System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及图像处理,尤其涉及一种烟叶分级方法、装置、存储介质及设备。
技术介绍
1、烟叶作为烟草制品的基础原料,其品质的好坏是决定后期烟草制品质量的关键因素。烟叶在生长、生产过程中受多种因素的影响,造成烟草品质优劣不一,为了最大限度的利用好烟草资源,提高其经济价值和使用价值,对烟叶品质进行分级已成为烟草制品生产中重要且必不可少的一个环节。
2、现有的烟叶分级方法通常包括两种:一种是通过人工进行烟叶分级,这种方法在人力成本和时间成本上消耗较大,且个人的主观性会导致分级的准确性有限,同时,当烟叶分级任务量较大时,分级人员在长时间的单调工作中,容易产生疲劳,也会影响分级效率和准确性;另一种是基于深度学习的分级方法,虽然相对于单纯依靠人工分级的方法来说,能够有效节约了人力成本,快速实现对烟叶品质的分级,但在烟叶分级任务中效果也并不算理想。
技术实现思路
1、本申请实施例的主要目的在于提供一种烟叶分级方法、装置、存储介质及设备,在烟叶进行分级时,能够有效提高分级效率和准确率。
2、本申请实施例提供了一种烟叶分级方法,包括:
3、获取待处理的目标烟叶图片;所述目标烟叶图片为包含目标烟叶的图片;
4、对所述目标烟叶图片进行预处理,使得预处理后的目标烟叶图片满足预设图片规格要求;
5、将所述预处理后的目标烟叶图片输入预先构建的烟叶分级模型,预测得到所述目标烟叶的分级结果;所述烟叶分级模型包括深度残差网络resnet、视觉转换器网络vit和
6、一种可能的实现方式中,所述将所述预处理后的目标烟叶图片输入预先构建的烟叶分级模型,预测得到所述目标烟叶的分级结果,包括:
7、将所述预处理后的目标烟叶图片输入所述烟叶分级模型的resnet网络,提取出所述目标烟叶图片对应的目标局部特征;
8、将所述目标局部特征输入所述烟叶分级模型的vit网络,提取出所述目标烟叶图片对应的目标全局特征;
9、将所述目标全局特征输入所述烟叶分级模型的分类层进行分级预测,得到所述目标烟叶的分级结果。
10、一种可能的实现方式中,所述resnet网络包括通道注意力层和空间注意力层;所述将所述预处理后的目标烟叶图片输入所述烟叶分级模型的resnet网络,提取出所述目标烟叶图片对应的目标局部特征,包括:
11、将所述预处理后的目标烟叶图片输入所述烟叶分级模型的resnet网络的残差结构,得到第一特征图;
12、将所述第一特征图输入所述resnet网络的通道注意力层,得到各通道特征图的权值;并利用所述各通道特征图的权值与所述第一特征图相乘,得到第二特征图;
13、将所述第二特征图输入所述resnet网络的空间注意力层,得到空间特征图的权值;并利用所述空间特征图的权值与所述第二特征图相乘,得到第三特征图;
14、将所述第三特征图和第一特征图进行求和计算,并将得到的计算结果作为所述目标烟叶图片对应的目标局部特征。
15、一种可能的实现方式中,所述烟叶分级模型的构建方式如下:
16、获取样本烟叶图片;所述样本烟叶图片为包含不同等级样本烟叶的图片;
17、对所述样本烟叶图片进行预处理,使得预处理后的样本烟叶图片满足预设图片规格要求;
18、将所述预处理后的样本烟叶图片输入初始烟叶分级模型,并利用所述模型预测的分级结果与所述样本烟叶的真实分级结果,计算目标损失函数的取值,直至所述取值满足预设条件,则停止模型参数的更新,训练得到所述烟叶分级模型;
19、其中,所述初始烟叶分级模型包括初始resnet网络、初始vit网络和分类层;所述初始resnet网络包括卷积层和残差注意力层;所述残差注意力层包括通道注意力层和空间注意力层;所述目标损失函数的取值用于约束模型参数的更新,以降低所述样本烟叶的真实分级结果与预测分级结果之间的差异。
20、一种可能的实现方式中,所述将所述预处理后的样本烟叶图片输入初始烟叶分级模型,并利用所述模型预测的分级结果与所述样本烟叶的真实分级结果,计算目标损失函数的取值,直至所述取值满足预设条件,则停止模型参数的更新,训练得到所述烟叶分级模型,包括:
21、将所述预处理后的样本烟叶图片输入所述初始烟叶分级模型的初始resnet网络进行局部特征提取,得到所述样本烟叶图片对应的样本局部特征;
22、将所述样本局部特征输入所述初始烟叶分级模型的初始vit网络进行全局特征提取,得到所述样本烟叶图片对应的样本全局特征;
23、将所述样本全局特征输入初始烟叶分级模型的分类层进行分级预测,得到所述样本烟叶图片对应的预测分级结果;
24、利用所述预测分级结果和所述样本烟叶的真实分级结果,计算目标损失函数的取值,并利用所述取值对初始烟叶分级模型进行分级训练,直至所述取值满足预设条件,则停止模型参数的更新,得到训练后的烟叶分级模型。
25、一种可能的实现方式中,所述目标损失函数为交叉熵损失函数。
26、一种可能的实现方式中,所述方法还包括:
27、获取验证烟叶图片;所述验证烟叶图片为包含不同等级验证烟叶的图片;
28、对所述验证烟叶图片进行预处理,使得预处理后的验证烟叶图片满足预设图片规格要求;
29、将所述预处理后的验证烟叶图片输入至所述烟叶分级模型进行分级预测,得到验证分级结果;
30、当所述验证分级结果与所述验证烟叶对应的真实分级结果不一致时,对所述烟叶分级模型进行更新。
31、本申请实施例还提供了一种烟叶分级装置,包括:
32、第一获取单元,用于获取待处理的目标烟叶图片;所述目标烟叶图片为包含目标烟叶的图片;
33、第一预处理单元,用于对所述目标烟叶图片进行预处理,使得预处理后的目标烟叶图片满足预设图片规格要求;
34、第一预测单元,用于将所述预处理后的目标烟叶图片输入预先构建的烟叶分级模型,预测得到所述目标烟叶的分级结果;所述烟叶分级模型包括深度残差网络resnet、视觉转换器网络vit和分类层;所述烟叶分级模型是基于初始化的resnet网络和vit网络,利用目标损失函数对样本烟叶图片进行分级训练得到的。
35、一种可能的实现方式中,所述第一预测单元包括:
36、第一提取子单元,用于将所述预处理后的目标烟叶图片输入所述烟叶分级模型的resnet网络,提取出所述目标烟叶图片对应的目标局部特征;
37、第二提取子单元,用于将所述目标局部特征输入所述烟叶分级模型的vit网络,提取出所述目标烟叶图片对应的目标全局特征;
38、第一预测子单元,用于将所述目标全局特征输入所述烟叶分级模型的分类层进行分级预测,得到所述目本文档来自技高网...
【技术保护点】
1.一种烟叶分级方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述将所述预处理后的目标烟叶图片输入预先构建的烟叶分级模型,预测得到所述目标烟叶的分级结果,包括:
3.根据权利要求2所述的方法,其特征在于,所述ResNet网络包括通道注意力层和空间注意力层;所述将所述预处理后的目标烟叶图片输入所述烟叶分级模型的ResNet网络,提取出所述目标烟叶图片对应的目标局部特征,包括:
4.根据权利要求1所述的方法,其特征在于,所述烟叶分级模型的构建方式如下:
5.根据权利要求4所述的方法,其特征在于,所述将所述预处理后的样本烟叶图片输入初始烟叶分级模型,并利用所述模型预测的分级结果与所述样本烟叶的真实分级结果,计算目标损失函数的取值,直至所述取值满足预设条件,则停止模型参数的更新,训练得到所述烟叶分级模型,包括:
6.根据权利要求4或5所述的方法,其特征在于,所述目标损失函数为交叉熵损失函数。
7.根据权利要求4所述的方法,其特征在于,所述方法还包括:
8.一种烟叶分级装置,其特征在于
9.一种烟叶分级设备,其特征在于,包括:处理器、存储器、系统总线;
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行权利要求1-7任一项所述的方法。
...【技术特征摘要】
1.一种烟叶分级方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述将所述预处理后的目标烟叶图片输入预先构建的烟叶分级模型,预测得到所述目标烟叶的分级结果,包括:
3.根据权利要求2所述的方法,其特征在于,所述resnet网络包括通道注意力层和空间注意力层;所述将所述预处理后的目标烟叶图片输入所述烟叶分级模型的resnet网络,提取出所述目标烟叶图片对应的目标局部特征,包括:
4.根据权利要求1所述的方法,其特征在于,所述烟叶分级模型的构建方式如下:
5.根据权利要求4所述的方法,其特征在于,所述将所述预处理后的样本烟叶图片输入初始烟叶分级模型,并利用所...
【专利技术属性】
技术研发人员:闫润强,李亚飞,邓柯珀,
申请(专利权)人:河南讯飞人工智能科技有限公司,
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。