CN110633684A - 一种基于深度学习的烟叶收购定级系统及定级方法 - Google Patents

一种基于深度学习的烟叶收购定级系统及定级方法 Download PDF

Info

Publication number
CN110633684A
CN110633684A CN201910890667.6A CN201910890667A CN110633684A CN 110633684 A CN110633684 A CN 110633684A CN 201910890667 A CN201910890667 A CN 201910890667A CN 110633684 A CN110633684 A CN 110633684A
Authority
CN
China
Prior art keywords
tobacco
tobacco leaf
deep learning
purchasing
grading
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
Application number
CN201910890667.6A
Other languages
English (en)
Inventor
袁庭宁
吴振宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201910890667.6A priority Critical patent/CN110633684A/zh
Publication of CN110633684A publication Critical patent/CN110633684A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements

Abstract

本发明揭示了一种基于深度学习的烟叶收购定级系统及定级方法，该烟叶收购定级系统包括本地收购工作站和等级结果显示大屏幕，本地收购工作站与等级结果显示大屏幕电性连接，烟叶图像采集设备，云端识别服务器，深度学习识别模型。烟叶图像采集设备采用智能控制模块结合LED灯、摄像头采集烟叶图像数据，并将数据通过网络传输到云端服务器。云端识别服务器可对不同收购站发来的待测烟叶图像进行存储、识别、定级，并将结果返回给各收购站。置于云端识别服务器中的识别算法基于深度学习技术构建，具有自学习能力。本技术方案基于计算机视觉，使用深度学习模型，通过事先建立的数据库使模型进行监督学习，根据每个等级的烟叶的特征来对待测烟叶进行定级，其烟叶定级的准确率和效率可大幅度提升。

Description

一种基于深度学习的烟叶收购定级系统及定级方法
技术领域
本发明涉及一种基于深度学习的烟叶收购定级系统及定级方法，可用于计算机视觉和物联网技术领域。
背景技术
烤烟烟叶的收购工作是整个烟草产业的重要组成部分，而正确的对烟农生产的烤烟进行成色定级又是整个收购工作的重点内容，保证对烟叶进行正确的定级不但能保证烟草生产效益最大化，而且可以提升烟农生产的积极性，增加烟农的经济收入。这不但有利于整个烟草行业的稳定发展，更有利于社会的稳定与幸福。
现行的烟叶分级标准，根据烟叶的成熟度、叶片结构、身份、油分、色度、长度、残伤等七个外观品级因素区别级别。分为下部柠檬黄色4个级、橘黄色4个级；中部柠檬黄色4个级；橘黄色4个级；上部柠檬黄色4个级、橘黄色4个级、红棕色3个级；完熟叶2个级；中下部杂色2个级、上部杂色3个级；光滑叶2个级；微带青4个级、青黄色2个级，共42个级别。但在实际的收购过程中，42个等级过于繁杂，因此在每年的收购中实行9级制（以陕西安康地区为例），包括下桔三、二，中桔四、三、二，中拧三，上桔四、三、二共九个等级。这样的定级制度大大降低了识别模型的复杂度，并且能提高模型识别定级的准确度。且评级主要来源于待测烟叶的色泽、长度、残损度三个方面，且其中色泽占更主要的方面，因此精确的识别待测烟叶的色泽是定级是否准确的最主要的影响因素。而深度学习模型对于图像分类工作有着出色的表现，对于烟叶定级再合适不过了。
目前的烟草收购工作中，主要是通过人工定级的方式，并且定级人员的专业水平参差不齐，且定级时含有主观因素，因此常常会出现偏差，有失公平，常常激起烟草收购站与烟农的矛盾。并且人工定级收购速度慢，效率低，并且还要为此付出大量的人力物力，造成不必要的浪费与麻烦。
发明内容
本发明的目的就是为了解决现有技术中存在的上述问题，提出一种基于深度学习的烟叶收购定级系统及定级方法。
本发明的目的将通过以下技术方案得以实现：一种基于深度学习的烟叶收购定级系统，包括本地收购工作站和等级结果显示大屏幕，本地收购工作站与等级结果显示大屏幕电性连接，
烟叶图像采集设备，
云端识别服务器，
深度学习识别模型，该深度学习识别模型置于云端识别服务器中，基于深度学习技术构建，可对不同收购站发来的待测烟叶图像进行存储、识别、定级，并将结果返回给各收购站。
优选地，所述本地收购工作站为放置于烟草收购点的小型服务器。
优选地，所述烟叶图像采集设备有称重模块、摄像模块、网络模块、灯光模块构成，当烟农将待测烟叶放到该烟叶图像采集设备上后，灯光模块根据现场亮度情况对待测烟叶进行打灯，保证摄像模块能够获取到较高质量的待测烟叶图像，同时网络模块将所获的待测烟叶图像与待测烟捆重量发送给云端服务器。
优选地，所述烟叶图像采集设备的各个模块通过控制模块进行控制，控制模块为树莓派，称重模块、摄像模块、网络模块、灯光模块分别与树莓派电性连接，当烟农将待测烟捆放入称重系统后，树莓派控制LED灯打开之后，并控制摄像头对待测烟叶进行全方位的拍照，然后控制通信模块将图片反馈给本地工作站，本地工作站再通过以太网将所获图片发送给云端服务器，同时，称重器所测得的待测烟叶重量将一并发送给本地工作站。
本发明还揭示了一种基于深度学习的烟叶收购定级方法，该方法包括以下步骤：
S1：建立烟叶级别数据库，数据库中包含按照等级划分的烟叶的图片以及重量属性信息；
S2：对S1步骤建立的图片数据库进行格式转换，用于深度学习模型的训练；
S3：搭建深度学习识别模型；建立深度学习建立识别模型，加载S2步骤中所转换的烟叶图片数据，对模型进行训练；
S4：使用烟叶图像采集设备采集待测烟叶的图片；
S5：将图片传到云端使用模型进行烟叶定级；
S6：云端返回定级结果到本地显示并进行价格结算；
收购系统根据返回的定级结果、待测烟捆质量以及该等级的烟叶价格进行结算，将各项信息存放在数据库中，重复上述的S4步骤、S5步骤、S6步骤即是收购过程中烟叶定级系统的运转流程。
优选地，所述深度学习模型具有自学习功能，根据不断增加的烟叶数据，学习烟叶的等级特征。
优选地，在所述S2步骤中，对数据库中的烟叶图片进行格式转换，训练集文件包含CSV文件和图像文件；CSV文件存储所有的烟叶训练图片的图片名和它们对应的真实标签，图像文件存储所有的烟叶训练图片。
优选地，在所述S2步骤中，转换的数据分为训练集和测试集，测试集文件夹中的CSV文件和训练集文件中的CSV文件不同，测试集文件夹中的CSV文件只包含测试图像的图片名，通过训练训练集中的烟叶图片来对测试集中的烟叶图片进行预测。
优选地，在所述S3步骤中，使用训练集对模型进行训练，之后使用测试集对模型进行测试，再根据结果改进模型，通过这样不断的迭代，最终使模型的定级精度满足市场要求，之后将模型放在服务器中，供各个收购工作站使用。
优选地，在所述S6步骤中，定级结果返回给收购站后，输出到收购站系统大屏幕上供烟农查看。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：本技术方案基于计算机视觉，使用深度学习模型，其烟叶定级的准确率和效率可大幅度提升。通过事先建立的数据库使模型进行监督学习，根据每个等级的烟叶的特征来对待测烟叶进行定级。
附图说明
图1为本发明的一种基于深度学习的烟叶收购定级系统的结构示意图。
具体实施方式
本发明的目的、优点和特点，将通过下面优选实施例的非限制性说明进行图示和解释。这些实施例仅是应用本发明技术方案的典型范例，凡采取等同替换或者等效变换而形成的技术方案，均落在本发明要求保护的范围之内。
本发明揭示了一种基于深度学习的烟叶收购定级系统，该系统包括本地收购工作站1和等级结果显示大屏幕，本地收购工作站1与等级结果显示大屏幕电性连接，烟叶图像采集设备，云端识别服务器3，深度学习识别模型11，该深度学习识别模型11置于云端识别服务器中，基于深度学习技术构建，可对不同收购站发来的待测烟叶图像进行存储、识别、定级，并将结果返回给各收购站。
所述本地收购工作站1为放置于烟草收购点的小型服务器。所述烟叶图像采集设备4有称重模块7、摄像模块8、网络模块、灯光模块9构成，称重模块7用来测量待测烟叶的重量，摄像模块8用于对待测烟叶进行拍照。
烟叶图像采集设备采用智能控制模块结合LED灯、摄像头采集烟叶图像数据，并将数据通过网络传输到云端服务器。云端识别服务器可对不同收购站发来的待测烟叶图像进行存储、识别、定级，并将结果返回给各收购站。置于云端识别服务器中的识别算法基于深度学习技术构建，具有自学习能力。
当烟农将待测烟叶放到该烟叶图像采集设备上后，灯光模块根据现场亮度情况对待测烟叶进行打灯，保证摄像模块能够获取到较高质量的待测烟叶图像，同时网络模块将所获的待测烟叶图像与待测烟捆重量发送给云端服务器。
所述烟叶图像采集设备的各个模块通过控制模块进行控制，控制模块为树莓派5，称重模块、摄像模块、网络模块、灯光模块分别与树莓派5电性连接，当烟农将待测烟捆放入称重系统后，树莓派控制LED灯打开之后，并控制摄像头对待测烟叶进行全方位的拍照，然后控制通信模块6将图片反馈给本地工作站，本地工作站再通过以太网2将所获图片发送给云端服务器，同时，称重器所测得的待测烟叶重量将一并发送给本地工作站。通信模块6用于与本地工作站的终端进行信息交互。
10为烟草公司中服务器端的数据存储模块，用来存放整个公司所收购的烟草信息，数据存储模块是服务器中的一个功能模块，数据库存放于服务器中。收购工作站1通过以太网2与烟草公司服务器3连接。
一种基于深度学习的烟叶收购定级方法，该方法包括以下步骤：
S1：建立烟叶-级别数据库，数据库中包含每种等级的烟叶的图片以及对应关系信息。
在每年烟厂的正式收购开始之前，各收购站都会事先派出专业定级员到烟农家进行各等级烟叶的预先挑选，由于实际收购时的烟叶质量与标准等级的烟叶质量有一定的浮动范围。因此，除了大量采集其所挑选的标准等级烟叶图片与等级，还需采集在烟叶正式收购时的烟叶图片以及其所对应的烟叶等级，其中等级由有着丰富收购定级经验的专业定级员来评定，以此来建立烟叶等级图片数据库。
S2：对S1步骤建立的图片数据库进行格式转换。
对数据库中的烟叶图片进行格式转换，训练集文件包含CSV文件和图像文件。CSV文件存储所有的烟叶训练图片的图片名和它们对应的真实标签，图像文件存储所有的烟叶训练图片。
测试集文件夹中的CSV文件和训练集文件中的CSV文件不同，测试集文件夹中的CSV文件只包含测试图像的图片名，不包括它们的真实标签。通过训练训练集中的烟叶图片来对测试集中的烟叶图片进行预测。
S3：搭建深度学习识别模型。
加载和处理S1步骤中所建立的烟叶图片数据库中的数据，建立深度学习建立识别模型框架。
使用训练集对模型进行训练，之后使用测试集对模型进行测试，再根据结果改进模型，通过这样不断的迭代，最终使模型的定级精度满足市场要求，之后将模型放在服务器3中，供各个收购工作站1使用，这样不但可以提升定级速度，更可以免去个收购站硬件大幅度升级的开销。
S4：使用烟叶图像采集设备采集待测烟叶的图片。
整个系统通过树莓派5与通信模块6、称重模块7、摄像头8和LED灯9电性连接来控制整个拍照称重系统4。在称重器7的四周以及上方设置摄像头8和LED灯9，LED灯能够防止因为灯光环境影响待测烟叶的拍摄，从而影响系统对于待测烟叶定级的影响。
当烟农将待测烟捆放入称重系统后，树莓派4控制LED灯打开之后，树莓派4控制摄像头8便对待测烟捆进行全方位的拍照，然后通过通信模块6将图片反馈给本地工作站1，本地再通过以太网2将所获图片发送给服务器3，与此同时，称重器7所测得的待测烟捆重量将一并发送给本地工作站1。
S5：将图片传到云端使用模型进行烟叶定级。
放在服务器端的识别模型11对收购站1发送过来的待测烟叶图片进行定级，之后将定级结果返回给收购站1，并输出定级结果到收购站系统大屏上烟农供烟农查看。
S6：云端返回定级结果到本地显示并进行价格结算。
收购系统根据返回的定级结果、待测烟捆质量以及该等级的烟叶价格进行结算，将其各项信息存放在数据库中10，重复上述的S4、S5、S6即是收购过程中烟叶定级系统的运转流程。各项信息包括烟农信息、烟捆定级结果、烟捆质量以及最终结算价格。
本技术方案基于计算机视觉，使用深度学习模型，通过事先建立的数据库使模型进行监督学习，根据每个等级的烟叶的特征来对待测烟叶进行定级，其烟叶定级的准确率和效率可大幅度提升。
本发明相对于以前的烟叶分级方法不但有很高的定级准确度，排除了主观因素，避免了因定级而引起的烟农与烟厂的矛盾，而且是最容易在市场广泛应用的，且对于收购设备的要求不高，仅需在现有的设备上稍作该进，在配备本发明中的识别系统即可，这将大大减少人工成本和设备成本，大幅提高烟叶收购的质量的速度与效率，保障烟农和烟厂的利益，实现双方的共赢。
本发明相对于以前的烟叶分级方法不但有很高的定级准确度，排除了主观因素，避免了因定级而引起的烟农与烟厂的矛盾，而且是最容易在市场广泛应用的，对于收购设备的要求不高，仅需在现有的设备上稍作该进，在配备本发明中的识别系统即可，这将大大减少人工成本和设备成本，大幅提高烟叶收购的质量的速度与效率，保障烟农和烟厂的利益，实现双方的共赢。
本发明尚有多种实施方式，凡采用等同变换或者等效变换而形成的所有技术方案，均落在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的烟叶收购定级系统，其特征在于：
包括本地收购工作站和等级结果显示大屏幕，本地收购工作站与等级结果显示大屏幕电性连接，
烟叶图像采集设备，
云端识别服务器，
深度学习识别模型，该深度学习识别模型置于云端识别服务器中，基于深度学习技术构建，可对不同收购站发来的待测烟叶图像进行存储、识别、定级，并将结果返回给各收购站。
2.根据权利要求1所述的一种基于深度学习的烟叶收购定级系统，其特征在于：所述本地收购工作站为放置于烟草收购点的小型服务器。
3.根据权利要求1所述的一种基于深度学习的烟叶收购定级系统，其特征在于：所述烟叶图像采集设备有称重模块、摄像模块、网络模块、灯光模块构成，当烟农将待测烟叶放到该烟叶图像采集设备上后，灯光模块根据现场亮度情况对待测烟叶进行打灯，保证摄像模块能够获取到较高质量的待测烟叶图像，同时网络模块将所获的待测烟叶图像与待测烟捆重量发送给云端服务器。
4.根据权利要求3所述的一种基于深度学习的烟叶收购定级系统，其特征在于：所述烟叶图像采集设备的各个模块通过控制模块进行控制，控制模块为树莓派，称重模块、摄像模块、网络模块、灯光模块分别与树莓派电性连接，当烟农将待测烟捆放入称重系统后，树莓派控制LED灯打开之后，并控制摄像头对待测烟叶进行全方位的拍照，然后控制通信模块将图片反馈给本地工作站，本地工作站再通过以太网将所获图片发送给云端服务器，同时，称重器所测得的待测烟叶重量将一并发送给本地工作站。
5.一种基于深度学习的烟叶收购定级方法，其特征在于：该方法包括以下步骤：
S1：建立烟叶级别数据库，数据库中包含按照等级划分的烟叶的图片以及重量属性信息；
S2：对S1步骤建立的图片数据库进行格式转换，用于深度学习模型的训练；
S3：搭建深度学习识别模型；建立深度学习建立识别模型，加载S2步骤中所转换的烟叶图片数据，对模型进行训练；
S4：使用烟叶图像采集设备采集待测烟叶的图片；
S5：将图片传到云端使用模型进行烟叶定级；
S6：云端返回定级结果到本地显示并进行价格结算；
收购系统根据返回的定级结果、待测烟捆质量以及该等级的烟叶价格进行结算，将各项信息包括烟农信息、烟捆定级结果、烟捆质量以及最终结算价格存放在数据库中，重复上述的S4步骤、S5步骤、S6步骤即是收购过程中烟叶定级系统的运转流程。
6.根据权利要求5所述的一种基于深度学习的烟叶收购定级方法，其特征在于：所述深度学习模型具有自学习功能，根据不断增加的烟叶数据，学习烟叶的等级特征。
7.根据权利要求5所述的一种基于深度学习的烟叶收购定级方法，其特征在于：在所述S2步骤中，对数据库中的烟叶图片进行格式转换，训练集文件包含CSV文件和图像文件；CSV文件存储所有的烟叶训练图片的图片名和它们对应的真实标签，图像文件存储所有的烟叶训练图片。
8.根据权利要求5所述的一种基于深度学习的烟叶收购定级方法，其特征在于：在所述S2步骤中，转换的数据分为训练集和测试集，测试集文件夹中的CSV文件和训练集文件中的CSV文件不同，测试集文件夹中的CSV文件只包含测试图像的图片名，通过训练训练集中的烟叶图片来对测试集中的烟叶图片进行预测。
9.根据权利要求5所述的一种基于深度学习的烟叶收购定级方法，其特征在于：在所述S3步骤中，使用训练集对模型进行训练，之后使用测试集对模型进行测试，再根据结果改进模型，通过这样不断的迭代，最终使模型的定级精度满足市场要求，之后将模型放在服务器中，供各个收购工作站使用。
10.根据权利要求5所述的一种基于深度学习的烟叶收购定级方法，其特征在于：在所述S6步骤中，定级结果返回给收购站后，输出到收购站系统大屏幕上供烟农查看。
CN201910890667.6A 2019-09-20 2019-09-20 一种基于深度学习的烟叶收购定级系统及定级方法 Pending CN110633684A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910890667.6A CN110633684A (zh) 2019-09-20 2019-09-20 一种基于深度学习的烟叶收购定级系统及定级方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910890667.6A CN110633684A (zh) 2019-09-20 2019-09-20 一种基于深度学习的烟叶收购定级系统及定级方法

Publications (1)

Publication Number Publication Date
CN110633684A true CN110633684A (zh) 2019-12-31

Family

ID=68971843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910890667.6A Pending CN110633684A (zh) 2019-09-20 2019-09-20 一种基于深度学习的烟叶收购定级系统及定级方法

Country Status (1)

Country Link
CN (1) CN110633684A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111263050A (zh) * 2020-03-27 2020-06-09 北京航空航天大学云南创新研究院 一种烟叶识别定级的手持设备
CN111537512A (zh) * 2020-05-21 2020-08-14 中国烟草总公司郑州烟草研究院 一种基于深度学习的烟梗形态智能识别系统及方法
CN113516617A (zh) * 2021-04-02 2021-10-19 云南省烟草质量监督检测站 一种基于机器视觉和ai深度学习的烤烟等级识别建模方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030012091A (ko) * 2001-07-30 2003-02-12 주식회사 사이버알닷컴 자동담배판매관리방법
CN103743486A (zh) * 2014-01-02 2014-04-23 上海大学 一种基于海量烟叶数据的自动定级系统和方法
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
CN106529930A (zh) * 2016-11-09 2017-03-22 四川省烟草公司攀枝花市公司 一种烟叶收购系统及方法
CN107016413A (zh) * 2017-03-31 2017-08-04 征图新视（江苏）科技有限公司 一种基于深度学习算法的烟叶在线分级方法
CN108427971A (zh) * 2018-04-19 2018-08-21 云南佳叶现代农业发展有限公司 基于移动终端的烟叶评级的方法及系统
CN109858486A (zh) * 2019-01-27 2019-06-07 中国人民解放军国防科技大学 一种基于深度学习的数据中心云端目标识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030012091A (ko) * 2001-07-30 2003-02-12 주식회사 사이버알닷컴 자동담배판매관리방법
CN103743486A (zh) * 2014-01-02 2014-04-23 上海大学 一种基于海量烟叶数据的自动定级系统和方法
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
CN106529930A (zh) * 2016-11-09 2017-03-22 四川省烟草公司攀枝花市公司 一种烟叶收购系统及方法
CN107016413A (zh) * 2017-03-31 2017-08-04 征图新视（江苏）科技有限公司 一种基于深度学习算法的烟叶在线分级方法
CN108427971A (zh) * 2018-04-19 2018-08-21 云南佳叶现代农业发展有限公司 基于移动终端的烟叶评级的方法及系统
CN109858486A (zh) * 2019-01-27 2019-06-07 中国人民解放军国防科技大学 一种基于深度学习的数据中心云端目标识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
鲁梦瑶等: "基于卷积神经网络的烟叶近红外光谱分类建模方法研究", 《光谱学与光谱分析》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111263050A (zh) * 2020-03-27 2020-06-09 北京航空航天大学云南创新研究院 一种烟叶识别定级的手持设备
CN111537512A (zh) * 2020-05-21 2020-08-14 中国烟草总公司郑州烟草研究院 一种基于深度学习的烟梗形态智能识别系统及方法
CN113516617A (zh) * 2021-04-02 2021-10-19 云南省烟草质量监督检测站 一种基于机器视觉和ai深度学习的烤烟等级识别建模方法
CN113516617B (zh) * 2021-04-02 2023-05-05 云南省烟草质量监督检测站 一种基于机器视觉和ai深度学习的烤烟等级识别建模方法

Similar Documents

Publication Publication Date Title
CN108171117B (zh) 基于多核异构并行计算的电力人工智能视觉分析系统
CN110633684A (zh) 一种基于深度学习的烟叶收购定级系统及定级方法
CN103743486B (zh) 一种基于海量烟叶数据的自动定级系统和方法
CN110458077B (zh) 一种车辆颜色识别方法及系统
CN110455822A (zh) 一种pcb板缺陷的检测方法
CN106651392A (zh) 一种智能商业选址方法、装置及系统
CN110276386A (zh) 一种基于机器视觉的苹果分级方法及系统
CN105678344A (zh) 一种电力仪表设备的智能分类方法
CN108520114A (zh) 一种纺织布疵点检测模型及其训练方法和应用
CN110646425B (zh) 一种烟叶在线辅助定级方法及系统
CN107437094A (zh) 基于机器学习的木板分拣方法及系统
CN107764976B (zh) 土壤氮素快速诊断方法及在线监测系统
CN112966772A (zh) 一种多人在线的图像半自动标注方法及系统
CN113049509B (zh) 一种基于光谱技术的农产品检测管理系统
CN110473170A (zh) 一种适用于pcb板真假缺陷判定的人工智能检测方法
CN110309884A (zh) 基于泛在电力物联网体系的用电数据异常识别系统
CN104713835A (zh) 一种烟叶颜色在线数值化识别方法
CN115984274B (zh) 一种车辆外观检测模型、构建方法及检测方法
CN112749663B (zh) 基于物联网和ccnn模型的农业果实成熟度检测系统
CN107305653A (zh) 基于属性数学的低压配电台区综合评价方法及装置
CN111681021A (zh) 一种基于gca-rfr模型的数字内容资源价值评估方法
CN111062260A (zh) 一种面部整容推荐方案自动生成方法
CN110826552A (zh) 基于深度学习的葡萄无损自动检测装置及其方法
CN112613438A (zh) 一种便携式柑橘在线测产仪
CN110209860A (zh) 一种模板引导的基于服装属性的可解释服装搭配方法及装置

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
CB02 Change of applicant information

Address after: 210003 No. 66, Xinfan Road, Gulou District, Nanjing, Jiangsu Province

Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS

Address before: No. 186, software Avenue, Yuhuatai District, Nanjing, Jiangsu 210012

Applicant before: Nanjing University of Posts and Telecommunications

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20191231

RJ01 Rejection of invention patent application after publication