雪茄茄衣质量等级判别模型的构建方法与流程

1.本发明涉及雪茄茄衣技术领域，尤其是一种雪茄茄衣质量等级判别模型的构建方法。


背景技术：

2.雪茄烟原料叶按照不同的用途，可分为茄衣、茄套和茄芯，一支雪茄很大一部分成本都来自茄衣，它是雪茄的精华部分，也是最昂贵的部分，对种植、发酵、保存要求都最高。茄衣对外观质量的要求极为苛刻，优质的茄衣烟叶要求叶片大小适中、叶型较宽、叶脉细而不突、叶片薄且完整度好、无斑点或孔洞、组织细密、颜色均匀一致、弹性好、拉力强、燃烧均匀，可参考文献([1]金敖熙.雪茄烟生产技术.轻工业出版社,1982.)；
[0003]
目前对雪茄茄衣原料烟叶的质量等级分选主要依赖人工，是雪茄生产过程中高耗工环节。近年，随着大数据、人工智能算法的进步，图像采集和算法识别能力有了极大提升。如何通过图像识别解决雪茄茄衣原料烟叶的质量等级判别问题，是解决雪茄茄衣原料烟叶质量等级分选用工问题的重要突破口。
[0004]
从雪茄的制作流程来看，包括手工卷制和机器卷制两种生产流程，其中所用的雪茄茄衣原料烟叶质量不同，人工成本也不相同。因此重点问题之一就是原料质量等级的分选，当前主要依赖人工进行雪茄原料质量等级的分选，由于培养分级员工的资金和时间成本都很高，分级员工的技术水平参差不齐，且分质量等级是肉眼对雪茄茄衣原料叶的直观分类，受操作人员的肉眼辨别能力、情绪、个人健康状态、个人经验水平和主观判断等“人为因素”的影响较大，因此难以达到统一客观公正的分选要求，导致茄衣分级不准确、手工卷制和机制分流错乱、茄衣外观质量参差不齐等现象，同时雪茄产品难以形成标准化。因此采用先进的大数据技术手段，智能化雪茄茄衣原料烟叶的质量分级环节，以避免在雪茄茄衣原料质量等级分选中的主观性，提升质量分级的准确率，可以降低手工卷制和机制分流错乱导致的人工成本，同时有助于实现雪茄烟产品的标准化。
[0005]
雪茄茄衣的质量等级包括4个级别(1级、2级、3级、4级，其中123级用于手工卷制雪茄，1级质量最优，4级用于机制雪茄)，其中123级与4级的区别主要在于是否满足手工卷制烟叶的质量档次要求。其中手工卷制烟叶的质量档次要求与叶片颜色均匀性、支脉纹理细致程度、局部病斑、洞眼、破碎、污痕等视觉特征、完整区域面积大小等直接关联，而深度卷积神经网络提取的浅层卷积核可以捕捉图像的颜色、边缘纹理、细小洞眼与病斑等视觉信息，随着层数加深，非线性程度加强，深层的卷积核可以捕捉到更大感受野的形状、纹理、破损分布等信息，并可抽象表示语义信息。因此使用深度卷积神经网络算法判别雪茄茄衣图像是否满足手工卷制烟叶的质量档次要求是可行的。而1、2、3级之间的区别主要在于有效使用区域的尺寸大小，(不同等级对应的尺寸标准不是固定的，会依据雪茄茄衣原料烟叶市场的供需情况做出调整)，有效使用尺寸越大的茄衣烟叶可用于手工卷制多支雪茄，因此质量等级越高。所以综合来看，在判定等级时，需先判断手工卷制还是机制，然后依据雪茄茄衣原料烟叶有效使用区域尺寸的大小来进一步综合判定质量等级。
[0006]
针对雪茄茄衣原料烟叶的质量分级智能分选问题，目前相关研究主要包括定性和定量的研究，定性的研究包括雪茄茄衣质量评价体系标准的构建，可参考文献([2]刘博远.雪茄烟叶风格质量评价体系构建及四川雪茄烟叶风格质量评价[d].河南农业大学.)和文献([3]孙浩巍,张轲,龙杰,等.云南雪茄烟叶外观质量评价体系研究[j].现代农业科技,2020(14):4.)。茄衣品种分类相关的探讨可参考文献([4]闫新甫,王以慧,雷金山,等.国产雪茄分类探讨及其实际应用分析[j].中国烟草学报,2021,27(5):10.)。定量的茄衣质量评价方法相关研究，可参考文献([5]王荣浩,施友志,李林林,等.基于组合客观赋权法的进口茄衣质量评价[j].中国烟草学报,2022,28(2):11.)。论文中作者为建立更加合理的雪茄茄衣烟叶质量评价方法，以13个主要的进口茄衣样品为材料,测定了物理特性指标和化学成分指标,邀请专家对外观质量指标和感官质量指标进行打分,并对各指标数据进行了标准化处理，结果表明4项一级指标的层次分析法主观赋权权重依次为外观质量(0.48),物理特性(0.22),化学成分(0.07)，感官质量(0.23)，组合了类间标准差法,critic法和熵值法3种客观赋权后的二级指标权重的标准差较组合前提高，结合了主客观赋权方法的综合赋权结果中，烟灰白度(0.0679),残伤(0.0611)和支脉夹角(0.0444)指标权重系数较大，钾氯比值(0.0087)，干燥度(0.0095)和钾含量(0.0097)指标权重系数较小。该方法对一级质量指标采用主观法赋权，对二级质量指标采用3种客观法赋权，将主客观权重的信息有效综合，较单一赋权更有效地反映出了各二级指标的重要程度。
[0007]
但当前针对雪茄茄衣质量的研究中，基于数据的定量研究需要借助专家和仪器来测定各项物理指标和化学成分指标，由于数据获取成本高昂，因此只能在相对小样本量的多指标精确数据上，基于专家的领域知识来分析质量级别和各个指标之间的相关性权重系数，这种方法在理论研究上具有方向性的指导意义但是在工业流程实践中却很难甚至无法实现，主要体现在多项指标数据的获取难度太大、耗时长、成本高、知识门槛高的问题。针对上述出现的问题，目前尚未提出有效的解决方案。


技术实现要素：

[0008]
发明目的：提供一种雪茄茄衣质量等级判别模型的构建方法及装置，以解决现有技术存在的上述问题。
[0009]
技术方案：一种雪茄茄衣质量等级判别模型的构建方法及装置，包括：s1、采集大量被标注的雪茄茄衣原料烟叶的图像数据；s2、雪茄茄衣原料烟叶图像数据的预处理；s3、基于halcon计算茄衣原料烟叶避开孔洞的有效使用区域尺寸；s4、训练基于深度学习算法的茄衣原料烟叶是否满足质量档次要求的判别模型；s5、结合有效使用区域尺寸和质量档次要求判别模型输出茄衣质量等级。
[0010]
作为优选，采集大量被标注的雪茄茄衣原料烟叶的图像数据包括：采集雪茄茄衣烟叶的图像信息；调取数据库中已完成标注的雪茄茄衣原料烟叶的参数值；根据不同的品种、产区和颜色类别和质量等级进行选择性采集。
[0011]
作为优选，雪茄茄衣原料烟叶图像数据的预处理包括：对采集的雪茄茄衣原料烟叶图像数据进行预处理；采用图像增强技术扩充数据集，以减小干扰而造成的过拟合；茄衣原料烟叶图像进行归一化和标准化，以加速模型的收敛。
[0012]
作为优选，计算茄衣原料烟叶避开孔洞的有效使用区域尺寸包括：对比色卡的实
际长宽尺寸和像素长宽，换算出单像素对应的实际尺寸；基于halcon软件丰富的算子库，使用threshold算子针对茄衣rgb颜色阈值分割出茄衣区域，使用shape_trans算子切割出雪茄茄衣叶片避开孔洞瑕疵后的最大可用矩形区域作为有效使用区域的拟合，获得该区域像素宽度和高度；通过换算出的单像素对应的实际尺寸比例值，进而得到最大矩形区域实际长宽尺寸信息。
[0013]
作为优选，训练基于深度学习算法的茄衣原料烟叶是否满足质量档次要求的判别模型包括：将预处理的数据进行打乱并进行重新划分；网格设计采用invertedresiduals逆残差结构；训练模型，通过迁移学习手段采用模型在大型imagenet数据集上预训练得到的参数作为模型训练的初始值，后续迭代到一定的epoch之后解冻卷积层参数再全局训练；将交叉验证的准确率和交叉熵损失值写入tensorboard中，最终可以在本地端口获得模型评价指标的可视化图表展示。
[0014]
作为优选，结合有效使用区域尺寸和质量档次要求判别模型输出茄衣质量等级包括：对有效区域尺寸满足预设标准尺寸的茄衣烟叶，经深度学习和训练的模型，可判定茄衣烟叶是否满足手工卷制雪茄的质量档次要求；若模型输出0，则代表不满足手工卷制雪茄的质量档次要求，判定为4级；若模型输出1，则代表满足手工卷制雪茄的质量档次要求，继续下一步。
[0015]
作为优选，若模型输出1，则代表满足手工卷制雪茄的质量档次要求，继续下一步包括：当有效使用区域长度大于w1且宽度大于h1，可用将质量级别归为1级；当有效使用区域长度大于w2且宽度大于h2，可用将质量级别归为2级；当有效使用区域长度大于w3且宽度大于h3，可用将质量级别归为3级，其中w1》w2》w3，h1》h2》h3。
[0016]
有益效果：在本技术实施例中，采用基于halcon算子估计雪茄茄衣原料烟叶有效使用区域尺寸，同时结合深度卷积神经网络算法的方式，通过s1、采集大量被标注的雪茄茄衣原料烟叶的图像数据；s2、雪茄茄衣原料烟叶图像数据的预处理；s3、基于halcon计算茄衣原料烟叶避开孔洞的有效使用区域尺寸；s4、训练基于深度学习算法的茄衣原料烟叶是否满足质量档次要求的判别模型；s5、结合有效使用区域尺寸和质量档次要求判别模型输出茄衣质量等级，达到了将halcon算法和深度学习结合的目的，从而实现了判定雪茄茄衣原料烟叶质量等级的技术效果，进而解决了当前针对雪茄茄衣质量的研究中，基于数据的定量研究需要借助专家和仪器来测定各项物理指标和化学成分指标，由于数据获取成本高昂，因此只能在相对小样本量的多指标精确数据上，基于专家的领域知识来分析质量级别和各个指标之间的相关性权重系数，这种方法在理论研究上具有方向性的指导意义但是在工业流程实践中却很难甚至无法实现，主要体现在多项指标数据的获取难度太大、耗时长、成本高、知识门槛高的技术问题。
附图说明
[0017]
图1是根据本技术实施例的雪茄茄衣质量等级判别模型的构建方法流程示意图；
[0018]
图2是印尼茄衣b色质量等级为2、3、4级样例；
[0019]
图3是雪茄样例使用halcon软件切割矩形可用区域计算长宽信息；
[0020]
图4是雪茄茄衣原料烟叶质量等级判别流程图。
具体实施方式
[0021]
为了使本技术领域的人员更好地理解本技术方案，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，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
[0022]
需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0023]
此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0024]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
[0025]
根据本发明实施例，提供了一种的雪茄茄衣质量等级判别模型的构建方法及装置，如图1所示，该方法包括如下的步骤s1至步骤s1：
[0026]
s1、采集大量被标注的雪茄茄衣原料烟叶的图像数据；
[0027]
能够实现大量数据采集的效果，从而实现为后续训练模型提供充足的数据基础，进而实现提高模型学习的效果。
[0028]
根据本发明实施例，优选的，在步骤s1之中，包括：
[0029]
采集雪茄茄衣烟叶的图像信息；
[0030]
调取数据库中已完成标注的雪茄茄衣原料烟叶的参数值；
[0031]
根据不同的品种、产区和颜色类别和质量等级进行选择性采集。
[0032]
具体的，采集设备使用白色漫反射传送带暗箱采集装置。将单片的雪茄茄衣原料烟叶展平开来，放在传送带上，在相机采集软件mvs中，雪茄茄衣在经过相机镜头时，即可自动触发镜头拍摄传送带上的雪茄茄衣烟叶的图像，并自动保存图像。
[0033]
获得雪茄工厂原料仓库中已经完成人工标注的雪茄茄衣原料烟叶，根据不同的品种、产区和颜色类别和质量等级进行选择性采集，由于1级茄衣原料供应紧缺，库存实际有3种质量等级的茄衣原料烟叶，同时为了消除品种、产区、颜色类别等因素带来的样本偏差，实际采集的雪茄茄衣原料烟叶覆盖了不同的品种和产区和颜色，在3种质量等级上以基本均衡的数量来进行采集。
[0034]
采集的雪茄茄衣原料烟叶的质量等级类别依次为[2，3，4]，实际采集数量依次为1483张、1903张、6303张。本次采集时库房内没有1级雪茄茄衣原料烟叶。茄衣原料烟叶的质量等级示例如图2所示。其中4级茄衣烟叶因不符合手工卷制雪茄的质量档次要求，工业流程中进入机制雪茄生产线。3级及以上(包括1级、2级、3级)满足手工卷制雪茄的质量档次要
求，工业流程中进入手工卷制雪茄生产线。因此，为了构建基于深度学习算法的模型用于区分茄衣烟叶是否满足手工卷制雪茄的质量档次要求，将2级和3级样本统一标注为1(样本总量为3386张，代表满足手工卷制雪茄的质量档次要求)，将4级样本标注为0(样本总量为6303张，代表不满足手工卷制雪茄的质量档次要求)。
[0035]
s2、雪茄茄衣原料烟叶图像数据的预处理；
[0036]
通过对图像数据进行预处理，能够实现减小噪音和提高数据准确性的效果，进而确保后续数据处理的精准性。
[0037]
根据本发明实施例，优选的，在步骤s2之中，包括：
[0038]
对采集的雪茄茄衣原料烟叶图像数据进行预处理；
[0039]
采用图像增强技术扩充数据集，以减小干扰而造成的过拟合；
[0040]
茄衣原料烟叶图像进行归一化和标准化，以加速模型的收敛。
[0041]
具体的，对采集的雪茄茄衣原料烟叶图像数据进行预处理。由于白色传送带在运动过程中与轴承金属元件的摩擦久而久之逐渐会产生一些摩擦痕迹，导致采集的雪茄茄衣原料烟叶图像背景区域有污痕干扰，因此首先需要通过opencv的边缘检测技术完成自动识别茄衣烟叶并裁剪出对应区域，实现图像前景与背景的分割，去除无关背景的干扰。同时将图像缩放至224*224。
[0042]
采用图像增强技术扩充数据集，减小因雪茄茄衣原料烟叶在传送带上的摆放角度和碎片杂质的干扰而造成的过拟合的现象。考虑雪茄茄衣原料烟叶外观特征，选取以下方式扩充数据集：
[0043]
(1)旋转：将预处理后的茄衣原料烟叶图像左右旋转各15度，数据集扩充2倍；
[0044]
(2)镜像翻转：将预处理后的茄衣原料烟叶图像进行垂直和水平反转，数据集扩充2倍；
[0045]
(3)高斯噪声：在预处理后的茄衣原料烟叶图像中加入随机高斯噪声，数据集扩充2倍；
[0046]
(4)平移：将预处理后的茄衣原料烟叶图像进行随机裁剪，随机裁剪一个面积为原始面积30％到90％的区域，该区域的宽高比从0.5到2之间随机取值。然后区域的宽度和高度都被缩放到224*224像素。数据集扩充2倍。
[0047]
采用上述数据增强方法，将数据集大小扩充为原来的8倍。数据增强只在模型训练阶段使用，在模型实际使用过程中跳过数据增强预处理部分。
[0048]
茄衣原料烟叶图像进行归一化和标准化，有利于加速模型的收敛。
[0049]
s3、基于halcon计算茄衣原料烟叶避开孔洞的有效使用区域尺寸；
[0050]
通过使用halcon计算软件，能够准确计算出烟叶的有效使用区域尺寸，从而实现准确计算的效果。
[0051]
根据本发明实施例，优选的，在步骤s3之中，包括：
[0052]
对比色卡的实际长宽尺寸和像素长宽，换算出单像素对应的实际尺寸；
[0053]
基于halcon软件丰富的算子库，使用threshold算子针对茄衣rgb颜色阈值分割出茄衣区域，使用shape_trans算子切割出雪茄茄衣叶片避开孔洞瑕疵后的最大可用矩形区域作为有效使用区域的拟合，获得该区域像素宽度和高度；
[0054]
通过换算出的单像素对应的实际尺寸比例值，进而得到最大矩形区域实际长宽尺
寸信息。
[0055]
首先将一张尺寸已知的实物(例如色卡)放入传送带，拍摄一张图片，使用halcon软件选取出图像中的色卡区域，读取区域的像素长、宽和面积。然后对比色卡的实际长宽尺寸(长20cm，宽14cm)和像素长宽，换算出单像素对应的实际尺寸。
[0056]
然后对采集的雪茄茄衣原料烟叶的图像，基于halcon软件丰富的算子库，使用threshold算子针对茄衣rgb颜色阈值分割出茄衣区域，使用shape_trans算子切割出雪茄茄衣叶片避开孔洞瑕疵后的最大可用矩形区域作为有效使用区域的拟合，获得该区域像素宽度和高度。
[0057]
最后通过步骤s31换算出的单像素对应的实际尺寸比例值，进而得到最大矩形区域实际长宽尺寸信息。如图3所示。
[0058]
s4、训练基于深度学习算法的茄衣原料烟叶是否满足质量档次要求的判别模型；
[0059]
根据本发明实施例，优选的，在步骤s4之中，包括：
[0060]
将预处理的数据进行打乱并进行重新划分；
[0061]
网格设计采用invertedresiduals逆残差结构；
[0062]
训练模型，通过迁移学习手段采用模型在大型imagenet数据集上预训练得到的参数作为模型训练的初始值，后续迭代到一定的epoch之后解冻卷积层参数再全局训练；
[0063]
将交叉验证的准确率和交叉熵损失值写入tensorboard中，最终可以在本地端口获得模型评价指标的可视化图表展示。
[0064]
具体的，基于深度学习算法的图像分类任务，通常为了提升模型训练收敛的效率，采用迁移学习的方法，将待分类数据集直接送入在imagenet数据集上预训练好的分类模型中，改变最后的全连接层或者对整个网络参数进行finetune，得到特定分类任务模型。
[0065]
设计基于深度学习算法的茄衣原料质量等级判别模型，以茄衣原料烟叶图像为输入，质量等级信息为输出，采用卷积神经网络进行烟叶特征的提取，建立特征、质量等级之间的映射关系，设计一款端到端的茄衣原料质量等级判别模型。以mobilenetv2作为基础结构，用于茄衣原料质量等级判别任务。具体思想和步骤如下：
[0066]
将mvs采集的茄衣原料烟叶图像按照步骤s3中进行预处理，将数据顺序打乱。然后将顺序打乱后的图像数据划分为10等份。以十折交叉验证的方式来训练模型参数以及评估模型性能。
[0067]
网络结构设计，由于实际应用场景为移动端设备选择了mobilenet算法主体架构，此算法是google针对手机等嵌入式设备提出的一种轻量级的深层卷积神经网络，其核心是采用了可分解的depthwiseseparableconvolution，将一个标准的卷积操作分为深度卷积和点卷积，有效减少网络参数，降低模型计算复杂度。mobilenetv2是在v1基础之上的改进。v1主要思想就是深度可分离卷积的堆叠，在v2的网络设计中，除了继续使用深度可分离结构之外，整个网络先通过expansionlayer来扩展维度，在高维空间用深度可分离卷积来提取特征，之后使用projectionlayer来压缩数据，让维度重新变小。这种网络结构称为invertedresiduals逆残差结构。
[0068]
模型训练。通过迁移学习手段采用模型在大型imagenet数据集上预训练得到的参数作为模型训练的初始值，后续迭代到一定的epoch之后解冻卷积层参数再全局训练，可以显著提高模型收敛速度和训练效果。具体的，模型训练过程中在epoch迭代达到30时，解冻
特征层参数。训练中选取adam优化器，能够自适应学习率，提高训练速度，采用reducelronplateau基于验证集误差测量实现动态学习率缩减，当发现loss不再降低或者accuracy不再提高之后，降低学习率。
[0069]
模型训练过程的可视化，在模型训练过程中将交叉验证的准确率和交叉熵损失值写入tensorboard中，最终可以在本地端口获得模型评价指标的可视化图表展示。
[0070]
s5、结合有效使用区域尺寸和质量档次要求判别模型输出茄衣质量等级。
[0071]
根据本发明实施例，优选的，在步骤s5之中，包括：
[0072]
对有效区域尺寸满足预设标准尺寸的茄衣烟叶，经深度学习和训练的模型，可判定茄衣烟叶是否满足手工卷制雪茄的质量档次要求；
[0073]
若模型输出0，则代表不满足手工卷制雪茄的质量档次要求，判定为4级；若模型输出1，则代表满足手工卷制雪茄的质量档次要求，继续下一步。
[0074]
对有效区域尺寸达到3级要求的茄衣烟叶，通过操作s4中训练的模型，可判定茄衣烟叶是否满足手工卷制雪茄的质量档次要求，若模型输出0，则代表不满足手工卷制雪茄的质量档次要求，判定为4级。若模型输出1，则代表满足手工卷制雪茄的质量档次要求，继续下一步。
[0075]
根据本发明实施例，优选的，若模型输出1，则代表满足手工卷制雪茄的质量档次要求，继续下一步包括：
[0076]
当有效使用区域长度大于w1且宽度大于h1，可用将质量级别归为1级；当有效使用区域长度大于w2且宽度大于h2，可用将质量级别归为2级；当有效使用区域长度大于w3且宽度大于h3，可用将质量级别归为3级，其中w1》w2》w3，h1》h2》h3。
[0077]
对上述既达到3级有效使用区域尺寸要求同时又满足手工卷制雪茄的质量档次要求的雪茄烟叶，通过s3得到有效使用区域尺寸的具体数值，基于《qj/08.j.6503-2020a手工雪茄工业应用整选技术标准》中茄衣烟叶有效使用区域质量档次分类表的规定，规定中定义了在满足手工卷制雪茄的质量档次要求的前提下，尾部区域基本完整的茄衣，有效使用区域长度大于w1且宽度大于h1，可用将质量级别归为1级；有效使用区域长度大于w2且宽度大于h2，可用将质量级别归为2级；有效使用区域长度大于w3且宽度大于h3，可用将质量级别归为3级，其中w1》w2》w3，h1》h2》h3。因此，可进一步细分出质量等级分别为1级、2级、3级的茄衣烟叶。
[0078]
从以上的描述中，可以看出，本技术实现了如下技术效果：
[0079]
在本技术实施例中，采用基于halcon算子估计雪茄茄衣原料烟叶有效使用区域尺寸，同时结合深度卷积神经网络算法的方式，通过s1、采集大量被标注的雪茄茄衣原料烟叶的图像数据；s2、雪茄茄衣原料烟叶图像数据的预处理；s3、基于halcon计算茄衣原料烟叶避开孔洞的有效使用区域尺寸；s4、训练基于深度学习算法的茄衣原料烟叶是否满足质量档次要求的判别模型；s5、结合有效使用区域尺寸和质量档次要求判别模型输出茄衣质量等级，达到了将halcon算法和深度学习结合的目的，从而实现了判定雪茄茄衣原料烟叶质量等级的技术效果，进而解决了当前针对雪茄茄衣质量的研究中，基于数据的定量研究需要借助专家和仪器来测定各项物理指标和化学成分指标，由于数据获取成本高昂，因此只能在相对小样本量的多指标精确数据上，基于专家的领域知识来分析质量级别和各个指标之间的相关性权重系数，这种方法在理论研究上具有方向性的指导意义但是在工业流程实
践中却很难甚至无法实现，主要体现在多项指标数据的获取难度太大、耗时长、成本高、知识门槛高的技术问题。
[0080]
本发明还具有如下有益效果：
[0081]
1、本发明首次提出基于halcon算子估计雪茄茄衣原料烟叶有效使用区域的尺寸，并依据尺寸的大小，判定雪茄茄衣原料烟叶的质量等级。此方法可以实时适应最新判定标准的改变。
[0082]
2、本发明首次提出使用基于mobilenetv2的深度卷积神经网络算法，进行迁移学习训练模型，判定雪茄茄衣原料烟叶是否满足手工卷制雪茄的茄衣质量档次要求。如果不满足，则将该烟叶判定为4级，用于机制雪茄中。
[0083]
3、本发明首次提出将上述2种方法结合，基于halcon算子估计雪茄茄衣原料烟叶有效使用区域尺寸，同时结合深度卷积神经网络算法评估雪茄茄衣原料烟叶是否满足手工卷制烟叶的质量档次要求,进一步综合评定雪茄茄衣原料烟叶的质量等级。雪茄茄衣原料烟叶质量等级的整体判定流程如图4所示。
[0084]
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。