本说明书实施例提供了一种用于烟梗回潮前水分仪零位识别的深度神经网络建立方法及装置，其中，方法包括：采集生产过程中不同零位下烟梗图像；基于所述不同零位下烟梗图像建立常用零位数据库；建立用于烟梗回潮前水分仪零位识别的深度神经网络；通过随机抽样的方法，将所述常用零位数据库中的数据以预定比例分为训练集和测试集；采用训练集对所述深度神经网络进行训练，并采用测试集对所述深度神经网络进行烟梗回潮前水分仪零位的识别准确率的验证。验证。验证。
【技术实现步骤摘要】
烟梗回潮前零位识别的深度神经网络建立方法及装置
[0001]本文件涉及水分测量领域中的零位校准
，尤其涉及一种用于烟梗回潮前水分仪零位识别的深度神经网络建立方法及装置。
技术介绍
[0002]现阶段烟梗回潮前水分仪零位识别是在生产过程中，由检验员在线取样，然后通过烘箱法测出烟梗的水分，再比较实测水分和现场水分仪显示水分来确定水分仪零位值；从采样到计算，得到水分仪零位，整个过程需要六个小时以上。这样，当来料烟梗发生变化时，零位调整滞后很长时间；在这个滞后的时间段中间，生产没有停止，水分仪零位没有调整，影响烟梗回潮入口水分显示，进而影响烟梗回潮水分调整，造成产品质量问题。
技术实现思路
[0003]本专利技术的目的在于提供一种用于烟梗回潮前水分仪零位识别的深度神经网络建立方法及装置，旨在解决现有技术中的上述问题。
[0004]本专利技术提供一种用于烟梗回潮前水分仪零位识别的深度神经网络建立方法，包括：
[0005]采集生产过程中不同零位下烟梗图像；
[0006]基于所述不同零位下烟梗图像建立常用零位数据库；
[0007]建立用于烟梗回潮前水分仪零位识别的深度神经网络；
[0008]通过随机抽样的方法，将所述常用零位数据库中的数据以预定比例分为训练集和测试集；
[0009]采用训练集对所述深度神经网络进行训练，并采用测试集对所述深度神经网络进行烟梗回潮前水分仪零位的识别准确率的验证。
[0010]本专利技术提供一种用于烟梗回潮前水分仪零位识别的深度神经网络建立装置，包括：
[0011]采集模块，用于采集生产过程中不同零位下烟梗图像；
[0012]数据库模块，用于基于所述不同零位下烟梗图像建立常用零位数据库；
[0013]建立模块，用于建立用于烟梗回潮前水分仪零位识别的深度神经网络；
[0014]数据准备模块，用于通过随机抽样的方法，将所述常用零位数据库中的数据以预定比例分为训练集和测试集；
[0015]训练模块，用于采用训练集对所述深度神经网络进行训练，并采用测试集对所述深度神经网络进行烟梗回潮前水分仪零位的识别准确率的验证。
[0016]采用本专利技术实施例，引入颜色直方图和机器学习中的深度神经网络，将水分仪的零位调整，从检验员取样检测，变为在线实时检测，消除了水分仪零位调教的滞后性，保障了产品质量。
附图说明
[0017]为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，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的用于烟梗回潮前水分仪零位识别的深度神经网络建立方法的流程图；
[0019]图2是本专利技术实施例的神经网络中的一个神经元的示意图；
[0020]图3是本专利技术实施例的多层神经网络图；
[0021]图4是本专利技术实施例的用于烟梗回潮前水分仪零位识别的深度神经网络建立方法的详细处理的流程图；
[0022]图5是本专利技术实施例的用于烟梗回潮前水分仪零位识别的深度神经网络建立装置的示意图。
具体实施方式
[0023]为了使本
的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
[0024]方法实施例
[0025]根据本专利技术实施例，提供了一种用于烟梗回潮前水分仪零位识别的深度神经网络建立方法，图1是本专利技术实施例的用于烟梗回潮前水分仪零位识别的深度神经网络建立方法的示意图，如图1所示，根据本专利技术实施例的用于烟梗回潮前水分仪零位识别的深度神经网络建立方法具体包括：
[0026]步骤S101，采集生产过程中不同零位下烟梗图像；具体包括：
[0027]在烟梗回潮前电子秤上拍摄烟梗经过的视频或使用高速照相机拍摄图像，将视频分解为单张图像，高速照相机拍摄图像直接使用，获取不同零位下烟梗图像。
[0028]步骤S102，基于所述不同零位下烟梗图像建立常用零位数据库；具体包括：
[0029]将不同零位下烟梗图像的颜色格式从RGB转换为更能突出颜色特征的HSV格式；
[0030]将HSV格式的图像转换为颜色直方图；
[0031]将颜色直方图的三个通道的数据从三维且每个维度256个数据转换为一维768个数据并保存
[0032]将三种零位和单个一维数据一一对应，建立一列多行标记数据并保存为表格数据，建立常用零位数据库。
[0033]步骤S103，建立用于烟梗回潮前水分仪零位识别的深度神经网络；具体包括：
[0034]建立用于烟梗回潮前水分仪零位识别的深度神经网络，其中，所述深度神经网络最左边的是输入层，最右边的是输出层，中间是多个隐含层，输入层为所述常用零位数据库中的颜色直方图的一维数据，隐藏层通过激活函数进行传递和拟合，并根据梯度下降法方法进行反向传播，最后传递给输出层进行最终的输出，输出层的输出为标记的图像对应的零位值；
[0035]在中间神经元上加上权重θ，建立多层神经网络，从输入层开始，从左往右计算，逐层往前直到输出层产生结果，如果结果值和目标值有差距，再从右往左算，逐层向后计算每个节点的误差，并且调整每个节点的所有权重，反向到达输入层后，又重新向前计算，重复迭代以上步骤，直到所有权重参数收敛到一个合理值，先随机选取参数，然后不断调整参数减少误差直到逼近正确值。
[0036]步骤S104，通过随机抽样的方法，将所述常用零位数据库中的数据以预定比例分为训练集和测试集；具体包括：
[0037]读取所述常用零位数据库中的一维数据和表格标签数据，并合并为一一对应的矩阵数据，通过随机抽样的方法，将所述常用零位数据库三种常用水分仪零位数据以3:1分为两部分：即训练集和测试集，其中，训练集用于模型进行有监督学习，测试集用于评价模型的精确度。
[0038]步骤S105，采用训练集对所述深度神经网络进行训练，并采用测试集对所述深度神经网络进行烟梗回潮前水分仪零位的识别准确率的验证。
[0039]执行了上述处理后，所述方法进一步包括：通过训练好的所述深度神经网络对烟梗回潮前水分仪零位进行识别。
[0040]以下结合附图，对本专利技术实施例的上述技术方案进行详细说明。
[0041]如图2
‑
4所示，本专利技术提供一种基于深度神经网络的烟梗回潮前水分仪零位识别方法，包括以下步骤：
[0042]步骤一、在生产过程中，采集三种常用零位(
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于烟梗回潮前水分仪零位识别的深度神经网络建立方法，其特征在于，包括：采集生产过程中不同零位下烟梗图像；基于所述不同零位下烟梗图像建立常用零位数据库；建立用于烟梗回潮前水分仪零位识别的深度神经网络；通过随机抽样的方法，将所述常用零位数据库中的数据以预定比例分为训练集和测试集；采用训练集对所述深度神经网络进行训练，并采用测试集对所述深度神经网络进行烟梗回潮前水分仪零位的识别准确率的验证。2.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：通过训练好的所述深度神经网络对烟梗回潮前水分仪零位进行识别。3.根据权利要求1所述的方法，其特征在于，采集生产过程中不同零位下烟梗图像具体包括：在烟梗回潮前电子秤上拍摄烟梗经过的视频或使用高速照相机拍摄图像，将视频分解为单张图像，高速照相机拍摄图像直接使用，获取不同零位下烟梗图像。4.根据权利要求1所述的方法，其特征在于，基于所述不同零位下烟梗图像建立常用零位数据库具体包括：将不同零位下烟梗图像的颜色格式从RGB转换为更能突出颜色特征的HSV格式；将HSV格式的图像转换为颜色直方图；将颜色直方图的三个通道的数据从三维且每个维度256个数据转换为一维768个数据并保存将三种零位和单个一维数据一一对应，建立一列多行标记数据并保存为表格数据，建立常用零位数据库。5.根据权利要求4所述的方法，其特征在于，建立用于烟梗回潮前水分仪零位识别的深度神经网络具体包括：建立用于烟梗回潮前水分仪零位识别的深度神经网络，其中，所述深度神经网络最左边的是输入层，最右边的是输出层，中间是多个隐含层，输入层为所述常用零位数据库中的颜色直方图的一维数据，隐藏层通过激活函数进行传递和拟合，并根据梯度下降法方法进行反向传播，最后传递给输出层进行最终的输出，输出层的输出为标记的图像对应的零位值；在中间神经元上加上权重θ，建立多层神经网络，从输入层开始，从左往右计算，逐层往前直到输出层产生结果，如果结果值和目标值有差距，再从右往左算，逐层向后计算每个节点的误差，并且调整每个节点的所有权重，反向到达输入层后，又重新向前计算，重复迭代以上步骤，直到所有权重参数收敛到一个合理值，先随机选取参数，然后不断调整参数减少误差直到逼近正确值。6.根据权利要求4所述的方法，其特征在于，通过随机抽样的方法，将所述常用零位数
据库中的数据以预定比例分为训练集和测试集具体包括：读取所述常用零位数据库中的一维数据和表格标签数据，并合并为一一对应的矩阵数据，通过随机抽样的方法，将所述常用零位数据库三种常用水分仪零位数据以3:1分为两部分：即训练集和测试集，其...
【专利技术属性】
技术研发人员：薛珺，
申请(专利权)人：甘肃烟草工业有限责任公司，
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。