[发明专利]一种烟丝杂物智能识别方法

权利要求书

1.一种烟丝杂物智能识别方法，其特征在于，包括以下步骤：

采用线阵全光谱光源对混有杂物烟丝进行光照，所述线阵全光谱光源覆盖400nm-1000nm的波段范围；

采集线阵全光谱光源光照下的烟丝图像，并将烟丝图像像素转换为多个向量；

将多个向量划分成多个类，利用模糊C均值算法对向量进行聚类时，采用海鸥优化算法更新聚类中心，优化结束后，依据聚类结果进行图像分割以分离杂物。

2.如权利要求1所述的烟丝杂物智能识别方法，其特征在于，所述线阵全光谱光源由光源设备发射，所述光源设备包括由U型散热管连接且呈对称分布的两块光源基材，所述光源基材上安装有多个条形LED光源，所述LED光源发射400nm-1000nm的波段范围的光照。

3.如权利要求2所述的烟丝杂物智能识别方法，其特征在于，所述两块光源基材穿过U型散热管的两壁，通过紧固件固定在U型散热管的两壁。

4.如权利要求2或3所述的烟丝杂物智能识别方法，其特征在于，所述两块光源基材的内壁为弧形，两块光源基材的弧形内壁相对设置，且两块光源基材3中间形成一个用于拍照的缝，多个条形LED光源安装在弧形内壁，对弧形内壁形成的空间进行光照。

5.如权利要求2所述的烟丝杂物智能识别方法，其特征在于，所述U型散热管中空，以输送冷却液，达到水冷散热方式，其中冷却液优选为水。

6.如权利要求2或5所述的烟丝杂物智能识别方法，其特征在于，所述U型散热管外壁包裹有散热鳍片，以达到风冷散热方式。

7.如权利要求1所述的烟丝杂物智能识别方法，其特征在于，利用模糊C均值算法对向量进行聚类过程中，采用的目标函数Q为：

其中，i为向量的索引，j为聚类中心的索引，s为向量个数，c为聚类中心个数，x_i表示第i个向量，y_j表示第j个聚类中心，w表示模糊权重指数，D_ij表示模糊隶属度矩阵，具体计算公式为：

其中，k为聚类中心索引，聚类中心y为通过海鸥优化算法在解空间中搜索出最优聚类中心。

8.如权利要求1或7所述的烟丝杂物智能识别方法，其特征在于，采用海鸥优化算法更新聚类中心的过程为：

将向量初始化为海鸥优化算法的每个海鸥位置，利用海鸥优化算法进行迁移和攻击运动，即进行全局搜索和局部搜搜，以在解空间中搜索出最优向量作为最优聚类中心；

海鸥迁徙过程中，海鸥位置变化过程为：

N(t)＝K P_a(t)

其中，N(t)表示海鸥不会发生冲突的新位置，K表示海鸥在解空间中的运动方式，P_a(t)表示海鸥在解空间中当前所处位置，F表示能够改变K的频率，X表示算法的最大的迭代次数，t表示当前迭代次数；

H(t)＝V(P_b(t)-P_a(t))

其中，H(t)表示海鸥向最优解靠近的最佳运动方向，P_b(t)表示海鸥的最佳位置，V表示0到K²变化的随机数；

海鸥攻击过程为：

P_a(t)＝B(t)r³αsinαcosα+P_b(t)

其中，P_a(t)作为海鸥攻击猎物的位置，α表示0至2π的随机值，r表示海鸥攻击猎物时螺旋运动轨迹的半径，r＝m z e^α，m、z表示海鸥螺旋状运动轨迹的相关常数。

9.如权利要求1所述的烟丝杂物智能识别方法，其特征在于，所述依据聚类结果进行图像分割以分离杂物包括：

依据聚类结果筛选出杂物对应的像素，并将这部分像素区域分割出来，以指导分类杂物。