CN117852949A - 一种烟叶烘烤自动评价考核方法 - Google Patents
一种烟叶烘烤自动评价考核方法 Download PDFInfo
- Publication number
- CN117852949A CN117852949A CN202311801179.6A CN202311801179A CN117852949A CN 117852949 A CN117852949 A CN 117852949A CN 202311801179 A CN202311801179 A CN 202311801179A CN 117852949 A CN117852949 A CN 117852949A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- evaluation
- baking
- tobacco leaf
- 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
Links
- 241000208125 Nicotiana Species 0.000 title claims abstract description 93
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000011156 evaluation Methods 0.000 title claims abstract description 76
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 24
- 238000012795 verification Methods 0.000 claims description 15
- 238000013210 evaluation model Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000000540 analysis of variance Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000546 chi-square test Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 4
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明公开了一种烟叶烘烤自动评价考核方法,属于烟叶烘烤评价考核技术领域,包括:S1、数据采集:收集烘烤过程中温度、湿度和烘烤时间,本发明通过先进的传感器和数据处理技术,能够客观、准确地评估烟叶的烘烤质量,减少人为主观因素的影响,该自动评价考核方法可以通过设定合理的评价指标和阈值,实现对烟叶烘烤质量的统一评价标准,提高评价结果的可比性和一致性,该自动评价考核方法可以实时监测烟叶烘烤过程中的关键参数,及时调整烘烤参数,减少烘烤时间和能耗,提高生产效率,传统的烟叶烘烤评价方法需要大量的人力投入,而该自动评价考核方法可以减少人力成本,提高生产效率,降低烟叶生产的成本。
Description
技术领域
本发明涉及烟叶烘烤评价考核技术领域,更具体地说,涉及一种烟叶烘烤自动评价考核方法。
背景技术
目前,烟叶烘烤仍然采用传统的人工主导思路,尚未建立科学的质量评价体系,对烘烤工艺落实的精准性、烘烤异常处理的及时性、不同鲜烟素质与对应烘烤工艺曲线的匹配性、烤后质量评判的科学性缺乏一种有效的评价方法。烤坏烟叶的原因大多是由于操作不当、执行烘烤工艺不精准等原因造成,但缺乏过程跟踪,烟农和烟技员被迫接受烤坏烟叶这一结果,并未建立相关评价方法。
本方法从工艺执行、升温控制、异常处理三个维度对烟叶烘烤全过程进行量化评价,最后得出一个过程操作综合评价考核,对推进烘烤智能化控制提供了强有力的参考,最终使得烟叶烘烤质量提升。
发明内容
1.要解决的技术问题
针对现有技术中存在的问题,本发明的目的在于提供一种烟叶烘烤自动评价考核方法,本发明在可以客观的反应烟叶烘烤过程情况,将烤坏烟叶的关键环节纳入考核,最大限度的减低损失至7%以内,提高烘烤质量,且可用于烘烤质量缺陷追溯,用于烘烤师考核,可作为兑现烘烤师工资的依据实现辅助洗牙的基础上,还可以对患者进行固定支撑,且可以根据患者口腔不同高度进行调节。
2.技术方案
为解决上述问题,本发明采用如下的技术方案:
一种烟叶烘烤自动评价考核方法,包括:
S1、数据采集:收集烘烤过程中温度、湿度和烘烤时间;
S2、数据预处理:对采集到的数据进行清洗和转换,去除异常值和噪声;
S3、特征提取:从预处理的数据中提取出能够代表烟叶烘烤质量的特征;
S4、特征选择:根据特征的重要性和相关性,选择最能够反映烟叶烘烤质量的特征;
S5、建立评价模型:根据机器学习算法、统计方法构建评价模型;
S6、模型验证:使用新的数据对训练好的模型进行验证,评估其在实际应用中的准确性和可靠性;
S7、模型调优:根据验证结果对模型进行调优,提高其预测精度和稳定性;
S8、持续改进:根据实际应用的效果和反馈,不断优化和改进评价方法,提高其准确性和实用性。
作为本发明的一种优选方案,所述S1数据采集方法包括:
传感器采集:使用温度传感器、湿度传感器和计时器,实时采集烟叶的温度、湿度和烘烤时间;
数据记录仪采集:使用数据记录仪将所述传感器采集的数据进行记录;
图像识别采集:使用摄像头拍摄烟叶烘烤过程中的图像,并通过图像识别技术提取出烟叶的颜色和形状。
作为本发明的一种优选方案,所述S2数据预处理包括:
数据清洗:对所述S1数据采集的原始数据进行清洗,删除或修复缺失值、异常值和重复值;
数据转换:对原始数据中烟叶的温度、湿度和烘烤时间数据进行转换,使其符合正态分布假设。
作为本发明的一种优选方案,所述S3特征提取包括:
统计特征提取:从原始数据中计算统计均值、标准差、最大值和最小值,从而计算烟叶的平均湿度、烟叶温度的标准差;
频域特征提取:使用傅里叶变换和小波变换将原始数据转换到频域,并提取频域中的频谱特征和频域能量;
动态特征提取:对原始数据进行时间或空间窗口的滑动,提取滑动窗口内的均值和标准差;
特征工程:根据烟叶烘烤的颜色、形态和时间设计和构建特定的特征;
深度学习特征提取:使用卷积神经网络直接提取原始数据的特征。
作为本发明的一种优选方案,所述S4特征选择方法包括:
相关性分析:计算每个特征与目标变量之间的相关系数或其他相关性指标,根据相关系数的大小选择与目标变量高度相关的特征;
方差分析:使用方差分析对离散型目标变量评估特征与目标变量之间的显著性差异,并选择与目标变量显著性差异较大的特征;
特征重要性评估:通过决策树的特征重要性对于机器学习模型进行评估,并选择重要性较高的特征;
L1正则化:通过L1正则化使得一些特征的系数变为0,从而对模型的惩罚项进行优化;
递归特征消除:使用递归特征消除算法训练模型,并剔除对模型贡献较小的特征;
基于特征统计量的选择:使用卡方检验统计方法来选择特征并评估特征与目标变量之间的关联程度。
作为本发明的一种优选方案,所述S5建立评价模型包括:
划分数据集:将大数据用于训练模型,小数据用于评估模型的性能;
选择模型:根据具体问题的需求和数据的特点,选择合适的评价模型。常见的模型包括线性回归模型、支持向量机、决策树、随机森林、神经网络;
模型训练:使用训练集对选择的模型进行训练,通过调整模型的参数和超参数,使模型能够更好地拟合训练数据;
模型评估:使用评估指标对训练好的模型进行评估。
作为本发明的一种优选方案,所述S5建立评价模型中评估指标包括:
均方误差:计算预测值与实际值之间的平均差异的平方,用于量化预测值与真实值之间的误差;
均方根误差:将均方误差的平均值开方得到的指标,用于评价预测值与真实值之间的平均误差;
决定系数:反映模型对实际数据的拟合程度,取值范围为0到1;
相关系数:衡量预测值与真实值之间的线性相关关系,取值范围为-1到1;
平均绝对误差:计算预测值与实际值之间的平均差异的绝对值,用于量化预测值与真实值之间的误差;
准确率:评估分类模型的预测准确性,计算预测正确的样本数占总样本数的比例。
作为本发明的一种优选方案,所述S6模型验证方法包括:
交叉验证:采用交叉验证的方法,将数据集分为K个子集,其中K-1个子集用于训练模型,剩余的一个子集用于验证模型的性能;
指标评估:根据烟叶烘烤的特性和需求,选择合适的评估指标来评估模型的性能,使用均方根误差来度量模型预测结果与实际值之间的差距;
对比实验:将烟叶烘烤自动评价考核方法与已有的评价方法进行对比试验,比较它们在同一数据集上的性能;
外部验证:将模型应用到实际的烟叶烘烤过程中进行验证,收集烘烤结果数据,并与模型的预测结果进行比较。
作为本发明的一种优选方案,所述S7模型调优方法包括:
超参数调优:调整模型中的超参数,可以通过网格搜索、随机搜索或贝叶斯优化方法来寻找最优的超参数组合,其中超参数包括学习率、正则化参数和网络结构;
模型集成:尝试组合集成学习和堆叠模型,通过模型集成,可以综合多个模型的预测结果;
数据增强:采用数据旋转、翻转和缩放方法来增加训练数据的多样性,生成更多的样本;
模型更新:随着烟叶烘烤过程中数据的积累,定期更新模型,利用新的数据进行重新训练和调优,这样可以使模型与实际场景更加匹配。
作为本发明的一种优选方案,所述S8持续改进方法包括:
数据分析:对评价结果进行数据分析,分析评价结果的准确性、一致性指标找出不足之处;
技术改进:根据分析结果,进行技术改进,提升评价方法的准确性和可靠性;
不断优化:根据不同烟叶的特性和要求,针对性地调整评价方法,对评价方法进行不断优化和调整。
3.有益效果
相比于现有技术,本发明的优点在于:
本发明通过先进的传感器和数据处理技术,能够客观、准确地评估烟叶的烘烤质量,减少人为主观因素的影响,该自动评价考核方法可以通过设定合理的评价指标和阈值,实现对烟叶烘烤质量的统一评价标准,提高评价结果的可比性和一致性,该自动评价考核方法可以实时监测烟叶烘烤过程中的关键参数,及时调整烘烤参数,减少烘烤时间和能耗,提高生产效率,传统的烟叶烘烤评价方法需要大量的人力投入,而该自动评价考核方法可以减少人力成本,提高生产效率,降低烟叶生产的成本。
附图说明
图1为本发明一种烟叶烘烤自动评价考核方法的流程图;
图2为本发明一种烟叶烘烤自动评价考核方法中工艺得分表;
图3为本发明一种烟叶烘烤自动评价考核方法中升温控制得分表;
图4为本发明一种烟叶烘烤自动评价考核方法中异常处理操作得分表。
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:
请参阅图1-4,一种烟叶烘烤自动评价考核方法,包括:
S1、数据采集:收集烘烤过程中温度、湿度和烘烤时间;
S2、数据预处理:对采集到的数据进行清洗和转换,去除异常值和噪声;
S3、特征提取:从预处理的数据中提取出能够代表烟叶烘烤质量的特征;
S4、特征选择:根据特征的重要性和相关性,选择最能够反映烟叶烘烤质量的特征;
S5、建立评价模型:根据机器学习算法、统计方法构建评价模型;
S6、模型验证:使用新的数据对训练好的模型进行验证,评估其在实际应用中的准确性和可靠性;
S7、模型调优:根据验证结果对模型进行调优,提高其预测精度和稳定性;
S8、持续改进:根据实际应用的效果和反馈,不断优化和改进评价方法,提高其准确性和实用性。
在本发明的具体实施例中,通过先进的传感器和数据处理技术,能够客观、准确地评估烟叶的烘烤质量,减少人为主观因素的影响,该自动评价考核方法可以通过设定合理的评价指标和阈值,实现对烟叶烘烤质量的统一评价标准,提高评价结果的可比性和一致性,该自动评价考核方法可以实时监测烟叶烘烤过程中的关键参数,及时调整烘烤参数,减少烘烤时间和能耗,提高生产效率,传统的烟叶烘烤评价方法需要大量的人力投入,而该自动评价考核方法可以减少人力成本,提高生产效率,降低烟叶生产的成本。
具体的,S1数据采集方法包括:
传感器采集:使用温度传感器、湿度传感器和计时器,实时采集烟叶的温度、湿度和烘烤时间;
数据记录仪采集:使用数据记录仪将传感器采集的数据进行记录;
图像识别采集:使用摄像头拍摄烟叶烘烤过程中的图像,并通过图像识别技术提取出烟叶的颜色和形状。
具体的,S2数据预处理包括:
数据清洗:对S1数据采集的原始数据进行清洗,删除或修复缺失值、异常值和重复值,确保数据的准确性和一致性;
数据转换:对原始数据中烟叶的温度、湿度和烘烤时间数据进行转换,使其符合正态分布假设,以便更好地适应评价模型的需求。
具体的,S3特征提取包括:
统计特征提取:从原始数据中计算统计均值、标准差、最大值和最小值,从而计算烟叶的平均湿度、烟叶温度的标准差;
频域特征提取:使用傅里叶变换和小波变换将原始数据转换到频域,并提取频域中的频谱特征和频域能量;
动态特征提取:对原始数据进行时间或空间窗口的滑动,提取滑动窗口内的均值和标准差;
特征工程:根据烟叶烘烤的颜色、形态和时间设计和构建特定的特征;
深度学习特征提取:使用卷积神经网络直接提取原始数据的特征,这些模型可以自动学习数据中的有用特征。
具体的,S4特征选择方法包括:
相关性分析:计算每个特征与目标变量之间的相关系数或其他相关性指标,根据相关系数的大小选择与目标变量高度相关的特征;
方差分析:使用方差分析对离散型目标变量评估特征与目标变量之间的显著性差异,并选择与目标变量显著性差异较大的特征;
特征重要性评估:通过决策树的特征重要性对于机器学习模型进行评估,并选择重要性较高的特征;
L1正则化:通过L1正则化使得一些特征的系数变为0,从而对模型的惩罚项进行优化,可以实现自动特征选择,从而选择最相关的特征;
递归特征消除:使用递归特征消除算法训练模型,并剔除对模型贡献较小的特征;
基于特征统计量的选择:使用卡方检验统计方法来选择特征并评估特征与目标变量之间的关联程度。
具体的,S5建立评价模型包括:
划分数据集:将大数据用于训练模型,小数据用于评估模型的性能;
选择模型:根据具体问题的需求和数据的特点,选择合适的评价模型。常见的模型包括线性回归模型、支持向量机、决策树、随机森林、神经网络;
模型训练:使用训练集对选择的模型进行训练,通过调整模型的参数和超参数,使模型能够更好地拟合训练数据;
模型评估:使用评估指标对训练好的模型进行评估。
具体的,S5建立评价模型中评估指标包括:
均方误差:计算预测值与实际值之间的平均差异的平方,用于量化预测值与真实值之间的误差;
均方根误差:将均方误差的平均值开方得到的指标,用于评价预测值与真实值之间的平均误差;
决定系数:反映模型对实际数据的拟合程度,取值范围为0到1,数值越接近1表示模型的拟合程度越好;
相关系数:衡量预测值与真实值之间的线性相关关系,取值范围为-1到1,数值越接近1或-1表示相关性越强;
平均绝对误差:计算预测值与实际值之间的平均差异的绝对值,用于量化预测值与真实值之间的误差;
准确率:评估分类模型的预测准确性,计算预测正确的样本数占总样本数的比例。
具体的,S6模型验证方法包括:
交叉验证:采用交叉验证的方法,将数据集分为K个子集,其中K-1个子集用于训练模型,剩余的一个子集用于验证模型的性能,通过多次交叉验证的平均结果来评估模型的性能;
指标评估:根据烟叶烘烤的特性和需求,选择合适的评估指标来评估模型的性能,可以使用均方根误差来度量模型预测结果与实际值之间的差距;
对比实验:将烟叶烘烤自动评价考核方法与已有的评价方法进行对比试验,比较它们在同一数据集上的性能,可以验证新方法的有效性和优势;
外部验证:将模型应用到实际的烟叶烘烤过程中进行验证,收集烘烤结果数据,并与模型的预测结果进行比较,以评估模型在实际场景中的性能。
具体的,S7模型调优方法包括:
超参数调优:调整模型中的超参数,可以通过网格搜索、随机搜索或贝叶斯优化方法来寻找最优的超参数组合,其中超参数包括学习率、正则化参数和网络结构;
模型集成:尝试组合集成学习和堆叠模型,通过模型集成,可以综合多个模型的预测结果,提高模型的准确性和鲁棒性;
数据增强:采用数据旋转、翻转和缩放方法来增加训练数据的多样性,生成更多的样本,提高模型的泛化能力;
模型更新:随着烟叶烘烤过程中数据的积累,定期更新模型,利用新的数据进行重新训练和调优,这样可以使模型与实际场景更加匹配,提高模型的准确性和可靠性。
具体的,S8持续改进方法包括:
数据分析:对评价结果进行数据分析,分析评价结果的准确性、一致性指标找出不足之处;
技术改进:根据分析结果,进行技术改进,提升评价方法的准确性和可靠性;
不断优化:根据不同烟叶的特性和要求,针对性地调整评价方法,对评价方法进行不断优化和调整,提高其适应性和实用性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其改进构思加以等同替换或改变,都应涵盖在本发明的保护范围内。
Claims (10)
1.一种烟叶烘烤自动评价考核方法,其特征在于,包括:
S1、数据采集:收集烘烤过程中温度、湿度和烘烤时间;
S2、数据预处理:对采集到的数据进行清洗和转换,去除异常值和噪声;
S3、特征提取:从预处理的数据中提取出能够代表烟叶烘烤质量的特征;
S4、特征选择:根据特征的重要性和相关性,选择最能够反映烟叶烘烤质量的特征;
S5、建立评价模型:根据机器学习算法、统计方法构建评价模型;
S6、模型验证:使用新的数据对训练好的模型进行验证,评估其在实际应用中的准确性和可靠性;
S7、模型调优:根据验证结果对模型进行调优,提高其预测精度和稳定性;
S8、持续改进:根据实际应用的效果和反馈,不断优化和改进评价方法,提高其准确性和实用性。
2.根据权利要求1所述的一种烟叶烘烤自动评价考核方法,其特征在于,所述S1数据采集方法包括:
传感器采集:使用温度传感器、湿度传感器和计时器,实时采集烟叶的温度、湿度和烘烤时间;
数据记录仪采集:使用数据记录仪将所述传感器采集的数据进行记录;
图像识别采集:使用摄像头拍摄烟叶烘烤过程中的图像,并通过图像识别技术提取出烟叶的颜色和形状。
3.根据权利要求2所述的一种烟叶烘烤自动评价考核方法,其特征在于,所述S2数据预处理包括:
数据清洗:对所述S1数据采集的原始数据进行清洗,删除或修复缺失值、异常值和重复值;
数据转换:对原始数据中烟叶的温度、湿度和烘烤时间数据进行转换,使其符合正态分布假设。
4.根据权利要求3所述的一种烟叶烘烤自动评价考核方法,其特征在于,所述S3特征提取包括:
统计特征提取:从原始数据中计算统计均值、标准差、最大值和最小值,从而计算烟叶的平均湿度、烟叶温度的标准差;
频域特征提取:使用傅里叶变换和小波变换将原始数据转换到频域,并提取频域中的频谱特征和频域能量;
动态特征提取:对原始数据进行时间或空间窗口的滑动,提取滑动窗口内的均值和标准差;
特征工程:根据烟叶烘烤的颜色、形态和时间设计和构建特定的特征;
深度学习特征提取:使用卷积神经网络直接提取原始数据的特征。
5.根据权利要求4所述的一种烟叶烘烤自动评价考核方法,其特征在于,所述S4特征选择方法包括:
相关性分析:计算每个特征与目标变量之间的相关系数或其他相关性指标,根据相关系数的大小选择与目标变量高度相关的特征;
方差分析:使用方差分析对离散型目标变量评估特征与目标变量之间的显著性差异,并选择与目标变量显著性差异较大的特征;
特征重要性评估:通过决策树的特征重要性对于机器学习模型进行评估,并选择重要性较高的特征;
L1正则化:通过L1正则化使得一些特征的系数变为0,从而对模型的惩罚项进行优化;
递归特征消除:使用递归特征消除算法训练模型,并剔除对模型贡献较小的特征;
基于特征统计量的选择:使用卡方检验统计方法来选择特征并评估特征与目标变量之间的关联程度。
6.根据权利要求5所述的一种烟叶烘烤自动评价考核方法,其特征在于,所述S5建立评价模型包括:
划分数据集:将大数据用于训练模型,小数据用于评估模型的性能;
选择模型:根据具体问题的需求和数据的特点,选择合适的评价模型。常见的模型包括线性回归模型、支持向量机、决策树、随机森林、神经网络;
模型训练:使用训练集对选择的模型进行训练,通过调整模型的参数和超参数,使模型能够更好地拟合训练数据;
模型评估:使用评估指标对训练好的模型进行评估。
7.根据权利要求6所述的一种烟叶烘烤自动评价考核方法,其特征在于,所述S5建立评价模型中评估指标包括:
均方误差:计算预测值与实际值之间的平均差异的平方,用于量化预测值与真实值之间的误差;
均方根误差:将均方误差的平均值开方得到的指标,用于评价预测值与真实值之间的平均误差;
决定系数:反映模型对实际数据的拟合程度,取值范围为0到1;
相关系数:衡量预测值与真实值之间的线性相关关系,取值范围为-1到1;
平均绝对误差:计算预测值与实际值之间的平均差异的绝对值,用于量化预测值与真实值之间的误差;
准确率:评估分类模型的预测准确性,计算预测正确的样本数占总样本数的比例。
8.根据权利要求7所述的一种烟叶烘烤自动评价考核方法,其特征在于,所述S6模型验证方法包括:
交叉验证:采用交叉验证的方法,将数据集分为K个子集,其中K-1个子集用于训练模型,剩余的一个子集用于验证模型的性能;
指标评估:根据烟叶烘烤的特性和需求,选择合适的评估指标来评估模型的性能,使用均方根误差来度量模型预测结果与实际值之间的差距;
对比实验:将烟叶烘烤自动评价考核方法与已有的评价方法进行对比试验,比较它们在同一数据集上的性能;
外部验证:将模型应用到实际的烟叶烘烤过程中进行验证,收集烘烤结果数据,并与模型的预测结果进行比较。
9.根据权利要求8所述的一种烟叶烘烤自动评价考核方法,其特征在于,所述S7模型调优方法包括:
超参数调优:调整模型中的超参数,可以通过网格搜索、随机搜索或贝叶斯优化方法来寻找最优的超参数组合,其中超参数包括学习率、正则化参数和网络结构;
模型集成:尝试组合集成学习和堆叠模型,通过模型集成,可以综合多个模型的预测结果;
数据增强:采用数据旋转、翻转和缩放方法来增加训练数据的多样性,生成更多的样本;
模型更新:随着烟叶烘烤过程中数据的积累,定期更新模型,利用新的数据进行重新训练和调优,这样可以使模型与实际场景更加匹配。
10.根据权利要求9所述的一种烟叶烘烤自动评价考核方法,其特征在于,所述S8持续改进方法包括:
数据分析:对评价结果进行数据分析,分析评价结果的准确性、一致性指标找出不足之处;
技术改进:根据分析结果,进行技术改进,提升评价方法的准确性和可靠性;
不断优化:根据不同烟叶的特性和要求,针对性地调整评价方法,对评价方法进行不断优化和调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311801179.6A CN117852949A (zh) | 2023-12-25 | 2023-12-25 | 一种烟叶烘烤自动评价考核方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311801179.6A CN117852949A (zh) | 2023-12-25 | 2023-12-25 | 一种烟叶烘烤自动评价考核方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117852949A true CN117852949A (zh) | 2024-04-09 |
Family
ID=90532305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311801179.6A Pending CN117852949A (zh) | 2023-12-25 | 2023-12-25 | 一种烟叶烘烤自动评价考核方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117852949A (zh) |
-
2023
- 2023-12-25 CN CN202311801179.6A patent/CN117852949A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104914720B (zh) | 具有自动学习功能的电子鼻智能烘烤控制系统及控制方法 | |
CN110907393B (zh) | 植物盐碱胁迫程度检测方法及装置 | |
CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN102495005A (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
CN110308111B (zh) | 一种应用近红外光谱技术快速预测远安黄茶闷黄时间的方法 | |
CN111144440A (zh) | 一种专变用户日电力负荷特征的分析方法及装置 | |
CN114580291B (zh) | 一种基于lstm-vae的动设备健康状况评估方法 | |
CN111950795B (zh) | 基于随机森林的松散回潮加水比例的预测方法 | |
CN105334738B (zh) | 一种适用于烟草加工过程pid控制回路的性能评价方法 | |
CN108875118A (zh) | 一种高炉铁水硅含量预测模型准确度评价方法和设备 | |
CN111562235A (zh) | 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法 | |
CN113076692B (zh) | 一种反演叶片氮素含量的方法 | |
CN113033066A (zh) | 一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法 | |
WO2023108514A1 (zh) | 茶叶近红外光谱分析中谱峰自动检测与重构方法及系统 | |
Wang et al. | Intelligent tobacco flue-curing method based on leaf texture feature analysis | |
CN103745087B (zh) | 一种基于遥感技术的森林资源动态变化预测方法 | |
CN117250161B (zh) | 一种大豆耐盐碱鉴定池的实时监测系统 | |
CN114219795A (zh) | 一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法和系统 | |
CN117852949A (zh) | 一种烟叶烘烤自动评价考核方法 | |
CN112485217A (zh) | 一种应用于产地溯源的肉类鉴别模型的构建方法以及装置 | |
CN113177188B (zh) | 一种基于光谱新特征的反演叶片叶绿素含量的方法 | |
CN115359857A (zh) | 一种基于cart模型和优化rvflnn模型预测pm2.5浓度的方法 | |
CN113030008B (zh) | 一种蒲黄炭炮制品的近红外在线质量检测方法 | |
CN110320174B (zh) | 应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法 | |
CN114358160A (zh) | 一种电力系统中的数据异常检测方法 |
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 |