技术领域
[0001] 本
发明属于高光谱农业生产应用领域，尤其涉及一种基于高光谱成像技术的烟草非烟物质分类方法。
背景技术
[0002] 高光谱成像(Hyperspectral Image)是集探测器技术、精密光学机械、微弱
信号检测、计算机技术、信息处理技术于一体的综合性技术。高光谱成像同时探测目标的二维几何空间与一维光谱信息、获取高光谱
分辨率的连续、窄波段的图像数据，是一种将成像技术与光谱技术相结合的多维信息获取技术。因此，利用高光谱影像技术可以对物体进行精细反映。在烟叶行业中，烟叶原料的
质量和纯净度直接关系到
卷烟产品的质量。烟叶若在生产、收购、运输、加工过程中混入非烟叶杂物(一类杂物：金属、
羽毛、塑料等；二类杂物：纸、石头、麻绳、玻璃等；三类杂物：非烟叶叶子、
种子、竹签等)，将对卷烟工业加工的卷烟成品造成极大的质量隐患。
[0003] 目前卷烟生产加工线上采用的除杂方式主要有：
风力除杂、光电除杂、磁力除杂和人工挑选除杂，其中
风力除杂、光电除杂、磁力除杂均是针对杂物的特定属性差异进行有针对性的识别并剔除，如比重的差异、
颜色的差异和
磁性的差异，因此一种除杂方式只能识别和剔除某一类的杂物。人工除杂可以识别绝大部分非烟物质杂物，但人眼容易疲劳且工作效率较低。
[0004] 烟叶独特的化学组分与物理检测特性，导致其具有独特的诊断性特征吸收谱带，这些特征谱带中具有较稳定的
波长位置和独特
波形。从烟叶化学
角度分析，烟叶内主要的化学成分为
碳水、含氮化合物、
有机酸和矿物质。其中，碳水的吸收特征表现在1000-2500nm，氮化合物的吸收特征表现在1500nm-1750nm，作为烟叶的重要化学成分，二者在可见光波段(400-1000nm)均无体现。即烟叶光谱在碳水与氮化合物附近会形成较强的吸收峰，这些吸收峰可以作为判别烟叶的重要依据。利用光谱信息技术，非烟叶杂物与烟叶在相同光学环境下形成不同特定光谱，识别出不同物质，完成烟叶与杂物的分类。
[0005] 中国
专利(200910059486.5)公开了一种基于
近红外光谱仪的烟丝参配比例的快速测定方法。与本专利提出方法相比，二者主要有两点不同：其一，二者的适用范围不同。中国专利(200910059486.5)主要用于烟丝参配比例测定，本文方法主要用于烟叶中杂物的识别；其二，由于所使用实验仪器的不同(中国专利(200910059486.5)使用近红外光谱仪，本方法使用高光谱成像仪)本方法操作更为简便快捷，无需进行样品
粉碎、筛选等操作，可进行在线标注。
[0006] 中国专利(201410491816.9)主要公开了一种基于光谱成像技术的烟丝组分识别方法。相较于本专利所提方法，有以下几点区别。1、本文所提方法使用的仪器为高光谱成像仪，分辨率为12nm，辨识
精度更高。2、该专利所使用光谱相机由带通滤光片和带有定焦镜头的CCD相机构成，其带通滤光片所定制波段仅针对烟丝进行成像和
图像处理分析，无法对其他物质进行分析和辨识。3、该专利所提方法仅用于测定烟丝组成成分(叶丝、梗丝、
再造烟叶丝、膨胀叶丝)，本文所提方法用于烟叶与非烟物质的识别，二者在功能上不一致。
[0007] 综上，利用光谱技术测定烟丝含量、高光谱定量测定烟草中化学物质含量在行业内有一定的研究和应用。而利用光谱信息技术，根据非烟叶杂物与烟叶在相同光学环境下形成不同特定光谱，识别出不同物质，完成烟叶与非烟物质的分类尚属空白。
发明内容
[0008] 本发明的目的正是基于上述
现有技术状况而提供的一种基于高光谱成像技术的烟草非烟物质分类方法，能够快速且准确区分烟叶与杂物，杜绝非烟杂物进入片烟成品当中。
[0009] 本发明的目的是通过以下技术方案来实现的：
[0010] 一种基于高光谱成像的烟叶杂物分类识别的方法，是利用短波高光谱成像技术先对烟叶和杂物进行分类，建立包括不同物质的光谱库，然后对待测样品采集高光谱图像数据，利用光谱库中的参考光谱匹配待测样品，并对其进行判断，进而完成烟叶和杂物的有效分类识别。
[0011] 具体步骤如下：
[0012] 1)样本采集：获取包括纯净烟叶在内，一类杂物、二类杂物、三类杂物的样本；
[0013] 样本表面保持干燥清洁，无其他附着物。
[0014] 所述一类杂物包括金属、羽毛、塑料；二类杂物包括纸、石头、麻绳、玻璃；三类杂物包括非烟叶叶子、种子、竹签。
[0015] 2)样品制备与高光谱成像并进行黑白
帧校正；
[0016] 使用卤钨灯作为照明
光源,对获取的烟叶和杂物样本进行高光谱
图像采集，获取样本的高光谱图像。为减小噪声影响，对高光谱图像进行黑白帧校正。黑白帧校正公式如下：
[0017]
[0018] 式中：R-校正后高光谱图像；I-原始高光谱图像；B-关闭相机镜头采集的全黑图像；W-扫描白色校正板得到的全白图像。
[0019] 3)高光谱图像预处理及特征图像的获取；
[0020] 为提高数据
信噪比，对高光谱图像数据进行预处理，预处理方法包括但不仅限于：
[0021] 通过使用Savitzky-Golay卷积平滑滤波
算法，去除基线漂移和倾斜，去除噪声，提高光谱曲线平滑度；
[0022] 再通过多元散射校正(MSC)消减物体表面散射效应，增强相同物质间光谱吸收信息。
[0023] 4)提取样本光谱信息，建立光谱库文件；
[0024] 具体过程包括但不限于：
[0025] 所述烟叶和杂物样本包括：纯净烟叶样本，一类杂物样本，二类杂物样本，以及三类杂物样本；
[0026] 分别选取烟叶和一、二、三类杂物感兴趣区(ROI)，对所选样本感兴趣区域处光谱特征进行提取，并取得平均光谱；
[0027] 建立光谱信息库文件，将样本ROI区域所取得的平均光谱导入库文件中进行保存。
[0028] 5)烟叶杂物分类的实现：
[0029] 采用主成分分析法(PCA)对采集样品高光谱图像进行
降维处理，然后利用光谱角匹配法(SAM)对目标光谱进行匹配，根据光谱
特征向量判断该烟叶样品中是否混有杂物，并对不同样本进行标记。
[0030] 具体过程如下：将混合有一、二、三类杂物的烟叶用短波高光谱成像仪进行图像采集，将所采集数据进行预处理后与光谱库内收录的光谱信息进行比对，通过主成分分析法(PCA)和光谱角匹配(SAM)算法对高光谱图像进行降维和烟叶、杂物的特征识别，其中包括：
[0031] 首先，扫描并获得该样品的短波高光谱成像信息；
[0032] 其次，采用主成分分析法对采集样本进行降维处理；
[0033] 最后，通过光谱角匹配算法计算，根据光谱特征向量判断该烟叶样品中是否混合有杂物，并对不同样本进行标记。
[0034] 步骤3)中的预处理方法还可采用均值中心化(mean centering)、标准化(autoscaling)、归一化(normalization)、标准正态变量变换(SNV)、导数、平滑去噪算法、
小波变换中的一种
[0035] 本发明提供的一种基于短波成像高光谱技术的烟叶杂物分类方法，结合了光谱技术和二维图像成像技术。其与现有技术相比，具有如下显著的进步：
[0036] 1.本发明利用短波成像高光谱技术对烟叶和杂物进行分类，建立包含有不同物质的光谱库。
[0037] 2.本发明实验过程不使用有毒有害化学品，简便、快捷、对样品无破坏性、对环境无污染。
[0038] 3.本发明具有操作简便、快速、准确、成本低、效率高的优点。
附图说明
[0039] 图1为本发明所提供的一种基于短波高光谱成像技术的烟叶杂物识别分类方法的
流程图；
[0040] 图2为烟叶混合杂物的光谱图。
具体实施方式
[0041] 下面结合附图对本发明的具体实施方式作进一步详细说明。
[0042] 实验仪器及参数
[0043] 四川双利合谱科技有限公司的GaiaSorter-N25E生产的SWIR型高光谱成像仪，波长范围为1000-2500nm，光谱分辨率为12nm，图像分辨率为384*288个
像素，光谱仪帧数为400，曝光时间为20ms；实验平台使用GaiaSorter-Dual型暗箱系统，其包括卤钨灯光源，电控平台等。为避免外界杂散光源影响，高光谱图像采集过程在暗箱系统中进行。
[0044] 步骤1：样本的采集
[0045] 为使所建立的光谱
数据库更具有广泛的适用性，本
实施例选取了2018年某中烟烤机出口片烟、某中烟提供的羽毛、布条、塑料绳等一、二类杂物。
[0046] 步骤2：样品制备与高光谱成像并进行黑白帧校正
[0047] 选择经除尘处理后表面无附着物的纯净烟叶、布条、羽毛、塑料绳平铺至黑色
背板上，并在其所在位置进行标记。采用双利合谱公司生产的SWIR型高光谱成像仪，首先关闭镜头盖，采集反射率为零的全黑标定图像。再打开镜头盖，扫描标准白板，采集发射率为99.9％的全白标定图像，然后对烟叶和杂物样品进行高光谱成像。应用SpecView
软件对图像进行采集，并根据所采集的全黑、全白标定图像对采集到的样本高光谱图像进行黑白帧校正，以减小外界杂散光所带来的噪声，最后将其作为原始光谱数据格式进行存储。
[0048] 黑白帧校正公式如下：
[0049]
[0050] 式中：R-校正后高光谱图像；I-原始高光谱图像；B-关闭相机镜头采集的全黑标定图像；W-扫描白色校正板得到的全白标定图像。
[0051] 步骤3：高光谱图像预处理及特征图像的获取
[0052] 为去除基线漂移和倾斜，去除噪声的影响，提高光谱曲线平滑度，使用Savitzky-Golay卷积平滑滤波算法。
[0053] Savitzky-Golay滤波可以提高光谱曲线的平滑性，降低噪音的干扰。其卷积平滑的关键在于对于矩阵算子的求解。引入均方误差(MSE)选取合适窗宽n，滤波核中心点数m，其MSE值越小，噪声越小。设滤波窗口的宽度为n＝2m+1，各测量点为x＝(-m,-m+1…0…m-1,m)，采用k-1次多项式对窗口内的数据点进行拟合：
[0054] y＝a0+a1x+a2x2+…+ak-1xk-1
[0055] 存在n个上述方程，构成k元线性方程组。为使方程组有解，令n>k，通过最小二乘法求解拟合参数A，由此可以得到：
[0056]
[0057] 用矩阵表示为：
[0058] Y(2m+1)·1＝X(2m+1)·k·Ak·1+E(2m+1)·1
[0059] A的最小二乘解 为：
[0060]
[0061] Y的模型预测值或者滤波值 为：
[0062]
[0063] 利用多元散射校正(MSC)可以对采集样品光谱特征进行修正，提高光谱信噪比。
[0064] 计算需校正光谱的平均光谱：
[0065]
[0066] 一元线性回归：
[0067]
[0068] 多元散射校正：
[0069]
[0070] 式中，A-定标光谱数据矩阵，n-定标样品个数，p-采集光谱时的波长点数； -平均光谱矢量。
[0071] 步骤4：提取样本光谱信息，建立光谱库文件
[0072] 对包括纯净烟叶样本在内的一、二、三类杂物进行高光谱图像采集，在所采集的不同样本间选取感兴趣区域，提取样本间平均光谱信息，建立光谱库文件。
[0073] 步骤5：烟叶杂物分类的实现
[0074] 采用主成分分析法(PCA)对采集样品高光谱图像进行降维处理，然后利用光谱角匹配法(SAM)算法对样本光谱进行匹配，从而实现对烟叶杂物分类的目的。
[0075] 主成分分析法(PCA)选取特征向量实现多指标向量的降维。其降维模型如下：
[0076] y1＝l11x1+l12x2+…+l1nxn
[0077] y2＝l21x1+l22x2+…+l2nxn
[0078]
[0079] ym＝lm1x1+lm2x2+…+lmnxn
[0080] 式中x为n维多指标向量，y为处理后所得m维主成分向量。
[0081] 实施例中主成分分析特征值及方差贡献率见下表1。
[0082] 表1主成分分析特征值及方差贡献率
[0083]
[0084] 光谱角匹配法利用光谱库中参考光谱匹配未知样品，利用设定狭义光谱角
阈值大小对其进行判断。其公式为：
[0085]
[0086] 式中T为标准主成分得分矢量,R为参考主成分得分矢量为(T、R均非零向量)。
[0087] 进一步的，将线推扫成像的高光谱图像光谱信息与监督分类所建立的光谱库进行比对，得到识别结果。
[0088] 本实施例提供的基于高光谱成像的分类识别方法，至少包括如下有益效果：
[0089] 1.利用Savitzky-Golay滤波，提高光谱曲线的平滑性，降低了噪音干扰；利用多元散射校正，提升光谱信号信噪比；二者为之后的图像处理工作提供
基础[0090] 2.通过高光谱图像采集，得到不同物质的光谱信息。建立光谱库文件，保存样本光谱信息。
[0091] 3.利用主成分分析的方法进行降维，降低图像计算量，消除非重要特征所带来的影响，大大减少计算时间。通过光谱角匹配算法，利用光谱库中参考光谱匹配未知样品，利用设定狭义光谱角阈值大小对其进行判断，完成烟叶和杂物有效的分类识别，从而得到较为准确的分类效果。
[0092] 4.相较于传统人工除杂来讲，提升了工作效率与检测速度。同时，利用高光谱成像技术可以获得更为精细的成分信息，提高分辨的准确率。
[0093] 上面结合实施例对本发明作了详细说明，而并非是对本发明的实施方式的限定，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明原理和宗旨的前提下做出各种变化、
修改、替换与
变形。本发明的范围由
权利要求及其等同物限定。
