烟叶分类方法、装置、电子设备及存储介质与流程

1.本发明涉及烟草行业技术领域，尤其涉及一种烟叶分类方法、装置、电子设备及存储介质。


背景技术：

2.在卷烟产品的开发和配方维护的过程中，产品开发人员经常需要根据卷烟产品的设计目标和特征，从不同产地、部位或者等级的烟叶中筛选出符合配方需求的不同烟叶进行功能性替代，这种替代必须首先满足卷烟感官质量以及烟气成分释放量的稳定，因此，需要开发人员对不同产地、部位或者等级的烟叶之间的差异足够熟悉。
3.目前，在对比烟叶样本之间的差异时，一般通过人为感官评吸的方式对不同烟叶进行分类。这样的分类方式易受人体嗅觉或者味觉疲劳、评吸环境或者心理因素等诸多情况的影响，因此，可能导致出现主观性强、分类效率低下以及分类准确率低等问题。


技术实现要素：

4.本发明提供了一种烟叶分类方法、装置、电子设备及存储介质，以解决根据不同分类指标对烟叶样品的所属类别进行分类的问题。
5.根据本发明的一方面，提供了一种烟叶分类方法，该方法包括：
6.根据烟叶样本的热图谱数据确定目标热分析数据；
7.根据与烟叶样本所对应的目标烟叶分类模型对目标热分析数据进行处理，得到烟叶样本的分类结果，其中，目标烟叶分类模型与烟叶样本的分类指标项相对应。
8.根据本发明的另一方面，提供了一种烟叶分类装置，该装置包括：
9.数据确定模块，用于根据烟叶样本的热图谱数据确定目标热分析数据；
10.数据处理模块，用于根据与烟叶样本所对应的目标烟叶分类模型对目标热分析数据进行处理，得到烟叶样本的分类结果，其中，目标烟叶分类模型与烟叶样本的分类指标项相对应。
11.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
12.至少一个处理器；以及
13.与所述至少一个处理器通信连接的存储器；其中，
14.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的烟叶分类方法。
15.根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的烟叶分类方法。
16.本发明实施例的技术方案，首先根据烟叶样本的热图谱数据确定目标热分析数据，然后，根据与烟叶样本所对应的目标烟叶分类模型对目标热分析数据进行处理，得到烟
叶样本的分类结果，解决了现有技术中通过人为感官评吸的方式对不同烟叶进行分类而导致的评价主观性强、评价效率低下以及评价准确率低等问题，实现了准确、高效、客观和稳定地对烟叶的所属类别进行分类的效果。
17.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
18.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
19.图1是根据本发明实施例一提供的一种烟叶分类方法的流程图；
20.图2是根据本发明实施例二提供的一种烟叶分类方法的流程图；
21.图3是根据本发明实施例二提供的惩罚系数-模型准确率示意图；
22.图4是根据本发明实施例二提供的目标核函数相关系数-模型准确率示意图；
23.图5是根据本发明实施例二提供的惩罚系数-模型准确率示意图；
24.图6是根据本发明实施例二提供的一种烟叶分类方法的流程图；
25.图7是根据本发明实施例三提供的一种烟叶分类装置的结构示意图；
26.图8是实现本发明实施例的烟叶分类方法的电子设备的结构示意图。
具体实施方式
27.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
28.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
29.实施例一
30.图1为本发明实施例一提供了一种烟叶分类方法的流程图，本实施例可适用于根据不同分类指标对烟叶样品的所属类别进行分类的情况，该方法可以由烟叶分类装置来执行，该烟叶分类装置可以采用硬件和/或软件的形式实现，该烟叶分类装置可配置于终端和/或服务器中。如图1所示，该方法包括：
31.s110、根据烟叶样本的热图谱数据确定目标热分析数据。
neighbor，knn)分类算法构建得到的模型，也可以是基于支持向量机(support vector machines，svm)分类算法构建得到的模型等，本实施例对此不作具体限定。其中，目标烟叶分类模型与烟叶样本的分类指标项相对应。分类指标项为对烟叶样本的质量评估相关的各项指标。示例性的，分类指标项包括烟叶产地、烟叶等级以及烟叶部位等，本实施例对此不作具体限定。需要说明的是，每个分类指标项对应一个目标烟叶分类模型，用于针对当前分类指标项进行烟叶样本分类分析。分类结果可以将烟叶样本按照当前分类指标项划分后的结果。示例性的，若分类指标项为烟叶产地，则分类结果可以为种植烟叶的不同城市等；若分类指标项为烟叶等级，则分类结果可以为上等级、中等级以及下低等级等；若分类指标项为烟叶部位，则分类结果为上部、中部或者下部等。
42.可选的，根据与烟叶样本所对应的目标烟叶分类模型对目标热分析数据进行处理，包括：确定烟叶样本的分类指标项，根据分类指标项确定目标烟叶分类模型；基于目标烟叶分离模型对目标热分析数据进行处理。
43.在本实施例中，目标烟叶分类模型中包括目标核函数。其中。目标核函数为由目标烟叶分类模型引入的，用于解决高维空间中的内积运算以及非线性分类问题的函数。示例性的，若目标烟叶分类模型为基于支持向量机算法训练得到的分类模型，则在模型训练过程中，构造一个具有良好性能的支持向量机，核函数的选择是关键。例如，目标核函数可以为线性核函数、多项式核函数、双曲正切核函数和高斯径向基核函数等中的至少一项。
44.在实际应用中，在确定烟叶样本的目标热分析数据后，确定当前烟叶样本的分类指标项，以基于分类指标项确定其对应的目标烟叶分类模型，并将目标热分析数据输入至对应的目标烟叶分类模型中进行处理，即可得到烟叶样本关于该分类指标项的分类结果。
45.本发明实施例的技术方案，首先根据烟叶样本的热图谱数据确定目标热分析数据，然后，根据与烟叶样本所对应的目标烟叶分类模型对目标热分析数据进行处理，得到烟叶样本的分类结果，解决了现有技术中通过人为感官评吸的方式对不同烟叶进行分类而导致的评价主观性强、评价效率低下以及评价准确率低等问题，实现了准确、高效、客观和稳定地对烟叶的所属类别进行分类的效果。
46.实施例二
47.图2为本发明实施例二提供的一种烟叶分类方法的流程图，在上述实施例的基础上，在根据烟叶样本的热图谱数据确定目标热分析数据之前，可以预先训练待训练烟叶分类模型，得到目标烟叶分类模型。其具体的实施方式可以参见本实施例技术方案。其中，与上述实施例相同或者相应的技术术语在此不再赘述。
48.如图2所示，该方法包括：
49.s210、根据分类指标项中的烟叶产地、烟叶部位和烟叶等级，分别构建对应的烟叶样本集。
50.在本实施例中，由于目标烟叶分类模型是与烟叶样本的分类指标项相对应的，因此，在对待训练烟叶样本分类模型进行训练时，需要根据分类指标项中的烟叶产地、烟叶部位和烟叶等级，分别构建对应的烟叶样本集。其中，烟叶样本集中包括至少一个烟叶样本，以及与烟叶样本相对应的标签矩阵。
51.其中，标签矩阵可以为烟叶样本按照分类指标项的真实分类结果。
52.需要说明的是，在对待训练烟叶分类模型进行训练之前，需要先获取训练样本，以
基于训练样本来训练模型。为了提高模型的准确性，可以尽可能多而丰富的获取训练样本。示例性的，如表1所示，当分类指标项为烟叶产地时，其根据烟叶产地构建的样本集可以分为区域1的烟叶样本集，其样本数量为39个，区域2的烟叶样本集，其样本数量为16个，区域3的烟叶样本集，其样本数量为14个等，其中，不同区域可以对应种植烟叶的不同城市；如表2所示，当分类指标项为烟叶部位时，其根据烟叶部位构建的烟叶样本集可以包括部位1的烟叶样本集，其样本数量为26个，部位2的烟叶样本集，其样本数量为96个以及部位3的烟叶样本集，其样本数量为14个，其中，不同部位可以对应烟叶样品中具有不同特征的部位。
53.表1不同烟叶产地的烟叶样本集
[0054][0055]
表2不同烟叶部位的烟叶样本集
[0056][0057]
s220、针对各分类指标项所对应的烟叶样本集，对当前烟叶样本集进行热重实验，得到热分析数据集。
[0058]
其中，热分析数据集中包括至少一组热分析数据。
[0059]
在实际应用中，在根据各分类指标项，分别构建对应的烟叶样本集后，为了对各烟叶样本集中的各个烟叶样本的热解行为进行分析，可以对当前样本集进行热重实验，其中，热重实验的实验步骤在此不再赘述，从而得到包括至少一组热分析数据的热分析数据集。
[0060]
s230、基于至少一个原始核函数，确定至少一个待训练烟叶分类模型。
[0061]
在本实施例中，原始核函数是函数参数为初始参数，或者默认参数的核函数。示例性的，原始核函数可以包括但不限于线性核函数、多项式核函数、双曲正切核函数和高斯径向基核函数等。待训练烟叶分类模型为模型参数为初始参数，且需要进行训练的分类模型。可选的，待训练烟叶分类模型是基于支持向量机算法构建得到的。
[0062]
在实际应用中，由于目标烟叶分类模型是与分类指标项相对应的，因此，在对待训练烟叶分类模型进行训练时，需要根据不同分类指标项，分别训练不同的待训练烟叶分类模型，此外，为了得到分类效果更加准确的目标烟叶分类模型，对于同一个待训练烟叶分类模型，可以引入不同的原始核函数进行训练，以根据训练结果，确定效果最佳的原始核函数。
[0063]
s240、基于当前烟叶样本集中的热分析数据和相应的标签矩阵，分别确定至少一个待训练烟叶分类模型的模型准确率分布。
[0064]
在本实施例中，模型准确率分布为同一个待训练烟叶分类模型在引入不同原始核函数进行训练后，得到的模型分类准确率的概率分布曲线。
[0065]
在实际应用中，将当前烟叶样本集中的热分析数据和相应的标签矩阵输入至与当前分类指标项对应的待训练烟叶分类模型中进行处理，通过为该待训练烟叶分类模型引入不同的原始核函数来分别确定模型准确率，并根据经过所有原始核函数训练的待训练烟叶分类模型的模型准确率，确定该待训练烟叶分类模型的模型准确率分布。
[0066]
可选的，基于当前烟叶样本集中的热分析数据和相应的标签矩阵，分别确定至少一个待训练烟叶分类模型的模型准确率分布，包括：针对各待训练烟叶分类模型，基于当前待训练烟叶分类模型对当前烟叶样本集中的每一个热分析数据进行处理，得到实际输出矩阵；基于实际输出矩阵和相应的标签矩阵，确定当前待训练烟叶分类模型的模型准确率分布。
[0067]
在本实施例中，实际输出矩阵是当前烟叶样本集对于相应的分类指标项的实际分类结果。实际输出矩阵可以通过混淆矩阵的方式输出。其中，混淆矩阵是机器学习中总结分类模型预测结果的情形分析表，以矩阵形式将数据集中的记录并按照真实的类别与分类模型作出的分类判断两个标准进行汇总，矩阵中对角线的数据为模型样本集分类正确的数量，非对角线的数据为模型样本集分类错误的数量。示例性的，如表2所示，当分类指标项为烟叶产地时，基于待训练烟叶分类模型对当前样本集中的每个热分析数据进行处理后，得到的实际输出矩阵。
[0068]
表3目标烟叶分类模型对于烟叶产地的实际分类结果
[0069][0070]
在实际应用中，对于各待训练烟叶分类模型，将当前烟叶样本集中的每一个热分析数据和相应的标签矩阵输入至当前待训练烟叶分类模型中，根据与该待训练烟叶分类模型对应的分类指标项，分别经过该待训练烟叶分类模型中的不同的原始核函数对每一个热分析数据进行分类处理，对于每一个原始核函数，输出一个实际输出矩阵，进一步的，将各个原始核函数对应的实际输出矩阵与相应的标签矩阵进行比较，得到每个原始核函数所对应的模型准确率，从而得到当前待训练烟叶分类模型的模型准确率分布。
[0071]
可选的，基于实际输出矩阵和相应的标签矩阵，确定当前待训练烟叶分类模型的模型准确率分布，包括：基于实际输出矩阵和相应的标签矩阵，确定损失值，并基于损失值对当前待训练烟叶分类模型的模型参数进行修正，得到待应用烟叶分类模型；以及，基于各实际输出矩阵和相应的标签矩阵，动态调整当前待训练烟叶分类模型的模型准确率分布，以基于各待应用烟叶分类模型以及相应的模型准确率分布，确定与当前烟叶样本集所对应的目标烟叶分类模型。
[0072]
在本实施例中，损失值可以用于表示实际输出矩阵和相应的标签矩阵之间的差异值。在实际应用中，在得到实际输出矩阵后，可以将实际输出矩阵与其相应的标签矩阵进行比较，确定损失值，并基于损失值修正当前待训练烟叶分类模型的模型参数。可选的，模型参数包括惩罚系数和目标核函数的相关系数。其中，惩罚系数是用来控制惩罚项惩罚力度的参数，主要作用是权衡“训练样本的正确分类”和“决策函数的边际最大化”两个目标之间
的关系。需要说明的是，根据烟叶分类模型中目标核函数的不同，其需要进行调整相关系数也是不同的，例如，当目标核函数为高斯径向基核函数时，则相关系数为γ，当目标核函数为双曲正切核函数时，则相关系数为γ以及决策边界的系数(coef)等。待应用烟叶分类模型为经过模型参数修正后，正在等待后续应用的烟叶分类模型。
[0073]
在实际应用中，在得到实际输出矩阵后，将实际输出矩阵与相应的标签矩阵进行比较，确定损失值，并基于损失值对当前待训练烟叶分类模型的模型参数进行修正，从而得到待应用烟叶分类模型，同时，基于与各原始核函数对应的实际输出矩阵和相应的标签矩阵，对当前待训练烟叶分类模型的模型准确率分布进行动态调整，直至得到待应用烟叶分类模型所对应的模型准确率分布，从而基于各待应用烟叶分类模型以及相应的模型准确率分布，确定与当前烟叶样本集对应的目标烟叶分类模型。
[0074]
需要说明的是，由于烟叶样本集中每个烟叶样本的热分析数据的起始温度点不完全相同，因此，需要将各热分析数据进行温度点统一。
[0075]
还需说明的是，在将热分析数据输入至待训练烟叶分类模型之前，还需要对数据进行数据标准化处理，其中，数据标准化的方式可以为去中心化和方差缩放。
[0076]
s250、基于模型准确率分布，确定与当前烟叶样本集相对应的目标核函数。
[0077]
在实际应用中，在得到当前待训练烟叶分类模型的模型准确率分布后，可以根据模型准确率分布，确定各原始核函数与模型准确率之间的对应关系，并将模型准确率为最大值时所对应的原始核函数作为与输入至该待训练烟叶分类模型中的当前烟叶样本集相对应的目标核函数。
[0078]
s260、基于与目标核函数相对应的目标烟叶分类模型，和与当前烟叶样本集相对应的测试样本集，确定目标烟叶分类模型的目标准确率。
[0079]
在本实施例中，为了验证目标烟叶分类模型的稳定性和分类准确性，从当前烟叶样本集选取一部分样本，如，可以随机选取20％的当前烟叶样本集，作为测试样本集。进一步的，将测试样本集中的每一个热分析数据输入至包含目标核函数的目标烟叶分类模型中，确定目标烟叶分类模型的目标准确率，以根据得到的目标准确率对目标烟叶分类模型的分类效果进行评估。
[0080]
可选的，基于与目标核函数相对应的目标烟叶分类模型，和与当前烟叶样本集相对应的测试样本集，确定目标烟叶分类模型的目标准确率，包括：基于测试样本集中的热分析数据和相应的测试标签矩阵，计算目标烟叶分类模型的目标准确率。
[0081]
其中，测试标签矩阵为与测试样本集对应的真实分类结果矩阵。
[0082]
具体的，将测试样本集中的热分析数据输入至目标烟叶分类模型中，得到实际测试矩阵，并根据实际测试矩阵与相应的测试标签矩阵之间的差异值，计算目标烟叶分类模型的目标准确率。
[0083]
s270、在目标准确率达到预设准确率阈值，则确定当前烟叶样本集的目标烟叶分类模型。
[0084]
在本实施例中，预设准确率阈值为预先设置的，用于评估烟叶分类模型分类效果的准确率边界值。示例性的，预设准确率阈值可以为90％，即，当目标烟叶分类模型的目标准确率大于或等于90％时，模型的分类效果最佳。
[0085]
在实际应用中，为了验证目标烟叶分类模型的分类效果，可以通过测试样本集对
目标烟叶分类模型进行多次测试来确定，并在每次测试之后，对目标烟叶分类模型的模型参数进行调整，直至模型的目标准确率达到预设准确率阈值，并将此时得到的烟叶分类模型，作为当前烟叶样本集的目标烟叶分类模型。
[0086]
在上述技术方案的基础上，还包括：将目标烟叶分类模型中所使用的目标核函数与相应的分类指标项绑定，以在进行分类时，基于分类指标项确定相应的目标核函数。
[0087]
在实际应用中，在得到目标烟叶分类模型后，针对各分类指标项，可以将目标烟叶分类模型中所使用的目标核函数与分类效果最好的分类指标项绑定起来，从而可以在后续应用该目标烟叶分类模型进行分类时，可以根据当前分类指标项确定相应的目标核函数，以得到较为准确的分类结果。
[0088]
示例性的，如表4所示，如果分类指标项为烟叶产地，使用线性(linear)核函数进行分类的目标烟叶分类模型的准确率高于其他核函数。如表5所示，如果分类指标项为烟叶部位，选取高斯径向基核函数和多项式核函数，模型的分类准确率都较高，但由于多项式核函数的相关系数较多，调整过程过于繁琐，因此优先使用高斯径向基核函数。
[0089]
表4不同核函数对于烟叶产地分类的准确率
[0090][0091]
表5不同核函数对于烟叶部位分类的准确率
[0092][0093]
进一步的，如图3所示，如果分类指标项为烟叶产地，其对应的目标核函数为线性核函数，该核函数没有其相关的系数，因此，目标烟叶分类模型的模型参数仅包括惩罚系数，可以根据目标烟叶分类模型中惩罚系数与测试样本集准确率之间的关系，确定惩罚系数的最终值。如图4和图5所示，如果分类指标项为烟叶部位，其对应的目标核函数为高斯径向基核函数，该核函数对应的相关系数为γ，因此，目标烟叶分类模型的模型参数包括惩罚系数和γ，可以分别根据惩罚系数和γ与测试样本集准确率之间的关系，确定模型参数的最终值。
[0094]
需要说明的是，为了提升目标烟叶分类模型的稳定性，可以通过增加烟叶样本来扩充数据库，并通过混淆矩阵对扩充数据后的目标烟叶分类模型进行评估。示例性的，如表6所示，当分类指标项为烟叶产地时，样本扩充后的分类准确率高于扩充之前。
[0095]
表6扩充数据后烟叶产地样本集的分类结果
[0096][0097]
示例性的，如图6所示，本发明实施例的技术方案可以通过下述步骤实现：
[0098]
1、通过热重实验分析获得烟叶样本的热图谱数据；
[0099]
2、根据热图谱数据确定热分析数据，并进行数据标准化处理；
[0100]
3、根据支持向量机算法，确定待训练烟叶分类模型中的目标核函数；
[0101]
4、根据分类指标项对应的不同目标核函数，优化相应的待训练烟叶分类模型的模型参数，得到目标烟叶分类模型；
[0102]
5、根据当前烟叶样本集对应的测试样本集，对目标烟叶分类模型进行测试；
[0103]
6、扩充烟叶样本集，验证目标烟叶分类模型的分类准确率，并当分类准确大于90％时，确定最终的目标烟叶分类模型。
[0104]
s280、根据烟叶样本的热图谱数据确定目标热分析数据。
[0105]
s290、根据与烟叶样本所对应的目标烟叶分类模型对目标热分析数据进行处理，得到烟叶样本的分类结果。
[0106]
本发明实施例的技术方案，对待训练烟叶分类模型进行训练，从而得到训练完成的目标烟叶分类模型，进而基于目标烟叶分类模型对烟叶样本的目标热分析数据进行处理，得到烟叶样本的分类结果，实现了准确、高效、客观和稳定地对烟叶的所属类别进行分类的效果。
[0107]
实施例三
[0108]
图7为本发明实施例三提供的一种烟叶分类装置的结构示意图。如图7所示，该装置包括：数据确定模块310和数据处理模块320。
[0109]
其中，数据确定模块310，用于根据烟叶样本的热图谱数据确定目标热分析数据；
[0110]
数据处理模块320，用于根据与烟叶样本所对应的目标烟叶分类模型对目标热分析数据进行处理，得到烟叶样本的分类结果，其中，目标烟叶分类模型与烟叶样本的分类指标项相对应。
[0111]
本发明实施例的技术方案，首先根据烟叶样本的热图谱数据确定目标热分析数据，然后，根据与烟叶样本所对应的目标烟叶分类模型对目标热分析数据进行处理，得到烟叶样本的分类结果，解决了现有技术中通过人为感官评吸的方式对不同烟叶进行分类而导致的评价主观性强、评价效率低下以及评价准确率低等问题，实现了准确、高效、客观和稳
定地对烟叶的所属类别进行分类的效果。
[0112]
可选的，数据确定模块310，还用于对烟叶样本进行热重实验，得到热图谱数据和热图谱数据对应的热重分析曲线；通过对热重分析曲线的曲线函数求导处理，得到目标热分析数据。
[0113]
可选的，数据确定模块310，还用于热重实验的实验步骤包括：将烟叶样本进行研磨处理，并通过筛孔数量为预设数量的筛网对研磨后的烟叶样本进行过筛处理，得到原始烟叶烟末；将原始烟叶烟末在预设温度范围和预设湿度范围的条件下密封保存预设时长；称取预设重量的原始烟叶烟末，并将称取后的原始烟叶烟末在预设流量范围的氮气气氛、预设热解温度范围以及预设升温速率范围的条件下进行热重实验。
[0114]
可选的，数据处理模块320，还用于确定烟叶样本的分类指标项，根据分类指标项确定目标烟叶分类模型，其中，目标烟叶分类模型包括目标核函数；基于目标烟叶分离模型对目标热分析数据进行处理。
[0115]
可选的，所述装置还包括：样本集构建模块、数据集确定模块、待训练烟叶分类模型确定模块、准确率分布确定模块、核函数确定模块、准确率确定模块和目标烟叶分类模型确定模块。
[0116]
样本集构建模块，用于根据分类指标项中的烟叶产地、烟叶部位和烟叶等级，分别构建对应的烟叶样本集；所述烟叶样本集中包括至少一个烟叶样本，以及与所述烟叶样本相对应的标签矩阵；
[0117]
数据集确定模块，用于针对各分类指标项所对应的烟叶样本集，对当前烟叶样本集进行热重实验，得到热分析数据集；所述热分析数据集中包括至少一组热分析数据；
[0118]
待训练烟叶分类模型确定模块，用于基于至少一个原始核函数，确定至少一个待训练烟叶分类模型；
[0119]
准确率分布确定模块，用于基于所述当前烟叶样本集中的热分析数据和相应的标签矩阵，分别确定所述至少一个待训练烟叶分类模型的模型准确率分布；
[0120]
核函数确定模块，用于基于所述模型准确率分布，确定与所述当前烟叶样本集相对应的目标核函数；
[0121]
准确率确定模块，用于基于与所述目标核函数相对应的目标烟叶分类模型，和与所述当前烟叶样本集相对应的测试样本集，确定所述目标烟叶分类模型的目标准确率；
[0122]
目标烟叶分类模型确定模块，用于在所述目标准确率达到预设准确率阈值时，则确定所述当前烟叶样本集的所述目标烟叶分类模型。
[0123]
可选的，准确率分布确定模块包括：实际输出矩阵确定单元和准确率分布确定单元。
[0124]
实际输出矩阵确定单元，用于针对各待训练烟叶分类模型，基于当前待训练烟叶分类模型对所述当前烟叶样本中的每一个热分析数据进行处理，得到实际输出矩阵；准确率分布确定单元，用于基于所述实际输出矩阵和相应的标签矩阵，确定所述当前待训练烟叶分类模型的模型准确率分布。
[0125]
可选的，准确率分布确定单元，还用于基于所述实际输出矩阵和相应的标签矩阵，确定损失值，并基于所述损失值对所述当前待训练烟叶分类模型的模型参数进行修正，得到待应用烟叶分类模型；以及，基于各所述实际输出矩阵和相应的标签矩阵，动态调整所述
当前待训练烟叶分类模型的模型准确率分布，以基于各待应用烟叶分类模型以及相应的模型准确率分布，确定与所述当前烟叶样本集所对应的目标烟叶分类模型；其中，所述模型参数包括惩罚系数和所述目标核函数的相关系数。
[0126]
可选的，所述装置还包括：分类指标项绑定模块，用于将所述目标烟叶分类模型中所使用的目标核函数与相应的分类指标项绑定，以在进行分类时，基于所述分类指标项确定相应的目标核函数。
[0127]
可选的，准确率确定模块，还用于基于所述测试样本集中的热分析数据和相应的测试标签矩阵，计算所述目标烟叶分类模型的目标准确率。
[0128]
可选的，所述原始核函数包括线性核函数、多项式核函数、双曲正切核函数和高斯径向基核函数。
[0129]
可选的，所述待训练烟叶分类模型是基于支持向量机算法构建得到的。
[0130]
本发明实施例所提供的烟叶分类装置可执行本发明任意实施例所提供的烟叶分类方法，具备执行方法相应的功能模块和有益效果。
[0131]
实施例四
[0132]
图8示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0133]
如图8所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0134]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0135]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如烟叶分类方法。
[0136]
在一些实施例中，烟叶分类方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的烟叶分类方法的一个或多个步骤。备选地，在其
他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行烟叶分类方法。
[0137]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0138]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0139]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0140]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0141]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0142]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云
主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0143]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0144]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。