[发明专利]一种烟叶分级方法及系统

说明书

本发明实施例提供一种烟叶分级方法及系统，该方法包括：获取目标地区对应的当年待测烟叶样本的图像；将待测烟叶样本的图像输入到训练后的当年烟叶分级模型中，预测所述待测烟叶样本的等级。训练后的当年烟叶分级模型包括训练后的特征提取器和训练后的第一分类器，由大量带有等级标签的历史烟叶图像和少量带有等级标签的当年烟叶图像训练得到。本发明实施例提供一种烟叶分级方法及系统，通过本方法，仅需少量带有标签的当年烟叶样本，即可高效、准确的实现当年烟叶分级模型的构建，实现当年烟叶的准确分级，同时本发明实施例为不同年份的烟叶分级模型更新与调整提供一种新的方法。

技术领域

本发明涉及计算机技术领域，尤其涉及一种烟叶分级方法及系统。

背景技术

烟叶的生长易受外界环境的影响，同一产区不同年份光照、温度、降水等环境因素的差异，以及烟叶栽培、烘烤技术、管理水平的差异，一定程度上影响着烟叶质量，导致不同年份间烟叶质量存在一定的差异。这种差异体现在不同年份间烟叶的等级纯度、成熟度差异较大。

在烟叶分级工作中，这种因年份产生的烟叶品质差异不可忽视。每年分级季前，分级专家会根据当年烟叶实际生长及采收状态，制订该年度的烟叶收购标样，用于指导分级和收购工作，各烟叶收购站会按照标样烟叶组织分级人员进行培训。例如，烟叶分级制样时，该年度某等级中长势较好的烟叶可以进入上一个等级，即在国标的基础上根据该年度烟叶实际长势，适当放宽烟叶收购标准。

人工分级是目前烟叶分级的主要方式，其结果易受分级人员主观认识的影响，无法保证烟叶分级的准确性和一致性，导致工农商各方在对接时极易产生冲突，且人工分级速率慢、效率低、成本高。

针对当年烟叶人工分级工作中存在的问题，烟叶智能化分级受到农业信息化工作者的重视，越来越多的智能化检测如光谱技术、机器视觉技术等也被用于烟叶分级的研究中，主要是采用RGB图像结合深度学习算法对烟叶进行在线分级的方法，可参考专利一种基于深度学习算法的烟叶在线分级方法，该方法仿照国标分级流程，首先通过背景Mask后的烟叶图像结合卷积神经网络进行正反面识别，再对正面烟叶进行正组、青烟、杂烟的三分类，最后采用GoogleNet模型进行正组烟的等级划分。该方法能够快速、无损、在线的实现青烟、杂烟的剔除，划分正组等级。

该方案科学合理、流程清晰，然而由于不同年份间烟叶品质有所差异、分级细则有所微调，前一年训练的模型无法良好的适应下一年的分级任务，因此每年需根据专家制样对烟叶等级模型进行更新。卷积神经网络能够从训练数据中自动学习与目标任务相符的特征，但是训练模型需要数量庞大的带标注数据，采集和标注这些烟叶图像需要大量的成本和时间；另一方面，重新训练模型和网络调参也需要消耗大量的时间。然而，每年烟叶分级季，短时庞大的工作量不允许耗时耗力去搜集大量标注样本，导致现有的分级方案无法满足烟叶分级季的实际需求。

因此，亟需一种新的烟叶分级方法。

发明内容

针对上述问题，本发明实施例提供一种烟叶分级方法及系统。

第一方面，本发明实施例提供一种烟叶分级方法，包括：

获取目标地区对应的当年待测烟叶样本的图像；

将待测烟叶样本的图像输入到训练后的当年烟叶分级模型中，预测所述待测烟叶样本的等级，训练后的当年烟叶分级模型包括训练后的特征提取器和训练后的第一分类器，训练后的特征提取器由历史烟叶样本的图像、历史烟叶样本的真实等级和当年烟叶样本的图像对特征提取网络训练得到，所述特征提取网络训练时的损失函数根据历史烟叶分类误差、历史烟叶特征和当年烟叶特征之间的最大平均偏差得到，训练时所述特征提取网络的初始权重通过迁移历史烟叶分级模型的权重得到，所述历史烟叶分级模型由历史烟叶样本训练得到，训练后的第一分类器由当年烟叶样本图像的特征和当年烟叶样本的真实等级训练得到，其中所述当年烟叶样本图像的特征通过训练后的特征提取器得到。

优选地，当年烟叶分级模型由特征提取器和第一分类器两部分组成。