[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

说明书

本发明属于烟叶晾制技术领域，公开了一种基于增量学习的雪茄烟烟叶晾制工艺阶段识别方法，提出了基于SGD逻辑分类算法，采用增量学习的模式对烟叶晾制工艺阶段进行识别的融合模型，该模型可结合晾制房采集的晾制数据特点对数据进行预处理和特征选择，通过增量训练的学习模式，逐步提高判断晾制工艺阶段的准确度，优化烟叶晾制的流程，缓解烟农的工作压力，提高烟叶的经济效益。本发明为烟叶数据特征填补大量有效信息，提高了后续模型预测准确度，解决晾制数据中大量噪声的问题，提升了模型训练效率；实现实时、快速判断晾制工艺阶段，同时模型利用后续数据增量再次学习，以此改进烟叶晾制工艺，实现远程、智能、精准晾制。

技术领域

本发明属于烟叶晾制技术领域，尤其涉及一种基于增量学习的雪茄烟烟叶晾制工艺阶段识别方法。

背景技术

目前，雪茄烟叶晾制是指采收后的烟叶逐渐干燥，烟叶化学组分逐渐发生变化的过程，是雪茄烟叶外观质量及内在品质形成的重要过程。从生理学角度讲，晾制主要是一种饥饿代谢过程，是烟叶脱水干燥和内部化学物质变化相互协调的过程。其中，作为雪茄烟中单价最高的部分，调制后的茄衣呈现为深棕色且颜色均匀，烟叶较薄、油分足、弹性好、叶脉细而平整，总植物碱、总氮和氯含量均降低，钾含量、钾氯比和氮碱比略升高，燃烧性提高。但在传统的晾制工艺中，调制后烟叶的质量好坏受环境影响较大，容易出现颜色深浅不均、组织结构粗糙、叶片较厚、弹性较差等情况，并且在工艺执行方面，需要依靠烟农通过感官对烟叶的晾制过程进行主观判断，烟叶的质量往往取决于烟农的晾制经验，缺少成熟的晾制技术和配套的晾制设施，智能化晾制设备研究更是处于空白阶段，一旦质量出现问题，不能利用晾制过程中的数据信息对晾制过程进行分析，使得晾制工艺改进受阻。

随着机器学习技术的快速发展，智能化逐步成为各个领域转型的方向，自动智能技术也在工业应用中展现出了优异的成绩。因此本发明利用机器学习的优势，针对CX-026烟叶品种，采集雪茄烟叶中茄衣部分在晾制房晾制过程中产生的各类数据，构建烟叶晾制工艺阶段预测模型，保障在晾制过程中对晾制工艺阶段的高精度识别，进而实现对晾制工艺的实时控制和调整，这将对缓解烟农工作负担、提高烟叶晾制效率、优化烟叶晾制过程、提升烟叶晾制质量和增加烟叶的经济效益产生巨大的促进作用。

理论上来说，烟叶晾制过程中采集到的数据主要为两类，分别是结构化数据和非结构化数据，主要包括：晾制房温度、晾制房湿度、烟叶失水量、烟叶图像等数据。常规的烟叶图像处理需关注烟叶的叶片颜色和面积的变化以及筋脉的变化，其中叶片颜色方面主要采集RGB(Red Green Blue)、HSV(Hue Saturation Value)两种颜色空间的颜色特征数据，叶片筋脉方面主要采集叶片纹理的各类特征数据。这意味着导入模型的数据特征繁多，并且随着晾制过程中提取的数据量的增加，噪声和数据异常出现的次数也随之增多，使得数据质量低劣。此外，现有对于烟叶晾制过程识别的相关研究都是使用一次性学习训练的算法，这些算法在数据噪声多的情况下表现一般，难以应用到实际生产中。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有的烟叶晾制过程中的烟叶图像处理方式导入模型的数据特征繁多，噪声和数据异常出现的次数也随之增多，使得数据质量低劣。

(2)现有对于烟叶晾制过程识别的相关研究都是使用一次性学习训练的算法，这些算法在数据噪声多的情况下表现一般，难以应用到实际生产中。

解决以上问题及缺陷的难度为：

目前由于数据和建模思路的问题，一次性学习训练的算法在数据冗杂的晾制数据集中表现一般，模型的性能受到限制。

解决以上问题及缺陷的意义为：