烟叶分级中若干特征筛选方法的研究

摘要

烟叶是具有重要经济价值的农产品之一，其质量的好坏直接影响到烟草行业的经济收入和烟民的身体健康。现阶段，我国在烟叶收购过程中，大多是通过人工方式来对其进行分级，这种带有主观因素的分级方法不仅影响烟叶分级的正确率，而且常引起不必要的纠纷。因此，烟叶的智能分级迫在眉睫。
　　烟叶的正确分级率和分级速度直接关系到智能分级系统的实际应用。在保证正确分级率的前提下，分级速度不仅仅与分级模型有关，更与所用的特征个数有极大的关系。本文针对特征筛选进行了深入的研究。具体研究工作如下：
　　1.烤烟烟叶图像的采集、预处理和特征初筛选。利用搭建好的系统，采集2013年(462片烟叶)、2014年(1172片烟叶)和2015年(1429片烟叶)烟叶的透射图像；首先对采集图像进行背景分割、去噪、预处理；其次，提取烟叶的形态特征、颜色特征、纹理特征和脉络特征共39个特征；为提高烟叶分级的速度，基于聚类的思想对特征进行初筛选，并人工直接去除一些相关性很大的特征，使得特征从39个减少到24个。
　　2.烤烟烟叶分级模型的建立。分别建立稀疏表示（SRC）、基于密度的稀疏表示（DSRC），支持向量机（SVM）、随机森林（RF）等烟叶分级模型，他们对2013、2014和2015年烤烟烟叶的测试样本的分级正确率和分级时间分别为：90.1％、92.4%、80.2%；92.8%、93.6%、80.7%；88.9%、92.1%、76.8%；92.38%、96.6%、83.14%；所以本文的特征深度筛选都是基于随机森林分级器进行的。DSRC是对SRC的一种改进模型，基于密度的思想对SRC的字典进行选择，减少了SRC所用的字典个数，在保证正确分级率的情况下，提高了分级速度。
　　3.深度特征筛选。为进一步提高分级速度，对初选后的特征进行了深度筛选。首先建立了一个判断特征重要性的分级模型；根据每个特征的重要性，将24个特征减少为20个；然后采用改进的粒子群算法、蚁群算法、遗传算法和特征被选概率算法分别获得较优的特征组合，在一定的分级正确率下，特征个数分别减少为14、16、15、13。这四种方法对42类烟叶分级的正确率和分级速度分别为：82.70%、0.083s；82.49%、0.090s；82.59%、0.088s；82.27%、0.076s，考虑烟叶的分级时间和分级速度，本文选用改进的粒子群算法选择的特征组合最为最优特征组合。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 研究背景

1.2 研究意义

1.3 特征筛选方法研究现状

1.4 本文研究内容

1.5 论文章节安排

2 烤烟烟叶原始样本的采集和预处理

2.1 烤烟烟叶的图像采集系统

2.2 烤烟烟叶图像的预处理

2.3 本章总结

3 烟叶分级模型的建立

3.1 支持向量机(SVM)

3.2 随机森林(RF)

3.3 稀疏表示(SRC)和基于密度的稀疏表示(DSRC)

3.4 本章小结

4 特征深度筛选

4.1 特征重要性筛选

4.2 基于改进粒子群算法进行特征筛选

4.3 基于蚁群算法进行特征筛选

4.4 基于遗传算法进行特征筛选

4.5 特征被选概率算法进行特征筛选

4.6 最优特征组合的筛选

5 总结和展望

5.1 总结

5.2 展望

参考文献

致谢

个人简历、在学校期间发表的学术论文与参与项目