CN114397297B - 一种烤烟淀粉含量的快速无损检测方法 - Google Patents
一种烤烟淀粉含量的快速无损检测方法 Download PDFInfo
- Publication number
- CN114397297B CN114397297B CN202210059361.8A CN202210059361A CN114397297B CN 114397297 B CN114397297 B CN 114397297B CN 202210059361 A CN202210059361 A CN 202210059361A CN 114397297 B CN114397297 B CN 114397297B
- Authority
- CN
- China
- Prior art keywords
- cured tobacco
- flue
- neural network
- starch content
- regression model
- 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
Links
- 241000208125 Nicotiana Species 0.000 title claims abstract description 95
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 95
- 229920002472 Starch Polymers 0.000 title claims abstract description 69
- 235000019698 starch Nutrition 0.000 title claims abstract description 69
- 239000008107 starch Substances 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 10
- 239000006260 foam Substances 0.000 claims description 9
- 229910052742 iron Inorganic materials 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims 2
- 208000035475 disorder Diseases 0.000 claims 2
- 238000005259 measurement Methods 0.000 abstract description 10
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 abstract description 6
- 238000005070 sampling Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 235000019504 cigarettes Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30128—Food products
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- 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
Abstract
本发明提出一种烤烟淀粉含量的快速无损检测方法,用以解决现有技术中采用连续流动法测定烤烟淀粉含量,不仅需要复杂的实验操作,而且需要用到浓盐酸等进行前处理,给实验人员人身安全带来一定威胁的技术问题。本发明包括采集烤后烟叶的样本图像并测定其淀粉含量、对样本图像预处理、构建卷积神经网络回归模型并进行训练、最后利用训练后的卷积神经网络回归模型测定烤烟淀粉含量等步骤,以烤后烟叶图像为输入值,通过卷积神经网络回归模型对烤后烟叶中的淀粉进行采样并进行回归拟合,最后输出烤后烟叶所对应的淀粉含量值,从而完成烤烟淀粉含量的测定,实现快速高效测定烤烟中淀粉的含量,且准确率高,安全性强。
Description
技术领域
本发明涉及烤烟质量评价技术领域,具体涉及一种烤烟淀粉含量的快速无损检测方法。
背景技术
烤烟质量评价是卷烟工业在原料调拨与卷烟配方设计方面的重要参考依据,尤其是淀粉含量的高低关系对烤烟品质的形成有重要影响,烤后烟叶淀粉含量控制在8%-10%最佳,故此每年各烟叶产区、卷烟企业以及高校科研机构花费大量的人力物力财力进行烤烟淀粉含量的测定,而当前烤烟淀粉含量的测定多采用连续流动法进行测定,而这种测定方法不仅需要复杂的实验操作而且需要用到浓盐酸等进行前处理,这给实验人员人身安全带来一定的威胁。
近年神经网络技术的不断发展,在各行业均有广泛的应用,尤其是卷积神经网络(CNN)在图像处理方面有着非常不俗的表现,目前多应用在人脸识别、食品加工以及农业生产等方面。卷积神经网络包括卷积层和池化层。卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络。一维卷积神经网络常应用于序列类的数据处理;二维卷积神经网络常应用于图像类文本的识别;三维卷积神经网络主要应用于医学图像以及视频类数据识别。而当前卷积神经网络在烤烟淀粉含量测定方面尚未有报道。
发明内容
针对现有技术中采用连续流动法测定烤烟淀粉含量,不仅需要复杂的实验操作,而且需要用到浓盐酸等危化品进行前处理,给实验人员人身安全带来一定威胁的技术问题,本发明提出一种烤烟淀粉含量的快速无损检测方法,实现快速高效测定烤烟中淀粉的含量,且准确率高,安全性强。
为解决上述技术问题,本发明采用以下技术方案:一种烤烟淀粉含量的快速无损检测方法,包括如下步骤:
步骤一:采集烤后烟叶的样本图像,并对采集图像后的烤后烟叶进行标记,测定烤后烟叶的淀粉含量;
步骤二:对样本图像进行预处理,将每张样本图像的背景值设置为0,并以测定的淀粉含量对应命名各个样本图像;
步骤三:建立卷积神经网络回归模型,然后将样本图像分为训练样本和验证样本,并利用训练样本对卷积神经网络回归模型进行训练,利用验证样本测试训练后的卷积神经网络回归模型的泛化能力;
步骤四:利用训练后的卷积神经网络回归模型测定烤烟淀粉含量:以烤后烟叶图像为输入值,通过卷积神经网络回归模型对烤后烟叶图像中的淀粉含量进行预测并进行回归拟合,最后输出烤后烟叶所对应的淀粉含量值,从而实现烤烟淀粉含量的测定。
所述步骤一中烤后烟叶样本图像的采集是在暗室中进行,采集方法为:准备一块黑色哑光泡沫板,将黑色哑光泡沫板置于铁架的底部,将烤后烟叶样本置于黑色哑光泡沫板上;铁架的内顶壁上固定CCD相机,并将CCD相机采用数据线与计算机相连接;铁架的下部安装有日光灯,CCD相机和日光灯均与烤后烟叶样本相对应;打开日光灯,CCD相机开始进行图像采集,并将采集的图像信息实时传输给计算机。
所述步骤一中采集烤后烟叶样本的图像时,保持日光灯的光照条件相同,CCD相机与烤后烟叶样本的距离固定。
所述步骤三中基于TensorFlow环境构建卷积神经网络回归模型,卷积神经网络回归模型包括五次卷积,每次卷积均设置有两层卷积层和一层池化层,且第一次卷积的两层卷积层均包括64个卷积核,第二次卷积的两层卷积层均包括128个卷积核,第三次卷积和第五次卷积的卷积层均包括256个卷积核,第四次卷积的两层卷积层均包括512个卷积核。
所述卷积神经网络回归模型中卷积核的大小为3*3,且五次卷积中池化层均采用最大池化。
利用训练样本对卷积神经网络回归模型进行训练前,先将训练样本图像大小统一调整为512*512,然后采用buffer函数对训练样本进行乱序处理,最后将乱序的训练样本输入到卷积神经网络回归模型中。
与现有技术相比,本发明的有益效果为:
1.本发明采用卷积神经网络回归模型对烤后烟叶中的淀粉含量进行测定,改善了传统的烤烟淀粉含量测定方法所存在的耗时耗力、操作复杂、存在安全隐患等弊端;
2.本发明所提出的烤烟淀粉含量检测方法不仅缩减了烤烟淀粉含量测定的时间,而且保障了烤烟淀粉含量测定的准确率,进一步实现了烤烟淀粉含量的批量化测定;
3.本发明中卷积神经网络回归模型采用五次卷积的训练方法,每次卷积均设置两层卷积层和一层池化层,并采用随机选取训练样本、乱序输入网络、分小组训练的方式对卷积神经网络回归模型进行训练,同时采用反向传播的方式减少模型损失,有效地提高了卷积神经网络回归模型的性能和淀粉含量测定结果的正确率;
4.本发明不仅能够准确有效地判断出烤烟中所含的淀粉含量,且自适应能力强;
5.本发明所提出的烤烟淀粉含量检测方法还具有分类速度快、准确率高、安全性强等优点,符合当前生产的需求,具有很好的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明的步骤流程图;
图2为本发明的样本图像采集示意图;
图3为本发明中所采用的卷积神经网络的内部结构图;
图4为本发明中所采用的卷积神经网络训练过程中训练样本与验证样本准确率的变化曲线图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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付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。
如图1所示,本发明提供了一种烤烟淀粉含量的快速无损检测方法,以烤后烟叶图像为输入值,以烤后烟叶所对应的淀粉含量为输出值,建立卷积神经网络回归模型,从而对烤后烟叶的淀粉含量进行拟合并验证模型的鲁棒性。通过在保持烟叶完整的前提下,实现了烤烟淀粉含量的测定,改善了传统的烤烟淀粉含量测定方法所存在的耗时耗力的弊端;本发明不仅缩减了烤烟淀粉含量测定的时间,而且保障了烤烟淀粉含量测定的准确率,进一步实现烤烟淀粉含量的批量化测定。
本发明具体包括以下步骤:
步骤一:采集烤后烟叶的样本图像。如图2所示,烤后烟叶样本图像的采集是在暗室中进行,具体采集方法为:准备一块长×宽×厚为100cm×60cm×0.5cm的黑色哑光泡沫板4,将黑色哑光泡沫板4置于铁架2的底部,将烤后烟叶样本5置于黑色哑光泡沫板4上;铁架2的内顶壁上固定CCD相机1,并将CCD相机1采用数据线7与计算机6相连接;铁架2的下部安装有日光灯3,CCD相机1和日光灯3均与烤后烟叶样本5相对应。然后打开日光灯3,CCD相机1开始进行图像采集,并将采集的图像信息实时传输给计算机6。然后对采集图像后的烤后烟叶样本5进行挂牌标记,测定烤后烟叶样本5中的淀粉含量。
进一步地,在采集烤后烟叶样本5图像的过程中,需保持日光灯3的光照条件相同,CCD相机1与烤后烟叶样本5的距离固定,以免采集的样本图像之间存在误差,影响淀粉含量测定的结果。
步骤二:对采集的样本图像进行预处理,将每张样本图像的背景值设置为0,即将样本图像的背景去除掉,以免影响所构建卷积神经网络回归模型对烤后烟叶中的淀粉采样的准确性。最后以步骤一中测定的淀粉含量对应命名各个样本图像。
步骤三:基于TensorFlow环境构建卷积神经网络回归模型,然后将样本图像分为训练样本和验证样本,并利用训练样本对卷积神经网络回归模型进行训练,利用验证样本测试训练后的卷积神经网络回归模型的泛化能力。
步骤四:利用训练后的卷积神经网络回归模型测定烤烟淀粉含量:以烤后烟叶图像为输入值,通过卷积神经网络回归模型对烤后烟叶图像中的淀粉含量进行预测并进行回归拟合,最后输出烤后烟叶所对应的淀粉含量值,从而实现烤烟淀粉含量的测定。
本实施例中,如图3所示,所构建的卷积神经网络回归模型包括五次卷积,每个卷积模块均设置有两层卷积层和一层池化层,且第一次卷积的两层卷积层均包括64个卷积核,第二次卷积的两层卷积层均包括128个卷积核,第三次卷积和第五次卷积的卷积层均包括256个卷积核,第四次卷积的两层卷积层均包括512个卷积核。该卷积神经网络回归模型的具体结构为:输入层-卷积层(64)-卷积层(64)-池化层-卷积层(128)-卷积层(128)-池化层-卷积层(256)-卷积层(256)-池化层-卷积层(512)-卷积层(512)-池化层-卷积层(256)-卷积层(256)-池化层-压平层-全连接层(256)-全连接层(512)-全连接层(1)-输出层。所述卷积神经网络回归模型中第一层卷积核的大小为5*5,其他层卷积核均为3*3,且五次卷积中,池化层均采用最大池化。
然后对卷积神经网络回归模型进行训练,随机选取70%样本图像作为训练样本,剩余30%样本图像作为验证样本,利用训练样本对卷积神经网络回归模型进行训练,即将训练样本输入到卷积神经网络回归模型中对该模型进行训练,经过五次卷积(两层卷积、一层池化)操作后,通过Dense(全连接层)对烤烟淀粉含量进行回归拟合,最后输出烤后烟叶所对应的淀粉含量值。最后再利用验证样本测试训练后的卷积神经网络回归模型的泛化能力。
本发明共采集463个烟叶样品,为提高对卷积神经网络回归模型的训练速率,将训练样本进行分组处理,每组样本图像个数设置为40个,共分成12组。利用训练样本对卷积神经网络回归模型进行训练前,先将训练样本进行统一化处理,将训练样本图像大小统一调整为512*512。为提高卷积神经网络回归模型输出淀粉含量测定结果的准确率,将所述训练样本输入到该卷积神经网络回归模型之前,先采用buffer函数计算数字滤波器系数,[B,A]=butter(n,Wn),根据阶数n和归一化截止频率Wn计算ButterWorth滤波器分子分母系数(B为分子系数的矢量形式,A为分母系数的矢量形式),然后将通过ButterWorth滤波器滤波后的样本数据输入到卷积神经网络回归模型中训练。
本实施例中,为提升模型训练速度,所述卷积神经网络回归模型的激活函数采用RELU函数。为进一步优化卷积神经网络回归模型,减少卷积神经网络回归模型的损失,本实施例中采用反向传播算法,将正向传播的输出值与标记值比较,若有误差,将误差反向由输出层向输入层传播,在这个过程中,利用梯度下降算法对神经元权值进行调整,不断优化交叉熵损失函数。
本发明中所构建的卷积神经网络回归模型是在传统卷积神经网络模型的基础上将每次卷积均增加一层卷积层,从而保障卷积神经网络回归模型能够获取更多的烤后烟叶图像信息,提高利用卷积神经网络回归模型对烤烟淀粉含量进行测定的准确性。
对训练样本与验证样本进行预测并输出,随着训练次数的变化,模型准确率变化如图4。由图4可知,采用卷积神经网络回归模型对烤烟淀粉含量进行拟合,测试集样本的预测正确率达到了93%以上。从而表明,采用本发明所提出的烤烟淀粉含量检测方法进行烤烟淀粉含量测定,具有准确率高和效率高的特点。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种烤烟淀粉含量的快速无损检测方法,其特征在于,包括如下步骤:
步骤一:采集烤后烟叶的样本图像,并对采集图像后的烤后烟叶进行标记,测定烤后烟叶的淀粉含量;
步骤二:对样本图像进行预处理,将每张样本图像的背景值设置为0,并以测定的淀粉含量对应命名各个样本图像;
步骤三:建立卷积神经网络回归模型,然后将样本图像分为训练样本和验证样本,并利用训练样本对卷积神经网络回归模型进行训练,利用验证样本测试训练后的卷积神经网络回归模型的泛化能力;
步骤四:利用训练后的卷积神经网络回归模型测定烤烟淀粉含量:以烤后烟叶图像为输入值,通过卷积神经网络回归模型对烤后烟叶图像中的淀粉含量进行预测并进行回归拟合,最后输出烤后烟叶所对应的淀粉含量值,从而实现烤烟淀粉含量的测定;
卷积神经网络回归模型包括五次卷积,每次卷积均设置有两层卷积层和一层池化层,且采用反向传播算法减少卷积神经网络回归模型的损失。
2.根据权利要求1所述的烤烟淀粉含量的快速无损检测方法,其特征在于,所述步骤一中烤后烟叶样本图像的采集是在暗室中进行,采集方法为:准备一块黑色哑光泡沫板(4),将黑色哑光泡沫板(4)置于铁架(2)的底部,将烤后烟叶样本(5)置于黑色哑光泡沫板(4)上;铁架(2)的内顶壁上固定CCD相机(1),并将CCD相机(1)采用数据线(7)与计算机(6)相连接;铁架(2)的下部安装有日光灯(3),CCD相机(1)和日光灯(3)均与烤后烟叶样本(5)相对应;打开日光灯(3),CCD相机(1)开始进行图像采集,并将采集的图像信息实时传输给计算机(6)。
3.根据权利要求2所述的烤烟淀粉含量的快速无损检测方法,其特征在于,所述步骤一中采集烤后烟叶样本(5)的图像时,保持日光灯(3)的光照条件相同,CCD相机(1)与烤后烟叶样本(5)的距离固定。
4.根据权利要求1或3所述的烤烟淀粉含量的快速无损检测方法,其特征在于,所述步骤三中基于TensorFlow环境构建卷积神经网络回归模型,且第一次卷积的两层卷积层均包括64个卷积核,第二次卷积的两层卷积层均包括128个卷积核,第三次卷积和第五次卷积的卷积层均包括256个卷积核,第四次卷积的两层卷积层均包括512个卷积核。
5.根据权利要求4所述的烤烟淀粉含量的快速无损检测方法,其特征在于,所述卷积神经网络回归模型中卷积核的大小为3*3,且五次卷积中池化层均采用最大池化。
6.根据权利要求1或3或5所述的烤烟淀粉含量的快速无损检测方法,其特征在于,利用训练样本对卷积神经网络回归模型进行训练前,先将训练样本图像大小统一调整为512*512,然后采用buffer函数对训练样本进行乱序处理,最后将乱序的训练样本输入到卷积神经网络回归模型中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210059361.8A CN114397297B (zh) | 2022-01-19 | 2022-01-19 | 一种烤烟淀粉含量的快速无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210059361.8A CN114397297B (zh) | 2022-01-19 | 2022-01-19 | 一种烤烟淀粉含量的快速无损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114397297A CN114397297A (zh) | 2022-04-26 |
CN114397297B true CN114397297B (zh) | 2024-01-23 |
Family
ID=81230857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210059361.8A Active CN114397297B (zh) | 2022-01-19 | 2022-01-19 | 一种烤烟淀粉含量的快速无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114397297B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101419207A (zh) * | 2008-10-27 | 2009-04-29 | 川渝中烟工业公司 | 烤烟烟气主要指标的预测方法 |
CN109420622A (zh) * | 2017-08-27 | 2019-03-05 | 南京理工大学 | 基于卷积神经网络的烟叶分拣方法 |
WO2020073737A1 (zh) * | 2018-10-10 | 2020-04-16 | 浙江大学 | 一种基于深度学习的定量光谱数据分析处理方法 |
CN111079784A (zh) * | 2019-11-11 | 2020-04-28 | 河南农业大学 | 基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法 |
CN111160425A (zh) * | 2019-12-17 | 2020-05-15 | 湖北中烟工业有限责任公司 | 一种基于神经网络的烤烟舒适性分类评价方法 |
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 |
CN113237836A (zh) * | 2021-05-10 | 2021-08-10 | 福建省烟草公司南平市公司 | 一种基于高光谱图像的烤烟叶水分含量估测方法 |
CN113657452A (zh) * | 2021-07-20 | 2021-11-16 | 中国烟草总公司郑州烟草研究院 | 基于主成分分析和超级学习的烟叶质量等级分类预测方法 |
CN113919442A (zh) * | 2021-02-24 | 2022-01-11 | 北京优创新港科技股份有限公司 | 一种基于卷积神经网络烟叶成熟度状态识别模型 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019085369A1 (zh) * | 2017-10-31 | 2019-05-09 | 高大启 | 一种电子鼻仪器和烟草与烟草制品感官质量评价方法 |
-
2022
- 2022-01-19 CN CN202210059361.8A patent/CN114397297B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101419207A (zh) * | 2008-10-27 | 2009-04-29 | 川渝中烟工业公司 | 烤烟烟气主要指标的预测方法 |
CN109420622A (zh) * | 2017-08-27 | 2019-03-05 | 南京理工大学 | 基于卷积神经网络的烟叶分拣方法 |
WO2020073737A1 (zh) * | 2018-10-10 | 2020-04-16 | 浙江大学 | 一种基于深度学习的定量光谱数据分析处理方法 |
CN111079784A (zh) * | 2019-11-11 | 2020-04-28 | 河南农业大学 | 基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法 |
CN111160425A (zh) * | 2019-12-17 | 2020-05-15 | 湖北中烟工业有限责任公司 | 一种基于神经网络的烤烟舒适性分类评价方法 |
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 |
CN113919442A (zh) * | 2021-02-24 | 2022-01-11 | 北京优创新港科技股份有限公司 | 一种基于卷积神经网络烟叶成熟度状态识别模型 |
CN113237836A (zh) * | 2021-05-10 | 2021-08-10 | 福建省烟草公司南平市公司 | 一种基于高光谱图像的烤烟叶水分含量估测方法 |
CN113657452A (zh) * | 2021-07-20 | 2021-11-16 | 中国烟草总公司郑州烟草研究院 | 基于主成分分析和超级学习的烟叶质量等级分类预测方法 |
Non-Patent Citations (2)
Title |
---|
BP神经网络法在烤烟香型评定中的应用;朱红根等;湖南农业科学(第12期);第35-36页 * |
基于卷积神经网络的烟叶近红外光谱分类建模方法研究;鲁梦瑶等;光谱学与光谱分析;第38卷(第12期);第3724-3728页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114397297A (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hou et al. | Deep features based on a DCNN model for classifying imbalanced weld flaw types | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
CN103745239B (zh) | 一种基于卫星遥感技术的森林资源测量方法 | |
CN113838034B (zh) | 基于机器视觉的糖果包装表面缺陷快速检测方法 | |
CN104200478B (zh) | 一种基于稀疏表示的低分辨率触摸屏图像缺陷检测方法 | |
CN109522855A (zh) | 结合ResNet和SENet的低分辨率行人检测方法、系统及存储介质 | |
CN107563364A (zh) | 基于汗腺的指纹真伪辨别方法以及指纹识别方法 | |
Wu et al. | Detection of crack eggs by image processing and soft-margin support vector machine | |
CN110930378A (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
CN110689051A (zh) | 一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法 | |
CN111598868B (zh) | 一种肺部超声图像识别方法和系统 | |
CN114397297B (zh) | 一种烤烟淀粉含量的快速无损检测方法 | |
CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
CN108254038A (zh) | 一种原油储罐油水界面数据去伪及液位测量的计算方法 | |
CN117132827A (zh) | 基于改进YOLOv5s网络的热轧钢带表面缺陷检测方法 | |
Xu et al. | Identification of corroded cracks in reinforced concrete based on deep learning SCNet model | |
CN110567888A (zh) | 一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法 | |
Li et al. | Recognition of the internal situation of aircraft skin based on deep learning | |
CN114781484A (zh) | 基于卷积神经网络的癌症血清sers光谱分类方法 | |
CN117635507B (zh) | 一种塑胶颗粒在线视觉检测方法及系统 | |
CN117074291B (zh) | 一种非接触式纹理摩擦预测方法 | |
CN117496323B (zh) | 基于Transformer的多尺度二阶病理图像分类方法及系统 | |
Geetha et al. | Automatic Detection of Cervical Cancer Using UKF and ACM-AHP' | |
CN116245797A (zh) | 一种复合材料夹芯结构太赫兹图像缺陷检测方法及系统 | |
Sujatha et al. | DenseNet Framework for Wood Quality Assessment: Predicting Defects in Wood Images |
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 |