烟叶异物高精度识别方法、系统、电子设备及计算机可读存储介质与流程

1.本发明涉及卷烟技术领域，更具体地，涉及一种烟叶异物高精度识别方法、系统、电子设备及计算机可读存储介质。


背景技术：

2.随着工业现代化的不断发展，自动化检测与控制技术已经成为改造传统生产设备、提高企业生产现代化水平的重要方式。现今，烟草行业已经形成了一个非常系统的产业链。而中国具有全球规模最为庞大的烟草市场和良好的原料基础，但其传统的生产制造工艺不能满足高品质、高档次香烟的生产需求，且卷烟生产的自动化能力较弱，客观上给国外的烟草企业留下了市场空间。
3.烟叶原料在人工处理的过程中，包括对烟叶的生产、搜集、包装等过程中，不可避免的对混入金属、纸屑、布片、塑料及麻丝等杂物。在大流量生产线上虽然采用精选台的方式进行挑选，但是劳动强度大、人工本钱高、剔除率低。在烟草加工环节中，其原材料易混有杂物，严重影响香烟的质量，目前的异物识别剔除率相对来说比较低。提高烟草的质量，就是要剔除烟草中的各种异物，对于异物的识别准确率有很高的要求。现在对于异物目标检测的方法主要是在机器学习视觉技术上，难以适用于粉尘较大、异物类型较多、烟叶与异物颜色与尺寸相近的复杂烟草生产环境。自 2006年以来，深度学习在学术界和工业界持续升温，在语音识别、自然语言处理、图像识别等领域取得了惊人的进展，从而推动了人工智能和人机交互的大踏步前进。深度学习成为了新世纪以来最具有技术性和突破性的研究方向，为科技新时代的建立提供了整体的技术框架和核心思路。深度学习理论在图像识别领域的深化应用，为烟叶异物识别问题提供了解决的思路。
4.因此，如何提供一种烟叶异物高精度识别方法、系统、电子设备及计算机可读存储介质成为本领域亟需解决的技术难题。


技术实现要素：

5.本发明的目的是提供一种烟叶异物高精度识别方法、系统、电子设备及计算机可读存储介质。
6.本发明第一方面公开了一种烟叶异物高精度识别方法；所述方法包括：
7.步骤s1、收集参杂异物的烟叶的视频和图像，并且存储到数据库中；
8.步骤s2、制作数据集，使用labelimg工具对图像数据进行标定，记录物体的类别及位置信息，将异物类别标注接合到参杂异物的烟叶图片数据中，形成训练数据；
9.步骤s3、搭建深度卷积神经网络模型；
10.步骤s4、通过所述训练数据和实例训练数据训练烟叶异物识别的所述深度卷积神经网络模型；
11.步骤s5、将所述数据集导入烟叶异物识别的所述深度卷积神经网络模型中，通过
模型训练学习到的特征进行预测；
12.步骤s6、得到的预测结果进行解码，即是先验框的左上角和右下角的位置进行调整，经过调整后的先验框的位置就是最终预测结果的位置。
13.根据本发明第一方面的方法，在所述步骤s1中，所述收集参杂异物的烟叶的视频和图像的方法包括：
14.在烟厂的流水线上收集视频图像数据，然后把视频图像数据处理成图片数据。
15.根据本发明第一方面的方法，在所述步骤s2中，所述使用labelimg 工具对图像数据进行标定，记录物体的类别及位置信息，将异物类别标注接合到参杂异物的烟叶图片数据中，形成训练数据的方法包括：
16.1)将目标物体的数据集图像导入标定工具labelimg中；
17.2)通过labelimg工具对目标物体的位置和种类进行标注，标注的结果生成一个对应图片的xml格式的文件；将目标的最小的外接的矩形作为目标的边界框，所标注的目标物体的位置数据就是目标边界框四个角的坐标；
18.用(x
λ
,y
λ
,w
λ
,h
λ
)表示标注的异物类型的位置和相应的尺寸变化；
19.其中(x
λ
,y
λ
)为标注的坐标位置，w
λ
,h
λ
为标注的矩形定位框的宽和高。
20.根据本发明第一方面的方法，在所述步骤s3中，所述搭建深度卷积神经网络模型的方法为：
21.选择swim-transformer，即移位窗口的分层视觉转换，作为模型的主干网络，目的是提取目标的特征；
22.在所述swim-transformer之后，引入bifpn，即加权双向特征金字塔特征融合网络，高效的双向跨尺度连接和加权特征融合。
23.根据本发明第一方面的方法，在所述步骤s3中，
24.在所述swim-transformer之前，所述深度卷积神经网络模型还包括：
25.一个patch partition，即划分输入图片模块，这里以4
×
4大小为一个patch，即小片，划分后的维度会变成(h/4)*(w/4)*48；然后经过一个linearembedding，即线性嵌入层。
26.根据本发明第一方面的方法，训练的损失函数为：
[0027][0028]
其中b，b
gt
分别代表了预测框和真实框的中心点，且ρ代表的是计算两个中心点间的欧式聚集，c代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离。iou的全称为交并比(intersection over union)iou计算的是“预测的边框(面积为a)”和“真实的边框(面积为b)”的交集和并集的比值。
[0029][0030]
根据本发明第一方面的方法，在所述步骤s4中，最终的预测结果为：
[0031]
(x
μ
,y
μ
,w
μ
,h
μ
)为预测的对应的边界框的位置坐标；用以下公式表示：
[0032]
x
μ
＝σ(x
λ
) x
grid
；
[0033]yμ
＝σ(y
λ
) y
grid
；
[0034][0035][0036]
其中(x
μ
,y
μ
)为预测的坐标位置，(x
grid
,y
grid
)是当前网格左上角位置坐标；σ的范围是0-1的取值；w
μ
,h
μ
为预测的矩形定位框的宽和高。
[0037]
本发明第二方面公开了一种烟叶异物高精度识别系统；所述系统包括：
[0038]
第一处理模块，被配置为，收集参杂异物的烟叶的视频和图像，并且存储到数据库中；
[0039]
第二处理模块，被配置为，制作数据集，使用labelimg工具对图像数据进行标定，记录物体的类别及位置信息，将异物类别标注接合到参杂异物的烟叶图片数据中，形成训练数据；
[0040]
第三处理模块，被配置为，搭建深度卷积神经网络模型；
[0041]
第四处理模块，被配置为，通过将训练数据和实例训练数据训练烟叶异物识别的所述深度卷积神经网络模型；
[0042]
第五处理模块，被配置为，将数据集导入烟叶异物识别的所述深度卷积神经网络模型中，通过模型训练学习到的特征进行预测；
[0043]
第六处理模块，被配置为，输出识别结果。
[0044]
根据本发明第二方面的系统，所述第一处理模块，具体被配置为，所述收集参杂异物的烟叶的视频和图像包括：
[0045]
在烟厂的流水线上收集视频图像数据，然后把视频图像数据处理成图片数据。
[0046]
根据本发明第二方面的系统，所述第二处理模块，具体被配置为，所述使用labelimg工具对图像数据进行标定，记录物体的类别及位置信息，将异物类别标注接合到参杂异物的烟叶图片数据中，形成训练数据包括：
[0047]
1)将目标物体的数据集图像导入标定工具labelimg中；
[0048]
2)通过labelimg工具对目标物体的位置和种类进行标注，标注的结果生成一个对应图片的xml格式的文件；将目标的最小的外接的矩形作为目标的边界框，所标注的目标物体的位置数据就是目标边界框四个角的坐标；
[0049]
用(x
λ
,y
λ
,w
λ
,h
λ
)表示标注的异物类型的位置和相应的尺寸变化；
[0050]
其中(x
λ
,y
λ
)为标注的坐标位置，w
λ
,h
λ
为标注的矩形定位框的宽和高。
[0051]
根据本发明第二方面的系统，所述第三处理模块，具体被配置为，所述搭建深度神经网络的结构为：
[0052]
选择swim-transformer，即移位窗口的分层视觉转换，作为模型的主干网络，目的是提取目标的特征；
[0053]
在所述swim-transformer之后，引入bifpn，即加权双向特征金字塔特征融合网络，高效的双向跨尺度连接和加权特征融合。
[0054]
根据本发明第二方面的系统，所述第三处理模块，具体被配置为，在所述swim-transformer之前，所述深度神经网络还包括：
[0055]
一个patch partition，即划分输入图片模块，这里以4
×
4大小为一个 patch，即小片，划分后的维度会变成(h/4)*(w/4)*48；然后经过一个linearembedding，即线性嵌入
层。
[0056]
根据本发明第一方面的方法，训练的损失函数为：
[0057][0058]
其中b，b
gt
分别代表了预测框和真实框的中心点，且ρ代表的是计算两个中心点间的欧式聚集，c代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离。iou的全称为交并比(intersection over union)iou计算的是“预测的边框(面积为a)”和“真实的边框(面积为b)”的交集和并集的比值。
[0059][0060]
根据本发明第二方面的系统，所述第四处理模块，具体被配置为，最终的预测结果为：
[0061]
(x
μ
,y
μ
,w
μ
,h
μ
)为预测的对应的边界框的位置坐标；用以下公式表示：
[0062]
x
μ
＝σ(x
λ
) x
grid
；
[0063]yμ
＝σ(y
λ
) y
grid
；
[0064][0065][0066]
其中(x
μ
,y
μ
)为预测的坐标位置，(x
grid
,y
grid
)是当前网格左上角位置坐标；σ的范围是0-1的取值；w
μ
,h
μ
为预测的矩形定位框的宽和高。
[0067]
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本公开第一方面中任一项的一种烟叶异物高精度识别方法中的步骤。
[0068]
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本公开第一方面中任一项的一种烟叶异物高精度识别方法中的步骤。
[0069]
根据本发明公开的技术内容，具有如下有益效果：
[0070]
本发明具有本方法具有高精度的识别性能，并且借鉴了卷积神经网络中自动提取目标特征的特性，能够进行烟叶中多种类型的异物的识别
[0071]
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
[0072]
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
[0073]
图1为根据实施例提供的一种烟叶异物高精度识别方法的流程图；
[0074]
图2为根据实施例提供的烟叶异物高精度识别方法的流程图；
[0075]
图3为根据实施例提供的主干提取网络的架构图；
[0076]
图4为根据实施例提供的主干提取网络中swim-transformer模块的网络逻辑图；
[0077]
图5为根据实施例提供的加强特征提取网络bifpn的网络逻辑图；
[0078]
图6为根据本发明实施例的一种烟叶异物高精度识别系统的结构图；
[0079]
图7为根据本发明实施例的一种电子设备的结构图。
具体实施方式
[0080]
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
[0081]
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
[0082]
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
[0083]
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
[0084]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0085]
实施例1：
[0086]
本发明公开了一种烟叶异物高精度识别方法。图1为根据本发明实施例的一种烟叶异物高精度识别方法的流程图，如图1和图2所示，所述方法包括：
[0087]
步骤s1、收集参杂异物的烟叶的视频和图像，并且存储到数据库中；
[0088]
步骤s2、制作数据集，使用labelimg工具对图像数据进行标定，记录物体的类别及位置信息，将异物类别标注接合到参杂异物的烟叶图片数据中，形成训练数据；
[0089]
步骤s3、搭建深度卷积神经网络模型；
[0090]
步骤s4、通过将训练数据和实例训练数据训练烟叶异物识别的所述深度卷积神经网络模型；
[0091]
步骤s5、将数据集导入烟叶异物识别的所述深度卷积神经网络模型中，通过模型训练学习到的特征进行预测；
[0092]
步骤s6、得到的预测结果需要解码，即是先验框的左上角和右下角的位置进行调整，经过调整后的先验框的位置就是最终预测结果的位置。
[0093]
在步骤s1，收集参杂异物的烟叶的视频和图像，并且存储到数据库中。
[0094]
在一些实施例中，在所述步骤s1中，通过在烟厂的流水线上收集视频图像数据，然后把视频图像数据处理成图片数据。
[0095]
具体地，需要从烟草生产环境中采集所需要的视频和图像数据。其中要包含金属、纸屑、布片、塑料及麻丝等杂物以及梗签、叶片等杂物。
[0096]
在步骤s2，制作数据集，使用labelimg工具对图像数据进行标定，记录物体的类别及位置信息，将异物类别标注接合到参杂异物的烟叶图片数据中，形成训练数据。
[0097]
在一些实施例中，在所述步骤s2中，所述使用labelimg工具对图像数据进行标定，记录物体的类别及位置信息，将异物类别标注接合到参杂异物的烟叶图片数据中，形成训练数据的方法包括：
[0098]
1)将目标物体的数据集图像导入标定工具labelimg中；
[0099]
2)通过labelimg工具对目标物体的位置和种类进行标注，标注的结果生成一个对应图片的xml格式的文件；将目标的最小的外接的矩形作为目标的边界框，所标注的目标物体的位置数据就是目标边界框四个角的坐标；当所要标定的图片中包含一种类型的异物，则在对应的图像的xml文件中只有此异物的类别和位置信息；当所要标定的图片中包含多种异物，则在对应的图像的xml文件中会包含一个图片中的所有异物的类别和位置信息；
[0100]
用(x
λ
,y
λ
,w
λ
,h
λ
)表示标注的异物类型的位置和相应的尺寸变化；
[0101]
其中(x
λ
,y
λ
)为标注的坐标位置，w
λ
,h
λ
为标注的矩形定位框的宽和高。
[0102]
具体地，在物体检测网络进行迭代训练之前，需要提供大量的物体图像数据以及标定好的xml文件，并且按照一定比例划分为训练集和验证集，在这里我们一般划分为9：1。训练集当作学习的部分进行网络的迭代和更新参数，测试集作为检测网络模型是否更新有效。
[0103]
在步骤s3，搭建深度卷积神经网络模型。
[0104]
在一些实施例中，在所述步骤s3中，所述搭建深度神经网络的结构为：
[0105]
选择swim-transformer，即移位窗口的分层视觉转换，作为模型的主干网络，目的是提取目标的特征；
[0106]
在所述swim-transformer之后，引入bifpn，即加权双向特征金字塔特征融合网络，高效的双向跨尺度连接和加权特征融合。
[0107]
在所述swim-transformer之前，所述深度神经网络还包括：
[0108]
一个patch partition，即划分输入图片模块，这里以4
×
4大小为一个 patch，即小片，划分后的维度会变成(h/4)*(w/4)*48；然后经过一个linearembedding，即线性嵌入层。
[0109]
具体地，如图3所示，是烟叶异物识别模型的主干网络的架构。
[0110]
开始输入的数据是rgb图像，首先经过一个patch partition(划分输入图片)模块，这里以4
×
4大小为一个patch(小片)，划分后的维度变成 (h/4)*(w/4)*48。然后经过一个linear embedding(线性嵌入)层，可以将特征嵌入到任意的维度。随后经过一个核心的swim-transformer block模块，如图3所示。以上就是属于stage1第一阶段。
[0111]
为了产生层次的特征表示，采用切片融合(patch merging)模块，来对 2*2区域内的patch进行融合，这样每一个新的patch特征维度就会变为原来的4倍。为了减少计算量，融合后紧跟着一个降维操作，将维度降到上一层的二分之一。随后经过swim-transformer block模块，维度保持不变。以上就是属于stage2，其中stage为一个步骤。
[0112]
其中stage3、stage4和stage5也是一样的操作，不断融合相邻的patch，直到stage5输出的特征图大小为(h/32)*(w/32)*(48*8)。这五个stage 联合起来产生的层次的特征表示。
[0113]
如图4所示，选择swim-transformer作为模型的主干网络，目的是提取目标的特征。而主干网络中最核心的就是swim-transformer block(移位窗口的分层视觉转换)模块，通过对图片进行下采样，得到采样后的特征，然后将采样后的特征通过一系列的卷积操作；
[0114]
swim-transformer block模块后的特征提取公式表示如下：
[0115]
z2＝wmsa(ln(z1)) z1；
[0116]
z3＝mlp(ln(z2)) z2；
[0117]
z4＝swmsa(ln(z3)) z3；
[0118]
z5＝mlp(ln(z4)) z4；
[0119]
z1、z2、z3、z4、z5表示的是输出特征。mlp是多层感知器，ln是在通道方向上做归一化操作，conv为卷积操作，swmsa和wmsa用到了移位窗口操作，使得层次特征和线性时间复杂度成为可能，分别表示使用常规和移位窗口分区配置的基于窗口的多头自注意。
[0120]
如图5所示，引入bifpn(加权双向特征金字塔)特征融合网络，主要是高效的双向跨尺度连接和加权特征融合，对1)中提取的特征经过bifpn 进行特征提取，获得有效特征层，以此增加所提取的目标特征；
[0121]
z1、z2、z3、z4、z5通过bifpn网络中的一系列卷积后会得到加权特征融合后的特征。
[0122]
最后通过一个预测网络得出预测的结果。预测网络分为两个部分，一个是类预测网络，另一个是位置预测网络；在预测模块中，采用非极大抑制算法，进行目标框的筛选，最终输出所检测的物体。
[0123]
类预测网络针对包含烟叶种多类型异物的类别进行分类检测。位置预测网络对检测出来的异物进行位置预测。
[0124]
在步骤s4，通过将训练数据和实例训练数据训练烟叶异物识别的所述深度卷积神经网络模型。
[0125]
在一些实施例中，在所述步骤s4中，训练的损失函数为：
[0126][0127]
其中b，b
gt
分别代表了预测框和真实框的中心点，且ρ代表的是计算两个中心点间的欧式聚集，c代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离。iou的全称为交并比(intersection over union)iou计算的是“预测的边框(面积为a)”和“真实的边框(面积为b)”的交集和并集的比值。
[0128][0129]
在步骤s6，得到的预测结果需要解码，即是先验框的左上角和右下角的位置进行调整，经过调整后的先验框的位置就是最终预测结果的位置。
[0130]
在一些实施例中，在所述步骤s6中，最终的预测结果为：
[0131]
(x
μ
,y
μ
,w
μ
,h
μ
)为预测的对应的边界框的位置坐标；用以下公式表示：
[0132]
x
μ
＝σ(x
λ
) x
grid
；
[0133]yμ
＝σ(y
λ
) y
grid
；
[0134][0135][0136]
其中(x
μ
,y
μ
)为预测的坐标位置，(x
grid
,y
grid
)是当前网格左上角位置坐标；σ的范围是0-1的取值；w
μ
,h
μ
为预测的矩形定位框的宽和高。
[0137]
综上，本发明提出的方案能够具有高精度的识别性能，并且借鉴了卷积神经网络中自动提取目标特征的特性，能够进行烟叶中多种类型的异物的识别。
[0138]
实施例2：
[0139]
本发明公开了一种烟叶异物高精度识别系统。图6为根据本发明实施例的一种烟叶异物高精度识别系统的结构图；如图6所示，所述系统100 包括：
[0140]
第一处理模块101，被配置为，收集参杂异物的烟叶的视频和图像，并且存储到数据库中；
[0141]
第二处理模块102，被配置为，制作数据集，使用labelimg工具对图像数据进行标定，记录物体的类别及位置信息，将异物类别标注接合到参杂异物的烟叶图片数据中，形成训练数据；
[0142]
第三处理模块103，被配置为，搭建深度卷积神经网络模型；
[0143]
第四处理模块104，被配置为，通过将训练数据和实例训练数据训练烟叶异物识别的所述深度卷积神经网络模型；
[0144]
第五处理模块105，被配置为，将数据集导入烟叶异物识别的所述深度卷积神经网络模型中，通过模型训练学习到的特征进行预测；
[0145]
第六处理模块106，被配置为，输出识别结果。
[0146]
根据本发明第二方面的系统，所述第一处理模块101，具体被配置为，所述收集参杂异物的烟叶的视频和图像包括：
[0147]
在烟厂的流水线上收集视频图像数据，然后把视频图像数据处理成图片数据。
[0148]
根据本发明第二方面的系统，所述第二处理模块102，具体被配置为，所述使用labelimg工具对图像数据进行标定，记录物体的类别及位置信息，将异物类别标注接合到参杂异物的烟叶图片数据中，形成训练数据包括：
[0149]
1)将目标物体的数据集图像导入标定工具labelimg中；
[0150]
2)通过labelimg工具对目标物体的位置和种类进行标注，标注的结果生成一个对应图片的xml格式的文件；将目标的最小的外接的矩形作为目标的边界框，所标注的目标物体的位置数据就是目标边界框四个角的坐标；
[0151]
用(x
λ
,y
λ
,w
λ
,h
λ
)表示标注的异物类型的位置和相应的尺寸变化；
[0152]
其中(x
λ
,y
λ
)为标注的坐标位置，w
λ
,h
λ
为标注的矩形定位框的宽和高。
[0153]
根据本发明第二方面的系统，所述第三处理模块103，具体被配置为，所述搭建深度卷积神经网络模型的方法为：
[0154]
选择移位窗口的分层视觉转换器(swim-transformer)，作为模型的主干网络，目的是提取目标的特征；
[0155]
在所述swim-transformer之后，引入加权双向特征金字塔特征融合网络(bifpn)，高效的双向跨尺度连接和加权特征融合。
[0156]
根据本发明第二方面的系统，所述第三处理模块103，具体被配置为，在所述swim-transformer之前，所述深度卷积神经网络模型还包括：
[0157]
一个patch partition，即划分输入图片模块，这里以4
×
4大小为一个patch，即小片，划分后的维度会变成(h/4)*(w/4)*48；然后经过一个线性嵌入层(linear embedding)。
[0158]
根据本发明第一方面的方法，训练的损失函数为：
[0159][0160]
其中b，b
gt
分别代表了预测框和真实框的中心点，且ρ代表的是计算两个中心点间的欧式聚集，c代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离。iou的全称为交并比(intersection over union)iou计算的是“预测的边框(面积为a)”和“真实的边框(面积为b)”的交集和并集的比值。
[0161][0162]
根据本发明第二方面的系统，所述第四处理模块104，具体被配置为，最终的预测结果为：
[0163]
(x
μ
,y
μ
,w
μ
,h
μ
)为预测的对应的边界框的位置坐标；用以下公式表示：
[0164]
x
μ
＝σ(x
λ
) x
grid
；
[0165]yμ
＝σ(y
λ
) y
grid
；
[0166][0167][0168]
其中(x
μ
,h
μ
)为预测的坐标位置，(x
grid
,y
grid
)是当前网格左上角位置坐标；σ的范围是0-1的取值；w
μ
,h
μ
为预测的矩形定位框的宽和高。
[0169]
实施例3：
[0170]
本发:公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本发明公开实施例1中任一项的一种烟叶异物高精度识别方法中的步骤。
[0171]
图7为根据本发明实施例的一种电子设备的结构图，如图7所示，电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、近场通信(nfc)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0172]
本领域技术人员可以理解，图7中示出的结构，仅仅是与本公开的技术方案相关的部分的结构图，并不构成对本技术方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0173]
实施例4：
[0174]
本发明公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本发明的实施例1中任一项的一种烟叶异物高精度识别方法中的步骤。
[0175]
请注意，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述
实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。
[0176]
本说明书中描述的主题及功能操作的实施例可以在以下中实现：数字电子电路、有形体现的计算机软件或固件、包括本说明书中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序，即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地，程序指令可以被编码在人工生成的传播信号上，例如机器生成的电、光或电磁信号，该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或它们中的一个或多个的组合。
[0177]
本说明书中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行，以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如 fpga(现场可编程门阵列)或asic(专用集成电路)来执行，并且装置也可以实现为专用逻辑电路。
[0178]
适合用于执行计算机程序的计算机包括，例如通用和/或专用微处理器，或任何其他类型的中央处理单元。通常，中央处理单元将从只读存储器和/ 或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常，计算机还将包括用于存储数据的一个或多个大容量存储设备，例如磁盘、磁光盘或光盘等，或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据，抑或两种情况兼而有之。然而，计算机不是必须具有这样的设备。此外，计算机可以嵌入在另一设备中，例如移动电话、个人数字助理(pda)、移动音频或视频播放器、游戏操纵台、全球定位系统(gps)接收机、或例如通用串行总线(usb)闪存驱动器的便携式存储设备，仅举几例。
[0179]
适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备，例如包括半导体存储器设备(例如 eprom、eeprom和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及cd rom和dvd-rom盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。
[0180]
虽然本说明书包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。
[0181]
类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。
[0182]
由此，主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下，权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外，附图中描绘的处理并非必需所示的特定顺序或顺次顺序，以实现期望的结果。在某些实现中，多任务和并行处理可能是有利的。
[0183]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
[0184]
虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。