[发明专利]基于深度学习的烟叶香型预测方法、电子设备和存储介质

说明书

本申请涉及基于深度学习的烟叶香型预测方法、电子设备和存储介质，属于人工智能技术领域，该方法包括：获取各产区的烟叶的样本数据，样本数据包含烟草生长天气数据、植烟土壤的养分含量和原烟中的化合物含量；对烟叶样本数据进行归一化处理，得到训练数据，训练数据带有香型信息的标签；通过训练数据训练烟叶香型深度学习模型，得到烟叶香型预测模型，该烟叶香型深度学习模型包括LSTM网络层、注意力层和投影层；将待预测的烟叶样本特征输入烟叶香型预测模型的LSTM网络层，将该LSTM网络层输出的结果送入注意力层，将该注意力层输出的结果送入投影层，得到预测的烟叶香型。能够提高烟叶香型识别效率，提高识别结果的准确性和精确度。

技术领域

本申请涉及人工智能技术领域，特别是涉及基于深度学习的烟叶香型预测方法、电子设备和存储介质。

背景技术

目前，针对烟叶香型的分类，主要是通过评鉴师来评吸原烟，从而得出烟叶的香型类别。而实际中，烟叶的产区很多，且分布于不同的地理位置，由于烟叶的香型容易受烟草的生长环境影响，所以每个产区的烟叶可能香型都是不同的，可见，通过人工对每个产区的原烟进行评吸从而得出香型类别，效率很低；而且，由人工评吸原烟的方式会因评鉴师的主观因素导致烟叶的香型评鉴结果准确性较低。

相关技术中提供了一种基于RBF神经网络建立库存烟叶香型的预测模型，根据烟叶的常规化学成分构建RBF神经网络，从而能够大致将烟叶香型分为清香型、中间香型和浓香型三大类，识别结果精确度较低。

发明内容

本申请实施例提供了基于深度学习的烟叶香型预测方法、电子设备和存储介质，以至少解决通过相关技术识别烟叶香型效率低，识别结果准确性低、精确度低的问题。

第一方面，本申请实施例提供了一种基于深度学习的烟叶香型预测方法，包括：获取各产区的烟叶的样本数据，所述样本数据包含烟草生长天气数据、植烟土壤的养分含量和原烟中的化合物含量；对所述烟叶样本数据进行归一化处理，得到训练数据，所述训练数据带有香型信息的标签；通过所述训练数据训练烟叶香型深度学习模型，得到烟叶香型预测模型，所述烟叶香型深度学习模型包括LSTM(Long Short-Term Memory，长短期记忆)网络层、注意力层(Attention层)和投影层；将待预测的烟叶样本特征输入所述烟叶香型预测模型的LSTM网络层，将该LSTM网络层输出的结果送入注意力层，将该注意力层输出的结果送入投影层，得到预测的烟叶香型。

在其中一些实施例中，所述的获取各产区的烟叶的样本数据包括：从天气网站平台获取各产区的所述烟草生长天气数据，该烟草生长天气数据包括烟草生长过程中的晴天、阴天和雨天的天数。

在其中一些实施例中，在所述的获取各产区的烟叶的样本数据之前，所述方法还包括：通过土壤农化分析方法对烟草返苗期、伸根期、旺长期和成熟期测定所述植烟土壤的养分含量，该植烟土壤的养分含量包括氮、磷、钾、钙、镁、硫、铁、硼、锰、锌、铜、钼和氯的含量；通过流动分析仪分析出所述原烟中的化合物含量，该原烟中的化合物含量包括原烟在单位重量下所含总植物碱、总氮、还原糖、总糖、蛋白质、钾、氯和淀粉等的含量。

在其中一些实施例中，所述的对所述烟叶样本数据进行归一化处理，得到训练数据包括：将所述样本数据转化为比例数据，所述比例数据包括烟草生长过程中各天气比例、土壤中各养分比例和原烟中各化合物比例(包括各化合物含量占总含量的比值，以及糖碱比、氮碱比、钾氯比等这些重要化合物比值)；将所述比例数据进行向量表征，得到特征向量。

在其中一些实施例中，所述的通过所述训练数据训练烟叶香型深度学习模型，得到烟叶香型预测模型包括：选择预设数量的烟叶样本的训练数据，并输入LSTM网络层；将所述LSTM网络层输出的结果送入注意力层，将所述注意力层输出的结果送入投影层，得到预测结果；根据所述预测结果计算损失值，当损失函数收敛时，得到烟叶香型预测模型。

在其中一些实施例中，所述LSTM网络层包括以下公式：