費和烘烤成本具有實際意義。本研究為后續繞過深度學習等大算力算法但能提高實際應用效果方面的研究提供了方向。