论文部分内容阅读
烟叶是具有重要经济价值的农产品之一,其质量的好坏直接影响到烟草行业的经济收入和烟民的身体健康。现阶段,我国在烟叶收购过程中,大多是通过人工方式来对其进行分级,这种带有主观因素的分级方法不仅影响烟叶分级的正确率,而且常引起不必要的纠纷。因此,烟叶的智能分级迫在眉睫。烟叶的正确分级率和分级速度直接关系到智能分级系统的实际应用。在保证正确分级率的前提下,分级速度不仅仅与分级模型有关,更与所用的特征个数有极大的关系。本文针对特征筛选进行了深入的研究。具体研究工作如下:1.烤烟烟叶图像的采集、预处理和特征初筛选。利用搭建好的系统,采集2013年(462片烟叶)、2014年(1172片烟叶)和2015年(1429片烟叶)烟叶的透射图像;首先对采集图像进行背景分割、去噪、预处理;其次,提取烟叶的形态特征、颜色特征、纹理特征和脉络特征共39个特征;为提高烟叶分级的速度,基于聚类的思想对特征进行初筛选,并人工直接去除一些相关性很大的特征,使得特征从39个减少到24个。2.烤烟烟叶分级模型的建立。分别建立稀疏表示(SRC)、基于密度的稀疏表示(DSRC),支持向量机(SVM)、随机森林(RF)等烟叶分级模型,他们对2013、2014和2015年烤烟烟叶的测试样本的分级正确率和分级时间分别为:90.1%、92.4%、80.2%;92.8%、93.6%、80.7%;88.9%、92.1%、76.8%;92.38%、96.6%、83.14%;所以本文的特征深度筛选都是基于随机森林分级器进行的。DSRC是对SRC的一种改进模型,基于密度的思想对SRC的字典进行选择,减少了SRC所用的字典个数,在保证正确分级率的情况下,提高了分级速度。3.深度特征筛选。为进一步提高分级速度,对初选后的特征进行了深度筛选。首先建立了一个判断特征重要性的分级模型;根据每个特征的重要性,将24个特征减少为20个;然后采用改进的粒子群算法、蚁群算法、遗传算法和特征被选概率算法分别获得较优的特征组合,在一定的分级正确率下,特征个数分别减少为14、16、15、13。这四种方法对42类烟叶分级的正确率和分级速度分别为:82.70%、0.083s;82.49%、0.090s;82.59%、0.088s;82.27%、0.076s,考虑烟叶的分级时间和分级速度,本文选用改进的粒子群算法选择的特征组合最为最优特征组合。