基于机器学习的密集烘烤过程烟叶失水率预测模型对比

为准确预测密集烘烤过程烟叶失水率,以精准调控烘烤工艺参数,基于机器学习建立烟叶失水率预测模型。以翠碧一号中部叶为材料,实时采集烘烤过程中烟叶图像和失水率;利用图像处理技术提取烟叶的10种颜色特征和10种纹理特征,通过变量聚类和皮尔逊相关性分析优选出2种颜色特征(a^*/b^*、R)和2种纹理特征(梯度熵、梯度分布不均匀性);将训练集图像的4种优选特征和烟叶失水率作为输入变量,分别对建立的网格式支持向量机(GS-SVM)、遗传算法优化的BP神经网络(GA-BP)、极限学习机(ELM)3种预测模型进行训练。利用3种预测模型对测试集图像进行烟叶失水率预测并与实际失水率比较。结果表明,3种预测模型均能够较为准确地预测密集烘烤过程烟叶失水率(均方根误差RMSE≤0.014 0,决定系数R2≥0.996 1),对变黄期(0～40 h)和定色期(40～100 h)的预测误差小于干筋期(100～140 h)。该技术可为烟叶烘烤智能调控系统的研发提供支持。     

基于图像处理的烟叶烘烤阶段判别模型优选

[背景和目的]烟叶烘烤阶段的自动判别是建立智能化烟叶烘烤系统的重要环节.为实现烘烤阶段的精确识别和操控,提升烟叶烘烤的精准度.[方法]提取烘烤过程中整夹烟叶图像的11种颜色特征和8种纹理特征,分别对颜色特征和纹理特征进行变量聚类分析,以10为距离,将提取的颜色特征和纹理特征各分为2类.利用相关性分析筛选出每类特征中与烘...