一种面向不同生产期的烟草种类识别方法技术

本发明专利技术公开了一种面向不同生产期的烟草种类识别方法，包括以下步骤：

【技术实现步骤摘要】
一种面向不同生产期的烟草种类识别方法


[0001]本专利技术涉及烟草分类识别
，具体为一种面向不同生产期的烟草种类识别方法
。

技术介绍

[0002]现有图像分类研究主要为通过各种优化方式来提高模型的分类性能
。
如采用一种改进
ResNet
的藏药植物图像分类算法提高在小
batch size
的情况下的性能
、
通过更改参数
bootstrapping
和
maxout
提高模型分类性能
、
采用多种数据增强方法来避免过拟合问题并提高性能等
。
但往往存在其他的不足之处没有优化如对于
ResNet50
网络中，对一个
batch size
内的数据特征进行标准化，当
batch size
较小时，标准化后的数据特征不能代表全局数据分布，统计量的估计会不准确
。
[0003]目前烟草品种识别方式的主要问题在于其效率低
、
覆盖面窄
、
容易产生误差等方面
。
人工巡查和抽检的方式需要大量的人力物力投入，而且专业性要求高，需要配备专业人员进行识别
。
此外，人工识别方式也难以实现对大规模烟草种植的全面识别，容易出现盲区，存在数据收集和管理等问题，数据的准确性
、
实时性和完备性难以保证
。

技术实现思路

[0004]为了解决上述问题，本专利技术提供一种面向不同生产期的烟草种类识别方法，包括以下步骤：
S1.
通过
ResNet50
网络建立烟草识别模型；
S2.
将待识别的烟草图像数据传入烟草识别模型；
S3.
对传入的图像数据进行预处理并对特征值进行提取；
S4.
依据提取出的特征进行烟草识别，并将识别结果输出
。
[0005]进一步地，所述
S1
步骤包括以下子步骤：
S11.
将
ResNet50
网络作为基础网络建立初步烟草识别模型；
S12.
利用中心损失函数和自适配归一化对烟草识别模型中的损失函数和网络归一化层进行优化；
S13.
在优化后的烟草识别模型中引入通道注意力协同模块和注意力擦除模块进行再优化
。
[0006]进一步地，所述
S1
步骤中还包括一个对烟草识别模型进行校验修改的步骤：
S14.
传入样本数据进行模型验证及对模型进行校正
。
[0007]进一步地，所述中心损失函数
L
cen
公式为：其中，
m
为烟草样本数量，
C
yi
为第
y
i
类烟草品种的特征中心，
x
i
为待识别的烟草数量
。
[0008]进一步地，所述通道注意力模块用于观测同类图像中的共同特征；所述注意力擦除模块用于将图像数据中非重要的数据进行擦除
。
[0009]进一步地，所述待识别的烟草图像数据大小为
512x 512。
[0010]进一步地，所述烟草识别模型存在评价指标对识别结果进行评判；所述评价指标包括：烟草识别的准确率
、
精度
、
精度均值；其中，准确率
、
精度和精度均值的值越大，烟草识别模型精度越高
。
[0011]进一步地，所述准确度
Accuracy、
精度
AP、
精度均值
mAP
的计算公式分别为：
其中，
a
i
为每一类烟草预测正确的数量，
number
i
为每一类烟草的样本总数，
n
为烟草类别数
。
[0012]本专利技术提供了一种面向不同生产期的烟草种类识别方法，具有以下有益效果：
[0013]本专利技术通过建立数字图像识别技术烟草品种识别平台，使烟叶数据分析的过程透明化，让烟叶数据的分析符合逻辑，并且能够将整合完成的数据对外提供接口进行数据的共享，实现对烟草品种的准确识别和分类
、
对大规模烟草种植的全面监管以及数据的自动采集和管理
。
附图说明
[0014]为了更清楚地说明本专利技术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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图
。
[0015]图1为本专利技术提供的方法流程图
。
具体实施方式
[0016]应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术
。
[0017]以下结合附图对本专利技术的实施方法进行详细说明，所描述的仅为部分实施例，并非全部实施例，为了清楚的目的，在附图及说明中省略了与本专利技术无关的表示及描述
。
[0018]为了对本专利技术的技术特征
、
目的和有益效果有更加清楚的理解，现对本专利技术的技术方案精选以下详细说明
。
显然，所描述的实施案例是本专利技术一部分实施例，而不是全部实施例，不能理解为对本专利技术可实施范围的限定
。
基于本专利技术的实施例，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其他所有实施例，都属于本专利技术的保护范围
。
[0019]如图1所示，本专利技术提供一种面向不同生产期的烟草种类识别方法，包括以下步骤：
S1.
通过
ResNet50
网络建立烟草识别模型；
S2.
将待识别的烟草图像数据传入烟草识别模型；
S3.
对传入的图像数据进行预处理并对特征值进行提取；
S4.
依据提取出的特征进行烟草识别，并将识别结果输出
。
[0020]其中，
S1
步骤包括以下子步骤：
S11.
将
ResNet50
网络作为基础网络建立初步烟草识别模型；
S12.
利用中心损失函数和自适配归一化对烟草识别模型中的损失函数和网络归一化层进行优化；
S13.
在优化后的烟草识别模型中引入通道注意力协同模块和注意力擦除模块进行再优化
。S1
步骤中还包括一个对烟草识别模型进行校验修改的步骤：
S14.
传入样本数据进行模型验证及对模型进行校正
。
[0021]中心损失函数
L
cen
公式为：其中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种面向不同生产期的烟草种类识别方法，其特征在于，包括以下步骤：
S1.
通过
ResNet50
网络建立烟草识别模型；
S2.
将待识别的烟草图像数据传入烟草识别模型；
S3.
对传入的图像数据进行预处理并对特征值进行提取；
S4.
依据提取出的特征进行烟草识别，并将识别结果输出
。2.
根据权利要求1所述的面向不同生产期的烟草种类识别方法，其特征在于，所述
S1
步骤包括以下子步骤：
S11.
将
ResNet50
网络作为基础网络建立初步烟草识别模型；
S12.
利用中心损失函数和自适配归一化对烟草识别模型中的损失函数和网络归一化层进行优化；
S13.
在优化后的烟草识别模型中引入通道注意力协同模块和注意力擦除模块进行再优化
。3.
根据权利要求2所述的面向不同生产期的烟草种类识别方法，其特征在于，所述
S1
步骤中还包括一个对烟草识别模型进行校验修改的步骤：
S14.
传入样本数据进行模型验证及对模型进行校正
。4.
根据权利要求2所述的面向不同生产期的烟草种类识别方法，其特征在于，所述中心损失函数
L
cen
公式为：其中，
m
...

【专利技术属性】
技术研发人员：张永辉，王李芳，徐传涛，王飞，雷晓，顾勇，夏春，刘海兵，齐琳，胡刚，李斌，谢云波，曹新彬，刘永建，鲁黎明，罗旭，简思春，
申请(专利权)人：中国烟草总公司四川省公司成都淞幸科技有限责任公司，
类型：发明
国别省市：