本發(fā)明涉及煙草分類，更具體的說是涉及一種針對在評級競賽中快速識別煙葉部位的分類方法及電子設(shè)備。

背景技術(shù)：

1、煙葉作為煙草工業(yè)的基礎(chǔ)原料，其品質(zhì)對于煙草產(chǎn)品的最終質(zhì)量具有決定性作用。在評級競賽中快速識別煙葉部位，對于提高評級效率和準(zhǔn)確性至關(guān)重要。

2、傳統(tǒng)通過人工視覺難以滿足要求的應(yīng)用領(lǐng)域，常用機器視覺替代人工視覺。機器視覺系統(tǒng)可以快速獲取大量煙葉外觀信息并自動進行數(shù)據(jù)處理，易于同生產(chǎn)中其它維度信息相集成，提高煙葉分選的效率。

3、然而，現(xiàn)有的機器視覺識別煙葉部位分類方法雖已取得一定進展，但仍存在算法復(fù)雜性高、特征提取及識別結(jié)果不準(zhǔn)確等問題。

4、因此，如何提供一種更加高效、準(zhǔn)確且穩(wěn)定的識別煙葉部位的分類方法及電子設(shè)備，是本領(lǐng)域技術(shù)人員亟需解決的問題。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種針對在評級競賽中快速識別煙葉部位的分類方法及電子設(shè)備，用以解決上述現(xiàn)有技術(shù)中存在的技術(shù)問題，為煙草行業(yè)提供更加高效、準(zhǔn)確且穩(wěn)定的識別煙葉部位的分類方法。

2、為了實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種針對在評級競賽中快速識別煙葉部位的分類方法，包括以下步驟：

4、s100：收集包含不同煙葉部位的圖像數(shù)據(jù)并進行處理，得到煙葉的標(biāo)準(zhǔn)分級樣本；

5、s200：構(gòu)建神經(jīng)網(wǎng)絡(luò)模型；

6、s300：設(shè)置損失函數(shù)，基于煙葉的標(biāo)準(zhǔn)分級樣本對所述神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型；

7、s400：調(diào)整學(xué)習(xí)率及超參數(shù)，得到優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型；

8、s500：將待分類的煙葉圖像輸入到訓(xùn)練及優(yōu)化好的神經(jīng)網(wǎng)絡(luò)模型中，輸出每個像素點屬于不同煙葉部位概率的預(yù)測結(jié)果及對應(yīng)的置信度分數(shù)；

9、s600：采用非極大值抑制策略優(yōu)化所述預(yù)測結(jié)果，得到最終的煙葉部位分類結(jié)果。

10、優(yōu)選的，所述s200：構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，包括：

11、s210：選擇res2net50作為所述神經(jīng)網(wǎng)絡(luò)模型的主干網(wǎng)絡(luò)，用于提取標(biāo)準(zhǔn)分級樣本中不同圖像的多尺度特征；

12、s220：在res2net50的基礎(chǔ)上，引入fcos的anchor-free機制，實現(xiàn)逐像素點的目標(biāo)檢測；

13、s230：在fcos的基礎(chǔ)上，添加centerness分支來預(yù)測每個位置的中心度。

14、優(yōu)選的，所述多尺度特征包括：顏色特征、紋理特征、形狀特征。

15、優(yōu)選的，設(shè)置的損失函數(shù)包括：分類損失函數(shù)、定位損失函數(shù)以及centerness分支損失函數(shù)。

16、優(yōu)選的，分類損失函數(shù)的表達式為：

17、

18、式中，n表示標(biāo)準(zhǔn)分級樣本i的總數(shù)量，c表示類別c的總數(shù)量，yi,c表示標(biāo)準(zhǔn)分級樣本i是否屬于類別c，若是，則yi,c＝1，若否則yi,c＝0；pi,c表示標(biāo)準(zhǔn)分級樣本i屬于類別c的概率，且對于所有類別c，這些概率之和為1，表示為：

19、優(yōu)選的，定位損失函數(shù)的表達式為：

20、

21、式中，ti和都是四維向量，分別表示預(yù)測和真實的邊界框參數(shù)，smoothl1()函數(shù)表示為應(yīng)用于ti和這兩個向量之間的每個對應(yīng)元素之差。

22、優(yōu)選的，centerness分支損失函數(shù)的表達式為：

23、

24、式中，ctri表示模型預(yù)測的第i個標(biāo)準(zhǔn)分級樣本的中心度值；表示第i個標(biāo)準(zhǔn)分級樣本的真實中心度值。

25、優(yōu)選的，還包括將分類損失函數(shù)、定位損失函數(shù)以及centerness分支損失函數(shù)進行加權(quán)求和，得到總損失：

26、ltotal＝λclslcls+λloclloc+λctrlctr；

27、式中，lcls、lloc、lctr分別為分類函數(shù)、定位損失函數(shù)和centerness分支損失函數(shù)，λcls、λloc、λctr是用于平衡損失項權(quán)重的超參數(shù)。

28、優(yōu)選的，s600：采用非極大值抑制策略優(yōu)化所述預(yù)測結(jié)果，得到最終的煙葉部位分類結(jié)果，包括：

29、s610：按照置信度分數(shù)將預(yù)測結(jié)果進行排列；

30、s620：設(shè)置重疊度閾值并初始化非極大值抑制nns表；

31、s630：在排序后的預(yù)測結(jié)果中，從置信度最高的預(yù)測結(jié)果開始，依次與其他預(yù)測結(jié)果進行比較計算重疊度閾值；

32、s640：將計算的重疊度閾值雨設(shè)置的重疊度閾值進行比較，進行去除或保留操作；

33、s650：更新非極大值抑制nns表；

34、s660：重復(fù)s630-s650直到遍歷完所有預(yù)測結(jié)果，得到最終的煙葉部位分類結(jié)果。

35、一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)針對在評級競賽中快速識別煙葉部位的分類方法。

36、經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明公開提供了一種針對在評級競賽中快速識別煙葉部位的分類方法及電子設(shè)備，基于res2net50主干網(wǎng)絡(luò)的單階段檢測網(wǎng)絡(luò)，結(jié)合fcos的anchor-free機制和centerness分支，可以實現(xiàn)對煙葉部位的快速、準(zhǔn)確分類。該方法充分利用了res2net50的多尺度特征提取能力和fcos的逐像素點預(yù)測機制，并結(jié)合設(shè)置的損失函數(shù)，能夠有效提高煙葉部位分類的精度和效率。

技術(shù)特征：

1.一種針對在評級競賽中快速識別煙葉部位的分類方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種針對在評級競賽中快速識別煙葉部位的分類方法，其特征在于，所述s200：構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，包括：

3.根據(jù)權(quán)利要求2所述的一種針對在評級競賽中快速識別煙葉部位的分類方法，其特征在于，所述多尺度特征包括：顏色特征、紋理特征、形狀特征。

4.根據(jù)權(quán)利要求1所述的一種針對在評級競賽中快速識別煙葉部位的分類方法，其特征在于，設(shè)置的損失函數(shù)包括：分類損失函數(shù)、定位損失函數(shù)以及centerness分支損失函數(shù)。

5.根據(jù)權(quán)利要求4所述的一種針對在評級競賽中快速識別煙葉部位的分類方法，其特征在于，分類損失函數(shù)的表達式為：

6.根據(jù)權(quán)利要求5所述的一種針對在評級競賽中快速識別煙葉部位的分類方法，其特征在于，定位損失函數(shù)的表達式為：

7.根據(jù)權(quán)利要求6所述的一種針對在評級競賽中快速識別煙葉部位的分類方法，其特征在于，centerness分支損失函數(shù)的表達式為：

8.根據(jù)權(quán)利要求7所述的一種針對在評級競賽中快速識別煙葉部位的分類方法，其特征在于，還包括將分類損失函數(shù)、定位損失函數(shù)以及centerness分支損失函數(shù)進行加權(quán)求和，得到總損失：

9.根據(jù)權(quán)利要求7所述的一種針對在評級競賽中快速識別煙葉部位的分類方法，其特征在于，s600：采用非極大值抑制策略優(yōu)化所述預(yù)測結(jié)果，得到最終的煙葉部位分類結(jié)果，包括：

10.一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如權(quán)利要求1至9任一所述的針對在評級競賽中快速識別煙葉部位的分類方法。

技術(shù)總結(jié)
本發(fā)明公開了一種針對在評級競賽中快速識別煙葉部位的分類方法及電子設(shè)備，屬于涉及煙草分類技術(shù)領(lǐng)域。該方法包括：收集包含不同煙葉部位的圖像數(shù)據(jù)并進行處理，得到煙葉的標(biāo)準(zhǔn)分級樣本；構(gòu)建神經(jīng)網(wǎng)絡(luò)模型；設(shè)置損失函數(shù)，基于煙葉的標(biāo)準(zhǔn)分級樣本對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型；調(diào)整學(xué)習(xí)率及超參數(shù)，得到優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型；將待分類的煙葉圖像輸入到訓(xùn)練及優(yōu)化好的神經(jīng)網(wǎng)絡(luò)模型中，輸出每個像素點屬于不同煙葉部位概率的預(yù)測結(jié)果及對應(yīng)的置信度分數(shù)；采用非極大值抑制策略優(yōu)化預(yù)測結(jié)果，得到最終的煙葉部位分類結(jié)果。通過本發(fā)明提供的神經(jīng)網(wǎng)絡(luò)模型可以有效提高煙葉部位分類的精度和效率。

技術(shù)研發(fā)人員：何志紅,溫雪剛,李文,黃雅潔,羅武生,歐世民,于法輝,樊士軍,黃扶昆,王軒宇,劉浩,李瑋翔
受保護的技術(shù)使用者：湖南省煙草公司郴州市公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21