烟叶分级方法、系统、终端设备及存储介质技术方案

本申请提供了一种烟叶分级方法、系统、终端设备及存储介质，该方法包括：获取待识别烟叶的烟叶图像，并将烟叶图像输入迭代训练后的烟叶分级模型进行分级分析，得到烟叶分级结果；烟叶分级模型包括卷积神经网络，卷积神经网络中添加有注意力网络，注意力网络用于在卷积神经网络中添加注意力机制。本申请通过基于烟叶分级模型自动进行烟叶的分级，防止了由于采用烟叶分级工人工分级所导致的烟叶分级准确性低下现象，通过在卷积神经网络中添加注意力网络的设计，能在卷积神经网络中添加注意力机制，基于该注意力机制使得烟叶分级模型迭代训练过程中能有效的识别到烟叶样本图像的图像特征，提高了迭代训练后烟叶分级模型对待识别烟叶的分级准确性。

【技术实现步骤摘要】
烟叶分级方法、系统、终端设备及存储介质
本申请属于烟叶分级
，尤其涉及一种烟叶分级方法、系统、终端设备及存储介质。
技术介绍
烟叶是烟制品生产中的重要原料，其等级质量直接影响烟制品的品质，为了给各种烟制品提供符合需要的烟叶原料，促进烟叶生产发展，国家烟草行业对烟叶的分级制定了科学合理的分级标准。众所周知，烟叶分级一直以来都是由烟叶分级工完成，依靠分级工用眼看、手摸、鼻闻等传统方法确定烟叶的质量优劣来进行分级分类。现有烟叶分级主要靠烟叶分级工的主观判断来完成，烟叶分级标准易受分级工心理和生理主观因素影响，人为因素影响较大，等级标准难得统一规范，导致烟叶分级结果不准确，影响最终烟制品的品质等级；同时，依靠人工进行烟叶分级拣选不但耗费大量的人力财力，而且效率低下，耗时费力，不利于烟叶分级的规模化生产。
技术实现思路
本申请实施例提供了一种烟叶分级方法、系统、终端设备及存储介质，旨在解决现有的烟叶分级过程中，由于采用烟叶分级工人工分级所导致的烟叶分级准确性低下的问题。第一方面，本申请实施例提供了一种烟叶分级方法本文档来自技高网...

【技术保护点】
1.一种烟叶分级方法，其特征在于，所述方法包括：/n获取待识别烟叶的烟叶图像，并将所述烟叶图像输入迭代训练后的烟叶分级模型进行分级分析，得到烟叶分级结果；/n所述烟叶分级模型包括卷积神经网络，所述卷积神经网络中添加有注意力网络，所述卷积神经网络根据烟叶样本图像进行迭代训练，得到迭代训练后的所述烟叶分级模型，所述注意力网络用于在所述卷积神经网络中添加注意力机制。/n

【技术特征摘要】
1.一种烟叶分级方法，其特征在于，所述方法包括：
获取待识别烟叶的烟叶图像，并将所述烟叶图像输入迭代训练后的烟叶分级模型进行分级分析，得到烟叶分级结果；
所述烟叶分级模型包括卷积神经网络，所述卷积神经网络中添加有注意力网络，所述卷积神经网络根据烟叶样本图像进行迭代训练，得到迭代训练后的所述烟叶分级模型，所述注意力网络用于在所述卷积神经网络中添加注意力机制。


2.如权利要求1所述的烟叶分级方法，其特征在于，所述卷积神经网络根据烟叶样本图像进行迭代训练之前，还包括：
将所述烟叶样本图像输入Mask-RCNN网络进行图像分割，得到分割图像，所述图像分割用于去除所述烟叶样本图像中的背景图像；
对所述分割图像中进行归一化处理，并对归一化处理后的所述分割图像进行等级标注，所述等级标注用于对所述烟叶样本图像对应的烟叶进行质量分级，得到烟叶质量等级。


3.如权利要求2所述的烟叶分级方法，其特征在于，对所述分割图像进行归一化处理所采用的计算公式为：
norm＝(xi-min(x))/(max(x)-min(x))
其中，xi是所述分割图像中的像素点个数值，min(x)和max(x)是同一个所述分割图像中像素点的像素最大值和像素最小值。


4.如权利要求2所述的烟叶分级方法，其特征在于，所述卷积神经网络根据烟叶样本图像进行迭代训练，得到迭代训练后的所述烟叶分级模型，包括：
将所述等级标注后的所述分割图像输入所述卷积神经网络进行图像分析，得到图像分级结果；
对所述图像分级结果进行损失计算，得到模型损失值，并根据所述模型损失值对所述卷积神经网络进行迭代训练，得到迭代训练后的所述烟叶分级模型。


5.如权利要求4所述的烟叶分级方法，其特征在于，所述...

【专利技术属性】
技术研发人员：廖良松，周军，谢秋发，徐道远，赖劲鹏，刘辉，杨庆根，黄锡春，廖忠辉，邱荣俊，刘润生，钟善良，张源，彭耀东，肖先仪，廖敏，张闯，许明敏，管恩娜，张慢慢，
申请(专利权)人：深圳市识农智能科技有限公司，江西省烟草公司赣州市公司，
类型：发明
国别省市：广东;44