張崇崇，黃亞宇

(昆明理工大學(xué) 機電工程學(xué)院，云南 昆明 650500)

煙葉打葉過程是一個復(fù)雜、具有隨機性、不確定性、高度非線性等特征的時變過程。片煙結(jié)構(gòu)是衡量打葉質(zhì)量的重要指標(biāo)。準(zhǔn)確預(yù)測并控制其關(guān)鍵打葉設(shè)備工藝參數(shù)是得到理想煙葉片型的重要前提。目前，數(shù)字圖像處理技術(shù)在煙草領(lǐng)域有了很大的發(fā)展，但是對于片煙結(jié)構(gòu)的預(yù)測問題仍以定性和經(jīng)驗為指導(dǎo)，不僅需要消耗大量人力、財力，且對于片煙結(jié)構(gòu)的預(yù)測具有主觀性與試湊性。因此，目前急需建立一個精確、可靠的片煙結(jié)構(gòu)預(yù)測模型來對煙葉的片型結(jié)構(gòu)進行控制。

針對以上問題，本文以煙葉片型為研究對象，將開發(fā)工具MATLAB與神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出了一種基于MATLAB圖像處理的GA-BP神經(jīng)網(wǎng)絡(luò)模型。該模型以實際拍攝的多批次煙葉圖片作為基礎(chǔ)，通過GA-BP神經(jīng)網(wǎng)絡(luò)模型對開發(fā)工具MATLAB提取的面積、周長、內(nèi)圓度等外觀特征快速構(gòu)造高精度、高可靠性、高穩(wěn)定度的非線性系統(tǒng)網(wǎng)絡(luò)，實現(xiàn)對一級打葉片煙結(jié)構(gòu)的預(yù)測與控制。

1 MATLAB圖像處理與BP神經(jīng)網(wǎng)絡(luò)算法

1.1 MATLAB與圖像處理

MATLAB軟件中圖像處理工具箱由一系列支持圖像處理操作的函數(shù)組成，可以進行諸如幾何操作、濾波和濾波器設(shè)計、圖像轉(zhuǎn)換、圖像分析與圖像增強、圖像編碼、圖像復(fù)原及形態(tài)學(xué)處理等圖像處理操作[1]。

1.2 BP神經(jīng)網(wǎng)絡(luò)

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，信號前向傳遞和誤差反向傳播是該網(wǎng)絡(luò)的主要特點。在前向傳遞中，輸入信號從輸入層經(jīng)隱含層逐層處理，直至輸出層。每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)。如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出[2]。BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)如圖1所示。

圖1中，X1，X2，…，Xn是該網(wǎng)絡(luò)的輸入值，Y1，Y2，…，Ym是該網(wǎng)絡(luò)的預(yù)測值，ωij和ωjk為神經(jīng)網(wǎng)絡(luò)權(quán)值。從圖中可以看出，BP神經(jīng)網(wǎng)絡(luò)可以看作一個非線性函數(shù)，網(wǎng)絡(luò)輸入值和預(yù)測值分別為該函數(shù)的自變量和因變量。當(dāng)輸入節(jié)點數(shù)為n，輸出節(jié)點數(shù)為m時，BP神經(jīng)網(wǎng)絡(luò)就表達了從n個自變量到m個因變量的函數(shù)映射關(guān)系[3]。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)圖Figure 1. Topological structure of BP neural network

2 基于MATLAB圖像處理的GA-BP網(wǎng)絡(luò)模型

2.1 圖像獲取

本文以某復(fù)烤廠生產(chǎn)加工車間實際作業(yè)過程中的片煙為研究對象，以隨機采樣為依據(jù)，按正常生產(chǎn)參數(shù)設(shè)定了5411(5個框欄開口梯度、4個打滾轉(zhuǎn)速梯度、1個進料量梯度、1個溫濕度梯度)的采樣方案，共獲取了20個批次的采集樣本作為圖像數(shù)據(jù)庫。

2.2 圖像處理與特征提取

采集裝置在采集煙葉數(shù)字圖像的過程中，光照分布不均勻和攝像頭的光學(xué)特性不穩(wěn)定等因素可能會導(dǎo)致獲取的煙葉數(shù)字圖像和原始煙葉存在一定程度的差異，出現(xiàn)顏色退化、圖像夾雜噪聲點等圖像失真的現(xiàn)象。因此，本文利用工具軟件MATLAB對煙葉圖像進行了加強處理。圖像處理法的測試操作流程如圖2所示[4]。

圖2 圖像處理法的測試步驟Figure 2. Test steps of image processing

2.2.1 圖像初步處理

圖3為初步處理后的片煙樣本圖像。圖3(a)是片煙原始圖像。為了減少系統(tǒng)運算量，提高運算速度，便于后續(xù)處理，本文通過借助工具箱函數(shù)rgb2gray得到原始圖片的灰度圖像[5]，如圖3(b)所示。由于獲取圖片時拍到了片煙樣本之外的圖像，因此需利用imcrop 函數(shù)對原始區(qū)域進行剪裁[6]，獲取片煙樣本區(qū)域，如圖3(c)所示。進行剪切操作時，由于煙葉背景板的位置為人工放置，故本實驗采取手動剪切操作。而以往的實驗者普遍利用 imcrop 函數(shù)的信息返還功能將首次剪切區(qū)域的坐標(biāo)信息返還到函數(shù)中，利用循環(huán)功能對后續(xù)圖片進行相同區(qū)域的剪切操作，這種方法往往會造成提取數(shù)據(jù)與實際值之間存在較大誤差。因此，本實驗方法獲取的煙葉樣本數(shù)據(jù)可信度更高，也更加準(zhǔn)確。剪切時要在煙葉樣本周圍留有余量，尤其是片煙與采樣板邊緣之間的區(qū)域。

(a) (b) (c) 圖3 片煙原始圖像及初步處理圖像(a)原始圖像 (b)灰度圖像 (c)剪裁后的圖像Figure 3. The original image and preliminary processed image of tobacco(a)Original image (b)Grayscale image (c)Clipped image

2.2.2 圖像增強改進

在本實驗中，由于受光線影響，拍照時樣本角落的煙葉亮度與背景亮度較為相似。采用imadjust函數(shù)進行實驗后發(fā)現(xiàn)圖片識別效果不理想，故本文在研究中未采用傳統(tǒng)的imadjust函數(shù)圖像增強方法。針對這一問題，本文提出先利用imadd函數(shù)為圖像增加亮度，然后再利用imsubtract函數(shù)，去掉樣本背景。這樣操作可以克服背景對煙片識別的影響，樣品主體在圖片中得到明顯加強，避免了光線不同對識別帶來的影響，提高了圖像識別效果與精度。

圖像增強時會涉及有用信息增強及無用信息過濾，通過濾波功能可濾掉拍攝或光線帶來的圖像噪聲。通常采用非線性濾波方式如自適應(yīng)維納濾波(wiener2)和二維中值濾波(medfilt2)等方法實現(xiàn)圖像噪聲濾波。二維中值濾波適用于具有椒鹽噪聲的圖像，維納濾波則根據(jù)局部方差來調(diào)整濾波輸出[7]。本文根據(jù)片煙結(jié)構(gòu)特點采用二維中值濾波。

2.2.3 圖像分割

圖像分割是將一幅數(shù)字圖像分割成不同的區(qū)域。較為經(jīng)典的算法有邊緣檢測算法、閾值分割法和區(qū)域分割技術(shù)[8]。其中，閾值分割技術(shù)是經(jīng)典的圖像分割方法之一，也是最簡單的一種圖像分割方法。閾值分割技術(shù)適用于目標(biāo)和背景處于不同灰度級范圍的圖像。由于本研究中已將背景去掉，即樣本背景為純黑色，像素值為0，所以更適合使用閾值分割技術(shù)。具體計算式為

(1)

其中，f(x，y)為點(x，y)的像素值；g(x，y)為分割后的圖像；T為全局閾值。

本文中采用的閾值分割技術(shù)為最大類間方差法，又稱Otsu算法。該算法在基于灰度直方圖的基礎(chǔ)上采用最小二乘法原理推導(dǎo)得到，具有統(tǒng)計意義上的最佳分割。它的基本原理是通過最佳閾值將圖像的灰度值分割成兩部分，使兩部分之間方差最大，即具有最大分離性。

在經(jīng)Otsu算法確定閾值后，往往在圖像二值化過程中得不到最理想的分割效果。針對這一問題，本實驗在對圖像二值化時通過不斷在已得到的閾值附近取值對閾值進行了微調(diào)，最終選定了最理想的閾值。本文閾值的確定和灰度圖像的二值化分別通過MATLAB工具箱中的graythresh函數(shù)和im2bw函數(shù)進行計算，結(jié)果如圖4(a)所示。

2.2.4 形態(tài)學(xué)圖像處理

形態(tài)學(xué)是一種適用于模式識別和圖像處理領(lǐng)域的新方法，其主要研究對象為圖像的形態(tài)特征。膨脹運算和腐蝕運算是數(shù)學(xué)形態(tài)學(xué)的兩個基本變換。膨脹運算是將與目標(biāo)物體接觸的所有背景點合并到該物體中，使邊界向外部擴張的過程。通過膨脹操作，可以填充圖像中的小孔及在圖像邊緣處的凹陷問題。腐蝕運算是一種消除邊界點，使邊界向內(nèi)部收縮的過程。利用腐蝕，可以消除小且沒有意義的物體。結(jié)構(gòu)元素B對圖像A的膨脹，記作A⊕B，定義為

(2)

集合A被結(jié)構(gòu)元素B腐蝕，記作AΘB，定義如式(3)所示。

AΘB={x:Bx?A}

(3)

本文對煙葉二值化處理后，煙葉邊緣輪廓有許多凹陷部分，而且采樣板局部邊界處存在一些小且沒意義的片煙圖像。針對這兩點問題，本實驗首先對圖像做了膨脹處理，解決了片煙輪廓邊緣凹陷問題，使圖像更加逼近實際；其次選用腐蝕操作對圖像中出現(xiàn)的小且沒有意義的片煙圖像進行了清除。本文的膨脹運算與腐蝕運算分別通過MATLAB工具箱中的imdilate函數(shù)和imerode函數(shù)進行操作。在經(jīng)過膨脹與腐蝕操作之后，本文針對二值化圖像片煙內(nèi)部出現(xiàn)的小孔對其進行了填充操作，如圖4(b)所示。最后本文利用輪廓線上像素點的個數(shù)之和與圖像中煙葉區(qū)域的像素點數(shù)之和分別表示煙葉的周長(C)和面積(A)的計算方法[9]，通過regionprops函數(shù)與bwboundaries函數(shù)對樣本中每片煙葉的周長和面積進行了特征提取。周長及面積計算式分別如式(4)、式(5)所示。

(4)

式中，煙葉輪廓線二值化圖像f(i，j)中背景區(qū)域像素為0，即f(i，j)=0；輪廓線為1，即f(i，j)=1；(i，j)表示像素點坐標(biāo)；M×N表示煙葉圖像的長寬。

(5)

式中，煙葉輪廓線二值化圖像g(i，j)中背景區(qū)域像素為0，即g(i，j)=0；煙葉區(qū)域為1，即g(i，j)=1；(i，j)表示像素點坐標(biāo)；M×N表示煙葉圖像的長寬。

煙絲的等級也是對打葉過程進行評價的關(guān)鍵指標(biāo)。為了得到優(yōu)質(zhì)的煙絲，本文選取片煙的圓形度作為衡量標(biāo)準(zhǔn)。圓形度描述為面積乘上4π與周長平方的比值

(6)

式中，A為煙葉面積；P為煙葉周長；當(dāng)E=1時，圖形為圓形，E逐漸減小，圖形與圓形差距逐漸增大。

(a) (b)圖4 片煙二值化處理與形態(tài)學(xué)處理后的圖像(a)二值化圖像 (b)形態(tài)學(xué)處理后圖像Figure 4. Image after binary processing and morphological processing of tobacco(a)Image after binarization (b)Image after morphological processing

2.3 數(shù)據(jù)準(zhǔn)備

2.3.1 數(shù)據(jù)轉(zhuǎn)換與清理

本文以提取的面積、周長、圓形度特征作為數(shù)據(jù)庫。提取過程中的數(shù)據(jù)以像素點的形式存在，與實際衡量標(biāo)準(zhǔn)不同，所以需要對數(shù)據(jù)進行轉(zhuǎn)換。一般而言，數(shù)據(jù)轉(zhuǎn)換有兩種形式：將實際衡量標(biāo)準(zhǔn)轉(zhuǎn)換為像素值或?qū)⑾袼刂缔D(zhuǎn)換為實際值。由于在數(shù)據(jù)轉(zhuǎn)換過程中必然會出現(xiàn)各種計算誤差，針對這一問題，本文采用將實際的衡量標(biāo)準(zhǔn)轉(zhuǎn)換為像素值的方法，這樣可減少受影響的數(shù)據(jù)，也更有利于確保分析數(shù)據(jù)的質(zhì)量和分析結(jié)果的正確性。

獲取的數(shù)據(jù)往往會存在一些不符合要求的異常值，所以首先需要對這些數(shù)據(jù)進行剔除。本文根據(jù)片煙分類行業(yè)標(biāo)準(zhǔn)基于面積的評判對無用數(shù)據(jù)進行剔除。依據(jù)片煙面積分類標(biāo)準(zhǔn)，本文主要研究大葉、中葉和小葉在一級打葉后的占比，其分類標(biāo)準(zhǔn)如表1所示，故對面積小于6.35 mm×6.35 mm的片煙面積予以剔除。

表1 煙葉片型分類標(biāo)準(zhǔn)表

2.3.2 聚類

聚類是根據(jù)相似度將數(shù)據(jù)區(qū)分為不同聚類，使同一聚類內(nèi)的個體距離較近或變異較小，不同聚類間的個體距離較遠或變異較大。其中，相似度可以利用不同的距離或相關(guān)來定義[10]。

本文分別對提取的面積、周長和圓形度特征數(shù)據(jù)進行了聚類。由于片煙面積有具體的行業(yè)標(biāo)準(zhǔn)，故面積特征數(shù)據(jù)按表1的準(zhǔn)則分為大、中、小3類。目前還沒有明確的關(guān)于片煙周長的分類標(biāo)準(zhǔn)，但由于周長是和面積密切相關(guān)的一種衡量標(biāo)準(zhǔn)，因此本文提出基于片煙面積的分類標(biāo)準(zhǔn)，通過式(4)與式(5)推理出片煙周長分類標(biāo)準(zhǔn)。最后，本文采用K-means聚類分析算法對片煙的內(nèi)圓度進行了優(yōu)、良、差3種分類，聚類結(jié)果如圖5所示。

圖5 K-means算法聚類后的數(shù)據(jù)分類結(jié)果Figure 5. Data classification results after K-means algorithm clustering

2.3.3 交叉驗證

根據(jù)本文獲取的數(shù)據(jù)特點，文中首先采用了留一交叉驗證法對獲取的20批數(shù)據(jù)進行了處理。留一交叉驗證，其折數(shù)就是樣本的個數(shù)。設(shè)樣本個數(shù)為m，需要重復(fù)m次，最后取平均值。該方法每一回合幾乎所有的樣本皆用于訓(xùn)練模型，因此最接近原始樣本的分布，這樣評估所得的結(jié)果比較可靠，并且實驗過程中沒有隨機因素影響實驗數(shù)據(jù)。

2.4 GA-BP神經(jīng)網(wǎng)絡(luò)模型

由于BP神經(jīng)網(wǎng)絡(luò)算法具有簡單、易行、計算量小、并行性強等優(yōu)點，文中用該網(wǎng)絡(luò)來構(gòu)建子模型[11]。對輸入樣本x，出現(xiàn)在神經(jīng)元j輸出處的函數(shù)信號計算為

yj(n)=φ(vj(n))

(7)

式中，vj(n)是神經(jīng)元j的誘導(dǎo)局部域，由式(8)定義

(8)

其中，m是神經(jīng)元j的所有輸入的數(shù)量(不包括偏置)；ωij(n)是連接神經(jīng)元i和神經(jīng)元j的突觸權(quán)值；yi(n)是指神經(jīng)元j的輸入信號或是出現(xiàn)在神經(jīng)元i的輸出端的函數(shù)信號[12]。

研究和應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的關(guān)鍵在于：在解決相關(guān)問題時， 如何尋找最優(yōu)的初始權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)能夠更好地預(yù)測函數(shù)輸出[13]。目前，很多研究中對于初始權(quán)值與閾值的選取是憑借經(jīng)驗來進行的。本文選用遺傳算法對BP網(wǎng)絡(luò)進行優(yōu)化，從而得到最優(yōu)個體對網(wǎng)絡(luò)初始權(quán)值和閾值賦值，所構(gòu)建的GA-BP神經(jīng)網(wǎng)絡(luò)能以精簡的結(jié)構(gòu)獲取較好的非線性映射能力。

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)分為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、遺傳算法優(yōu)化和BP神經(jīng)網(wǎng)絡(luò)預(yù)測3個部分[14]。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定根據(jù)擬合函數(shù)輸入輸出參數(shù)個數(shù)確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，進而確定遺傳算法個體的長度[15]。遺傳算法優(yōu)化部分使用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，其種群中的每個個體都包含了一個網(wǎng)絡(luò)的所有權(quán)值和閾值。個體通過適應(yīng)度函數(shù)計算個體適應(yīng)度值。遺傳算法通過選擇、交叉和變異操作找到最優(yōu)適應(yīng)度值對應(yīng)個體[16]。

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的要素包括種群初始化、適應(yīng)度函數(shù)、選擇操作、交叉操作和變異操作[17]。

本文采用留一交叉驗證法對提取的20批數(shù)據(jù)進行處理生成初始種群，編碼方式選用二進制編碼，以輪盤賭方案為選擇算法。交叉操作方法采用實數(shù)交叉法，交叉概率為 0.4，變異算子的變異概率為0.1，以預(yù)測輸出和期望輸出之間的誤差絕對值和全局誤差E作為個體適應(yīng)度值F，進化代數(shù)設(shè)定為100。優(yōu)化后得到了BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值，再進行網(wǎng)絡(luò)訓(xùn)練，得到最終的傳感器解析冗余網(wǎng)絡(luò)。在實際生產(chǎn)中，為了生產(chǎn)出質(zhì)量較高的煙絲，往往趨于得到面積與周長符合大葉標(biāo)準(zhǔn)且圓形度較高的片煙結(jié)構(gòu)。針對上述現(xiàn)象，文中基于GA-BP神經(jīng)網(wǎng)絡(luò)對實際生產(chǎn)中的理想片煙結(jié)構(gòu)參數(shù)進行了預(yù)測與優(yōu)化。

3 仿真實驗與結(jié)果分析

本文實驗分為兩部分：第1部分僅利用BP神經(jīng)網(wǎng)絡(luò)算法對片煙結(jié)構(gòu)進行預(yù)測；第2部分基于GA-BP神經(jīng)網(wǎng)絡(luò)算法對片煙結(jié)構(gòu)預(yù)測模型進行優(yōu)化。

3.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測

本文基于某煙葉復(fù)烤廠實際生產(chǎn)中的片煙以隨機采樣為依據(jù)進行工業(yè)試驗， 按正常生產(chǎn)參數(shù)設(shè)定采樣方案，總共獲取了20個批次的采集樣本作為圖像數(shù)據(jù)庫。然后，將得到的數(shù)據(jù)經(jīng)留一交叉驗證法處理組成一個400組數(shù)據(jù)的數(shù)據(jù)庫。本文以這400組數(shù)據(jù)作為依據(jù)進行驗證并將其分為兩組：280組作為訓(xùn)練樣本；120組作為測試樣本，并選用決定系數(shù)R和預(yù)測曲線極差評價模型精度。

(9)

其中，Ns為樣本的數(shù)量；c為一個常數(shù)，通常選擇個位數(shù)[18-19]。本文為了更精確的得到隱含層中的節(jié)點數(shù)，將Nx與Ny之間的節(jié)點數(shù)一一驗證，最終選定隱含層的節(jié)點數(shù)為9。經(jīng)測試，圖6(a)為神經(jīng)網(wǎng)絡(luò)打葉效果預(yù)測模型，圖6(c)為BP網(wǎng)絡(luò)預(yù)測誤差曲線。圖7(a)為基于理想片煙結(jié)構(gòu)建立的打葉效果預(yù)測模型，圖7(c)為BP網(wǎng)絡(luò)預(yù)測誤差曲線。

由圖可得，在基于BP神經(jīng)網(wǎng)絡(luò)對所有參數(shù)與理想特征的預(yù)測中，所有特征的測試集精度達到了97.126%，極差為0.059；理想特征的精度達到了98.973%，極差為17.461×10-3。由此得出，BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對本模型有較好的適用性，且隨著所選特征的精確化模型精度不斷提高，極差不斷減小。

3.2 GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測

在實際生產(chǎn)應(yīng)用中需要采用打葉效果最優(yōu)的工藝參數(shù)組進行生產(chǎn)，以保證工藝的質(zhì)量最優(yōu)。因此本文采用遺傳算法對打葉效果預(yù)測模型的最優(yōu)工藝參數(shù)進行求解?；谒O(shè)計的模型進行優(yōu)化后，圖6(b)為GA-BP網(wǎng)絡(luò)打葉效果預(yù)測模型，圖6(d)為GA-BP網(wǎng)絡(luò)預(yù)測誤差曲線。圖7(b)為基于理想片煙結(jié)構(gòu)優(yōu)化后的打葉效果預(yù)測模型，圖7(d)為GA-BP網(wǎng)絡(luò)預(yù)測誤差曲線。

由圖可知，在基于GA-BP神經(jīng)網(wǎng)絡(luò)模型對所有特征與理想特征的預(yù)測中，所有特征的測試集精度達到了98.753%，極差為0.040 6；理想特征的精度達到了99.836%，極差為4.733×10-3。由此得出，GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對本模型同樣有良好的適用性，且隨著參數(shù)的精確化模型精度不斷提高，極差不斷減小。相較于未優(yōu)化的模型架構(gòu)， 基于GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型得到的打葉片型的預(yù)測值能更好地擬合實際值的變化趨勢， 具有更高的建模精度。

表2所示為上述神經(jīng)網(wǎng)絡(luò)預(yù)測模型主要評價參數(shù)對比。由表可以看出，測試集的精確度及極差主要由預(yù)測特征和預(yù)測算法有關(guān)，當(dāng)預(yù)測算法相同時，預(yù)測特征為理想特征的模型精度均比預(yù)測所有特征精度高，且極差更小。當(dāng)預(yù)測特征相同時，GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型精度更高，極差更小。因此，當(dāng)預(yù)測理想特征與GA-BP神經(jīng)網(wǎng)絡(luò)算法相結(jié)合時，預(yù)測模型將取得最佳效果，精度最高。

表2 神經(jīng)網(wǎng)絡(luò)預(yù)測模型主要評價參數(shù)對比

(a)

(b)

(d)

(a)

4 結(jié)束語

本文通過對一級打葉后的片煙結(jié)構(gòu)進行研究，得出如下結(jié)論：(1)本文以數(shù)字圖像處理技術(shù)為出發(fā)點，借助MATLAB軟件的圖像處理功能，對一級打葉后煙葉片型的面積、周長、內(nèi)圓度等特征進行了提取，保證了進行煙葉片型分類的精度和準(zhǔn)確性；(2)基于聚類分析算法將煙片圓形度特征分為了優(yōu)、良、差3類，采用留一交叉驗證法對初始數(shù)據(jù)進行運算，得到了最終的初始種群數(shù)據(jù)庫；(3)本文提出的GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型確定了更加優(yōu)異的初始權(quán)值和閾值參數(shù)。仿真實驗結(jié)果體現(xiàn)出了該算法在實際應(yīng)用中的可靠性，其可明顯減小神經(jīng)網(wǎng)絡(luò)預(yù)測誤差，提高網(wǎng)絡(luò)精度?；诒疚奶岢龅纳窠?jīng)網(wǎng)絡(luò)模型實現(xiàn)了對片煙結(jié)構(gòu)準(zhǔn)確且可靠的預(yù)測，可以有效解決打葉過程中片煙結(jié)構(gòu)以定性和經(jīng)驗為指導(dǎo)的難以預(yù)測的問題。研究團隊也將在今后的研究中致力于實現(xiàn)對整個打葉過程的控制與預(yù)測。