CN111915580A - 烟叶分级方法、系统、终端设备及存储介质 - Google Patents

Abstract

本申请提供了一种烟叶分级方法、系统、终端设备及存储介质，该方法包括：获取待识别烟叶的烟叶图像，并将烟叶图像输入迭代训练后的烟叶分级模型进行分级分析，得到烟叶分级结果；烟叶分级模型包括卷积神经网络，卷积神经网络中添加有注意力网络，注意力网络用于在卷积神经网络中添加注意力机制。本申请通过基于烟叶分级模型自动进行烟叶的分级，防止了由于采用烟叶分级工人工分级所导致的烟叶分级准确性低下现象，通过在卷积神经网络中添加注意力网络的设计，能在卷积神经网络中添加注意力机制，基于该注意力机制使得烟叶分级模型迭代训练过程中能有效的识别到烟叶样本图像的图像特征，提高了迭代训练后烟叶分级模型对待识别烟叶的分级准确性。

Description

烟叶分级方法、系统、终端设备及存储介质

技术领域

本申请属于烟叶分级技术领域，尤其涉及一种烟叶分级方法、系统、终端设备及存储介质。

背景技术

烟叶是烟制品生产中的重要原料，其等级质量直接影响烟制品的品质，为了给各种烟制品提供符合需要的烟叶原料，促进烟叶生产发展，国家烟草行业对烟叶的分级制定了科学合理的分级标准。众所周知，烟叶分级一直以来都是由烟叶分级工完成，依靠分级工用眼看、手摸、鼻闻等传统方法确定烟叶的质量优劣来进行分级分类。

现有烟叶分级主要靠烟叶分级工的主观判断来完成，烟叶分级标准易受分级工心理和生理主观因素影响，人为因素影响较大，等级标准难得统一规范，导致烟叶分级结果不准确，影响最终烟制品的品质等级；同时，依靠人工进行烟叶分级拣选不但耗费大量的人力财力，而且效率低下，耗时费力，不利于烟叶分级的规模化生产。

发明内容

本申请实施例提供了一种烟叶分级方法、系统、终端设备及存储介质，旨在解决现有的烟叶分级过程中，由于采用烟叶分级工人工分级所导致的烟叶分级准确性低下的问题。

第一方面，本申请实施例提供了一种烟叶分级方法，所述方法包括：

获取待识别烟叶的烟叶图像，并将所述烟叶图像输入迭代训练后的烟叶分级模型进行分级分析，得到烟叶分级结果；

所述烟叶分级模型包括卷积神经网络，所述卷积神经网络中添加有注意力网络，所述卷积神经网络根据烟叶样本图像进行迭代训练，得到迭代训练后的所述烟叶分级模型，所述注意力网络用于在所述卷积神经网络中添加注意力机制。

本申请实施例与现有技术相比存在的有益效果是：通过基于烟叶分级模型自动进行烟叶的分级，防止了由于采用烟叶分级工人工分级所导致的烟叶分级准确性低下现象，通过在卷积神经网络中添加注意力网络的设计，能有效的在卷积神经网络中添加注意力机制，基于该注意力机制使得烟叶分级模型迭代训练过程中能有效的识别到烟叶样本图像的图像特征，进而提高了烟叶分级模型的训练效果，提高了迭代训练后烟叶分级模型对待识别烟叶的分级准确性。

进一步地，所述卷积神经网络根据烟叶样本图像进行迭代训练之前，还包括：

将所述烟叶样本图像输入Mask-RCNN网络进行图像分割，得到分割图像，所述图像分割用于去除所述烟叶样本图像中的背景图像；

对所述分割图像中进行归一化处理，并对归一化处理后的所述分割图像进行等级标注，所述等级标注用于对所述烟叶样本图像对应的烟叶进行质量分级，得到烟叶质量等级。

进一步地，对所述分割图像进行归一化处理所采用的计算公式为：

norm＝(x_i-min(x))/(max(x)-min(x))

其中，x_i是所述分割图像中的像素点个数值，min(x)和max(x)是同一个所述分割图像中像素点的像素最大值和像素最小值。

进一步地，所述卷积神经网络根据烟叶样本图像进行迭代训练，得到迭代训练后的所述烟叶分级模型，包括：

将所述等级标注后的所述分割图像输入所述卷积神经网络进行图像分析，得到图像分级结果；

对所述图像分级结果进行损失计算，得到模型损失值，并根据所述模型损失值对所述卷积神经网络进行迭代训练，得到迭代训练后的所述烟叶分级模型。

进一步地，所述对所述图像分级结果进行损失计算，得到模型损失值，包括：

根据sigmoid函数对所述图像分级结果进行非线性转换，得到转换结果；

根据binary cross entropy损失函数对所述转换结果进行损失计算，得到所述模型损失值。

进一步地，所述根据所述模型损失值对所述卷积神经网络进行迭代训练，得到迭代训练后的所述烟叶分级模型，包括：

根据所述模型损失值采用随机梯度下降法对所述卷积神经网络和所述注意力网络中的权值进行更新；

若迭代后的所述卷积神经网络的所述模型损失值小于损失阈值，或所述卷积神经网络的迭代次数等于次数阈值，停止所述卷积神经网络的迭代训练，并输出所述卷积神经网络，得到迭代训练后的所述烟叶分级模型。

进一步地，所述烟叶分级模型为ResNet-50残差神经网络模型。

第二方面，本申请实施例提供了一种烟叶分级系统，包括：

烟叶分级模块，用于获取待识别烟叶的烟叶图像，并将所述烟叶图像输入迭代训练后的烟叶分级模型进行分级分析，得到烟叶分级结果；

其中，所述烟叶分级模型包括卷积神经网络，所述卷积神经网络中添加有注意力网络，所述卷积神经网络根据烟叶样本图像进行迭代训练，得到迭代训练后的所述烟叶分级模型，所述注意力网络用于在所述卷积神经网络中添加注意力机制。

第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的方法。

第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述的方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的烟叶分级方法。

可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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。

图1是本申请第一实施例提供的烟叶分级方法的流程图；

图2是本申请第二实施例提供的烟叶分级方法的流程图；

图3是本申请第三实施例提供的烟叶分级系统的结构示意图；

图4是本申请第四实施例提供的终端设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

实施例一

请参阅图1，是本申请第一实施例提供的烟叶分级方法的流程图，包括步骤：

步骤S10，获取待识别烟叶的烟叶图像，并将所述烟叶图像输入迭代训练后的烟叶分级模型进行分级分析，得到烟叶分级结果；

其中，该烟叶分级模型可以采用ResNet-50残差神经网络模型，该烟叶分级模型包括卷积神经网络(Convolutional Neural Networks，CNN)，该卷积神经网络包括卷积层、池化层、全连接层和输出层，该卷积层用于对输入的烟叶图像进行特征提取，得到图像特征，卷积层内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量(bias vector)，在卷积层进行特征提取后，输出的图像特征会被传递至池化层进行特征选择和信息过滤，该全连接层用于对池化层输出的特征进行非线性组合，该输出层用于使用逻辑函数或归一化指数函数(softmax function)对全连接层的输出结果进行分类计算，以输出烟叶分级结果。

可选的，该卷积神经网络中该卷积层、池化层和全连接层的数量均可以根据需求进行设置，例如，该卷积神经网络中卷积层、池化层和全连接层的数量均分别可以设置为3层、4层或5层。

可选的，该卷积神经网络中添加有注意力网络，该卷积神经网络根据烟叶样本图像进行迭代训练，得到迭代训练后的烟叶分级模型，该注意力网络用于在卷积神经网络中添加注意力机制(Attention Mechanism)，注意力机制是深度学习中的一种数据处理方法，广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的深度学习任务中。

具体的，注意力机制能够使得卷积神经网络迭代训练过程中，识别烟叶样本图像中图像特征时更加具有针对性，进而提高了卷积神经网络迭代训练的准确性，注意力机制可以对卷积神经网络中输入的烟叶样本图像的图像特征赋予不同的权重，并抽取图像特征中更加关键及重要的信息，使得迭代训练后的烟叶分级模型更加的准确。

此外，该步骤中，通过分别拍摄该待识别烟叶的正面和反面的图像，以得到两个烟叶图像，并将两个烟叶图像分别输出该迭代训练后的烟叶分级模型进行分级分析，得到两个烟叶分级结果，该烟叶分级结果中存储有对应烟叶图像的烟叶质量等级，该烟叶质量等级用于评价该烟叶图像对应的待识别烟叶的质量。

可选的，该烟叶质量等级可以采用数字、文字或字母的方式进行显示，例如，该烟叶质量等级采用文字的方式进行显示时，则该烟叶质量等级包括优、良、中、差四个等级，差等级对应的待识别烟叶为青杂烟，进一步地，该步骤中，将两个烟叶分级结果中较低的等级设置为该待识别烟叶的烟叶质量等级，例如，该待识别烟叶的正面烟叶图像对应的烟叶质量等级为中等级，反面烟叶图像对应的烟叶质量等级为差等级，则针对该待识别烟叶的最终分级结果为差等级。

本实施例中，通过基于烟叶分级模型自动进行烟叶的分级，防止了由于采用烟叶分级工人工分级所导致的烟叶分级准确性低下现象，通过在卷积神经网络中添加注意力网络的设计，能有效的在卷积神经网络中添加注意力机制，基于该注意力机制使得烟叶分级模型迭代训练过程中能有效的识别到烟叶样本图像的图像特征，进而提高了烟叶分级模型的训练效果，提高了迭代训练后烟叶分级模型对待识别烟叶的分级准确性。

实施例二

请参阅图2，是本申请第二实施例提供的烟叶分级方法的流程图，包括步骤：

步骤S11，将所述烟叶样本图像输入Mask-RCNN网络进行图像分割，得到分割图像；

其中，该图像分割用于去除烟叶样本图像中的背景图像，该Mask-RCNN网络用于对该烟叶样本图像中的烟叶轮廓进行识别，并基于烟叶轮廓识别结果对烟叶的图像从烟叶样本图像中分割出来，得到分割图像，该分割图像为只有烟叶的图片，进而有效的达到了过滤背景图像的效果，降低了后续卷积神经网络迭代训练过程中背景图像的干扰。

步骤S21，对所述分割图像中进行归一化处理，并对归一化处理后的所述分割图像进行等级标注；

其中，等级标注用于对烟叶样本图像对应的烟叶进行质量分级，得到烟叶质量等级，该烟叶质量等级是对应烟叶样本图像的标签信息，该标签信息用于在卷积神经网络迭代训练过程中起到标签的作用，该步骤中，通过对该分割图像进行归一化处理的设计，以降低该分割图像中所有像素点像素值的取值范围，即将每个像素点的像素值范围从0至255转换为0至1，进而有效的降低了后续卷积神经网络迭代训练过程中的数据运算量，加快了卷积神经网络的收敛性。

具体的，该步骤中，对所述分割图像进行归一化处理所采用的计算公式为：

norm＝(x_i-min(x))/(max(x)-min(x))

其中，x_i是所述分割图像中的像素点个数值，min(x)和max(x)是同一个所述分割图像中像素点的像素最大值和像素最小值。

可选的，该步骤中，还可以对该分割图像中进行图像标准化处理，并对图像标准化处理后的分割图像进行等级标注，该图像标准化处理用于将分割图像通过去均值实现数据中心化，由于数据中心化更符合数据分布规律，进而能增加迭代训练后烟叶分级模型的泛化能力。

步骤S31，将所述等级标注后的所述分割图像输入所述卷积神经网络进行图像分析，得到图像分级结果；

其中，该分割图像经过卷积神经网络中卷积层的卷积处理和池化层的池化处理，得到该图像分级结果，该图像分级结果为该卷积神经网络针对该分割图像对应烟叶样本图像的分级结果。

步骤S41，对所述图像分级结果进行损失计算，得到模型损失值，并根据所述模型损失值对所述卷积神经网络进行迭代训练，得到迭代训练后的所述烟叶分级模型；

具体的，该步骤中，所述对所述图像分级结果进行损失计算，得到模型损失值，包括：

根据sigmoid函数对所述图像分级结果进行非线性转换，得到转换结果；

根据binary cross entropy损失函数对所述转换结果进行损失计算，得到所述模型损失值；

其中，该sigmoid函数设置在全连接层中，该全连接层采用sigmoid函数对图像分级结果进行非线性转换，得到该转换结果，可选的，该全连接层可以通过设置Tanh函数或ReLU函数，以达到对该图像分级结果进行非线性转换的效果。

具体的，该步骤中，通过根据binary cross entropy损失函数对转换结果进行损失计算的设计，以计算该分割图像的标签与输出值之间的损失概率，该损失概率用于对卷积神经网络和注意力网络中的权值进行参数更新，以提高迭代训练后的烟叶分级模型的准确性。

可选的，该步骤中，所述根据所述模型损失值对所述卷积神经网络进行迭代训练，得到迭代训练后的所述烟叶分级模型，包括：

根据所述模型损失值采用随机梯度下降法对所述卷积神经网络和所述注意力网络中的权值进行更新；

若迭代后的所述卷积神经网络的所述模型损失值小于损失阈值，或所述卷积神经网络的迭代次数等于次数阈值，停止所述卷积神经网络的迭代训练，并输出所述卷积神经网络，得到迭代训练后的所述烟叶分级模型。

其中，通过根据模型损失值采用随机梯度下降法对卷积神经网络和注意力网络中的权值进行更新的设计，以提高该卷积神经网络和注意力网络中权值的准确性，使得再次计算得到的模型损失值降低，加快了卷积神经网络的收敛，若迭代后的卷积神经网络的模型损失值小于损失阈值，或卷积神经网络的迭代次数等于次数阈值，则判定该卷积神经网络收敛，停止该卷积神经网络的迭代训练，并输出卷积神经网络和注意力网络，得到迭代训练后的烟叶分级模型。

可选的，该注意力网络设置在该卷积神经网络中的池化层与全连接层之间，该注意力网络在迭代训练过程中，将动态更新卷积神经网络中各个神经元上的注意力概率，概率值的范围为0-1之间，当概率为0的时候，该神经元的结果将不参与计算。

步骤S51，获取待识别烟叶的烟叶图像，并将所述烟叶图像输入迭代训练后的所述烟叶分级模型进行分级分析，得到烟叶分级结果。

本实施例中，通过对该分割图像进行归一化处理的设计，以降低该分割图像中所有像素点像素值的取值范围，进而降低了卷积神经网络迭代训练过程中的数据运算量，加快了卷积神经网络的收敛性，通过对图像分级结果进行损失计算得到模型损失值，并根据模型损失值对卷积神经网络进行迭代训练的设计，以更新卷积神经网络中的权值，进而提高了迭代训练后烟叶分级模型的准确性。

实施例三

对应于上文实施例所述的烟叶分级方法，图3示出了本申请第三实施例提供的烟叶分级系统100的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图3，该系统包括：烟叶分级模块10，其中：

烟叶分级模块10，用于获取待识别烟叶的烟叶图像，并将所述烟叶图像输入迭代训练后的烟叶分级模型进行分级分析，得到烟叶分级结果，其中，所述烟叶分级模型包括卷积神经网络，所述卷积神经网络中添加有注意力网络，所述注意力网络用于在所述卷积神经网络中添加注意力机制，所述烟叶分级模型可以采用ResNet-50残差神经网络模型。

本实施例中，该烟叶分级系统100还包括：

样本图像处理模块11，用于将所述烟叶样本图像输入Mask-RCNN网络进行图像分割，得到分割图像，所述图像分割用于去除所述烟叶样本图像中的背景图像；

对所述分割图像中进行归一化处理，并对归一化处理后的所述分割图像进行等级标注，所述等级标注用于对所述烟叶样本图像对应的烟叶进行质量分级，得到烟叶质量等级。

可选的，对所述分割图像进行归一化处理所采用的计算公式为：

norm＝(x_i-min(x))/(max(x)-min(x))

其中，x_i是所述分割图像中的像素点个数值，min(x)和max(x)是同一个所述分割图像中像素点的像素最大值和像素最小值。

网络训练模块12，用于根据烟叶样本图像对所述卷积神经网络进行迭代训练，得到迭代训练后的所述烟叶分级模型。

其中，所述网络训练模块12还用于：将所述等级标注后的所述分割图像输入所述卷积神经网络进行图像分析，得到图像分级结果；

对所述图像分级结果进行损失计算，得到模型损失值，并根据所述模型损失值对所述卷积神经网络进行迭代训练，得到迭代训练后的所述烟叶分级模型。

可选的，所述网络训练模块12还用于：根据sigmoid函数对所述图像分级结果进行非线性转换，得到转换结果；

根据binary cross entropy损失函数对所述转换结果进行损失计算，得到所述模型损失值。

进一步地，所述网络训练模块12还用于：根据所述模型损失值采用随机梯度下降法对所述卷积神经网络和所述注意力网络中的权值进行更新；

若迭代后的所述卷积神经网络的所述模型损失值小于损失阈值，或所述卷积神经网络的迭代次数等于次数阈值，停止所述卷积神经网络的迭代训练，并输出所述卷积神经网络，得到迭代训练后的所述烟叶分级模型。

本实施例中，通过基于烟叶分级模型自动进行烟叶的分级，防止了由于采用烟叶分级工人工分级所导致的烟叶分级准确性低下现象，通过在卷积神经网络中添加注意力网络的设计，能有效的在卷积神经网络中添加注意力机制，基于该注意力机制使得烟叶分级模型迭代训练过程中能有效的识别到烟叶样本图像的图像特征，进而提高了烟叶分级模型的训练效果，提高了迭代训练后烟叶分级模型对待识别烟叶的分级准确性。

需要说明的是，上述装置/模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

图4为本申请第四实施例提供的终端设备2的结构示意图。如图4所示，该实施例的终端设备2包括：至少一个处理器20(图4中仅示出一个处理器)、存储器21以及存储在所述存储器21中并可在所述至少一个处理器20上运行的计算机程序22，所述处理器20执行所述计算机程序22时实现上述任意各个方法实施例中的步骤。

所述终端设备2可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器20、存储器21。本领域技术人员可以理解，图4仅仅是终端设备2的举例，并不构成对终端设备2的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器20可以是中央处理单元(Central Processing Unit，CPU)，该处理器20还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器21在一些实施例中可以是所述终端设备2的内部存储单元，例如终端设备2的硬盘或内存。所述存储器21在另一些实施例中也可以是所述终端设备2的外部存储设备，例如所述终端设备2上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器21还可以既包括所述终端设备2的内部存储单元也包括外部存储设备。所述存储器21用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种烟叶分级方法，其特征在于，所述方法包括：

获取待识别烟叶的烟叶图像，并将所述烟叶图像输入迭代训练后的烟叶分级模型进行分级分析，得到烟叶分级结果；

所述烟叶分级模型包括卷积神经网络，所述卷积神经网络中添加有注意力网络，所述卷积神经网络根据烟叶样本图像进行迭代训练，得到迭代训练后的所述烟叶分级模型，所述注意力网络用于在所述卷积神经网络中添加注意力机制。

2.如权利要求1所述的烟叶分级方法，其特征在于，所述卷积神经网络根据烟叶样本图像进行迭代训练之前，还包括：

将所述烟叶样本图像输入Mask-RCNN网络进行图像分割，得到分割图像，所述图像分割用于去除所述烟叶样本图像中的背景图像；

对所述分割图像中进行归一化处理，并对归一化处理后的所述分割图像进行等级标注，所述等级标注用于对所述烟叶样本图像对应的烟叶进行质量分级，得到烟叶质量等级。

3.如权利要求2所述的烟叶分级方法，其特征在于，对所述分割图像进行归一化处理所采用的计算公式为：

norm＝(x_i-min(x))/(max(x)-min(x))

其中，x_i是所述分割图像中的像素点个数值，min(x)和max(x)是同一个所述分割图像中像素点的像素最大值和像素最小值。

4.如权利要求2所述的烟叶分级方法，其特征在于，所述卷积神经网络根据烟叶样本图像进行迭代训练，得到迭代训练后的所述烟叶分级模型，包括：

将所述等级标注后的所述分割图像输入所述卷积神经网络进行图像分析，得到图像分级结果；

对所述图像分级结果进行损失计算，得到模型损失值，并根据所述模型损失值对所述卷积神经网络进行迭代训练，得到迭代训练后的所述烟叶分级模型。

5.如权利要求4所述的烟叶分级方法，其特征在于，所述对所述图像分级结果进行损失计算，得到模型损失值，包括：

根据sigmoid函数对所述图像分级结果进行非线性转换，得到转换结果；

根据binary cross entropy损失函数对所述转换结果进行损失计算，得到所述模型损失值。

6.如权利要求4所述的烟叶分级方法，其特征在于，所述根据所述模型损失值对所述卷积神经网络进行迭代训练，得到迭代训练后的所述烟叶分级模型，包括：

根据所述模型损失值采用随机梯度下降法对所述卷积神经网络和所述注意力网络中的权值进行更新；

若迭代后的所述卷积神经网络的所述模型损失值小于损失阈值，或所述卷积神经网络的迭代次数等于次数阈值，停止所述卷积神经网络的迭代训练，并输出所述卷积神经网络，得到迭代训练后的所述烟叶分级模型。

7.如权利要求1所述的烟叶分级方法，其特征在于，所述烟叶分级模型为ResNet-50残差神经网络模型。

8.一种烟叶分级系统，其特征在于，包括：

烟叶分级模块，用于获取待识别烟叶的烟叶图像，并将所述烟叶图像输入迭代训练后的烟叶分级模型进行分级分析，得到烟叶分级结果；

其中，所述烟叶分级模型包括卷积神经网络，所述卷积神经网络中添加有注意力网络，所述卷积神经网络根据烟叶样本图像进行迭代训练，得到迭代训练后的所述烟叶分级模型，所述注意力网络用于在所述卷积神经网络中添加注意力机制。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。

10.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。

Images