基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法技术

本发明专利技术提出了一种基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法，其步骤为：首先，采集不同烘烤阶段整夹烤烟图像作为目标图像样本，并将目标图像样本分为十类样本图像；其次，基于Tensorflow环境构建包括10个卷积层、5个池化层、2个全连接层和1个输出层的卷积神经网络；然后，对十类样本图像进行标号，并输入构建好的卷积神经网络进行训练得到卷积神经网络模型；最后，利用卷积神经网络模型对待检测的整夹烤烟图像进行判断，输出整夹烤烟图像的类别，完成烘烤过程中烤烟烘烤阶段的识别。本发明专利技术不仅能够准确有效地对不同烘烤阶段的烤烟进行分类，自适应能力强；且分类速度快，符合当前生产过程中，人眼观察的习惯，具有很好的应用前景。

Recognition method of flue-cured tobacco baking stage based on convolution neural network

【技术实现步骤摘要】
基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法
本专利技术涉及烤烟烘烤
，特别是指一种基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法。
技术介绍
烤烟的烘烤在国内拥有悠久的历史，烘烤设备由最初的土建烤房演变成了多种类的密集烤房，装烟方式由挂竿烘烤发展成为烟夹烘烤、散叶烘烤以及大箱烘烤等多样化装烟方式；烘烤工艺方面同样有着非常明显的发展，然而数十年来烘烤工艺的发展均是基于三段式烘烤工艺的发展，而烘烤工艺的实施离不开烘烤人员的烘烤经验，由于中国烤烟的种植区域广泛，烘烤人员的经验差别较大，且烤烟工作强度大，人员的情绪变化无常，使得烤烟状态的判断错误率较高。随着近年来，图像识别技术的不断发展，诸多行业均有不同程度的应用，尤其卷积神经网络的广泛应用极大地推动了人工智能的发展，卷积神经网络（CNN）是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。卷积神经网络包括卷积层和池化层。卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络。一维卷积神经网络常应用于序列类的数据处理；二维卷积神经网络常应用于图像类文本的识别；三维卷积神经网络主要应用于医学图像以及视频类数据识别。而当前卷积神经网络在烤烟生产中的应用还处于初级阶段，通过采集烤烟烘烤过程中不同烘烤阶段的烤烟图像，建立神经网络训练模型，从而对不同烘烤阶段的烤烟外观形态进行分类。
技术实现思路
针对上述
技术介绍
中存在的不足，本专利技术提出了一种基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法，解决了烤烟烘烤过程中对烤烟烘烤状态判断准确率低的技术问题。本专利技术的技术方案是这样实现的：一种基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法，其步骤如下：S1、采集不同烘烤阶段整夹烤烟图像作为目标图像样本，并将目标图像样本分为十类样本图像；S2、基于Tensorflow环境构建包括10个卷积层、5个池化层、2个全连接层和1个输出层的卷积神经网络；S3、对步骤S1中的十类样本图像进行标号，然后将这十类样本图像输入构建好的卷积神经网络进行训练得到卷积神经网络模型；S4、利用步骤S3得到的卷积神经网络模型对待检测的整夹烤烟图像进行判断，输出整夹烤烟图像的类别，完成烘烤过程中烤烟烘烤阶段的识别。所述步骤S1中十类样本图像分别为预热阶段前期、预热阶段后期、变黄阶段前期、变黄阶段后期、凋萎阶段前期、凋萎阶段后期、定色阶段前期、定色阶段后期、干筋阶段前期和干筋阶段后期的图像。所述步骤S3中将这十类样本图像输入构建好的卷积神经网络进行训练得到卷积神经网络模型的方法为：S31、对样本图像进行归一化处理，得到大小为M*M的图像样本，随机选择图像样本的80%作为训练样本，其余作为测试样本；S32、设置训练次数为T，将图像样本分为X组，每组图像的个数为N；S33、利用buffer函数对每组图像进行乱序处理，并采用RELU函数激活卷积神经网络；S34、将每组图像依次输入卷积神经网络进行训练，得到卷积神经网络模型，并对得到的卷积神经网络模型进行优化；S35、将测试样本输入优化后的卷积神经网络模型中，通过softmax分类器输出图像所属类别，完成对卷积神经网络模型的验证。所述卷积神经网络模型中卷积层、池化层、全连接层和输出层之间的连接关系为：卷积层I-卷积层II-池化层I-卷积层III-卷积层IV-池化层II-卷积层V-卷积层VI-池化层III-卷积层VII-卷积层VIII-池化层IV-卷积层IX-卷积层X-池化层V-全连接层I-全连接层II-输出层。所述卷积神经网络卷积层卷积核的大小为3*3，所述卷积神经网络的前4个池化层采用最大池化方式，最后1个池化层采用平均池化方式。所述通过卷积层I和卷积层II输出的特征图像数量均为64，通过卷积层III和卷积层IV输出的特征图像数量均为128，通过卷积层V和卷积层VI输出的特征图像数量均为256，通过卷积层VII和卷积层VIII输出的特征图像数量均为512，通过卷积层IX和卷积层X输出的特征图像数量均为1024；通过全连接层I输出的特征图像数量为1024，通过全连接层II输出的特征图像数量为256，通过输出层输出的图像类别为10。所述步骤S34中采用反向传播算法不断优化交叉熵损失函数优化神经网络模型。所述步骤S35中的softmax分类器是采用softmax函数将K维向量中每个元素转化为（0,1）的范围，且所有元素的和为1。本技术方案能产生的有益效果：1）本专利技术采用五次卷积进行训练，且每次卷积均包括两层卷积层和一层池化层，有效地提高了结果正确率；2）本专利技术通过随机选取训练样本、乱序输入网络、分小组训练及反向传播的方式能够减小误差，有效地提高了网络性能和识别正确率；3）本专利技术依据烤烟烘烤中各烘烤阶段的烤烟外观形态对烘烤的烘烤阶段进行识别，不仅能够准确有效地对不同烘烤阶段的烤烟进行分类，且自适应能力强；4）本专利技术分类速度快，符合当前生产过程中，人眼观察的习惯，具有很好的应用前景。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的流程图；图2为本专利技术采用的卷积神经网络的内部结构图；图3为本专利技术的训练样本与验证样本准确率的变化曲线图；图4为本专利技术的训练样本与验证样本损失值的变化曲线图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，本专利技术实施例提供了一种基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法，具体步骤如下：S1、采集不同烘烤阶段整夹烤烟图像作为目标图像样本，并将图像样本分为十类样本图像。目标图像样本的准备：利用人工将目标图像样本进行分类得到十类样本，将分类好的样本放置在单独文件夹中以各类汉语拼音首字母进行命名，同时将各文件夹中的图片以汉语拼音首字母+序号的方式进行命名，所述十类样本图像分别为预热阶段前期、预热阶段后期、变黄阶段前期、变黄阶段后期、凋萎阶段前期、凋萎阶段后期、定色阶段前期、定色阶段后期、干筋阶段前期和干筋阶段后期的图像。S2、基于Tensorflow环境构建包括10个卷积层、5个池化层、2个全连接层和1个输出层的卷积神经网络；如图2所示，所述卷积神经网络模型中卷积层、池化层、全连接层和输出层之间的连接关系为：卷积层I-卷积层II-池化层I-卷积层III-卷积层IV-池化层II-卷积层V-卷积层本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法，其特征在于，其步骤如下：/nS1、采集不同烘烤阶段整夹烤烟图像作为目标图像样本，并将目标图像样本分为十类样本图像；/nS2、基于Tensorflow环境构建包括10个卷积层、5个池化层、2个全连接层和1个输出层的卷积神经网络；/nS3、对步骤S1中的十类样本图像进行标号，然后将这十类样本图像输入构建好的卷积神经网络进行训练得到卷积神经网络模型；/nS4、利用步骤S3得到的卷积神经网络模型对待检测的整夹烤烟图像进行判断，输出整夹烤烟图像的类别，完成烘烤过程中烤烟烘烤阶段的识别。/n

【技术特征摘要】
1.一种基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法，其特征在于，其步骤如下：
S1、采集不同烘烤阶段整夹烤烟图像作为目标图像样本，并将目标图像样本分为十类样本图像；
S2、基于Tensorflow环境构建包括10个卷积层、5个池化层、2个全连接层和1个输出层的卷积神经网络；
S3、对步骤S1中的十类样本图像进行标号，然后将这十类样本图像输入构建好的卷积神经网络进行训练得到卷积神经网络模型；
S4、利用步骤S3得到的卷积神经网络模型对待检测的整夹烤烟图像进行判断，输出整夹烤烟图像的类别，完成烘烤过程中烤烟烘烤阶段的识别。


2.根据权利要求1所述的基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法，其特征在于，所述步骤S1中十类样本图像分别为预热阶段前期、预热阶段后期、变黄阶段前期、变黄阶段后期、凋萎阶段前期、凋萎阶段后期、定色阶段前期、定色阶段后期、干筋阶段前期和干筋阶段后期的图像。


3.根据权利要求1所述的基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法，其特征在于，所述步骤S3中将这十类样本图像输入构建好的卷积神经网络进行训练得到卷积神经网络模型的方法为：
S31、对样本图像进行归一化处理，得到大小为M*M的图像样本，随机选择图像样本的80%作为训练样本，其余作为测试样本；
S32、设置训练次数为T，将图像样本分为X组，每组图像的个数为N；
S33、利用buffer函数对每组图像进行乱序处理，并采用RELU函数激活卷积神经网络；
S34、将每组图像依次输入卷积神经网络进行训练，得到卷积神经网络模型，并对得到的卷积神经网络模型进行优化；
S35、将测试样本输入优化后的卷积神经网络模型中，通过softmax分类器输出图像所属类别，完成对卷积神经网络模型...

【专利技术属性】
技术研发人员：杨懿德，路晓崇，杨洋，张保全，李峥，李林秋，鄢敏，崔庆伟，张涛，
申请(专利权)人：河南农业大学，四川省烟草公司宜宾市公司，
类型：发明
国别省市：河南;41