基于超光谱超像素的烟草茎杂质的在线小物体防边缘分类
1College of Mechanical and Electronic Engineering, Nanjing Forestry University, Nanjing, Jiangsu 210037, China.
概括
这项研究引入了一种使用超像素和LightGBM的高光谱成像方法,用于分类烟草茎和杂质. 该方法显著改善了杂质识别,提高了香烟的质量和安全性.
科学领域:
- 农业科学 农业科学
- 图像处理 图像处理
- 机器学习 机器学习
背景情况:
- 烟草茎是廉价的香烟材料,但可能含有塑料等杂质.
- 这些杂质会损害香烟的质量,并对吸烟者造成健康风险.
- 准确分类烟草茎和杂质对于质量控制至关重要.
研究的目的:
- 开发和评估一种用于分类烟草茎和杂质的新方法.
- 利用高光谱成像和机器学习进行自动化质量评估.
- 提高烟草制品的纯度和安全性.
主要方法:
- 使用超像素进行超光谱图像细分.
- 通过灰级共发生矩阵 (GLCM) 提取纹理特征.
- 使用改进的光梯度增强机 (LightGBM) 模型进行分类,该模型以光谱和纹理特征进行训练.
主要成果:
- 基于超像素的分类优于单像素点分类.
- 基于超像素 (10x10 px) 的模型实现了93.8%的高杂质识别率.
- 该算法在工业生产环境中显示出有效性.
结论:
- 拟议的高光谱成像和LightGBM方法为分类烟草茎和杂质提供了强大的解决方案.
- 这项技术提高了香烟质量控制和消费者安全.
- 该方法显示了对高光谱成像的智能工业应用的潜力,减轻了干扰边缘.
