System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种针对在评级竞赛中快速识别烟叶部位的分类方法及电子设备技术_技高网

一种针对在评级竞赛中快速识别烟叶部位的分类方法及电子设备技术

技术编号:43055211 阅读:14 留言:0更新日期:2024-10-22 14:36
本发明专利技术公开了一种针对在评级竞赛中快速识别烟叶部位的分类方法及电子设备,属于涉及烟草分类技术领域。该方法包括:收集包含不同烟叶部位的图像数据并进行处理,得到烟叶的标准分级样本;构建神经网络模型;设置损失函数,基于烟叶的标准分级样本对神经网络模型进行训练,得到训练后的神经网络模型;调整学习率及超参数,得到优化后的神经网络模型;将待分类的烟叶图像输入到训练及优化好的神经网络模型中,输出每个像素点属于不同烟叶部位概率的预测结果及对应的置信度分数;采用非极大值抑制策略优化预测结果,得到最终的烟叶部位分类结果。通过本发明专利技术提供的神经网络模型可以有效提高烟叶部位分类的精度和效率。

【技术实现步骤摘要】

本专利技术涉及烟草分类,更具体的说是涉及一种针对在评级竞赛中快速识别烟叶部位的分类方法及电子设备


技术介绍

1、烟叶作为烟草工业的基础原料,其品质对于烟草产品的最终质量具有决定性作用。在评级竞赛中快速识别烟叶部位,对于提高评级效率和准确性至关重要。

2、传统通过人工视觉难以满足要求的应用领域,常用机器视觉替代人工视觉。机器视觉系统可以快速获取大量烟叶外观信息并自动进行数据处理,易于同生产中其它维度信息相集成,提高烟叶分选的效率。

3、然而,现有的机器视觉识别烟叶部位分类方法虽已取得一定进展,但仍存在算法复杂性高、特征提取及识别结果不准确等问题。

4、因此,如何提供一种更加高效、准确且稳定的识别烟叶部位的分类方法及电子设备,是本领域技术人员亟需解决的问题。


技术实现思路

1、有鉴于此,本专利技术提供了一种针对在评级竞赛中快速识别烟叶部位的分类方法及电子设备,用以解决上述现有技术中存在的技术问题,为烟草行业提供更加高效、准确且稳定的识别烟叶部位的分类方法。

2、为了实现上述目的,本专利技术提供如下技术方案:

3、一种针对在评级竞赛中快速识别烟叶部位的分类方法,包括以下步骤:

4、s100:收集包含不同烟叶部位的图像数据并进行处理,得到烟叶的标准分级样本;

5、s200:构建神经网络模型;

6、s300:设置损失函数,基于烟叶的标准分级样本对所述神经网络模型进行训练,得到训练后的神经网络模型

7、s400:调整学习率及超参数,得到优化后的神经网络模型;

8、s500:将待分类的烟叶图像输入到训练及优化好的神经网络模型中,输出每个像素点属于不同烟叶部位概率的预测结果及对应的置信度分数;

9、s600:采用非极大值抑制策略优化所述预测结果,得到最终的烟叶部位分类结果。

10、优选的,所述s200:构建神经网络模型,包括:

11、s210:选择res2net50作为所述神经网络模型的主干网络,用于提取标准分级样本中不同图像的多尺度特征;

12、s220:在res2net50的基础上,引入fcos的anchor-free机制,实现逐像素点的目标检测;

13、s230:在fcos的基础上,添加centerness分支来预测每个位置的中心度。

14、优选的,所述多尺度特征包括:颜色特征、纹理特征、形状特征。

15、优选的,设置的损失函数包括:分类损失函数、定位损失函数以及centerness分支损失函数。

16、优选的,分类损失函数的表达式为:

17、

18、式中,n表示标准分级样本i的总数量,c表示类别c的总数量,yi,c表示标准分级样本i是否属于类别c,若是,则yi,c=1,若否则yi,c=0;pi,c表示标准分级样本i属于类别c的概率,且对于所有类别c,这些概率之和为1,表示为:

19、优选的,定位损失函数的表达式为:

20、

21、式中,ti和都是四维向量,分别表示预测和真实的边界框参数,smoothl1()函数表示为应用于ti和这两个向量之间的每个对应元素之差。

22、优选的,centerness分支损失函数的表达式为:

23、

24、式中,ctri表示模型预测的第i个标准分级样本的中心度值;表示第i个标准分级样本的真实中心度值。

25、优选的,还包括将分类损失函数、定位损失函数以及centerness分支损失函数进行加权求和,得到总损失:

26、ltotal=λclslcls+λloclloc+λctrlctr;

27、式中,lcls、lloc、lctr分别为分类函数、定位损失函数和centerness分支损失函数,λcls、λloc、λctr是用于平衡损失项权重的超参数。

28、优选的,s600:采用非极大值抑制策略优化所述预测结果,得到最终的烟叶部位分类结果,包括:

29、s610:按照置信度分数将预测结果进行排列;

30、s620:设置重叠度阈值并初始化非极大值抑制nns表;

31、s630:在排序后的预测结果中,从置信度最高的预测结果开始,依次与其他预测结果进行比较计算重叠度阈值;

32、s640:将计算的重叠度阈值雨设置的重叠度阈值进行比较,进行去除或保留操作;

33、s650:更新非极大值抑制nns表;

34、s660:重复s630-s650直到遍历完所有预测结果,得到最终的烟叶部位分类结果。

35、一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现针对在评级竞赛中快速识别烟叶部位的分类方法。

36、经由上述的技术方案可知,与现有技术相比,本专利技术公开提供了一种针对在评级竞赛中快速识别烟叶部位的分类方法及电子设备,基于res2net50主干网络的单阶段检测网络,结合fcos的anchor-free机制和centerness分支,可以实现对烟叶部位的快速、准确分类。该方法充分利用了res2net50的多尺度特征提取能力和fcos的逐像素点预测机制,并结合设置的损失函数,能够有效提高烟叶部位分类的精度和效率。

本文档来自技高网...

【技术保护点】

1.一种针对在评级竞赛中快速识别烟叶部位的分类方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种针对在评级竞赛中快速识别烟叶部位的分类方法,其特征在于,所述S200:构建神经网络模型,包括:

3.根据权利要求2所述的一种针对在评级竞赛中快速识别烟叶部位的分类方法,其特征在于,所述多尺度特征包括:颜色特征、纹理特征、形状特征。

4.根据权利要求1所述的一种针对在评级竞赛中快速识别烟叶部位的分类方法,其特征在于,设置的损失函数包括:分类损失函数、定位损失函数以及Centerness分支损失函数。

5.根据权利要求4所述的一种针对在评级竞赛中快速识别烟叶部位的分类方法,其特征在于,分类损失函数的表达式为:

6.根据权利要求5所述的一种针对在评级竞赛中快速识别烟叶部位的分类方法,其特征在于,定位损失函数的表达式为:

7.根据权利要求6所述的一种针对在评级竞赛中快速识别烟叶部位的分类方法,其特征在于,Centerness分支损失函数的表达式为:

8.根据权利要求7所述的一种针对在评级竞赛中快速识别烟叶部位的分类方法,其特征在于,还包括将分类损失函数、定位损失函数以及Centerness分支损失函数进行加权求和,得到总损失:

9.根据权利要求7所述的一种针对在评级竞赛中快速识别烟叶部位的分类方法,其特征在于,S600:采用非极大值抑制策略优化所述预测结果,得到最终的烟叶部位分类结果,包括:

10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至9任一所述的针对在评级竞赛中快速识别烟叶部位的分类方法。

...

【技术特征摘要】

1.一种针对在评级竞赛中快速识别烟叶部位的分类方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种针对在评级竞赛中快速识别烟叶部位的分类方法,其特征在于,所述s200:构建神经网络模型,包括:

3.根据权利要求2所述的一种针对在评级竞赛中快速识别烟叶部位的分类方法,其特征在于,所述多尺度特征包括:颜色特征、纹理特征、形状特征。

4.根据权利要求1所述的一种针对在评级竞赛中快速识别烟叶部位的分类方法,其特征在于,设置的损失函数包括:分类损失函数、定位损失函数以及centerness分支损失函数。

5.根据权利要求4所述的一种针对在评级竞赛中快速识别烟叶部位的分类方法,其特征在于,分类损失函数的表达式为:

6.根据权利要求5所述的一种针对在评级竞赛中快速识别烟叶部位的分类方法,其特征在...

【专利技术属性】
技术研发人员:何志红温雪刚李文黄雅洁罗武生欧世民于法辉樊士军黄扶昆王轩宇刘浩李玮翔
申请(专利权)人:湖南省烟草公司郴州市公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1