[发明专利]一种基于残差网络的烟叶智能分级模型及利用该模型分级的方法

权利要求书

1.一种基于残差网络的烟叶智能分级模型，其特征在于，先对烟叶图像进行编码，再将烟叶等级映射数字编码，将编码转化为images和labels列表，之后根据这两个列表的信息创建样本和标签表格，接着将表格数据按照8：1：1的比例划分为训练集、测试集和验证集，利用深度学习残差网络对训练集和验证集进行不断的迭代训练，直至训练出最优的烟叶等级模型。

2.如权利要求1所述的基于残差网络的烟叶智能分级模型，其特征在于，其通过以下具体步骤得到：

步骤1：烟叶样本处理

步骤1.1将烟叶样本按照42等级分为42个文件夹，并以等级名称作为重命名，将对应的烟叶分别按照等级存放在对应等级文件夹下；

步骤1.2将烟叶42等级编码为[0,41]的数字，烟叶等级和数字的映射关系成为编码表；

步骤1.3对步骤1.2所述的编码表确定后，根据烟叶的实际存储方式获取每个烟叶样本的存储路径和它对应的标签数字，分别表示为images和labels两个列表对象，其中images列表对象存储了每个样本的路径字符串，labels列表存储了样本的类别数字，两者长度一致，且对应元素位置相互关联；

步骤1.4将步骤1.3所述images和labels存储到样本和标签表格CSV中；

步骤2：烟叶图像预处理

步骤2.1读取image列表对应路径的图片，并转换为张量形式；

步骤2.3对读取转换完成的图像进行数据增强操作；

步骤2.4将数据增强后的图像进行归一标准化处理；

步骤2.5将烟叶等级标签进行张量转换，并进行独热编码，如：

等级1：10000000000000000000000000000000000000000(41个0)

等级2：01000000000000000000000000000000000000000(41个0)

等级3：00100000000000000000000000000000000000000(41个0)

依次类推，共计42个等级；

步骤3：数据集划分

步骤3.1加载数据集，选择步骤1.4所述的CSV中的数据，并按照8：1：1的比例划分为训练集、测试集和验证集；

步骤3.2将步骤3.1的训练集打散；

步骤4：自定义网络模型搭建

步骤4.1：搭建残差单元，一个残差单元模块由2部分组成，其中F(x)表示输入x经过2个卷积层计算后的结果，Identity相当于一条线，把x不做处理直接传过去，最后相加计算F(x)+x；

步骤4.2搭建残差模块，输入x需要经过2个卷积层，输入x经过一个3*3大小的卷积和一个BN层后，进行Relu计算后进入第二层，再经过一个3*3大小的卷积和BN后与x相加，最后进行Relu计算；

步骤4.3搭建残差堆叠模块，残差网络是由不同数量的堆叠模块组成，通过调整堆叠数量和不同的图像特征通道搭建不同层数的ResNet；

步骤5：烟叶分级模型训练；具体包括：

步骤5.1模型装配，设置模型的优化器、损失函数和监测指标；

所述优化器为Adam自适应优化器，监测指标为准确度指标，损失函数为交叉熵损失函数，交叉熵损失函数公式为：

其中N是训练数据的总数，y_i是网络的预测值，t_i是网络的目标值；

在损失函数上添加额外的约束项，即在网络中添加L2正则化，正则化是采用L2范数作为损失函数的约束项，L2正则项公式为：

其中E₀为所述的交叉熵损失函数，λ是正则项的系数，w代表所有的权重参数和偏置量；

步骤5.2模型训练，模型装配完成后，将待训练的数据集和测试集送入网络进行训练；

步骤5.3设置可视化回调函数，在网络训练过程中，通过Web端监控网络的训练进度，训练结果曲线，能够直观的查看评估模型的性能；

步骤5.4设置自定义学习率函数，学习率随着训练次数Epochs的增加，逐渐减小；

步骤5.5设置训练早停函数，监测模型的训练准确度，若连续多个Epochs无变化，则认为模型已达到最优，停止训练。