CN113469233A - 基于深度学习的烟叶自动定级方法及系统 - Google Patents
基于深度学习的烟叶自动定级方法及系统 Download PDFInfo
- Publication number
- CN113469233A CN113469233A CN202110699967.3A CN202110699967A CN113469233A CN 113469233 A CN113469233 A CN 113469233A CN 202110699967 A CN202110699967 A CN 202110699967A CN 113469233 A CN113469233 A CN 113469233A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- deep learning
- tobacco leaf
- neural network
- 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
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 95
- 238000013135 deep learning Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 43
- 244000061176 Nicotiana tabacum Species 0.000 title 1
- 241000208125 Nicotiana Species 0.000 claims abstract description 94
- 238000012360 testing method Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 16
- 238000004140 cleaning Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 3
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 3
- 235000019504 cigarettes Nutrition 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Abstract
本公开提供了一种基于深度学习的烟叶自动定级方法及系统,包括以下步骤:获取烟叶图像,对获取的图像进行数据清洗,构建图像数据集;进行图像数据集的预处理,所述预处理包括图像增强、数据去模糊和数据增强;在卷积神经网络的下采样提取特征过程中引入卷积残差块,构建深度学习神经网络模型,训练预处理后的图像数据集,得到不同组的权重;将测试图像数据输入到所述深度学习神经网络模型中,加载所述不同组的权重,得到基于不同权重的测试数据,分析比较不同权重的测试数据,得到测试数据最优时所对应的最优权重;将待分级的烟叶图像输入到所述深度学习神经网络模型中,直接加载所得到的最优权重,得到烟叶的检测定级结果。
Description
技术领域
本公开属于智能农业技术领域,具体涉及一种基于深度学习的烟叶自动定级方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
烟叶作为我国重要的经济作物,是卷烟工业中的重要原料。在烟草生产中,对烤烟定级是一个重要的生产环节。传统烟叶定级靠人工分拣,效率低,误差大。随着计算机视觉、深度学习等技术的不断发展、人工智能的快速推进及卷烟市场的不断细分,烟草行业及消费者对烟叶处理与定级精确度提出了越来越高的要求。因此,在烟叶定级中如何对烟叶图像进行处理并自动分级,面临着很多急需解决的问题。
传统的人工定级技术依赖于烟叶识别者的经验,并且效率极低,而新兴的以计算机为媒介的烟叶自动分级技术,将打破这一问题,基于计算机的烟叶分级能够快速地分出烟叶等级,以实现由传统人工接触定级到利用计算机视觉非接触定级。烟叶定级的非接触检测,主要基于计算机视觉对图像地采集分析。随着计算机处理能力地不断提高与图像处理技术不断地更新,机器视觉可以提供实时在线检测。非接触、实时在线检测比传统的人工检测要复杂的多。比如,烟叶图像采集时光照、角度、背景的影响,都会影响图像,因此图像预处理和特征提取、分类器的选择都格外重要。
据发明人了解,传统图像特征提取在很大程度上依赖于研究人员的经验。在烟草行业,随着检测量大幅上升,传统的分级方法已不能满足快速生产地需求,深度学习在文本、图像、语音处理等方面得到快速发展,并取得了重大成果,将深度学习应用于烟叶图像识别与分类具有重大的研究空间及现实意义。
发明内容
为了解决现有技术的不足,本公开提出了一种基于深度学习的烟叶自动定级方法及系统,解决了传统烟叶定级时存在的过于依赖工作人员经验以及误差大,效率低的问题,对模型和算法进行不断改进,基于深度学习中的神经网络来进行烟叶的计算机自动分级工作,使得烟叶定级的速度和精确度得到不断提升,能大幅度提升烟草工业生产质量,增加烟农收入。
为了实现上述目的,本公开采用了如下的技术方案:
本公开的第一方面提供了一种基于深度学习的烟叶自动定级方法。
基于深度学习的烟叶自动定级方法,包括以下步骤:
获取烟叶图像,对获取的图像进行数据清洗,构建图像数据集;
进行图像数据集的预处理,所述预处理包括图像增强、数据去模糊和数据增强;
在卷积神经网络的下采样提取特征过程中引入卷积残差块,构建深度学习神经网络模型,训练预处理后的图像数据集,得到不同组的权重;
将测试图像数据输入到所述深度学习神经网络模型中,加载所述不同组的权重,得到基于不同权重的测试数据,分析比较不同权重的测试数据,得到测试数据最优时所对应的最优权重;
将待分级的烟叶图像输入到所述深度学习神经网络模型中,直接加载所得到的最优权重,得到烟叶的检测定级结果。
本公开的第二方面提供了一种基于深度学习的烟叶自动定级系统。
基于深度学习的烟叶自动定级系统,采用了第一方面所述的基于深度学习的烟叶自动定级方法,包括:
获取图像单元,用于获取烟叶图像,对获取的图像进行数据清洗,构建图像数据集;
预处理单元,用于图像数据集进行预处理,所述预处理包括图像增强、数据去模糊和数据增强;
建模单元,用于在卷积神经网络的下采样提取特征过程中引入卷积残差块,构建深度学习神经网络模型,训练预处理后的图像数据集,得到不同组的权重;
测试单元,用于将测试图像数据输入到所述深度学习神经网络模型中,加载所述不同组的权重,得到基于不同权重的测试数据,分析比较不同权重的测试数据,得到测试数据最优时所对应的最优权重;
分级单元,用于将待分级的烟叶图像输入到所述深度学习神经网络模型中,直接加载所得到的最优权重,得到烟叶的检测定级结果。
本公开第三方面提供了一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开第一方面所述的基于深度学习的烟叶自动定级方法中的步骤。
本公开第四方面提供了一种电子设备。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开第一方面所述的基于深度学习的烟叶自动定级方法中的步骤。
与现有技术相比,本公开的有益效果为:
本公开使用基于深度学习的神经网络模型,在卷积神经网络模型中加入卷积残差快,使得训练效果更好,有效防止了各分辨率特征图之间联系不足,以及梯度消失和梯度爆炸的问题,在图像进行训练测试之前进行数据清洗和数据预处理,清洗掉质量不好的图像,同时针对烟叶图像易模糊的问题,使用DeblurGAN-v2模型,通过该模型有效解决的数据模糊的问题,保证了用于训练、验证及测试的图像都是质量最优的,预处理时还对数据进行数据增强,保证了训练数据的充足。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例一中的基于深度学习的烟叶自动定级方法的流程图;
图2是本公开实施例一中的数据预处理的DeblurGAN-v2模型图;
图3是本公开实施例一中的用于烟叶定级的卷积神经网络的模型图;
图4是本公开实施例一中的卷积残差块的模型图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本公开实施例一提供了一种基于深度学习的烟叶自动定级方法。
如图1所示的一种基于深度学习的烟叶自动定级方法,包括以下步骤:
步骤S01:获取烟叶图像,对获取的图像进行数据清洗,构建图像数据集;
步骤S02:进行图像数据集的预处理,所述预处理包括图像增强、数据去模糊和数据增强;
步骤S03:在卷积神经网络的下采样提取特征过程中引入卷积残差块,构建深度学习神经网络模型,训练预处理后的图像数据集,得到不同组的权重;
步骤S04:将测试图像数据输入到所述深度学习神经网络模型中,加载所述不同组的权重,得到基于不同权重的测试数据,分析比较不同权重的测试数据,得到测试数据最优时所对应的最优权重;
步骤S05:将待分级的烟叶图像输入到所述深度学习神经网络模型中,直接加载所得到的最优权重,得到烟叶的检测定级结果。
作为一种或多种实施方式,在步骤S01中,由于直接获取的烟叶数据受采集设备、采集环境,采集人的习惯等影响,会出现各种各样的问题,如图像的可用面积,图像的模糊程度,图像的对比度等不同,甚至有的图像直接不可用,并且在利用深度学习网络模型对数据进行训练测试时,需要对数据进行规整,需要将图像分成训练,验证、测试以及相应的真实标签。
在本实施例中,首先对原始的图像数据进行数据清洗,数据清洗时使用的方法的是直方图筛选法,确保所用数据都有足够的高频信息,即所保留的图像都有能够被利用的价值,删掉那些没有使用价值的数据,同时将剩下的数据按一定的比例分成训练数据集合A、验证数据集合B、测试数据集合C,将人工标注好的数据相对应的按比例分成训练数据真实标签集合LabelA、验证数据真实标签集合LabelB和测试数据真实标签集合LabelC。
作为一种或多种实施方式,经过数据清洗后,大部分图像都是能用于训练、验证和测试的,但这并不能保证清洗后的数据得质量都很好,不能保证一定能训练出较好的模型,因为很多烟叶图像即使有足够多可利用的信息,但是依旧会有伪影、暗斑等,同时图像模糊程度不高的情况下,也不会被清洗掉,这类图像称为质量较差的图像,这些质量较差的烟叶图像会严重影响网络训练的精确度。并且基于深度学习的方法需要大量的训练数据和人工标注的真实标签,而人工标注是一个费时费力的工程。
在本实施例中,对采集到的数据进行预处理,以达到提高烟叶数据质量和数量的效果;数据预处理方法有图像增强、数据去模糊、数据增强,具体图像预处理方法如下:
(1)图像增强
将原始RGB图像变换到HSV空间(H、S、V分别对应色调、饱和度和亮度),在HSV空间采用控制变量法,保持色调不变,利用标准差和均值对图像亮度进行变化,再根据图像亮度变化以及亮度和饱和度的关系调节图像饱和度,再分别控制另外两个变量调节剩下分量得到最佳质量的图像,再将图像由HSV空间转换成RGB图像。
(2)数据去模糊
本实施例在图像去模糊时采用了DeblurGAN-v2模块,DeblurGAN-v2模块是一种端到端的生成对抗网络(Generative Adversarial Network),该网络在图像去模糊任务中具有较好的性能。
为生成质量较好的生成图像,在DeblurGAN-v2模块的生成器部分采用了FeaturePyramid Network(FPN)结构进行特征融合,判别器部分采用带有最小均方差损失函数(least-square loss)的相对判别器(relativistic discriminator),在判别损失函数时分别结合全局(global(image))和局部尺度(local(patch))。最小均方差损失函数Least-Square GANs(LSGAN)能够使得训练结果更加平稳,高效。
其中损失函数为:
模型在原始LSGAN函数的基础上做了改进,得到最终判别器RaGAN-LS损失函数:
生成器整体的损失函数由复合损失函数组成:
LG=0.5*LP+0.006*LX+0.01*Ladv
其中,LP表示均方误差;Lx表示感知损失函数,即内容的损失,Ladv标识局部和全局的损失,全局损失为整幅图像损失,局部损失相当于对图像取patch,对于每块patch求损失。DeblurGAN-v2去模糊模型的结构图如图2所示。
(3)数据增强
在基于深度学习的烟叶分类中,需要大量的训练数据及人工标注的真实标签,但人工标注又是极其困难的;需要对数据进行数据增强以保证能有足够的训练数据,从而能够拟合的更好,得到理想的训练结果。
在本实施例中,采用数据增强方式为对烟叶图像进行旋转、翻转及裁剪,在不增加人工标注图像的数量的前提下,使得总的训练数据、验证数据,测试数据以及训练数据标签,验证数据标签和测试数据标签能满足深度学习要求。
作为一种或多种实施方式,采用深度学习的网络模型图,对卷积神经网络(Convolutional Neural Network,CNN)进行改进,在原始的卷积神经网络的下采样提取特征的过程中加入了卷积残差块(ConvolutionalBlock),形成一种新的残差卷积神经网络(ConvolutionalBlock Convolutional Neural Network,CBCNN)。其中卷积神经网络是由卷积层(Convolutionlayer)、激活层(Activationlayer)、池化层(Poolinglayer)和全连接层(Fullly connectionlayer)组成。卷积层主要用来进行特征提取,激活层主要进行非线性转换,池化层主要用来降低图像分辨率,全连接层则是完成输入图像到标签集合的一个映射,也就是分类任务。卷积神经网络的模型图如图3所示。
卷积残差块是不同于传统残差块的一种结构,这种残差块使用时比较灵活,与传统残差块不同的是卷积残差块的shortcut路径中存在一个CONV2D层和一个BatchNorm层,可以用于输出和输入尺寸不相同的情况下,shortcut路径中的CONV2D层能够将输入图像调整为不同尺寸的大小,当shortcut在返回主路径的时候能够完美的和相应的尺寸匹配。例如,要将激活值维度的高度和宽度缩小2倍,可以使用步长为2的1x1卷积。shortcut路径上的CONV2D层路径不使用任何非线性激活函数,主要作用是只应用一个(线性函数来减小输入的尺寸,使得尺寸匹配后面的添加步骤。
通过卷积残差块能增加各分辨率特征图之间的联系,还能有效防止梯度爆炸和梯度消失,使得模型训练效果更好。卷积残差模块的结构图如图4所示。
作为一种或多种实施方式,将处理好的训练数据,验证数据,测试数据标签,验证数据标签输入到网络模型中,进行训练得到一组权重值;将处理好的测试数据,测试数据标签输入到网络模型中,并加载各权重值,得到基于不同权重的测试数据,比较分析不同结果的出使得测试结果最优的权重;将处理好的待检测的烟叶图像数据输入到网络模型中,直接加载在测试阶段所选取的最优的一组权重,得到检测定级结果,进而实现烟叶的自动定级。
传统的烟叶定级工作主要靠人工分拣,这种对烟叶定级的方法准确率几乎完全取决于分拣人员的工作年限,工作经验;在收购烟叶时很容易造假,使得收购商和烟农的利益得不到很好的保障,这也极大地影响了烟草工业的发展。本实施例所提出的基于深度学习的烟叶自动定级系统和方法不掺杂任何个人情感,并且训练测试好以后,只需要加载测试阶段最优的权重即可对需要检测的烟叶图像进行检测定级,同时还能够批次量的队烟叶图像进行检测,极大地提高了烟叶分拣定级的效率。
实施例二
本公开实施例二提供了一种基于深度学习的烟叶自动定级系统,采用了实施例一中所提供的基于深度学习的烟叶自动定级方法。
基于深度学习的烟叶自动定级系统,包括:
获取图像单元,用于获取烟叶图像,对获取的图像进行数据清洗,构建图像数据集;
预处理单元,用于图像数据集进行预处理,所述预处理包括图像增强、数据去模糊和数据增强;
建模单元,用于在卷积神经网络的下采样提取特征过程中引入卷积残差块,构建深度学习神经网络模型,训练预处理后的图像数据集,得到不同组的权重;
测试单元,用于将测试图像数据输入到所述深度学习神经网络模型中,加载所述不同组的权重,得到基于不同权重的测试数据,分析比较不同权重的测试数据,得到测试数据最优时所对应的最优权重;
分级单元,用于将待分级的烟叶图像输入到所述深度学习神经网络模型中,直接加载所得到的最优权重,得到烟叶的检测定级结果。
实施例三
本公开实施例三提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开实施例一所述的基基于深度学习的烟叶自动定级方法中的步骤。
详细步骤与实施例一提供的基于深度学习的烟叶自动定级方法相同,在此不再赘述。
实施例四
本公开实施例四提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例一所述的基于深度学习的烟叶自动定级方法中的步骤。
详细步骤与实施例一提供的基于深度学习的烟叶自动定级方法相同,在此不再赘述。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.基于深度学习的烟叶自动定级方法,其特征在于,包括以下步骤:
获取烟叶图像,对获取的图像进行数据清洗,构建图像数据集;
进行图像数据集的预处理,所述预处理包括图像增强、数据去模糊和数据增强;
在卷积神经网络的下采样提取特征过程中引入卷积残差块,构建深度学习神经网络模型,训练预处理后的图像数据集,得到不同组的权重;
将测试图像数据输入到所述深度学习神经网络模型中,加载所述不同组的权重,得到基于不同权重的测试数据,分析比较不同权重的测试数据,得到测试数据最优时所对应的最优权重;
将待分级的烟叶图像输入到所述深度学习神经网络模型中,直接加载所得到的最优权重,得到烟叶的检测定级结果。
2.如权利要求1中所述的基于深度学习的烟叶自动定级方法,其特征在于,对获取的原始图像进行数据清洗,采用直方图筛选法,确保所用图像数据具有足够的高频信息,即保留图像中能被利用的价值、删掉图像中没有使用价值的图像数据,将数据清洗之后的图像据按一定的比例分配并进行相应的人工标注,以构建图像数据集。
3.如权利要求1中所述的基于深度学习的烟叶自动定级方法,其特征在于,所述图像增强是将原始RGB图像变换到HSV空间,在HSV空间对图像的色调、饱和度以及亮度采用控制变量法进行处理,再将处理好的图像由HSV空间转换成RGB图像。
4.如权利要求1中所述的基于深度学习的烟叶自动定级方法,其特征在于,所述数据去模糊采用一种端到端的性能好的生成对抗网络的DeblurGAN-v2模块。
5.如权利要求1中所述的基于深度学习的烟叶自动定级方法,其特征在于,所述数据增强为对烟叶图像进行旋转、翻转及裁剪,在不增加人工标注图像的数量的前提下,使得总的训练数据、验证数据,测试数据以及训练数据标签,验证数据标签和测试数据标签能满足深度学习要求。
6.如权利要求1中所述的基于深度学习的烟叶自动定级方法,其特征在于,所述卷积神经网络包括卷积层、激活层、池化层和全连接层;其中,所述卷积层用来特征提取,所述激活层用来非线性转换,所述池化层用来降低图像分辨率,所述全连接层用来完成输入图像到标签集合的映射。
7.如权利要求1中所述的基于深度学习的烟叶自动定级方法,其特征在于,所述卷积残差块的shortcut路径包括CONV2D层和BatchNorm层,所述CONV2D层将输入图像调整为不同尺寸的大小,当shortcut在返回主路径时能完美的与相应的尺寸匹配。
8.基于深度学习的烟叶自动定级系统,采用了权利要求1-7任一项所述的基于深度学习的烟叶自动定级方法,其特征在于,包括:
获取图像单元,用于获取烟叶图像,对获取的图像进行数据清洗,构建图像数据集;
预处理单元,用于图像数据集进行预处理,所述预处理包括图像增强、数据去模糊和数据增强;
建模单元,用于在卷积神经网络的下采样提取特征过程中引入卷积残差块,构建深度学习神经网络模型,训练预处理后的图像数据集,得到不同组的权重;
测试单元,用于将测试图像数据输入到所述深度学习神经网络模型中,加载所述不同组的权重,得到基于不同权重的测试数据,分析比较不同权重的测试数据,得到测试数据最优时所对应的最优权重;
分级单元,用于将待分级的烟叶图像输入到所述深度学习神经网络模型中,直接加载所得到的最优权重,得到烟叶的检测定级结果。
9.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的基于深度学习的烟叶自动定级方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于深度学习的烟叶自动定级方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110699967.3A CN113469233B (zh) | 2021-06-23 | 2021-06-23 | 基于深度学习的烟叶自动定级方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110699967.3A CN113469233B (zh) | 2021-06-23 | 2021-06-23 | 基于深度学习的烟叶自动定级方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469233A true CN113469233A (zh) | 2021-10-01 |
CN113469233B CN113469233B (zh) | 2024-05-07 |
Family
ID=77872548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110699967.3A Active CN113469233B (zh) | 2021-06-23 | 2021-06-23 | 基于深度学习的烟叶自动定级方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469233B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943864A (zh) * | 2022-06-14 | 2022-08-26 | 福建省亿力信息技术有限公司 | 一种融合注意力机制和卷积神经网络模型的烟叶定级方法 |
CN115546775A (zh) * | 2022-12-05 | 2022-12-30 | 成都寒芒科技有限公司 | 一种基于图像技术和深度学习融合的烤烟分级方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5825925A (en) * | 1993-10-15 | 1998-10-20 | Lucent Technologies Inc. | Image classifier utilizing class distribution maps for character recognition |
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 |
CN108427972A (zh) * | 2018-04-24 | 2018-08-21 | 云南佳叶现代农业发展有限公司 | 基于在线学习的烟叶分类方法及其系统 |
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 |
CN111340123A (zh) * | 2020-02-29 | 2020-06-26 | 韶鼎人工智能科技有限公司 | 一种基于深度卷积神经网络的图像分数标签预测方法 |
CN111915580A (zh) * | 2020-07-27 | 2020-11-10 | 深圳市识农智能科技有限公司 | 烟叶分级方法、系统、终端设备及存储介质 |
-
2021
- 2021-06-23 CN CN202110699967.3A patent/CN113469233B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5825925A (en) * | 1993-10-15 | 1998-10-20 | Lucent Technologies Inc. | Image classifier utilizing class distribution maps for character recognition |
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 |
CN108427972A (zh) * | 2018-04-24 | 2018-08-21 | 云南佳叶现代农业发展有限公司 | 基于在线学习的烟叶分类方法及其系统 |
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 |
CN111340123A (zh) * | 2020-02-29 | 2020-06-26 | 韶鼎人工智能科技有限公司 | 一种基于深度卷积神经网络的图像分数标签预测方法 |
CN111915580A (zh) * | 2020-07-27 | 2020-11-10 | 深圳市识农智能科技有限公司 | 烟叶分级方法、系统、终端设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943864A (zh) * | 2022-06-14 | 2022-08-26 | 福建省亿力信息技术有限公司 | 一种融合注意力机制和卷积神经网络模型的烟叶定级方法 |
CN115546775A (zh) * | 2022-12-05 | 2022-12-30 | 成都寒芒科技有限公司 | 一种基于图像技术和深度学习融合的烤烟分级方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113469233B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Grid-based pavement crack analysis using deep learning | |
CN111079639B (zh) | 垃圾图像分类模型构建的方法、装置、设备及存储介质 | |
CN108154519A (zh) | 眼底图像中血管的分割方法、装置及存储介质 | |
CN113919443B (zh) | 一种基于图像分析烟叶成熟度状态概率计算方法 | |
CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN113469233B (zh) | 基于深度学习的烟叶自动定级方法及系统 | |
CN109344699A (zh) | 基于分层深度卷积神经网络的冬枣病害识别方法 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
CN110321785A (zh) | 一种引入ResNet深度学习网络构建皮纹分类预测模型的方法 | |
CN106709421B (zh) | 一种基于变换域特征和cnn的细胞图像识别分类方法 | |
CN110889838A (zh) | 一种织物疵点检测方法及装置 | |
CN109872326B (zh) | 基于深度强化网络跳跃连接的轮廓检测方法 | |
CN111915580A (zh) | 烟叶分级方法、系统、终端设备及存储介质 | |
Chen et al. | A surface defect detection system for golden diamond pineapple based on CycleGAN and YOLOv4 | |
CN105631451A (zh) | 一种基于安卓系统的植物叶片识别方法 | |
Draganova et al. | Model of Software System for automatic corn kernels Fusarium (spp.) disease diagnostics | |
CN111862039A (zh) | 快速编带视觉检测方法 | |
Monteiro et al. | Deep learning recognition of a large number of pollen grain types | |
Gomathy et al. | Survey on plant diseases detection and classification techniques | |
Peng et al. | Research on Image Recognition and Grading Method of Apple Based on Machine Vision | |
TWI789267B (zh) | 使用二維影像自動產生訓練三維點雲學習網路所需之真實資料的方法 | |
CN115393884B (zh) | 一种海图专题信息的提取处理方法、装置及系统 | |
Doan et al. | A Novel Mango Grading System Based on Image Processing and Machine Learning Methods | |
Saxena et al. | Leaf of a Plant: Deep Learning for Feature Extraction | |
Zbieć et al. | Neural Networks for Image Recognition in Mobile Applications |
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 |