一种基于深度学习的烟框烟叶等级判定方法技术

本发明专利技术提供一种基于深度学习的烟框烟叶等级判定方法，包括：步骤一、选取若干不同等级的烟叶作为样本，采集烟框内样本的烟叶图像；步骤二、将采集得到烟叶图像按不同等级分类存储；步骤三、构建预测模型，将分类后的烟叶图像进行预处理后输入预测模型中进行训练，得到训练好的预测模型；步骤四、对于待测烟框烟叶等级判定，首先采集待测烟框烟叶的烟叶图像并对采集得到的图像进行步骤三相同的预处理，然后利用训练好的预测模型预测得到烟叶等级判定结果；步骤五，输出判定结果。该方法用于烟叶等级判定方法，减少人工工作量，提高生产效率。提高生产效率。提高生产效率。

【技术实现步骤摘要】
一种基于深度学习的烟框烟叶等级判定方法


[0001]本专利技术属于计算机机器视觉
，特别涉及一种基于深度学习的烟框烟叶等级判定方法。

技术介绍

[0002]烟叶是烟草生产中的重要原料，其质量等级将直接影响到烟制品的优劣等级，不用的烟制品所选用的烟叶也不尽相同。由于受自然生长等其他因素的影响，不同烟叶往往在品质上存在着或多或少的差异。若将不经调制的混合在一起的烟叶进行出售，是不符合各种烟制品的要求的，也将使烟制品失去使用价值。
[0003]传统方法中烟叶分级主要是靠专家或者分级工进行眼看、手摸、鼻闻等传统方法来确定烟叶的质量优劣。
[0004]目前的方法是对烟叶的外观特征参数进行分析，例如颜色、油份、成熟度、残伤等，将这些指标进行数字化定量之后就可以实现分级的自动化，但是这种方法对参数指标的数字化还是依靠人工进行，效率比较低，结果往往不规范。

技术实现思路

[0005]本专利技术是为了解决上述问题而进行的，目的在于提供一种基于深度学习的烟框烟叶等级判定方法。
[0006]为实现达到上述目的，本专利技术采用如下技术方案：
[0007]本专利技术提供一种基于深度学习的烟框烟叶等级判定方法，包括如下步骤：
[0008]步骤一、选取若干不同等级的烟叶作为样本，采集烟框内样本的烟叶图像；
[0009]步骤二、将采集得到烟叶图像按不同等级分类存储；
[0010]步骤三、构建预测模型，将分类后的烟叶图像进行预处理后输入预测模型中进行训练，得到训练好的预测模型；
[0011]步骤四、对于待测烟框烟叶等级判定，首先采集待测烟框烟叶的烟叶图像并对采集得到的图像进行步骤三相同的预处理，然后利用训练好的预测模型预测得到烟叶等级判定结果；
[0012]步骤五，输出判定结果。
[0013]进一步地，在本专利技术提供的基于深度学习的烟框烟叶等级判定方法中，还具有这样的特征：其中，步骤三中采用EfficientnetB3模型作为骨干网络，在骨干网络之后添加Transformer网络架构构建预测模型。
[0014]进一步地，在本专利技术提供的基于深度学习的烟框烟叶等级判定方法中，还具有这样的特征：其中，步骤三中对烟叶图像进行的预处理为将图像尺寸缩放到500*228像素大小。
[0015]进一步地，在本专利技术提供的基于深度学习的烟框烟叶等级判定方法中，还具有这样的特征：其中，步骤三中将预处理后的烟叶图像中80％作为训练集，20％作为验证集；步
骤三中的模型训练中，输入训练集进行训练，并使用验证集筛选模型训练得到权重，保存最终训练好的权重结果。
[0016]进一步地，在本专利技术提供的基于深度学习的烟框烟叶等级判定方法中，还具有这样的特征：其中，步骤三中的模型训练过程中的所用损失函数如下：
[0017][0018]上式中，N表示该批次样本数量，K表示标签个数，y
i,k
表示第i个样本为第k个标签的真实值，log表示自然对数，p
i,k
表示第i个样本预测为第k个标签值的概率。
[0019]进一步地，在本专利技术提供的基于深度学习的烟框烟叶等级判定方法中，还具有这样的特征：其中，步骤四中将经由预测模型输出的概率值中，概率值最大的等级类别作为最终定级类别。
[0020]进一步地，在本专利技术提供的基于深度学习的烟框烟叶等级判定方法中，还具有这样的特征：其中，步骤三中所述预测模型使用softmax作为激活函数，输出预测结果为经过softmax函数归一化后的每一等级类别的概率值：
[0021]Softmax函数如下：
[0022][0023]上式中，z
j
表示第j个节点的输出值；K表示输出节点的个数，即分类的类别个数；e表示自然常数。
[0024]本专利技术的有益效果：
[0025]本专利技术的基于深度学习的烟框烟叶等级判定方法采用EfficientnetB3模型作为骨干网络，在骨干网络之后添加Transformer网络架构构建预测模型，较之现有技术人工分析模式，本专利技术可以不依赖人工评价颜色、油份、成熟度、残伤等指标，自动根据图像进行定级，加快工业流程速度，进一步实现工业自动化。并且本专利技术的方法鲁棒性高、无损，可用于烟叶等级判定方法，减少人工工作量，提高生产效率。
附图说明
[0026]图1是本专利技术实施例中的基于深度学习的烟框烟叶等级判定方法的流程图。
具体实施方式
[0027]为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本专利技术的技术方案作具体阐述。
[0028]<实施例>
[0029]本实例采用框装烟叶作为测试对象，对一种基于深度学习的烟框烟叶等级判定方法进行详细的说明。
[0030]该基于深度学习的烟框烟叶等级判定方法包括如下步骤：
[0031]步骤一：选取若干不同等级的烟叶作为样本，采集烟框内样本的烟叶图像。
[0032]采集过程中所用成像设备包括在线工业相机和光源。所用线工业相机为型号BES
‑
PGE
‑
122S6C
‑
C(FILR，美国)，1200万全局曝光彩色相机。所用光源为：型号JL
‑
LR
‑
600X30W和JL
‑
LR
‑
700X30W(嘉励，中国)。打光方式：四周打光并配合顶部打光。成像设备安置在环形烟叶生产线上，采集方式为动态采集烟框内烟叶图像，成像设备为密封状态不受外界光源干扰。
[0033]本步骤中等级标准是通过专家人工判定按照上海烟草集团有限责任公司工业分级体系划分的五个等级，分别为：BK，C21，C22，C23，CXK，每个等级的烟叶样本各50KG。将不同等级烟叶样本装入对应的烟框中，按照每框烟叶5KG，摆放时按烟叶同一方向摆放，由于每次只能拍摄烟框表面的一层的烟叶图像，因此每框烟叶拍摄完后手动翻置框内烟叶，每框烟叶拍摄多张图像。
[0034]步骤二：将步骤一采集得到的烟叶图像进行等级标定，并按不同等级分类存储这些图像。
[0035]步骤三：构建模型，将分类后的烟叶图像进行预处理后输入模型中进行训练，得到训练好的模型。具体步骤过程如下：
[0036]步骤3
‑
1：预处理及划分数据集：
[0037]对烟叶图像进行的预处理为将图像尺寸缩放到500*228像素大小。将预处理后的烟叶图像中80％作为训练集，20％作为验证集。
[0038]步骤3
‑
2：构建预测模型：
[0039]采用EfficientnetB3模型作为骨干网络，在骨干网络之后添加Transformer网络架构构建预测模型。
[0040]Transformer的核心算法为多头注意力机制，对于基于encoder
‑
decoder框架的注意力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的烟框烟叶等级判定方法，其特征在于，包括如下步骤：步骤一、选取若干不同等级的烟叶作为样本，采集烟框内样本的烟叶图像；步骤二、将采集得到烟叶图像按不同等级分类存储；步骤三、构建预测模型，将分类后的烟叶图像进行预处理后输入所述预测模型中进行训练，得到训练好的预测模型；步骤四、对于待测烟框烟叶等级判定，首先采集待测烟框烟叶的烟叶图像并对采集得到的图像进行步骤三相同的预处理，然后利用训练好的预测模型预测得到烟叶等级判定结果；步骤五，输出判定结果。2.如权利要求1所述的基于深度学习的烟框烟叶等级判定方法，其特征在于：其中，步骤三中采用EfficientnetB3模型作为骨干网络，在骨干网络之后添加Transformer网络架构构建预测模型。3.如权利要求2所述的基于深度学习的烟框烟叶等级判定方法，其特征在于：其中，步骤三中对所述烟叶图像进行的预处理为将图像尺寸缩放到500*228像素大小。4.如权利要求2所述的基于深度学习的烟框烟叶等级判定方法，其特征在于：其中，步骤三中将预处理后的烟叶图像中80％作为训练集，20％作为验证集；...

【专利技术属性】
技术研发人员：任鲁西，刘秭辰，张军，石超，薛辰，何利波，
申请(专利权)人：上海创和亿电子科技发展有限公司，
类型：发明
国别省市：