CN115462550A - 烟叶烘烤控制方法、装置、电子设备及可读存储介质 - Google Patents

烟叶烘烤控制方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN115462550A
CN115462550A CN202211300097.9A CN202211300097A CN115462550A CN 115462550 A CN115462550 A CN 115462550A CN 202211300097 A CN202211300097 A CN 202211300097A CN 115462550 A CN115462550 A CN 115462550A
Authority
CN
China
Prior art keywords
tobacco
layer
tobacco leaf
data
resnet
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
Application number
CN202211300097.9A
Other languages
English (en)
Other versions
CN115462550B (zh
Inventor
杜正聪
黎安庆
曾陈萍
李军
邱云
殷晓娟
王琴
李松
曹学义
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.)
Xichang College
Original Assignee
Xichang College
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 Xichang College filed Critical Xichang College
Priority to CN202211300097.9A priority Critical patent/CN115462550B/zh
Publication of CN115462550A publication Critical patent/CN115462550A/zh
Application granted granted Critical
Publication of CN115462550B publication Critical patent/CN115462550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
    • A24B—MANUFACTURE OR PREPARATION OF TOBACCO FOR SMOKING OR CHEWING; TOBACCO; SNUFF
    • A24B3/00—Preparing tobacco in the factory
    • A24B3/10—Roasting or cooling tobacco
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacture Of Tobacco Products (AREA)

Abstract

本发明公开了烟叶烘烤控制方法、装置、电子设备及可读存储介质，包括：搭建待训练的改进性多尺度resnet‑34残差网络；收集烟叶及烤房的原始数据，预设采样周期；过滤烟叶图像，剔除局部高亮的数据单例；将烟叶图像与含水率的集合结合以温湿度为标签值构建结构化的训练数据集；采用训练数据集对改进性多尺度resnet‑34残差网络进行迭代训练，得到训练后的改进性多尺度resnet‑34残差网络；将待烘烤控制的当前的烟叶图像、温度湿度数据及含水率数据输入至训练后的改进性多尺度resnet‑34残差网络，得到烘烤过程中温湿度控制信号。本发明的有益效果：逻辑简单、无需人工标注训练样本、识别控制可靠。

Description

烟叶烘烤控制方法、装置、电子设备及可读存储介质
技术领域
本发明涉及烟叶烘烤技术领域，尤其是烟叶烘烤控制方法、装置、电子设备及可读存储介质。
背景技术
在烟叶的烘烤过程中，常见的烘烤工艺为“三段五步式”。每个阶段的温度设定、湿度设定、阶段转换时间，均需要烤烟技术员依靠经验，根据烟叶颜色、形态、软度进行设定。
随着人工智能技术的发展，尤其是图像识别技术的发展，上述工作也得到了智能化的实现。但是，现有技术中的人工智能技术进行烟叶状态的判别，需要使用大量的烘烤过程状态数据对深度学习网络进行训练，其增加了前期标记、训练的工作量。
例如专利公开号为“CN113919442A”，名称为“一种基于卷积神经网络烟叶成熟度状态识别模型”的中国发明专利，其通过：以预设周期采集烟叶烤房的原始数据；依据烘烤曲线，得到烟叶成熟度初级判断结果；对所述烘烤图像预处理，得到烟叶全局图像；采用全卷积神经网络的分割模型对烟叶全局图像进行处理，提取烟叶的局部图像；根据烟叶成熟度初级判断结果确定判断烟叶成熟度需要分析的全局及局部图像；采用卷积神经网络的烟叶成熟度状态识别模型，获取烟叶全局图像及所述烟叶的局部图像的成熟度状态，对烟叶成熟度状态进行判断。其中，原始数据包括烘烤图像、烟叶烤房干球和湿球温度、烟叶烘烤时长。烟叶成熟度状态包括：变黄初期、变黄前期、变黄中期、变黄后期、定色前期、定色中期、定时后期、干筋前期、干筋中期和干筋后期等。由此可见，前期需要收集丰富的训练样本，并进行复杂的标记。
因此，急需要提出一种逻辑简单、无需人工标注训练样本、识别控制可靠的烟叶烘烤控制方法、装置、电子设备及可读存储介质。
发明内容
针对上述问题，本发明的目的在于提供烟叶烘烤控制方法、装置、电子设备及可读存储介质，本发明采用的技术方案如下：
第一部分，本技术提供了一种烟叶烘烤控制方法，其包括以下步骤：
搭建待训练的改进性多尺度resnet-34残差网络，并预设迭代阈值，并添加损失函数；
收集烟叶及烤房的原始数据，并预设采样周期；所述原始数据包括烟叶图像、温度湿度数据及含水率数据；
过滤烟叶图像，并剔除局部高亮的数据单例；
将烟叶图像与含水率的集合结合并以温湿度为标签值构建结构化的训练数据集；
采用训练数据集对改进性多尺度resnet-34残差网络进行迭代训练，得到训练后的改进性多尺度resnet-34残差网络；
将待烘烤控制的当前的烟叶图像、温度湿度数据及含水率数据输入至训练后的改进性多尺度resnet-34残差网络，得到烘烤过程中的温湿度控制信号。
第二部分，本技术提供了一种烟叶烘烤控制的装置，其包括：
网络搭建模块，搭建待训练的改进性多尺度resnet-34残差网络，并预设迭代阈值，并添加损失函数；
原始数据采集模块，收集烟叶及烤房的原始数据，并预设采样周期；所述原始数据包括烟叶图像、温度湿度数据及含水率数据；
图像预处理模块，与原始数据采集模块连接，过滤烟叶图像，并剔除局部高亮的数据单例；
训练数据集模块，与图像预处理模块和原始数据采集模块连接，将烟叶图像与含水率的集合结合并以温湿度为标签值构建结构化的训练数据集；
训练模块，与网络搭建模块和训练数据集模块连接，采用训练数据集对改进性多尺度resnet-34残差网络进行迭代训练，得到训练后的改进性多尺度resnet-34残差网络；
控制模块，与训练模块连接，将待烘烤控制的当前的烟叶图像、温度湿度数据及含水率数据输入至训练后的改进性多尺度resnet-34残差网络，得到烘烤过程中的温湿度控制信号。
第三部分，本技术提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现烟叶烘烤控制方法。
第四部分，本技术提供了一种可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现烟叶烘烤控制方法的步骤。
第五部分，本技术提供了一种烟叶烘烤装置，其采用烟叶烘烤控制方法；所述烟叶烘烤装置包括：透明材质的装烟室，设置在装烟室内的加热室，设置在装烟室的顶部的上支架，开设在装烟室上、且与加热室连通的数个风口，设置在加热室的中部的隔板，镶嵌在隔板上的热风循环机，开设在加热室的内侧、且与装烟室连接的数个通风口，悬挂在上支架上、且贯穿装烟室的顶部设置的重量测定传感器，与重量测定传感器连接的烟叶挂架，镶嵌在装烟室上的温湿度传感器和橡胶手套，设置在风口上、并进行开关控制的风口由舵机，相对设置、并朝向烟叶挂架上悬挂的烟叶的一对图像采集机构，以及与热风循环机、风口由舵机、重量测定传感器、温湿度传感器和图像采集机构电气连接的控制器；
所述图像采集机构包括固定在装烟室的底部的可调式图像采集支架，以及设置在可调式图像采集支架上、且朝向烟叶挂架上悬挂的烟叶的相机和补光灯。
与现有技术相比，本发明具有以下有益效果：
（1）本发明巧妙地采用改进性多尺度resnet-34残差网络，其将第三卷积层、第十一卷积层、第二十三卷积层和第二十九卷积层的数据经过全局平均池化后拼接在一起形成1×960+1的数据T。该操作将浅层网络提取到的图像局部特征和深层网络提取到的整体特征整合到一起，可提高网络对图片识别的准确率。
（2）本发明巧妙地对烟叶图像进行过滤，并剔除局部高亮的数据单例，以解决局部烟叶受补光灯光照过亮的影响，又能克服其他烟叶的光线较暗造成的识别不准确的问题。
（3）本发明巧妙地将烟叶图像与含水率的集合结合并以温湿度为标签值构建结构化的训练数据集，使其训练的数据集大大减少，需要的原始数据相对较少，并且引入温湿度和含水量，使其更加准备可靠，其并非考虑单一的图像数据。其中，温度标签值可自动获取，无需人工对每张图片进行辨识和标注，有利于快速获取大量训练数据。
（4）本发明将图像数据与含水率数据共同作为输入数据，对网络进行训练、使用，增加了信息获取渠道，使模型对烟叶烘烤状态的判断更加精准。
综上所述，本发明具有逻辑简单、无需人工标注训练样本、识别控制可靠等优点，在烟叶烘烤技术领域具有很高的实用价值和推广价值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需使用的附图作简单介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对保护范围的限定，对于本领域技术人员来说，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相关的附图。
图1为本发明的逻辑流程图。
图2为本发明的改进性多尺度resnet-34残差网络模型图。
图3为本发明中烟叶烘烤装置的结构示意图。
图4为本发明中烟叶烘烤装置的第一结构示意图（去除外壳）。
图5为本发明中烟叶烘烤装置的第二结构示意图（去除外壳）。
上述附图中，附图标记对应的部件名称如下：
1、装烟室；2、加热室；3、热风循环机；4、隔板；5、通风口；6、风口；7、风口由舵机；8、橡胶手套；9、烟叶挂架；10、重量测定传感器；11、温湿度传感器；12、可调式图像采集支架；13、相机；14、补光灯；15、上支架。
具体实施方式
为使本申请的目的、技术方案和优点更为清楚，下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。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的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。
本实施例中，术语“和/或”，仅仅是一种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：单独存在A，同时存在A和B，单独存在B这三种情况。
本实施例的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述对象的特定顺序。例如，第一目标对象和第二目标对象等是用于区别不同的目标对象，而不是用于描述目标对象的特定顺序。
在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中，除非另有说明，“多个”的含义是指两个或两个以上。例如，多个处理单元是指两个或两个以上的处理单元；多个系统是指两个或两个以上的系统。
如图1至图5所示，本实施例提供了一种烟叶烘烤控制方法及装置。首先，本实施例给出了一种烟叶烘烤装置，该烟叶烘烤装置的主体由透光玻璃搭建，形成两个主要空间：一个是装烟室1，其作用为在烘烤过程中放置烤烟。另一个是加热室2，在加热室2内的中部设置有隔板4，并将加热室2隔成上下两个部分，并且在隔板4上镶嵌安装有热风循环机3。在装烟室1的侧边开设了上下两个风口6（下部为进风口，上部为出风口）。并且在加热室2的内部也设置了两个通风口5。另外，在进风口处设置有控制进风口开关的风口由舵机7。
在本实施例中，在热风循环机3的作用下，风从进风口进入加热室2的下腔，并进行加热，加热的空气利用上部的通风口5进入装烟室1内；如此一来，便可对烟叶进行烘烤。降温之后的空气再由隔板下部通风口回到热风循环机进行加热。当进风口开启时，由于热风循环机3向上排气的缘故，加热室下侧形成负压，外部干燥空气可进入加热室。由于箱体整体为封闭空间，因此上部会形成高压，将出风口排风门顶开，排出潮湿空气。
在本实施例中，在装烟室的顶部设置上支架15，并将重量测定传感器10悬挂在上支架15上。该重量测定传感器10的下部置于装烟室1内，并与烟叶挂架9连接。利用该重量测定传感器10测定重量的改变值，以获得含水量。另外，在装烟室1的侧边镶嵌了温湿度传感器11。本实施例还设置了一对图像采集机构，其朝向烟叶挂架9上悬挂的烟叶。该图像采集机构包括固定在装烟室1的底部的可调式图像采集支架12，以及设置在可调式图像采集支架12上、且朝向烟叶挂架9上悬挂的烟叶的相机13和补光灯14。在本实施例中，该温湿度传感器11优选采用干湿球温度传感器。该温湿度传感器基本机构为U型管结构，管的一端伸入箱体，该端内部使用棉条包裹湿球温度计；另一端在箱体外部，并连接一大口径管道，用于盛水的同时也方便灌水。使用时，从外部向大口径管道灌水，水通过u型管流到管道内端，并通过棉条湿润湿球温度计。
具体来说，在湿球温度传感器旁，安装干球温度计；水蒸气压的计算如下：
Figure 342910DEST_PATH_IMAGE001
其中，
Figure 881864DEST_PATH_IMAGE002
表示干球温度，通过干球温度计测量；
Figure 54219DEST_PATH_IMAGE003
表示湿球温度，通过湿球温度计测量；
Figure 271574DEST_PATH_IMAGE004
表示水的饱和蒸气压；
Figure 337619DEST_PATH_IMAGE005
表示大气压力；
Figure 919910DEST_PATH_IMAGE006
表示水蒸气压。
另外，相对湿度
Figure 438616DEST_PATH_IMAGE007
的表达式为：
Figure 459661DEST_PATH_IMAGE008
其中，
Figure 255579DEST_PATH_IMAGE006
表示水蒸气压；
Figure 133405DEST_PATH_IMAGE004
表示水的饱和蒸气压；
Figure 14774DEST_PATH_IMAGE009
表示为相对湿度。
另外，本实施例在装烟室1侧壁密封镶嵌了橡胶手套8，以达到既封闭箱内气体，又能从外部经手套测试烟叶软度的目的。
本实施例基于但是不限于上述烟叶烘烤装置，提出了一种烟叶烘烤控制方法，包括以下步骤：
第一步，搭建待训练的改进性多尺度resnet-34残差网络，并预设迭代阈值，并添加损失函数。常规残差网络是基于图像分类为目的设计，类别间图像差异较大，例如汽车和飞机的差异。本实施例的烟叶变化较为细微，变化包含烟叶颜色、叶脉颜色、烟叶尖部是否卷曲，烟叶整体是否发皱等特征。因此，在深度网络中，这些细微和局部性信息往往在较低层网络中。因此在设计残差网络时考虑将底层网络信息也送入最终全连接层中进行判别。
在本实施例中，该改进性多尺度resnet-34残差网络由第一支路、第二支路、第三支路、第四支路和全连接层组成；所述第一支路由依次连接的第一卷积层、第二卷积层、第三卷积层和第一平均池化层组成；所述第二支路由第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层和第二平均池化层组成；所述第三支路由第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层、第十七卷积层、第十八卷积层、第十九卷积层、第二十卷积层、第二十一卷积层、第二十二卷积层、第二十三卷积层和第三平均池化层组成；第四支路由第二十四卷积层、第二十五卷积层、第二十六卷积层、第二十七卷积层、第二十八卷积层、第二十九卷积层和第四平均池化层组成；
所述第四卷积层的输入与第一卷积层的输出连接；所述第十二卷积层的输入与第九卷积层和第十一卷积层连接；所述第二十四卷积层的输入与二十一卷积层和第二十三卷积层连接；所述第一平均池化层、第二平均池化层、第三平均池化层和第四平均池化层的输出与全连接层连接，把含水率水混合进图像数据一起训练；在此，不同层得到的图像特征尺度不一致，层数越低，提取的图像特征越底层，层数越高，特征越抽象，多尺度特征由此体现。多尺度共同使用，可使网络既判别整体特征，又判别局部细节。在本实施例中，在任一卷积层后串联连接有BN层和RELU层。在本实施例中，实线跨模块短接线表示数据叠加，虚线部分表示跨层叠加前增加1×1卷积层，使维度增加一倍，再使用BN层做归一化。叠加过程指数据直接按通道和位置直接数值相加。
将含水率数据
Figure 636248DEST_PATH_IMAGE010
,以及网络中第3、11、23、29层数据经过全局平均池化后拼接在一起形成1×960+1的数据T。该操作将浅层网络提取到的图像局部特征和深层网络提取到的整体特征整合到一起，可提高网络对图片识别的准确率。
使用全连接层处理该数据T，全连接层输出数据：
Figure 286672DEST_PATH_IMAGE011
，其中，
Figure 335400DEST_PATH_IMAGE012
为温度控制指令，其中
Figure 704064DEST_PATH_IMAGE013
为温度控制指令。
在本实施例中，损失函数的表达式为：
Figure 878298DEST_PATH_IMAGE014
其中，
Figure 383229DEST_PATH_IMAGE015
表示计算结果，
Figure 806120DEST_PATH_IMAGE016
表示标签数据；所述cosh（）表示双曲余弦函数。
第二步，收集烟叶及烤房的原始数据，并预设采样周期；所述原始数据包括烟叶图像、温度湿度数据及含水率数据。其中，含水率数据的表达式为：
Figure 786714DEST_PATH_IMAGE017
其中，
Figure 359778DEST_PATH_IMAGE018
表示烘烤初始状态烟叶重量，
Figure 375008DEST_PATH_IMAGE019
表示烘烤过程烟叶实时重量，
Figure 640904DEST_PATH_IMAGE020
表示含水率。
第三步，过滤烟叶图像，并剔除局部高亮的数据单例。在本实施例中，采用局部高亮判定算法进行高亮判断，其包括：
将烟叶图像划分为
Figure 843215DEST_PATH_IMAGE021
个网格；
求得任一网格的亮度值
Figure 485549DEST_PATH_IMAGE022
，其表达式为：
Figure 292968DEST_PATH_IMAGE023
其中，
Figure 854399DEST_PATH_IMAGE024
分别表示该网格内的像素值，
Figure 419373DEST_PATH_IMAGE025
分别表示该网格的宽度（像素）和高度（像素）；
求得整张烟叶图像的平均亮度值
Figure 724452DEST_PATH_IMAGE026
，其表达式为：
Figure 324061DEST_PATH_IMAGE027
预设亮度差阈值
Figure 262586DEST_PATH_IMAGE028
；
若
Figure 439489DEST_PATH_IMAGE029
，则该烟叶图像中存在高亮度区域。
第四步，将烟叶图像与含水率的集合结合并以温湿度为标签值构建结构化的训练数据集。在本实施例中，将含水率数据和烟叶图像共同作为输入，温湿度作为输出（也就是标签值）。训练前，每次采集图片数据的同是就能够自动采集含水率数据和温湿度。训练完成的网络以图片和含水率共同作为自变量输入，以温湿度作为因变量输出。
第五步，采用训练数据集对改进性多尺度resnet-34残差网络进行迭代训练，当连续两次的损失变化值低于迭代阈值，则停止收敛训练，得到训练后的改进性多尺度resnet-34残差网络。
第六步，将待烘烤控制的当前的烟叶图像、温度湿度数据及含水率数据输入至训练后的改进性多尺度resnet-34残差网络，得到烘烤过程中的温湿度控制信号。
在本实施例中，若该网络对温湿度判定由偏差或烘烤对象品种或烘烤工艺由微调，则重新收集数据后再微调深度学习网络，具体如下：
（1）冻结第一卷积层、第二卷积层、第四至第九卷积层、第十二至十九卷积层、第二十四至第二十七 卷积层的参数；
（2）使用采集到的数据进行训练，训练轮数：50epoch，每批数据128张图片，初始学习率：0.005，40个epoch后降低为0.001。
（3）训练后，便可使用该网络模型。
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而作出的变化，均应属于本发明的保护范围之内。

Claims (10)

1.烟叶烘烤控制方法，其特征在于，包括以下步骤：
搭建待训练的改进性多尺度resnet-34残差网络，并预设迭代阈值，并添加损失函数；
收集烟叶及烤房的原始数据，并预设采样周期；所述原始数据包括烟叶图像、温度湿度数据及含水率数据；
过滤烟叶图像，并剔除局部高亮的数据单例；
将烟叶图像与含水率的集合结合并以温湿度为标签值构建结构化的训练数据集；
采用训练数据集对改进性多尺度resnet-34残差网络进行迭代训练，得到训练后的改进性多尺度resnet-34残差网络；
将待烘烤控制的当前的烟叶图像、温度湿度数据及含水率数据输入至训练后的改进性多尺度resnet-34残差网络，得到烘烤过程中的温湿度控制信号。
2.根据权利要求1所述的烟叶烘烤控制方法，其特征在于，所述含水率数据的表达式为：
Figure 435650DEST_PATH_IMAGE001
其中，
Figure 883949DEST_PATH_IMAGE002
表示烘烤初始状态烟叶重量，
Figure 929265DEST_PATH_IMAGE003
表示烘烤过程烟叶实时重量，
Figure 714688DEST_PATH_IMAGE004
表示含水率。
3.根据权利要求1所述的烟叶烘烤控制方法，其特征在于，所述改进性多尺度resnet-34残差网络由第一支路、第二支路、第三支路、第四支路和全连接层组成；所述第一支路由依次连接的第一卷积层、第二卷积层、第三卷积层和第一平均池化层组成；所述第二支路由第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层和第二平均池化层组成；所述第三支路由第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层、第十七卷积层、第十八卷积层、第十九卷积层、第二十卷积层、第二十一卷积层、第二十二卷积层、第二十三卷积层和第三平均池化层组成；第四支路由第二十四卷积层、第二十五卷积层、第二十六卷积层、第二十七卷积层、第二十八卷积层、第二十九卷积层和第四平均池化层组成；
所述第四卷积层的输入与第一卷积层的输出连接；所述第十二卷积层的输入与第九卷积层和第十一卷积层连接；所述第二十四卷积层的输入与二十一卷积层和第二十三卷积层连接；所述第一平均池化层、第二平均池化层、第三平均池化层和第四平均池化层的与全连接层连接；任一卷积层后串联连接有BN层和RELU层。
4.根据权利要求1或3所述的烟叶烘烤控制方法，其特征在于，所述损失函数的表达式为：
Figure DEST_PATH_IMAGE005
其中，
Figure 325797DEST_PATH_IMAGE006
表示计算结果，
Figure 554785DEST_PATH_IMAGE007
表示标签数据；所述cosh（）表示双曲余弦函数。
5.根据权利要求4所述的烟叶烘烤控制方法，其特征在于，采用训练数据集对改进性多尺度resnet-34残差网络进行迭代训练，当连续两次的损失变化值低于迭代阈值，则停止收敛训练，得到训练后的改进性多尺度resnet-34残差网络。
6.根据权利要求1所述的烟叶烘烤控制方法，其特征在于，还包括：
采用局部高亮判定算法进行高亮判断，其包括：
将烟叶图像划分为
Figure 352976DEST_PATH_IMAGE008
个网格；
求得任一网格的亮度值
Figure 942090DEST_PATH_IMAGE009
，其表达式为：
Figure 142127DEST_PATH_IMAGE010
其中，
Figure 401070DEST_PATH_IMAGE011
分别表示该网格内的像素值，
Figure 561924DEST_PATH_IMAGE012
分别表示该网格的宽度和高度；
求得整张烟叶图像的平均亮度值
Figure 830094DEST_PATH_IMAGE013
，其表达式为：
Figure 6342DEST_PATH_IMAGE014
预设亮度差阈值
Figure 967345DEST_PATH_IMAGE015
；
若
Figure 349916DEST_PATH_IMAGE016
，则该烟叶图像中存在高亮度区域。
7.一种烟叶烘烤控制的装置，其特征在于，包括：
网络搭建模块，搭建待训练的改进性多尺度resnet-34残差网络，并预设迭代阈值，并添加损失函数；
原始数据采集模块，收集烟叶及烤房的原始数据，并预设采样周期；所述原始数据包括烟叶图像、温度湿度数据及含水率数据；
图像预处理模块，与原始数据采集模块连接，过滤烟叶图像，并剔除局部高亮的数据单例；
训练数据集模块，与图像预处理模块和原始数据采集模块连接，将烟叶图像与含水率的集合结合并以温湿度为标签值构建结构化的训练数据集；
训练模块，与网络搭建模块和训练数据集模块连接，采用训练数据集对改进性多尺度resnet-34残差网络进行迭代训练，得到训练后的改进性多尺度resnet-34残差网络；
控制模块，与训练模块连接，将待烘烤控制的当前的烟叶图像、温度湿度数据及含水率数据输入至训练后的改进性多尺度resnet-34残差网络，得到烘烤过程中的温湿度控制信号。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的烟叶烘烤控制方法。
9.一种可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至6任一项所述的烟叶烘烤控制方法的步骤。
10.一种烟叶烘烤装置，其特征在于，采用权利要求1至6任一项所述的烟叶烘烤控制方法；所述烟叶烘烤装置包括：透明材质的装烟室（1），设置在装烟室（1）内的加热室（2），设置在装烟室（1）的顶部的上支架（15），开设在装烟室（1）上、且与加热室（2）连通的数个风口（6），设置在加热室（2）的中部的隔板（4），镶嵌在隔板（4）上的热风循环机（3），开设在加热室（2）的内侧、且与装烟室（1）连接的数个通风口（5），悬挂在上支架（15）上、且贯穿装烟室（1）的顶部设置的重量测定传感器（10），与重量测定传感器（10）连接的烟叶挂架（9），镶嵌在装烟室（1）上的温湿度传感器（11）和橡胶手套（8），设置在风口（6）上、并进行开关控制的风口由舵机（7），相对设置、并朝向烟叶挂架（9）上悬挂的烟叶的一对图像采集机构，以及与热风循环机（3）、风口由舵机（7）、重量测定传感器（10）、温湿度传感器（11）和图像采集机构电气连接的控制器；
所述图像采集机构包括固定在装烟室（1）的底部的可调式图像采集支架（12），以及设置在可调式图像采集支架（12）上、且朝向烟叶挂架（9）上悬挂的烟叶的相机（13）和补光灯（14）。
CN202211300097.9A 2022-10-24 2022-10-24 烟叶烘烤控制方法、装置、电子设备及可读存储介质 Active CN115462550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211300097.9A CN115462550B (zh) 2022-10-24 2022-10-24 烟叶烘烤控制方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211300097.9A CN115462550B (zh) 2022-10-24 2022-10-24 烟叶烘烤控制方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN115462550A true CN115462550A (zh) 2022-12-13
CN115462550B CN115462550B (zh) 2024-07-05

Family

ID=84337838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211300097.9A Active CN115462550B (zh) 2022-10-24 2022-10-24 烟叶烘烤控制方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN115462550B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013192200A (ja) * 2012-02-14 2013-09-26 Jvc Kenwood Corp 画像処理装置、画像処理方法、画像処理プログラム
CN204907891U (zh) * 2015-07-30 2015-12-30 河南省农业科学院 一种新型烤烟烘烤特性测试专用烤箱
CN110771940A (zh) * 2019-11-29 2020-02-11 浙江工业大学 一种基于物联网与深度学习的智能烟叶烘烤控制系统及方法
US20200154145A1 (en) * 2018-11-08 2020-05-14 Alibaba Group Holding Limited Content-weighted deep residual learning for video in-loop filtering
WO2020215676A1 (zh) * 2019-04-26 2020-10-29 平安科技（深圳）有限公司 基于残差网络的图像识别方法、装置、设备及存储介质
CN112163527A (zh) * 2020-09-29 2021-01-01 华中科技大学 一种基于融合模型的烟叶烘烤状态识别方法、装置和系统
CN112818827A (zh) * 2021-01-28 2021-05-18 贵州省烟草科学研究院 基于图像识别的烟叶烘烤过程中阶段控温点的判断方法
CN113002816A (zh) * 2021-02-23 2021-06-22 湖北省烟草科学研究院 一种烤烟烘烤工艺智能控制方法
CN113080500A (zh) * 2021-04-01 2021-07-09 深圳九章聚源人工智能科技有限公司 一种基于神经网络的烟叶烘烤方法、系统及其相关组件
WO2021162644A1 (en) * 2020-02-12 2021-08-19 Gorenje,D.O.O. Environmental control system suitable to operate at high temperatures for transient conditions with controled condensation effect
CN114997463A (zh) * 2022-04-25 2022-09-02 华中科技大学 一种基于模型融合的烤烟工艺阶段预测方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013192200A (ja) * 2012-02-14 2013-09-26 Jvc Kenwood Corp 画像処理装置、画像処理方法、画像処理プログラム
CN204907891U (zh) * 2015-07-30 2015-12-30 河南省农业科学院 一种新型烤烟烘烤特性测试专用烤箱
US20200154145A1 (en) * 2018-11-08 2020-05-14 Alibaba Group Holding Limited Content-weighted deep residual learning for video in-loop filtering
WO2020215676A1 (zh) * 2019-04-26 2020-10-29 平安科技（深圳）有限公司 基于残差网络的图像识别方法、装置、设备及存储介质
CN110771940A (zh) * 2019-11-29 2020-02-11 浙江工业大学 一种基于物联网与深度学习的智能烟叶烘烤控制系统及方法
WO2021162644A1 (en) * 2020-02-12 2021-08-19 Gorenje,D.O.O. Environmental control system suitable to operate at high temperatures for transient conditions with controled condensation effect
CN112163527A (zh) * 2020-09-29 2021-01-01 华中科技大学 一种基于融合模型的烟叶烘烤状态识别方法、装置和系统
CN112818827A (zh) * 2021-01-28 2021-05-18 贵州省烟草科学研究院 基于图像识别的烟叶烘烤过程中阶段控温点的判断方法
CN113002816A (zh) * 2021-02-23 2021-06-22 湖北省烟草科学研究院 一种烤烟烘烤工艺智能控制方法
CN113080500A (zh) * 2021-04-01 2021-07-09 深圳九章聚源人工智能科技有限公司 一种基于神经网络的烟叶烘烤方法、系统及其相关组件
CN114997463A (zh) * 2022-04-25 2022-09-02 华中科技大学 一种基于模型融合的烤烟工艺阶段预测方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
J. WU AND S. X. YANG: "Modeling of the Bulk Tobacco Flue-Curing Process Using a Deep Learning-Based Method", 《IEEE ACCESS》, vol. 9, 13 October 2021 (2021-10-13), pages 140424 - 140436, XP011883878, DOI: 10.1109/ACCESS.2021.3119544 *
于开平等: "工艺环境介质氛围对初烤烟叶化学特性的影响研究", 《云南农业大学学报(自然科学)》, vol. 32, no. 3, 30 June 2017 (2017-06-30), pages 482 - 487 *
吕朋翔;李天伟;戴远涛;: "基于UG的组合式活动烤烟房三维设计", 赤子(中旬), no. 02, 25 February 2014 (2014-02-25) *
杜晓冬等: "典型猪舍光环境下机器视觉图像量化评价及筛选", 《农业工程学报》, vol. 33, no. 2, 31 January 2017 (2017-01-31), pages 213 - 217 *

Also Published As

Publication number Publication date
CN115462550B (zh) 2024-07-05

Similar Documents

Publication Publication Date Title
CN110143498A (zh) 一种电梯乘梯行程的目标匹配方法及系统
CN115462550A (zh) 烟叶烘烤控制方法、装置、电子设备及可读存储介质
Cappellini et al. An intelligent system for automatic fire detection in forests
CN109298134A (zh) 一种嵌入式电子鼻检测系统及检测方法
CN113424979A (zh) 基于物理特性及物理运动特性的松散回潮来料水分预测方法
CN113674280A (zh) 一种电站锅炉炉膛温度测量方法
CN102389291A (zh) 一种实验动物体征信息采集分析系统与采集分析的方法
CN114182509A (zh) 用于衣物处理设备的衣物判干方法、装置及衣物处理设备
CN109610138A (zh) 一种智能衣架的控制方法及系统
CN108387534A (zh) 测定植株含水量方法和装置
CN109059205A (zh) 空调控制方法和系统
CN106289887B (zh) 一种电子鼻仿生呼吸采样方法
CN111322984A (zh) 海拔高度计算方法及装置、无人机、存储介质
CN208338478U (zh) 一种智能大棚监测系统
JPWO2021015249A5 (zh)
CN206212381U (zh) 基于虚拟现实设备使用状态的室内照明控制系统
CN214962117U (zh) 一种带有双摄识别吸附式病媒生物情测报装置
CN208367564U (zh) 一种智能化农业环境测控装置
CN112970605B (zh) 一种啮齿类动物强迫游泳智能化实验装置
CN113390833A (zh) 基于多重检测方式的脆李成熟度判断方法
CN205686828U (zh) 一种智能滤波自动化抽真空容器盖
WO2024108684A1 (zh) 一种雪茄烟晾制阶段含水率预测模型构建方法及系统
CN208059953U (zh) 一种误差小的浮子流量计
CN213881736U (zh) 一种空气源热泵网箱烤房用智能监控设备
KR20220010374A (ko) 스마트 엣지 디바이스 기반의 생육 분석 방법 및 그를 위한 장치 및 시스템

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