CN115049853A - 烟叶卷曲不变特性特征提取方法及存储介质 - Google Patents

Abstract

本发明公开了一种烟叶卷曲不变特性特征提取方法，采集一批烘烤后烟叶自然状态下叶片图像，依据卷曲的程度将其划分为多个档次；采集所述烟叶展平后叶片图像，并与烘烤后自然状态下的烟叶一一对照应，并按照烟叶级别国家标准将其分级；以烟叶展平后叶片图像作为输入，以其国标等级作为输出建立卷积神经网络；以卷积神经网络的第一个全连接层输出结果作为烟叶特征；求得第一个全连接层所有神经元与其下一层连接处的权重之和；以一片烘烤后烟叶自然状态下的叶片图像作为输入，该片烟叶展平状态下的特征为输出，对所有形态的烟叶建立机器学习模型；机器学习模型样本权重为卷曲程度的档次，各个特征的权重为，该机器学习模型输出为具有烟叶卷曲不变特性的特征。

Description

烟叶卷曲不变特性特征提取方法及存储介质

技术领域

本发明涉及烟草领域，特别是涉及一种利用机器视觉对烟叶特征进行提取的方法，以及一种用于执行所述方法中各步骤的计算机可读存储介质。

背景技术

烟叶收购进程中，级别是决定烟叶收购标准的重要概念。现阶段依据烤烟国家标准所规定的级别进行收购，国家标准给出了各个级别的区分方法，并提及了烟叶的成熟度，长度，色度，油分，杂色面积占比等作为特征来评价烟叶等级的方法。

目前，国内的烤烟收购主要为人工收购，收购样品挑选由专业的分级人员参照《烤烟》国标及结合实际生产情况进行挑选，烤烟收购人员根据样品和自身的经验对烟叶进行分级，基于收购各层级人员的经验对样品进行基本的定性描述，分级信息的传递主要以实物为主，主观描述作为辅助，通常会出现烟叶级别信息不对称、信息传递困难、信息误差等问题。

在国内外从20世纪初就开始研究基于计算机视觉的烤烟分级方法，利用计算机视觉技术和机器学习对烤烟进行智能化分级，所有研究烤烟样品都是基于目前人工挑选的方法获得的，虽然研究都有一定的分级效果，但难以投入实际应用。主要原因之一是，基于机器视觉的分级中，摄像头只能拍摄到烟叶表面，烟叶卷曲会造成烟叶部分区域不能裸露在外部，不易得到其被遮挡的信息。针对于此问题，通常的解决方法是增加硬件将烟叶展平，但是此方法成本过高，另外可以增加数据集，包含一部分卷曲的烟叶，同时学习展平烟叶和卷曲烟叶的级别，这种方法效果不好，另外当需要训练其他模型时所需的数据集仍然会很大。

发明内容

在发明内容部分中引入了一系列简化形式的概念,该简化形式的概念均为本领域现有技术简化，这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。

本发明要解决的技术问题是提供一种能避免烟叶卷曲对烟叶特征识别产生影响的烟叶卷曲不变特性特征提取方法。

本发明还提供了一种用于执行所述烟叶卷曲不变特性特征提取方法中步骤的存储介质。

为解决上述技术问题，本发明提供的烟叶卷曲不变特性特征提取方法，包括以下步骤：

S1，采集一批烘烤后烟叶自然状态下的叶片图像D₁，并依据卷曲的程度将其划分为多个档次{Crimp₁，Crimp₂……Crimp_i}；

S2，采集所述烟叶展平后叶片图像D₂，并与烘烤后自然状态下的烟叶一一对照应，并按照国家标准将其分级；

S3，以烟叶展平后叶片图像作为输入，以其国标等级作为输出建立卷积神经网络；

S4，以卷积神经网络的第一个全连接层输出结果作为烟叶特征L_i；

S5，求得第一个全连接层所有神经元与其下一层连接处的权重α_i之和；

S6，以一片烘烤后烟叶自然状态下的叶片图像作为输入，该片烟叶展平状态下的特征L_i为输出，对所有形态的烟叶建立机器学习模型C₂；需要说明的是，任意的机器学习模型都适用于该步骤；

S7，机器学习模型C₂样本权重为卷曲程度的档次Crimp_i，各个特征的权重为

该机器学习模型输出为具有烟叶卷曲不变特性的特征。

可选择的，进一步改进所述的烟叶卷曲不变特性特征提取方法，还包括以下步骤：

S8，对新的一批烟叶建立具有烟叶卷曲不变特性的模型，根据步骤S2-S3对新一批烟叶建立卷积神经网络C₃

S9，将步骤S1采集烘烤后烟叶自然状态下的叶片图像D₁输入建立卷积神经网络C₃，得到烟叶特征L_i和特征的权重

根据步骤S6-S8对卷积神经网络C₃提取机器学习模型C₄，该机器学习模型C₄输出为新一批烟叶具有烟叶卷曲不变特性的特征。

可选择的，进一步改进所述的烟叶卷曲不变特性特征提取方法，步骤S3中，所述卷积神经网络是VGG16模型。

可选择的，进一步改进所述的烟叶卷曲不变特性特征提取方法，步骤S4中，第14层的结果L_i{i∈[0，4095]}为烟叶特征。

可选择的，进一步改进所述的烟叶卷曲不变特性特征提取方法，α_i之和为

为解决上述技术问题，本发明提供一种用于执行所述烟叶卷曲不变特性特征提取方法中步骤的计算机可读存储介质。

本发明采集同一批烘烤后烟叶自然状态下的叶片图像和所述烟叶展平后叶片图像，并形成一一对照应关系，并按照国家标准将其分级；以烟叶展平后叶片图像作为输入，以其国标等级作为输出建立卷积神经网络；以卷积神经网络的第一个全连接层输出结果作为烟叶特征，以一片烘烤后烟叶自然状态下的叶片图像作为输入，该片烟叶展平状态下的特征为输出，对所有形态的烟叶建立机器学习模型；为机器学习模型指定样本权重和各个特征的权重，该机器学习模型输出为具有烟叶卷曲不变特性的特征。通过上方法使得烟叶分级模型对烟叶的卷曲程度不敏感，使得烟叶分级模型需要再训练的过程中不再依赖于过多的数据，能避免曲程度对烟叶特征识别产生的影响，能提高烟叶特征识别的效率和准确性。

附图说明

本发明附图旨在示出根据本发明的特定示例性实施例中所使用的方法、结构和/或材料的一般特性，对说明书中的描述进行补充。然而，本发明附图是未按比例绘制的示意图，因而可能未能够准确反映任何所给出的实施例的精确结构或性能特点，本发明附图不应当被解释为限定或限制由根据本发明的示例性实施例所涵盖的数值或属性的范围。下面结合附图与具体实施方式对本发明作进一步详细的说明：

图1是本发明第一实施例原理示意图。

图2是本发明第二实施例原理示意图。

图3是本发明第三实施例档次划分示意图。

具体实施方式

以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所公开的内容充分地了解本发明的其他优点与技术效果。本发明还可以通过不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点加以应用，在没有背离发明总的设计思路下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。本发明下述示例性实施例可以多种不同的形式来实施，并且不应当被解释为只限于这里所阐述的具体实施例。应当理解的是，提供这些实施例是为了使得本发明的公开彻底且完整，并且将这些示例性具体实施例的技术方案充分传达给本领域技术人员。下述个实施例均能通过现有计算机系统通过计算机编程技术手段实现。

第一实施例；

参考图1所示，本发明提供一种烟叶卷曲不变特性特征提取方法，包括以下步骤：

S1，采集一批烘烤后烟叶自然状态下的叶片图像D₁，并依据卷曲的程度将其划分为多个档次{Crimp₁，Crimp₂……Crimp_i}；

S2，采集所述烟叶展平后叶片图像D₂，并与烘烤后自然状态下的烟叶一一对照应，并按照国家标准将其分级；

S3，以烟叶展平后叶片图像作为输入，以其国标等级作为输出建立卷积神经网络；

S4，以卷积神经网络的第一个全连接层输出结果作为烟叶特征L_i；

S5，求得第一个全连接层所有神经元与其下一层连接处的权重α_i之和；

S6，以一片烘烤后烟叶自然状态下的叶片图像作为输入，该片烟叶展平状态下的特征L_i为输出，对所有形态的烟叶建立机器学习模型C₂；

S7，机器学习模型C₂样本权重为卷曲程度的档次Crimp_i，各个特征的权重为

该机器学习模型输出为具有烟叶卷曲不变特性的特征。

第二实施例；

参考图2所示，本发明提供一种烟叶卷曲不变特性特征提取方法，包括以下步骤：

S1，采集一批烘烤后烟叶自然状态下的叶片图像D₁，并依据卷曲的程度将其划分为多个档次{Crimp₁，Crimp₂……Crimp_i}；

S2，采集所述烟叶展平后叶片图像D₂，并与烘烤后自然状态下的烟叶一一对照应，并按照国家标准将其分级；

S3，以烟叶展平后叶片图像作为输入，以其国标等级作为输出建立卷积神经网络；

s4，以卷积神经网络的第一个全连接层输出结果作为烟叶特征L_i；

S5，求得第一个全连接层所有神经元与其下一层连接处的权重α_i之和；

S6，以一片烘烤后烟叶自然状态下的叶片图像作为输入，该片烟叶展平状态下的特征L_i为输出，对所有形态的烟叶建立机器学习模型C₂；

S7，机器学习模型C₂样本权重为卷曲程度的档次Crimp_i，各个特征的权重为

该机器学习模型输出为具有烟叶卷曲不变特性的特征；

S8，对新的一批烟叶建立具有烟叶卷曲不变特性的模型，根据步骤S2-S3对新一批烟叶建立卷积神经网络C₃；

S9，将步骤S1采集烘烤后烟叶自然状态下的叶片图像D₁输入建立卷积神经网络C₃，得到烟叶特征L_i和特征的权重

根据步骤S6-S8对卷积神经网络C₃提取机器学习模型C₄，该机器学习模型C₄输出为新一批烟叶具有烟叶卷曲不变特性的特征；

后续对新增的每一批烟叶都可以执行上述步骤S8-S9提取具有烟叶卷曲不变特性的特征，经过大量数据的反复训练本发明的技术方案对具有烟叶卷曲不变特性的特征的提取会越来越精准。

第三实施例；

本发明提供一种烟叶卷曲不变特性特征提取方法，包括以下步骤：

S1，采集一批烘烤后烟叶自然状态下的叶片图像D₁，并依据卷曲的程度将其划分为多个档次{Crimp₁，Crimp₂……Crimp_i}；

参考图3所示，示例性的划分为1、2、3档次{Crimp₁，Crimp₂，Crimp₃}；

S2，采集所述烟叶展平后叶片图像D₂，并与烘烤后自然状态下的烟叶一一对照应，并按照国家标准将其分级；

S3，以烟叶展平后叶片图像作为输入，以其国标等级作为输出建立VGG16模型；

S4，以卷积神经网络的第一个全连接层即第14层输出结果作为烟叶特征L_i， L_i{i∈[0，4095]}；

S5，求得第一个全连接层所有神经元与其下一层连接处的权重之和，例如VGG16的第14层所有神经元在第14层与15层连接处的α_i之和为

S6，以一片烘烤后烟叶自然状态下的叶片图像作为输入，该片烟叶展平状态下的特征L_i为输出，对所有形态的烟叶建立机器学习模型C₂；

S7，机器学习模型C₂样本权重为卷曲程度的档次Crimp_i，各个特征的权重为

该机器学习模型输出为具有烟叶卷曲不变特性的特征；

S8，对新的一批烟叶建立具有烟叶卷曲不变特性的模型，根据步骤S2-S3对新一批烟叶建立卷积神经网络C₃；

S9，将步骤S1采集烘烤后烟叶自然状态下的叶片图像D₁输入建立卷积神经网络C₃，得到烟叶特征L_i和特征的权重

根据步骤S6-S8对卷积神经网络C₃提取机器学习模型C₄，该机器学习模型C₄输出为新一批烟叶具有烟叶卷曲不变特性的特征。

第四实施例；

本发明提供一种用于执行上述第一实施例～第三实施例任意一项所述烟叶卷曲不变特性特征提取方法中步骤的计算机可读存储介质。

除非另有定义，否则这里所使用的全部术语(包括技术术语和科学术语)都具有与本发明所属领域的普通技术人员通常理解的意思相同的意思。还将理解的是，除非这里明确定义，否则诸如在通用字典中定义的术语这类术语应当被解释为具有与它们在相关领域语境中的意思相一致的意思，而不以理想的或过于正式的含义加以解释。

以上通过具体实施方式和实施例对本发明进行了详细的说明，但这些并非构成对本发明的限制。在不脱离本发明原理的情况下，本领域的技术人员还可做出许多变形和改进，这些也应视为本发明的保护范围。

Claims (6)

1.一种烟叶卷曲不变特性特征提取方法，其特征在于，包括以下步骤：

S1，采集一批烘烤后烟叶自然状态下的叶片图像D₁，并依据卷曲的程度将其划分为多个档次{Crimp₁，Crimp₂……Crimp_i}；

S2，采集所述烟叶展平后叶片图像D₂，并与烘烤后自然状态下的烟叶一一对照应，并按照国家标准将其分级；

S3，以烟叶展平后叶片图像作为输入，以其国标等级作为输出建立卷积神经网络；

S4，以卷积神经网络的第一个全连接层输出结果作为烟叶特征L_i；

S5，求得第一个全连接层所有神经元与其下一层连接处的权重α_i之和为

S6，以一片烘烤后烟叶自然状态下的叶片图像作为输入，该片烟叶展平状态下的特征L_i为输出，对所有形态的烟叶建立机器学习模型C₂；

S7，机器学习模型C₂样本权重为卷曲程度的档次Crimp_i，各个特征的权重为

该机器字习模型输出为具有烟叶卷曲不变特性的特征。

2.如权利要求1所述的烟叶卷曲不变特性特征提取方法，其特征在于，还包括以下步骤：

S8，对新的一批烟叶建立具有烟叶卷曲不变特性的模型，根据步骤S2-S3对新一批烟叶建立卷积神经网络C₃

S9，将步骤S1采集烘烤后烟叶自然状态下的叶片图像D₁输入建立卷积神经网络C₃，得到烟叶特征L_i和特征的权重

根据步骤S6-S8对卷积神经网络C₃提取机器学习模型C₄，该机器学习模型C₄输出为新一批烟叶具有烟叶卷曲不变特性的特征。

3.如权利要求1所述的烟叶卷曲不变特性特征提取方法，其特征在于：步骤S3中，所述卷积神经网络是VGG16模型。

4.如权利要求3所述的烟叶卷曲不变特性特征提取方法，其特征在于：步骤S4中，第14层的结果L_i{i∈[0，4095]}为烟叶特征。

5.如权利要求4所述的烟叶卷曲不变特性特征提取方法，其特征在于：α_i之和为

6.一种用于执行权利要求1-5所述烟叶卷曲不变特性特征提取方法中步骤的计算机可读存储介质。

Images