基于深度学习的烟叶自动定级方法及系统技术方案

本公开提供了一种基于深度学习的烟叶自动定级方法及系统，包括以下步骤：获取烟叶图像，对获取的图像进行数据清洗，构建图像数据集；进行图像数据集的预处理，所述预处理包括图像增强、数据去模糊和数据增强；在卷积神经网络的下采样提取特征过程中引入卷积残差块，构建深度学习神经网络模型，训练预处理后的图像数据集，得到不同组的权重；将测试图像数据输入到所述深度学习神经网络模型中，加载所述不同组的权重，得到基于不同权重的测试数据，分析比较不同权重的测试数据，得到测试数据最优时所对应的最优权重；将待分级的烟叶图像输入到所述深度学习神经网络模型中，直接加载所得到的最优权重，得到烟叶的检测定级结果。得到烟叶的检测定级结果。得到烟叶的检测定级结果。

【技术实现步骤摘要】
基于深度学习的烟叶自动定级方法及系统


[0001]本公开属于智能农业
，具体涉及一种基于深度学习的烟叶自动定级方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]烟叶作为我国重要的经济作物，是卷烟工业中的重要原料。在烟草生产中，对烤烟定级是一个重要的生产环节。传统烟叶定级靠人工分拣，效率低，误差大。随着计算机视觉、深度学习等技术的不断发展、人工智能的快速推进及卷烟市场的不断细分，烟草行业及消费者对烟叶处理与定级精确度提出了越来越高的要求。因此，在烟叶定级中如何对烟叶图像进行处理并自动分级，面临着很多急需解决的问题。
[0004]传统的人工定级技术依赖于烟叶识别者的经验，并且效率极低，而新兴的以计算机为媒介的烟叶自动分级技术，将打破这一问题，基于计算机的烟叶分级能够快速地分出烟叶等级，以实现由传统人工接触定级到利用计算机视觉非接触定级。烟叶定级的非接触检测，主要基于计算机视觉对图像地采集分析。随着计算机处理能力地不断提高与图像处理技术不断地更新，机器视觉可以提供实时在线检测。非接触、实时在线检测比传统的人工检测要复杂的多。比如，烟叶图像采集时光照、角度、背景的影响，都会影响图像，因此图像预处理和特征提取、分类器的选择都格外重要。
[0005]据专利技术人了解，传统图像特征提取在很大程度上依赖于研究人员的经验。在烟草行业，随着检测量大幅上升，传统的分级方法已不能满足快速生产地需求，深度学习在文本、图像、语音处理等方面得到快速发展，并取得了重大成果，将深度学习应用于烟叶图像识别与分类具有重大的研究空间及现实意义。

技术实现思路

[0006]为了解决现有技术的不足，本公开提出了一种基于深度学习的烟叶自动定级方法及系统，解决了传统烟叶定级时存在的过于依赖工作人员经验以及误差大，效率低的问题，对模型和算法进行不断改进，基于深度学习中的神经网络来进行烟叶的计算机自动分级工作，使得烟叶定级的速度和精确度得到不断提升，能大幅度提升烟草工业生产质量，增加烟农收入。
[0007]为了实现上述目的，本公开采用了如下的技术方案：
[0008]本公开的第一方面提供了一种基于深度学习的烟叶自动定级方法。
[0009]基于深度学习的烟叶自动定级方法，包括以下步骤：
[0010]获取烟叶图像，对获取的图像进行数据清洗，构建图像数据集；
[0011]进行图像数据集的预处理，所述预处理包括图像增强、数据去模糊和数据增强；
[0012]在卷积神经网络的下采样提取特征过程中引入卷积残差块，构建深度学习神经网
络模型，训练预处理后的图像数据集，得到不同组的权重；
[0013]将测试图像数据输入到所述深度学习神经网络模型中，加载所述不同组的权重，得到基于不同权重的测试数据，分析比较不同权重的测试数据，得到测试数据最优时所对应的最优权重；
[0014]将待分级的烟叶图像输入到所述深度学习神经网络模型中，直接加载所得到的最优权重，得到烟叶的检测定级结果。
[0015]本公开的第二方面提供了一种基于深度学习的烟叶自动定级系统。
[0016]基于深度学习的烟叶自动定级系统，采用了第一方面所述的基于深度学习的烟叶自动定级方法，包括：
[0017]获取图像单元，用于获取烟叶图像，对获取的图像进行数据清洗，构建图像数据集；
[0018]预处理单元，用于图像数据集进行预处理，所述预处理包括图像增强、数据去模糊和数据增强；
[0019]建模单元，用于在卷积神经网络的下采样提取特征过程中引入卷积残差块，构建深度学习神经网络模型，训练预处理后的图像数据集，得到不同组的权重；
[0020]测试单元，用于将测试图像数据输入到所述深度学习神经网络模型中，加载所述不同组的权重，得到基于不同权重的测试数据，分析比较不同权重的测试数据，得到测试数据最优时所对应的最优权重；
[0021]分级单元，用于将待分级的烟叶图像输入到所述深度学习神经网络模型中，直接加载所得到的最优权重，得到烟叶的检测定级结果。
[0022]本公开第三方面提供了一种计算机可读存储介质。
[0023]一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于深度学习的烟叶自动定级方法中的步骤。
[0024]本公开第四方面提供了一种电子设备。
[0025]一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于深度学习的烟叶自动定级方法中的步骤。
[0026]与现有技术相比，本公开的有益效果为：
[0027]本公开使用基于深度学习的神经网络模型，在卷积神经网络模型中加入卷积残差快，使得训练效果更好，有效防止了各分辨率特征图之间联系不足，以及梯度消失和梯度爆炸的问题，在图像进行训练测试之前进行数据清洗和数据预处理，清洗掉质量不好的图像，同时针对烟叶图像易模糊的问题，使用DeblurGAN
‑
v2模型，通过该模型有效解决的数据模糊的问题，保证了用于训练、验证及测试的图像都是质量最优的，预处理时还对数据进行数据增强，保证了训练数据的充足。
附图说明
[0028]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0029]图1是本公开实施例一中的基于深度学习的烟叶自动定级方法的流程图；
[0030]图2是本公开实施例一中的数据预处理的DeblurGAN
‑
v2模型图；
[0031]图3是本公开实施例一中的用于烟叶定级的卷积神经网络的模型图；
[0032]图4是本公开实施例一中的卷积残差块的模型图。
具体实施方式：
[0033]下面结合附图与实施例对本公开作进一步说明。
[0034]应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。
[0035]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0036]在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0037]实施例一
[0038]本公开实施例一提供了一种基于深度学习的烟叶自动定级方法。
[0039]如图1所示的一种基于深度学习的烟叶自动定级方法，包括以下步骤：
[0040]步骤S01：获取烟叶图像，对获取的图像进行数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的烟叶自动定级方法，其特征在于，包括以下步骤：获取烟叶图像，对获取的图像进行数据清洗，构建图像数据集；进行图像数据集的预处理，所述预处理包括图像增强、数据去模糊和数据增强；在卷积神经网络的下采样提取特征过程中引入卷积残差块，构建深度学习神经网络模型，训练预处理后的图像数据集，得到不同组的权重；将测试图像数据输入到所述深度学习神经网络模型中，加载所述不同组的权重，得到基于不同权重的测试数据，分析比较不同权重的测试数据，得到测试数据最优时所对应的最优权重；将待分级的烟叶图像输入到所述深度学习神经网络模型中，直接加载所得到的最优权重，得到烟叶的检测定级结果。2.如权利要求1中所述的基于深度学习的烟叶自动定级方法，其特征在于，对获取的原始图像进行数据清洗，采用直方图筛选法，确保所用图像数据具有足够的高频信息，即保留图像中能被利用的价值、删掉图像中没有使用价值的图像数据，将数据清洗之后的图像据按一定的比例分配并进行相应的人工标注，以构建图像数据集。3.如权利要求1中所述的基于深度学习的烟叶自动定级方法，其特征在于，所述图像增强是将原始RGB图像变换到HSV空间,在HSV空间对图像的色调、饱和度以及亮度采用控制变量法进行处理，再将处理好的图像由HSV空间转换成RGB图像。4.如权利要求1中所述的基于深度学习的烟叶自动定级方法，其特征在于，所述数据去模糊采用一种端到端的性能好的生成对抗网络的DeblurGAN
‑
v2模块。5.如权利要求1中所述的基于深度学习的烟叶自动定级方法，其特征在于，所述数据增强为对烟叶图像进行旋转、翻转及裁剪，在不增加人工标注图像的数量的前提下，使得总的训练数据、验证数据，测试数据以及训练数据标签，验证数据标签和测试数据标签能满足深度学习要求。6.如权利要求1中所述的基于深度学习的烟叶自动定级方法，其特征在于，所述...

【专利技术属性】
技术研发人员：吴勇，姜自武，王慧，李丹，吴凉，
申请(专利权)人：北京青苔数据科技有限公司，
类型：发明
国别省市：