CN110479635A - 基于神经网络自动分拣烟叶的方法及装置 - Google Patents
基于神经网络自动分拣烟叶的方法及装置 Download PDFInfo
- Publication number
- CN110479635A CN110479635A CN201910658773.1A CN201910658773A CN110479635A CN 110479635 A CN110479635 A CN 110479635A CN 201910658773 A CN201910658773 A CN 201910658773A CN 110479635 A CN110479635 A CN 110479635A
- Authority
- CN
- China
- Prior art keywords
- tobacco
- tobacco leaves
- tobacco leaf
- sorted
- natural
- 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.)
- Granted
Links
- 241000208125 Nicotiana Species 0.000 title claims abstract description 595
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 595
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 87
- 230000007246 mechanism Effects 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000003595 spectral effect Effects 0.000 claims description 39
- 238000001228 spectrum Methods 0.000 claims description 24
- 238000000926 separation method Methods 0.000 claims description 20
- 238000009827 uniform distribution Methods 0.000 claims description 15
- 238000005192 partition Methods 0.000 claims description 11
- 238000010183 spectrum analysis Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000003756 stirring Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 6
- 238000005498 polishing Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 abstract 3
- 230000001537 neural effect Effects 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 206010044565 Tremor Diseases 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 235000019505 tobacco product Nutrition 0.000 description 2
- 206010008531 Chills Diseases 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
- A24B—MANUFACTURE OR PREPARATION OF TOBACCO FOR SMOKING OR CHEWING; TOBACCO; SNUFF
- A24B3/00—Preparing tobacco in the factory
- A24B3/16—Classifying or aligning leaves
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/02—Measures preceding sorting, e.g. arranging articles in a stream orientating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
Landscapes
- Manufacture Of Tobacco Products (AREA)
Abstract
本申请提供一种基于神经网络自动分拣烟叶的方法及装置，该装置包括：拆包机，与振动输送机相连接；振动输送机，与拆包机及限高机构相连接；限高机构，与振动输送机及均布传送带相连接；均布传送带，与限高机构及烟叶分拣器相连接；烟叶分拣器，与均布传送带及烟叶分拣装箱器相连接，获取待分拣烟叶的自然图像，分析得到待分拣烟叶的自然特征信息数据，与预设的经过烟叶神经网络训练得到的自然分级策略对比，得到待分拣烟叶的分拣级别，按照分拣级别将待分拣烟叶传输至烟叶分拣装箱器；烟叶分拣装箱器，与烟叶分拣器及烟叶放置箱相连接；烟叶放置箱，与烟叶分拣装箱器相连接。本发明实现了智能、高效、标准化且低成本的烟叶分拣。
Description
技术领域
本申请涉及自动化控制的技术领域，尤其涉及一种基于神经网络自动分拣烟叶的方法及装置。
背景技术
烟叶，为烟草工业的原料，是一种重要的经济作物，在我国的种植面积也非常广泛，在我国的农业生产中占有重要的地位。烟叶的品质和生产工艺会直接影响到由烟叶制成的烟草产品的质量。在烟叶种植过程中，由于受到不同地域气候、环境、土壤及烟叶品种、着生部位、栽植方式和烘烤制作和保存工艺的影响，使得烟叶原材料的质量差异很大。
因此，需要对不同品质的烟叶进行分级，以不同的加工工艺条件针对不同等级烟叶制作得到不同等级经济价值的烟叶制品。烟叶分级的主要依据是基于烟叶的生长部位、颜色、成熟度、叶片结构、残伤、长度尺寸等特征。现有阶段，对烟叶的分级主要采用的是依据国家烟叶分级标准，通过人为感官来进行分拣，需要耗费的劳动强度大、人力多，效率低，而且受人为主观因素影响，使得烟叶分拣的精度低、分拣质量达不到分级要求。由于烟叶形态多样、没有特定的纹理特征，颜色结构也较为复杂，仅靠人为从形态、纹理和颜色等单一特征来区分烟叶进行分拣很容易产生误判和漏判的情况。
随着人们生活水平的提升，对烟叶制品的质量追求也越来越高，在烟叶质量要求逐步提高的今天，传统人工分拣烟叶的方法既不能满足烟叶分级品质的要求，也达不到分拣效率的要求，还增加了烟叶分拣的成本，不利于烟叶行业的发展。
因此，如何提供一种智能、高效、标准化且低成本对烟叶进行分拣的方案是本领域亟待解决的技术问题。
发明内容
本申请的目的在于提供一种基于神经网络自动分拣烟叶的方法及装置，解决现有技术中烟叶分拣无标准化，分拣品质差、分拣效率低、成本高的的技术问题。
为达到上述目的，本申请提供一种基于神经网络自动分拣烟叶的方法，包括：
将打包好的烟叶经过拆包机拆解后输入振动输送机，在所述振动输送机中振动和拨料杆逆向旋转，将所述烟叶持续抖散后，通过预设的限高机构得到抖散烟叶；
利用均布传送带拨动所述抖散烟叶，通过间隔分格栏使得每个所述间隔槽内承载一片所述抖散烟叶，得到单独分布的待分拣烟叶；
将所述待分拣烟叶以预设的速度经过烟叶分拣器，所述烟叶分拣器获取所述待分拣烟叶的自然图像，分析得到所述待分拣烟叶的自然特征信息数据，与预设的经过烟叶神经网络训练得到的自然分级策略对比，得到所述待分拣烟叶的分拣级别，按照所述分拣级别将所述待分拣烟叶传输至烟叶分拣装箱器；
所述烟叶分拣装箱器在所述待分拣烟叶到达时，开启所述分拣级别对应的烟叶放置箱容纳所述待分拣烟叶。
可选地，其中，所述自然分级策略，为：
采集训练烟叶的自然光图片，按预设的烟叶特征维度信息分析所述自然光图片得到所述训练烟叶的自然特征信息数据；
将所述训练烟叶进行光谱分析，得到所述训练烟叶的光谱特征信息数据；将所述训练烟叶的所述自然特征信息数据及光谱特征信息数据对应，进行神经网络训练得到烟叶的自然特征与光谱特征的关联模型；
根据所述光谱特征信息数据建立所述烟叶的光谱烟叶分级策略，基于所述关联模型得到所述烟叶的自然分级策略。
可选地，其中，采集训练烟叶的自然光图片，按预设的烟叶特征维度信息分析所述自然光图片得到所述训练烟叶的自然特征信息数据，为：
将训练烟叶/待分拣烟叶导入检测暗室，通过预设的恒定光源进行打光，以相机对每组所述训练烟叶片/待分拣烟叶拍照，采集所述训练烟叶/待分拣烟叶的自然光图片；
按预设的烟叶特征维度信息分析所述自然光图片，得到所述训练烟叶/待分拣烟叶的自然特征信息数据。
可选地，其中，利用均布传送带拨动所述抖散烟叶，通过间隔分格栏使得每个所述间隔槽内承载一片所述抖散烟叶，得到单独分布的待分拣烟叶，为：
将所述抖散烟叶经过大于或等于两级的限高逆向拨动机构后，进入到限高均布斜坡传送带传送；
传送的所述抖散烟叶经过振动输送机使得烟叶松散，向后一级均布皮带传送，通过间隔分格栏使得每个所述间隔槽内承载一片所述抖散烟叶，得到单独分布的待分拣烟叶。
可选地，其中，利用均布传送带拨动所述抖散烟叶，通过间隔分格栏使得每个所述间隔槽内承载一片所述抖散烟叶，得到单独分布的待分拣烟叶，为：
利用均布传送带拨动所述抖散烟叶，通过间隔分格栏使得每个所述间隔槽内承载一片所述抖散烟叶，得到单独分布的待分拣烟叶；
检测到所述间隔槽内承载的所述抖散烟叶大于或等于两片时，将该超标的所述抖散烟叶传送至抛料装载箱中。
另一方面，本发明还提供一种基于神经网络自动分拣烟叶的装置，包括：拆包机、振动输送机、限高机构、均布传送带、烟叶分拣器、烟叶分拣装箱器及烟叶放置箱；其中，
所述拆包机，与所述振动输送机相连接，将打包好的烟叶经过拆包机拆解后输入振动输送机；
所述振动输送机，与所述拆包机及限高机构相连接，在所述振动输送机中振动和拨料杆逆向旋转，将所述烟叶持续抖散；
所述限高机构，与所述振动输送机及均布传送带相连接，以预设高度的限高杆对抖散的烟叶限高得到抖散烟叶；
所述均布传送带，与所述限高机构及烟叶分拣器相连接，拨动所述抖散烟叶，通过间隔分格栏使得每个所述间隔槽内承载一片所述抖散烟叶，得到单独分布的待分拣烟叶；
所述烟叶分拣器，与所述均布传送带及烟叶分拣装箱器相连接，以预设的速度传送所述待分拣烟叶，获取所述待分拣烟叶的自然图像，分析得到所述待分拣烟叶的自然特征信息数据，与预设的经过烟叶神经网络训练得到的自然分级策略对比，得到所述待分拣烟叶的分拣级别，按照所述分拣级别将所述待分拣烟叶传输至烟叶分拣装箱器；
所述烟叶分拣装箱器，与所述烟叶分拣器及烟叶放置箱相连接，在所述待分拣烟叶到达时，开启所述分拣级别对应的烟叶放置箱；
所述烟叶放置箱，与所述烟叶分拣装箱器相连接，容纳对应分级的所述待分拣烟叶。
可选地，其中，所述烟叶分拣器，包括：待分拣烟叶自然特征采集器、自然分级策略分析处理器及烟叶分拣级别控制器；其中，
所述待分拣烟叶自然特征采集器，与所述均布传送带及烟叶分拣级别控制器相连接，获取所述待分拣烟叶的自然图像，分析得到所述待分拣烟叶的自然特征信息数据；
所述自然分级策略分析处理器，与所述烟叶分拣级别控制器相连接，采集训练烟叶的自然光图片，按预设的烟叶特征维度信息分析所述自然光图片得到所述训练烟叶的自然特征信息数据；
将所述训练烟叶进行光谱分析，得到所述训练烟叶的光谱特征信息数据；将所述训练烟叶的所述自然特征信息数据及光谱特征信息数据对应，进行神经网络训练得到烟叶的自然特征与光谱特征的关联模型；
根据所述光谱特征信息数据建立所述烟叶的光谱烟叶分级策略，基于所述关联模型得到所述烟叶的自然分级策略；
所述烟叶分拣级别控制器，与所述待分拣烟叶自然特征采集器、自然分级策略分析处理器及烟叶分拣装箱器相连接，将所述待分拣烟叶的自然特征信息数据与所述自然分级策略对比，得到所述待分拣烟叶的分拣级别，按照所述分拣级别将所述待分拣烟叶传输至烟叶分拣装箱器。
可选地，其中，所述自然分级策略分析处理器，包括：烟叶自然特征采集单元及烟叶自然分级策略构建单元；其中，
所述烟叶自然特征采集单元，与所述烟叶的自然分级策略构建单元相连接，将训练烟叶/待分拣烟叶导入检测暗室，通过预设的恒定光源进行打光，以相机对每组所述训练烟叶片/待分拣烟叶拍照，采集所述训练烟叶/待分拣烟叶的自然光图片；
按预设的烟叶特征维度信息分析所述自然光图片，得到所述训练烟叶/待分拣烟叶的自然特征信息数据；
所述烟叶自然分级策略构建单元，与所述烟叶自然特征采集单元及烟叶分拣级别控制器相连接，将所述训练烟叶进行光谱分析，得到所述训练烟叶的光谱特征信息数据；将所述训练烟叶的所述自然特征信息数据及光谱特征信息数据对应，进行神经网络训练得到烟叶的自然特征与光谱特征的关联模型；
根据所述光谱特征信息数据建立所述烟叶的光谱烟叶分级策略，基于所述关联模型得到所述烟叶的自然分级策略。
可选地，其中，所述均布传送带，包括：限高拨动筛选传送带、分离振动输送机及均布分离传送带；其中，
所述限高拨动筛选传送带，与所述限高机构及分离振动输送机相连接，将所述抖散烟叶经过大于或等于两级的限高逆向拨动机构后，进入到限高均布斜坡传送带传送；
所述分离振动输送机，与所述限高拨动筛选传送带及均布分离传送带相连接，将传送的所述抖散烟叶振动松散，向后一级均布皮带传送；
所述均布分离传送带，与所述分离振动输送机及烟叶分拣器的烟叶图像采集腔相连接，接收所述分离振动输送机传送的所述抖散烟叶后，通过间隔分格栏使得每个所述间隔槽内承载一片所述抖散烟叶，得到单独分布的待分拣烟叶。
可选地，其中，所述均布传送带，包括：分离均布传送带及超标均布传送带；其中，
所述分离均布传送带，与所述限高机构、超标均布传送带及烟叶分拣器相连接，利用均布传送带拨动所述抖散烟叶，通过间隔分格栏使得每个所述间隔槽内承载一片所述抖散烟叶，得到单独分布的待分拣烟叶；
所述超标均布传送带，与所述分离均布传送带及烟叶分拣器相连接，检测到所述间隔槽内承载的所述抖散烟叶大于或等于两片时，将该超标的所述抖散烟叶传送至抛料装载箱中。
本申请的基于神经网络自动分拣烟叶的方法及装置，实现的有益效果如下：
(1)本申请的基于神经网络自动分拣烟叶的方法及装置，根据烟叶的特征，获取烟叶的自然光图像分析得到自然光特征数据，且获取烟叶的光谱分析得到光谱特征数据，利用神经网络学习建立自然光特征与光谱特征之间的关联，基于光谱特征设定烟叶分拣的分级策略，以此建立烟叶的自动分拣体系，实现了智能、高效、标准化且低成本的烟叶分拣。
(2)本申请的基于神经网络自动分拣烟叶的方法及装置，利用神经网络学习建立烟叶自然光特征与光谱特征之间的关联，根据烟叶特征从多维度训练学习得到烟叶分拣控制，对无法识别的烟叶进行重学习更新学习模型，可以适应不同种类、区域的烟叶分拣，提升了烟叶分拣的智能性和精准性。
(3)本申请的基于神经网络自动分拣烟叶的方法及装置，利用神经网络学习建立烟叶自然光特征与光谱特征之间的关联，根据烟叶特征从多维度训练学习得到烟叶分拣控制，通过调节或选择高光谱的光谱特征可以选取不同分级策略的烟叶分级，从而根据需要得到各种不同分拣分级的烟叶，提升了自动分拣烟叶应用广泛性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于神经网络自动分拣烟叶的方法的流程示意图；
图2为本发明实施例中第二种基于神经网络自动分拣烟叶的方法的流程示意图；
图3为本发明实施例中第三种基于神经网络自动分拣烟叶的方法的流程示意图；
图4为本发明实施例中第四种基于神经网络自动分拣烟叶的方法的流程示意图；
图5为本发明实施例中第五种基于神经网络自动分拣烟叶的方法的流程示意图；
图6为本发明实施例中一种基于神经网络自动分拣烟叶的装置的结构示意图；
图7为本发明实施例中第二种基于神经网络自动分拣烟叶的装置的结构示意图；
图8为本发明实施例中第三种基于神经网络自动分拣烟叶的装置的结构示意图；
图9为本发明实施例中第四种基于神经网络自动分拣烟叶的装置的结构示意图；
图10为本发明实施例中第五种基于神经网络自动分拣烟叶的装置的结构示意图；
图11为本实施例中基于神经网络自动分拣烟叶的装置的整体布局图；
图12为本实施例中基于神经网络自动分拣烟叶的装置的拆解包装入振动输送机的示意图；
图13为本实施例中基于神经网络自动分拣烟叶的装置的叶片多级均布传送带的示意图；
图14为本实施例中基于神经网络自动分拣烟叶的装置的叶片智能检测并分类的烟叶分拣器的示意图。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
实施例1
如图1所示，为本实施例中一种基于神经网络自动分拣烟叶的流程示意图，利用传送装置传送烟叶，均布振动得到单独分布的烟叶，再将高光谱成像区域反推到自然可见光区域上，建立烟叶高光谱多维特征库，然后将高光谱多维特征库与自然光多维特征库做机器学习，可以通过lightgbm的模型学习方法建立烟叶分拣过程中自然光和光谱特征中间的相关性模型，进而进行烟叶自动分拣。具体地，该方法包括如下步骤：
步骤101、将打包好的烟叶经过拆包机拆解后输入振动输送机，在振动输送机中振动和拨料杆逆向旋转，将烟叶持续抖散后，通过预设的限高机构得到抖散烟叶。
步骤102、利用均布传送带拨动抖散烟叶，通过间隔分格栏使得每个间隔槽内承载一片抖散烟叶，得到单独分布的待分拣烟叶。
步骤103、将待分拣烟叶以预设的速度经过烟叶分拣器，烟叶分拣器获取待分拣烟叶的自然图像，分析得到待分拣烟叶的自然特征信息数据，与预设的经过烟叶神经网络训练得到的自然分级策略对比，得到待分拣烟叶的分拣级别，按照分拣级别将待分拣烟叶传输至烟叶分拣装箱器。
步骤104、烟叶分拣装箱器在待分拣烟叶到达时，开启分拣级别对应的烟叶放置箱容纳待分拣烟叶。
可选地，根据烟叶的图片将烟叶扣取出来，将颜色均值和中心线长度求出，然后聚类成为多个参数，各个烤烟点可以根据自己的需求设定各个参数来做烟叶的初步分拣。采用的深度学习的方式，构建50～200层的隐含网络结构，用来存储叶片的低维和高维特征，使用的特征维度可以是红(Red)、绿(Green)、蓝(Blue)、色调(H)、饱和度(S)、明度(V)。
特征工程建立先从自然光开始，由于叶片非展开状态，所以要先将正反面的叶片区域单独取出，且分别构建特征工程，自然光特征工程基本特征参数为RGB(红绿蓝)值，中期会将透明度、色调、饱和度、亮度全部加入到特征工程中，而且由于像素点的特征工程过于宽泛，所以还可以根据这些基础特征聚类出不同的区域面积参数，也可以人工构建高维特征。
神经网络，是一种机器学习的方法，深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。
深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如，人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分.不同的学习框架下建立的学习模型很是不同.例如，卷积神经网络(Convolutional neuralnetworks，简称CNNs)就是一种深度的监督学习下的机器学习模型，而深度置信网(DeepBelief Nets，简称DBNs)就是一种无监督学习下的机器学习模型。根据目前在烤烟点采集的数据来看，无监督聚类的方案不适用于当前情况，可以采用传统的有监督即有标注的数据来训练神经网络，优选地，可以采用图像识别的卷积神经网络学习方式。
光谱分辨率在10l数量级范围内的光谱图像称为高光谱图像(HyperspectralImage)。遥感技术经过20世纪后半叶的发展，无论在理论上、技术上和应用上均发生了重大的变化。其中，高光谱图像技术的出现和快速发展无疑是这种变化中十分突出的一个方面。通过搭载在不同空间平台上的高光谱传感器，即成像光谱仪，在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像。
自然光构建特征工程的同时将烟叶送入实验室做光谱分析，可以得出每一个烟叶的光谱特征，用来记录蛋白质含量等参数，同样的，光谱特征也会采用区域聚类的方法构建高维特征，最后构建算法模型来分析自然光特征和光谱特征的关联性，通过光谱特征可以很好地反映出烟叶的品质特征，基于烟叶的品质特征可以设置烟叶的品质分级，由此，可以将烟叶的品质分级标准化、规划化，避免了人为分拣的主观判断，提升了烟叶分拣的品质和效率。
利用大数据分析后，用自然光来预测光谱特征，再根据光谱下烟叶分级来建立自然光下的烟叶分级。此处可能会选择LightGBM模型，精度上和xgboost差不多，但是速度很快，LightGBM可以选择基于histogram的决策树算法，相比于另一个主流的算法pre-sorted(如xgboost中的exact算法)，histogram在内存消耗和计算代价上都有不少优势，在histogram算法之上，通过LightGBM进行进一步地优化，迅速地得出结果可以非常方便快速地调整算法，可以节约大量的时间。
机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
此处机器学习和深度学习不重合，烟叶的分级用深度学习识别虽然也会有效果，但是深度学习的黑盒特性无法迅速的观察和构建真实分级的特征，由此，可以用深度学习做前期的分类，机器学习的特征工程还是人为干预用以方便后面的烟叶分级。
在一些可选的实施例中，如图2所示，为本实施例中第二种基于神经网络自动分拣烟叶的方法的流程示意图。与图1中不同的是，自然分级策略获取方法，为：
步骤201、采集训练烟叶的自然光图片，按预设的烟叶特征维度信息分析自然光图片得到训练烟叶的自然特征信息数据。
使用深度学习方法做自然光下的图像识别，由于是轮廓提取，所以运算量要比框提取的大很多，可以将一张图片优化到0.6秒，而一张图片里面有4张烟叶，可以同时分析，所以平均到烟叶识别为0.15秒一张，一个小时14400张，一个烤烟点一天分类的烟叶叶片在12万张左右，如果效率不够，还可以增加隔断，一张图片里面可以放5片烟叶，检测时间同样是0.6秒。任何根据实际需要选择拍摄烟叶图像的张数及拍摄速度应在本实施例的范围内。
步骤202、将训练烟叶进行光谱分析，得到训练烟叶的光谱特征信息数据；将训练烟叶的自然特征信息数据及光谱特征信息数据对应，进行神经网络训练得到烟叶的自然特征与光谱特征的关联模型。
步骤203、根据光谱特征信息数据建立烟叶的光谱烟叶分级策略，基于关联模型得到烟叶的自然分级策略。
在一些可选的实施例中，如图3所示，为本实施例中第三种基于神经网络自动分拣烟叶的方法的流程示意图。与图1中不同的是，采集训练烟叶的自然光图片，按预设的烟叶特征维度信息分析自然光图片得到训练烟叶的自然特征信息数据，为：
步骤301、将训练烟叶/待分拣烟叶导入检测暗室，通过预设的恒定光源进行打光，以相机对每组训练烟叶片/待分拣烟叶拍照，采集训练烟叶/待分拣烟叶的自然光图片。
步骤302、按预设的烟叶特征维度信息分析自然光图片，得到训练烟叶/待分拣烟叶的自然特征信息数据。
在一些可选的实施例中，如图4所示，为本实施例中第四种基于神经网络自动分拣烟叶的方法的流程示意图。与图1中不同的是，利用均布传送带拨动抖散烟叶，通过间隔分格栏使得每个间隔槽内承载一片抖散烟叶，得到单独分布的待分拣烟叶，为：
步骤401、将抖散烟叶经过大于或等于两级的限高逆向拨动机构后，进入到限高均布斜坡传送带传送。
步骤402、传送的抖散烟叶经过振动输送机使得烟叶松散，向后一级均布皮带传送，通过间隔分格栏使得每个间隔槽内承载一片抖散烟叶，得到单独分布的待分拣烟叶。
在一些可选的实施例中，如图5所示，为本实施例中第五种基于神经网络自动分拣烟叶的方法的流程示意图。与图1中不同的是，利用均布传送带拨动抖散烟叶，通过间隔分格栏使得每个间隔槽内承载一片抖散烟叶，得到单独分布的待分拣烟叶，为：
步骤501、利用均布传送带拨动抖散烟叶，通过间隔分格栏使得每个间隔槽内承载一片抖散烟叶，得到单独分布的待分拣烟叶。
步骤502、检测到间隔槽内承载的抖散烟叶大于或等于两片时，将该超标的抖散烟叶传送至抛料装载箱中。
在一些可选的实施例中，如图6及11-14所示，图6为本实施例中一种基于神经网络自动分拣烟叶的装置600的结构示意图，图11为本实施例中基于神经网络自动分拣烟叶的装置的整体布局图；图12为本实施例中基于神经网络自动分拣烟叶的装置的拆解包装入振动输送机的示意图；图13为本实施例中基于神经网络自动分拣烟叶的装置的叶片多级均布传送带的示意图；图14为本实施例中基于神经网络自动分拣烟叶的装置的叶片智能检测并分类的烟叶分拣器的示意图。该装置可用于实施上述的基于神经网络自动分拣烟叶的方法。具体地，该装置包括：拆包机601、振动输送机602、限高机构603、均布传送带604、烟叶分拣器605、烟叶分拣装箱器606及烟叶放置箱607。
其中，拆包机601，与振动输送机602相连接，将打包好的烟叶经过拆包机拆解后输入振动输送机602。
振动输送机602，与拆包机601及限高机构603相连接，在振动输送机中振动和拨料杆逆向旋转，将烟叶持续抖散。
限高机构603，与振动输送机602及均布传送带604相连接，以预设高度的限高杆对抖散的烟叶限高得到抖散烟叶。
均布传送带604，与限高机构603及烟叶分拣器605相连接，拨动抖散烟叶，通过间隔分格栏使得每个间隔槽内承载一片抖散烟叶，得到单独分布的待分拣烟叶。
烟叶分拣器605，与均布传送带604及烟叶分拣装箱器606相连接，以预设的速度传送待分拣烟叶，获取待分拣烟叶的自然图像，分析得到待分拣烟叶的自然特征信息数据，与预设的经过烟叶神经网络训练得到的自然分级策略对比，得到待分拣烟叶的分拣级别，按照分拣级别将待分拣烟叶传输至烟叶分拣装箱器。
烟叶分拣装箱器606，与烟叶分拣器605及烟叶放置箱607相连接，在待分拣烟叶到达时，开启分拣级别对应的烟叶放置箱。
烟叶放置箱607，与烟叶分拣装箱器606相连接，容纳对应分级的待分拣烟叶。
在一些可选的实施例中，如图7所示，为本实施例中第二种基于神经网络自动分拣烟叶的装置700的结构示意图。与图6中不同的是，烟叶分拣器605，包括：待分拣烟叶自然特征采集器701、自然分级策略分析处理器702及烟叶分拣级别控制器703。
其中，待分拣烟叶自然特征采集器701，与均布传送带604及烟叶分拣级别控制器703相连接，获取待分拣烟叶的自然图像，分析得到待分拣烟叶的自然特征信息数据。
自然分级策略分析处理器702，与烟叶分拣级别控制器703相连接，采集训练烟叶的自然光图片，按预设的烟叶特征维度信息分析自然光图片得到训练烟叶的自然特征信息数据。
将训练烟叶进行光谱分析，得到训练烟叶的光谱特征信息数据；将训练烟叶的自然特征信息数据及光谱特征信息数据对应，进行神经网络训练得到烟叶的自然特征与光谱特征的关联模型。
根据光谱特征信息数据建立烟叶的光谱烟叶分级策略，基于关联模型得到烟叶的自然分级策略。
烟叶分拣级别控制器703，与待分拣烟叶自然特征采集器701、自然分级策略分析处理器702及烟叶分拣装箱器606相连接，将待分拣烟叶的自然特征信息数据与自然分级策略对比，得到待分拣烟叶的分拣级别，按照分拣级别将待分拣烟叶传输至烟叶分拣装箱器。
在一些可选的实施例中，如图8所示，为本实施例中第三种基于神经网络自动分拣烟叶的装置800的结构示意图。与图7中不同的是，自然分级策略分析处理器702，包括：烟叶自然特征采集单元801及烟叶自然分级策略构建单元802。
其中，烟叶自然特征采集单元801，与烟叶的自然分级策略构建单元802相连接，将训练烟叶/待分拣烟叶导入检测暗室，通过预设的恒定光源进行打光，以相机对每组训练烟叶片/待分拣烟叶拍照，采集训练烟叶/待分拣烟叶的自然光图片。
按预设的烟叶特征维度信息分析自然光图片，得到训练烟叶/待分拣烟叶的自然特征信息数据。
烟叶自然分级策略构建单元802，与烟叶自然特征采集单元801及烟叶分拣级别控制器703相连接，将训练烟叶进行光谱分析，得到训练烟叶的光谱特征信息数据；将训练烟叶的自然特征信息数据及光谱特征信息数据对应，进行神经网络训练得到烟叶的自然特征与光谱特征的关联模型。
根据光谱特征信息数据建立烟叶的光谱烟叶分级策略，基于关联模型得到烟叶的自然分级策略。
在一些可选的实施例中，如图9所示，为本实施例中第四种基于神经网络自动分拣烟叶的装置900的结构示意图。与图6中不同的是，均布传送带604，包括：限高拨动筛选传送带901、分离振动输送机902及均布分离传送带903。
其中，限高拨动筛选传送带901，与限高机构603及分离振动输送机902相连接，将抖散烟叶经过大于或等于两级的限高逆向拨动机构后，进入到限高均布斜坡传送带传送。
分离振动输送机902，与限高拨动筛选传送带901及均布分离传送带903相连接，将传送的抖散烟叶振动松散，向后一级均布皮带传送。
均布分离传送带903，与分离振动输送机902及烟叶分拣器605的烟叶图像采集腔相连接，接收分离振动输送机传送的抖散烟叶后，通过间隔分格栏使得每个间隔槽内承载一片抖散烟叶，得到单独分布的待分拣烟叶。
在一些可选的实施例中，如图10所示，为本实施例中第五种基于神经网络自动分拣烟叶的装置1000的结构示意图。与图6中不同的是，均布传送带604，包括：分离均布传送带1001及超标均布传送带1002。
其中，分离均布传送带1001，与限高机构603、超标均布传送带1002及烟叶分拣器605相连接，利用均布传送带拨动抖散烟叶，通过间隔分格栏使得每个间隔槽内承载一片抖散烟叶，得到单独分布的待分拣烟叶。
超标均布传送带1002，与分离均布传送带1001及烟叶分拣器605相连接，检测到间隔槽内承载的抖散烟叶大于或等于两片时，将该超标的抖散烟叶传送至抛料装载箱中。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种基于神经网络自动分拣烟叶的方法，其特征在于，包括：
将打包好的烟叶经过拆包机拆解后输入振动输送机，在所述振动输送机中振动和拨料杆逆向旋转，将所述烟叶持续抖散后，通过预设的限高机构得到抖散烟叶；
利用均布传送带拨动所述抖散烟叶，通过间隔分格栏使得每个所述间隔槽内承载一片所述抖散烟叶，得到单独分布的待分拣烟叶；
将所述待分拣烟叶以预设的速度经过烟叶分拣器，所述烟叶分拣器获取所述待分拣烟叶的自然图像，分析得到所述待分拣烟叶的自然特征信息数据，与预设的经过烟叶神经网络训练得到的自然分级策略对比，得到所述待分拣烟叶的分拣级别，按照所述分拣级别将所述待分拣烟叶传输至烟叶分拣装箱器；
所述烟叶分拣装箱器在所述待分拣烟叶到达时，开启所述分拣级别对应的烟叶放置箱容纳所述待分拣烟叶。
2.根据权利要求1所述的基于神经网络自动分拣烟叶的方法，其特征在于，所述自然分级策略，为：
采集训练烟叶的自然光图片，按预设的烟叶特征维度信息分析所述自然光图片得到所述训练烟叶的自然特征信息数据；
将所述训练烟叶进行光谱分析，得到所述训练烟叶的光谱特征信息数据；将所述训练烟叶的所述自然特征信息数据及光谱特征信息数据对应，进行神经网络训练得到烟叶的自然特征与光谱特征的关联模型；
根据所述光谱特征信息数据建立所述烟叶的光谱烟叶分级策略，基于所述关联模型得到所述烟叶的自然分级策略。
3.根据权利要求2中所述的基于神经网络自动分拣烟叶的方法，其特征在于，采集训练烟叶的自然光图片，按预设的烟叶特征维度信息分析所述自然光图片得到所述训练烟叶的自然特征信息数据，为：
将训练烟叶/待分拣烟叶导入检测暗室，通过预设的恒定光源进行打光，以相机对每组所述训练烟叶片/待分拣烟叶拍照，采集所述训练烟叶/待分拣烟叶的自然光图片；
按预设的烟叶特征维度信息分析所述自然光图片，得到所述训练烟叶/待分拣烟叶的自然特征信息数据。
4.根据权利要求1所述的基于神经网络自动分拣烟叶的方法，其特征在于，利用均布传送带拨动所述抖散烟叶，通过间隔分格栏使得每个所述间隔槽内承载一片所述抖散烟叶，得到单独分布的待分拣烟叶，为：
将所述抖散烟叶经过大于或等于两级的限高逆向拨动机构后，进入到限高均布斜坡传送带传送；
传送的所述抖散烟叶经过振动输送机使得烟叶松散，向后一级均布皮带传送，通过间隔分格栏使得每个所述间隔槽内承载一片所述抖散烟叶，得到单独分布的待分拣烟叶。
5.根据权利要求1至4中任意一项所述的基于神经网络自动分拣烟叶的方法，其特征在于，利用均布传送带拨动所述抖散烟叶，通过间隔分格栏使得每个所述间隔槽内承载一片所述抖散烟叶，得到单独分布的待分拣烟叶，为：
利用均布传送带拨动所述抖散烟叶，通过间隔分格栏使得每个所述间隔槽内承载一片所述抖散烟叶，得到单独分布的待分拣烟叶；
检测到所述间隔槽内承载的所述抖散烟叶大于或等于两片时，将该超标的所述抖散烟叶传送至抛料装载箱中。
6.一种基于神经网络自动分拣烟叶的装置，其特征在于，包括：拆包机、振动输送机、限高机构、均布传送带、烟叶分拣器、烟叶分拣装箱器及烟叶放置箱；其中，
所述拆包机，与所述振动输送机相连接，将打包好的烟叶经过拆包机拆解后输入振动输送机；
所述振动输送机，与所述拆包机及限高机构相连接，在所述振动输送机中振动和拨料杆逆向旋转，将所述烟叶持续抖散；
所述限高机构，与所述振动输送机及均布传送带相连接，以预设高度的限高杆对抖散的烟叶限高得到抖散烟叶；
所述均布传送带，与所述限高机构及烟叶分拣器相连接，拨动所述抖散烟叶，通过间隔分格栏使得每个所述间隔槽内承载一片所述抖散烟叶，得到单独分布的待分拣烟叶；
所述烟叶分拣器，与所述均布传送带及烟叶分拣装箱器相连接，以预设的速度传送所述待分拣烟叶，获取所述待分拣烟叶的自然图像，分析得到所述待分拣烟叶的自然特征信息数据，与预设的经过烟叶神经网络训练得到的自然分级策略对比，得到所述待分拣烟叶的分拣级别，按照所述分拣级别将所述待分拣烟叶传输至烟叶分拣装箱器；
所述烟叶分拣装箱器，与所述烟叶分拣器及烟叶放置箱相连接，在所述待分拣烟叶到达时，开启所述分拣级别对应的烟叶放置箱；
所述烟叶放置箱，与所述烟叶分拣装箱器相连接，容纳对应分级的所述待分拣烟叶。
7.根据权利要求6所述的基于神经网络自动分拣烟叶的装置，其特征在于，所述烟叶分拣器，包括：待分拣烟叶自然特征采集器、自然分级策略分析处理器及烟叶分拣级别控制器；其中，
所述待分拣烟叶自然特征采集器，与所述均布传送带及烟叶分拣级别控制器相连接，获取所述待分拣烟叶的自然图像，分析得到所述待分拣烟叶的自然特征信息数据；
所述自然分级策略分析处理器，与所述烟叶分拣级别控制器相连接，采集训练烟叶的自然光图片，按预设的烟叶特征维度信息分析所述自然光图片得到所述训练烟叶的自然特征信息数据；
将所述训练烟叶进行光谱分析，得到所述训练烟叶的光谱特征信息数据；将所述训练烟叶的所述自然特征信息数据及光谱特征信息数据对应，进行神经网络训练得到烟叶的自然特征与光谱特征的关联模型；
根据所述光谱特征信息数据建立所述烟叶的光谱烟叶分级策略，基于所述关联模型得到所述烟叶的自然分级策略；
所述烟叶分拣级别控制器，与所述待分拣烟叶自然特征采集器、自然分级策略分析处理器及烟叶分拣装箱器相连接，将所述待分拣烟叶的自然特征信息数据与所述自然分级策略对比，得到所述待分拣烟叶的分拣级别，按照所述分拣级别将所述待分拣烟叶传输至烟叶分拣装箱器。
8.根据权利要求7中所述的基于神经网络自动分拣烟叶的装置，其特征在于，所述自然分级策略分析处理器，包括：烟叶自然特征采集单元及烟叶自然分级策略构建单元；其中，
所述烟叶自然特征采集单元，与所述烟叶的自然分级策略构建单元相连接，将训练烟叶/待分拣烟叶导入检测暗室，通过预设的恒定光源进行打光，以相机对每组所述训练烟叶片/待分拣烟叶拍照，采集所述训练烟叶/待分拣烟叶的自然光图片；
按预设的烟叶特征维度信息分析所述自然光图片，得到所述训练烟叶/待分拣烟叶的自然特征信息数据；
所述烟叶自然分级策略构建单元，与所述烟叶自然特征采集单元及烟叶分拣级别控制器相连接，将所述训练烟叶进行光谱分析，得到所述训练烟叶的光谱特征信息数据；将所述训练烟叶的所述自然特征信息数据及光谱特征信息数据对应，进行神经网络训练得到烟叶的自然特征与光谱特征的关联模型；
根据所述光谱特征信息数据建立所述烟叶的光谱烟叶分级策略，基于所述关联模型得到所述烟叶的自然分级策略。
9.根据权利要求6所述的基于神经网络自动分拣烟叶的装置，其特征在于，所述均布传送带，包括：限高拨动筛选传送带、分离振动输送机及均布分离传送带；其中，
所述限高拨动筛选传送带，与所述限高机构及分离振动输送机相连接，将所述抖散烟叶经过大于或等于两级的限高逆向拨动机构后，进入到限高均布斜坡传送带传送；
所述分离振动输送机，与所述限高拨动筛选传送带及均布分离传送带相连接，将传送的所述抖散烟叶振动松散，向后一级均布皮带传送；
所述均布分离传送带，与所述分离振动输送机及烟叶分拣器的烟叶图像采集腔相连接，接收所述分离振动输送机传送的所述抖散烟叶后，通过间隔分格栏使得每个所述间隔槽内承载一片所述抖散烟叶，得到单独分布的待分拣烟叶。
10.根据权利要求6至9中任意一项所述的基于神经网络自动分拣烟叶的装置，其特征在于，所述均布传送带，包括：分离均布传送带及超标均布传送带；其中，
所述分离均布传送带，与所述限高机构、超标均布传送带及烟叶分拣器相连接，利用均布传送带拨动所述抖散烟叶，通过间隔分格栏使得每个所述间隔槽内承载一片所述抖散烟叶，得到单独分布的待分拣烟叶；
所述超标均布传送带，与所述分离均布传送带及烟叶分拣器相连接，检测到所述间隔槽内承载的所述抖散烟叶大于或等于两片时，将该超标的所述抖散烟叶传送至抛料装载箱中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910658773.1A CN110479635B (zh) | 2019-07-19 | 2019-07-19 | 基于神经网络自动分拣烟叶的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910658773.1A CN110479635B (zh) | 2019-07-19 | 2019-07-19 | 基于神经网络自动分拣烟叶的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110479635A true CN110479635A (zh) | 2019-11-22 |
| CN110479635B CN110479635B (zh) | 2023-10-20 |
Family
ID=68547570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910658773.1A Active CN110479635B (zh) | 2019-07-19 | 2019-07-19 | 基于神经网络自动分拣烟叶的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110479635B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110479636A (zh) * | 2019-07-19 | 2019-11-22 | 深圳市微蓝智能科技有限公司 | 基于神经网络自动分拣烟叶的方法及装置 |
| CN111067131A (zh) * | 2019-12-25 | 2020-04-28 | 福建武夷烟叶有限公司 | 一种烟叶等级自动识别分拣方法 |
| CN112704259A (zh) * | 2020-12-11 | 2021-04-27 | 杭州安脉盛智能技术有限公司 | 一种密集烟叶识别的打叶质量评价方法及系统 |
| CN113397200A (zh) * | 2020-03-17 | 2021-09-17 | 秦皇岛烟草机械有限责任公司 | 一种烟叶分级系统 |
| CN114128915A (zh) * | 2021-11-30 | 2022-03-04 | 云南省烟草农业科学研究院 | 一种基于图像识别的雪茄烟鲜叶自动分级方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5188128A (en) * | 1990-09-01 | 1993-02-23 | Korber Ag | Apparatus for classifying particles of tobacco and the like |
| 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 |
| CN202935914U (zh) * | 2012-12-11 | 2013-05-15 | 浙江中烟工业有限责任公司 | 一种烟草薄片松散喂料机 |
| CN103752531A (zh) * | 2014-01-14 | 2014-04-30 | 河南科技大学 | 一种基于机器视觉的烟叶分拣机 |
| CN104432452A (zh) * | 2014-11-07 | 2015-03-25 | 山东中烟工业有限责任公司 | 一种烟叶松散回潮的控制方法 |
| CN106579537A (zh) * | 2017-01-20 | 2017-04-26 | 刘太明 | 一种烟叶智能分级拣选方法及装置 |
| CN107952696A (zh) * | 2017-11-24 | 2018-04-24 | 中国科学院合肥物质科学研究院 | 一种适用于鲜烟叶的检测分级装置及检测方法 |
| CN109230384A (zh) * | 2018-09-06 | 2019-01-18 | 云南省机械研究设计院 | 一种烟叶自动上料装置 |
-
2019
- 2019-07-19 CN CN201910658773.1A patent/CN110479635B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5188128A (en) * | 1990-09-01 | 1993-02-23 | Korber Ag | Apparatus for classifying particles of tobacco and the like |
| 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 |
| CN202935914U (zh) * | 2012-12-11 | 2013-05-15 | 浙江中烟工业有限责任公司 | 一种烟草薄片松散喂料机 |
| CN103752531A (zh) * | 2014-01-14 | 2014-04-30 | 河南科技大学 | 一种基于机器视觉的烟叶分拣机 |
| CN104432452A (zh) * | 2014-11-07 | 2015-03-25 | 山东中烟工业有限责任公司 | 一种烟叶松散回潮的控制方法 |
| CN106579537A (zh) * | 2017-01-20 | 2017-04-26 | 刘太明 | 一种烟叶智能分级拣选方法及装置 |
| CN107952696A (zh) * | 2017-11-24 | 2018-04-24 | 中国科学院合肥物质科学研究院 | 一种适用于鲜烟叶的检测分级装置及检测方法 |
| CN109230384A (zh) * | 2018-09-06 | 2019-01-18 | 云南省机械研究设计院 | 一种烟叶自动上料装置 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110479636A (zh) * | 2019-07-19 | 2019-11-22 | 深圳市微蓝智能科技有限公司 | 基于神经网络自动分拣烟叶的方法及装置 |
| CN110479636B (zh) * | 2019-07-19 | 2021-11-09 | 深圳市微蓝智能科技有限公司 | 基于神经网络自动分拣烟叶的方法及装置 |
| CN111067131A (zh) * | 2019-12-25 | 2020-04-28 | 福建武夷烟叶有限公司 | 一种烟叶等级自动识别分拣方法 |
| CN113397200A (zh) * | 2020-03-17 | 2021-09-17 | 秦皇岛烟草机械有限责任公司 | 一种烟叶分级系统 |
| CN113397200B (zh) * | 2020-03-17 | 2024-05-17 | 秦皇岛烟草机械有限责任公司 | 一种烟叶分级系统 |
| CN112704259A (zh) * | 2020-12-11 | 2021-04-27 | 杭州安脉盛智能技术有限公司 | 一种密集烟叶识别的打叶质量评价方法及系统 |
| CN114128915A (zh) * | 2021-11-30 | 2022-03-04 | 云南省烟草农业科学研究院 | 一种基于图像识别的雪茄烟鲜叶自动分级方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110479635B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110479635B (zh) | 基于神经网络自动分拣烟叶的方法及装置 | |
| CN110479636B (zh) | 基于神经网络自动分拣烟叶的方法及装置 | |
| dos Santos Ferreira et al. | Weed detection in soybean crops using ConvNets | |
| Luo et al. | Classification of weed seeds based on visual images and deep learning | |
| Timmermans et al. | Computer vision system for on-line sorting of pot plants using an artificial neural network classifier | |
| CN107067043A (zh) | 一种农作物病虫害检测方法 | |
| de Luna et al. | Size classification of tomato fruit using thresholding, machine learning, and deep learning techniques | |
| KR20200084940A (ko) | Cnn 기반 병해 및 손상 과일 분류 장치 및 방법 | |
| Moeinizade et al. | An applied deep learning approach for estimating soybean relative maturity from UAV imagery to aid plant breeding decisions | |
| CN109325495A (zh) | 一种基于深度神经网络建模的作物图像分割系统及方法 | |
| SS et al. | A hybrid intelligent system for automated pomegranate disease detection and grading | |
| CN108311411A (zh) | 一种冬虫夏草智能化分拣系统及其使用方法 | |
| Zhang et al. | High-throughput corn ear screening method based on two-pathway convolutional neural network | |
| CN113887410A (zh) | 一种基于深度学习的多类别食材识别系统及方法 | |
| Song et al. | Assessment of wheat chlorophyll content by the multiple linear regression of leaf image features | |
| Riskiawan et al. | Identifying cocoa ripeness using k-nearest neighbor (KNN) method | |
| Anam | Segmentation of leaf spots disease in apple plants using particle swarm optimization and K-means algorithm | |
| Dhore et al. | Study On Various Machine Learning Techniques For Plant Disease Detections In Agricultural Sector | |
| Valente et al. | Fast classification of large germinated fields via high-resolution UAV imagery | |
| Micaraseth et al. | Coffee Bean Inspection Machine with Deep Learning Classification | |
| Eryigit et al. | Classification of trifolium seeds by computer vision methods | |
| Khuriyati et al. | Quality assessment of chilies (Capsicum annuum L.) by using a smartphone camera | |
| Aziz et al. | Chili Ripeness Grading Simulation Using Machine Learning Approach | |
| Sophia et al. | A Novel method to detect Disease in leaf using Deep Learning Approach | |
| Janaszek et al. | Method of evaluating diversity of carrot roots using a self-organizing map and image data |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |