[发明专利]基于残差网络的烟叶分级方法、电子设备及存储介质

权利要求书

1.一种基于多分支注意力机制残差网络的烟叶分级方法，其特征在于，包括：

采集不同等级的烟叶图像并按照等级进行分类存储，并将所述烟叶图像进行预处理；

将预处理后的烟叶图像按照特定比例划分为训练集、验证集和测试集；

搭建多分支注意力机制残差网络模型，设置优化器、损失函数和监控指标对所述多分支注意力机制残差网络模型进行装配；

将训练集和验证集送入装配好的多分支注意力机制残差网络模型进行训练，获取训练好的多分支注意力机制残差网络模型；

通过训练好的多分支注意力机制残差网络模型对待测烟叶图像进行分级。

2.根据权利要求1所述的方法，其特征在于，所述采集不同等级的烟叶图像具体包括：

将不同等级的多片烟叶平铺在烟叶分选流水线皮带上，烟叶头和尖朝同一固定方向进行拍照采样。

3.根据权利要求1所述的方法，其特征在于，所述烟叶图像进行预处理具体包括：

对图像进行去背景处理，具体包括：读取图像，将图像转为灰度图，使用Opencv中的分水岭算法将图像变为烟叶为白，皮带背景为黑的二值图，再与原图相乘得到去背景图；

剔除图像中小面积的烟叶和碎烟，具体包括：提取图像中烟叶轮廓，计算每个轮廓的面积，将面积小于20％的图像面积的轮廓删除，即得到剔除小面积烟叶和碎烟的图像；

将所述剔除小面积的烟叶和碎烟后的图像尺寸缩放到特定像素大小。

4.根据权利要求1所述的方法，其特征在于所述搭建多分支注意力机制残差网络模型具体包括：

搭建残差模块，具体包括：输入x先经由1*1大小的卷积进行升维，然后分为两个分支，通过Split操作切分为2个特征图F1和F2，随后将所述特征图F1和F2相加，相加后的新的特征图经过注意力机制，先进行Global polling操作将特征图压缩到1*1大小，接着使用Dense全连接降维后再使用Dense全连接升维，然后使用r-softmax函数进行权重挑选，再分别与F1和F2相乘得到新的特征图F1和F2，再将所述新的特征图F1和F2相加，最后经过1*1的卷积后就得到了F(x)，将F(x)再与输入x相加；

堆叠残差模块，具体包括：由特定个数的搭建完成的残差模块进行堆叠，从而获得不同层数的Resnet。

5.根据权利要求1所述的方法，其特征在于，所述设置优化器、监控指标以及损失函数具体包括：

选取Adam自适应优化器作为优化器，选取准确率作为监控指标，使用多分类交叉熵作为损失函数，所述交叉熵通过公式1获取：

其中，N表示该批次样本数量，K表示标签个数，y_i,k表示第i个样本为第k个标签的真实值，log表示自然对数，p_i,k表示第i个样本预测为第k个标签值的概率。

6.根据权利要求1所述的方法，其特征在于，所述将训练集和验证集送入网络进行训练的过程中对训练集进行旋转、平移以及翻转以扩增数据，用于拟合模型。

7.根据权利要求1所述的方法，其特征在于，在获取训练好的多分支注意力机制残差网络模型后进一步包括：使用验证集对所述训练好的多分支注意力机制残差网络模型进行验证，获取准确率。

8.根据权利要求1所述的方法，其特征在于，所述通过训练好的多分支注意力机制残差网络模型对待测烟叶图像进行分级具体包括：

通过将待测烟叶输入多分支注意力机制残差网络模型得到该图像各个等级的概率预测值，将概率最大的索引作为模型预测结果。

9.一种电子设备，包括：

处理器；以及，

被安排成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行如权利要求1-8所述的基于多分支注意力机制残差网络的烟叶分级方法的步骤。

10.一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现如权利要求1-8所述的基于多分支注意力机制残差网络的烟叶分级方法的步骤。