Resumen

En el proceso de fabricación de la seda de tabaco, cómo mejorar la calidad de la separación del tallo y la hoja se ha convertido en un tema de preocupación. Su investigación analiza principalmente los datos recogidos de imágenes de hojas de tabaco basadas en sensores de visión por ordenador. En LM (Levenberg-Marquarelt) como función de entrenamiento, el algoritmo utiliza muestras de efecto de trilla para el entrenamiento y el aprendizaje. Este trabajo tiene como objetivo extraer los parámetros característicos de forma de las hojas de tabaco y obtiene los parámetros de forma de la longitud, anchura, área, circunferencia y redondez de las hojas de tabaco. En este trabajo, se utiliza el seguimiento de límites para obtener la información de coordenadas y dirección de los píxeles de los límites de la hoja de tabaco en la imagen, lo que proporciona una base para obtener la posterior extracción de los parámetros característicos de la hoja de tabaco. En el sistema de clasificación de la hoja de tabaco, el módulo de extracción de parámetros característicos de la hoja de tabaco muestra las características geométricas de la hoja de tabaco, como la longitud, la anchura, el área, la relación de aspecto, la rectangularidad, y las características de color, tono H, saturación S, canal A y canal B en detalle a través del sensor de visión artificial. Por último, se utiliza el método de ponderación de combinación subjetiva y objetiva para combinar y ponderar los indicadores del efecto de trilla de la trilladora de primer nivel, que no sólo considera la cantidad de información proporcionada por los indicadores, sino que también tiene en cuenta la opinión subjetiva de los expertos, lo que aumenta la ponderación de los indicadores, la precisión y la cientificidad. La precisión de aproximación de las muestras de entrenamiento del modelo de predicción del efecto de trilla basado en el algoritmo LM de red neuronal BP es del 99,495%, la precisión de aproximación del conjunto de validación es del 96,535% y la precisión de aproximación del conjunto de prueba es del 98,392%. Esta investigación mejorará en gran medida la eficiencia de la producción y cumplirá los requisitos de la empresa en cuanto a alta eficiencia y bajo coste.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:precisión de aproximación, hoja de tabaco, indicadores, parámetros característicos, hojas de tabaco, algoritmo lm de red neuronal, método de ponderación de combinación objetiva, modelo de predicción del efecto de trilla, módulo de extracción de parámetros característicos de la hoja de tabaco, sistema de clasificación de hojas de tabaco
• Keywords:approximation accuracy, tobacco leaf, indicators, characteristic parameters, tobacco leaves, neural network lm algorithm, objective combination weighting method, threshing effect prediction model, tobacco leaf feature parameter extraction module, tobacco leaf grading system