烟叶分级方法、装置及计算机可读存储介质制造方法及图纸

本公开提出一种烟叶分级方法、装置及计算机可读存储介质，涉及计算机技术领域。烟叶分级方法包括：从采集图像中提取出多个烟叶图像；获取每个烟叶图像的第一特征；将每个烟叶图像的第一特征输入到经过训练的第一模型，以便第一模型输出每个烟叶图像的烟叶预测等级以及烟叶预测等级的置信度；根据每个烟叶图像的烟叶预测等级以及烟叶预测等级的置信度，确定相应的烟叶图像中的烟叶的等级。本公开能够实现自动地确定烟叶的等级，节约人力物力，提高分级效率，且能统一烟叶的分级标准。且能统一烟叶的分级标准。且能统一烟叶的分级标准。

【技术实现步骤摘要】
烟叶分级方法、装置及计算机可读存储介质


[0001]本公开涉及计算机
，特别涉及一种烟叶分级方法、装置及计算机可读存储介质。

技术介绍

[0002]烟叶烘烤过后，需要进行烟叶的分级或分选，才能由相关部门收购或加工使用。按照已知的标准样品进行烟叶分级或分选，剔除其中具有混青、混杂、混部位或不符合烟叶等级等情况的烟叶，分级或分选后的烟叶需与标准样品保持一致性，可以提升烟叶的可使用性。然而根据烟叶的不同等级、色组、油分、叶面结构指标等标准进行分级或分选的整个过程中，需要培训大量的分选人员或质检人员，以完成分级、分选工作。
[0003]现有也有采用机器学习等方法实现烟叶的自动分级、分选工作，如一种基于高光谱图像和深度学习算法的烟叶分级方法（CN106326899A），基于神经网络自动分拣烟叶的方法及装置（CN110479635A），但是均是采用单一的已训练模型进行分级、分选。在实际的分级或分选工序中，采用单一的已训练模型进行分级、分选不仅因为分级标准无法统一，导致有很大的应用局限性，而且因为烟叶的特殊性，在烟叶图片采集前的烟叶抖散工序中，难免会存在烟叶重叠或遮挡，从而使得模型的分级、分选准确性降低。

技术实现思路

[0004]针对现有技术存在的问题，本公开提供一种能够实现在统一标准下进行烟叶分级且能提高烟叶的分级效率和分级准确率的烟叶分级方法。
[0005]根据本公开的一些实施例，提供一种烟叶分级方法，包括：从采集图像中提取出多个烟叶图像；获取每个烟叶图像的第一特征；将每个烟叶图像的第一特征输入到经过训练的第一模型，以便所述第一模型输出每个烟叶图像的烟叶预测等级以及所述烟叶预测等级的置信度；根据每个烟叶图像的烟叶预测等级以及所述烟叶预测等级的置信度，确定相应的烟叶图像中的烟叶的等级。
[0006]在一些实施例中，采集图像包括高光谱图像、多光谱图像或RGB图像中的任一种。
[0007]在一些实施例中，所述从采集图像中提取出多个烟叶图像包括：提取采集图像的图像特征；将所述采集图像的图像特征输入到经过训练的第二模型，以便所述第二模型输出采集图像中的每个烟叶的位置信息，其中，所述烟叶的位置信息包括烟叶的中心点位置坐标和偏置量；根据每个烟叶的位置信息，从采集图像中提取每个烟叶图像。
[0008]在一些实施例中，还包括：在烟叶图像中的烟叶预测等级小于预设阈值的情况下，获取所述烟叶图像的第三特征；将所述第三特征输入到经过训练的第三模型，以便所述第三模型输出所述烟叶图像中的烟叶的异常部位。
[0009]在一些实施例中，还包括：对分类机器学习模型进行训练，以得到第一模型；所述
对分类机器学习模型进行训练包括：将训练数据输入分类机器学习模型，以便得到第一结果，其中，所述训练数据包括多个烟叶图像的烟叶特征和烟叶等级；根据所述第一结果和所述烟叶等级确定的第一损失函数对所述分类机器学习模型进行训练，以得到第一模型。
[0010]在一些实施例中，还包括：对点回归机器学习模型进行训练，以得到第二模型；所述对点回归机器学习模型进行训练包括：将训练数据输入点回归机器学习模型，以便得到第二结果，其中，所述训练数据包括多个采集图像中的每个烟叶的烟叶特征和每个烟叶的位置信息；根据所述第二结果和所述位置信息确定的第二损失函数对所述点回归机器学习模型进行训练，以得到第二模型。
[0011]在一些实施例中，还包括：对语义回归机器学习模型进行训练，以得到第三模型；所述对语义回归机器学习模型进行训练包括：将训练数据输入语义回归机器学习模型，以便得到第三结果，其中，所述训练数据包括多个异常烟叶图像的异常烟叶特征和异常部位信息；根据所述第三结果和所述异常部位信息确定的第三损失函数对所述语义回归机器学习模型进行训练，以得到第三模型。
[0012]在一些实施例中，还包括：将所述第二模型和所述第三模型二者中的至少一个模型以及所述第一模型划分为一个或多个模块；将划分的模块存储到分布式存储系统中的相应节点上，并生成相应的链序信息。
[0013]根据本公开的另一些实施例，提供一种烟叶分级装置，包括：图像提取模块，被配置为从采集图像中提取出多个烟叶图像；特征获取模块，被配置为获取每个烟叶图像的第一特征；处理模块，被配置为将每个烟叶图像的第一特征输入到经过训练的第一模型，以便所述第一模型输出每个烟叶图像的烟叶预测等级以及所述烟叶预测等级的置信度；确定模块，被配置为根据每个烟叶图像的烟叶预测等级以及所述烟叶预测等级的置信度，确定相应的烟叶图像中的烟叶的等级。
[0014]根据本公开的又一些实施例，提供一种烟叶分级装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行任一实施例所述的烟叶分级方法。
[0015]根据本公开的又再一些实施例，提供一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的烟叶分级方法。
附图说明
[0016]下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍。根据下面参照附图的详细描述，可以更加清楚地理解本公开。
[0017]显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0018]图1是本专利技术实施例1的烟叶分级方法的流程示意图。
[0019]图2是本专利技术实施例2的从采集图像中提取出多个烟叶图像的流程示意图。
[0020]图3是本专利技术实施例4的烟叶分级方法的流程示意图。
[0021]图4是本专利技术实施例6的烟叶分级装置的示意图。
[0022]图5是本专利技术实施例7的烟叶分级装置的示意图。
具体实施方式
[0023]下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。
[0024]现在将参照附图来详细描述本公开的各种示例性实施例。对示例性实施例的描述仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。本公开可以以许多不同的形式实现，不限于这里所述的实施例。提供这些实施例是为了使本公开透彻且完整，并且向本领域技术人员充分表达本公开的范围。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、材料的组分和数值应被解释为仅仅是示例性的，而不是作为限制。
[0025]本公开中使用的“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。
[0026]本公开使用的所有术语（包括技术术语或者科学术语）与本公开所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
[0027]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种烟叶分级方法，包括：从采集图像中提取出多个烟叶图像；获取每个烟叶图像的第一特征；将每个烟叶图像的第一特征输入到经过训练的第一模型，以便所述第一模型输出每个烟叶图像的烟叶预测等级以及所述烟叶预测等级的置信度；根据每个烟叶图像的烟叶预测等级以及所述烟叶预测等级的置信度，确定相应的烟叶图像中的烟叶的等级。2.根据权利要求1所述的烟叶分级方法，所述采集图像包括高光谱图像、多光谱图像或RGB图像中的任一种。3.根据权利要求1所述的烟叶分级方法，其中，所述从采集图像中提取出多个烟叶图像包括：提取采集图像的图像特征；将所述采集图像的图像特征输入到经过训练的第二模型，以便所述第二模型输出采集图像中的每个烟叶的位置信息，其中，所述烟叶的位置信息包括烟叶的中心点位置坐标和偏置量；根据每个烟叶的位置信息，从采集图像中提取每个烟叶图像。4.根据权利要求1
‑
3任一所述的烟叶分级方法，还包括：在烟叶图像中的烟叶预测等级小于预设阈值的情况下，获取所述烟叶图像的第三特征；将所述第三特征输入到经过训练的第三模型，以便所述第三模型输出所述烟叶图像中的烟叶的异常部位。5.根据权利要求1所述的烟叶分级方法，还包括：对分类机器学习模型进行训练，以得到第一模型；所述对分类机器学习模型进行训练包括：将训练数据输入分类机器学习模型，以便得到第一结果，其中，所述训练数据包括多个烟叶图像的烟叶特征和烟叶等级；根据所述第一结果和所述烟叶等级确定的第一损失函数对所述分类机器学习模型进行训练，以得到第一模型。6.根据权利要求3所述的烟叶分级方法，其中，还包括：对点回归机器学习模型进行训练，以得到第二模型；所述对点回归机器学习模型进行训练包括：将训练数据输入点回归机器学习模型，以便得到第二结果，其中...

【专利技术属性】
技术研发人员：李嘉康，王道铨，李辉，李华杰，徐大勇，林志平，苏子淇，罗登炎，徐波，王锐亮，孟庆华，堵劲松，
申请(专利权)人：福建中烟工业有限责任公司，
类型：发明
国别省市：