本发明涉及图像处理,尤其涉及一种烟叶自动化分级方法、系统、设备及存储介质。
背景技术:
1、烟草行业在世界各国经济中十分重要,是许多国家的经济支柱。烟叶作为烟草行业的基本原料,其品质直接关系到卷烟的质量。世界产烟国烟叶分级的依据基本相同,而标准不一,级别繁多。中国是烟草大国,其烟叶种植面积、烟叶收购量、烟草税收为世界第一。根据烟叶的特征、特性和化学成分的不同,它可由中国国标分为多个等级。传统的烟叶等级评级方法主要依靠人工,主观性较强且分级质量不高,并且检测过程中可能造成烟叶的损坏。
2、因此,亟需一种烟叶自动化分级方法、系统、设备及存储介质。
技术实现思路
1、本发明的目的是提供一种烟叶自动化分级方法、系统、设备及存储介质,以解决上述现有技术中的问题,能够提取烟叶的深层特征,自适应计算通道间的权重,关注影响分类性能的重要特征。
2、第一方面,本发明提供了一种基于自适应注意力机制的烟叶自动化分级方法,其中,包括:
3、采集待测烟叶样本的图像;
4、基于自适应稀疏卷积构建自适应注意力模型;
5、将构建的所述自适应注意力模型插入卷积神经网络,得到烟叶分级模型;
6、将采集待测烟叶样本的图像输入所述烟叶分级模型,得到烟叶分级结果。
7、如上所述的基于自适应注意力机制的烟叶自动化分级方法,其中,优选的是,所述采集待测烟叶样本的图像,具体包括:
8、利用烟叶采集系统,通过成像模块获取烟叶的rgb图片。
9、如上所述的基于自适应注意力机制的烟叶自动化分级方法,其中,优选的是,所述利用烟叶采集系统,通过成像模块获取烟叶的rgb图片,具体包括:
10、利用伺服电机驱动机械传送带运行,通过所述机械传送带传送烟叶样本;
11、在所述机械传送带上设置数据采集箱,并在所述数据采集箱内布置卤钨灯;
12、在所述数据采集箱上方设置单反相机,并在所述数据采集箱上的对应位置开设有通孔,通过单反相机采集数据采集箱内的烟叶的背光图像,并通过通信模块控制单反相机的采集频率。
13、如上所述的基于自适应注意力机制的烟叶自动化分级方法,其中,优选的是,所述基于自适应稀疏卷积构建自适应注意力模型,具体包括:
14、基于自适应稀疏点卷积和自自适应稀疏深度卷积构建自适应注意力模型。
15、如上所述的基于自适应注意力机制的烟叶自动化分级方法,其中,优选的是,所述基于自适应稀疏点卷积和自自适应稀疏深度卷积构建自适应注意力模型,具体包括:
16、设定输入特征图与输出特征图的维度相同,对于输入特征图f’∈rh×w×c’,其中,h表示高,w表示宽,c’表示通道数;
17、通过全局卷积提取输入特征图f’在通道上的特征,得到基于通道的全局信息f1,并通过公式(1)表示:
18、f1=gconv(f’) (1),
19、其中,gconv表示全局卷积;
20、通过自适应稀疏点卷积为全局信息f1生成权重,得到f2,并通过公式(2)表示:
21、f2=mfpconv(f1) (2);
22、采用softmax函数对f2进行权重分配,得到权重w,并通过公式(3)表示:
23、w=softmax(f2) (3);
24、采用自适应稀疏点卷积对输入特征图f’进行维度调节,得到f3,并通过公式(4)表示:
25、f3=mfdconv(f’) (4);
26、将通过公式(3)得到的权重w与通过公式(4)得到的f3按元素相乘,得到被调节后的特征图u,并通过公式(5)表示:
27、
28、其中,表示按元素相乘;
29、通过自适应稀疏深度卷积提取被调节后的特征图u的深度特征,得到输出特征图u’,并通过公式(6)表示:
30、u’=mfdconv(u) (6),
31、其中,u’表示输出特征图。
32、如上所述的基于自适应注意力机制的烟叶自动化分级系统,其中,优选的是,所述自适应稀疏点卷积的计算过程包括:
33、设定输入特征图与输出特征图的维度相同,对于输入特征图f∈rh×w×c,其中,h表示高,w表示宽,c表示通道数;
34、将输入特征图f分为g组,分别应用点卷积对每组的特征图进行降维,通道被压缩r倍,得到隐含层;
35、通过通道混洗从不同通道中提取通道差异信息;
36、再次应用点卷积对每组的特征图进行升维;
37、将所有特征图拼接,得到烟叶在点层面的深层特征,其中:
38、通过公式(7)计算自适应稀疏点卷积的参数量p:
39、
40、其中,参数量p来自用于降维和升维的两层点卷积;
41、通过公式(7),得到公式(8)所示的通道数c关于p的计算公式:
42、
43、由于输出特征图与个隐含层特征图连接,隐含层特征图与个输入特征图连接,因此通过公式(9)表示输出特征图与输入特征图的连通性t:
44、
45、其中,连通性t用于表示每个输出通道的输入-输出连接的数量;
46、当r为定值时,将公式(7)与公式(9)相除,可得公式(10)所示的t关于p的计算公式:
47、
48、通过公式(10)可知,当g增加时,t减小,结合根据公式(1)可知,当g增加时,c增大,在公式(9)中,令t=c,此时可得到公式(11):
49、
50、当g的值如公式(11)所示时,每个输出特征图一次便连接到所有输入特征图。
51、如上所述的基于自适应注意力机制的烟叶自动化分级方法,其中,优选的是,所述自适应稀疏深度卷积的计算过程包括:
52、对于c个尺寸为kk的深度卷积核,其中k≥2,自适应稀疏深度卷积对深度卷积核进行卷积核维度上的微分解,将二维卷积分解为两个一维卷积,卷积核尺寸为kk的深度卷积可分解为卷积核尺寸分别为k1和1k的两个一维卷积,自适应稀疏深度卷积将参数量由k2c降为2kc。
53、第二方面,本发明还提供一种基于自适应注意力机制的烟叶自动化分级系统,包括:
54、图像采集模块,用于采集待测烟叶样本的图像;
55、自适应注意力模型构建模块,用于基于自适应稀疏卷积构建自适应注意力模型;
56、烟叶分级模型构建模块,用于将构建的所述自适应注意力模型插入卷积神经网络,得到烟叶分级模型;
57、烟叶分级模块,用于将采集待测烟叶样本的图像输入所述烟叶分级模型,得到烟叶分级结果。
58、第三方面,本发明还提供一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时,实现上述的基于自适应注意力机制的烟叶自动化分级方法。
59、第四方面,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现上述的基于自适应注意力机制的烟叶自动化分级方法。
60、本发明提供一种烟叶自动化分级方法、系统、设备及存储介质,自适应注意力模型通过自适应稀疏点卷积和自适应稀疏深度卷积提取烟叶的深层特征,自适应计算通道间的权重,关注影响分类性能的重要特征,可以提高网络的分类性能;自适应注意力模型模块可以嵌入经典卷积神经网络,具有特征提取的能力,获得了最佳分类准确率,为烟叶等级判定提供了一个有效的方法。