CN113516617B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113516617B
CN113516617B CN202110361452.2A CN202110361452A CN113516617B CN 113516617 B CN113516617 B CN 113516617B CN 202110361452 A CN202110361452 A CN 202110361452A CN 113516617 B CN113516617 B CN 113516617B
Authority
CN
China
Prior art keywords
level
tobacco
tobacco leaves
matching
grade
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.)
Active
Application number
CN202110361452.2A
Other languages
English (en)
Other versions
CN113516617A (zh
Inventor
龙杰
张晓伟
刘宇晨
张轲
孙浩巍
张冀武
蔡洁云
李郸
顾健龙
杨青
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.)
Yunnan tobacco quality supervision and inspection station
Original Assignee
Yunnan tobacco quality supervision and inspection station
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 Yunnan tobacco quality supervision and inspection station filed Critical Yunnan tobacco quality supervision and inspection station
Priority to CN202110361452.2A priority Critical patent/CN113516617B/zh
Publication of CN113516617A publication Critical patent/CN113516617A/zh
Application granted granted Critical
Publication of CN113516617B publication Critical patent/CN113516617B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Manufacture Of Tobacco Products (AREA)

Abstract

本发明公开了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，所述方法为：建立基础层级模型，按照控制项以及部位、颜色和综合外观档次四种因素，通过烟叶层级样品，建立外观基础层级模型；烟叶等级样品与基础模型的匹配，使用与基础模型建立相同的机器视觉手段，先通过控制项的匹配，确定应剔除的青杂层级，再对部位、颜色和综合外观档次分别进行三个维度的匹配，每个等级在每个维度都能匹配到一个层级区间；烟叶等级识别，将待识别烟叶在每个维度的匹配值与前述的各维度层级区间段进行匹配，完成烟叶的等级识别。本发明解决了现有AI识别烟叶等级准确率波动性大、适配性差的问题。

Description

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
技术领域
本发明涉及烤烟等级识别领域，具体涉及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。
背景技术
当前基于机器视觉和AI深度学习实现智能识别烟叶等级的常用建模流程为：“烟叶样品→等级标定→机器视觉→AI深度学习，特征提取→形成识别算法→识别烟叶等级”。此流程中，“烟叶样品→等级标定”的准确性会对最终的AI识别效果产生巨大影响。
等级判定的依据是GB2635-92《烤烟》国标，但《烤烟》国标中仅进行了主观感受的文字描述，缺少客观物理度量参数。实际判定完全依赖于人体感官，不同的人理解不同，判定结果存在差异，即使是相同的人，在不同时段、不同使用环境中，判定结果也会发生波动。每年审定的不同品种，不同地区国家烤烟基准样品、省级仿制标样，也存在明显的外观差异。用于指导收购的对照样品，按要求需要数天一换，每次制作的样品也不可能一样。上述种种原因造成“等级标定”具有较大的不确定性。
按一般AI深度学习的规律，样品学习得越多，结果的准确性越高。但是由于烟叶样品等级的不确定，使得难以形成一套能够长期使用，具有广泛适应性的识别逻辑。在实际验证中甚至出现了学习样品越多，准确性反而下降的问题。
实际烟叶收购需在有限时间内完成。一个收购点要面对来自不同种植地域、气候、品种和生产水平的烟叶，同一等级烟叶可能存在较大的外形差异，收购前建立的有限模型无法完全适应，必须随时调整甚至重新建模。依照现有的建模方式，单一等级建模需要制作500～1000片等级样品，每个收购点每年收购至少涉及十余个等级，每个等级的模型需要多次调整，需耗费大量的人力、物力和时间，与收购期间的其他工作存在冲突。
现有建模方式所获得的人工智能，在实际验证中发现，AI等级识别结果普遍存在部位识别不清，准确率波动性大、适配性差的问题。
发明内容
为此，本发明提供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，以解决现有AI识别烟叶等级准确率波动性大、适配性差的问题。一次建模即可长期使用，针对不同地区、不同特征的等级要求，使用少量等级样品进行匹配即可完成建模调整。
为了实现上述目的，本发明提供如下技术方案：
本发明公开了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所述方法为：
建立基础层级模型，按照控制项以及部位、颜色和综合外观档次四种因素，通过烟叶层级样品，建立外观基础层级模型；
烟叶等级样品与基础模型的匹配，使用与基础模型建立相同的机器视觉手段，先通过控制项的匹配，确定应剔除的青杂层级，再对部位、颜色和综合外观档次分别进行三个维度的匹配，每个等级在每个维度都能匹配到一个层级区间；
烟叶等级识别，将待识别烟叶在每个维度的匹配值与前述的各维度层级区间段进行匹配，完成烟叶的等级识别。
进一步地，所述基础模型包括控制项、部位、颜色和综合外观档次四个因素，各因素的排序分档依靠专业人员参考烟叶的质量相关标准进行，人数不少于3人，排序一致性需60％以上人员同意，叶片两两对比过程中，判别要素较强者，则层级+1，如果无法判定显著性的强弱，则标为同一层级。
进一步地，所述基础模型的控制项因素包括含青和/或含杂，挑选不同含青程度，包含识别中可遇的不同含青程度从最低不含青到最高含青程度的烟叶若干片，排序层级为7个，标识为“G0～G6”；由3名以上专业人员，将烟叶按含青的严重程度两两对比，将烟叶按“G0～G6”7个层级进行排序；将7个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶外观与“G0～G6”的对应关系；
挑选不同含杂程度，包含识别中可遇的不同含杂程度从最低不含杂到最高含杂程度的烟叶若干片，排序层级为7个，标识为“K0～K6”，由3名以上专业人员，将烟叶按含杂的严重程度两两对比，将烟叶按“K0～K6”7个层级进行排序，将7个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶外观与“K0～K6”的对应关系。
进一步地，所述基础模型的部位因素通过挑选不同部位的烟叶若干片，应包括识别中可遇的各种地区，品种，气候下各种烟叶的所有部位，包括极端的最低和最高部位，将部位设定为15个层级，表示为P1、P2…P15；由3名以上专业人员共同按照《烤烟》国标的部位判定方法，从低到高进行初步的5种小部位排序，即脚叶“P1～P3”、下二棚“P4～P6”、腰叶“P7～P9”、上二棚“P10～P12”、顶叶“P13～P15”，每个小部位烟叶分3个小层级，将同一小部位内的每一片叶片按部位升高或降低的特征显著性进行两两对比，最终将获得15个从低到高的部位层级烟叶；将15个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶外观与“P1～P15”的对应关系。
进一步地，所述基础模型的颜色因素通过挑选不同深浅颜色的主组烟叶若干片，包括识别中可遇的各种地区，品种，气候下的各种正组烟叶颜色，以及各色系的最浅和最深颜色叶片，排序层级设置为12个，表示为“C1～C12”；由3名以上专业人员，首先将烟叶按主组颜色分为3个色系，即：柠檬色3个层级“C1～C3”，橘黄色6个层级“C4～C9”，红棕色3个层级“C10～C12”，在每个色系内，对烟叶按红色程度的多少和颜色的饱和度从少到多，从浅到浓进行相对排序，其中以红色程度为优先因素，如果红色程度处于同一水平，则对比饱和度，若饱和度也处于同一水平，则标为同一层级，最终将获得12个从低到高的颜色层级烟叶，将12个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶外观与“C1～C12”的对应关系。
进一步地，所述基础模型的综合外观档次因素通过不同质量水平烟叶识别学习，建立烟叶识别的质量得分区间，按照所需的精度，划分烟叶品质层级区间，挑选单一部位主组烟叶若干片，覆盖不同品种，类型，地区的各质量档次烟叶；由3名以上专业人员，参考烟叶质量相关标准中的各项因素，进行烟叶的两两对比，按综合外观差异分成上部20个层级，标识为上1～上20，中部40个层级，标识为中1～中40，下部20个层级，标识为下1～下20，将此上部20个层级，中部40个层级，下部20个层级的烟叶，层级数越大质量越好，通过机器视觉和AI深度学习，建立烟叶与综合外观层级的对应关系。
进一步地，所述烟叶等级样品与基础模型的匹配过程中，先进行样品制作；
控制项：单独制作需剔除的含青和含杂最低控制样品；
部位：单独制作包含中部等级烟叶的最低和最高部位样品；
颜色：单独制作包含该橘黄色烟叶的最浅和最深颜色样品；
综合外观档次：应该包含该等级烟叶的最低外观质量要求样品；
以上的控制项、部位、颜色及综合外观单次对应的各组、各档次样品叶片的数量建议控制在20～30片。
进一步地，所述烟叶等级样品与基础模型的匹配过程中，在样品制作完成后，进行样品的匹配，使用与基础模型建立相同的机器视觉和AI方法，对等级样品中的每一片烟叶进行识别，并与基础模型中的各项因素进行匹配，具体包括：
控制项匹配，含青和含杂最低控制样若匹配出含青或含杂的多个区域，则以匹配到的最低含青层级到最高层级作为剔除层级；
部位匹配，中部等级烟叶在部位匹配出的最低层级“Px”，最高层级为“Py”，则下部等级则匹配为“P1～Px”；“Px～Py”区段为中部层级；“Px～P15”区段作为上部层级；
颜色匹配，橘黄色烟叶在色值匹配出的最低层级为“Cn”，最高层级为“Cm”，则柠檬色烟叶的色值匹配为“C0～Cn”，红棕色烟叶的色值匹配为“Cm～C12”；
综合外观档次匹配，上部一级在综合外观的上部区匹配到的最低质量水平为“上a”，则上部一级的综合外观匹配值为“上a～上20”；上部二级匹配到的最低质量水平为“上b”，则上部二级的综合外观匹配值为“上b～上a”；上部三级匹配到的最低质量水平为“上c”，则上部三级的综合外观匹配值为“上c～上b”，上部四级自动得到匹配值为“上1～上c”；
中部一级在综合外观的中部区匹配到的最低质量水平为“中a”，则中部一级的综合外观匹配值为“中a～中40”；中部二级匹配到的最低质量水平为“中b”，则中部二级的综合外观匹配值为“中b～中a”；中部三级匹配到的最低质量水平为“中c”，则中部三级的综合外观匹配值为“中c～中b”，中部四级自动得到匹配值为“上1～上c”；
下部一级在综合外观的下部区匹配到的最低质量水平为“下a”，则下部一级的综合外观匹配值为“下a～下20”；下部二级匹配到的最低质量水平为“下b”，则下部二级的综合外观匹配值为“下b～下a”；下部三级匹配到的最低质量水平为“下c”，则下部三级的综合外观匹配值为“下c～下b”，下部四级自动得到匹配值为“下1～下c”。
进一步地，所述烟叶等级识别通过机器视觉和AI智能识别方案，将待识别的烟叶的各项因素与基础模型进行比对匹配，包括：
控制项匹配，分别与含青和/或含杂匹配，得出相关的含青和含杂层级，获得是否剔除的结果；
部位匹配，与部位基础模型进行匹配，得出部位层级，确定所属部位；
颜色匹配，与颜色基础模型进行匹配，得出色值层级，确定所属颜色；
综合外观档次匹配，在部位匹配的基础上，与综合外观基础模型进行匹配，得出综合外观层级，确定所属等级。
进一步地，合并上述匹配结果，获得结论，按需进行处理。
本发明具有如下优点：
本发明公开了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，建立一个3维度的评价得分区间，突破了普通建模方法的单一维度标定，确保各等级、所有品质类型烟叶通过机器视觉，AI计算得分均可归属于此3维度区间。解决了普通建模方法中，因品种，地域，年份，生产水平不同导致的样品变化，需要重新从头建模的问题。提出了烟叶样品与基础模型的动态匹配方法，一次建模即可长期大范围使用，进行等级标定时候，使用少量叶片组成的样品，可以在每个维度上匹配出一个相对宽幅的区段，即完成了样品在基础模型中的标定。将现有模式的学习样品每个等级约500～1000片降低到20～30片；信息匹配由现在的全AI自行控制改进为人工+AI的协同，提高了匹配效率，提升识别稳定性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的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的流程图；
图2为本发明实施例提供的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的识别过程示意图；
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例
参考图1，本实施例公开了种基于机器视觉和AI深度学习的烟叶等级识别建模方法，所述方法为：
建立基础层级模型，按照控制项以及部位、颜色和综合外观档次四种因素，通过烟叶层级样品，建立外观基础层级模型；
烟叶等级样品与基础模型的匹配，使用与基础模型建立相同的机器视觉手段，先通过控制项的匹配，确定应剔除的青杂层级，再对部位、颜色和综合外观档次分别进行三个维度的匹配，每个等级在每个维度都能匹配到一个层级区间；
烟叶等级识别，将待识别烟叶在每个维度的匹配值与前述的各维度层级区间段进行匹配，完成烟叶的等级识别。
基础模型包括控制项、部位、颜色和综合外观档次四个因素，各因素的排序分档依靠专业人员参考烟叶的质量相关标准进行，人数不少于3人，排序一致性需60％以上人员同意，叶片两两对比过程中，a与b对比，若a的判别要素强于b，则a的层级+1。如果无法判定显著性的强弱，则标为同一层级。
基础模型中控制项因素包括含青和/或含杂，
本实施例中，挑选不同含青程度，包含识别中可遇的不同含青程度从最低不含青到最高含青程度的烟叶若干片，排序层级为7个，标识为“G0～G6”；由3名以上专业人员，将烟叶按含青的严重程度两两对比，将烟叶按“G0～G6”7个层级进行排序；
例如采用30片烟叶，按上述操作进行排序，可得如下与不同含青层级对应的分组叶片。
Figure BDA0003005719160000081
将7个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶外观与“G0～G6”的对应关系。
进行含杂判断时，挑选不同含杂程度，包含识别中可遇的不同含杂程度从最低不含杂到最高含杂程度的烟叶若干片，排序层级为7个，标识为“K0～K6”，由3名以上专业人员，将烟叶按含杂的严重程度两两对比，将烟叶按“K0～K6”7个层级进行排序。
本实施例中使用30片烟叶，按上述操作进行排序，可得如下与不同含杂层级对应的分组叶片。
Figure BDA0003005719160000082
将7个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶外观与“K0～K6”的对应关系，完成控制项因素基础模型建立。
基础模型的部位因素通过挑选不同部位的烟叶若干片，应包括识别中可遇的各种地区，品种，气候下各种烟叶的所有部位，包括极端的最低和最高部位，将部位设定为15个层级，表示为“P1、P2…P15”；由3名以上专业人员共同按照《烤烟》国标的部位判定方法，从低到高进行初步的5种小部位排序，即脚叶“P1～P3”、下二棚“P4～P6”、腰叶“P7～P9”、上二棚“P10～P12”、顶叶“P13～P15”，每个小部位烟叶分3个小层级，将同一小部位内的每一片叶片按部位升高或降低的特征显著性进行两两对比，最终将获得15个从低到高的部位层级烟叶；
本实施例使用50片烟叶，按上述操作进行排序，可得如下与不同部位层级对应的分组叶片。
Figure BDA0003005719160000091
将15个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶外观与“P1～P15”的对应关系。
基础模型的颜色因素通过挑选不同深浅颜色的主组烟叶若干片，包括识别中可遇的各种地区，品种，气候下的各种正组烟叶颜色，以及各色系的最浅和最深颜色叶片，排序层级设置为12个，表示为“C1～C12”；由3名以上专业人员，首先将烟叶按主组颜色分为3个色系，即：柠檬色3个层级“C1～C3”，橘黄色6个层级“C4～C9”，红棕色3个层级“C10～C12”，在每个色系内，对烟叶按红色程度的多少和颜色的饱和度从少到多，从浅到浓进行相对排序，其中以红色程度为优先因素，如果红色程度处于同一水平，则对比饱和度，若饱和度也处于同一水平，则标为同一层级，最终将获得9个从低到高的部位层级烟叶，
本实施例使用50片烟叶，按上述操作进行排序，可得如下与不同色值层级对应的分组叶片。
Figure BDA0003005719160000101
将12个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶外观与“C1～C12”的对应关系。
基础模型的综合外观档次因素通过不同质量水平烟叶识别学习，建立烟叶识别的质量得分区间，按照所需的精度，划分烟叶品质层级区间，挑选单一部位主组烟叶若干片，覆盖不同品种，类型，地区的各质量档次烟叶；由3名以上专业人员，参考烟叶质量相关标准中的各项因素，进行烟叶的两两对比，按综合外观差异分成上部20个层级，标识为“上1～上20”，中部40个层级，标识为“中1～中40”，下部20个层级，标识为“下1～下20”，层级数值越大质量越好。
Figure BDA0003005719160000111
将此上部20个层级，中部40个层级，下部20个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶与综合外观层级的对应关系。
烟叶等级样品与基础模型的匹配过程中，先进行样品制作；
控制项：单独制作需剔除的含青和含杂最低控制样品；
部位：单独制作包含中部等级烟叶的最低和最高部位样品；
颜色：单独制作包含该橘黄色烟叶的最浅和最深颜色样品；
综合外观档次：应该包含该等级烟叶的最低外观质量要求样品；
以上的控制项、部位、颜色及综合外观单次对应的各组、各档次样品叶片的数量建议控制在20～30片。
在样品制作完成后，进行样品的匹配，使用与基础模型建立相同的机器视觉和AI方法，对等级样品中的每一片烟叶进行识别，并与基础模型中的各项因素进行匹配，具体包括：
控制项匹配，含青和含杂最低控制样若匹配出含青或含杂的多个区域，则以匹配到的最低含青层级到最高层级作为剔除层级；例如：
Figure BDA0003005719160000121
Figure BDA0003005719160000122
由上表中可以得出，当含青达到“G3”时，则进行剔除，含杂达到“K4”时，则进行剔除。
部位匹配，中部等级烟叶在部位匹配出的最低层级“Px”，最高层级为“Py”，则下部等级则匹配为“P1～Px”；“Px～Py”区段为中部层级；“Px～P15”区段作为上部层级；
Figure BDA0003005719160000131
由上表可以得出，当“Px”匹配为“P5”，“Py”匹配为“P11”，可得“P1～P4”为下部烟、“P5～P11”为中部烟、“P12～P15”为上部烟。
颜色匹配，橘黄色烟叶在色值匹配出的最低层级为“Cn”，最高层级为“Cm”，则柠檬色烟叶的色值匹配为“C0～Cn”，红棕色烟叶的色值匹配为“Cm～C12”；
Figure BDA0003005719160000141
由上表可以得出，当“Cn”匹配为“C4”，“Cm”匹配为“C10”，可得C1～C3为柠檬色、C4～C10为橘黄色、C11～C12为红棕色。
综合外观档次匹配，以中部烟叶为例，中部一级在综合外观的中部区匹配到的最低质量水平为“中部a”，中部二级匹配到的最低水平为“中部b”，中部三级匹配到的最低水平为“中部c”。
Figure BDA0003005719160000151
由上表可以得出，当“中部a”匹配为“中37”，“中部b”匹配为“中27”，“中部c”匹配为“中7”时，可得“中1～中6”为中部四级、“中7～中26”为中部三级、“中27～中36”为中部二级、“中37～中40”为中部一级。
烟叶等级识别通过机器视觉和AI智能识别方案，将待识别的烟叶的各项因素与基础模型进行比对匹配，包括：
控制项匹配，分别与含青和/或含杂匹配，得出相关的含青和含杂层级，获得是否剔除的结果；
部位匹配，与部位基础模型进行匹配，得出部位层级，确定所属部位；
颜色匹配，与颜色基础模型进行匹配，得出色值层级，确定所属颜色；
综合外观档次匹配，在部位匹配的基础上，与综合外观基础模型进行匹配，得出综合外观层级，确定所属等级。
合并上述匹配结果，获得结论，按需进行处理。
参考图2，进行未知烟叶的识别
控制项匹配：含青匹配为“G0”，低于“G3”；含杂匹配为“K1”，低于“K4”，判定为非剔除烟叶，应该保留。
部位匹配：部位匹配为“P6”，归属于中部烟范围。
颜色匹配：颜色匹配为“C8”，归属于为橘黄色范围。
综合外观档次匹配：在已经匹配为中部烟的基础上，综合外观匹配为“中17”，归属于中部三级范围。
综上，可得该未知烟叶的应按“非剔除的，中部、橘黄、三级烟叶”进行处理。
本实施例公开的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，建立一个3维度的评价得分区间，突破了普通建模方法的单一维度标定，确保各等级、所有品质类型烟叶通过机器视觉，AI计算得分均可归属于此3维度区间。解决了普通建模方法中，因品种，地域，年份，生产水平不同导致的样品变化，需要重新从头建模的问题。提出了烟叶样品与基础模型的动态匹配方法，一次建模即可长期大范围使用，进行等级标定时候，使用少量叶片组成的样品，可以在每个维度上匹配出一个相对宽幅的区段，即完成了样品在基础模型中的标定。将现有模式的学习样品每个等级约500～1000片降低到20～30片；信息匹配由现在的全AI自行控制改进为人工+AI的协同，提高了匹配效率，提升识别稳定性。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (8)

1.一种基于机器视觉和AI深度学习的烤烟等级识别建模方法，其特征在于，所述方法为：
建立基础层级模型，按照控制项以及部位、颜色和综合外观档次四种因素，通过烟叶层级样品，建立外观基础层级模型；所述外观基础层级模型是烟叶图像和人工标定经过深度学习建立的模型，具体包括控制项层级、部位层级、颜色层级、综合外观层级4类子模型；
所述基础层级模型的控制项因素包括含青和/或含杂，挑选不同含青程度，包含识别中可遇的不同含青程度从最低不含青到最高含青程度的烟叶若干片，排序层级为7个，标识为“G0～G6”；由3名专业人员，将烟叶按含青的严重程度两两对比，将烟叶按“G0～G6”7个层级进行排序；将7个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶外观与“G0～G6”的对应关系；
挑选不同含杂程度，包含识别中可遇的不同含杂程度从最低不含杂到最高含杂程度的烟叶若干片，排序层级为7个，标识为“K0～K6”，由3名以上专业人员，将烟叶按含杂的严重程度两两对比，将烟叶按“K0～K6”七个层级进行排序，将7个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶外观与“K0～K6”的对应关系；
烟叶等级样品与基础层级模型的匹配，使用与基础层级模型建立相同的机器视觉手段，先通过控制项的匹配，确定应剔除的青杂层级，再对部位、颜色和综合外观档次分别进行三个维度的匹配，每个等级在每个维度都能匹配到一个层级区间；
烟叶等级识别，将待识别烟叶在每个维度的匹配值与各维度层级区间段进行匹配，完成烟叶的等级识别。
2.如权利要求1所述的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，其特征在于，所述基础层级模型包括控制项、部位、颜色和综合外观档次四个因素，各因素的排序分档依靠专业人员参考烟叶的质量相关标准进行，人数不少于3人，排序一致性需60％以上人员同意，叶片两两对比过程中，判别要素较强者，则层级+1，如果无法判定显著性的强弱，则标为同一层级。
3.如权利要求1所述的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，其特征在于，所述基础层级模型的部位因素通过挑选不同部位的烟叶若干片，应包括识别中可遇的各种地区，品种，气候下各种烟叶的所有部位，包括极端的最低和最高部位，将部位设定为15个层级，表示为“P1、P2…P15”；由3名以上专业人员共同按照《烤烟》国标的部位判定方法，从低到高进行初步的5种小部位排序，即脚叶“P1～P3”、下二棚“P4～P6”、腰叶“P7～P9”、上二棚“P10～P12”、顶叶“P13～P15”，每个小部位烟叶分3个小层级，将同一小部位内的每一片叶片按部位升高或降低的特征显著性进行两两对比，最终将获得15个从低到高的部位层级烟叶；将15个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶外观与“P1～P15”的对应关系。
4.如权利要求1所述的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，其特征在于，所述基础层级模型的颜色因素通过挑选不同深浅颜色的主组烟叶若干片，包括识别中可遇的各种地区，品种，气候下的各种正组烟叶颜色，以及各色系的最浅和最深颜色叶片，排序层级设置为12个，表示为“C1～C12”；由3名以上专业人员，首先将烟叶按主组颜色分为3个色系，即：柠檬色3个层级“C1～C3”，橘黄色6个层级“C4～C9”，红棕色3个层级“C10～C12”，在每个色系内，对烟叶按红色程度的多少和颜色的饱和度从少到多，从浅到浓进行相对排序，其中以红色程度为优先因素，如果红色程度处于同一水平，则对比饱和度，若饱和度也处于同一水平，则标为同一层级，最终将获得12个从低到高的颜色层级烟叶，将12个层级的烟叶，通过机器视觉和AI深度学习，建立烟叶外观与“C1～C12”的对应关系。
5.如权利要求1所述的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，其特征在于，所述基础层级模型的综合外观档次因素通过不同质量水平烟叶识别学习，建立烟叶识别的质量得分区间，按照所需的精度，划分烟叶品质层级区间，挑选单一部位主组烟叶若干片，覆盖不同品种，类型，地区的各质量档次烟叶；由3名以上专业人员，参考烟叶质量相关标准中的各项因素，进行烟叶的两两对比，按综合外观差异分成上部20个层级，标识为“上1～上20”，中部40个层级，标识为“中1～中40”，下部20个层级，标识为“下1～下20”，将此上部20个层级，中部40个层级，下部20个层级的烟叶，层级数越大质量越好，通过机器视觉和AI深度学习，建立烟叶与综合外观层级的对应关系。
6.如权利要求1所述的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，其特征在于，所述烟叶等级样品与基础层级模型的匹配过程中，先进行样品制作；
控制项：单独制作需剔除的含青和含杂最低控制样品；
部位：单独制作包含中部等级烟叶的最低和最高部位样品；
颜色：单独制作包含此橘黄色烟叶的最浅和最深颜色样品；
综合外观档次：应该包含此等级烟叶的最低外观质量要求样品；
以上的控制项、部位、颜色及综合外观单次对应的各组、各档次样品叶片的数量建议控制在20～30片。
7.如权利要求6所述的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，其特征在于，所述烟叶等级样品与基础层级模型的匹配过程中，在样品制作完成后，进行样品的匹配，使用与基础层级模型建立相同的机器视觉和AI方法，对等级样品中的每一片烟叶进行识别，并与基础层级模型中的各项因素进行匹配，具体包括：
控制项匹配，含青和含杂最低控制样若匹配出含青或含杂的多个区域，则以匹配到的最低含青层级到最高层级作为剔除层级；
部位匹配，中部等级烟叶在部位匹配出的最低层级“Px”，最高层级为“Py”，则下部等级则匹配为“P1～Px”；“Px～Py”区段为中部层级；Px～P15区段作为上部层级；
颜色匹配，橘黄色烟叶在色值匹配出的最低层级为“Cn”，最高层级为“Cm”，则柠檬色烟叶的色值匹配为“C0～Cn”，红棕色烟叶的色值匹配为“Cm～C12”；
综合外观档次匹配，上部一级在综合外观的上部区匹配到的最低质量水平为“上a”，则上部一级的综合外观匹配值为“上a～上20”；上部二级匹配到的最低质量水平为“上b”，则上部二级的综合外观匹配值为“上b～上a”；上部三级匹配到的最低质量水平为“上c”，则上部三级的综合外观匹配值为“上c～上b”，上部四级自动得到匹配值为“上1～上c”；
中部一级在综合外观的中部区匹配到的最低质量水平为“中a”，则中部一级的综合外观匹配值为“中a～中40”；中部二级匹配到的最低质量水平为“中b”，则中部二级的综合外观匹配值为“中b～中a”；中部三级匹配到的最低质量水平为“中c”，则中部三级的综合外观匹配值为“中c～中b”，中部四级自动得到匹配值为“上1～上c”；
下部一级在综合外观的下部区匹配到的最低质量水平为“下a”，则下部一级的综合外观匹配值为“下a～下20”；下部二级匹配到的最低质量水平为“下b”，则下部二级的综合外观匹配值为“下b～下a”；下部三级匹配到的最低质量水平为“下c”，则下部三级的综合外观匹配值为“下c～下b”，下部四级自动得到匹配值为“下1～下c”。
8.如权利要求1所述的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，其特征在于，所述烟叶等级识别通过机器视觉和AI智能识别方案，将待识别烟叶的各项因素与基础层级模型进行比对匹配，包括：
控制项匹配，分别与含青和/或含杂匹配，得出相关的含青和含杂层级，获得是否剔除的结果；
部位匹配，与部位基础层级模型进行匹配，得出部位层级，确定所属部位；
颜色匹配，与颜色基础层级模型进行匹配，得出色值层级，确定所属颜色；
综合外观档次匹配，在部位匹配的基础上，与综合外观基础层级模型进行匹配，得出综合外观层级，确定所属等级。
CN202110361452.2A 2021-04-02 2021-04-02 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 Active CN113516617B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110361452.2A CN113516617B (zh) 2021-04-02 2021-04-02 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110361452.2A CN113516617B (zh) 2021-04-02 2021-04-02 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

Publications (2)

Publication Number Publication Date
CN113516617A CN113516617A (zh) 2021-10-19
CN113516617B true CN113516617B (zh) 2023-05-05

Family

ID=78062227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110361452.2A Active CN113516617B (zh) 2021-04-02 2021-04-02 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

Country Status (1)

Country Link
CN (1) CN113516617B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110633684A (zh) * 2019-09-20 2019-12-31 南京邮电大学 一种基于深度学习的烟叶收购定级系统及定级方法
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
CN111815149A (zh) * 2020-07-03 2020-10-23 云南省烟草质量监督检测站 一种烤烟等级质量评价指标体系的综合评价方法
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

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011027315A1 (en) * 2009-09-04 2011-03-10 Moshe Danny S Grading of agricultural products via hyper spectral imaging and analysis
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
CN108268895A (zh) * 2018-01-12 2018-07-10 上海烟草集团有限责任公司 基于机器视觉的烟叶部位识别方法、电子设备及存储介质
CN108510474B (zh) * 2018-03-09 2021-07-06 上海烟草集团有限责任公司 烟叶图像质量的评价方法、系统、存储器、及电子设备
CN109344869A (zh) * 2018-08-28 2019-02-15 东软集团股份有限公司 一种分类模型优化方法、装置及存储设备、程序产品
CN110415181B (zh) * 2019-06-12 2023-07-14 勤耕仁现代农业科技发展(淮安)有限责任公司 一种开放环境下烤烟rgb图像智能识别及等级判定方法
CN110807760B (zh) * 2019-09-16 2022-04-08 北京农业信息技术研究中心 一种烟叶分级方法及系统
CN110659691A (zh) * 2019-09-26 2020-01-07 福建中烟工业有限责任公司 烟叶原料质量风格监测方法和装置、计算机可读存储介质
CN110707692A (zh) * 2019-10-16 2020-01-17 济南荣耀合创电力科技有限公司 一种电力系统在线负荷分析与建模系统及方法
CN111899145A (zh) * 2020-06-12 2020-11-06 红塔烟草(集团)有限责任公司 一种基于机器视觉的立体库盘库方法及系统
CN111860639B (zh) * 2020-07-17 2022-09-27 中国农业科学院烟草研究所 一种量化烤烟烟叶烘烤特性的判定系统及判定方法
CN112464942B (zh) * 2020-10-27 2022-09-20 南京理工大学 基于计算机视觉的重叠烟叶智能化分级方法
CN112539785B (zh) * 2020-12-11 2022-09-09 云南中烟工业有限责任公司 一种基于多维度特征信息的烟叶等级识别系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110633684A (zh) * 2019-09-20 2019-12-31 南京邮电大学 一种基于深度学习的烟叶收购定级系统及定级方法
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
CN111815149A (zh) * 2020-07-03 2020-10-23 云南省烟草质量监督检测站 一种烤烟等级质量评价指标体系的综合评价方法
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

Also Published As

Publication number Publication date
CN113516617A (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN105630743B (zh) 一种光谱波数的选择方法
CN101387625B (zh) 烤烟产区综合评价方法
CN108182544A (zh) 一种农产品的品质评估方法
CN107341613B (zh) 一种辅助叶组配方平衡替换的方法
CN101339612A (zh) 一种脸型轮廓的检测与分类方法
CN106841545A (zh) 基于改进模糊综合评判法的茶叶感官品质评价方法
Latte et al. Multiple nutrient deficiency detection in paddy leaf images using color and pattern analysis
CN107909264A (zh) 一种烟叶风格特征年度间稳定性的客观综合评价方法
CN113516617B (zh) 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
CN107543795A (zh) 一种烤烟产地的判别方法
CN118211876A (zh) 一种茶叶生产加工智能质控与等级评估分类方法
CN110287456A (zh) 基于数据挖掘的大盘卷轧制表面缺陷分析方法
CN114766706A (zh) 一种烟叶除杂与定级方法
CN112529838A (zh) 一种基于图像处理技术的烟叶成熟度在线判别方法
CN104036232B (zh) 一种基于图像边缘特征分析的领带花型检索方法
CN113017133A (zh) 一种基于烟叶颜色的分类配方打叶方法
CN113989176A (zh) 一种烟草鲜叶成熟度判定模型的构建方法
CN111950882A (zh) 一种基于综合感官分析的酒样分级方法
CN115331031A (zh) 一种基于元素智能比对技术的工艺美术品防伪鉴别方法
CN110363249A (zh) 一种基于神经网络的红木种类识别方法
CN113627531B (zh) 基于支持向量机分类算法测定梨树轮纹病抗性的方法
Giddens The class structure of the advanced societies
CN115588136A (zh) 一种基于多层次空谱融合的神经网络高光谱图像分类方法
CN107941997A (zh) 一种外引烤烟品种种植区域遴选和验证的方法
CN113029975A (zh) 一种鉴别冻害茶叶品质的方法

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