CN112966789A - 一种烟叶成熟度识别方法、装置及设备 - Google Patents

一种烟叶成熟度识别方法、装置及设备 Download PDF

Info

Publication number
CN112966789A
CN112966789A CN202110435671.0A CN202110435671A CN112966789A CN 112966789 A CN112966789 A CN 112966789A CN 202110435671 A CN202110435671 A CN 202110435671A CN 112966789 A CN112966789 A CN 112966789A
Authority
CN
China
Prior art keywords
tobacco
tobacco leaf
maturity
leaf image
image
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
CN202110435671.0A
Other languages
English (en)
Inventor
黄浩
谢晋
曾繁东
蓝军
高仁吉
袁文彬
程图艺
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.)
China Tobacco Guangdong Industrial Co Ltd
Original Assignee
China Tobacco Guangdong Industrial Co Ltd
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 China Tobacco Guangdong Industrial Co Ltd filed Critical China Tobacco Guangdong Industrial Co Ltd
Priority to CN202110435671.0A priority Critical patent/CN112966789A/zh
Publication of CN112966789A publication Critical patent/CN112966789A/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
    • G06F18/24—Classification techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种烟叶成熟度识别方法、装置及设备，方法包括：获取待测烟叶图像；对烟叶图像进行预处理；将预处理后的烟叶图像输入至训练好的烟叶成熟度识别模型中，输出待测烟叶图像中烟叶的成熟度。本申请能够增强烟叶特征，识别准确率高。

Description

一种烟叶成熟度识别方法、装置及设备
技术领域
本申请涉及深度学习技术领域，尤其涉及一种烟叶成熟度识别方法、装置及设备。
背景技术
烟叶分为正在生长的烟草作物上的叶子和已经初步调制过但没有加工成烟丝制品的烟叶。烟草从烟草植物到制成烟丝成品需要经过多个工艺制作流程，只有经过多重加工后才能成为商品流向市场销售。当前，烤烟的烟叶等级优劣是根据烟叶的来源、叶片结构、成熟度、油分及色度等进行评定的。但当前一般通过有较强主观性的感官和经验来判断，易造成评定不准确，对烟叶收购有很大影响。目前，随着计算机视觉及图像识别技术的飞速发展，为烟叶分级自动化技术提供了更为有利的发展条件。对于烟草行业来说，找到一种适合现代科技发展需求的烟叶分级方式，用智能化生产代替人工进行烟叶的分选、定级，是实现烟叶分级质量提升、效益增加的重点和难点问题之一。而智能化烟叶分级的核心部分就在于模拟人眼来区分烟叶质量的差异，模拟人脑分选烟叶的质量级别。因此，研发一种通过深度学习的烟叶成熟度识别方法有很大的意义。
发明内容
本申请实施例提供了一种烟叶成熟度识别方法、装置及设备，使得增强烟叶特征，识别准确率高。
有鉴于此，本申请第一方面提供了一种烟叶成熟度识别方法，所述方法包括：
获取待测烟叶图像；
对所述待测烟叶图像进行预处理；
将预处理后的所述待测烟叶图像输入至训练好的烟叶成熟度识别模型中，输出所述待测烟叶图像中烟叶的成熟度。
可选的，所述对所述烟叶图像进行预处理，包括：
将所述待测烟叶图像处理成匹配于所述烟叶成熟度识别模型的输入格式。
可选的，在所述将预处理后的所述烟叶图像输入至训练好的烟叶成熟度识别模型中，输出所述待测烟叶图像中烟叶的成熟度，之前还包括：
获取大量烟叶图像样本；
对所述烟叶图像样本进行预处理；
根据所述烟叶图像样本的叶脉特征和色泽特征，对所述烟叶图像样本的分级并打上分级标签；
对所述烟叶图像样本进行人工标注，得到每个所述烟叶图像样本的标注方框，将所述标注方框定义为临时感兴趣区域，所述临时感兴趣区域包括烟叶叶脉和色泽；
将所述烟叶图像样本划分为训练集和测试集；
采用训练集对构建好的所述烟叶成熟度识别模型进行训练，得到训练好的所述烟叶成熟度识别模型。
可选的，所述对所述烟叶样本进行预处理，包括：
对所述烟叶图像样本进行归一化处理，将大小方向不一的所述烟叶图像样本转化成标准输入模式，所述归一化处理包括对数函数转换法、线性函数转换法和法余切函数转换法。
可选的，所述烟叶成熟度识别模型为ShuffleNet神经网络；所述ShuffleNet的结构由block组成，包括：
首先进行1×1分组卷积操作；
再进行通道随机混合操作，使用3×3的深度卷积，步长stride＝2；
再通过一个1×1分组卷积操作，将得到特征图与输出进行连接。
本申请第二方面提供一种烟叶成熟度识别装置，所述装置包括：
第一获取单元，用于获取待测烟叶图像；
第一预处理单元，用于对所述待测烟叶图像进行预处理；
检测单元，用于将预处理后的所述待测烟叶图像输入至训练好的烟叶成熟度识别模型中，输出所述待测烟叶图像中烟叶的成熟度。
可选的，所述第一预处理单元具体用于将所述待测烟叶图像处理成匹配于所述烟叶成熟度识别模型的输入格式。
可选的，所述检测单元还包括：
第二获取单元，用于获取大量烟叶图像样本；
第二预处理单元，用于对所述烟叶图像样本进行预处理；
分级单元，用于根据所述烟叶图像样本的叶脉特征和色泽特征，对所述烟叶图像样本的分级并打上分级标签；
标注单元，用于对所述烟叶图像样本进行人工标注，得到每个所述烟叶图像样本的标注方框，将所述标注方框定义为临时感兴趣区域，所述临时感兴趣区域包括烟叶叶脉和色泽；
划分单元，用于将所述烟叶图像样本划分为训练集和测试集；
训练单元，用于采用训练集对构建好的所述烟叶成熟度识别模型进行训练，得到训练好的所述烟叶成熟度识别模型。
可选的，所述第二预处理单元具体用于对所述烟叶图像样本进行归一化处理，将大小方向不一的所述烟叶图像样本转化成标准输入模式，所述归一化处理包括对数函数转换法、线性函数转换法和法余切函数转换法。
本申请第三方面提供一种烟叶成熟度识别设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令，执行如上述第一方面所述的烟叶成熟度识别方法的步骤；
所述识别装置用于获取采集的烟叶图像；
所述显示器用于显示具体的烟叶成熟度。
从以上技术方案可以看出，本申请具有以下优点：
本申请中，提供了一种烟叶成熟度识别方法，包括：获取待测烟叶图像；对烟叶图像进行预处理；将预处理后的待测烟叶图像输入至训练好的烟叶成熟度识别模型中，输出待测烟叶图像中烟叶的成熟度。
本申请使用训练好的AlexNet参数来初始化深度编码解码网络卷积操作中的参数，使用高斯分布初始化反卷积参数。通过平移、旋转、缩放等方式增强图像数据特征，提高了模型的准确率；同时，对训练集中的训练图像数据进行归一化处理，将图像转化成标准模式，包括对数函数转换法、线性函数转换法和法余切函数转换法，增强烟叶特征，识别准确率高。
附图说明
图1为本申请一种烟叶成熟度识别方法的一个实施例的方法流程图；
图2为本申请一种烟叶成熟度识别方法的另一个实施例的方法流程图；
图3为本申请一种烟叶成熟度识别装置的一个实施例的装置结构图；
图4为本申请一种烟叶成熟度识别设备的一个实施例中设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将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，所描述的实施例仅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，本领域普通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。
图1为本申请一种烟叶成熟度识别方法的一个实施例的方法流程图，如图1所示，图1中包括：
101、获取待测烟叶图像；
需要说明的是，本申请中可以采用手持采集设备到田间对烟叶图像进行采集，并将采集后的烟叶图像进行识别，判断烟叶图像的成熟度，并根据烟叶的成熟度进行采集。
102、对烟叶图像进行预处理；
需要说明的是，本申请可以将烟叶图像输入至烟叶成熟度识别模型进行识别，因此，首先可以将采集到的的图像进行编码和/或者转换成适合于烟叶成熟度识别模型的输入格式，以便于可以实时对采集到的图像进行快速识别。
103、将预处理后的待测烟叶图像输入至训练好的烟叶成熟度识别模型中，输出所述待测烟叶图像中烟叶的成熟度；
需要说明的是，得到预处理好的待测烟叶图像后，可以将待测烟叶图像输入至训练好的烟叶成熟度识别模型中，输出所述待测烟叶图像中烟叶的成熟度。具体的，本申请可以使用训练好的AlexNet参数来初始化深度编码解码网络卷积操作中的参数，使用高斯分布初始化反卷积参数，通过平移、旋转、缩放等方式增强输入的待测烟叶图像数据特征。
本申请使用训练好的AlexNet参数来初始化深度编码解码网络卷积操作中的参数，使用高斯分布初始化反卷积参数。通过平移、旋转、缩放等方式增强图像数据特征，提高了模型的准确率；同时，对训练集中的训练图像数据进行归一化处理，将图像转化成标准模式，包括对数函数转换法、线性函数转换法和法余切函数转换法，增强烟叶特征，识别准确率高。
本申请还提供了一种烟叶成熟度识别方法的另一个实施例，如图2所示，图2中，将预处理后的待测烟叶图像输入至训练好的烟叶成熟度识别模型中，输出待测烟叶图像中烟叶的成熟度之前，还包括：
201、获取大量烟叶图像样本；
需要说明的是，本申请可以获取大量的在田间采集的烟叶图像，并将这些图像作为训练集和测试集，用于对烟叶成熟度识别模型进行训练的样本。
202、对烟叶图像样本进行预处理；
需要说明的是，在对烟叶成熟度识别模型进行训练以前，需要对训练集中的烟叶图像进行预处理，其预处理的过程包括对烟叶图像样本进行归一化处理，即将大小方向不一的烟叶图像样本转化成标准输入模式，归一化处理包括对数函数转换法、线性函数转换法和法余切函数转换法；还可以对烟叶图像样本进行逐样本均值消减(移除样本中的直流分量),以及特征标准化(使数据集中所有特征都具有零均值和单位方差)。
203、根据烟叶图像样本的叶脉特征和色泽特征，对烟叶图像样本的分级并打上分级标签；
需要说明的是，本申请可以根据烟叶样本的叶脉特征和色泽特征的差异，将烟叶图像样本分为k级，并对烟叶图像样本打上对应的标签，以便于后续对烟叶成熟度识别模型的测试。
204、对烟叶图像样本进行人工标注，得到每个烟叶图像样本的标注方框，将标注方框定义为临时感兴趣区域，临时感兴趣区域包括烟叶叶脉和色泽；
需要说明的是，本申请可以对预先采集的各种成熟度的烟叶图像样本进行人工标注，以得到标注方框，并将标注方框定义为临时感兴趣区域，临时感兴趣区域包括烟叶叶脉和色泽；可以使用训练好的AlexNet参数来初始化深度编码解码网络卷积操作中的参数，使用高斯分布初始化反卷积参数，通过平移、旋转、缩放等方式增强图像数据特征。
205、将烟叶图像样本划分为训练集和测试集；
需要说明的是，本申请可以将烟叶图像样本划分为训练集和测试集，用于对烟叶成熟度识别模型进行训练。
206、采用训练集对构建好的所述烟叶成熟度识别模型进行训练，得到训练好的所述烟叶成熟度识别模型。
需要说明的是，烟叶成熟度识别模型中的AlexNet包含八个带权重的网络层，其中，前5层是卷积层，剩下的三层是全连接层。最后一层全连接层的输出是k维softmax的输入，softmax会产生k类标签的分布。对于烟叶分级，本申请可以采用ShuffleNet神经网络。
ShuffleNet神经网络使用了通道随机混合操作的分组积ShuffleNetV2是在ShuffleNetV1的基础上进行了优化后的一种轻量级CNN结构。ShuffleNet的基本结构主要是由block组成，包括：首先进行1×1分组卷积操作，紧接着进行通道随机混合操作，然后使用3×3的深度卷积(DWConv)，其中，步长stride＝2，再通过一个1×1分组卷积操作，然后将得到特征图与输出进行连接。其中，通道随机混合为：将输入层分为a组，总通道数为a×b，将通道维度拆分为(a,b)两个维度，然后将这两个维度转置变成(b,a)，最后重新reshape成一个维度a×b。目的为对分组卷积之后的特征图进行“重组”。ShuffleNetV2在ShuffleNetV1的基础上在开始处增加了一个通道划分操作，将输入特征的通道分成c-c'和c'，c'为c/2。并取消1×1卷积层中的分组操作。其次通道随机混合的操作移到了数组连接操作后。最后将按元素添加操作替换成数组连接操作。通过平移、旋转、缩放等方式增强图像数据特征，例如可以采用以下方式：在模糊识别过程采用聚类模糊分析法，此分析法能相对合理地分析不确定的识别对象并进行分组化，以便于以后能正确进行识别，提高了模型的准确率；同时，对训练集中的训练图像数据进行归一化处理将图像转化成标准模式，包括对数函数转换法、线性函数转换法和法余切函数转换法。最终得到识别结果。
本申请使用训练好的AlexNet参数来初始化深度编码解码网络卷积操作中的参数，使用高斯分布初始化反卷积参数。通过平移、旋转、缩放等方式增强图像数据特征，提高了模型的准确率；同时，对训练集中的训练图像数据进行归一化处理，将图像转化成标准模式，包括对数函数转换法、线性函数转换法和法余切函数转换法，增强烟叶特征，识别准确率高。
以上是本申请的方法的实施例，本申请还提供了一种烟叶成熟度识别装置的实施例，如图3所示，图3中包括：
第一获取单元301，用于获取待测烟叶图像；
第一预处理单元302，用于对待测烟叶图像进行预处理；
检测单元303，用于将预处理后的待测烟叶图像输入至训练好的烟叶成熟度识别模型中，输出待测烟叶图像中烟叶的成熟度。
在一种具体的实施方式中，第一预处理单元302具体用于将待测烟叶图像处理成匹配于烟叶成熟度识别模型的输入格式。
在一种具体的实施方式中，检测单元303还包括：
第二获取单元，用于获取大量烟叶图像样本；
第二预处理单元，用于对烟叶图像样本进行预处理；
分级单元，用于根据烟叶图像样本的叶脉特征和色泽特征，对烟叶图像样本的分级并打上分级标签；
标注单元，用于对烟叶图像样本进行人工标注，得到每个烟叶图像样本的标注方框，将标注方框定义为临时感兴趣区域，临时感兴趣区域包括烟叶叶脉和色泽；
划分单元，用于将烟叶图像样本划分为训练集和测试集；
训练单元，用于采用训练集对构建好的烟叶成熟度识别模型进行训练，得到训练好的烟叶成熟度识别模型。
在一种具体的实施方式中，第二预处理单元具体用于对烟叶图像样本进行归一化处理，将大小方向不一的烟叶图像样本转化成标准输入模式，归一化处理包括对数函数转换法、线性函数转换法和法余切函数转换法。
本申请还提供了一种烟叶成熟度识别设备的一个实施例，可参考图4，图4中的设备包括处理器，识别装置，显示器以及存储器：
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行本申请一种烟叶成熟度识别方法；
识别装置用于获取采集的烟叶图像；
显示器用于显示具体的烟叶成熟度。
需要说明的是，本申请中工作人员可以通过识别装置采集烘烤后的烟叶图像，采集的图像通过处理器中的程序代码执行一种烟叶成熟度识别方法的实施例中的步骤，完成对烟叶成熟度的识别，并将识别结果在显示器上显示，以便于工作人员实时观察烟叶的成熟度。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，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。
另外，在本申请各个实施例中的各功能单元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。
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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上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。

Claims (10)

1.一种烟叶成熟度识别方法，其特征在于，包括：
获取待测烟叶图像；
对所述待测烟叶图像进行预处理；
将预处理后的所述待测烟叶图像输入至训练好的烟叶成熟度识别模型中，输出所述待测烟叶图像中烟叶的成熟度。
2.根据权利要求1所述的烟叶成熟度识别方法，其特征在于，所述对所述待测烟叶图像进行预处理，包括：
将所述待测烟叶图像处理成匹配于所述烟叶成熟度识别模型的输入格式。
3.根据权利要求1所述的烟叶成熟度识别方法，其特征在于，在所述将预处理后的所述待测烟叶图像输入至训练好的烟叶成熟度识别模型中，输出所述待测烟叶图像中烟叶的成熟度，之前还包括：
获取大量烟叶图像样本；
对所述烟叶图像样本进行预处理；
根据所述烟叶图像样本的叶脉特征和色泽特征，对所述烟叶图像样本的分级并打上分级标签；
对所述烟叶图像样本进行人工标注，得到每个所述烟叶图像样本的标注方框，将所述标注方框定义为临时感兴趣区域，所述临时感兴趣区域包括烟叶叶脉和色泽；
将所述烟叶图像样本划分为训练集和测试集；
采用训练集对构建好的所述烟叶成熟度识别模型进行训练，得到训练好的所述烟叶成熟度识别模型。
4.根据权利要求3所述的烟叶成熟度识别方法，其特征在于，所述对所述烟叶样本进行预处理，包括：
对所述烟叶图像样本进行归一化处理，将大小方向不一的所述烟叶图像样本转化成标准输入模式，所述归一化处理包括对数函数转换法、线性函数转换法和法余切函数转换法。
5.根据权利要求1至4任一项所述的烟叶成熟度识别方法，其特征在于，所述烟叶成熟度识别模型为ShuffleNet神经网络；所述ShuffleNet的结构由block组成，包括：
首先进行1×1分组卷积操作；
再进行通道随机混合操作，使用3×3的深度卷积，步长stride＝2；
再通过一个1×1分组卷积操作，将得到特征图与输出进行连接。
6.一种烟叶成熟度识别装置，其特征在于，包括：
第一获取单元，用于获取待测烟叶图像；
第一预处理单元，用于对所述待测烟叶图像进行预处理；
检测单元，用于将预处理后的所述待测烟叶图像输入至训练好的烟叶成熟度识别模型中，输出所述待测烟叶图像中烟叶的成熟度。
7.根据权利要求6所述的烟叶成熟度识别装置，其特征在于，所述第一预处理单元具体用于将所述待测烟叶图像处理成匹配于所述烟叶成熟度识别模型的输入格式。
8.根据权利要求6所述的烟叶成熟度识别装置，其特征在于，所述检测单元还包括：
第二获取单元，用于获取大量烟叶图像样本；
第二预处理单元，用于对所述烟叶图像样本进行预处理；
分级单元，用于根据所述烟叶图像样本的叶脉特征和色泽特征，对所述烟叶图像样本的分级并打上分级标签；
标注单元，用于对所述烟叶图像样本进行人工标注，得到每个所述烟叶图像样本的标注方框，将所述标注方框定义为临时感兴趣区域，所述临时感兴趣区域包括烟叶叶脉和色泽；
划分单元，用于将所述烟叶图像样本划分为训练集和测试集；
训练单元，用于采用训练集对构建好的所述烟叶成熟度识别模型进行训练，得到训练好的所述烟叶成熟度识别模型。
9.根据权利要求8所述的烟叶成熟度识别装置，其特征在于，所述第二预处理单元具体用于对所述烟叶图像样本进行归一化处理，将大小方向不一的所述烟叶图像样本转化成标准输入模式，所述归一化处理包括对数函数转换法、线性函数转换法和法余切函数转换法。
10.一种烟叶成熟度识别设备，其特征在于，所述设备包括处理器，识别装置，显示器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-5任一项所述的烟叶成熟度识别方法；
所述识别装置用于获取采集的烟叶图像；
所述显示器用于显示具体的烟叶成熟度。
CN202110435671.0A 2021-04-22 2021-04-22 一种烟叶成熟度识别方法、装置及设备 Pending CN112966789A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110435671.0A CN112966789A (zh) 2021-04-22 2021-04-22 一种烟叶成熟度识别方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110435671.0A CN112966789A (zh) 2021-04-22 2021-04-22 一种烟叶成熟度识别方法、装置及设备

Publications (1)

Publication Number Publication Date
CN112966789A true CN112966789A (zh) 2021-06-15

Family

ID=76281047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110435671.0A Pending CN112966789A (zh) 2021-04-22 2021-04-22 一种烟叶成熟度识别方法、装置及设备

Country Status (1)

Country Link
CN (1) CN112966789A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114609135A (zh) * 2022-02-24 2022-06-10 河南中烟工业有限责任公司 基于bp神经网络的烤烟烟叶田间成熟度手机智能判别方法
CN114862858A (zh) * 2022-07-08 2022-08-05 湖北省烟草科学研究院 基于集成学习的雪茄烟采收成熟度识别方法及系统
CN118072295A (zh) * 2024-03-27 2024-05-24 湖南农业大学 一种烟叶识别方法、系统、存储介质、设备及程序产品

Citations (3)

* Cited by examiner, † Cited by third party
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
CN111860601A (zh) * 2020-06-22 2020-10-30 北京林业大学 预测大型真菌种类的方法及装置
CN112036520A (zh) * 2020-11-06 2020-12-04 四川师范大学 基于深度学习的大熊猫年龄识别方法、装置及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
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
CN111860601A (zh) * 2020-06-22 2020-10-30 北京林业大学 预测大型真菌种类的方法及装置
CN112036520A (zh) * 2020-11-06 2020-12-04 四川师范大学 基于深度学习的大熊猫年龄识别方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谢滨瑶，祝诗平，黄华: "基于BPNN和SVM的烟叶成熟度鉴别模型", 中国烟草学报 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114609135A (zh) * 2022-02-24 2022-06-10 河南中烟工业有限责任公司 基于bp神经网络的烤烟烟叶田间成熟度手机智能判别方法
CN114862858A (zh) * 2022-07-08 2022-08-05 湖北省烟草科学研究院 基于集成学习的雪茄烟采收成熟度识别方法及系统
CN118072295A (zh) * 2024-03-27 2024-05-24 湖南农业大学 一种烟叶识别方法、系统、存储介质、设备及程序产品
CN118072295B (zh) * 2024-03-27 2024-08-20 湖南农业大学 一种烟叶识别方法、系统、存储介质、设备及程序产品

Similar Documents

Publication Publication Date Title
CN112966789A (zh) 一种烟叶成熟度识别方法、装置及设备
CN110763698B (zh) 一种基于特征波长的高光谱柑橘叶片病害识别方法
CN108392213B (zh) 基于绘画心理学的心理分析方法及装置
CN112597038B (zh) 软件缺陷预测方法及系统
CN109255289A (zh) 一种基于统一式生成模型的跨衰老人脸识别方法
CN110134961A (zh) 文本的处理方法、装置和存储介质
CN110874576B (zh) 一种基于典型相关分析融合特征的行人再识别方法
CN108898269A (zh) 基于度量的电力图像环境影响评估方法
Mikołajczyk et al. Towards explainable classifiers using the counterfactual approach-global explanations for discovering bias in data
Backes et al. Plant leaf identification using multi-scale fractal dimension
CN110348494A (zh) 一种基于双通道残差神经网络的人体动作识别方法
CN111526357A (zh) 一种基于pca学习的显卡接口机器测试方法
CN113222062A (zh) 烟叶分类的方法、装置和计算机可读取介质
Weaver et al. From leaves to labels: Building modular machine learning networks for rapid herbarium specimen analysis with LeafMachine2
CN113838524B (zh) S-亚硝基化位点预测方法、模型训练方法及存储介质
CN113538411B (zh) 一种绝缘子缺陷检测方法及装置
CN114241309A (zh) 一种基于ShuffleNetV2-Unet的水稻纹枯病识别方法和系统
CN113261975B (zh) 一种基于深度学习的心电分类方法
Nagpal et al. An application of deep learning for sweet cherry phenotyping using yolo object detection
CN110414549B (zh) 一种模糊正交线性鉴别分析的茶叶近红外光谱分类方法
CN109886105B (zh) 基于多任务学习的价格牌识别方法、系统及存储介质
CN111626313A (zh) 一种特征提取模型训练方法、图像处理方法及装置
CN109460788A (zh) 基于低秩-稀疏信息组合网络的高光谱图像分类方法
CN114003493A (zh) 测试数据处理方法、装置、设备及存储介质
James et al. A Guava Leaf Disease Identification Application

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210615

RJ01 Rejection of invention patent application after publication