一種煙葉成熟度識別方法、裝置、設備及介質與流程

本發明涉及生物成熟度識別，更具體地，尤其涉及一種煙葉成熟度識別方法、裝置、設備及介質。

背景技術：

1、煙葉可以劃分為正在生長的煙草作物上的葉子、以及已經初步調制過但沒有加工成煙絲制品的煙葉。煙草從煙草植物到制成煙絲成品需要經過多個工藝制作流程，只有經過多重加工后才能成為商品流向市場銷售。當前，烤煙的煙葉等級優劣是根據煙葉的來源、葉片結構、成熟度、油分及色度等進行評定的。但當前的煙葉等級評判一般通過有較強主觀性的感官經驗來判斷，易造成評定不準確，對煙葉收購有很大影響。目前，隨著計算機視覺及圖像識別技術的飛速發展，為煙葉分級自動化技術提供了更為有利的發展條件。對于煙草行業來說，找到一種適合現代科技發展需求的煙葉分級方式，用智能化生產代替人工進行煙葉的分選、定級，是實現煙葉分級質量提升、效益增加的重點和難點問題之一。

技術實現思路

1、本發明的一個目的是提供一種煙葉成熟度識別方法、裝置、設備及介質，以解決前述的通過人為的主觀性感官經驗來判斷煙葉的等級優劣，易造成評定不準確，對煙葉收購有很大影響的問題。

2、根據本發明的第一方面，提供了一種煙葉成熟度識別方法，所述方法包括以下步驟：

3、在煙葉烘烤過程中，以預設周期采集煙葉圖像，并對所述煙葉圖像進行預處理，獲得煙葉數據集；

4、使用k-means聚類算法對所述煙葉圖像中的番茄果實目標檢測框進行聚類分析，并獲得anchor數量與尺寸；

5、基于所述煙葉數據集和所述anchor數量與尺寸來訓練yolo?v5模型；

6、訓練完成后，將yolo?v5模型部署到實際應用場景中。

7、可選地，通過人工定點相機的拍攝，采集真實的農業生產場景中的實際煙草生長圖片，其中，拍攝時間為煙草生長的各個時期。

8、可選地，對所述煙葉圖像進行預處理具體包括：

9、采用labelimg標注工具對采集的煙葉圖像信息進行標注；

10、對標注后的數據進行增強，對所采集到的圖片進行隨機旋轉、隨機裁剪、色彩抖動、高斯噪聲、水平翻轉、豎直翻轉操作。

11、可選地，在基于所述煙葉數據集和所述anchor數量與尺寸來訓練yolo?v5模型的步驟中，包括：

12、在訓練過程中，實時計算和記錄yolo?v5模型的loss值；

13、監測loss曲線的變化，判斷yolo?v5模型的訓練狀態；

14、使用測試集對yolo?v5模型進行準確率評估，如果yolo?v5模型的準確率低于預定閾值，則觸發修改數據集或網絡參數的操作。

15、可選地，修改數據集包括但不限于重新標注數據集、增加數據量、對數據進行更精細的預處理；

16、修改網絡參數包括但不限于調整網絡的學習率、優化器、正則化參數、針對網絡結構增加卷積層、調整激活函數。

17、可選地，在基于所述煙葉數據集和所述anchor數量與尺寸來訓練yolo?v5模型的步驟中，利用mobilenetv3的逆殘差bncek結構替換yolo?v5模型的backbone部分；mobilenetv3的逆殘差bncek結構包括通道可分離卷積+se通道注意力機制+殘差連接，其處理流程包括：

18、先將輸入特征經過一個卷積組合層和一個深度可分離卷積組合層，然后將得到的特征圖經過一個輕量化注意力結構，再將se注意力結構的輸出通過concat操作對深度可分離卷積輸出的特征進行通道加權，最終將輸入特征通過add跳躍連接與加權后的特征相加，再經過一個卷積組合層處理后輸出。

19、可選地，煙葉成熟度識別方法還包括：

20、在訓練過程中采用驗證集進行驗證，訓練至yolo?v5模型收斂后保存最終的模型權重；

21、加載訓練得到的模型權重，將測試集中的煙葉圖像輸入到已加載的模型中，進行圖像特征提取及特征聚合；

22、由yolo?v5模型的detect層處理聚合后的特征，輸出包含煙葉目標的邊界框坐標、置信度和成熟度類別概率；

23、應用非極大值抑制算法去除冗余的檢測框，生成最終的煙葉成熟度識別結果。

24、根據本發明的第二方面，提供了一種煙葉成熟度識別裝置，包括：

25、數據采集模塊，用于在煙葉烘烤過程中，以預設周期采集煙葉圖像；

26、數據處理模塊，用于對所述煙葉圖像進行預處理，獲得煙葉數據集；

27、數據分析模塊，用于使用k-means聚類算法對所述煙葉圖像中的番茄果實目標檢測框進行聚類分析，并獲得anchor數量與尺寸；

28、模型訓練模塊，基于所述煙葉數據集和所述anchor數量與尺寸來訓練yolo?v5模型；

29、模型應用模塊，用于在訓練完成后，將yolo?v5模型部署到實際應用場景中。

30、根據本發明的第三方面，提供了一種電子設備，包括：

31、存儲器，用于存儲可執行指令；以及

32、處理器，用于與所述存儲器通信以執行所述可執行指令從而完成本發明第一方面所述的煙葉成熟度識別方法的操作。

33、根據本發明的第四方面，提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質包括：計算機軟件指令；

34、當所述計算機軟件指令在電子設備中運行時，使得所述電子設備實現本發明第一方面所述的煙葉成熟度識別方法。

35、根據本公開的煙葉成熟度識別方法、裝置、設備及介質，具有以下技術效果：

36、使用k-means聚類算法對所述煙葉圖像中的番茄果實目標檢測框進行聚類分析，并獲得anchor數量與尺寸；基于所述煙葉數據集和所述anchor數量與尺寸來訓練yolo?v5模型；上述方案的煙草成熟度識別過程中參數量少，特征提取能力強，可以作為目標檢測任務的主干特征提取網絡，通過利用yolo?v5目標檢測模型執行煙草成熟度檢測，能夠高效、精確的對煙草進行成熟度檢測。煙農可通過在手機上部署基于本發明的相關軟件對煙草進行成熟度檢測，大幅節省人力，提高效率。

37、通過以下參照附圖對本發明的示例性實施例的詳細描述，本發明的其它特征及其優點將會變得清楚。

技術特征：

1.一種煙葉成熟度識別方法，其特征在于，所述方法包括以下步驟：

2.根據權利要求1所述的煙葉成熟度識別方法，其特征在于，包括：通過人工定點相機的拍攝，采集真實的農業生產場景中的實際煙草生長圖片，其中，拍攝時間為煙草生長的各個時期。

3.根據權利要求1所述的煙葉成熟度識別方法，其特征在于，對所述煙葉圖像進行預處理具體包括：

4.根據權利要求1所述的煙葉成熟度識別方法，其特征在于，在基于所述煙葉數據集和所述anchor數量與尺寸來訓練yolo?v5模型的步驟中，包括：

5.根據權利要求4所述的煙葉成熟度識別方法，其特征在于，

6.根據權利要求1所述的煙葉成熟度識別方法，其特征在于，在基于所述煙葉數據集和所述anchor數量與尺寸來訓練yolo?v5模型的步驟中，利用mobilenetv3的逆殘差bncek結構替換yolo?v5模型的backbone部分；mobilenetv3的逆殘差bncek結構包括通道可分離卷積+se通道注意力機制+殘差連接，其處理流程包括：

7.根據權利要求1所述的煙葉成熟度識別方法，其特征在于，還包括：

8.一種煙葉成熟度識別裝置，其特征在于，包括：

9.一種電子設備，其特征在于，包括：

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質包括：計算機軟件指令；

技術總結
本發明公開了一種煙葉成熟度識別方法、裝置、設備及介質，屬于生物成熟度識別技術領域，所述方法包括以下步驟：在煙葉烘烤過程中，以預設周期采集煙葉圖像，并對所述煙葉圖像進行預處理，獲得煙葉數據集；使用k?means聚類算法對所述煙葉圖像中的番茄果實目標檢測框進行聚類分析，并獲得anchor數量與尺寸；基于所述煙葉數據集和所述anchor數量與尺寸來訓練yolo?v5模型；訓練完成后，將yolo?v5模型部署到實際應用場景中。本發明的參數量少，特征提取能力強，能夠高效、精確的對煙草進行成熟度檢測。煙農可通過在手機上部署軟件對煙草進行成熟度檢測，大幅節省人力，提高效率。

技術研發人員：高揚華,許珍珍,陸海良,金泳
受保護的技術使用者：浙江中煙工業有限責任公司
技術研發日：
技術公布日：2024/10/21