CN117557529A - 一种烟叶仓储内质量信息获取方法 - Google Patents

一种烟叶仓储内质量信息获取方法 Download PDF

Info

Publication number
CN117557529A
CN117557529A CN202311541176.3A CN202311541176A CN117557529A CN 117557529 A CN117557529 A CN 117557529A CN 202311541176 A CN202311541176 A CN 202311541176A CN 117557529 A CN117557529 A CN 117557529A
Authority
CN
China
Prior art keywords
tobacco
image information
quality
tobacco leaf
warehouse
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.)
Pending
Application number
CN202311541176.3A
Other languages
English (en)
Inventor
叶志晖
王宏铝
武健
赵炯平
赵晓忠
吴蔡楠
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.)
China Tobacco Zhejiang Industrial Co Ltd
Original Assignee
China Tobacco Zhejiang Industrial Co Ltd
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 China Tobacco Zhejiang Industrial Co Ltd filed Critical China Tobacco Zhejiang Industrial Co Ltd
Priority to CN202311541176.3A priority Critical patent/CN117557529A/zh
Publication of CN117557529A publication Critical patent/CN117557529A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • 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
    • G06T2207/20—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
    • 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
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Analytical Chemistry (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Manufacture Of Tobacco Products (AREA)

Abstract

本发明公开了烟叶仓储质量管理技术领域的一种烟叶仓储内质量信息获取方法，旨在解决质量信息价值低、数据量庞杂、难以做到实时监控技术问题。其包括：烟叶仓储内质量信息简化为定级，并针对不同检测层级的质量检测要求提供质量检测反馈，简化了管理层的数据量，提高了质量信息价值，高价值质量信息便于管理层快速反应与决策，同时将海量的烟叶仓储内质量信息精简提炼价值便于对烟叶仓储实时监控。

Description

一种烟叶仓储内质量信息获取方法
技术领域
本发明涉及一种烟叶仓储内质量信息获取方法及烟叶仓储内质量信息获取系统，属于烟叶仓储质量管理技术领域。
背景技术
在现有技术中，获取烟叶仓储质量信息的方式主要包括：由烟草质检人员定期对烟叶进行抽样检测，通过观察烟叶的颜色、气味、质地等指标来判断其质量；这种方法主观性较强，精度和效率较低，且信息量庞大。随着科技的发展，一些专门的仪器被用于烟叶质量的检测，如红外光谱仪、近红外光谱仪等。这些仪器可以通过分析烟叶的化学成分、水分含量等指标来快速准确地判断烟叶的质量。但现有的烟叶仓储内质量信息获取方法只能获取原始数据或对数据进行简单处理，数据量庞大不能直观地向管理层给出高价值信息，不利于对仓储管理的快速决策，也由于数据量大无法实现烟叶仓储质量的实时监控。
发明内容
本公开实施例的目的在于克服现有技术中的不足，提供一种提高质量信息价值、降低数据量、易于实时监控的烟叶仓储内质量信息获取方法和系统。
为达到上述目的，本公开是采用下述技术方案实现的：
第一方面，本公开实施例提供一种烟叶仓储内质量信息获取方法，
获取仓储环境指数和烟叶图像信息；
将不同检测层级的质量检测要求与仓储环境指数和烟叶图像信息进行对比；
将烟叶图像信息输入训练好的深度学习神经网络模型中定级；
可视化输出烟叶图像信息的定级结果和不同检测层级的质量检测反馈。
在第一方面的一些实施例中，
仓储环境指数，包括：仓储温度、湿度或空气质量。
在第一方面的一些实施例中，
获取烟叶图像信息，包括，
对烟叶图像特征进行提取；
找出不清晰像素；
使用不清晰像素的多个邻近像素的均值替代不清晰像素的像素值。
在第一方面的一些实施例中，
检测层级包括：工位自检层级、班组质检层级、车间质检层级和交接质检层级。
在第一方面的一些实施例中，
将烟叶图像信息输入训练好的深度学习神经网络模型中定级，包括，
将训练用图像数据集输入深度学习神经网络模型进行训练，获取不同组的权重；
将验证用图像数据集输入深度学习神经网络模型，加载不同组的权重，根据定级结果选择最优权重组；
将烟叶图像信息输入深度学习神经网络模型并加载最优权重组，获取定级结果。
在第一方面的一些实施例中，
训练用图像数据集获取方法，包括：
获取已定级的烟叶图像信息并进行预处理；
将定级作为数据标签标注已定级的烟叶图像信息；
预处理已定级的烟叶图像信息的方法至少包括以下之一：
使用直方图筛选法强调已定级的烟叶图像信息中的高频信息，同时剔除无用的图像数据；
将已定级的烟叶图像信息从RGB空间变换到HSV空间，在HSV空间对已定级的烟叶图像信息的色调、饱和度以及亮度采用控制变量法进行处理，再已定级的烟叶图像信息由HSV空间转换为RGB空间；
使用DeblurGAN-v2模块对已定级的烟叶图像信息去模糊；
已定级的烟叶图像信息进行旋转、翻转及裁剪。
在第一方面的一些实施例中，
将训练用图像数据集输入深度学习神经网络模型进行训练，获取不同组的权重，包括：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，训练图像数据集，得到不同组的权重；
卷积神经网络包括卷积层、激活层、池化层和全连接层；其中，卷积层用于特征提取，激活层用于非线性转换，池化层用于降低图像分辨率，全连接层用于完成已定级的烟叶图像信息到数据标签的映射；
卷积残差块的shortcut路径包括CONV2D层和BatchNorm层，CONV2D层用于将shortcut路径中图像信息调整至与主路径相应的尺寸。
在第一方面的一些实施例中，
将验证用图像数据集输入深度学习神经网络模型，加载不同组的权重，根据定级结果选择最优权重组，包括：
获取已定级的烟叶图像信息及其定级；
将已定级的烟叶图像信息输入深度学习神经网络模型；
加载不同组的权重；
获取加载了不同的组的权重下，对比深度学习神经网络模型输出的定级结果与已定级的烟叶图像信息的定级；
根据筛选标准选择最优对比结果对应的权重组；
筛选标准包括：最高精度、最低错误率或召回率。
在第一方面的一些实施例中，
可视化输出烟叶图像信息的定级结果和不同检测层级的质量检测反馈，包括：
将不同检测层级的质量检测反馈推送至每个层级的上一层级的用户终端。
第二方面，本公开实施例还提供一种烟叶仓储内质量信息获取系统，包括：
主控模块；
与所述主控模块信号连接的仓储环境检测模块，用于获取仓储环境指数；
与所述主控模块信号连接的烟叶图像采集模块：用于获取烟叶图像信息；
与所述主控模块信号连接的烟叶质量检测模块：用于将不同检测层级的质量检测要求与仓储环境指数和烟叶图像信息进行对比；
与所述主控模块信号连接的烟叶定级模块：用于将烟叶图像信息输入训练好的深度学习神经网络模型中定级；
与所述主控模块信号连接的显示模块：用于可视化输出烟叶图像信息的定级结果和不同检测层级的质量检测反馈。
与现有技术相比，本公开实施例所达到的有益效果：
本公开实施例提供的烟叶仓储内质量信息获取方法，将烟叶仓储内质量信息简化为定级，并针对不同检测层级的质量检测要求提供对应的质量检测反馈，简化了每个管理层的数据量，提高了管理人员获取的质量信息的价值，高价值质量信息便于管理层快速反应与决策，同时将海量的烟叶仓储内质量信息精简提炼价值便于人员或监控系统对烟叶仓储实时监控；
本公开实施例提供的烟叶仓储内质量信息系统可满足烟叶仓储内质量信息获取方法的执行，提高了质量信息价值，高价值质量信息便于管理层快速反应与决策，同时将海量的烟叶仓储内质量信息精简提炼价值便于对烟叶仓储实时监控。
附图说明
图1是本发明实施例提供的烟叶仓储内质量信息获取方法的流程图；
图2是本发明实施例提供的烟叶仓储内质量信息获取系统的连接框图；
图中：1、烟叶图像采集模块；2、仓储环境检测模块；3、主控模块；4、温控模块；5、烟叶质量检测模块；6、烟叶定级模块；7、警报模块；8、显示模块。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
本文中术语“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。另外，本文中字符"/"，一般表示前后关联对象是一种“或”的关系。
实施例一
图1是本发明实施例一中的一种烟叶仓储内质量信息获取方法的流程图。本流程图仅仅示出了本实施例所述方法的逻辑顺序，在互不冲突的前提下，在本发明其它可能的实施例中，可以以不同于图1所示的顺序完成所示出或描述的步骤。
本实施例提供的烟叶仓储内质量信息获取方法可应用于终端，参考图2，还可以由本发明实施例另外提供的烟叶仓储内质量信息获取系统来执行，该系统可以由软件和/或硬件的方式实现，该系统可以集成在终端中。参见图1，本实施的方法具体包括如下步骤：
获取仓储环境指数和烟叶图像信息；
可选的，在一个实施例中仓储环境检测模块2获取仓储环境指数，仓储环境指数是指通过检测和记录仓库内环境因素（如温度、湿度、气体浓度等），仓储环境检测模块2可以包括温度传感器、湿度传感器、空气质量检测器、烟雾传感器、漏水（漏液）传感器、压力传感器和红外探测器，仓储环境检测模块2与主控模块3信号连接，仓储环境检测模块2可将仓储环境指数发送至主控模块3；可选的，在一个实施例中烟叶图像采集模块1与主控模块3信号连接获取烟叶图像信息，烟叶图像采集模块1可以采用仓储内的监控摄像机，烟叶图像采集模块1可将烟叶图像信息发送至主控模块3。
将不同检测层级的质量检测要求与仓储环境指数和烟叶图像信息进行对比；
不同检测层级的质量检测要求的严格程度不一样，将仓储环境指数和烟叶图像信息分别与各个检测层级的质量检测要求进行对比获取每个层级高度可用的质量检测反馈，将仓储环境指数和烟叶图像信息优化为质量检测反馈（可选的，在一个实施例中质量检测反馈为结论或部分结论），提高了质量信息的价值，这种数据的选择性转化降低了垃圾数据量；可选的，在一个实施例中烟叶质量检测模块5与主控模块3信号连接将不同检测层级的质量检测要求与仓储环境指数和烟叶图像信息进行对比。
将烟叶图像信息输入训练好的深度学习神经网络模型中定级；
烟叶图像信息相比于仓储环境指数和烟叶图像信息，难以直接进行比较生产反馈数据，因此采用训练好的深度学习神经网络模型对烟叶图像信息进行评判定级，将烟叶图像信息转化为直接可用的定级数据提高了质量信息的价值且剔除了垃圾无用信息；且通过将烟叶图像信息和定级结果可视化输出，可以方便地进行质量追溯和管理。管理人员可以实时了解仓储内烟叶的质量状况，进行相应的管理决策，如调整仓储环境、进行质量预警等，以保持烟叶的质量和安全性；可选的，在一个实施例中烟叶定级模块6与主控模块3信号连接，将烟叶图像信息输入训练好的深度学习神经网络模型中定级
可视化输出烟叶图像信息的定级结果和不同检测层级的质量检测反馈，对于不同检测层级的管理人员，将烟叶图像信息的定级结果和对应的质量检测反馈作为质量信息，可以帮助管理人员更直观地了解烟叶仓储内质量信息，以便进行有效的管理和利用，避免了在庞杂的质量信息中寻找高质量信息和剔除垃圾信息造成管理资源浪费；可选的，在一个实施例中显示模块8与主控模块3信号连接，用于可视化输出烟叶图像信息的定级结果和不同检测层级的质量检测反馈，由于仓储环境检测模块2和烟叶图像采集模块1也与主控模块3信号连接，因此显示模块8还可以输出仓储环境指数和烟叶图像信息，显示模块8可采用移动终端，进一步地可对不同检测层级的显示模块8输出对应所需的质量检测反馈。
现有技术通过人工或简单的数据管理功能搜集与整理烟叶仓储的质量信息，管理人员根据仓储环境指数和烟叶图像信息对烟叶仓储的重要信息进行评价。相较于现有的烟叶仓储内质量信息获取方法，本实施例提供的烟叶仓储内质量信息获取方法和烟叶仓储内质量信息获取系统将原始的充满低价值信息和垃圾信息的仓储环境指数和烟叶图像信息提炼为烟叶图像信息的定级结果和不同检测层级的质量检测反馈，提高了烟叶仓储内质量信息的信息价值、直观性，降低了质量信息的数据量，效率高且便于不同检测层级管理人员根据烟叶图像信息的定级结果和质量检测反馈处理与决策，避免了不同检测层级管理人员寻找适合本检测层级的质量信息并评判的过程，减少了人工参与定级的环节，提高了定级准确率，降低了人力成本，同时提高了定级的效率和准确性，定级结果符合在深度学习神经网络模型设定的最优的筛选条件，同时通过将烟叶图像信息和定级结果与不同检测层级的质量检测反馈信息关联起来，可以实现质量追溯和管理，方便了对烟叶仓储内质量的管理和监控。
参考图2，本实施例提供的烟叶仓储内质量信息获取系统，主控模块3分别与烟叶图像采集模块1、仓储环境检测模块2、烟叶质量检测模块5、烟叶定级模块6和显示模块8型号连接，用于控制各个模块正常工作和数据交换，本实施例提供的烟叶仓储内质量信息获取系统可用于执行以本实施例为例的烟叶仓储内质量信息获取方法。
实施例二
本实施例提供一种烟叶仓储内质量信息获取方法和烟叶仓储内质量信息获取系统，基于实施例一提供的烟叶仓储内质量信息获取方法和烟叶仓储内质量信息获取系统进行改进以优化技术效果，未详尽之处请见实施例一、图1和图2。
参考图1所示的步骤，在本实施例提供的烟叶仓储内质量信息获取方法中，获取仓储环境指数，包括：获取仓储温度、湿度或空气质量；参考图2，在烟叶仓储内质量信息获取方法的改进的基础上可设置与主控模块3信号连接的温控模块4，用于对烟叶仓储内温度进行控制，设定一个仓储最佳温度，主控模块3通过仓储环境检测模块2获取温度数据，将当前的温度数据与设定的仓储最佳温度进行对比
若当前温度大于仓储最佳温度，则启动温控模块4进行降温；
若当前温度小于仓储最佳温度，则启动温控模块4进行升温。
还可进行仓储湿度与空气质量等其余仓储环境指数的调整，在此不再赘述。
参考图2，与主控模块3信号连接的警报模块7，用于对仓储内异常仓储环境指数进行警报，由于显示模块8也与主控模块3信号连接，可通过显示模块8显示警报。
本实施例提供的烟叶仓储内质量信息获取系统，主控模块3分别与烟叶图像采集模块1、仓储环境检测模块2、温控模块4、烟叶质量检测模块5、烟叶定级模块6、警报模块7和显示模块8型号连接，用于控制各个模块正常工作和数据交换。
在本实施例中，
获取烟叶图像信息，包括：
对烟叶图像特征进行提取；
可选地，在一个实施例中可使用主控模块3对烟叶图像采集模块1的烟叶图像与定级有关的特征进行提取。
找出不清晰像素；
使用不清晰像素的多个邻近像素的均值替代不清晰像素的像素值；通过替换不清晰像素的像素值，可以减小图像中的噪声和干扰，从而提高图像的质量；同时在深度学习神经网络模型中，需要对大量的图像数据进行处理，如果图像中存在大量的不清晰像素，会大大增加计算量和处理时间。通过使用邻近像素的均值替代不清晰像素的像素值，可以减少不清晰像素的数量，从而减少计算量和处理时间；烟叶仓储内环境因素的变化可能会导致烟叶图像中出现不清晰像素，通过使用邻近像素的均值替代不清晰像素的像素值，可以增强系统的鲁棒性，提高系统对环境变化的适应能力。
而进行将不同检测层级的质量检测要求与仓储环境指数和烟叶图像信息进行对比时，检测层级包括：工位自检层级、班组质检层级、车间质检层级和交接质检层级。从工位自检层级→班组质检层级→车间质检层级→交接质检层级的检测层级逐级上升，质量检测要求的严格程度也逐级上升，因此本实施例在可视化输出烟叶图像信息的定级结果和不同检测层级的质量检测反馈时除了向对应检测层级推送质量检测反馈还将不同检测层级的质量检测反馈推送至每个层级的上一层级的用户终端，以便于上一层级的检测层级对下一层级的质量检测反馈进行抽检，比如将工位自检层级的质量检测反馈发送至工位自检层级的终端设备时一并抄送至班组质检层级的终端设备，便于班组质检层级对工位自检层级的质量检测反馈进行抽查，此举提高了工作效率和质量信息的价值。可选地，在一些实施例中质量检测反馈包括：分别对每个工位记录的仓储中烟叶质量检测数据（比如仓储环境指数和烟叶图像信息是否符合质量检测要求）进行分析，根据仓储中烟叶出现不合格的原因，确定每个工位需要关注的信息，或者，分别对每个批次记录的仓储中烟叶质量检测数据进行分析，根据仓储中烟叶出现不合格的原因，确定所述预定批次的仓储中烟叶在操作过程中需关注的信息。
在本实施例中，将烟叶图像信息输入训练好的深度学习神经网络模型中定级，包括，
将训练用图像数据集输入深度学习神经网络模型进行训练，获取不同组的权重；这个阶段的目的是训练深度学习神经网络模型，深度学习神经网络模型通过训练用图像数据集调整其内部的重要参数（比如权重）；训练用图像数据集获取方法，包括：
获取已定级的烟叶图像信息并进行预处理；
将定级作为数据标签标注已定级的烟叶图像信息；
预处理已定级的烟叶图像信息的方法至少包括以下之一：
数据清洗，使用直方图筛选法强调已定级的烟叶图像信息中的高频信息，同时剔除无用的图像数据；可将数据清洗之后的烟叶图像信息据按一定的比例分配并进行相应的人工/机器（半监督或无监督学习方法进行）标注，以构建图像数据集；
图像增强，将已定级的烟叶图像信息从RGB空间变换到HSV空间，在HSV空间对已定级的烟叶图像信息的色调、饱和度以及亮度采用控制变量法进行处理，再已定级的烟叶图像信息由HSV空间转换为RGB空间；
数据去模糊，使用DeblurGAN-v2模块对已定级的烟叶图像信息去模糊；
数据增强，已定级的烟叶图像信息进行旋转、翻转及裁剪。
经过上述处理，提高烟叶图像信息的质量和可靠性，构建高质量的图像数据集，改善图像的质量和清晰度，增加数据的多样性和丰富性，有助于提高模型训练和测试的准确性和可靠性。
将验证用图像数据集输入深度学习神经网络模型，加载不同组的权重，根据定级结果选择最优权重组；这个阶段的目的是验证深度学习神经网络模型的性能与可靠性，验证用图像数据集不同于训练用图像数据集，验证用图像数据集是受过训练的深度学习神经网络模型“未见过”的（且“不告诉”深度学习神经网络模型它们的“定级”数据标签），将验证用图像数据集输入深度学习神经网络模型同时加载不同组的权重再获取验证用图像数据集中烟叶图像信息（已定级但未输入深度学习神经网络模型）的定级结果与它们的真实定级进行比较（用深度学习神经网络模型产生的从验证用图像数据集里面的烟叶图像信息到“定级”的映射去比较验证用图像数据集在之前（验证步骤前）已经标注好的“定级”数据标签），根据要求确定出最优的权重组。为了防止深度学习神经网络模型的过拟合（即模型在训练用图像数据集上表现好，但在验证用图像数据集上表现差），通常不直接使用在训练用图像数据集上性能最好的权重组，而是使用在验证用图像数据集上性能最好的权重组。
训练用图像数据集和验证用图像数据集可通过外部输入烟叶定级模块6训练和验证确定出最优的权重组或直接将训练好的深度学习神经网络模型和最优的权重组输入烟叶定级模块6。
将验证用图像数据集输入深度学习神经网络模型，加载不同组的权重，根据定级结果选择最优权重组，还包括：获取已定级的烟叶图像信息及其定级；将已定级的烟叶图像信息输入深度学习神经网络模型（定级保留，不作为烟叶图像信息的数据标签输入深度学习神经网络模型中）；加载不同组的权重；获取加载了不同的组的权重下，对比深度学习神经网络模型输出的定级结果与已定级的烟叶图像信息的定级（保留的定级）；根据筛选标准选择最优对比结果对应的权重组；筛选标准包括：最高精度、最低错误率或召回率；例如，如果关心的是所有深度学习神经网络模型输出的定级结果中正确的比例，我们会选择最高精度作为度量筛选标准去筛选不同组的权重，如果关心的是深度学习神经网络模型输出的定级结果中实际正例被正确预测的比例，可以选择召回率作为筛选标准。
将烟叶图像信息输入深度学习神经网络模型并加载最优权重组，获取定级结果；既，主控模块3将烟叶图像采集模块1获取的烟叶仓储内未定级的烟叶图像信息输入烟叶定级模块6中，加载最优的权重组，根据最优的权重组从烟叶定级模块6中获取深度学习神经网络模型输出的从烟叶图像信息到定级的映射结果。
将训练用图像数据集输入深度学习神经网络模型进行训练，获取不同组的权重，包括：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，训练图像数据集，得到不同组的权重；通过引入卷积残差块，可以使模型在训练过程中更稳定，减少过拟合和欠拟合的问题。残差连接可以有效地解决深度神经网络中的梯度消失或爆炸问题，使得模型能够更有效地学习到数据的复杂特征。
卷积神经网络包括卷积层、激活层、池化层和全连接层；其中，卷积层用于特征提取，激活层用于非线性转换，池化层用于降低图像分辨率，全连接层用于完成已定级的烟叶图像信息到数据标签的映射。
卷积残差块的shortcut路径包括CONV2D层和BatchNorm层，CONV2D层用于将shortcut路径中图像信息调整至与主路径相应的尺寸；卷积残差块中的shortcut路径允许信息直接传递到后面的层中，使得网络可以更轻松地学习复杂的特征。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，这种机制增加了模型的表达能力，使得模型能够更好地捕捉到数据中的复杂特征。
本实施例通过烟叶质量检测模块5获取用户终端设备（比如显示模块8）记录的按照各检测层级的仓储中烟叶质量检测要求，检测得到的仓储环境指数和烟叶图像信息，并对仓储环境指数和烟叶图像信息进行分析，生成准确的烟叶图像信息的定级结果和不同检测层级的质量检测反馈，降低了烟叶仓储的质量信息的信息量，提高了质量信息的价值，将各种烟叶图像和传感器信息提炼为可读性高的定级结果和不同检测层级的质量检测反馈；同时，通过烟叶定级模块6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；提高烟叶定级准确性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种烟叶仓储内质量信息获取方法，其特征是，
获取仓储环境指数和烟叶图像信息；
将不同检测层级的质量检测要求与仓储环境指数和烟叶图像信息进行对比；
将烟叶图像信息输入训练好的深度学习神经网络模型中定级；
可视化输出烟叶图像信息的定级结果和不同检测层级的质量检测反馈。
2.根据权利要求1所述的烟叶仓储内质量信息获取方法，其特征是，
仓储环境指数，包括：仓储温度、湿度或空气质量。
3.根据权利要求1所述的烟叶仓储内质量信息获取方法，其特征是，
获取烟叶图像信息，包括，
对烟叶图像特征进行提取；
找出不清晰像素；
使用不清晰像素的多个邻近像素的均值替代不清晰像素的像素值。
4.根据权利要求1所述的烟叶仓储内质量信息获取方法，其特征是，
检测层级包括：工位自检层级、班组质检层级、车间质检层级和交接质检层级。
5.根据权利要求1所述的烟叶仓储内质量信息获取方法，其特征是，
将烟叶图像信息输入训练好的深度学习神经网络模型中定级，包括，
将训练用图像数据集输入深度学习神经网络模型进行训练，获取不同组的权重；
将验证用图像数据集输入深度学习神经网络模型，加载不同组的权重，根据定级结果选择最优权重组；
将烟叶图像信息输入深度学习神经网络模型并加载最优权重组，获取定级结果。
6.根据权利要求5所述的烟叶仓储内质量信息获取方法，其特征是，
训练用图像数据集获取方法，包括：
获取已定级的烟叶图像信息并进行预处理；
将定级作为数据标签标注已定级的烟叶图像信息；
预处理已定级的烟叶图像信息的方法至少包括以下之一：
使用直方图筛选法强调已定级的烟叶图像信息中的高频信息，同时剔除无用的图像数据；
将已定级的烟叶图像信息从RGB空间变换到HSV空间，在HSV空间对已定级的烟叶图像信息的色调、饱和度以及亮度采用控制变量法进行处理，再已定级的烟叶图像信息由HSV空间转换为RGB空间；
使用DeblurGAN-v2模块对已定级的烟叶图像信息去模糊；
已定级的烟叶图像信息进行旋转、翻转及裁剪。
7.根据权利要求5所述的烟叶仓储内质量信息获取方法，其特征是，
将训练用图像数据集输入深度学习神经网络模型进行训练，获取不同组的权重，包括：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，训练图像数据集，得到不同组的权重；
卷积神经网络包括卷积层、激活层、池化层和全连接层；其中，卷积层用于特征提取，激活层用于非线性转换，池化层用于降低图像分辨率，全连接层用于完成已定级的烟叶图像信息到数据标签的映射；
卷积残差块的shortcut路径包括CONV2D层和BatchNorm层，CONV2D层用于将shortcut路径中图像信息调整至与主路径相应的尺寸。
8.根据权利要求5所述的烟叶仓储内质量信息获取方法，其特征是，
将验证用图像数据集输入深度学习神经网络模型，加载不同组的权重，根据定级结果选择最优权重组，包括：
获取已定级的烟叶图像信息及其定级；
将已定级的烟叶图像信息输入深度学习神经网络模型；
加载不同组的权重；
获取加载了不同的组的权重下，对比深度学习神经网络模型输出的定级结果与已定级的烟叶图像信息的定级；
根据筛选标准选择最优对比结果对应的权重组；
筛选标准包括：最高精度、最低错误率或召回率。
9.根据权利要求2所述的烟叶仓储内质量信息获取方法，其特征是，
可视化输出烟叶图像信息的定级结果和不同检测层级的质量检测反馈，包括：
将不同检测层级的质量检测反馈推送至每个层级的上一层级的用户终端。
10.一种烟叶仓储内质量信息获取系统，其特征是，包括：
主控模块（3）；
与所述主控模块（3）信号连接的仓储环境检测模块（2），用于获取仓储环境指数；
与所述主控模块（3）信号连接的烟叶图像采集模块（1）：用于获取烟叶图像信息；
与所述主控模块（3）信号连接的烟叶质量检测模块（5）：用于将不同检测层级的质量检测要求与仓储环境指数和烟叶图像信息进行对比；
与所述主控模块（3）信号连接的烟叶定级模块（6）：用于将烟叶图像信息输入训练好的深度学习神经网络模型中定级；
与所述主控模块（3）信号连接的显示模块（8）：用于可视化输出烟叶图像信息的定级结果和不同检测层级的质量检测反馈。
CN202311541176.3A 2023-11-20 2023-11-20 一种烟叶仓储内质量信息获取方法 Pending CN117557529A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311541176.3A CN117557529A (zh) 2023-11-20 2023-11-20 一种烟叶仓储内质量信息获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311541176.3A CN117557529A (zh) 2023-11-20 2023-11-20 一种烟叶仓储内质量信息获取方法

Publications (1)

Publication Number Publication Date
CN117557529A true CN117557529A (zh) 2024-02-13

Family

ID=89816249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311541176.3A Pending CN117557529A (zh) 2023-11-20 2023-11-20 一种烟叶仓储内质量信息获取方法

Country Status (1)

Country Link
CN (1) CN117557529A (zh)

Similar Documents

Publication Publication Date Title
EP3480735B1 (en) Inspection apparatus, data generation apparatus, data generation method, and data generation program
CN112598343B (zh) 一种对数据中心的风险巡检方法、装置、设备及存储介质
CN116453438B (zh) 一种显示屏参数检测方法、装置、设备及存储介质
CN111986195A (zh) 一种外观缺陷检测方法及系统
CN113158969A (zh) 一种苹果外观缺陷识别系统及方法
CN116418117A (zh) 一种用于智能电网的设备检测系统
CN110275820B (zh) 页面兼容性测试方法、系统及设备
US11727673B1 (en) Visual analysis method for cable element identification
CN117557529A (zh) 一种烟叶仓储内质量信息获取方法
CN112465002B (zh) 一种火灾现场铜导线熔痕智能识别方法及装置
CN115601747A (zh) 一种贴壁细胞汇合度的计算方法和系统
CN114998732A (zh) 一种植物病害严重度评估方法及装置
CN114240929A (zh) 一种色差检测方法及装置
CN113808116A (zh) 基于图像识别的智能检测方法、系统及产品检测系统
CN112906805A (zh) 图像训练样本筛选和任务模型训练方法、装置及电子设备
CN112633142A (zh) 一种输电线路违章建筑物识别方法及相关装置
CN116703905B (zh) 空料检测方法、装置、电子设备和计算机可读存储介质
CN118014051B (zh) 多模态大模型增量学习方法、装置及计算机设备
CN115272249B (zh) 一种缺陷检测方法、装置、计算机设备和存储介质
CN115375954B (zh) 一种化学实验溶液识别方法、装置、设备及可读存储介质
CN116644351B (zh) 一种基于人工智能的数据处理方法及系统
CN116935286B (zh) 一种短视频识别系统
CN117893538B (zh) 基于机器视觉的半导体器件质量检测方法、装置及系统
CN115272249A (zh) 一种缺陷检测方法、装置、计算机设备和存储介质
CN117176940A (zh) 一种机顶盒测试方法、装置和设备

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