一种烟叶霉变检测方法及装置与流程

1.本技术涉及计算机技术领域，尤其涉及一种烟叶霉变检测方法及装置。


背景技术：

2.现有技术通过拍摄烟叶照片，并通过计算机识别烟叶照片，确定烟叶是否产生霉变。但是此方法无法识别烟叶的邻近霉变状态和烟叶的内部霉变状态，造成识别烟叶霉变的准确率低的技术问题。


技术实现要素：

3.有鉴于此，本技术的目的在于至少提供一种烟叶霉变检测方法及装置，通过训练神经网络模型，将烟叶的光学数据输入训练好的神经网络模型就可以确定霉变等级，解决了现有技术中烟叶霉变检测准确率低的技术问题，达到了提高烟叶霉变检测准确率的技术效果。
4.本技术主要包括以下几个方面：
5.第一方面，本技术实施例提供一种烟叶霉变检测方法，该烟叶霉变检测方法包括：获取每份烟叶样本对应的光学数据；光学数据用于描述每份烟叶样本对预设波长范围的光线的反射情况；将每份烟叶样本对应的烟叶种类、产地和光学数据作为样本数据，将每份烟叶样本对应的霉变等级作为标签对神经网络数学模型进行训练；将待检测烟叶对应的实际光学数据、实际烟叶种类和实际产地输入至训练好的神经网络数学模型，得到待检测烟叶的实际霉变等级。
6.可选地，获取每份烟叶样本对应的光学数据包括：获取照射每份烟叶样本而产生的反射光，过滤出预设波长范围的反射光；将预设波长范围的反射光通过光栅，得到预设数量的不同波长范围的反射光；获取预设数量的不同波长范围的反射光的反射率数据；根据反射率数据生成每份烟叶样本对应的光学数据。
7.可选地，根据反射率数据生成每份烟叶样本对应的光学数据包括：获取反射率数据对应的光学图片；将光学图片的像素大小的宽度、像素大小的高度和三基色rgb数据的三维矩阵转换为一维向量，将一维向量确定为每份烟叶样本对应的光学数据。
8.可选地，神经网络数学模型的训练过程包括：将烟叶样本的对应烟叶种类、产地、光学数据和霉变等级输入神经网络数学模型进行训练；根据训练结果预测到的每份烟叶样本的预测霉变等级与每份烟叶样本对应的霉变等级更新神经网络数学模型的权重；重新将烟叶样本的对应烟叶种类、产地、和光学数据输入至更新的神经网络数学模型，直至神经网络数学模型到达收敛状态或迭代次数满足预设迭代次数，神经网络数学模型训练完成。
9.可选地，根据训练结果预测到的每份烟叶样本的预测霉变等级与每份烟叶样本对应的霉变等级更新神经网络数学模型的权重包括：根据训练结果预测到的每份烟叶样本的预测霉变等级与每份烟叶样本对应的霉变等级确定预测错误的样本；根据预测错误的样本，计算错误率；根据错误率计算错误参数；根据错误参数和预测霉变等级更新神经网络数
学模型的权重。
10.可选地，根据错误参数和预测霉变等级更新神经网络数学模型的权重包括：若预测霉变等级与霉变等级相同，则将指数的负错误参数次幂与神经网络数学模型的原权重相乘，确定为更新的神经网络数学模型的权重；若预测霉变等级与霉变等级不同，则将指数的错误参数次幂与神经网络数学模型的原权重相乘，确定为更新的神经网络数学模型的权重。
11.可选地，霉变等级包括霉变、轻微霉变、非霉变。
12.第二方面，本技术实施例还提供一种烟叶霉变检测装置，烟叶霉变检测装置包括：获取模块，用于获取每份烟叶样本对应的光学数据；光学数据用于描述每份烟叶样本对预设波长范围的光线的反射情况；训练模块，用于将每份烟叶样本对应的烟叶种类、产地和光学数据作为样本数据，将每份烟叶样本对应的霉变等级作为标签对神经网络数学模型进行训练；应用模块，用于将待检测烟叶对应的实际光学数据、实际烟叶种类和实际产地输入至训练好的神经网络数学模型，得到待检测烟叶的实际霉变等级。
13.第三方面，本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，存储器存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储器之间通过总线进行通信，机器可读指令被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中的烟叶霉变检测方法的步骤。
14.第四方面，本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中的烟叶霉变检测的步骤。
15.本技术实施例提供的一种烟叶霉变检测方法及装置，获取每份烟叶样本对应的光学数据；光学数据用于描述每份烟叶样本对预设波长范围的光线的反射情况；将每份烟叶样本对应的烟叶种类、产地和光学数据作为样本数据，将每份烟叶样本对应的霉变等级作为标签对神经网络数学模型进行训练；将待检测烟叶对应的实际光学数据、实际烟叶种类和实际产地输入至训练好的神经网络数学模型，得到待检测烟叶的实际霉变等级。本技术通过训练神经网络模型，将烟叶的光学数据输入训练好的神经网络模型就可以确定霉变等级，解决了现有技术中烟叶霉变检测准确率低的技术问题，达到了提高烟叶霉变检测准确率的技术效果。
16.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
17.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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获得其他相关的附图。
18.图1示出了本技术实施例所提供的一种烟叶霉变检测方法的流程图。
19.图2示出了本技术实施例所提供的获取每份烟叶样本对应的光学数据的步骤的流程图。
20.图3示出了本技术实施例所提供的一种烟叶霉变检测装置的功能模块图。
21.图4示出了本技术实施例所提供的一种电子设备的结构示意图。
具体实施方式
22.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解，本技术中的附图仅起到说明和描述的目的，并不用于限定本技术的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本技术中使用的流程图示出了根据本技术的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本技术内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
23.另外，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本技术保护的范围。
24.现有技术是通过识别烟叶图片来判断烟叶是否产生霉变，进而导致很多表面未产生霉变而内部产生霉变的烟叶无法检测到。
25.基于此，本技术实施例提供了一种烟叶霉变检测方法及装置，训练神经网络模型，将烟叶的光学数据输入训练好的神经网络模型就可以确定霉变等级，解决了现有技术中烟叶霉变检测准确率低的技术问题，达到了提高烟叶霉变检测准确率的技术效果，具体如下：
26.请参阅图1，图1为本技术实施例所提供的一种烟叶霉变检测方法的流程图。如图1所示，本技术实施例提供的烟叶霉变检测方法，包括以下步骤：
27.s101、获取每份烟叶样本对应的光学数据。
28.光学数据用于描述每份烟叶样本对预设波长范围的光线的反射情况。
29.获取每份烟叶样本对应的光学数据包括：
30.请参阅图2，图2示出了本技术实施例所提供的获取每份烟叶样本对应的光学数据的步骤的流程图。如图2所示，本技术实施例提供的获取每份烟叶样本对应的光学数据，包括以下步骤：
31.s1011、获取照射每份烟叶样本而产生的反射光，过滤出预设波长范围的反射光。
32.由于烟叶产生霉变或者临近产生霉变会产生特定的化学物质，这些特定的化学物质会使反射光出现差异。因此，需要获取照射每份烟叶样本而产生的反射光。
33.使用光谱设备照射烟叶，烟叶吸收光谱设备发出的入射光并形成反射光，需要从反射光中过滤出部分近红外光。
34.预设波长范围一般设置为1000nm～2500nm。
35.s1012、将预设波长范围的反射光通过光栅，得到预设数量的不同波长范围的反射光。
36.预设数量一般设置为200。
37.也就是说，将预设波长范围为1000nm～2500nm的反射光通过光栅，得到200个不同
波长范围的反射光。
38.s1013、获取预设数量的不同波长范围的反射光的反射率数据。
39.也就是说，每个波长范围对应一个反射率数据。
40.s1014、根据反射率数据生成每份烟叶样本对应的光学数据。
41.在执行步骤s1014之前，还需要判断每份烟叶样本对应的反射率数据是否均为有效数据。
42.针对每份烟叶样本，若任一波长范围对应的反射率数据为无效数据(无穷大或无穷小)，则将此份烟叶样本的所有反射率数据删除，即，将此份烟叶样本剔除；若该份烟叶样本对应的所有反射率数据均为有效数据则执行步骤s1014。
43.示例性的，若某份烟叶样本的200个不同波长范围的反射光对应的反射光数据中的第10个波长范围的反射光数据为无效数据，则此份烟叶样本的200个不同波长范围的反射光对应的反射光数据均删去。
44.根据反射率数据生成每份烟叶样本对应的光学数据包括：获取反射率数据对应的光学图片；将光学图片的像素大小的宽度、像素大小的高度和三基色rgb数据的三维矩阵转换为一维向量，将一维向量确定为每份烟叶样本对应的光学数据。
45.将反射率数据输入至近红外辅助的光学成像相机，生成光学图片；将光学图片对应的像素大小的宽度m、像素大小的高度n和三基色rgb数据组成三维矩阵m
×n×
3，将三维矩阵转换为对应的(m
×n×
3)的一维向量。
46.示例性的，若光学图片对应的像素大小为1024
×
768，则1024代表的是像素大小的宽度，768代表的是像素大小的高度，则该光学图片对应的一维向量为(1024
×
768
×
3)。
47.返回图1，s102、将每份烟叶样本对应的烟叶种类、产地和光学数据作为样本数据，将每份烟叶样本对应的霉变等级作为标签对神经网络数学模型进行训练。
48.霉变等级包括霉变、轻微霉变、非霉变。霉变是通过视觉观察即可发现的烟叶产生霉变的等级；轻微霉变是烟叶的内部发生霉变而无法通过视觉观察到的烟叶产生霉变的等级。
49.神经网络数学模型的训练过程包括：将烟叶样本对应的烟叶种类、产地、光学数据和霉变等级输入神经网络数学模型进行训练；根据训练结果预测到的每份烟叶样本的预测霉变等级与每份烟叶样本对应的霉变等级更新神经网络数学模型的权重；重新将烟叶样本的对应烟叶种类、产地、和光学数据输入至更新的神经网络数学模型，直至神经网络数学模型到达收敛状态或迭代次数满足预设迭代次数，神经网络数学模型训练完成。
50.在将每份烟叶样本对应的烟叶种类、产地和光学数据作为样本数据，将每份烟叶样本对应的霉变等级作为标签对神经网络数学模型进行训练之前，方法还包括：将多份烟叶样本根据预设比例随机划分为训练集和验证集。
51.将训练集输入至神经网络数学模型进行训练，并使用验证集验证是否将神经网络数学模型训练完成。
52.神经网络模型由输入层、卷积层、relu激活函数层、池化层组成。卷积层包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层；relu激活函数层包括：第一relu激活函数层、第二relu激活函数层、第三relu激活函数层、第四relu激活函数层、第五relu激活函数层、第六relu激活函数层、第
七relu激活函数层、第八relu激活函数层、第九relu激活函数层、第十relu激活函数层；池化层包括：第一池化层、第二池化层、第三池化层。
53.训练集从输入层输入，将输入层输出的数据输入至第一卷积层，第一卷积层输出的数据输入至第一relu激活函数层，第一relu激活函数层输出的数据输入至第二卷积层，第二卷积层输出的数据输入至第二relu激活函数层，第二relu激活函数层输出的数据输入至第一池化层；第一池化层输出的数据输入至第三卷积层，第三卷积层输出的数据输入至第三relu激活函数层，第三relu激活函数层输出的数据输入至第四卷积层，第四卷积层输出的数据输入至第二池化层；第二池化层输出的数据输入至第五卷积层，第五卷积层输出的数据输入至第四relu激活函数层，第四relu激活函数层输出的数据输入至第六卷积层，第六卷积层输出的数据输入至第五relu激活函数层，第五relu激活函数层输出的数据输入至第七卷积层，第七卷积层输出的数据输入至第六relu激活函数层，第六relu激活函数层输出的数据输入至第七relu激活函数层；第七relu激活函数层输出的数据输入至第八卷积层，第八卷积层输出的数据输入至第八relu激活函数层，第八relu激活函数层输出的数据输入至第九卷积层，第九卷积层输出的数据输入至第十relu激活函数层，第十relu激活函数层输出的数据输入至降维处理层；降维处理层输出的数据输入至第一加法处理层，第一加法处理层输出的数据输入至第九relu激活函数层，第八relu激活函数层输出的数据输入至第一乘法处理层，第一乘法处理层输出的数据输入至第二加法处理层，第二加法输出的数据输入至第十relu激活函数层，第十relu激活函数层输出的数据输入至第二乘法处理层，第二乘法处理层输出的数据输入至第三加法处理层，第三加法输出的数据为神经网络模型的输出数据。
54.卷积层的卷积核尺寸设置为3
×
3，最大池化尺寸设置为2
×
2。
55.根据训练结果预测到的每份烟叶样本的预测霉变等级与每份烟叶样本对应的霉变等级更新神经网络数学模型的权重包括：根据训练结果预测到的每份烟叶样本的预测霉变等级与每份烟叶样本对应的霉变等级确定预测错误的样本；根据预测错误的样本，计算错误率；根据错误率计算错误参数；根据错误参数和预测霉变等级更新神经网络数学模型的权重。
56.在根据训练结果预测到的每份烟叶样本的预测霉变等级与每份烟叶样本对应的霉变等级确定预测错误的样本之前，方法还包括：对每份烟叶样本赋予初始权重。
57.根据预测错误的样本，计算错误率包括：将错误样本的个数与总数做比，将比值作为错误率。
58.通过以下公式计算错误参数：
59.ai＝0.5
×
ln(1-αi)-lnαiꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
60.公式(1)中，ai指的是神经网络数学模型第i次迭代的错误参数，αi指的是神经网络数学模型第i次迭代的错误率。
61.也就是说，在构建神经网络数学模型的过程中需要进行多次迭代，每次迭代均对应一个错误率和一个错误参数。
62.根据错误参数和预测霉变等级更新神经网络数学模型的权重包括：若预测霉变等级与霉变等级相同，则将指数的负错误参数次幂与神经网络数学模型的原权重相乘，确定为更新的神经网络数学模型的权重；若预测霉变等级与霉变等级不同，则将指数的错误参
数次幂与神经网络数学模型的原权重相乘，确定为更新的神经网络数学模型的权重。
63.神经网络数学模型包括至少一个权重，针对每个权重，通过以下公式计算更新的神经网络数学模型的权重：
[0064][0065]
公式(2)中，β
i+1
指的是更新的神经网络数学模型的权重(即，第i+1次迭代时神经网络数学模型对应的权重)，βi指的是神经网络数学模型的原权重(即，第i次迭代时神经网络数学模型对应的权重)。
[0066]
方法还包括：将更新的神经网络数学模型的权重进行归一化处理，将归一化处理后的权重重新确定为更新的神经网络数学模型的权重。
[0067]
归一化处理的方法为：针对神经网络数学模型中的每个权重，将更新的该权重值与所有更新的权重值的和值做比，将比值重新确定为更新的神经网络数学模型的该权重。
[0068]
s103、将待检测烟叶对应的实际光学数据、实际烟叶种类和实际产地输入至训练好的神经网络数学模型，得到待检测烟叶的实际霉变等级。
[0069]
将待检测烟叶对应的实际光学数据、实际烟叶种类和实际产地输入至训练好的神经网络数学模型，得到待检测烟叶的实际霉变等级。
[0070]
基于同一申请构思，本技术实施例中还提供了与上述实施例提供的烟叶霉变检测方法对应的烟叶霉变检测装置，由于本技术实施例中的装置解决问题的原理与本技术上述实施例的烟叶霉变检测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
[0071]
如图3所示，图3为本技术实施例提供的一种烟叶霉变检测装置的功能模块图。一种烟叶霉变检测装置10包括：获取模块101、训练模块102和应用模块103。获取模块101，用于获取每份烟叶样本对应的光学数据；光学数据用于描述每份烟叶样本对预设波长范围的光线的反射情况；训练模块102，用于将每份烟叶样本对应的烟叶种类、产地和光学数据作为样本数据，将每份烟叶样本对应的霉变等级作为标签对神经网络数学模型进行训练；应用模块103，用于将待检测烟叶对应的实际光学数据、实际烟叶种类和实际产地输入至训练好的神经网络数学模型，得到待检测烟叶的实际霉变等级。
[0072]
基于同一申请构思，参见图4所示，为本技术实施例提供的一种电子设备的结构示意图，电子设备20包括：处理器201、存储器202和总线203，存储器202存储有处理器201可执行的机器可读指令，当电子设备20运行时，处理器201与存储器202之间通过总线203进行通信，机器可读指令被处理器201运行时执行如上述实施例中任一的烟叶霉变检测方法的步骤。
[0073]
具体地，机器可读指令被处理器201执行时可以执行如下处理：获取每份烟叶样本对应的光学数据；光学数据用于描述每份烟叶样本对预设波长范围的光线的反射情况；将每份烟叶样本对应的烟叶种类、产地和光学数据作为样本数据，将每份烟叶样本对应的霉变等级作为标签对神经网络数学模型进行训练；将待检测烟叶对应的实际光学数据、实际烟叶种类和实际产地输入至训练好的神经网络数学模型，得到待检测烟叶的实际霉变等级。
[0074]
基于同一申请构思，本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例提供的烟叶霉变检测方法的步骤。
[0075]
具体地，存储介质能够为通用的存储介质，如移动磁盘、硬盘等，存储介质上的计算机程序被运行时，能够执行上述烟叶霉变检测方法，通过训练神经网络模型，将烟叶的光学数据输入训练好的神经网络模型就可以确定霉变等级，解决了现有技术中烟叶霉变检测准确率低的技术问题，达到了提高烟叶霉变检测准确率的技术效果。
[0076]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本技术所提供的几个实施例中，应理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0077]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0078]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0079]
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者技术方案的部分可以以软件产品的形式体现出来，计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0080]
以上仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。