【技術實現步驟摘要】
本申請涉及圖像處理，尤其涉及一種煙葉分級方法、裝置、存儲介質及設備。
技術介紹
1、煙葉作為煙草制品的基礎原料，其品質的好壞是決定后期煙草制品質量的關鍵因素。煙葉在生長、生產過程中受多種因素的影響，造成煙草品質優劣不一，為了最大限度的利用好煙草資源，提高其經濟價值和使用價值，對煙葉品質進行分級已成為煙草制品生產中重要且必不可少的一個環節。
2、現有的煙葉分級方法通常包括兩種：一種是通過人工進行煙葉分級，這種方法在人力成本和時間成本上消耗較大，且個人的主觀性會導致分級的準確性有限，同時，當煙葉分級任務量較大時，分級人員在長時間的單調工作中，容易產生疲勞，也會影響分級效率和準確性；另一種是基于深度學習的分級方法，雖然相對于單純依靠人工分級的方法來說，能夠有效節約了人力成本，快速實現對煙葉品質的分級，但在煙葉分級任務中效果也并不算理想。
技術實現思路
1、本申請實施例的主要目的在于提供一種煙葉分級方法、裝置、存儲介質及設備，在煙葉進行分級時，能夠有效提高分級效率和準確率。
2、本申請實施例提供了一種煙葉分級方法，包括：
3、獲取待處理的目標煙葉圖片；所述目標煙葉圖片為包含目標煙葉的圖片；
4、對所述目標煙葉圖片進行預處理，使得預處理后的目標煙葉圖片滿足預設圖片規格要求；
5、將所述預處理后的目標煙葉圖片輸入預先構建的煙葉分級模型，預測得到所述目標煙葉的分級結果；所述煙葉分級模型包括深度殘差網絡resnet、視覺轉換器網絡vit和
6、一種可能的實現方式中，所述將所述預處理后的目標煙葉圖片輸入預先構建的煙葉分級模型，預測得到所述目標煙葉的分級結果，包括：
7、將所述預處理后的目標煙葉圖片輸入所述煙葉分級模型的resnet網絡，提取出所述目標煙葉圖片對應的目標局部特征；
8、將所述目標局部特征輸入所述煙葉分級模型的vit網絡，提取出所述目標煙葉圖片對應的目標全局特征；
9、將所述目標全局特征輸入所述煙葉分級模型的分類層進行分級預測，得到所述目標煙葉的分級結果。
10、一種可能的實現方式中，所述resnet網絡包括通道注意力層和空間注意力層；所述將所述預處理后的目標煙葉圖片輸入所述煙葉分級模型的resnet網絡，提取出所述目標煙葉圖片對應的目標局部特征，包括：
11、將所述預處理后的目標煙葉圖片輸入所述煙葉分級模型的resnet網絡的殘差結構，得到第一特征圖；
12、將所述第一特征圖輸入所述resnet網絡的通道注意力層，得到各通道特征圖的權值；并利用所述各通道特征圖的權值與所述第一特征圖相乘，得到第二特征圖；
13、將所述第二特征圖輸入所述resnet網絡的空間注意力層，得到空間特征圖的權值；并利用所述空間特征圖的權值與所述第二特征圖相乘，得到第三特征圖；
14、將所述第三特征圖和第一特征圖進行求和計算，并將得到的計算結果作為所述目標煙葉圖片對應的目標局部特征。
15、一種可能的實現方式中，所述煙葉分級模型的構建方式如下：
16、獲取樣本煙葉圖片；所述樣本煙葉圖片為包含不同等級樣本煙葉的圖片；
17、對所述樣本煙葉圖片進行預處理，使得預處理后的樣本煙葉圖片滿足預設圖片規格要求；
18、將所述預處理后的樣本煙葉圖片輸入初始煙葉分級模型，并利用所述模型預測的分級結果與所述樣本煙葉的真實分級結果，計算目標損失函數的取值，直至所述取值滿足預設條件，則停止模型參數的更新，訓練得到所述煙葉分級模型；
19、其中，所述初始煙葉分級模型包括初始resnet網絡、初始vit網絡和分類層；所述初始resnet網絡包括卷積層和殘差注意力層；所述殘差注意力層包括通道注意力層和空間注意力層；所述目標損失函數的取值用于約束模型參數的更新，以降低所述樣本煙葉的真實分級結果與預測分級結果之間的差異。
20、一種可能的實現方式中，所述將所述預處理后的樣本煙葉圖片輸入初始煙葉分級模型，并利用所述模型預測的分級結果與所述樣本煙葉的真實分級結果，計算目標損失函數的取值，直至所述取值滿足預設條件，則停止模型參數的更新，訓練得到所述煙葉分級模型，包括：
21、將所述預處理后的樣本煙葉圖片輸入所述初始煙葉分級模型的初始resnet網絡進行局部特征提取，得到所述樣本煙葉圖片對應的樣本局部特征；
22、將所述樣本局部特征輸入所述初始煙葉分級模型的初始vit網絡進行全局特征提取，得到所述樣本煙葉圖片對應的樣本全局特征；
23、將所述樣本全局特征輸入初始煙葉分級模型的分類層進行分級預測，得到所述樣本煙葉圖片對應的預測分級結果；
24、利用所述預測分級結果和所述樣本煙葉的真實分級結果，計算目標損失函數的取值，并利用所述取值對初始煙葉分級模型進行分級訓練，直至所述取值滿足預設條件，則停止模型參數的更新，得到訓練后的煙葉分級模型。
25、一種可能的實現方式中，所述目標損失函數為交叉熵損失函數。
26、一種可能的實現方式中，所述方法還包括：
27、獲取驗證煙葉圖片；所述驗證煙葉圖片為包含不同等級驗證煙葉的圖片；
28、對所述驗證煙葉圖片進行預處理，使得預處理后的驗證煙葉圖片滿足預設圖片規格要求；
29、將所述預處理后的驗證煙葉圖片輸入至所述煙葉分級模型進行分級預測，得到驗證分級結果；
30、當所述驗證分級結果與所述驗證煙葉對應的真實分級結果不一致時，對所述煙葉分級模型進行更新。
31、本申請實施例還提供了一種煙葉分級裝置，包括：
32、第一獲取單元，用于獲取待處理的目標煙葉圖片；所述目標煙葉圖片為包含目標煙葉的圖片；
33、第一預處理單元，用于對所述目標煙葉圖片進行預處理，使得預處理后的目標煙葉圖片滿足預設圖片規格要求；
34、第一預測單元，用于將所述預處理后的目標煙葉圖片輸入預先構建的煙葉分級模型，預測得到所述目標煙葉的分級結果；所述煙葉分級模型包括深度殘差網絡resnet、視覺轉換器網絡vit和分類層；所述煙葉分級模型是基于初始化的resnet網絡和vit網絡，利用目標損失函數對樣本煙葉圖片進行分級訓練得到的。
35、一種可能的實現方式中，所述第一預測單元包括：
36、第一提取子單元，用于將所述預處理后的目標煙葉圖片輸入所述煙葉分級模型的resnet網絡，提取出所述目標煙葉圖片對應的目標局部特征；
37、第二提取子單元，用于將所述目標局部特征輸入所述煙葉分級模型的vit網絡，提取出所述目標煙葉圖片對應的目標全局特征；
38、第一預測子單元，用于將所述目標全局特征輸入所述煙葉分級模型的分類層進行分級預測，得到所述目本文檔來自技高網...
【技術保護點】
1.一種煙葉分級方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述將所述預處理后的目標煙葉圖片輸入預先構建的煙葉分級模型，預測得到所述目標煙葉的分級結果，包括：
3.根據權利要求2所述的方法，其特征在于，所述ResNet網絡包括通道注意力層和空間注意力層；所述將所述預處理后的目標煙葉圖片輸入所述煙葉分級模型的ResNet網絡，提取出所述目標煙葉圖片對應的目標局部特征，包括：
4.根據權利要求1所述的方法，其特征在于，所述煙葉分級模型的構建方式如下：
5.根據權利要求4所述的方法，其特征在于，所述將所述預處理后的樣本煙葉圖片輸入初始煙葉分級模型，并利用所述模型預測的分級結果與所述樣本煙葉的真實分級結果，計算目標損失函數的取值，直至所述取值滿足預設條件，則停止模型參數的更新，訓練得到所述煙葉分級模型，包括：
6.根據權利要求4或5所述的方法，其特征在于，所述目標損失函數為交叉熵損失函數。
7.根據權利要求4所述的方法，其特征在于，所述方法還包括：
8.一種煙葉分級裝置，其特征在于
9.一種煙葉分級設備，其特征在于，包括：處理器、存儲器、系統總線；
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中存儲有指令，當所述指令在終端設備上運行時，使得所述終端設備執行權利要求1-7任一項所述的方法。
...【技術特征摘要】
1.一種煙葉分級方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述將所述預處理后的目標煙葉圖片輸入預先構建的煙葉分級模型，預測得到所述目標煙葉的分級結果，包括：
3.根據權利要求2所述的方法，其特征在于，所述resnet網絡包括通道注意力層和空間注意力層；所述將所述預處理后的目標煙葉圖片輸入所述煙葉分級模型的resnet網絡，提取出所述目標煙葉圖片對應的目標局部特征，包括：
4.根據權利要求1所述的方法，其特征在于，所述煙葉分級模型的構建方式如下：
5.根據權利要求4所述的方法，其特征在于，所述將所述預處理后的樣本煙葉圖片輸入初始煙葉分級模型，并利用所...
【專利技術屬性】
技術研發人員：閆潤強，李亞飛，鄧柯珀，
申請(專利權)人：河南訊飛人工智能科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。