基于椭圆轮廓模型的重叠烟叶分级方法.pdf

第 51 卷收稿日期：2022年11月12日，修回日期：2022年12月23日作者简介：王臣毅，男，硕士研究生，研究方向：计算机视觉，图像处理，机器学习。王艺斌，男，研究方向：图像特征。张滔，男，研究方向：图像特征。张志华，男，研究方向：图像特征。李昀欣，男，研究方向：图像特征。1引言烟草是重要的经济作物，在我国的国民经济收入中占有重要的地位，烟叶分级的目的是对烟叶内在质量进行优劣等级划分，以便充分发挥农业资源的作用，以质论价。而内在质量往往是看不见、摸不着的东西，因而只能通过烟叶所表现出来的外观特征确定烟叶的等级。传统的分级方式通常是人工的眼看和手摸去识别，同时对于从业人员有着一定经验的要求，有着较强的主观性的同时，其效率也较低1。随着计算机视觉技术的发展，基于视觉的自动烟叶分级技术也在不断的产生，目前大多数学者采用的方法为人工提取特征加单分类器方法设计分级系统，但仍然存在准确率较低的问题23，并且没有考虑到实际生产中会遇到多片烟叶重叠的问题。为此本文首先提出了一种联合利用纹理、基于椭圆轮廓模型的重叠烟叶分级方法王臣毅1王艺斌2张滔3张志华3李昀欣4（1.南京理工大学南京210094）（2.南京焦耳科技有限责任公司南京210018）（3.常德市烟草专卖局常德415000）（4.云南烟叶复烤有限责任公司昆明650032）摘要烟叶是重要的经济作物，按国标等级实现准确的烟叶分级对提高成品烟质量有着非常重要意义。目前，人工分级仍然是主流技术，而基于机器视觉的智能烟叶分级被视为有较大的市场前景和经济效益。论文首先提出了一种联合利用纹理、颜色和形状特征提取，并使用集成学习分级的单片烟叶分级方法。进一步，针对重叠烟叶，提出了一种基于椭圆轮廓模型的烟叶分割算法，提升了重叠烟叶的分离准确性，并使用集成分级方法对分割后的单片烟叶逐片分级。多组真实烟叶数据集上的实验证明，论文提出方法在单片烟叶方法优于现有方法，能有效地对重叠烟叶实施分级。关键词烟叶分级；图像特征；集成学习；重叠烟叶分离中图分类号TP391.41；TS442DOI：10.3969/j.issn.1672-9722.2023.05.031Method for Ranking Overlapping Tobacco-leavesBased on Ellipse-Contour ModelWANG Chenyi1WANG Yibin2ZHANG Tao3ZHANG Zhihua3LI Yunxin4（1.Nanjing University of Science&Technology，Nanjing210094）（2.Nanjing JiaoEr Technology limited Company，Nanjing210018）（3.Changde Tobacco Selling Department，Changde415000）（4.Yunnan Leaf Tobacco Limited Company，Kunming650032）AbstractTobacco-leaves are important economic crops，and an accurate ranking of them can greatly benefit the quality of tobacco products.At present，manual ranking is broadly in use，while machine-vision based intelligent ranking is considered to havelarge market and thereby result in promising economics.This paper firstly proposes a single tobacco-leaf ranking method，in whichthe texture，color and shape features are jointly utilized.Then these features are fed into an ensemble learner，which shows a goodranking accuracy.In further，an eclipse-contour model is proposed to separate overlapping leaves.Thanks to its accuracy separation，the ensemble learner can rank each leaf individually well.Experiments on multiple real tobacco-leaf datasets demonstrate thatthe proposed method outperforms the existing method in single-leaf ranking and this method can effectively handle the ranking ofoverlapping tobaccoleaves.Key Wordstobacco-leaf ranking，image features，ensemble learning，overlapping tobacco-leave separationClass NumberTP391.41，TS442总第 403 期2023 年第 5 期计算机与数字工程Computer&Digital EngineeringVol.51 No.511502023 年第 5 期计算机与数字工程颜色和形状特征提取，并使用集成学习分级的单片烟叶分级方法。进一步，针对重叠烟叶，提出了一种基于椭圆轮廓模型的烟叶分割算法，提升了重叠烟叶的分离准确性，并使用集成分级方法对分割后的单片烟叶逐片分级。多组真实烟叶数据集上的实验证明，本文提出方法在单片烟叶方法优于现有方法，能有效地对重叠烟叶实施分级。2单片烟叶分级2.1图像预处理本文使用纹理、颜色和形状特征结合机器学习方法进行分类，数据集单幅图片大小为 40968000，图片样例如下。图 1数据集图片2.2烟叶纹理特征纹理指的是图像像素的灰度或颜色的某种变化，其具有周期性和不依赖亮度和颜色本身这两种特点，而纹理特征就是从图像中计算出来的一个值，对区域内部灰度级变化的特征进行量化。传统的纹理特征有灰度共生矩阵45、Tamura6特征、LBP特征等特征，在这里我们使用较为常用的LBP特征（Local Binary Pattern，局部二值模式），它是一种用来描述图像局部纹理特征的算子，具有旋转不变性和灰度不变性等显著的优点。实验中分别将图片划分为单区域、双区域和四区域进行特征提取。原始图片Local1单区域双区域四区域Local1Local2Local1Local2Local3Local4图 2LBP区域划分图2.3烟叶颜色特征传统的图片颜色是用每个像素的RGB值来代表一个像素的颜色，但RGB这种表示方式容易受到光照的影响，鲁棒性不强。故本文使用HSV特征7。HSV 不受光照影响，具有鲁棒性等优点。HSV分别代表色调，饱和度，明度。HSV对光照变化具有较好的鲁棒性。2.4烟叶形状特征形状特征也是能描述一个图片的重要特征，常用的形状特征有描述形状区域的表示特征：面积、周长、分散度、伸长度等，和描述形状边界的表示特征：长度、直径、傅里叶描述子等。其中傅里叶描述子是将轮廓点进行傅里叶变化，从任意轮廓点()x0y0出发，按逆时针方向在轮廓上搜索时会遇到()x0y0(x1y1)，()xK-1yK-1，则对每个坐标对有可以表示为s(k)=x(k)+jy(k)（1）于是对每个离散点s(k)，有离散傅里叶变换为a(u)=k=0K-1s(k)e-j2uk/K（2）傅里叶描述子进行归一化后有很好的旋转不变性和尺寸不变性。同时，对于一幅图像，只需要少量的描述子即可描述大体边界信息，只会丢失细节部分8。本实验选择了周长、面积、分散度和前50个傅里叶描述子作为特征，共53维特征。2.5集成学习介绍集成学习是使用一系列学习器进行学习，并使用某种规则把各个学习结果进行整合从而获得比单个学习器更好的学习效果的一种机器学习方法。在机器学习的有监督学习算法中，我们的目标是学习出一个稳定的且在各个方面表现都较好的模型，但实际情况往往不这么理想，有时我们只能得到多个有偏好的模型（弱监督模型，在某些方面表现的比较好）。集成学习就是组合这里的多个弱监督模型以期得到一个更好更全面的强监督模型，集成学习潜在的思想是即便某一个弱分类器得到了错误的预测，其他的弱分类器也可以将错误纠正回来。常用的集成学习方法有 Bagging、Boosting 和Voting。其中 Voting分为 Hard Voting与 Soft Voting两类，Hard Voting是一种投票的方式，严格遵守一种少数服从多数的思想。而 Soft Voting则认为有时候少数服从多数并不合理，它将计算得出不同分类器的分类概率均值，选择均值最高的作为预测的结果。本实验中分别构造逻辑回归、决策树和SVM三种分类器，并用 Hard Voting方式对三种分类器集成得到一个新的强分类器。3重叠烟叶分级3.1重叠烟叶分割预处理由于在实际生产过程中烟叶并不是标准的单片分开的情况，而是多片混合叠加在一起的复杂情1151第 51 卷况。故要想将之前所做算法模型应用到实际生产中，必须先解决烟叶重叠的问题。本文先解决如何判断是否为重叠烟叶，然后提出了基于颜色类间方差OTSU和基于椭圆轮廓的两种烟叶分割方法，对两片烟叶重叠情况进行了分割最终得到单片烟叶后进行分级，整个过程的流程如下。提取烟叶特征判断是否重叠NoYes计算颜色最大类间距判断类间距阈值NoYes按颜色分割上下层烟叶按椭圆轮廊分割上下层烟叶单片烟叶分级图3烟叶分级流程图图4重叠烟叶图首先是预处理判断工作，在进行分割前先对图片进行判断，若是图片只属于一片烟叶或者是两片烟叶重合率太高，直接进行分类而不用先进行分割。单片与重叠的判断是一个典型的二分类问题，除直观的面积和周长外，还选取了凹点比例和叶柄数，一共四个特征。可以看到如图 5，两个烟叶重叠时会形成凹点，凹点的个数越多则是两片烟叶重叠的情况可能性越大。凹点的寻找方法有很多912，这里采用计算圆形模板面积的方法，先定义一个半径为R的圆形模板，模板内的总像素点个数为M，遍历每个寻找的轮廓点，对每个轮廓点取该圆形模板，统计模板内里在烟叶轮廓内部的像素点个数设为N。设定阈值C，当NMC时，即认为该点为凹点。再用凹点个数除以整个轮廓点个数得到凹点比K，该值在一定程度上反映了重叠的可能性。图5凹点示意图同时可以注意到，就算烟叶是重叠的，但叶柄在很大概率上仍然是分开的，通过叶柄的个数也可以在一定程度上作为判断的依据。对原图进行阈值化后再使用形态开运算，能够消除叶柄部分，再用原图减去开运算后的图得到剩余叶柄部分，让面积1000的值作为一个连通区域，计算连通区域数量，即可得到叶柄的数量。图6叶柄剩余图以面积、周长、凹点比和叶柄数为特征，选取了一批重叠和单片的烟叶进行分类能得到测试集准确率接近90%的结果，较好地完成了重叠烟叶分级的第一步。3.2基于颜色差异的分割当重叠的两片烟叶之间的颜色差距较大时，整个图片的颜色直方图会有两个较为明显的波峰，能够很容易想到通过一个阈值来将图片划分为两个类别，颜色值高于阈值的为类别1，低于阈值的为类别2，这样即可将重叠的烟叶分割成两片单独的烟叶。为了使算法更具有普遍性和通用性，我们使用OTSU（最大类间方差）算法来寻找阈值TH。OTSU是一种常用的求分割阈值的算法，用来求出在目标与背景之间差别最大时候的阈值13，假设图像灰度值为0255之间，则用阈值k将图像分为0k与k255两个类别C1和C2，用P1(k)和P2(k)分别表示被分到两类的概率，则有：王臣毅等：基于椭圆轮廓模型的重叠烟叶分级方法11522023 年第 5 期计算机与数字工程P1(k)=0kPi（3）P2(k)=k+1255Pi=1-P1(k)（4）被分到C1和C2的像素的灰度值均值为m1(k)=i=0kiP(i/C1)=1P1(k)i=0kiPi（5）m2(k)=i=k+1255iP(i/C2)=1P2(k)i=k+1255iPi（6）其中m1(k)表示分到C1类的灰度均值，m2(k)表示分到C2类的灰度均值。用mG表示整个图像的灰度均值，有：mG=i=0255iPi=P1m1+P2m2（7）相应地类间方差2B14为2B=P1(m1-mG)2+P2(m2-mG)2（8）在使用OTSU求得阈值后，使用阈值化将低于阈值的像素部分置为黑色背景，用原图与阈值化后的图进行与运算就可得到高于阈值部分的烟叶图片，再做差即可得到另外一个烟叶部分，对上述图片的处理结果如下。图7分割前后图通过结果能够发现，对于颜色差距较大的图片，其分割结果较为理想。为了判断能否运用颜色进行分割，使用OTSU算法中的最大类间方差作为衡量标准，训练一批图片得到一个阈值 K 用于判断，对于最大类间方差K的使用颜色分割方法，否则使用后面介绍的椭圆轮廓分割方法。3.3基于椭圆轮廓的分割基于颜色差距的分割方法虽然简单方便，但适用性有限，因为并不是每个重叠烟叶都能用该方法获得较好的结果。为此进一步提出一种更具有普遍性的椭圆轮廓方法来适应更一般的情形。方法的主要思想是寻找重叠烟叶图片中的凹点，将图片中两个凹点之间的轮廓作为同一段轮廓，最后以找到的轮廓段进行组合拟合椭圆，找到最佳椭圆分割得到上层烟叶，再通过相减的方法得到下层烟叶。首先使用3.1节中介绍的圆形模板面积法找到重叠烟叶图中的凹点，使用k-means算法将凹点分为四类（如图8），同时用一个数组保存每个轮廓点的 标 签，先 将 刚 各 凹 点 标 上 不 同 的 标 签如-1、-2、-3、-4。将其余的各点都用0标记。-3-1-4-2图8凹点选取从任一点开始遍历，每遇到标签为0的点就将其标签改为上一个凹点标签，即将两个凹点之间的所有点都归为了同一个轮廓点，用颜色将轮廓段标记出来如下。1432图9轮廓示意可以使用4个轮廓段的任意组合来进行椭圆的拟合，计算椭圆的面积Ea和烟叶轮廓面积Ca，若0.4CaEa2Ca且椭圆在整个烟叶图像内，则将该椭圆纳入候选椭圆中。可以看到图10（b）、（c）都是拟合较好的结果，理论上都可能是上层的烟叶，故除了拟合的椭圆还需进一步进行筛选。（a）（b）（c）（d）图 10椭圆拟合图对于处于上层的烟叶，能够观察到其较为完整的主梗，而主梗近似为一条直线。故在这里使用Hough直线检测来进行主梗的检测，首先对原图进行Canny边缘检测，消除大部分的额外信息，此时只留下了轮廓和一些梯度强度较大的点，而主梗因为颜色较深，往往会保留下来，再以边缘点为圆心，1153第 51 卷将一定领域圆内的点都过滤，剩下的点中大部分为主梗边缘点。此时再进行Hough直线检测得到最佳拟合直线L，求得该直线段与水平方向的夹角L，图像的高度为H，计算椭圆中心到直线的距离D，同时定义椭圆紧密度E为拟合出的椭圆内部白色像素占椭圆总像素的比例。计算所有候选椭圆与水平方向的夹角E，椭圆的紧密度E，用如下公式去计算所有候选圆的指标数：Score=-|E-L180-DH+E+0.1*EaCa（8）对所有候选圆的Score数进行排序，选取得分最高的椭圆作为最上层烟叶的拟合椭圆。以该椭圆的掩模可以分割出最上层的烟叶，然后再和原图相减，并通过面积滤波，就可得到最下层的烟叶图像。图 11椭圆拟合分割结果3.4单片烟叶实验结果本次实验选取了B2F、B3F、C2F、C3F、C4F共五个等级的烟叶图片进行测试，其中共有 4 批数据集，各数据集大小如下。表1单片烟叶数据集样本划分数据集1234训练集样本数8317701540945测试集样本数351330660405在2.2节中对于纹理特征的提取中我们做了3组不同的划分区域方式，使用数据集1对3种不同划分方式的结果进行测试，结果如表2。表2不同区域划分方式结果区域分量数124特征维数59118236训练集准确率66.2%74.4%85.0%测试集准确率51.3%55.3%49.6%其中区域为2时在测试集的准确率最高，故在后续实验中均使用2区域LBP划分方式。然后对不同特征组合，固定使用逻辑回归作为分类器，并在数据集1进行测试，结果如表3。可以看出在一开始的纹理特征基础上添加颜色特征和形状特征后，准确率有了不少提高。表3不同特征组合测试结果特征纹理特征颜色特征形状特征纹理、颜色纹理、颜色、形状训练集准确率74.4%71.0%55.8%90.7%96.7%测试集准确率55.3%54.1%41.6%60.9%62.4%然后分别使用逻辑回归、SVM以及Voting的集成学习方法对数据集进行分类，其结果如表4，从表中能够看出使用了Voting方法后准确率在四个数据集均有了提升。表4各数据集分级测试集准确率数据集数据集1数据集2数据集3数据集4逻辑回归66.4%66.5%60.8%69.2%SVM69.2%67.3%61.4%68.4Voting69.8%69.7%61.9%69.7%相应地为了进行分级结果的对比，我们还提取了一些深度特征进行实验，包括vgg16最后池化层的输出结果、细粒度特征、自动编码器特征以及自监督学习框架SimCLR提取的特征，在这里呈现出第一批数据集在上述特征下的结果，从表5中看出上述特征的准确率均不如提出的方法准确率高，在其余三批数据集上的也表现出同样的结果。表5深度网络模型和使用不同深度特征的分级结果特征类型vgg1615细粒度特征16自动编码器17自监督学习18纹理颜色形状特征维数2508813132840962048265筛选后维数93768924265测试集准确率53.3%53.0%51.6%49.0%69.8%同时还选用了一些文献中的分级方法进行比较，这里我们选取了基于二进制粒子群（BPSO）和SVM的分级方法、基于改进的聚类算法（ICA），遗传算法（GA），随机森林（RF）的分级方法以及基于PCA-GA-SVM的分级方法，结果如表6。同样能看出来，上述方法准确率均没有特征提取方法高。王臣毅等：基于椭圆轮廓模型的重叠烟叶分级方法11542023 年第 5 期计算机与数字工程表6不同分级方法结果分级方法BPSO+SVM19ICA+GA+RF20PCA+GA+SVMVoting测试集准确率60.7%65.5%59.8%69.8%3.5重叠烟叶实验结果选取3.4节中的数据集1中训练集的831张图作为训练集。测试集有重叠烟叶图片200张，用椭圆轮廓分割算法得到359张分割后的烟叶图像，剔除不是重叠的烟叶41张和98张面积极其小的分割后的烟叶图像，最终用于分割实验的数据集有220张。图12烟叶图及对应标签相应地，我们将基于椭圆轮廓分割后的图片同样用颜色标记上相应的标签。由于在合成时候已经获得真实标签，便可比较分割前后同样位置的点标 签 是 否 相 同，以 此 定 义 分 割 结 果 指 标P=正确标准像素点数总像素点数。图13分割结果图通过上面的椭圆轮廓分割方法分别获得上层和下层烟叶后，再用第2节中的特征提取结合机器学习方法分别对上层和下层烟叶分级，得到最终的结果如下，在第一批数据集训练出的模型下，重叠烟叶的分级准确率达到了36.4%。表7椭圆轮廓分割后分级结果特征纹理、颜色、形状特征维数264训练集准确率69.8%测试集准确率36.4%4结语本文使用了纹理、颜色和形状特征对单片烟叶进行分级处理，在四个样本数据集的准确率有67.5%。同时提出了一种针对特殊情况的基于颜色的重叠烟叶分割方式以及一种普遍适用的椭圆轮廓重叠烟叶分割方式，并对其分割后的结果进行分级测试，最终的结果为36.4%。从实验中看，深度学习目前并没有比传统方法好，下一步我们将分析原因，展开基于深度学习的烟叶分级研究。参 考 文 献1陈风雷，孙红权，郑少清，等.初烤烟叶专业化分级效率研究 J.山地农业生物学报，2012，31（3）：228-230，254.CHEN Fenglei，SUN Quanhong，ZHENG Shaoqing，Studyon the efficiency of specialization grading of flue-cured tobacco leaves J.Journal of Mountain Agriculture and Biology，2012，31（3）：228-230，254.2庄珍珍，祝诗平，孙雪剑，等.基于机器视觉的烟叶自动分组方法 J.西南师范大学学报（自然科学版），2016，41（4）：122-129.ZHUANG Zhenzhen，ZHU Shiping，SUN Xuejian，et al.Automatic grouping method of tobacco leaves based on machine vision J.Journal of Southwest China Normal University（Natural Science Edition），2016，41（4）：122-129.3张磊.基于机器视觉的烟叶分级关键技术研究与实现D.贵阳：贵州大学，2015：5.ZHANG Lei.Research and implementation of key technologies for tobacco leaf classification based on machine visionD.Guiyang：Guizhou University，2015：5.4吴哲，刘孝星，郑力新，等.基于灰度共生矩阵特征图像的织物疵点检测方法 J.微型机与应用，2015，34（21）：47-50.WU Zhe，LIU Xiaoxing，ZHENG Lixin，et al.Fabric Defect Detection Method Based on Gray Co-Occurrence Matrix Feature Image J.Micromachines and Applications，2015，34（21）：47-50.5李金香，赵朔，金花，等.结合纹理和形态学特征的高分遥感影像建筑物震害信息提取J.地震学报，2019，41（5）：77-83.LI Jinxiang，ZHAO Shuo，JIN Hua，et al.Seismic damage information extraction of buildings from high-resolution remote sensing images combined with texture and morphological features J.Acta Seismologica Sinica，2019，41（5）：77-83.6Tamura H，Mori S，Yamawaki T.Textural features corresponding to visual perceptionJ.IEEE Transactions onSystems，Man and Cybernetics，1978，8（6）：460-473.7汪庆，杜庆炜，马春，等.结合颜色差异和模糊聚类的叶片图像分割 J.安庆师范大学学报（自然科学版），1155第 51 卷2018，24（2）：27-30.WANG Qing，DU Qingwei，MA Chun，et al.Leaf imagesegmentation combining color difference and fuzzy clustering J.Journal of Anqing Normal University（Natural Science Edition），2018，24（2）：27-30.8赵三琴，丁为民，刘德营.基于傅里叶描述子的稻飞虱形状识别 J.农业机械学报，2009，40（8）：181-184.ZHAO Sanqin，DING Weimin，LIU Deying.Shape recognition of rice planthopper based on Fourier descriptor J.Journal of Agricultural Machinery，2009，40（8）：181-184.9YAN L，PARK C W，LEE S R，LEE C Y.New separationalgorithm for touching grain kernels based on contour segments and ellipse fitting J.Frontiers of Information Technology&Electronic Engineering，2011，12（1）：54-61.10李宏辉，郝颖明，吴清潇，等.基于凹点方向线的粘连药品图像分割方法 J.计算机应用研究，2013，30（9）：2852-2854.LI Honghui，HAO Yingming，WU Qingxiao，et al.Segmentation method of adhesive medicine image based onconcave point direction lineJ.Computer ApplicationResearch，2013，30（9）：2852-2854.11ZHONG Q F，ZHOU P，YAO Q X，MAO K J.A novelsegmentation algorithm for clustered slender-particlesJ.Computers&Electronics in Agriculture，2009，69（2）：118-127.12王小鹏，姚丽娟，文昊天，等.形态学多尺度重建结合凹点匹配分割枸杞图像 J.农 业 工 程 学 报，2018，34（2）：212-218.WANG Xiaopeng，YAO Lijuan，WEN Haotian，et al.Morphological multi-scale reconstruction combined withconcave point matching to segment wolfberry images J.Journal of Agricultural Engineering，2018，34（2）：212-218.13路彬彬，贾振红，何迪，等.基于混合蛙跳算法改进的OTSU 遥感图像分割方法 J.计算机应用与软件，2011，28（9）：77-79.LU Binbin，JIA Zhenhong，HE Di，et al.Improved OTSU remote sensing image segmentation method based onhybrid leapfrog algorithmJ.Computer Applicationsand Software，2011，28（9）：77-79.14杨蕴，李玉，王玉，等.一种改进的 Otsu 多阈值 SAR 图像分割方法 J.遥感信息，2019，34（4）：29-38.YANG Yun，LI Yu，WANG Yu，et al.An improved Otsu multi-threshold SAR image segmentation method J.Remote Sensing Information，2019，34（4）：29-38.15Swasono D I，Tjandrasa H，Fathicah C.Classification ofTobacco Leaf Pests Using VGG16 Transfer Learning C/2019 12th International Conference on Information&Communication Technology and System（ICTS）.IEEE，2019：176-181.16Wang S，Pei L，Liu R，et al.Deep Feature ScreeningMethod Based on a Cascade Algorithm C/2019 8th International Symposium on Next Generation Electronics（ISNE）.IEEE，2019：1-2.17Bengio，Y.，Courville，A.，Vincent，P.Representationlearning：A review and new perspectives J.IEEE transactions on pattern analysis and machine intelligence，2013，35（8）：1798-1828.18Krizhevsky A，Sutskever I，Hinton G E.Imagenet classification with deep convolutional neural networksC/Advances in Neural Information Processing Systems，2012：1097-1105.19杨帆，申金媛.基于BPSO和SVM的烤烟烟叶图像特征选择方法研究 J.湖北农业科学，2015，54（02）：449-452.YANG Fan，SHEN Jinyuan.Research on image featureselection method of flue-cured tobacco based on BPSOand SVMJ.Hubei Agricultural Sciences，2015，54（02）：449-452.20PEI L，SHEN J，LIU R.Deep feature of image screenedby improved clustering algorithm cascaded with geneticalgorithm C/2017 29th Chinese Control And DecisionConference（CCDC）.IEEE，2017：452-455.Wireless Sensor Localization Technique Based on Hybrid PSO-ANN Algorithm for Indoor and Outdoor TrackCyclingJ.IEEE Sensors Journal，2016，16（2）：529-541.15Ghatak S R Sannigrahi S，Acharjee P.ComparativePerformance Analysis of DG and DSTATCOM Using Improved PSO Based on Success Rate for Deregulated EnvironmentJ.IEEE Systems Journal，2018，12（3）：2791-2802.16赵志刚，黄树运，王伟倩.基于随机惯性权重的简化粒子群优化算法 J.计算机应用研究，2014，31（02）：361-363，391.ZHAO Zhigang，HUANG Shuyun，WANG Weiqian.Simplified particle swarm optimization algorithm based onstochastic inertia weightJ.Application Research ofComputers，2014，31（02）：361-363，391.（上接第1041页）王臣毅等：基于椭圆轮廓模型的重叠烟叶分级方法1156