技术特征：
1.雪茄茄衣质量等级判别模型的构建方法，其特征在于，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。2.根据权利要求1所述的雪茄茄衣质量等级判别模型的构建方法，其特征在于，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。3.根据权利要求1所述的雪茄茄衣质量等级判别模型的构建方法，其特征在于，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。4.根据权利要求1所述的雪茄茄衣质量等级判别模型的构建方法，其特征在于，基于halcon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。5.根据权利要求1所述的雪茄茄衣质量等级判别模型的构建方法，其特征在于，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inverted residuals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。6.根据权利要求1所述的雪茄茄衣质量等级判别模型的构建方法，其特征在于，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。7.根据权利要求6所述的雪茄茄衣质量等级判别模型的构建方法，其特征在于，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。
技术总结
本发明公开了雪茄茄衣质量等级判别模型的构建方法，涉及雪茄茄衣技术领域。其中，该雪茄茄衣质量等级判别模型的构建方法，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。本发明，解决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指标，获取成本高昂，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，在工业流程实践中无法实现的问题。践中无法实现的问题。践中无法实现的问题。
技术研发人员：陈栋 易娇 陈天恩 王聪 闫双全 诸定莲 林涛 鲁梦瑶 姜舒文 狄涛
受保护的技术使用者：农芯（南京）智慧农业研究院有限公司
技术研发日：2022.08.16
技术公布日：2023/1/31