[发明专利]一种基于增量学习的雪茄烟烟叶晾制工艺阶段识别方法

权利要求书

1.一种基于增量学习的雪茄烟烟叶晾制工艺阶段识别方法，其特征在于，所述基于增量学习的雪茄烟烟叶晾制工艺阶段识别方法包括：

步骤一，按照固定的时间周期，每隔60分钟从晾制房中采集雪茄烟叶中茄衣部分的晾制图像，同时采集晾制房中干湿球温度数据、失水量传感器数据，利用传输设备上传至云平台数据库，得到模型训练的原始数据集；对采集到的图像进行预处理，提高图像质量；

步骤二，对步骤一处理后的图像进行RGB、HSV和纹理特征值提取操作，将烟叶图像转化为结构化数据，再与干湿球温度数据、失水量传感器数据构成特征集合；

步骤三，对步骤二处理后中的特征集合利用随机森林算法进行缺失值、异常值的预处理后，对图像中烟叶所处工艺阶段进行数字编码，将数字编码存入数据库中；

步骤四，利用Embedded嵌入算法对步骤三处理后的数据集进行特征选择，得到特征集合，并对所有数据进行标准化操作，将数据无量纲化，形成初始数据集；

步骤五，将初始数据集中单个晾制批次的数据集合划分为多个流式数据集，并将其对应的晾制工艺阶段编码作为训练标签，按照增量训练的模式，使用SGD逻辑分类算法，对单个晾制批次特征数据进行建模，训练后得到第一层基分类器；

步骤六，以晾制批次为单位，继续使用SGD逻辑分类模型作为第二层的元分类器，构建循环依次向模型输入初始数据集中整个晾制批次的特征数据，经过增量训练后，得到训练好的SGD逻辑分类模型；

步骤七，将晾制房中实时采集到结构数据和非结构化数据，经过步骤一至步骤四处理后，输入到训练好的SGD逻辑分类模型，得到识别结果，同时模型利用数据增量再次学习，不断提高识别准确率。

2.如权利要求1所述的基于增量学习的雪茄烟烟叶晾制工艺阶段识别方法，其特征在于，所述步骤一中对采集到的图像进行预处理时，采用中值滤波非线性平滑算法和暗通道去雾算法。

3.如权利要求1所述的基于增量学习的雪茄烟烟叶晾制工艺阶段识别方法，其特征在于，所述步骤二中的特征集合包括采集步骤一处理后的烟叶图像中的R、G、H、纹理对比度、纹理同质性特征值，与干湿球温度数据、失水量传感器数据一起构成特征集合。

4.如权利要求1所述的基于增量学习的雪茄烟烟叶晾制工艺阶段识别方法，其特征在于，步骤三中的对图像中烟叶所处工艺阶段进行数字编码中，将烟叶晾制过程分为四个工艺阶段，包括凋萎期、变黄期、变褐期、干筋期，对处理后的目标图像进行工艺阶段标注，分别对应数字0～3，存入数据库中。

5.如权利要求1所述的基于增量学习的雪茄烟烟叶晾制工艺阶段识别方法，其特征在于，步骤三中进行缺失值预处理时，遍历所有数据特征，从缺失最少的特征开始，使用随机森林算法进行填补，在填补一个特征时，先将其他特征的缺失值用0代替，每完成一次回归预测，就将预测值放到原本的特征矩阵中，再继续填补下一个特征。

6.如权利要求1所述的基于增量学习的雪茄烟烟叶晾制工艺阶段识别方法，其特征在于，所述步骤四中数据集进行特征选择时，利用Embedded嵌入法，先利用随机森林算法对特征集合进行训练，得到各个特征的权值系数，再根据权值系数从大到小选择特征。

7.如权利要求1所述的基于增量学习的雪茄烟烟叶晾制工艺阶段识别方法，其特征在于，所述步骤五中的第一层基分类器的训练操作为：

以单个晾制批次为单位，划分初始数据集，可得到N个批次的晾制数据集，并将每个晾制批次中的数据以50为单位，划分得到流式数据集a1、a2……am共m个，以其对应的晾制工艺阶段编码作为训练标签；

使用SGD逻辑分类算法，按照增量训练的模式，依次导入流式数据集a1、a2……am，对SGD逻辑分类模型进行训练。根据网格搜索方法自动调节SGD逻辑分类模型参数，根据学习曲线确定，模型的正则化方式为L2，正则化强度为1，最大迭代次数为100，分类类型为multinomial，最优化方法为saga，CPU线程数为-1。