一种基于深度学习的烟框烟叶等级判定方法与流程

1.本发明属于计算机机器视觉技术领域，特别涉及一种基于深度学习的烟框烟叶等级判定方法。


背景技术：

2.烟叶是烟草生产中的重要原料，其质量等级将直接影响到烟制品的优劣等级，不用的烟制品所选用的烟叶也不尽相同。由于受自然生长等其他因素的影响，不同烟叶往往在品质上存在着或多或少的差异。若将不经调制的混合在一起的烟叶进行出售，是不符合各种烟制品的要求的，也将使烟制品失去使用价值。
3.传统方法中烟叶分级主要是靠专家或者分级工进行眼看、手摸、鼻闻等传统方法来确定烟叶的质量优劣。
4.目前的方法是对烟叶的外观特征参数进行分析，例如颜色、油份、成熟度、残伤等，将这些指标进行数字化定量之后就可以实现分级的自动化，但是这种方法对参数指标的数字化还是依靠人工进行，效率比较低，结果往往不规范。


技术实现要素：

5.本发明是为了解决上述问题而进行的，目的在于提供一种基于深度学习的烟框烟叶等级判定方法。
6.为实现达到上述目的，本发明采用如下技术方案：
7.本发明提供一种基于深度学习的烟框烟叶等级判定方法，包括如下步骤：
8.步骤一、选取若干不同等级的烟叶作为样本，采集烟框内样本的烟叶图像；
9.步骤二、将采集得到烟叶图像按不同等级分类存储；
10.步骤三、构建预测模型，将分类后的烟叶图像进行预处理后输入预测模型中进行训练，得到训练好的预测模型；
11.步骤四、对于待测烟框烟叶等级判定，首先采集待测烟框烟叶的烟叶图像并对采集得到的图像进行步骤三相同的预处理，然后利用训练好的预测模型预测得到烟叶等级判定结果；
12.步骤五，输出判定结果。
13.进一步地，在本发明提供的基于深度学习的烟框烟叶等级判定方法中，还具有这样的特征：其中，步骤三中采用efficientnetb3模型作为骨干网络，在骨干网络之后添加transformer网络架构构建预测模型。
14.进一步地，在本发明提供的基于深度学习的烟框烟叶等级判定方法中，还具有这样的特征：其中，步骤三中对烟叶图像进行的预处理为将图像尺寸缩放到500*228像素大小。
15.进一步地，在本发明提供的基于深度学习的烟框烟叶等级判定方法中，还具有这样的特征：其中，步骤三中将预处理后的烟叶图像中80％作为训练集，20％作为验证集；步
pge-122s6c-c(filr，美国)，1200万全局曝光彩色相机。所用光源为：型号jl-lr-600x30w和jl-lr-700x30w(嘉励，中国)。打光方式：四周打光并配合顶部打光。成像设备安置在环形烟叶生产线上，采集方式为动态采集烟框内烟叶图像，成像设备为密封状态不受外界光源干扰。
33.本步骤中等级标准是通过专家人工判定按照上海烟草集团有限责任公司工业分级体系划分的五个等级，分别为：bk，c21，c22，c23，cxk，每个等级的烟叶样本各50kg。将不同等级烟叶样本装入对应的烟框中，按照每框烟叶5kg，摆放时按烟叶同一方向摆放，由于每次只能拍摄烟框表面的一层的烟叶图像，因此每框烟叶拍摄完后手动翻置框内烟叶，每框烟叶拍摄多张图像。
34.步骤二：将步骤一采集得到的烟叶图像进行等级标定，并按不同等级分类存储这些图像。
35.步骤三：构建模型，将分类后的烟叶图像进行预处理后输入模型中进行训练，得到训练好的模型。具体步骤过程如下：
36.步骤3-1：预处理及划分数据集：
37.对烟叶图像进行的预处理为将图像尺寸缩放到500*228像素大小。将预处理后的烟叶图像中80％作为训练集，20％作为验证集。
38.步骤3-2：构建预测模型：
39.采用efficientnetb3模型作为骨干网络，在骨干网络之后添加transformer网络架构构建预测模型。
40.transformer的核心算法为多头注意力机制，对于基于encoder-decoder框架的注意力机制，其attention是通过target中的query和source中的所有value求得的，学习的是target中的每个元素和source中的所有元素的相关度，而self-attention机制是学习source本身的每个元素和其他元素间的相似度。
41.本发明的预测模型将原始骨干网络进行了加宽，最后加一个全连接层。
42.本发明的预测模型使用softmax作为激活函数，输出预测结果为经过softmax函数归一化后的每一等级类别的概率值：
43.softmax函数如下：
[0044][0045]
上式中，zj表示第j个节点的输出值；k表示输出节点的个数，即分类的类别个数；e表示自然常数。
[0046]
步骤3-3：将训练集输入模型中进行若干批次的训练，并使用验证集筛选模型训练得到的权重，将最终的训练权重结果保存。
[0047]
模型训练过程中的所用损失函数如下：
[0048][0049]
上式中，n表示该批次样本数量，k表示标签个数，y
i,k
表示第i个样本为第k个标签的真实值，log表示自然对数，p
i,k
表示第i个样本预测为第k个标签值的概率。
[0050]
损失函数是用来估量模型的预测值与真实值的不一致程度，它是一个非负实值函数，损失函数越小，模型的鲁棒性就越好。
[0051]
步骤四：使用训练好的模型来对待测烟叶进行等级判定：
[0052]
步骤4-1：采集待测烟叶图像并对采集得到的图像进行步骤三相同的预处理。
[0053]
步骤4-2：将预处理后的待测烟叶图像作为模型的输入，加载步骤三中训练好的权重进行预测，输出每一等级类别的概率值，将概率值最大的等级类别作为最终定级结果。
[0054]
步骤五：将步骤四所得判定结果输出。
[0055]
《烟叶等级预测试验及效果分析》
[0056]
本试验中选取了2019年福建，河南产地的烟叶进行预测，首先通过专家人工判定等级被为bk、c21、c22、c23、cxk五类(实际等级)。
[0057]
采集这些烟框烟叶的烟叶图像使用本发明预测模型以及efficientnetb3模型分别进行等级判定。两种方式预测最终得到的预测等级数据如下：
[0058]
1.使用本发明的预测模型进行预测的预测结果
[0059]
表1河南烟叶预测结果
[0060][0061]
表2福建烟叶预测结果
[0062]
[0063][0064]
2.使用efficientnetb3模型进行预测的预测结果
[0065]
表3河南烟叶预测结果
[0066][0067]
表4福建烟叶预测结果
[0068][0069]
表1和表2的结果表明该基于深度学习的烟框烟叶等级判定方法分别达到94.59％、97.73％的较高平均准确率，可见该方法能较好地为框装烟叶进行分级。另外，根
据表1至表4可以看出，本发明的方法较之于仅采用单纯efficientnetb3模型，其对于框装烟叶等级判定的准确率有了进一步提高。
[0070]
上述实施例仅为本发明的具体实施例，并不用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。