一种基于图像技术和深度学习融合的烤烟分级方法及系统与流程

技术特征：
1.一种基于图像技术和深度学习融合的烤烟分级方法，其特征在于，包括以下步骤：s1：图像采集，利用工业相机对传送带上的烟叶进行拍照，并保存；s2：图像预处理，利用图像分割算法对采集到的照片进行分割；s3：搭建卷积神经网络，并利用预处理后的图像对卷积神经网络模型进行训练；s4：对模型进行剪枝量化处理，并在工控机上完成对模型的推理部署。2.根据权利要求1所述的一种基于图像技术和深度学习融合的烤烟分级方法，其特征在于，所述步骤s2的具体过程为：s21：获取照片中传送带的rgb颜色；s22：将rgb色彩空间的照片转换到hsv色彩空间；s23：将传送带的rgb颜色转换为hsv颜色阈值；s24：根据hsv颜色阈值对照片进行分割，获取烟叶图像。3.根据权利要求1所述的一种基于图像技术和深度学习融合的烤烟分级方法，其特征在于，所述步骤s3包括：s31：搭建convnext神经网络；s32：输入预处理图像，经过卷积层、下采样层、全连接层，得到输出结果；s33：计算输出结果与目标结果之间的误差值，并与期望值比较；s34：若误差值大于期望值，将误差值传回convnext神经网络，分别计算全连接层、下采样层以及卷积层各自的误差，并更新权值，然后进入步骤s32；若误差小于期望值，则停止训练；其中，所述convnext神经网络包括依次堆叠的stem层、3个逆瓶颈层、下采样层、3个逆瓶颈层、下采样层、9个逆瓶颈层、下采样层、3个逆瓶颈层、下采样层、全连接层以及输出层；所述stem层由一个卷积核大小为4
×
4、步长为4的2d卷积层以及layernorm层组成；所述逆瓶颈层由7
×
7的分组卷积、layernorm层、1
×
1卷积层、gelu激活函数、1
×
1卷积层依次级联而成；所述下采样层由layernorm层和卷积核大小与步长均为2的卷积层组成。4.根据权利要求3所述的一种基于图像技术和深度学习融合的烤烟分级方法，其特征在于，在进行所述步骤s32之前，需要对图像数据进行数据增广处理，具体步骤为：s310：生成一个和图像数据分辨率相同的mask图像；s311：将mask图像与原图像数据相乘，完成图像数据的数据增广操作。5.根据权利要求1所述的一种基于图像技术和深度学习融合的烤烟分级方法，其特征在于，所述步骤s4中“剪枝”的具体过程为：s411：利用lassoregression，找到模型中的冗余通道，并剪除；s412：利用线性最小二乘法模型重建剩余通道的输出。6.根据权利要求5所述的一种基于图像技术和深度学习融合的烤烟分级方法，其特征在于，所述步骤s4中“量化”的具体过程为：s421：获取模型的激活值和权重；s422：利用饱和量化或不饱和量化对模型激活值以及权重进行量化处理。7.一种基于图像技术和深度学习融合的烤烟分级系统，其特征在于，包括：图像采集模块，用于图像采集，利用工业相机对传送带上的烟叶进行拍照，并保存；图像预处理模块，用于图像预处理，利用图像分割算法对采集到的照片进行分割；
模型搭建模块，用于搭建卷积神经网络，并利用预处理后的图像对卷积神经网络模型进行训练；剪枝量化部署模块，用于对模型进行剪枝量化处理，并在工控机上完成对模型的推理部署。8.根据权利要求7所述的一种基于图像技术和深度学习融合的烤烟分级系统，其特征在于，所述图像预处理模块包括：颜色获取子模块，用于获取照片中传送带的rgb颜色；hsv转换子模块，用于将rgb色彩空间的照片转换到hsv色彩空间；颜色阈值获取子模块，用于将传送带的rgb颜色转换为hsv颜色阈值；图像分割子模块，用于根据hsv颜色阈值对照片进行分割，获取烟叶图像。9.根据权利要求7所述的一种基于图像技术和深度学习融合的烤烟分级系统，其特征在于，所述模型搭建模块包括：convnext子模块，用于搭建convnext神经网络；输入训练子模块，用于输入预处理图像，经过卷积层、下采样层、全连接层，得到输出结果；误差计算子模块，用于计算输出结果与目标结果之间的误差值，并与期望值比较；期望值判断子模块，用于若误差值大于期望值，将误差值传回convnext神经网络，分别计算全连接层、下采样层以及卷积层各自的误差，并更新权值，然后进入步骤s32；若误差小于期望值，则停止训练。10.根据权利要求9所述的一种基于图像技术和深度学习融合的烤烟分级系统，其特征在于，所述模型搭建模块还包括：mask图像生成子模块，用于生成一个和图像数据分辨率相同的mask图像；数据增广子模块，用于将mask图像与原图像数据相乘，完成图像数据的数据增广操作。

技术总结
本发明涉及一种基于图像技术和深度学习融合的烤烟分级方法及系统，包括以下步骤：S1：图像采集，利用工业相机对传送带上的烟叶进行拍照，并保存；S2：图像预处理，利用图像分割算法对采集到的照片进行分割；S3：搭建卷积神经网络，并利用预处理后的图像对卷积神经网络模型进行训练；S4：对模型进行剪枝量化处理，并在工控机上完成对模型的推理部署。本发明将传统视觉算法和深度学习进行融合，这样既保证了算法的稳定可靠性，同时又利用了深度学习强泛化性的优点，使得分级算法有很高的鲁棒性。在具体建模的过程中，我们采取了数据增强，标签平滑，网络剪枝量化，小样本迁移学习的手段来保证模型精度和性能的平衡性。证模型精度和性能的平衡性。证模型精度和性能的平衡性。


技术研发人员：周园
受保护的技术使用者：成都寒芒科技有限公司
技术研发日：2022.12.05
技术公布日：2022/12/30