烟草行业在我国的经济中始终占有重要地位,在烟叶的收购与加工过程中,如何快捷准确的进行烟叶分级至关重要。目前在烟草行业对烟叶的分级工作,主要以人工分级的方式进行,不仅费时费力,准确率也无法得到有效保障。在现有的烟叶分级算法研究中,主要是通过识别烟叶色度的不同来进行分级,但在对色度相近的烟叶进行分级时效果并不理想。本文设计了一种基于传统图像处理算法和卷积神经网络的烟叶参数提取与分级系统,以提高对烟叶分级的准确率。本文的主要内容如下:1.本文研究了一种基于叶脉骨架细化和区域生长算法的主脉与支脉间夹角提取方法。首先通过对快速并行细化算法的改进,可以去除主脉上长度较短的支脉和支脉上的分支叶脉骨架,减少后续角点检测算法中的角点数量,使改进后的细化算法更加适用于烟叶的叶脉骨架提取;然后通过改进区域生长算法的初始像素点选取与生长规则,可以提取出主脉与支脉间的夹角,并且有效提高了算法的运行速度;最后根据提取到的烟叶夹角、色度等特质,人工选取初始聚类中心点来优化聚类算法,将烟叶的色度特征与形态学特征相结合以提高对色度相近的烟叶分级的准确率。2.本文研究了一种适用于烟叶分级的卷积神经网络。由于不同类别的烟叶特征十分相似,本文提出了一种多尺度特征提取的卷积模块对网络进行改进,使网络可以同时学习烟叶图像的局部细节特征和全局特征,提高网络对烟叶分级的准确率;之后将多尺度特征提取的卷积模块放入网络中,通过大量对比实验的多种性能度量指标结果,得出使性能达到最优的网络结构,进一步提升烟叶分级算法的准确率。3.本文设计了一种烟叶图像参数提取与分级系统。首先通过传统图像处理算法提取烟叶图像长度、主脉与支脉间夹角和色度值这三种特征;然后根据深度学习算法提取烟叶图像中的多种特征;最后调整网络结构,将这两类特征相结合,提高网络对烟叶图像中高维度特征和局部细节特征的提取能力,再次提升整体系统对烟叶分级的准确率达到84.52%。4.本文设计并实现了一种烟叶图像参数提取与分级的软件系统。通过这一软件系统,可以让使用者更加方便快捷的实现对烟叶图像的检测。