[发明专利]基于集成学习的雪茄烟采收成熟度识别方法及系统

说明书

本发明公开一种基于集成学习的雪茄烟采收成熟度识别方法及系统，方法包括：获取待测雪茄烟图像，并对待测雪茄烟图像进行预处理；对预处理后的待测雪茄烟图像进行矢量化降维，并提取RGB、HSV特征值，得到特征集合；利用Wrapper包装算法对特征集合中的数据进行特征降维，得到待测雪茄烟图像的初始数据集；将初始数据集输入训练好的随机森林模型中，输出雪茄烟图像的成熟度识别结果。本发明对雪茄烟图像数据进行矢量化降维，保障雪茄烟图像数据信息的高效提取和利用；同时利用集成学习的优势，将烟叶纹理、颜色作为成熟度等级识别模型的输入特征，解决数据价值受损的问题；利用Wrapper包装算法在实现特征选择的同时进行特征降维，降低模型的训练成本。

技术领域

本发明涉及雪茄烟分级技术领域，具体为一种基于集成学习的雪茄烟采收成熟度识别方法及系统。

背景技术

田间生长的烟叶在发育成熟过程中，其物理特性和生理生化特性均会发生显著的变化，成熟度是指烟叶在田间生长发育到适于调制加工的成熟状态。采收时雪茄烟的成熟状态直接决定了晾制作业前的烟叶品质，并与晾制后烟叶的外观质量、内在质量及感官质量密切相关。即使是相同品种的烟叶，成熟度的差异也会影响晾制中烟叶的变黄、定色特性及失水特性，从而在一定程度上对烟叶质量产生影响，因此准确把握烟叶成熟度是获得优质烟叶的前提和基础。

烟农在采收雪茄烟时，常常根据烟叶的外观特征将不同部位的处于可采收阶段的雪茄烟进一步细分为欠熟、生理成熟、尚熟、工艺成熟、完熟、过熟5个等级，不同成熟度等级的烟叶在调制加工后的质量存在明显的差异。例如，欠熟烟叶在加工后化学成分不协调，评吸质量表现为香气质差、香气量不足，刺激性明显，青杂气略重，潜在质量特征未充分彰显，烟叶内在品质有较大提升空间。工艺成熟烟叶在加工后品质最高、内在化学成分最协调、感官评吸质量最高，因此采收成熟度好、等级高、易调制加工、具有较好的香气质与香气量的烟叶可明显增加烟农收益。

但在烟叶晾制生产中，由于地域不同，气候、土壤肥力、水分、栽培方式等有较大差异，适宜成熟度的标准不同，同时烟农中青烟加工的现象较为普遍，对加工后烟叶质量产生不利的影响。此外目前农业领域大多仍采用人工采收、肉眼鉴别成熟度的方法，难以保证准确率与效率，普遍存在下部采过熟、中部采生、上部采青现象，导致晾制后烟叶质量下降，影响烟叶的工业可用性。

发明内容

为克服上述现有技术的不足，本发明提供一种基于集成学习的雪茄烟采收成熟度识别方法及系统，用以解决上述至少一个技术问题。

根据本发明说明书的一方面，提供一种基于集成学习的雪茄烟采收成熟度识别方法，包括：

获取待测雪茄烟图像，并对所述待测雪茄烟图像进行预处理；

对预处理后的待测雪茄烟图像进行矢量化降维，并提取RGB、HSV特征值，得到特征集合；

利用Wrapper包装算法对特征集合中的数据进行特征降维，得到待测雪茄烟图像的初始数据集；

将初始数据集输入训练好的随机森林模型中，输出所述雪茄烟图像的成熟度识别结果。

上述技术方案在不压缩数据样本量和数据特征数量的前提下，对雪茄烟图像数据进行矢量化降维，保障雪茄烟图像数据信息的高效提取和利用；同时利用机器学习中集成学习博采众长的优势，将雪茄烟采收过程中采集到的烟叶纹理、颜色作为成熟度等级识别模型的输入特征，解决数据价值受损的问题；此外，还利用Wrapper包装算法的特征选择和算法训练同时进行的特点，在实现特征选择的同时进行特征降维，降低模型的训练成本。

上述技术方案利用田间采集数据实现在采收过程中对雪茄烟成熟度等级的高精度识别，能够有效缓解烟农工作负担，提高雪茄烟采收效率，提升烟叶晾制质量和增加烟叶的经济效益。

作为进一步的技术方案，将初始数据集输入训练好的随机森林模型中，输出所述雪茄烟图像的成熟度识别结果，之前还包括：