[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

说明书

本发明公开了基于残差网络的烟叶智能分级模型及利用其分级的方法，该模型为先对烟叶图像进行编码，再将烟叶等级映射数字编码，创建样本和标签表格，接着将表格数据划分为训练集、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。通过基于卷积残差神经网络搭建自定义训练模型对烟叶进行智能分级。在预处理模块加入图像增强功能，扩充烟叶样本的多态性，提高模型的兼容能力。在卷积神经网络模块中加入了正则化，解决网络中过拟合的现象。在自定义网络模型中添加了空洞卷积，空洞卷积在不增加网络参数量的情况下，增大了感受野区域，有效的提高了烟叶分级模型的准确率。

技术领域

本发明属于烟叶分级技术领域，具体涉及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。

背景技术

烟叶是烟制品生产中的重要原料，将质量不同的烟叶加以区分，卷烟工业才能针对各级别的质量特点，调配各种风格的卷烟，并保持卷烟产品的质量稳定。不同质量的烟叶具有不同的使用价值，也具有不同的经济价值。只有经过准确分级，才能使各种烟叶的质量得以充分体现。目前采用的烟叶分级方法是人工分级,主要依靠烟叶分级工的经验和感官判断,耗时、费力且具有很大的主观性；分级准确率则依赖于分级工的经验和环境,所以烟叶的智能分级势在必行。

近年来，烟叶智能分级方面的研究主要集中在基于图像特征的分级方法。利用烟叶图像提取与人工分级因素相关的颜色、纹理和几何等图像特征,采用一定分类方法进行烟叶的分级识别。但对于相邻等级烟叶，其图像交叉特征明显，等级标准难以统一规范，导致烟叶分级识别效率低、分级不稳定的问题，不利于烟叶分级的规模化生产。

发明内容

本申请的发明目的在于提供一种基于残差网络的烟叶智能分级模型，同时还提供了及利用该模型的分级方法，旨在提供一种稳定的分级模型及高效的分级方法，能够有效实时的对烟叶进行分级预测，提高烟叶分级的识别效率。

一种基于残差网络的烟叶智能分级模型，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。

具体步骤为：

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)