劉斌,朱文魁，周雅寧，毛偉俊，鐘科軍，席建平，張輝，王藝斌,黃崗 湖南中煙工業(yè)有限責(zé)任公司，湖南長沙萬家麗路88號(hào) 00； 鄭州煙草研究院，河南鄭州高新區(qū)楓楊街號(hào) 5000； 南京焦耳科技有限公司，江蘇南京童衛(wèi)路5號(hào) 00； 昆明聚林科技有限公司，云南昆明白龍路68號(hào)650000

制造技術(shù)

基于機(jī)器視覺和MSD微結(jié)構(gòu)描述算法的霉變煙在線檢測研究

劉斌1,朱文魁2，周雅寧2，毛偉俊1，鐘科軍1，席建平1，張輝1，王藝斌3,黃崗4
1 湖南中煙工業(yè)有限責(zé)任公司，湖南長沙萬家麗路188號(hào) 410014；2 鄭州煙草研究院，河南鄭州高新區(qū)楓楊街2號(hào) 450001；3 南京焦耳科技有限公司，江蘇南京童衛(wèi)路5號(hào) 210014；4 昆明聚林科技有限公司，云南昆明白龍路168號(hào)650000

為實(shí)現(xiàn)醇化煙葉中霉變煙的自動(dòng)在線精選，設(shè)計(jì)了基于機(jī)器視覺的霉變煙在線檢測系統(tǒng)。該系統(tǒng)通過高速線陣CCD動(dòng)態(tài)獲取煙葉圖像，采用MSD微結(jié)構(gòu)描述算法提取煙葉圖像顏色、紋理特征，基于神經(jīng)網(wǎng)絡(luò)集成分類算法，通過合格煙葉樣本和霉煙樣本的訓(xùn)練學(xué)習(xí)，實(shí)現(xiàn)霉變煙的在線檢測識(shí)別。經(jīng)過測試，該檢測算法對霉煙圖像樣本的測度為0.918。在線檢測試驗(yàn)結(jié)果顯示，采用霉煙靶物單獨(dú)過料時(shí)，機(jī)器視覺系統(tǒng)對霉煙的平均在線識(shí)別率在95%以上；將霉煙靶物與合格煙片混摻過料時(shí)，系統(tǒng)對霉煙的平均識(shí)別率在87%以上。研究結(jié)果表明，機(jī)器視覺方法用于醇化后煙葉中霉變煙的在線精選是可行的。

煙葉；機(jī)器視覺；微結(jié)構(gòu)描述算法；霉變煙檢測

由于煙葉醇化貯存周期較長，醇化前的復(fù)烤煙葉水分調(diào)控不均勻以及貯藏過程中環(huán)境溫、濕度的波動(dòng)，易導(dǎo)致醇化煙葉產(chǎn)生霉變現(xiàn)象[1-3]。為滿足工業(yè)原料純凈度的質(zhì)量要求，醇化后煙葉中霉變煙需要通過在線精選方式剔除?，F(xiàn)行的煙葉原料自動(dòng)化精選技術(shù)，包括光譜除雜、風(fēng)選除雜等[4-5]主要適用于非煙葉類的異質(zhì)雜物檢測剔除，而對霉變煙的識(shí)別剔除主要采用人工精選方式[6]，存在分選效率低、漏檢率高等缺點(diǎn)。近年來隨著數(shù)字圖像處理技術(shù)的快速發(fā)展，以形態(tài)、顏色、紋理等特征圖像信息提取和辨識(shí)為基礎(chǔ)的機(jī)器視覺方法，在種子、水果等農(nóng)產(chǎn)品精選分級(jí)方面研究和應(yīng)用逐漸增多[7-10]。王潤壽等[11]將機(jī)器視覺技術(shù)應(yīng)用于大豆籽粒精選，建立了精選機(jī)的機(jī)械實(shí)體模型。周竹等[12]設(shè)計(jì)了基于V型平面鏡同時(shí)獲取三面圖像的馬鈴薯機(jī)器視覺分級(jí)系統(tǒng)，并提出了相應(yīng)的分級(jí)算法。黃星奕等[13]提出基于平均灰度的區(qū)域增長法，可較好的檢測識(shí)別出杏干的品質(zhì)缺陷。殷勇等[14]針對蘋果機(jī)器視覺分級(jí)中提取的多特征圖像信息，采用主成分分析融合特征參量，提升了分級(jí)準(zhǔn)確率。近年來，在采后煙葉精選方面，機(jī)器視覺方法也逐漸得到關(guān)注和研究開發(fā)[15-16]，但對于霉變煙葉的在線檢測識(shí)別，尚未見相關(guān)研究報(bào)道。由于與正常煙葉物理性質(zhì)的相似性，對該類異物圖像綜合特征信息提取與識(shí)別分類算法的設(shè)計(jì)，是實(shí)現(xiàn)機(jī)器視覺方法檢測的關(guān)鍵?；诖耍疚脑O(shè)計(jì)采用模仿人類視覺感知機(jī)理的MSD微結(jié)構(gòu)描述算法，通過綜合提取煙葉圖像顏色、紋理信息，并結(jié)合神經(jīng)網(wǎng)絡(luò)集成分類算法，實(shí)現(xiàn)了霉變煙的在線檢測和剔除。

1 材料與方法

1.1 材料與裝置

以醇化后的B2F等級(jí)烤煙為原料，煙葉為2012年產(chǎn)上部葉，產(chǎn)區(qū)為云南保山。將B2F烤煙原料回潮加水，片煙含水率調(diào)節(jié)至18%待用。

圖1 霉變煙在線檢測系統(tǒng)裝置圖Fig. 1 Structure diagram of on-line detecting system for mildew tobacco leaves

所設(shè)計(jì)的霉變煙機(jī)器視覺檢測系統(tǒng)結(jié)構(gòu)如圖1所示，主要由輸送皮帶、照明光源、高速CCD相機(jī)、圖像采集和處理單元、霉煙剔除單元組成。輸送皮帶有效寬度為900 mm，輸送速度在0～1.8 m/s范圍內(nèi)可調(diào)。照明光源采用兩條高亮LED聚光光源，通過調(diào)節(jié)安裝位置和角度，使兩條光源照明光線在煙葉上匯聚成一條寬度為20 mm的亮直線，線掃描CCD相機(jī)對準(zhǔn)匯聚直線采集成像，可有效提高圖像亮度和穩(wěn)定性。成像模塊采用配置廣角鏡頭的CVL107型3CCD彩色數(shù)字相機(jī)，其掃描速度21K line/S，像元大小14 μm x 14 μm，分辨率2048 ppi。圖像采集使用時(shí)鐘頻率為85 MHz 的DALSA X-64 CL iPro高速圖像采集卡。圖像處理算法運(yùn)行在高速工控機(jī)上，采用多核CPU配合軟件多線程的采集處理模式，圖像的采集和處理可以并行處理，滿足霉煙葉采集處理的實(shí)時(shí)性要求。

1.2 試驗(yàn)方法

將準(zhǔn)備好的待測煙葉在輸送皮帶單層離散鋪料。輸送皮帶按1.2 m/s的設(shè)定輸送速度攜帶煙葉經(jīng)過CCD相機(jī)視場，高速CCD在LED匯聚光源照射下連續(xù)動(dòng)態(tài)獲取運(yùn)動(dòng)煙葉圖像，采集的煙葉圖像信號(hào)實(shí)時(shí)傳送至圖像處理機(jī)構(gòu)，通過霉煙圖像識(shí)別算法檢測識(shí)別出目標(biāo)物。煙葉過料后，可通過分別統(tǒng)計(jì)圖像上有效識(shí)別的個(gè)數(shù)，計(jì)算出霉煙識(shí)別率。

2 圖像特征提取與識(shí)別算法

2.1 MSD提取顏色紋理特征

霉變煙葉的主要特點(diǎn)在于易成團(tuán)結(jié)塊，色澤呈暗褐色，在葉面上的霉變區(qū)域中，不同程度地分布有點(diǎn)狀、斑塊狀的霉點(diǎn)或霉斑。由于部分合格煙葉也具有跟霉變煙葉一樣的顏色，如典型的津巴布韋煙葉，故單靠顏色特征來鑒別霉變煙葉，很難設(shè)計(jì)出有針對性的霉變煙葉去除方法。因此，除了考慮顏色信息外，進(jìn)一步結(jié)合了霉變煙葉的紋理信息，即同時(shí)提取霉斑或霉點(diǎn)這些局部紋理信息來鑒別霉變煙葉。

圖2 合格煙葉與典型霉煙葉圖像Fig. 2 Images of normal and mildew tobacco leaves

使用 RGB、HSV、YCrCb，C1C2C3，rgb五種顏色空間分析霉煙的顏色特點(diǎn)，如圖3(a)、(b)所示)，從圖中可見，圖3(a)中B、H和C3顏色分量相比其它顏色分量對霉變點(diǎn)的鑒別性較好一些，而圖3(b)中B、S、C1顏色分量相比鑒別性較好一些，沒有哪個(gè)顏色分量能穩(wěn)定的鑒別霉變點(diǎn)，單靠顏色難以鑒別霉煙葉。

圖3 霉變區(qū)域各顏色空間圖像Fig. 3 Images of mildew area in different colors

為此，需要采用能夠同時(shí)描述圖像的顏色和紋理信息的圖像特征提取算法。MSD(Micro-structure descriptor)是微結(jié)構(gòu)描述的簡稱，是一種近年來提出的模仿人類視覺感知機(jī)理的圖像特征提取方法[17-18]。該微結(jié)構(gòu)描述算法是通過多維向量綜合描述一小塊圖像的顏色和紋理特征，代表局部圖像的微結(jié)構(gòu)信息。MSD不但能同時(shí)提取和描述圖像顏色和紋理，而且特征向量維數(shù)少，計(jì)算復(fù)雜度低，適用于霉變煙葉特征表示。

該方法的提取步驟是，對于一幅RGB彩色圖像，首先將其變換到HSV空間，分別對H、S、V三個(gè)顏色分量采用8、3、3個(gè)等級(jí)量化。共得到8*3*3=72種顏色。將HSV從柱面坐標(biāo)系變換到迪卡爾坐標(biāo)系，如下式所示，式中H、S、V為原柱面坐標(biāo)系下的顏色分量值，H’、S’、V’為迪卡爾坐標(biāo)系下的顏色分量值。

對于紋理特征的識(shí)別，MSD算法是采用Sobel邊緣檢測算子從煙葉的HSV顏色信息中提取其局部紋理特征的。由于表面顏色不均勻的物體有不同的色彩或者灰度，因此物體表面存在的紋理輪廓，如霉變煙葉上的點(diǎn)狀、斑狀輪廓，往往發(fā)生在色彩或灰度突變的地方。因此，從圖像上檢測色彩或灰度的突變處，常常成為尋找物體表面紋理輪廓的重要方法，在圖像處理中需要采用邊緣檢測算法。Sobel算子是在邊緣檢測中常用的一種算法，是根據(jù)像素點(diǎn)上下、左右鄰點(diǎn)灰度值或顏色分量值的加權(quán)差，在邊緣處會(huì)達(dá)到極值這一現(xiàn)象來檢測邊緣的。使用Sobel算子對每個(gè)像素點(diǎn)H’S’V’三個(gè)顏色分量上分別求取X和Y兩個(gè)方向上的梯度值其范數(shù)|a|和|b|、點(diǎn)積ab、夾角θ分別由下式定義：

將角度量化為6個(gè)等級(jí)，建立角度圖像F。以3*3的方形結(jié)構(gòu)元素在角度圖像F中記錄如下模式，方形結(jié)構(gòu)中周圍8個(gè)鄰域有與中心相同的模式，如果滿足則記為1，否則置0，從而得到模式圖M，以M為掩模，與C作與運(yùn)算，得到結(jié)果圖像T。其中C表示原始圖像，即未作處理的圖像，T表示掩模M與原圖像C作與處理的結(jié)果。同樣采用3*3的方形結(jié)構(gòu)元素對圖像T按照式（3）計(jì)算微結(jié)構(gòu)統(tǒng)計(jì)直方圖，建立微結(jié)構(gòu)描述（72維向量）

式中，p0表示3*3方形結(jié)構(gòu)元素的中心像素，f(p0)表示圖像T中p0位置的值，均為向量集合符號(hào)。

對于進(jìn)來的待檢測圖像，根據(jù)圖像金字塔模型[19]，按合適的大小分解成多個(gè)尺度有重疊的圖像小塊，計(jì)算提取所有圖像的MSD描述及分解后每個(gè)圖像塊的MSD描述，進(jìn)入分類器進(jìn)行識(shí)別。

2.2 神經(jīng)網(wǎng)絡(luò)集成算法分類

神經(jīng)網(wǎng)絡(luò)集成算法是通過訓(xùn)練多個(gè)神經(jīng)網(wǎng)絡(luò)，即個(gè)體學(xué)習(xí)器，對同一個(gè)問題進(jìn)行學(xué)習(xí)，其結(jié)論輸出由多個(gè)神經(jīng)網(wǎng)絡(luò)的輸出共同決定。集成算法已被證明能顯著提高分類器的泛化能力，有效降低識(shí)別結(jié)果的錯(cuò)誤概率。代表性的集成算法包括Bagging算法和Boosting算法[20-21]，Bagging算法抗噪性較高，但學(xué)習(xí)性能不如Boosting。霉煙分類器設(shè)計(jì)將Bagging和Boosting算法優(yōu)點(diǎn)結(jié)合，先利用Bagging方法生成多個(gè)個(gè)體學(xué)習(xí)器，再利用Boosting方法將多個(gè)個(gè)體學(xué)習(xí)器的結(jié)論選擇性集成。

圖4 分類器分類過程Fig. 4 Classi fi cation process for mildew tobacco classi fi er

在判別開始之前，首先要對霉變煙葉的圖像進(jìn)行訓(xùn)練學(xué)習(xí)，因此要收集大量典型霉變煙葉樣本圖像和正常煙葉的樣本圖像，計(jì)算所有圖像的MSD描述，并且存儲(chǔ)在數(shù)據(jù)庫中，作為訓(xùn)練樣本模式。利用訓(xùn)練樣本模式對集成算法進(jìn)行離線學(xué)習(xí)。得到待檢測圖像的MSD描述后，集成算法中多個(gè)個(gè)體學(xué)習(xí)器對圖像分解出的每個(gè)小圖像塊進(jìn)行投票表決，決定該圖像塊是否屬于霉變煙葉。每個(gè)小圖像塊判決結(jié)束后，對區(qū)域內(nèi)的霉變煙葉進(jìn)行累加，如果判定為霉煙的圖像小塊的聚集度超過設(shè)定閾值，則認(rèn)為待檢測的煙葉圖像是霉變煙葉，否則判定為合格煙葉。該閾值是依據(jù)算法對合格煙葉和霉變煙葉樣本圖像的檢測結(jié)果設(shè)定的，即統(tǒng)計(jì)霉變煙葉識(shí)別的統(tǒng)計(jì)結(jié)果，根據(jù)較高識(shí)別準(zhǔn)確率和較低漏檢率的要求，設(shè)定合理的閾值。如圖4，由合格煙和霉變煙的分類識(shí)別結(jié)果可以看出，真實(shí)的霉變區(qū)域被識(shí)別出的概率較高，易于形成霉變聚集度較高的高密度區(qū)域，而合格煙葉雖然也會(huì)有部分錯(cuò)誤的檢測，但不形成高密度區(qū)域。

3 結(jié)果分析

3.1 算法離線檢測性能

按照上述圖像特征提取和分類算法，在VC++6.0開發(fā)平臺(tái)編制原理驗(yàn)證程序，進(jìn)而使用該程序?qū)熑~圖像庫中所有霉變煙葉與合格煙葉圖像進(jìn)行識(shí)別。使用了分辨率為70*70大小的訓(xùn)練和測試圖像，訓(xùn)練圖像1000幅，合格煙葉500幅，霉變煙葉500幅，典型的霉變煙葉和合格煙葉的樣本圖像如圖5所示。

圖5 部分訓(xùn)練樣本Fig. 5 Normal and mildew leaf tobacco samples

使用以上訓(xùn)練樣本訓(xùn)練分類器，并對1000幅圖像進(jìn)行檢測分別得到1000檢測結(jié)果。為定量統(tǒng)計(jì)以上算法檢測性能，定義霉煙檢測率P、查全率R和測度F三個(gè)指標(biāo)，如下：

其中，TP為正確檢測的霉煙圖像數(shù)，F(xiàn)P為非霉煙被錯(cuò)誤檢測為霉煙的圖像數(shù)，F(xiàn)N為霉煙被錯(cuò)誤檢測為非霉煙的圖像數(shù)。

F測度是準(zhǔn)確率和查全率的權(quán)衡，反映算法的綜合性能，3個(gè)指標(biāo)的取值范圍都在0到1之間，值越大表明性能越高。使用以上指標(biāo)進(jìn)行分析，得到TP=480，F(xiàn)P=65，F(xiàn)N=20，得到 P=0.881，R=0.960，F(xiàn)=0.918。表明算法對霉煙具有較好的檢測性能。

3.2 霉煙在線識(shí)別效果

為了檢驗(yàn)系統(tǒng)對霉煙的在線識(shí)別效果，采用霉煙靶物樣本進(jìn)行試驗(yàn)驗(yàn)證。第一組試驗(yàn)采用50片霉變煙作為靶物，將靶物單獨(dú)鋪在皮帶上單層過料，統(tǒng)計(jì)設(shè)備在線識(shí)別出的霉變煙個(gè)數(shù)。第二組試驗(yàn)取50 kg合格煙片摻入20片霉煙靶物，將混合后的物料鋪在皮帶上單層過料，統(tǒng)計(jì)設(shè)備在線識(shí)別出的霉變煙個(gè)數(shù)。以上每組試驗(yàn)均重復(fù)測定2次，根據(jù)試驗(yàn)剔除的靶物個(gè)數(shù)，計(jì)算出的靶物剔除率結(jié)果見表1所示。

表1 霉煙靶物在線識(shí)別結(jié)果Tab. 1 Online recognition results for mildew tobacco leaves

可以看出，采用50個(gè)霉煙靶物單獨(dú)過料時(shí)，系統(tǒng)對靶物漏識(shí)的個(gè)數(shù)在3個(gè)以內(nèi)，霉煙在線識(shí)別率較高，平均在95%以上。而第2組試驗(yàn)中將大量合格煙片與霉煙靶物混摻過料后，系統(tǒng)對霉煙的在線識(shí)別率有一定程度降低，但平均識(shí)別率仍在87%以上。第2組試驗(yàn)識(shí)別率降低的原因，可能是大量煙葉在皮帶上單層鋪料時(shí)，各煙片之間未能達(dá)到完全離散化，從而影響部分煙葉中霉變區(qū)域的有效檢出。

4 結(jié)論

本文采用MSD微結(jié)構(gòu)描述算法提取煙葉圖像顏色、紋理特征，采用Boosting-bagging集成的神經(jīng)網(wǎng)絡(luò)分類算法生成個(gè)體學(xué)習(xí)器，通過合格煙葉樣本和霉煙樣本的訓(xùn)練學(xué)習(xí)，實(shí)現(xiàn)了霉變煙的檢測識(shí)別。經(jīng)過測試，該算法對霉煙圖像樣本的測度為0.918。試驗(yàn)結(jié)果表明，采用霉煙靶物單獨(dú)過料時(shí)，機(jī)器視覺系統(tǒng)對霉煙的在線識(shí)別率平均在95%以上；將霉煙靶物與合格煙片混摻過料時(shí)，系統(tǒng)對霉煙的平均識(shí)別率在87%以上。實(shí)驗(yàn)證明，基于機(jī)器視覺和MSD微結(jié)構(gòu)描述算法的霉變煙在線檢測是可行的，具有實(shí)際應(yīng)用價(jià)值。

[1]卓思楚, 鄭湖南, 齊凌峰, 等. 國內(nèi)烤煙煙葉醇化機(jī)理及技術(shù)研究進(jìn)展[J]. 中國農(nóng)學(xué)通報(bào), 2012, 28(10): 91-94.

[2]李春艷, 趙高嶺, 葉紅朝, 等. 河南煙葉倉儲(chǔ)期優(yōu)勢霉菌的分離鑒定及防霉劑的篩選[J].煙草科技, 2011 (7): 64-68.

[3]彭清云,易圖永. 煙葉霉變的原因及其防治研究進(jìn)展[J].中國農(nóng)學(xué)通報(bào), 2007, 23(11):146-94.

[4]張文海. 柔性風(fēng)選在多種卷煙品牌中的應(yīng)用[J]. 安徽農(nóng)學(xué)通報(bào), 2013, 19(18): 123-124.

[5]郭粉林, 廖光軍, 王藝斌. 光學(xué)煙葉雜物分選機(jī)的原理與結(jié)構(gòu)[J]. 煙草科技, 2002(3): 22-24.

[6]YC/T 147-2001 煙葉 打葉復(fù)烤工藝規(guī)范[S].

[7]陳艷軍, 張俊雄, 李偉, 等. 基于機(jī)器視覺的蘋果最大橫切面直徑分級(jí)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(2): 284-288.

[8]劉燕德, 彭彥穎, 高榮杰, 等. 基于LED組合光源的水晶梨可溶性固形物和大小在線檢測[J]. 農(nóng)業(yè)工程學(xué)報(bào),2010, 26(1): 338-343．

[9]趙吉文, 高尚, 魏正翠, 等. 基于FPGA的西瓜子機(jī)器視覺色選系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2011, 42(8):173-177．

[10]展慧, 李小昱, 王為, 等. 基于機(jī)器視覺的板栗分級(jí)檢測方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2010, 26(4): 327-331.

[11]王潤濤, 張長利, 房俊龍, 等. 基于機(jī)器視覺的大豆籽粒精選技術(shù)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2011, 27(8): 355-359.

[12]周竹, 黃懿, 李小昱, 等. 基于機(jī)器視覺的馬鈴薯自動(dòng)分級(jí)方法[J].農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(7): 178-183.

[13]黃星奕, 錢媚徐, 富斌. 基于機(jī)器視覺和近紅外光譜技術(shù)的杏干品質(zhì)無損檢測[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(7):260-265.

[14]殷勇, 陶凱, 于慧春. 基于機(jī)器視覺的蘋果分級(jí)中特征參量選擇方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2012, 43(6): 118-121．

[15]張紹堂, 董德春, 任友俊, 等. 煙草異物剔除系統(tǒng)中典型異物處理方法[J]. 煙草科技, 2009(5): 22-25.

[16]汪庭春, 梅健, 朱文燕. 基于機(jī)器視覺的煙草分揀系統(tǒng)的設(shè)計(jì)[J]. 機(jī)械制造與自動(dòng)化, 2011, 40(5): 112-114.

[17]Liu J H, Zhang L, Hou Y K. Image retrieval based on micro-structure descriptor[J]. Pattern Recognition, 2011,44(9): 2123-2133.

[18]Wang XY, Wang ZY. A novel method for image retrieval based on structure elements descriptor[J]. Journal of Visual Communication and Image Representation, 2013, 24(1): 63-74.

[19]任獲榮, 王家禮, 張平. 形態(tài)金字塔圖像分割算法[J]. 西安電子科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2004, 31(2): 248-251.

[20]霍紅文, 封舉富. 基于多類在線Boosting的圖像識(shí)別算法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2011, 23(7): 1194-1197.

[21]蔣蕓, 陳娜, 明利特. 基于Bagging的概率神經(jīng)網(wǎng)絡(luò)集成分類算法[J]. 計(jì)算機(jī)科學(xué), 2013, 40(5): 242-245.

Study on on-line detection of mildewed tobacco leaves based on machine vision and MSD descriptors

LIU Bin1, ZHU Wenkui2, ZHOU Yaning2, MAO Weijun1, ZHONG Kejun1, XI Jianping1, ZHANG hui1, WANG Yibin3, HUANG Gang4
1 China Tobacco Hunan Industrial Co., Ltd., Changsha 410014, China;2 Zhengzhou Tobacco Research Institute, Zhengzhou 450000, China；3 Nanjing Jiao’er Science and Technology Ltd., NanjingJ210014, China;4 Kunming Julin Science and Technology Ltd, Kunming 650000, China

In order to realize automatic screening of mildew tobacco leaves, a moldy tobacco online detection system based on machine vision was developed. Tobacco leaf images were obtained by high-speed linear CCD. MSD (Micro-structure descriptor) was used to extract image color, texture features. Neural network ensemble was adopted to generate individual learning algorithm, which realized the recognition of mildew tobacco leaves by training and learning. Recognition algorithm measure for mildew tobacco samples was up to 0.918.Results showed that recognition rate of target object was higher than 95% for mildew tobacco detection alone, while it was higher than 87% when mildew tobacco was mixed with normal tobacco leaves. It was indicated that the machine vision method is feasible for on-line selection of mildew tobacco leaves.

tobacco leaves; machine vision; MSD descriptor; detection of mildew tobacco

:LIU Bin, ZHU Wenkui, ZHOU Yaning, et al. Study on on-line detection of mildewed tobacco leaves based on machine vision and MSD descriptors [J]. Acta Tabacaria Sinica, 2015, 21 (2)

劉斌，朱文魁，周雅寧，等. 基于機(jī)器視覺和MSD微結(jié)構(gòu)描述算法的霉變煙在線檢測研究[J]. 中國煙草學(xué)報(bào)，2015,21（2）

國家煙草專賣局重點(diǎn)實(shí)驗(yàn)室項(xiàng)目“打葉復(fù)烤均質(zhì)化加工技術(shù)研究”（212014AA0630）; 湖南中煙工業(yè)有限責(zé)任公司科技項(xiàng)目“在線智能化片煙精選系統(tǒng)的研制”(KY2011ZB0003)

劉斌（1969—），本科，高級(jí)工程師，主要從事煙草工藝研究和新技術(shù)開發(fā),Email: liub0813@hngytobacco.com

朱文魁（1979—），博士，副研究員，主要從事煙草工藝技術(shù)研究，Email: wkzhu79@163.com

2014-04-20