[发明专利]一种基于深度学习算法的烟叶在线分级方法有效

专利信息
申请号: 201710205396.7 申请日: 2017-03-31
公开(公告)号: CN107016413B 公开(公告)日: 2019-11-26
发明(设计)人: 方志斌;陈武;张小磊 申请(专利权)人: 征图新视(江苏)科技股份有限公司
主分类号: G06K9/62 分类号: G06K9/62;G06K9/46;G06N3/08
代理公司: 32401 常州品益专利代理事务所(普通合伙) 代理人: 乔楠<国际申请>=<国际公布>=<进入国
地址: 213161 江苏省常*** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 深度 学习 算法 烟叶 在线 分级 方法
【说明书】:

发明涉及一种基于深度学习算法的烟叶在线分级方法,通过一套完整的烟叶分级体系,从正反面分类到正组烟、青烟和杂烟三分类再到正组烟的分级,适用于在线分级;基于监督式学习的方法进行背景Mask,相对于传统算法的去背景处理精度更高;使用全部正面烟叶进行分类和分级,烟叶分级特征更多的体现在正面烟叶上,使用全正面烟叶进行分类和分级具有更严谨的科学性和更高的准确性;采用了GoogLeNet模型进行正组烟的分级,用更多的卷积、更深的网络层数能得到更高的分级准确率。本发明能完全做到快速、无损、在线地进行青烟、杂烟的剔除,准确地划分正组烟烟叶等级,确保收购的各方面利益不受损失。

技术领域

本发明涉及一种烟叶在线分级方法,尤其是一种基于深度学习算法的烟叶在线分级方法。

背景技术

目前,较多的研究者都是利用红外光谱或者图像处理技术结合传统的机器视觉算法,如,支持向量机等进行烟叶分级,基于RGB图像结合深度学习方法进行烟叶在线分级的研究鲜有报道。

深度学习概念源于人工神经网络的研究。最早由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法,为解决深层结构相关的优化难题带来希望,随后提出多层自动编码器深层结构。

此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法,它利用空间相对关系减少参数数目以提高训练性能。同机器学习方法一样,深度机器学习方法也有监督学习与无监督学习之分.不同的学习框架下建立的学习模型很是不同。例如,卷积神经网络(Convolutional neural networks,简称CNNs)就是一种深度的监督学习下的机器学习模型,而深度置信网络(Deep Belief Nets,简称DBNs)就是一种无监督学习下的机器学习模型。

深度学习的实质,是通过构建具有很多隐层的机器学习模型和海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性。所以,深度模型是手段,特征学习是目的。

区别于传统的浅层学习,深度学习的不同在于:1)强调了模型结构的深度,通常有5层、6层甚至10多层的隐层节点;2)明确突出了特征学习的重要性,通过逐层特征变换,将样本在原空间的特征表示变换到一个新特征空间,从而分类或预测更加容易。基于这种理论思想,我们建立了基于深度学习进行烟叶分级的一套方法。

发明内容

本发明要解决的技术问题是:提出一种利用RGB图像结合深度学习算法对烟叶进行在线、无损地剔除青杂和分级的方法。

本发明所采用的技术方案为:一种基于深度学习算法的烟叶在线分级方法,包括以下步骤:

步骤1、获取建模样本和待测烟叶样本的正反面RGB图像数据;成像系统的硬件包括条形光源、线阵相机、镜头和装有采集卡的计算机,软件为自主研发的烟叶分级检测软件;

每一片烟叶样本RGB图像数据均包含正面烟叶和反面烟叶两幅图像,并且一一对应。

步骤2、基于监督式学习方法对图像进行背景Mask;由于烟叶区域和背景区域本身有着很大的差别,本步骤中首先使用监督式学习把烟叶区域当做缺陷区域进行学习,确定了烟叶区域后,进行反向选择,即确定了背景区域;

进一步的说,包括如下步骤:

201、首先将样本的烟叶区域进行区域编辑和标记;

202、使用监督式学习产生一个全域模型,并将输入物件对应到预期输出,形成区域模型;

203、将待测样本输入到区域模型中,检测出烟叶区域;

204、将203中烟叶区域进行反向选择,即Mask掉了背景区域。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于征图新视(江苏)科技股份有限公司,未经征图新视(江苏)科技股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201710205396.7/2.html,转载请声明来源钻瓜专利网。

同类专利
  • 一种基于聚类算法的原油含水数据分析方法-201910631281.3
  • 任桂山;李红艳;葛党科;徐国安;米立飞;孙凯;王存博;徐津民 - 大港油田集团有限责任公司
  • 2019-07-12 - 2020-02-14 - G06K9/62
  • 本发明公开了一种基于聚类算法的原油含水数据分析方法,根据已知的油井产出流体的压差‑电值规律,将不同油井的压差‑电值特征点做为聚类数据点,选用聚类算法将数据点分为三类,液相、气相和混合相,其中,液相流体的压差‑电值规律是压差高电值低,气相流体的压差‑电值规律是压差低电值高,混合相流体介于中间。本发明通过聚类算法建立和分析了油井产出流体在液相、气相和混合相三种流体特性下的数据点分布规律,有效的解决了传统数据分析可能无法获得良好的聚类结果的问题。
  • 信息处理方法及信息处理系统-201910665764.5
  • 石川和史;山口拓也 - 松下知识产权经营株式会社
  • 2019-07-23 - 2020-02-14 - G06K9/62
  • 本发明提供信息处理方法及信息处理系统。信息处理方法使用计算机进行如下处理:取得对感测数据赋予注解信息的作业者的注解技能;取得注解用感测数据,该注解用感测数据具有根据注解技能确定的感测数据的特征;取得作业者对注解用感测数据的注解结果;使用与感测数据的特征对应的正解注解信息及注解结果,更新注解技能。
  • 一种图像差异识别方法、装置及存储介质-201910809238.1
  • 康铭海 - 腾讯科技(深圳)有限公司
  • 2019-08-29 - 2020-02-14 - G06K9/62
  • 本申请涉及一种图像差异识别方法、装置及存储介质,该图像差异识别方法包括:获取待识别图像和参考图像;根据待识别图像确定至少一个检测方向;根据至少一个检测方向从待识别图像中确定第一待比较区域,并从参考图像中确定与第一待比较区域位置相同的第二待比较区域;确定第一待比较区域和第二待比较区域之间的结构相似度;根据结构相似度和至少一个检测方向,对待识别图像和参考图像进行差异识别,从而能通过将两张图像中位置相同区域的结构相似度作为差异识别标准进行差异识别,提高了图像识别精准度,识别效果好。
  • 一种文本分类方法、装置和存储介质-201910872891.2
  • 缪畅宇 - 腾讯科技(深圳)有限公司
  • 2019-09-16 - 2020-02-14 - G06K9/62
  • 本发明实施例公开了一种文本分类方法、装置和存储介质;本发明实施例在获取待分类文本对后,该待分类文本对包括第一文本和第二文本,可以从该待分类文本对中选取该第一文本的第一关键词、该第二文本的第二关键词,然后对该待分类文本对中的文本进行特征提取,接着,根据该第一文本的词特征信息、该第二关键词的词特征信息,获取第一注意力特征信息,根据该第二文本的词特征信息、该第二关键词的词特征信息,获取第二注意力特征信息,再然后,基于该第一注意力特征信息、该第二注意力特征信息、该第一语义特征信息、以及该第二语义特征信息,对该待分类文本对进行分类,得到分类结果。该方案可以有效地提高文本分类的准确性。
  • 识别模型训练、眼底特征的识别方法、装置、设备及介质-201910882247.3
  • 王瑞;赵君寰;王立龙;袁源智;吕传峰 - 平安科技(深圳)有限公司
  • 2019-09-18 - 2020-02-14 - G06K9/62
  • 本申请公开了一种识别模型训练、眼底特征的识别方法、装置、计算机设备及存储介质,所述方法包括:获取与标签值关联的眼底彩照图像样本,并输入预设识别模型,预设识别模型包括输入层单元、第一卷积神经网络和第二卷积神经网络;提取眼底彩照图像样本中的红色通道图像并输入第一卷积神经网络,获取第一识别结果以及红色通道图像的特征图;将眼底彩照图像样本与特征图进行组合,生成组合图像并输入第二卷积神经网络,获取第二识别结果;通过预设损失函数获取总损失值;在总损失值小于或等于预设损失阈值时,训练完成。如此,实现了自动识别眼底彩照图像的豹纹状眼底特征,提高了识别模型的准确率,并提升了识别模型的效率和可靠性。
  • 数据聚类的簇数确定方法、系统、电子设备及存储介质-201910895293.7
  • 吕高帆;马彦军 - 北京海益同展信息科技有限公司
  • 2019-09-20 - 2020-02-14 - G06K9/62
  • 本发明涉及一种数据聚类的簇数确定方法、系统、电子设备及存储介质。确定方法包括:获取聚类样本集以预设簇数进行聚类时的聚类参数;基于所述聚类参数确定所述预设簇数中的目标簇数,将目标簇数作为所述聚类样本集的聚类簇数。本发明实施例通过对聚类样本集进行划分得到第一子样本集,将第一子样本集的聚类结果检测得到聚类参数,通过每个预设簇数对应的聚类参数确定目标簇数,目标簇数对应的聚类参数表示的聚类质量高于其他预设簇数对应的聚类参数表示的聚类质量,将目标簇数作为聚类簇数对聚类样本集进行聚类,可以保证聚类样本集得到最好的聚类效果。
  • 一种邻域决策错误率集成的属性约简方法-201910915730.7
  • 文辉祥;朱悦 - 文辉祥
  • 2019-09-26 - 2020-02-14 - G06K9/62
  • 本发明公开了一种邻域决策错误率集成的属性约简方法,所述的用于从邻域粗糙集中选定属性子集,来降低邻域决策发生错误的程度,从而有效的提高邻域分类器的分类精度,本发明将集成策略引入到约简的计算过程中。它使用一组重要度函数代替传统约简中的单个属性重要度。从而确定在计算约简的过程中应该选择哪个属性。实验结果表明,该方法不仅提高了约简稳定性和分类结果的稳定性,而且增强了分类性能。
  • 客户动支模型生成方法、装置及电子设备-201910921528.5
  • 高明宇;王鹏;张潮华;郑彦 - 北京淇瑀信息科技有限公司
  • 2019-09-27 - 2020-02-14 - G06K9/62
  • 本公开涉及一种客户动支模型生成方法、装置、电子设备及计算机可读介质。该方法包括:获取多个历史用户的金融数据;根据所述动支状态将所述多个历史用户分入正样本用户集合和负样本用户集合;对正样本用户集合和负样本用户集合中的历史用户的金融数据进行筛选以生成正样本子集合、负样本子集合和未分类样本子集合;以及基于所述正样本子集合、所述负样本子集合和所述未分类样本子集合对机器学习模型进行训练以生成客户动支模型。本公开涉及的客户动支模型生成方法、装置,能够对现有的正负样本数据进行数据处理生成更加精确的正负样本数据集合,进而通过精确的正负样本数据集合对机器学习模型进行训练,生成金融风险模型。
  • 机器学习模型的未分类样本处理方法、装置及电子设备-201910921670.X
  • 王鹏;高明宇;张潮华;郑彦 - 北京淇瑀信息科技有限公司
  • 2019-09-27 - 2020-02-14 - G06K9/62
  • 本公开涉及一种机器学习模型的未分类样本处理方法、装置、电子设备及计算机可读介质。该方法包括:将机器学习模型的未分类样本集合通过自编码算法分成多个未分类子集合,所述未分类样本集合中包括多个用户金融数据;将正样本集合与所述多个未分类子集合中的每一个未分类子集合分别进行相似度比较,所述正样本集合中包括多个用户金融数据;以及根据相似度比较结果将所述未分类子集合确定为正样本子集合或负样本子集合。本公开涉及的机器学习模型的未分类样本处理方法、装置、电子设备及计算机可读介质,能够将未分类样本中的正样本提取出来,将正样本和负样本进行准确分类,从而提高机器学习模型的计算效果和计算精度。
  • 金融数据的样本标签确定方法、装置及电子设备-201910921682.2
  • 王鹏;高明宇;张潮华;郑彦 - 北京淇瑀信息科技有限公司
  • 2019-09-27 - 2020-02-14 - G06K9/62
  • 本公开涉及一种金融数据的样本标签确定方法、装置、电子设备及计算机可读介质。该方法包括:确定正样本集合和未分类样本集合中的多个用户的多维度金融数据特征值;通过所述正样本集合中的多个用户的多维度金融数据特征值与超球体方程生成目标超球体方程;分别将所述未分类样本集合中用户的多维度金融数据特征值代入所述目标超球体方程以获取所述用户的超球体距离;以及将所述用户的超球体距离与阈值进行比较,以确定所述用户的样本标签,所述样本标签包括正样本标签与负样本标签。本公开涉及的金融数据的样本标签确定方法,能够将未分类样本中的正样本提取出来,将正样本和负样本进行准确分类,从而提高机器学习模型的计算效果和计算精度。
  • 一种基于轻量卷积神经网络的脑电数据的在线分类方法-201910940546.8
  • 陈丹;柯亨进;李小俚;陈培璐 - 武汉大学
  • 2019-09-30 - 2020-02-14 - G06K9/62
  • 本发明公开了一种基于轻量卷积神经网络的脑电数据的在线分类方法,应用于云服务平台,云服务平台包括传感层、网关和云端,首先,通过传感层采集用户的脑电数据;然后将采集的脑电数据传入网关,通过网关从云端下载训练好的分类器模型;再基于训练好的分类器模型对采集的脑电数据进行在线分类,EEG片段经医生校准后上传到云端服务器,用于增量式训练模型。本发明能够直接应用于原始EEG,无需进行预处理和特征提取,分类结果精度高且具有实时性。
  • 基于相关性引导的判别学习的弱监督细粒度图像分类算法-201910986800.8
  • 王智慧;王世杰;李豪杰;唐涛 - 大连理工大学
  • 2019-10-17 - 2020-02-14 - G06K9/62
  • 本发明属于计算机视觉技术领域,提供了一种基于相关性引导的判别学习的弱监督细粒度图像分类算法。提出了一种端到端的相关性引导的判别学习模型,以充分挖掘和利用弱监督细粒度图像分类的相关性提升判别性。首先,提出了判别性区域分组子网络,该子网络首先在区域之间建立相关性,然后通过加权汇总来自其他区域的所有相关性来增强每个区域来引导网络去发现更具有判别性区域组。最后,提出了判别性特征增强子网络,以挖掘和学习每个patch的特征向量元素之间的内部空间相关性,通过联合地增强信息元素同时抑制无用元素来提高其局部的判别能力。大量实验证明了DRG和DFS有效性,并达到了最先进的性能。
  • 基于改进的YOLOv3网络的干湿垃圾识别分类方法-201911005605.9
  • 张旭;王颖;熊佳乐;姚想;崔伟 - 华中科技大学无锡研究院
  • 2019-10-22 - 2020-02-14 - G06K9/62
  • 本发明提供一种基于改进的YOLOv3网络的干湿垃圾识别分类方法,原识别模型中包括YOLO v3网络;包括以下步骤:采集真实投放场景下的干湿垃圾混合图片,建立样本数据集;先进行数据预处理完成图像增强,扩充样本数据集;再对图片中的干垃圾位置进行标注;对标注的真实目标框进行聚类分析,得到初始目标框;设置改进的YOLOv3网络的学习率参数并改进原识别模型的网络结构;设置改进的YOLOv3网络的损失函数和优化算法,完成识别模型中网络的训练;利用训练好的网络参数进行测试。本发明实现了复杂场景下的干湿垃圾定位检测和识别分类的问题。
  • 不良分类方法及装置-201911005695.1
  • 史进;张少飞;李在桓 - 西安奕斯伟硅片技术有限公司
  • 2019-10-22 - 2020-02-14 - G06K9/62
  • 本发明提供了一种不良分类方法及装置,属于半导体技术领域。不良分类方法,包括:利用不良特征信息与生产执行系统MES信息组成原始数据集;利用所述原始数据集构造多个子数据集,每一子数据集包括多个数据样本;对每一子数据集生成一决策树,并得到每一决策树的分类结果;利用随机森林选择算法选择票数最多的分类结果,作为最终的分类结果。本发明能够实现晶圆制程中对不良样本的精确分类。
  • 具有深度学习特征的指数建模-201911036166.8
  • M.温特劳布;A.T.苏雷什;E.瓦里亚尼 - 谷歌有限责任公司
  • 2019-10-29 - 2020-02-14 - G06K9/62
  • 本公开的各方面使得人为指定的关系能够有助于实现映射,该映射使得能够压缩机器学习模型的输出结构。诸如最大熵模型的指数模型可以利用机器学习嵌入和映射来产生分类输出。以这种方式,可以将机器学习模型(例如,深度网络)的特征发现功能与基于人类对待解决问题的结构性质的理解而开发的关系进行协同组合,从而使得能够压缩模型输出结构,而没有明显的精度损失。这些压缩模型提高了“设备上”或其他资源受限场景的适用性。
  • 一种基于可重构方式的KNN算法的硬件实现系统和方法-201911037856.5
  • 李丽;张衡;傅玉祥;何书专 - 南京宁麒智能计算芯片研究院有限公司
  • 2019-10-29 - 2020-02-14 - G06K9/62
  • 本发明公开了一种基于可重构方式的KNN算法的硬件实现系统,包括控制器模块、距离计算模块、排序模块、决策模块、地址产生模块和数据分发模块,其中,控制器模块用于配置运算所需要的参数并将参数送入到地址产生模块和数据分发模块,地址产生模块生成地址数据然后通过数据分发模块送入距离计算模块,然后将得到计算的距离后送入排序模块然后得到最小的K个值,通过决策模块得到最终标签,然后通过结果分发模块和写结果地址产生模块写入到SRAM相应位置;所述距离计算模块为一个实数乘法器和三个实数加法器组成的乘累加单元。本发明同时提供一种方法,使用乘法器和加法器搭建一个全流水的乘累加模块减少了距离计算所需的时间。
  • 鱼种识别方法及系统-201911041081.9
  • 蔡卫明;庞海通;马龙华;赵祥红 - 浙江大学宁波理工学院
  • 2019-10-30 - 2020-02-14 - G06K9/62
  • 本发明涉及一种鱼种识别方法及系统,应用于水产识别技术领域,解决了现有技术中,只能依赖人工进行识别,效率低、劳动强度大,并且识别结果不准确的问题,其中,方法包括获取待测鱼的图像;将图像输入预先训练的鱼种识别模型,以对图像的特征信息进行提取,并根据特征信息对待测鱼进行识别,得到待测鱼的鱼种识别结果;输出鱼种识别结果。
  • 基于混合蚁群优化算法的高维特征筛选方法-201911041208.7
  • 马文萍;周晓波;朱浩;武越;李龙伟 - 西安电子科技大学
  • 2019-10-30 - 2020-02-14 - G06K9/62
  • 本发明公开了一种基于混合蚁群优化算法的高维特征筛选方法,主要解决现有技术筛选出的特征子集性能不佳及筛选过程耗时长的问题,其方案是:对输入的高维数据预处理,并计算预处理后数据的相关性与对称不确定性;初始化蚁群算法,通过各蚂蚁构建特征子集;计算各特征子集的适应度并对其进行排序,选出当代最优特征子集及其适应度;对各代最优特征子集及其适应度进行迭代更新;比较各代最优特征子集的适应度,将适应度最高的特征子集作为最终筛选后的特征。本发明加速了最优特征子集的搜索,筛选出的特征子集具有较好的分类性能,且减少了筛选的整体运行时间,可用于癌症基因分析及高光谱图像分类中的通道选择。
  • 电网运行断面的匹配方法和装置-201911057126.1
  • 王铁强;鲁鹏;曹欣;杨晓东;王维;吕昊;冯春贤;田潮;梁海平;石皓岩 - 国网河北省电力有限公司;华北电力大学(保定)
  • 2019-10-31 - 2020-02-14 - G06K9/62
  • 本发明提供了电网运行断面的匹配方法和装置,包括:获取电网运行断面样本集;将电网运行断面样本集进行划分,得到无标签样本集、训练样本集和测试样本集;将无标签样本集通过初始堆叠自动编码器进行无监督预训练,得到预训练的权重和偏差参数;将预训练的权重、偏差参数和训练样本集通过初始堆叠自动编码器进行监督训练,得到目标堆叠自动编码器;将测试样本集输入目标堆叠自动编码器中,得到相似性分类结果;将相似性分类结果与预存分类结果进行比对,得到比对结果;根据比对结果确定匹配率,可以使用较少有标签样本,提高迭代速度和匹配的准确率。
  • 一种基于SVR多模型的液压舵回路故障诊断系统构造方法-201611195126.4
  • 李婷;谢蓉;王剑;曹宇燕 - 西北工业大学
  • 2016-12-22 - 2020-02-14 - G06K9/62
  • 本发明涉及一种基于SVR多模型的液压舵回路故障诊断系统构造方法,包括设计基于SVR多模型的液压舵回路故障诊断系统,训练故障诊断SVR模型组,测试故障诊断系统三个步骤。该故障诊断系统结构灵活,可根据液压舵回路可测状态数及故障种类数进行调整。该故障诊断系统通过采集典型条件下舵回路各状态历史数据训练SVR模型组,使其逼进各状态的动态特性。然后将模型组的输出与实际输出进行对比,基于生成的残差集进行故障检测和隔离。由于SVR模型训练过程不依赖舵机的精确模型,从而避免了因建模误差导致的故障诊断可靠性降低问题。因此该方法更适合工程应用。
  • 一种基于运动训练数据的运动模式识别方法和系统-201810074757.3
  • 刘鹏;钟亚平 - 武汉中体智美科技有限公司;武汉体育学院
  • 2018-01-25 - 2020-02-14 - G06K9/62
  • 本发明提供一种基于运动训练数据的运动模式识别方法和系统,包括步骤:获得运动人员的三维位置信息;根据获得的三维坐标信息,计算运动人员的速度和加速度信息;收集训练样本数据;对训练样本数据中的速度和加速度时间序列进行预处理;利用二叉决策树支持向量机决策树算法、BP神经网络算法、RBF神经网络识别算法这三类识别算法对处理后的训练样本数据进行训练;利用上述三类训练好的识别算法对运动人员的运动模式进行识别,并通过加权融合方法获得最终的模式识别结果。本发明在信息采集方面系统结构较为简洁、方便,能够在复杂多变的训练和比赛场景下实现运动模式识别,改善了运动模式识别的精度和鲁棒性。
  • 一种模型在线监控方法及系统-201910245283.9
  • 李明;王清臣 - 北京九章云极科技有限公司
  • 2019-03-28 - 2020-02-14 - G06K9/62
  • 本发明提供一种模型在线监控方法及系统,属于大数据技术领域,其中一种方法包括:基于当前模型服务获取实时业务数据;基于所述实时业务数据重新训练算法模型;将所述重新训练的算法模型与所述当前模型服务对应的当前在线模型进行比对;基于比对结果调整所述当前模型服务;重复执行上述步骤,以对当前在线模型进行实时监控。本发明实施例,基于更新的业务数据不断训练新的算法模型,并将重新训练的算法模型与当前在线模型进行比对,基于比对结果调整所述当前模型服务,从而不断优化模型服务,保证模型服务的准确性。
专利分类
×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top