李 婷,王 興,衛(wèi)玲芝,高 菲,張晉塬,王雨竹

(太原科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，太原 030024)

0 引言

隨著煙草行業(yè)的飛速發(fā)展，國內(nèi)外對于煙葉分離和定級檢測技術(shù)的研究也在不斷地進(jìn)行改進(jìn)升級，由此形成了大量的研究成果。國外利用計(jì)算機(jī)視覺技術(shù)對煙葉進(jìn)行定級判斷最早開始于20世紀(jì)80年代，1988年美國學(xué)者C.E.Thomas是最早提出利用計(jì)算機(jī)的圖像識別技術(shù)對煙草及其相關(guān)產(chǎn)品進(jìn)行檢測定級的。隨后津巴布韋的一名學(xué)者G.Tattersfield提出根據(jù)煙葉的葉片結(jié)構(gòu)、顏色以及殘傷度等外部特征對煙葉進(jìn)行質(zhì)量檢測和分組的研究。1997年，韓國學(xué)者H.K.Cho和K.H.Paek通過利用計(jì)算機(jī)視覺技術(shù)對煙葉進(jìn)行檢測定級的方法進(jìn)行了初步的嘗試[1]。雖然國內(nèi)利用圖像識別技術(shù)對煙葉進(jìn)行檢測定級要落后于國外，但隨著圖像處理技術(shù)的日趨成熟，越來越多的技術(shù)運(yùn)用到煙葉的分離和檢測定級中。王士鑫等人提出基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的煙葉檢測定級的方法，該方法通過選取合適的V3模型，結(jié)合卷積層和網(wǎng)絡(luò)層完成遷移學(xué)習(xí)，再利用多分類的模型選取交叉熵作為損失函數(shù)進(jìn)行運(yùn)算，最后再結(jié)合極值點(diǎn)的跳躍算法，對采集到的煙葉圖像進(jìn)行識別分析[2]。韓力群等人提出一種利用人工智能的方法來模擬人類大腦信息處理結(jié)構(gòu)的煙葉智能檢測定級系統(tǒng)，實(shí)驗(yàn)結(jié)果證明該系統(tǒng)對煙葉分級的正確率可與人工分級相媲美[3]。姚學(xué)練等人提出首先利用主成分分析法(PCA)對煙葉進(jìn)行降維處理，然后將多個(gè)降維的參數(shù)輸入到支持向量機(jī)(SVM)中，再利用遺傳算法(GA)對SVM模型的懲罰參數(shù)和核函數(shù)進(jìn)行優(yōu)化，從而達(dá)到提高煙葉分級效率的目的[4]。綜合以上的國內(nèi)外的研究現(xiàn)狀來看，目前國內(nèi)外的研究大多是基于圖像識別技術(shù)對煙葉分級提出多種多樣的方法，但對于煙葉的分離的研究卻比較少，目前國內(nèi)的各大煙草廠仍然是以依靠人工進(jìn)行煙葉的分離，機(jī)械化程度低，分離的效率也比較低。基于此，本文提出對煙葉自動分離及智能定級分揀系統(tǒng)的研究，借助機(jī)械化設(shè)備提高煙葉分離、分揀的效率，運(yùn)用機(jī)器視覺技術(shù)提高煙葉分級的正確率，進(jìn)而達(dá)到降低成本提高經(jīng)濟(jì)效益的效果。

1 系統(tǒng)設(shè)計(jì)

1.1 系統(tǒng)整體設(shè)計(jì)

煙葉自動分離及智能定級分揀系統(tǒng)主要由煙葉進(jìn)料、煙葉松散震動、煙葉自動分離、煙葉自動排列、煙葉自動鋪平、煙葉智能檢測及定級判斷、煙葉智能分流分揀7個(gè)工段組成。系統(tǒng)結(jié)構(gòu)如圖1所示 。

圖1 煙葉分離及智能定級分揀系統(tǒng)結(jié)構(gòu)圖

1.2 系統(tǒng)工作原理

煙草作為卷煙產(chǎn)品的基礎(chǔ)，是我國重要的農(nóng)業(yè)經(jīng)濟(jì)作物之一，在我國國民經(jīng)濟(jì)中有著舉足輕重的地位。所以其煙葉質(zhì)量的好壞將直接影響到煙草制品的優(yōu)劣等級，而且在工業(yè)生產(chǎn)中，不同的質(zhì)量的煙葉往往會被用來制作成不同的煙草制品。國家標(biāo)準(zhǔn)只是簡單的從煙葉的葉片結(jié)構(gòu)、成熟度、顏色、身份、油分、殘傷以及長度等7個(gè)方面作出了定量的描述，對于分級標(biāo)準(zhǔn)的描述仍然比較模糊。所以為了做好煙葉在收購階段的分級工作，提高煙草制品的質(zhì)量和保障煙農(nóng)的切身利益，對煙葉進(jìn)行快速客觀、科學(xué)合理的等級劃分是十分必要的。因此，本文為實(shí)現(xiàn)煙葉的自動化分離及智能化分級，設(shè)計(jì)了煙葉自動分離及智能定級分揀系統(tǒng)。人工將成捆煙葉搬運(yùn)至上料傳送帶，成捆煙葉被送至震動倉進(jìn)行初始化處理，通過電動漏斗控制煙葉下料量并形成煙葉小堆，傳送帶將煙葉小堆送至電動升降平臺，旋轉(zhuǎn)煙葉分離刷按層分離煙葉，被分離成單片的煙葉再依次經(jīng)過煙葉自動排列裝置和煙葉自動鋪平裝置，最后對鋪平后排列整齊的單片煙葉進(jìn)行圖像采集和預(yù)處理，再根據(jù)提取出的圖像特征，借助基于寬度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)煙葉等級的智能識別，最終依據(jù)定級結(jié)果，煙葉分揀系統(tǒng)將煙葉分揀到等級相對應(yīng)的回收箱中。

2 煙葉自動分離設(shè)計(jì)

2.1 煙葉特性分析

煙葉是一種柔性的物體，其性狀復(fù)雜且彼此纏繞交錯(cuò)在一起，直接在成捆的煙葉中加以一定的外力將其強(qiáng)行扯開，分開成一片比較困難。而且煙葉從田間收獲后，需要經(jīng)過烘烤工序，使其水份降低。雖然在煙葉分級前會經(jīng)過回潮處理，但其韌性仍較差且烤后煙葉的恢復(fù)性值較小。而且葉片在烘烤之后，其凝膠彈性有所下降，而煙葉的彈性能夠在其拉力上有一定程度的體現(xiàn)[7]。據(jù)資料顯示，我國的煙葉拉力值主要在1.04～2.52 N之間，煙葉的厚度大部分在0.036～0.128 mm之間[8]。所以在煙葉分離過程中，需要考慮其容易產(chǎn)生的撕壞破裂的情況。為了確保煙葉的完整性，在設(shè)計(jì)煙葉分離裝置時(shí)需要考慮到煙葉的厚度、可承受的拉力等機(jī)械特征。

2.2 煙葉自動分離機(jī)構(gòu)的工作原理

根據(jù)烘烤后煙葉的特性分析，并利用現(xiàn)有的條件模擬煙葉單片分離的過程，歸納總結(jié)出成捆煙葉分離成單片煙葉的過程。煙葉自動分離環(huán)節(jié)如圖2所示。人工將成捆的煙葉搬運(yùn)到上料傳送帶上，上料傳送帶將成捆煙葉按照一定頻率送至震動倉進(jìn)行初始化處理，震動倉做大振幅、低頻上、下往復(fù)運(yùn)動，同時(shí)向震動倉中輸入干蒸汽氣體輔助松散，因?yàn)樵谶@個(gè)環(huán)節(jié)產(chǎn)生的煙渣最多，所以在傳送帶下部放置吸塵器用于回收煙渣和粉塵。初步松散的煙葉通過電動漏斗控制煙葉下料量預(yù)先形成規(guī)格化的煙葉小堆，并將煙葉的方向自動調(diào)整水平以及煙葉根部朝向進(jìn)料方向。進(jìn)料傳送帶將煙葉小堆送至電動升降平臺，經(jīng)過電動升降平臺和自動升降隔板配合固定煙葉小堆，同時(shí)啟動旋轉(zhuǎn)煙葉分離刷組進(jìn)行分層分離煙葉小堆，按照寬度1米的煙葉小堆，煙葉分離效率約每秒16片左右。落至一級出料傳送帶后煙葉被自動傳輸至下一環(huán)節(jié)處。由于煙葉落入一級出料傳送帶上時(shí)，煙葉的擺放不規(guī)則，所以通過煙葉自動排列裝置可將煙葉自動排列規(guī)整，然后再通過煙葉鋪平裝置將煙葉自動展平。最后通過二級出料傳送帶將煙葉傳送至下一環(huán)節(jié)設(shè)備處。一個(gè)周期的工作步驟完畢，重復(fù)之前的步驟，進(jìn)行反復(fù)的煙葉自動分離。

圖2 煙葉自動分離環(huán)節(jié)示意圖

3 煙葉智能檢測定級

3.1 圖像采集

實(shí)現(xiàn)煙葉等級準(zhǔn)確的識別和分級的重要前提條件是獲取到高質(zhì)量的煙葉圖片，從而才能完成對煙葉圖像信息具體分析的任務(wù)。所以為了避免外部環(huán)境因素的干擾，更準(zhǔn)確地采集到煙葉圖像，本文設(shè)計(jì)了煙葉圖像采集系統(tǒng)，如圖3所示。煙葉被傳送帶送至圖像采集區(qū)域后，攝像頭會快速拍下煙葉，并將拍攝到的圖像儲存到計(jì)算機(jī)中，借助PC機(jī)界面來對拍攝到的圖像給予實(shí)時(shí)、動態(tài)顯示。同時(shí)為了避免一次采集出現(xiàn)的圖像不穩(wěn)定性，系統(tǒng)會對同一片參考煙葉進(jìn)行三次圖像采集，并將三次的圖像均錄入到系統(tǒng)中。除此之外，為了便于后期對煙葉的識別和準(zhǔn)確分級，提高煙葉圖像采集的準(zhǔn)確性，要避免外界光線進(jìn)入到采集區(qū)域。

圖3 密閉煙葉像采集系統(tǒng)

3.2 圖像預(yù)處理

1)圖像濾波處理。當(dāng)攝像頭采集完煙葉的圖像之后，通常情況下，由于煙葉圖像在采集過程往往會收到光照、拍攝角度、位置等各種環(huán)境因素的不良干擾，從而造成采集到的煙葉圖像質(zhì)量不穩(wěn)定。因此為了提高煙葉圖像的質(zhì)量，當(dāng)攝像頭采集完煙葉的圖像之后，需要對采集到的煙葉圖像做進(jìn)一步的預(yù)處理。通過對圖像做預(yù)處理的方式，主要是為了降低外部環(huán)境因素的影響，改進(jìn)圖像的清晰度，減少圖像中無關(guān)信息的干擾，進(jìn)而達(dá)到簡化圖像的目的。通過對研究圖像的各種方法的分析與比較，本文最終采用中值濾波的方法對采集到的煙葉圖像進(jìn)行預(yù)處理，如圖4(b)所示。中值濾波法主要是將 當(dāng)前圖像中的像素值替換為鄰域中每個(gè)點(diǎn)的中間值，并將這些數(shù)據(jù)放在二維模板中進(jìn)行排序，由于隨機(jī)出現(xiàn)在圖像上的噪聲點(diǎn)往往會被排在數(shù)列的最前端或最末端，并不會出現(xiàn)在數(shù)列的中間位置，因此通過中值濾波的方法可以達(dá)到去除噪聲點(diǎn)，提高圖像清晰度的目的[6]。類似于一維，二維中值濾波的公式如下：

F(x,y)=med{g(x-m,y-n)，(m,n)∈W)}

(1)

其中:g(x,y)表示原始圖像，F(xiàn)(x,y)表示處理后的圖像，W為二維模板。

2)圖像二值化處理。為了進(jìn)一步提取到煙葉的長度、寬度、面積等圖像的外觀特征信息，原始圖像在經(jīng)過中值濾波處理后，一般還需要對圖像做進(jìn)一步的二值化處理。二值圖像其實(shí)就是由僅有“0”、“1”的二維矩陣構(gòu)成的。二值化處理的過程是先使彩色的煙葉圖像變成灰度圖像，然后再將灰度圖像轉(zhuǎn)化為二值圖像。通常在將彩色圖像轉(zhuǎn)化為二值圖像的過程中，需要確定二值化時(shí)的閾值，需要先設(shè)定好一定的閾值，在轉(zhuǎn)化的過程中，系統(tǒng)會自動將像素大于或等于閾值的判斷為目標(biāo)物，用白色顯示，則將小于閾值的像素全部重置為0，用黑色顯示。本文經(jīng)過分析與比較，選用迭代閾值實(shí)現(xiàn)煙葉圖像的二值化。如圖4(c)所示，煙葉的二值化圖像。

3)圖像分割處理。圖像分割是圖像預(yù)處理過程中一個(gè)非常重要的環(huán)節(jié)，也是實(shí)現(xiàn)去除煙葉圖像背景的重要方法，因?yàn)閳D像分割質(zhì)量的好壞會直接影響到下一環(huán)節(jié)煙葉特征提取的準(zhǔn)確性。圖像分割其實(shí)就是把對圖像中感興趣的目標(biāo)區(qū)域從背景中分割出來，而分割出來的目標(biāo)區(qū)域就是后續(xù)進(jìn)行圖像特征提取的目標(biāo)對象。圖像分割技術(shù)多種多樣，本文選用閾值分割法來達(dá)到圖像分割的目的，閾值分割是一種簡單有效地分割算法，它的基本思想是根據(jù)圖像中目標(biāo)與圖像背景之間灰度值的差別，選取一個(gè)適合的灰度值作為閾值，然后將圖像中所有的像素均與這個(gè)設(shè)定的閾值作比較，這樣圖像就會以閾值為界分成兩個(gè)部分，也就把圖像目標(biāo)從圖像背景中分割出來了。這種對煙葉圖像的分割方法，不僅可以簡化煙葉圖像，還可以完成機(jī)器對煙葉數(shù)據(jù)信息的準(zhǔn)確識別，有效降低機(jī)器學(xué)習(xí)的難度，提高分析的準(zhǔn)確度。如圖4(d)所示，煙葉經(jīng)過分割處理后的圖像。

圖4 煙葉預(yù)處理圖像

3.3 圖像特征提取

3.3.1 煙葉顏色特征提取

煙葉的顏色是煙葉分級標(biāo)準(zhǔn)中的重要因素之一，由于人工分級是根據(jù)人的感官和視覺來完成的，而亮度對人視覺的影響要比顏色濃淡的影響更為顯著。所以在應(yīng)用計(jì)算機(jī)視覺技術(shù)分析圖像時(shí)，需要通過建立更為符合人類視覺機(jī)制的顏色模型來實(shí)現(xiàn)煙葉顏色的準(zhǔn)確量化，從而進(jìn)行顏色分辨。通過比較分析各個(gè)顏色模型的特點(diǎn)，本文選用HSI顏色模型，因?yàn)镠SI顏色空間更接近于人類的視覺機(jī)理，反映了人的視覺系統(tǒng)感知色彩的方式。

由于CCD攝像頭中的圖像存儲一般采用RGB模式，因此首先需要利用采集到的圖像分別提取出R分量、G分量、B分量，然后將RGB模式轉(zhuǎn)換為HSI模式，轉(zhuǎn)換公式如下：

(2)

(3)

(4)

(5)

因?yàn)楝F(xiàn)有的煙葉樣本數(shù)量有限，本文僅計(jì)算出部分等級的煙葉圖像的H、S、I分量的均值，用均值來表征顏色的特性。如表1所示。

表1 部分等級煙葉顏色特征分量

3.3.2 煙葉形狀特征提取

煙葉的形狀特征作為煙葉最為直觀的特征，是對煙葉等級進(jìn)行判斷的重要依據(jù)。本文在獲得煙葉輪廓的基礎(chǔ)上，采用Opencv函數(shù)中cvBoxPoints算法對煙葉輪廓進(jìn)行最小外接矩形擬合。根據(jù)算法找出煙葉輪廓最小外接矩形的4個(gè)點(diǎn)，然后再根據(jù)4個(gè)頂點(diǎn)的x,y坐標(biāo)，分別計(jì)算出外接矩形的長度和寬度，分別記作L、W。則煙葉的長度比Y可以表示為：

Y=L/W

(6)

煙葉面積指的是煙葉圖像所占有的像素總數(shù)。求出煙葉內(nèi)所包含的所有像素點(diǎn)就是煙葉的面積。本文采用坐標(biāo)法來計(jì)算煙葉的面積，即用條曲線沿著煙葉邊界圍一圈，求這條封閉曲線的積分，則煙葉的面積S可以表示為：

(7)

煙葉的破損率直接對應(yīng)煙葉分級標(biāo)準(zhǔn)中的傷殘率，很大程度上決定了煙葉的等級和質(zhì)量，破損率計(jì)算公式為：

(8)

3.3.3 煙葉紋理特征提取

煙葉的紋理特征可以從側(cè)面反映出煙葉各部位的內(nèi)部結(jié)構(gòu)以及葉面的平坦程度等信息，對于煙葉的準(zhǔn)確分級是至關(guān)重要的，因此將煙葉的紋理進(jìn)行量化是一種重要的區(qū)域的描述方法。本文利用灰度共生矩陣來進(jìn)行紋理提取。圖像的灰度共生矩陣主要反映圖像在灰度方向、間隔、變化程度等相關(guān)信息。共生矩陣是用兩個(gè)位置的像素的聯(lián)合概率密度來定義。聯(lián)合概率密度的表達(dá)式如下：

(9)

式中,d表示位移的距離，θ表示位移的方向。本文分別計(jì)算了0°、45°、90°和135°的4個(gè)共生矩陣，利用4個(gè)不同角度的共生矩陣計(jì)算圖像的能量、對比度、相關(guān)性等多個(gè)特征量，取平均值作為提取的紋理特征。

GLCM紋理特征參數(shù)計(jì)算如下：

葉片紋理的相關(guān)性：

(10)

葉片紋理的能量：

(11)

葉片紋理的熵：

(12)

葉片紋理的慣性：

(13)

式中，μ為均值，σ為標(biāo)準(zhǔn)差。

3.4 煙葉識別分級

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中常用的研究領(lǐng)域，而卷積神經(jīng)網(wǎng)絡(luò)是最常用的深度學(xué)習(xí)模型之一[11]。本文采用了基于寬度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)算法，該算法不僅可以對煙葉進(jìn)行圖像識別以及特征值的采集，同時(shí)還可以解決煙葉識別過程中的快速跟蹤和快速識別問題。該算法應(yīng)用隨機(jī)生成的卷積核和最大池化操作，對煙葉進(jìn)行檢測定級。以下為卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)作過程：

1)首先將預(yù)處理后的圖像以矩陣的形式作為原始輸入，經(jīng)過卷積層的運(yùn)算即原始圖像的像素和卷積核的線性組合，從而實(shí)現(xiàn)對圖像特征的提取。圖像的抽象表達(dá)式為：

(14)

2)隨后圖像被傳遞到池化層，對提取的特征數(shù)據(jù)進(jìn)行最大池化操作，進(jìn)一步降低特征的冗余性。卷積神經(jīng)網(wǎng)絡(luò)重復(fù)若干次卷積層和池化層的操作運(yùn)算。

3)最后圖像進(jìn)入全連接層，將二維特征向量轉(zhuǎn)化成一維特征向量，并由分類器完成對特征圖片的分類。全連接層的計(jì)算公式為：

(15)

4)最后通過輸出層，將數(shù)據(jù)信息轉(zhuǎn)化為相應(yīng)的類別值輸出。

4 煙葉智能分流分揀設(shè)計(jì)

4.1 分揀裝置的工作原理

煙葉等級分揀裝置主要依靠于控制系統(tǒng)，當(dāng)經(jīng)過識別后的煙葉隨傳送帶進(jìn)入分揀系統(tǒng)后，首先會經(jīng)過分流輸送裝置被分流到多個(gè)分揀線體上同時(shí)進(jìn)行分揀以提高分揀效率。當(dāng)煙葉通過傳送帶旁邊的位置傳感器時(shí)，會觸發(fā)位置傳感器工作，傳感器將獲取到的煙葉位置信息傳遞給與計(jì)算機(jī)相連的控制系統(tǒng)，控制系統(tǒng)接受到傳遞的位置信號后會根據(jù)已經(jīng)獲得的煙葉等級信息，計(jì)算出煙葉到達(dá)指定分揀位置的時(shí)間，從而對電動排刷驅(qū)動機(jī)發(fā)出相應(yīng)的控制指令，待煙葉到達(dá)時(shí)驅(qū)動機(jī)驅(qū)動旋轉(zhuǎn)電動排刷工作，將煙葉撥送到相對應(yīng)的等級回收箱中。之后旋轉(zhuǎn)電動排刷回歸到原始位置等待控制系統(tǒng)發(fā)出新的命令。

設(shè)相鄰的兩個(gè)電動排刷之間的距離為L，傳送帶的運(yùn)行速度為V，電動排刷以恒定角速度W轉(zhuǎn)動，煙葉在相鄰兩個(gè)排刷間的用時(shí)為t1,排刷將煙葉撥送到回收箱中來回轉(zhuǎn)動用時(shí)為t2,則有：

t1=L/V；W=π/t2

(16)

為了提高工作效率，使系統(tǒng)滿足在排刷回到原始位置時(shí)恰好下一個(gè)煙葉可到達(dá)指定位置，應(yīng)使t1=t2。

4.2 分揀裝置的設(shè)計(jì)方案

本文設(shè)計(jì)的煙葉等級分揀裝置如圖5所示，該系統(tǒng)主要由分流輸送裝置、電動排刷、位置傳感器、電動排刷驅(qū)動機(jī)、傳送帶、煙葉等級回收箱等幾個(gè)部分組成。

圖5 煙葉等級分揀裝置圖

系統(tǒng)中的分流輸送裝置采用斜擺輪系統(tǒng)，斜擺輪系統(tǒng)并非是傳統(tǒng)的傳送帶，而是采用的一種小型全向的輪子，這給箱子等物品更加靈活的移動能力。這些小輪子由電腦控制，它們可以根據(jù)設(shè)定讓傳送帶上物品30°，45°和90°的方向改變。系統(tǒng)的分流輸送裝置如圖6所示。

圖6 分流輸送裝置

5 實(shí)驗(yàn)結(jié)果與分析

5.1 煙葉自動分離模擬實(shí)驗(yàn)

本文對煙葉分離模塊進(jìn)行了實(shí)驗(yàn)測試，驗(yàn)證該系統(tǒng)對成捆煙葉的分離效果。

本次實(shí)驗(yàn)選取3組成捆煙葉，每組煙葉均有90片，分別進(jìn)行分離模擬實(shí)驗(yàn)。實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果如表2所示。

表2 煙葉分離模擬實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果

從表2的統(tǒng)計(jì)結(jié)果中可以看出，第一組成功分離單片煙葉88片，第二組成功分離單片煙葉85片，第三組成功分離單片煙葉86片。3組的平均分離成功率達(dá)到95.98%，表明煙葉自動分離模擬實(shí)驗(yàn)的效果較好，連續(xù)自動分離煙葉是可行的。

5.2 煙葉檢測分級模擬實(shí)驗(yàn)

本文對煙葉檢測定級模塊進(jìn)行了實(shí)驗(yàn)測試，驗(yàn)證該系統(tǒng)對煙葉準(zhǔn)確定級的正確率。

本次實(shí)驗(yàn)首先根據(jù)確定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，以經(jīng)過預(yù)處理提取到的煙葉特征數(shù)據(jù)為樣本集，對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練學(xué)習(xí)。訓(xùn)練學(xué)習(xí)后，對測試樣本進(jìn)行分級，結(jié)果如表3所示。

表3 測試樣本煙葉分級結(jié)果

由實(shí)驗(yàn)結(jié)果可知，與分級員的評定結(jié)果相比較，總的識別率為95.83%，正確率在90%以上，預(yù)測時(shí)間為0.5 s。

6 結(jié)束語

模擬實(shí)驗(yàn)結(jié)果表明，本文設(shè)計(jì)的煙葉自動分離及智能定級分揀系統(tǒng)通過調(diào)試和模擬實(shí)驗(yàn)，設(shè)備運(yùn)行穩(wěn)定，可以按照預(yù)想的設(shè)計(jì)將成堆煙葉先分離成小堆煙葉最后再分離成單片煙葉，且系統(tǒng)的分選效率較高。該系統(tǒng)通過圖像識別，可以很快的依靠煙葉的成熟度、色度、長度、殘傷等外觀因素快速完成檢測，單片煙葉的檢測速度約為0.5 s，后續(xù)的分級分揀過程約為0.5 s。每片煙葉的檢測分級周期約為1～1.5 s。通過以上分析可以看出，研究科學(xué)可靠的煙葉分離及智能分級分揀技術(shù)，開發(fā)簡單易操作的智能化系統(tǒng)，不僅可以提高煙葉分離、分級的水平和效率，還可以很好地滿足煙草工業(yè)生產(chǎn)的需求，進(jìn)一步提高煙葉分離、分級、分揀的自動化與智能化。