一种基于机器视觉和AI深度学习的烤烟等级识别建模方法技术

本发明专利技术公开了一种基于机器视觉和AI深度学习的烤烟等级识别建模方法，所述方法为：建立基础层级模型，按照控制项以及部位、颜色和综合外观档次四种因素，通过烟叶层级样品，建立外观基础层级模型；烟叶等级样品与基础模型的匹配，使用与基础模型建立相同的机器视觉手段，先通过控制项的匹配，确定应剔除的青杂层级，再对部位、颜色和综合外观档次分别进行三个维度的匹配，每个等级在每个维度都能匹配到一个层级区间；烟叶等级识别，将待识别烟叶在每个维度的匹配值与前述的各维度层级区间段进行匹配，完成烟叶的等级识别。本发明专利技术解决了现有AI识别烟叶等级准确率波动性大、适配性差的问题。的问题。的问题。

【技术实现步骤摘要】
一种基于机器视觉和AI深度学习的烤烟等级识别建模方法


[0001]本专利技术涉及烤烟等级识别领域，具体涉及一种基于机器视觉和AI深度学习的烤烟等级识别建模方法。

技术介绍

[0002]当前基于机器视觉和AI深度学习实现智能识别烟叶等级的常用建模流程为：“烟叶样品
→
等级标定
→
机器视觉
→
AI深度学习，特征提取
→
形成识别算法
→
识别烟叶等级”。此流程中，“烟叶样品
→
等级标定”的准确性会对最终的AI识别效果产生巨大影响。
[0003]等级判定的依据是GB2635
‑
92《烤烟》国标，但《烤烟》国标中仅进行了主观感受的文字描述，缺少客观物理度量参数。实际判定完全依赖于人体感官，不同的人理解不同，判定结果存在差异，即使是相同的人，在不同时段、不同使用环境中，判定结果也会发生波动。每年审定的不同品种，不同地区国家烤烟基准样品、省级仿制标样，也存在明显的外观差异。用于指导收购的对照样品，按要求需要数天一换，每次制作的样品也不可能一样。上述种种原因造成“等级标定”具有较大的不确定性。
[0004]按一般AI深度学习的规律，样品学习得越多，结果的准确性越高。但是由于烟叶样品等级的不确定，使得难以形成一套能够长期使用，具有广泛适应性的识别逻辑。在实际验证中甚至出现了学习样品越多，准确性反而下降的问题。
[0005]实际烟叶收购需在有限时间内完成。一个收购点要面对来自不同种植地域、气候、品种和生产水平的烟叶，同一等级烟叶可能存在较大的外形差异，收购前建立的有限模型无法完全适应，必须随时调整甚至重新建模。依照现有的建模方式，单一等级建模需要制作500～1000片等级样品，每个收购点每年收购至少涉及十余个等级，每个等级的模型需要多次调整，需耗费大量的人力、物力和时间，与收购期间的其他工作存在冲突。
[0006]现有建模方式所获得的人工智能，在实际验证中发现，AI等级识别结果普遍存在部位识别不清，准确率波动性大、适配性差的问题。

技术实现思路

[0007]为此，本专利技术提供一种基于机器视觉和AI深度学习的烤烟等级识别建模方法，以解决现有AI识别烟叶等级准确率波动性大、适配性差的问题。一次建模即可长期使用，针对不同地区、不同特征的等级要求，使用少量等级样品进行匹配即可完成建模调整。
[0008]为了实现上述目的，本专利技术提供如下技术方案：
[0009]本专利技术公开了一种基于机器视觉和AI深度学习的烤烟等级识别建模方法所述方法为：
[0010]建立基础层级模型，按照控制项以及部位、颜色和综合外观档次四种因素，通过烟叶层级样品，建立外观基础层级模型；
[0011]烟叶等级样品与基础模型的匹配，使用与基础模型建立相同的机器视觉手段，先通过控制项的匹配，确定应剔除的青杂层级，再对部位、颜色和综合外观档次分别进行三个
维度的匹配，每个等级在每个维度都能匹配到一个层级区间；
[0012]烟叶等级识别，将待识别烟叶在每个维度的匹配值与前述的各维度层级区间段进行匹配，完成烟叶的等级识别。
[0013]进一步地，所述基础模型包括控制项、部位、颜色和综合外观档次四个因素，各因素的排序分档依靠专业人员参考烟叶的质量相关标准进行，人数不少于3人，排序一致性需60％以上人员同意，叶片两两对比过程中，判别要素较强者，则层级+1，如果无法判定显著性的强弱，则标为同一层级。
[0014]进一步地，所述基础模型的控制项因素包括含青和/或含杂，挑选不同含青程度，包含识别中可遇的不同含青程度从最低不含青到最高含青程度的烟叶若干片，排序层级为7个，标识为“G0～G6”；由3名以上专业人员，将烟叶按含青的严重程度两两对比，将烟叶按“G0～G6”7个层级进行排序；将7个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶外观与“G0～G6”的对应关系；
[0015]挑选不同含杂程度，包含识别中可遇的不同含杂程度从最低不含杂到最高含杂程度的烟叶若干片，排序层级为7个，标识为“K0～K6”，由3名以上专业人员，将烟叶按含杂的严重程度两两对比，将烟叶按“K0～K6”7个层级进行排序，将7个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶外观与“K0～K6”的对应关系。
[0016]进一步地，所述基础模型的部位因素通过挑选不同部位的烟叶若干片，应包括识别中可遇的各种地区，品种，气候下各种烟叶的所有部位，包括极端的最低和最高部位，将部位设定为15个层级，表示为P1、P2
…
P15；由3名以上专业人员共同按照《烤烟》国标的部位判定方法，从低到高进行初步的5种小部位排序，即脚叶“P1～P3”、下二棚“P4～P6”、腰叶“P7～P9”、上二棚“P10～P12”、顶叶“P13～P15”，每个小部位烟叶分3个小层级，将同一小部位内的每一片叶片按部位升高或降低的特征显著性进行两两对比，最终将获得15个从低到高的部位层级烟叶；将15个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶外观与“P1～P15”的对应关系。
[0017]进一步地，所述基础模型的颜色因素通过挑选不同深浅颜色的主组烟叶若干片，包括识别中可遇的各种地区，品种，气候下的各种正组烟叶颜色，以及各色系的最浅和最深颜色叶片，排序层级设置为12个，表示为“C1～C12”；由3名以上专业人员，首先将烟叶按主组颜色分为3个色系，即：柠檬色3个层级“C1～C3”，橘黄色6个层级“C4～C9”，红棕色3个层级“C10～C12”，在每个色系内，对烟叶按红色程度的多少和颜色的饱和度从少到多，从浅到浓进行相对排序，其中以红色程度为优先因素，如果红色程度处于同一水平，则对比饱和度，若饱和度也处于同一水平，则标为同一层级，最终将获得12个从低到高的颜色层级烟叶，将12个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶外观与“C1～C12”的对应关系。
[0018]进一步地，所述基础模型的综合外观档次因素通过不同质量水平烟叶识别学习，建立烟叶识别的质量得分区间，按照所需的精度，划分烟叶品质层级区间，挑选单一部位主组烟叶若干片，覆盖不同品种，类型，地区的各质量档次烟叶；由3名以上专业人员，参考烟叶质量相关标准中的各项因素，进行烟叶的两两对比，按综合外观差异分成上部20个层级，标识为上1～上20，中部40个层级，标识为中1～中40，下部20个层级，标识为下1～下20，将此上部20个层级，中部40个层级，下部20个层级的烟叶，层级数越大质量越好，通过机器视
觉和AI深度学习，建立烟叶与综合外观层级的对应关系。
[0019]进一步地，所述烟叶等级样品与基础模型的匹配过程中，先进行样品制作；
[0020]控制项：单独制作需剔除的含青和含杂最低控制样品；
[0021]部位：单独制作包含中部等级烟叶的最低和最高部位样品；
[0022]颜色：单独制作包含该橘黄色烟叶的最浅和最深颜色样品；
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉和AI深度学习的烤烟等级识别建模方法，其特征在于，所述方法为：建立基础层级模型，按照控制项以及部位、颜色和综合外观档次四种因素，通过烟叶层级样品，建立外观基础层级模型；烟叶等级样品与基础模型的匹配，使用与基础模型建立相同的机器视觉手段，先通过控制项的匹配，确定应剔除的青杂层级，再对部位、颜色和综合外观档次分别进行三个维度的匹配，每个等级在每个维度都能匹配到一个层级区间；烟叶等级识别，将待识别烟叶在每个维度的匹配值与各维度层级区间段进行匹配，完成烟叶的等级识别。2.如权利要求1所述的一种基于机器视觉和AI深度学习的烤烟等级识别建模方法，其特征在于，所述基础模型包括控制项、部位、颜色和综合外观档次四个因素，各因素的排序分档依靠专业人员参考烟叶的质量相关标准进行，人数不少于3人，排序一致性需60％以上人员同意，叶片两两对比过程中，判别要素较强者，则层级+1，如果无法判定显著性的强弱，则标为同一层级。3.如权利要求1所述的一种基于机器视觉和AI深度学习的烤烟等级识别建模方法，其特征在于，所述基础模型的控制项因素包括含青和/或含杂，挑选不同含青程度，包含识别中可遇的不同含青程度从最低不含青到最高含青程度的烟叶若干片，排序层级为7个，标识为“G0～G6”；由3名以上专业人员，将烟叶按含青的严重程度两两对比，将烟叶按“G0～G6”7个层级进行排序；将7个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶外观与“G0～G6”的对应关系；挑选不同含杂程度，包含识别中可遇的不同含杂程度从最低不含杂到最高含杂程度的烟叶若干片，排序层级为7个，标识为“K0～K6”，由3名以上专业人员，将烟叶按含杂的严重程度两两对比，将烟叶按“K0～K6”七个层级进行排序，将7个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶外观与“K0～K6”的对应关系。4.如权利要求1所述的一种基于机器视觉和AI深度学习的烤烟等级识别建模方法，其特征在于，所述基础模型的部位因素通过挑选不同部位的烟叶若干片，应包括识别中可遇的各种地区，品种，气候下各种烟叶的所有部位，包括极端的最低和最高部位，将部位设定为15个层级，表示为“P1、P2
…
P15”；由3名以上专业人员共同按照《烤烟》国标的部位判定方法，从低到高进行初步的5种小部位排序，即脚叶“P1～P3”、下二棚“P4～P6”、腰叶“P7～P9”、上二棚“P10～P12”、顶叶“P13～P15”，每个小部位烟叶分3个小层级，将同一小部位内的每一片叶片按部位升高或降低的特征显著性进行两两对比，最终将获得15个从低到高的部位层级烟叶；将15个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶外观与“P1～P15”的对应关系。5.如权利要求1所述的一种基于机器视觉和AI深度学习的烤烟等级识别建模方法，其特征在于，所述基础模型的颜色因素通过挑选不同深浅颜色的主组烟叶若干片，包括识别中可遇的各种地区，品种，气候下的各种正组烟叶颜色，以及各色系的最浅和最深颜色叶片，排序层级设置为12个，表示为“C1～C12”；由3名以上专业人员，首先将烟叶按主组颜色分为3个色系，即：柠檬色3个层级“C1～C3”，橘黄色6个层级“C4～C9”，红棕色3个层级“C10～C12”，在每个色系内，对烟叶按红色程度的多少和颜色的饱和度从少到多，从浅到浓进行
相对排序，其中以红色程度为优先因素，如果红色程度处于同一水平，则对比饱和度，若饱和度也处于同一水平，则标为同一层级，最终将获得12个从低到高的颜色层级烟叶，将12个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶外观与“C1～C12”的对应关系。6.如权利要求1所述的一种基于机器视觉和AI深度学习的烤烟等级识别建模方法，其特征在于，所述基础模型的综...

【专利技术属性】
技术研发人员：龙杰，张晓伟，刘宇晨，张轲，孙浩巍，张冀武，蔡洁云，李郸，顾健龙，杨青，
申请(专利权)人：云南省烟草质量监督检测站，
类型：发明
国别省市：