CN108805867A - 用于输出烟叶等级信息的方法和装置 - Google Patents
用于输出烟叶等级信息的方法和装置 Download PDFInfo
- Publication number
- CN108805867A CN108805867A CN201810517108.6A CN201810517108A CN108805867A CN 108805867 A CN108805867 A CN 108805867A CN 201810517108 A CN201810517108 A CN 201810517108A CN 108805867 A CN108805867 A CN 108805867A
- Authority
- CN
- China
- Prior art keywords
- tobacco leaf
- sample
- data
- degree information
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacture Of Tobacco Products (AREA)
Abstract
本申请实施例公开了用于输出烟叶等级信息的方法和装置。该方法的一具体实施方式包括:获取待分级烟叶的烟叶图像;将上述烟叶图像导入预先建立的烟叶分级模型,得到上述烟叶图像所指示的待分级烟叶的烟叶等级信息,其中,上述烟叶分级模型用于表征烟叶图像与烟叶图像所指示的烟叶的烟叶等级信息的对应关系;按照预先设定的输出方式,对上述烟叶等级信息进行输出。该实施方式实现了待分级烟叶的烟叶等级信息的自动生成和输出,提高了烟叶质量检测的效率。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于输出烟叶等级信息的方法和装置。
背景技术
在烟草产业中,对烟叶进行质量检测有着重要意义。例如,种植烟草的农民将烤好的烟叶交给烟叶加工厂时,需要对烟叶质量进行检测,在烟叶流通过程中也需要对烟叶质量进行检测。
与一般的农产品相比,烟叶的质量检测要复杂的多。现阶段,可以依据烟叶的颜色、长度、形状、气味、油分等特征将烟叶进行分级。例如,可以根据国家标准分为42个等级。目前,主要依靠人的视觉和触觉感官对烟叶进行质量等级判断。
发明内容
本申请实施例提出了用于输出烟叶等级信息的方法和装置。
第一方面,本申请实施例提供了一种用于输出烟叶等级信息的方法,该方法包括:获取待分级烟叶的烟叶图像;将上述烟叶图像导入预先建立的烟叶分级模型,得到上述烟叶图像所指示的待分级烟叶的烟叶等级信息,其中,上述烟叶分级模型用于表征烟叶图像与烟叶图像所指示的烟叶的烟叶等级信息的对应关系;按照预先设定的输出方式,对上述烟叶等级信息进行输出。
在一些实施例中,上述方法还包括:将上述待分级烟叶的烟叶图像和烟叶等级信息关联存储到已分级烟叶数据集合。
在一些实施例中,上述烟叶分级模型是通过以下方式训练得到的:获取样本集,其中,样本包括样本烟叶图像和样本烟叶图像所指示的样本烟叶的样本烟叶等级信息;从上述样本集中选取样本,以及执行以下训练步骤:将选取的样本的样本烟叶图像输入初始神经网络模型,得到样本的预测烟叶等级信息;将样本的预测烟叶等级信息与样本烟叶等级信息进行比较;根据比较结果确定上述初始神经网络模型是否达到预设的达标条件;响应于确定上述初始神网络模型达到上述达标条件,将上述初始神经网络模型作为烟叶分级模型。
在一些实施例中,上述训练步骤还包括:响应于确定上述初始神经网络模型未达到上述达标条件,调整初始神经网络模型中的网络参数,以及从上述样本集中重新选取样本,使用调整后的初始神经网络模型作为初始神经网络模型,继续执行上述训练步骤。
在一些实施例中,上述方法还包括:将上述已分级烟叶数据集合中的已分级烟叶数据进行显示;接收数据选取信息和等级信息修改信息,其中,上述数据选取信息和上述等级信息修改信息是用户针对上述已分级烟叶数据集合中的、分级错误的已分级烟叶数据生成的;根据上述数据选取信息从上述已分级烟叶数据集合中选取至少一个已分级烟叶数据;对于上述至少一个已分级烟叶数据中的已分级烟叶数据,根据上述等级信息修改信息对该已分级烟叶数据中的烟叶等级信息进行修改;使用修改烟叶等级信息后的至少一个已分级烟叶数据组成用于更新上述烟叶分级模型的目标样本数据集合;以上述烟叶分级模型作为初始神经网络模型,从上述目标样本数据集合中选取目标样本数据执行上述训练步骤,得到更新后的烟叶分级模型。
第二方面,本申请实施例提供了一种用于输出烟叶等级信息的装置,上述装置包括:获取单元,被配置成获取待分级烟叶的烟叶图像;导入单元,被配置成将上述烟叶图像导入预先建立的烟叶分级模型,得到上述烟叶图像所指示的待分级烟叶的烟叶等级信息,其中,上述烟叶分级模型用于表征烟叶图像与烟叶图像所指示的烟叶的烟叶等级信息的对应关系;输出单元,被配置成按照预先设定的输出方式,对上述烟叶等级信息进行输出。
在一些实施例中,上述装置还包括:存储单元,被配置成将上述待分级烟叶的烟叶图像和烟叶等级信息关联存储到已分级烟叶数据集合。
在一些实施例中,上述装置还包括模型训练单元,上述模型训练单元包括:样本集获取单元,被配置成获取样本集,其中,样本包括样本烟叶图像和样本烟叶图像所指示的样本烟叶的样本烟叶等级信息;执行单元,被配置成从上述样本集中选取样本,以及执行以下训练步骤:将选取的样本的样本烟叶图像输入初始神经网络模型,得到样本的预测烟叶等级信息;将样本的预测烟叶等级信息与样本烟叶等级信息进行比较;根据比较结果确定上述初始神经网络模型是否达到预设的达标条件;响应于确定上述初始神网络模型达到上述达标条件,将上述初始神经网络模型作为烟叶分级模型。
在一些实施例中,上述执行单元进一步被配置成:响应于确定上述初始神经网络模型未达到上述达标条件,调整初始神经网络模型中的网络参数,以及从上述样本集中重新选取样本,使用调整后的初始神经网络模型作为初始神经网络模型,继续执行上述训练步骤。
在一些实施例中,上述装置还包括模型更新单元,上述模型更新单元被配置成:将上述已分级烟叶数据集合中的已分级烟叶数据进行显示;接收数据选取信息和等级信息修改信息,其中,上述数据选取信息和上述等级信息修改信息是用户针对上述已分级烟叶数据集合中的、分级错误的已分级烟叶数据生成的;根据上述数据选取信息从上述已分级烟叶数据集合中选取至少一个已分级烟叶数据;对于上述至少一个已分级烟叶数据中的已分级烟叶数据,根据上述等级信息修改信息对该已分级烟叶数据中的烟叶等级信息进行修改;使用修改烟叶等级信息后的至少一个已分级烟叶数据组成用于更新上述烟叶分级模型的目标样本数据集合;以上述烟叶分级模型作为初始神经网络模型,从上述目标样本数据集合中选取目标样本数据执行上述训练步骤,得到更新后的烟叶分级模型。
第三方面,本申请实施例提供了一种终端,该终端包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于输出烟叶等级信息的方法和装置,首先获取待分级烟叶的烟叶图像,而后将该烟叶图像导入预先建立的烟叶分级模型,得到该烟叶图像所指示的待分级烟叶的烟叶等级信息,最后按照预先设定的输出方式,对得到的烟叶等级信息进行输出,从而实现了待分级烟叶的烟叶等级信息的自动生成和输出,提高了烟叶质量检测的效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于输出烟叶等级信息的方法的一个实施例的流程图;
图3是根据本申请的用于输出烟叶等级信息的方法的一个应用场景的示意图;
图4是根据本申请的用于输出烟叶等级信息的方法的又一个实施例的流程图;
图5是根据本申请的用于输出烟叶等级信息的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的终端设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请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申请。
图1示出了可以应用本申请实施例的用于输出烟叶等级信息的方法或用于输出烟叶等级信息的装置的示例性系统架构100。
如图1所示,系统架构100可以包括图像采集设备101、终端设备102,网络103、网络104和服务器105。网络103用以在图像采集设备101和终端设备102之间提供通信链路的介质,网络104用以在终端设备102和服务器105之间提供通信链路的介质。网络103和网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
图像采集设备101可以用于采集烟叶图像的各种电子设备,例如,相机、摄像头等等。图像采集设备101可以采集位于采集区的烟叶的图像,并将采集到的烟叶图像发送给终端设备102。图像采集设备101也可以将采集到的烟叶图像发送给服务器105。实践中,图像采集设备101的周围可以安装有光源,以便采集到清晰的烟叶图像。
终端设备102可以是硬件,也可以是软件。当终端设备102为硬件时,可以是具有显示屏并且支持信息接收和输出的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备102上显示的信息提供支持的后台服务器。后台服务器可以对接收到的图像等数据进行分析等处理,并将处理结果(例如烟叶等级信息)反馈给终端设备。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于输出烟叶等级信息的方法可以由终端设备102执行,也可以由服务器105执行。相应地,用于输出烟叶等级信息的装置可以设置于终端设备102中,也可以设置于服务器105中。
应该理解,图1中的图像采集设备、终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的用于输出烟叶等级信息的方法的一个实施例的流程200。该用于输出烟叶等级信息的方法,包括以下步骤:
步骤201,获取待分级烟叶的烟叶图像。
在本实施例中,用于输出烟叶等级信息的方法的执行主体(例如图1所示的终端设备102或服务器105)可以通过有线连接方式或者无线连接方式从图像采集设备(例如图1所示的图像采集设备101)获取待分级烟叶的烟叶图像。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202,将烟叶图像导入预先建立的烟叶分级模型,得到烟叶图像所指示的待分级烟叶的烟叶等级信息。
在本实施例中,上述执行主体可以将步骤201中获取的烟叶图像导入预先建立的烟叶分级模型,从而得到上述烟叶图像所指示的待分级烟叶的烟叶等级信息。上述烟叶分级模型可以用于表征烟叶图像与烟叶图像所指示的烟叶的烟叶等级信息的对应关系。在这里,上述烟叶等级信息可以用于表征待分级烟叶所属的质量等级。例如,上述烟叶等级信息可以包括0级到n级,共n+1个等级,其中,n为正整数。
作为示例,上述烟叶分级模型可以包括特征提取部分和对应关系表。其中,特征提取部分可以用于从烟叶图像中提取特征生成特征向量,例如,特征提取部分可以为卷积神经网络、深度神经网络等等。对应关系表可以是技术人员基于对大量的特征向量和烟叶等级信息的统计而预先制定的、存储有多个特征向量与烟叶等级信息的对应关系的对应关系表。这样,上述烟叶分级模型可以首先使用特征提取部分提取步骤201中得到的烟叶图像的特征,从而生成目标特征向量。之后,将该目标特征向量与对应关系表中的多个特征向量依次进行比较,若对应关系表中的某一个特征向量与目标特征向量相同或相似,则将对应关系表中的该特征向量对应的烟叶等级信息作为步骤201中得到的烟叶图像所指示的待分级烟叶的烟叶等级信息。
步骤203,按照预先设定的输出方式,对烟叶等级信息进行输出。
在本实施例中,上述电子设备可以按照预先设定的输出方式将步骤202中得到的烟叶等级信息进行输出。在这里,上述输出方式可以是各种信息输出方式,例如语音提示方式、文本显示方式等等。实践中,用户可以根据业务场景需要设定烟叶等级信息的输出方式,例如,当实际生产环境较为嘈杂,用户无法听清语音提示时,可是将输出方式设置为文本显示方式。
继续参见图3,图3是根据本实施例的用于输出烟叶等级信息的方法的应用场景的一个示意图。在图3的应用场景中,相机301首先采集待分级烟叶的烟叶图像。之后,相机301将该烟叶图像发送给终端设备302,终端设备302将该烟叶图像导入预先建立的烟叶分级模型,得到该烟叶图像所指示的待分级烟叶的烟叶等级信息。最后,按照预先设定的输出方式—文本显示方式,将得到的烟叶等级信息进行输出。
本申请的上述实施例提供的方法首先获取待分级烟叶的烟叶图像,而后将该烟叶图像导入预先建立的烟叶分级模型,得到该烟叶图像所指示的待分级烟叶的烟叶等级信息,最后按照预先设定的输出方式,对得到的烟叶等级信息进行输出,从而实现了待分级烟叶的烟叶等级信息的自动生成和输出,提高了烟叶质量检测的效率。
进一步参考图4,其示出了用于输出烟叶等级信息的方法的又一个实施例的流程400。该用于输出烟叶等级信息的方法的流程400,包括以下步骤:
步骤401,获取待分级烟叶的烟叶图像。
在本实施例中,用于输出烟叶等级信息的方法的执行主体(例如图1所示的终端设备102)可以通过有线连接方式或者无线连接方式从图像采集设备获取待分级烟叶的烟叶图像。
步骤402,将烟叶图像导入预先建立的烟叶分级模型,得到烟叶图像所指示的待分级烟叶的烟叶等级信息。
在本实施例中,上述执行主体可以将步骤401中获取的烟叶图像导入预先建立的烟叶分级模型,从而得到上述烟叶图像所指示的待分级烟叶的烟叶等级信息。上述烟叶分级模型可以用于表征烟叶图像与烟叶图像所指示的烟叶的烟叶等级信息的对应关系。在这里,上述烟叶等级信息可以用于表征待分级烟叶所属的质量等级。
步骤403,按照预先设定的输出方式,对烟叶等级信息进行输出。
在本实施例中,上述电子设备可以按照预先设定的输出方式将步骤202中得到的烟叶等级信息进行输出。在这里,上述输出方式可以是各种信息输出方式,例如语音提示方式、文本显示方式等等。
步骤404,将待分级烟叶的烟叶图像和烟叶等级信息关联存储到已分级烟叶数据集合。
在本实施例中,上述执行主体可以将上述待分级烟叶的烟叶图像和烟叶等级信息关联存储到已分级烟叶数据集合。作为示例,上述执行主体可以对已分级烟叶数据集合中的数据进行各种分析处理,例如对已分级烟叶数据集合中的数据进行统计分析,从而得到统计分析结果。
在本实施例的一些可选的实现方式中,上述烟叶分级模型可以是上述执行主体或者其他用于训练上述烟叶分级模型的执行主体通过以下方式训练得到的:
首先,获取样本集。其中,上述样本集中的样本可以包括样本烟叶图像和样本烟叶图像所指示的样本烟叶的样本烟叶等级信息。作为示例,样本集中的样本烟叶图像所指示的样本烟叶与待分级烟叶种植于同一地区。由于不同地区的气候不同,导致种植于不同地区的烟叶质量也相差很大。采用与待分级烟叶种植于同一地区的烟叶作为样本烟叶,可以使训练得到的烟叶分级模型更加适用于该地区种植的烟叶,从而使生成的烟叶等级信息更加准确。
然后,从上述样本集中获取样本,并执行以下训练步骤:
步骤S1,将选取的样本的样本烟叶图像输入初始神经网络模型,得到样本的预测烟叶等级信息。实践中,在步骤S1之前需要确定初始神经网络模型的网络结构,例如,需要确定初始神经网络模型包括哪些层,层与层之间的连接顺序关系,以及每层都包括哪些神经元,每个神经元对应的权重(weight)和偏置项(bias),每层的激活函数等等。作为示例,当上述初始神经网络模型为深度卷积神经网络时,由于深度卷积神经网络是一个多层的神经网络,因此需要确定深度卷积神经网络包括哪些层(例如,卷积层,池化层,全连接层,分类器等等),层与层之间的连接顺序关系,以及每个层都包括哪些网络参数(例如,权重、偏置项、卷积的步长)等等。其中,卷积层可以用于提取图像特征。针对每个卷积层可以确定有多少个卷积核,每个卷积核的大小,每个卷积核中的各个神经元的权重,每个卷积核对应的偏置项,相邻两次卷积之间的步长等等。池化层用于对特征图像进行降维处理。
步骤S2,将样本的预测烟叶等级信息与样本烟叶等级信息进行比较。在这里,可以将步骤S1得到的预测烟叶等级信息与所选取的样本的样本烟叶等级信息进行比较,判断样本的预测烟叶等级信息与样本烟叶等级信息是否相同或相近。
步骤S3,根据比较结果确定上述初始神经网络模型是否达到预设的达标条件。作为示例,上述达标条件可以是样本的预测烟叶等级信息与样本烟叶等级信息相同或者误差小于预设阈值。
步骤S4,响应于确定上述初始神网络模型达到上述达标条件,将上述初始神经网络模型作为烟叶分级模型。
在一些可选的实现方式中,上述训练步骤还可以包括:
步骤S5,响应于确定初始神经网络模型未达到上述达标条件,调整初始神经网络模型中的网络参数,以及从上述样本集中重新选取样本,使用调整后的初始神经网络模型作为初始神经网络模型,继续执行上述训练步骤。作为示例,可以采用反向传播算法(BackPropgation Algorithm,BP算法)和梯度下降法(例如随机梯度下降算法)对上述初始神经网络模型的网络参数进行调整。需要说明的是,反向传播算法和梯度下降法是目前广泛研究和应用的公知技术,在此不再赘述。
需要说明的是,如果上述烟叶分级模型由用于输出烟叶等级信息的方法的执行主体训练得到的,可以将训练完成的初始神经网络模型的网络结构信息和网络参数的参数值存储到本地。如果上述烟叶分级模型其他执行主体训练得到,则其他执行主体可以将训练完成的初始神经网络模型的网络结构信息和网络参数的参数值发送给用于输出烟叶等级信息的方法的执行主体。
可选的,用于输出烟叶等级信息的方法还可以包括以下内容:
1)上述执行主体可以将上述已分级烟叶数据集合中的已分级烟叶数据进行显示。
2)上述执行主体可以接收数据选取信息和等级信息修改信息。其中,上述数据选取信息和上述等级信息修改信息可以是用户针对上述已分级烟叶数据集合中的、分级错误的已分级烟叶数据生成的。实践中,上述执行主体运行一段时间之后,可以将该段时间内得到的已分级烟叶数据显示给用户(例如,能够对烟叶进行分级的工作人员)。用户可以对显示的每个已分级烟叶数据中的烟叶图像和烟叶等级信息进行判断,从而确定该烟叶图像对应的烟叶等级信息是否正确。如果不正确,用户可以针对该已分级烟叶数据发送数据选取信息和等级信息修改信息。其中,数据选取信息用于从上述已分级烟叶数据集合中选取出分级错误的已分级烟叶数据,等级信息修改信息为用户针对分级错误的烟叶图像输入的、正确的烟叶等级信息。
3)上述执行主体可以根据上述数据选取信息从上述已分级烟叶数据集合中选取至少一个已分级烟叶数据。
4)对于上述至少一个已分级烟叶数据中的每一个已分级烟叶数据,根据上述等级信息修改信息对该已分级烟叶数据中的烟叶等级信息进行修改。
5)可以使用修改烟叶等级信息后的至少一个已分级烟叶数据组成用于更新上述烟叶分级模型的目标样本数据集合;
6)述执行主体或者其他用于更新上述烟叶分级模型的执行主体,可以以上述烟叶分级模型作为初始神经网络模型,从上述目标样本数据集合中选取目标样本数据执行上述训练步骤,得到更新后的烟叶分级模型。
通过上述实现方式更新烟叶分级模型,可以使烟叶分级模型在使用的过程中不断优化,从而提高烟叶分级模型所生成信息的准确度。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于输出烟叶等级信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于输出烟叶等级信息的装置500包括:获取单元501、导入单元502和输出单元503。其中,获取单元501被配置成获取待分级烟叶的烟叶图像;导入单元502被配置成将上述烟叶图像导入预先建立的烟叶分级模型,得到上述烟叶图像所指示的待分级烟叶的烟叶等级信息,其中,上述烟叶分级模型用于表征烟叶图像与烟叶图像所指示的烟叶的烟叶等级信息的对应关系;输出单元503被配置成按照预先设定的输出方式,对上述烟叶等级信息进行输出。
在本实施例中,用于输出烟叶等级信息的装置500的获取单元501、导入单元502和输出单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述装置500还可以包括:存储单元(图中未示出),被配置成将上述待分级烟叶的烟叶图像和烟叶等级信息关联存储到已分级烟叶数据集合。
在本实施例的一些可选的实现方式中,上述装置500还可以包括模型训练单元(图中未示出),上述模型训练单元包括:样本集获取单元(图中未示出),被配置成获取样本集,其中,样本包括样本烟叶图像和样本烟叶图像所指示的样本烟叶的样本烟叶等级信息;执行单元(图中未示出),被配置成从上述样本集中选取样本,以及执行以下训练步骤:将选取的样本的样本烟叶图像输入初始神经网络模型,得到样本的预测烟叶等级信息;将样本的预测烟叶等级信息与样本烟叶等级信息进行比较;根据比较结果确定上述初始神经网络模型是否达到预设的达标条件;响应于确定上述初始神网络模型达到上述达标条件,将上述初始神经网络模型作为烟叶分级模型。
在本实施例的一些可选的实现方式中,上述执行单元进一步被配置成:响应于确定初始神经网络模型未达到上述达标条件,调整初始神经网络模型中的网络参数,以及从上述样本集中重新选取样本,使用调整后的初始神经网络模型作为初始神经网络模型,继续执行上述训练步骤。
在本实施例的一些可选的实现方式中,上述装置500还可以包括模型更新单元(图中未示出),上述模型更新单元被配置成:将上述已分级烟叶数据集合中的已分级烟叶数据进行显示;接收数据选取信息和等级信息修改信息,其中,上述数据选取信息和上述等级信息修改信息是上述用户针对上述已分级烟叶数据集合中的、分级错误的已分级烟叶数据生成的;根据上述数据选取信息从上述已分级烟叶数据集合中选取至少一个已分级烟叶数据;对于上述至少一个已分级烟叶数据中的已分级烟叶数据,根据上述等级信息修改信息对该已分级烟叶数据中的烟叶等级信息进行修改;使用修改烟叶等级信息后的至少一个已分级烟叶数据组成用于更新上述烟叶分级模型的目标样本数据集合;以上述烟叶分级模型作为初始神经网络模型,从上述目标样本数据集合中选取目标样本数据执行上述训练步骤,得到更新后的烟叶分级模型。
下面参考图6,其示出了适于用来实现本申请实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、导入单元和输出单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取待分级烟叶的烟叶图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取待分级烟叶的烟叶图像;将上述烟叶图像导入预先建立的烟叶分级模型,得到上述烟叶图像所指示的待分级烟叶的烟叶等级信息,其中,上述烟叶分级模型用于表征烟叶图像与烟叶图像所指示的烟叶的烟叶等级信息的对应关系;按照预先设定的输出方式,对上述烟叶等级信息进行输出。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种用于输出烟叶等级信息的方法,包括:
获取待分级烟叶的烟叶图像;
将所述烟叶图像导入预先建立的烟叶分级模型,得到所述烟叶图像所指示的待分级烟叶的烟叶等级信息,其中,所述烟叶分级模型用于表征烟叶图像与烟叶图像所指示的烟叶的烟叶等级信息的对应关系;
按照预先设定的输出方式,对所述烟叶等级信息进行输出。
2.根据权利要求1所述的方法,其中,所述方法还包括:
将所述待分级烟叶的烟叶图像和烟叶等级信息关联存储到已分级烟叶数据集合。
3.根据权利要求2所述的方法,其中,所述烟叶分级模型是通过以下方式训练得到的:
获取样本集,其中,样本包括样本烟叶图像和样本烟叶图像所指示的样本烟叶的样本烟叶等级信息;
从所述样本集中选取样本,以及执行以下训练步骤:将选取的样本的样本烟叶图像输入初始神经网络模型,得到样本的预测烟叶等级信息;将样本的预测烟叶等级信息与样本烟叶等级信息进行比较;根据比较结果确定所述初始神经网络模型是否达到预设的达标条件;响应于确定所述初始神网络模型达到所述达标条件,将所述初始神经网络模型作为烟叶分级模型。
4.根据权利要求3所述的方法,其中,所述训练步骤还包括:
响应于确定初始神经网络模型未达到所述达标条件,调整初始神经网络模型中的网络参数,以及从所述样本集中重新选取样本,使用调整后的初始神经网络模型作为初始神经网络模型,继续执行所述训练步骤。
5.根据权利要求4所述的方法,其中,所述方法还包括:
将所述已分级烟叶数据集合中的已分级烟叶数据进行显示;
接收数据选取信息和等级信息修改信息,其中,所述数据选取信息和所述等级信息修改信息是用户针对所述已分级烟叶数据集合中的、分级错误的已分级烟叶数据生成的;
根据所述数据选取信息从所述已分级烟叶数据集合中选取至少一个已分级烟叶数据;
对于所述至少一个已分级烟叶数据中的已分级烟叶数据,根据所述等级信息修改信息对该已分级烟叶数据中的烟叶等级信息进行修改;
使用修改烟叶等级信息后的至少一个已分级烟叶数据组成用于更新所述烟叶分级模型的目标样本数据集合;
以所述烟叶分级模型作为初始神经网络模型,从所述目标样本数据集合中选取目标样本数据执行所述训练步骤,得到更新后的烟叶分级模型。
6.一种用于输出烟叶等级信息的装置,包括:
获取单元,被配置成获取待分级烟叶的烟叶图像;
导入单元,被配置成将所述烟叶图像导入预先建立的烟叶分级模型,得到所述烟叶图像所指示的待分级烟叶的烟叶等级信息,其中,所述烟叶分级模型用于表征烟叶图像与烟叶图像所指示的烟叶的烟叶等级信息的对应关系;
输出单元,被配置成按照预先设定的输出方式,对所述烟叶等级信息进行输出。
7.根据权利要求6所述的装置,其中,所述装置还包括:
存储单元,被配置成将所述待分级烟叶的烟叶图像和烟叶等级信息关联存储到已分级烟叶数据集合。
8.根据权利要求7所述的装置,其中,所述装置还包括模型训练单元,所述模型训练单元包括:
样本集获取单元,被配置成获取样本集,其中,样本包括样本烟叶图像和样本烟叶图像所指示的样本烟叶的样本烟叶等级信息;
执行单元,被配置成从所述样本集中选取样本,以及执行以下训练步骤:将选取的样本的样本烟叶图像输入初始神经网络模型,得到样本的预测烟叶等级信息;将样本的预测烟叶等级信息与样本烟叶等级信息进行比较;根据比较结果确定所述初始神经网络模型是否达到预设的达标条件;响应于确定所述初始神网络模型达到所述达标条件,将所述初始神经网络模型作为烟叶分级模型。
9.根据权利要求8所述的装置,其中,所述执行单元进一步被配置成:
响应于确定初始神经网络模型未达到所述达标条件,调整初始神经网络模型中的网络参数,以及从所述样本集中重新选取样本,使用调整后的初始神经网络模型作为初始神经网络模型,继续执行所述训练步骤。
10.根据权利要求9所述的装置,其中,所述装置还包括模型更新单元,所述模型更新单元被配置成:
将所述已分级烟叶数据集合中的已分级烟叶数据进行显示;
接收数据选取信息和等级信息修改信息,其中,所述数据选取信息和所述等级信息修改信息是用户针对所述已分级烟叶数据集合中的、分级错误的已分级烟叶数据生成的;
根据所述数据选取信息从所述已分级烟叶数据集合中选取至少一个已分级烟叶数据;
对于所述至少一个已分级烟叶数据中的已分级烟叶数据,根据所述等级信息修改信息对该已分级烟叶数据中的烟叶等级信息进行修改;
使用修改烟叶等级信息后的至少一个已分级烟叶数据组成用于更新所述烟叶分级模型的目标样本数据集合;
以所述烟叶分级模型作为初始神经网络模型,从所述目标样本数据集合中选取目标样本数据执行所述训练步骤,得到更新后的烟叶分级模型。
11.一种终端,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810517108.6A CN108805867A (zh) | 2018-05-25 | 2018-05-25 | 用于输出烟叶等级信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810517108.6A CN108805867A (zh) | 2018-05-25 | 2018-05-25 | 用于输出烟叶等级信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108805867A true CN108805867A (zh) | 2018-11-13 |
Family
ID=64089104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810517108.6A Pending CN108805867A (zh) | 2018-05-25 | 2018-05-25 | 用于输出烟叶等级信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805867A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807760A (zh) * | 2019-09-16 | 2020-02-18 | 北京农业信息技术研究中心 | 一种烟叶分级方法及系统 |
CN111274860A (zh) * | 2019-11-08 | 2020-06-12 | 杭州安脉盛智能技术有限公司 | 一种基于机器视觉的在线自动烟叶等级分选的识别方法 |
CN112042999A (zh) * | 2020-08-25 | 2020-12-08 | 湖北省烟草科学研究院 | 一种基于神经网络的挂灰烟识别的质量判定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590211A (zh) * | 2011-01-11 | 2012-07-18 | 郑州大学 | 利用光谱和图像特征进行烟叶分级的方法 |
CN106326899A (zh) * | 2016-08-18 | 2017-01-11 | 郑州大学 | 一种基于高光谱图像和深度学习算法的烟叶分级方法 |
CN107239203A (zh) * | 2016-03-29 | 2017-10-10 | 北京三星通信技术研究有限公司 | 一种图像管理方法和装置 |
CN107729929A (zh) * | 2017-09-30 | 2018-02-23 | 百度在线网络技术(北京)有限公司 | 用于获取信息的方法及装置 |
-
2018
- 2018-05-25 CN CN201810517108.6A patent/CN108805867A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590211A (zh) * | 2011-01-11 | 2012-07-18 | 郑州大学 | 利用光谱和图像特征进行烟叶分级的方法 |
CN107239203A (zh) * | 2016-03-29 | 2017-10-10 | 北京三星通信技术研究有限公司 | 一种图像管理方法和装置 |
CN106326899A (zh) * | 2016-08-18 | 2017-01-11 | 郑州大学 | 一种基于高光谱图像和深度学习算法的烟叶分级方法 |
CN107729929A (zh) * | 2017-09-30 | 2018-02-23 | 百度在线网络技术(北京)有限公司 | 用于获取信息的方法及装置 |
Non-Patent Citations (1)
Title |
---|
刘甘娜等: "《多媒体应用基础》", 30 April 2000 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807760A (zh) * | 2019-09-16 | 2020-02-18 | 北京农业信息技术研究中心 | 一种烟叶分级方法及系统 |
CN111274860A (zh) * | 2019-11-08 | 2020-06-12 | 杭州安脉盛智能技术有限公司 | 一种基于机器视觉的在线自动烟叶等级分选的识别方法 |
CN111274860B (zh) * | 2019-11-08 | 2023-08-22 | 杭州安脉盛智能技术有限公司 | 一种基于机器视觉的在线自动烟叶等级分选的识别方法 |
CN112042999A (zh) * | 2020-08-25 | 2020-12-08 | 湖北省烟草科学研究院 | 一种基于神经网络的挂灰烟识别的质量判定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446651A (zh) | 人脸识别方法和装置 | |
CN108446387A (zh) | 用于更新人脸注册库的方法和装置 | |
CN109976997A (zh) | 测试方法和装置 | |
CN107230035A (zh) | 信息推送方法和装置 | |
CN107168952A (zh) | 基于人工智能的信息生成方法和装置 | |
CN109858445A (zh) | 用于生成模型的方法和装置 | |
CN108898185A (zh) | 用于生成图像识别模型的方法和装置 | |
CN108989882A (zh) | 用于输出视频中的音乐片段的方法和装置 | |
CN108520220A (zh) | 模型生成方法和装置 | |
CN108520324A (zh) | 用于生成信息的方法和装置 | |
CN108229485A (zh) | 用于测试用户界面的方法和装置 | |
CN109492160A (zh) | 用于推送信息的方法和装置 | |
CN109545192A (zh) | 用于生成模型的方法和装置 | |
CN108197652A (zh) | 用于生成信息的方法和装置 | |
CN107944481A (zh) | 用于生成信息的方法和装置 | |
CN110457476A (zh) | 用于生成分类模型的方法和装置 | |
CN109815365A (zh) | 用于处理视频的方法和装置 | |
CN108805867A (zh) | 用于输出烟叶等级信息的方法和装置 | |
CN109086780A (zh) | 用于检测电极片毛刺的方法和装置 | |
CN109447246A (zh) | 用于生成模型的方法和装置 | |
CN108509921A (zh) | 用于生成信息的方法和装置 | |
CN108776692A (zh) | 用于处理信息的方法和装置 | |
CN108182472A (zh) | 用于生成信息的方法和装置 | |
CN110400184A (zh) | 用于生成信息的方法和装置 | |
CN108510084A (zh) | 用于生成信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |