本发明专利技术涉及一种基于图像技术和深度学习融合的烤烟分级方法及系统，包括以下步骤：S1：图像采集，利用工业相机对传送带上的烟叶进行拍照，并保存；S2：图像预处理，利用图像分割算法对采集到的照片进行分割；S3：搭建卷积神经网络，并利用预处理后的图像对卷积神经网络模型进行训练；S4：对模型进行剪枝量化处理，并在工控机上完成对模型的推理部署。本发明专利技术将传统视觉算法和深度学习进行融合，这样既保证了算法的稳定可靠性，同时又利用了深度学习强泛化性的优点，使得分级算法有很高的鲁棒性。在具体建模的过程中，我们采取了数据增强，标签平滑，网络剪枝量化，小样本迁移学习的手段来保证模型精度和性能的平衡性。证模型精度和性能的平衡性。证模型精度和性能的平衡性。
【技术实现步骤摘要】
一种基于图像技术和深度学习融合的烤烟分级方法及系统
[0001]本专利技术涉及请涉及烟草
，具体涉及一种基于图像技术和深度学习融合的烤烟分级方法及系统。
技术介绍
[0002]目前在烟草行业中，对于烤干出炉后的烟叶，需要将其回软到水分适时下竿（解烟），再按烟叶质量优劣进行分级。分级的目的是把不同质量的烟叶分开，使每个等级、每把烟叶具有相对一致的质，以便于卷烟企业选用，便于按质论价。烟叶分级技术性，涉及的内容较多，包括部颜色、成熟度、组织结构、身份、油份、色度、宽度、长度、残伤和破损等诸多方面。
[0003]但是目前对于烟叶的分拣分类，基本上都是由分拣员进行人工分拣，而由于分拣员的主观判断标准不统一，容易造成分拣结果不一致，从而导致烤烟质量分级参差不齐。同时，传统的人工烤烟分拣需要大量的人力，也是在人力成本和时间成本上的极大浪费。
技术实现思路
[0004]本专利技术提供的一种基于图像技术和深度学习融合的烤烟分级方法及系统，能够解决上述过程中的技术问题。
[0005]本专利技术解决上述技术问题的技术方案如下：第一方面，本专利技术提供了一种基于图像技术和深度学习融合的烤烟分级方法，包括以下步骤：S1：图像采集，利用工业相机对传送带上的烟叶进行拍照，并保存；S2：图像预处理，利用图像分割算法对采集到的照片进行分割；S3：搭建卷积神经网络，并利用预处理后的图像对卷积神经网络模型进行训练；S4：对模型进行剪枝量化处理，并在工控机上完成对模型的推理部署。
[0006]在一些实施例中，所述步骤S2的具体过程为：S21：获取照片中传送带的RGB颜色；S22：将RGB色彩空间的照片转换到HSV色彩空间；S23：将传送带的RGB颜色转换为HSV颜色阈值；S24：根据HSV颜色阈值对照片进行分割，获取烟叶图像。
[0007]在一些实施例中，所述步骤S3包括：S31：搭建ConvNeXt神经网络；S32：输入预处理图像，经过卷积层、下采样层、全连接层，得到输出结果；S33：计算输出结果与目标结果之间的误差值，并与期望值比较；S34：若误差值大于期望值，将误差值传回ConvNeXt神经网络，分别计算全连接层、下采样层以及卷积层各自的误差，并更新权值，然后进入步骤S32；若误差小于期望值，则停止训练；
其中，所述ConvNeXt神经网络包括依次堆叠的Stem层、3个逆瓶颈层、下采样层、3个逆瓶颈层、下采样层、9个逆瓶颈层、下采样层、3个逆瓶颈层、下采样层、全连接层以及输出层；所述Stem层由一个卷积核大小为4
×
4、步长为4的2d卷积层以及layernorm层组成；所述逆瓶颈层由7
×
7的分组卷积、layernorm层、1
×
1卷积层、GELU激活函数、1
×
1卷积层依次级联而成；所述下采样层由layernorm层和卷积核大小与步长均为2的卷积层组成。
[0008]在一些实施例中，在进行所述步骤S32之前，需要对图像数据进行数据增广处理，具体步骤为：S310：生成一个和图像数据分辨率相同的mask图像；S311：将mask图像与原图像数据相乘，完成图像数据的数据增广操作。
[0009]在一些实施例中，所述步骤S4中“剪枝”的具体过程为：S411：利用LassoRegression，找到模型中的冗余通道，并剪除；S412：利用线性最小二乘法模型重建剩余通道的输出。
[0010]在一些实施例中，所述步骤S4中“量化”的具体过程为：S421：获取模型的激活值和权重；S422：利用饱和量化或不饱和量化对模型激活值以及权重进行量化处理。
[0011]第二方面，本专利技术提供了一种基于图像技术和深度学习融合的烤烟分级系统，包括：图像采集模块，用于图像采集，利用工业相机对传送带上的烟叶进行拍照，并保存；图像预处理模块，用于图像预处理，利用图像分割算法对采集到的照片进行分割；模型搭建模块，用于搭建卷积神经网络，并利用预处理后的图像对卷积神经网络模型进行训练；剪枝量化部署模块，用于对模型进行剪枝量化处理，并在工控机上完成对模型的推理部署。
[0012]在一些实施例中，所述图像预处理模块包括：颜色获取子模块，用于获取照片中传送带的RGB颜色；HSV转换子模块，用于将RGB色彩空间的照片转换到HSV色彩空间；颜色阈值获取子模块，用于将传送带的RGB颜色转换为HSV颜色阈值；图像分割子模块，用于根据HSV颜色阈值对照片进行分割，获取烟叶图像。
[0013]在一些实施例中，所述模型搭建模块包括：ConvNeXt子模块，用于搭建ConvNeXt神经网络；输入训练子模块，用于输入预处理图像，经过卷积层、下采样层、全连接层，得到输出结果；误差计算子模块，用于计算输出结果与目标结果之间的误差值，并与期望值比较；期望值判断子模块，用于若误差值大于期望值，将误差值传回ConvNeXt神经网络，分别计算全连接层、下采样层以及卷积层各自的误差，并更新权值，然后进入步骤S32；若误差小于期望值，则停止训练。
[0014]在一些实施例中，所述模型搭建模块还包括：mask图像生成子模块，用于生成一个和图像数据分辨率相同的mask图像；
数据增广子模块，用于将mask图像与原图像数据相乘，完成图像数据的数据增广操作。
[0015]本申请的有益效果是：本专利技术采用了一种基于图像技术和深度学习融合的烤烟分级方法及系统，基于ConvNeXt神经网络模型，对采集到的烟叶图像数据进行图像分割、数据增广等预处理，再将预处理后的图像数据输入ConvNeXt神经网络模型进行训练，训练完成之后，还对ConvNeXt神经网络模型进行剪枝以及量化处理，便于模型部署的同时，还增加了模型的运行速度。此外，本方案将传统视觉算法和深度学习进行融合，这样既保证了算法的稳定可靠性，同时又利用了深度学习强泛化性的优点，使得分级算法有很高的鲁棒性。在具体建模的过程中，我们采取了数据增强，标签平滑，网络剪枝量化，小样本迁移学习的手段来保证模型精度和性能的平衡性。
附图说明
[0016]图1为本申请的一种基于图像技术和深度学习融合的烤烟分级方法流程图；图2为本申请步骤S2的子流程图；图3为本申请步骤S3的子流程图；图4为本申请步骤S32之前步骤的子流程图；图5为本申请步骤S4中“剪枝”步骤的子流程图；图6为本申请步骤S4中“量化”步骤的子流程图；图7为本申请中通道剪枝示意图。
具体实施方式
[0017]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0018]为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本公开，而非对本申请的限定。基于所描述的本申请的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。
[001本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于图像技术和深度学习融合的烤烟分级方法，其特征在于，包括以下步骤：S1：图像采集，利用工业相机对传送带上的烟叶进行拍照，并保存；S2：图像预处理，利用图像分割算法对采集到的照片进行分割；S3：搭建卷积神经网络，并利用预处理后的图像对卷积神经网络模型进行训练；S4：对模型进行剪枝量化处理，并在工控机上完成对模型的推理部署。2.根据权利要求1所述的一种基于图像技术和深度学习融合的烤烟分级方法，其特征在于，所述步骤S2的具体过程为：S21：获取照片中传送带的RGB颜色；S22：将RGB色彩空间的照片转换到HSV色彩空间；S23：将传送带的RGB颜色转换为HSV颜色阈值；S24：根据HSV颜色阈值对照片进行分割，获取烟叶图像。3.根据权利要求1所述的一种基于图像技术和深度学习融合的烤烟分级方法，其特征在于，所述步骤S3包括：S31：搭建ConvNeXt神经网络；S32：输入预处理图像，经过卷积层、下采样层、全连接层，得到输出结果；S33：计算输出结果与目标结果之间的误差值，并与期望值比较；S34：若误差值大于期望值，将误差值传回ConvNeXt神经网络，分别计算全连接层、下采样层以及卷积层各自的误差，并更新权值，然后进入步骤S32；若误差小于期望值，则停止训练；其中，所述ConvNeXt神经网络包括依次堆叠的Stem层、3个逆瓶颈层、下采样层、3个逆瓶颈层、下采样层、9个逆瓶颈层、下采样层、3个逆瓶颈层、下采样层、全连接层以及输出层；所述Stem层由一个卷积核大小为4
×
4、步长为4的2d卷积层以及layernorm层组成；所述逆瓶颈层由7
×
7的分组卷积、layernorm层、1
×
1卷积层、GELU激活函数、1
×
1卷积层依次级联而成；所述下采样层由layernorm层和卷积核大小与步长均为2的卷积层组成。4.根据权利要求3所述的一种基于图像技术和深度学习融合的烤烟分级方法，其特征在于，在进行所述步骤S32之前，需要对图像数据进行数据增广处理，具体步骤为：S310：生成一个和图像数据分辨率相同的mask图像；S311：将mask图像与原图像数据相乘，完成图像数据的数据增广操作。5.根据权利要求1所述的一种基于图像技...
【专利技术属性】
技术研发人员：周园，
申请(专利权)人：成都寒芒科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。