一种基于高温烤房的烟叶烘烤模拟方法及系统

1.本公开涉及烟叶烘烤技术领域，具体涉及一种基于高温烤房的烟叶烘烤模拟方法及系统。


背景技术：

2.烟叶烘烤过程的自动控制是保证烟叶质量的关键技术，传统方式是利用干湿球玻璃温度计采集数据，人工长时间监测，劳动强度大，操作规程复杂，烤房内温湿度分布不均匀，导致烟叶烘烤质量水平低。
3.目前，现有的烟叶烘烤技术中由于对烘烤温度、湿度的控制准确度不足，进而导致烟叶烘烤质量不佳的技术问题。


技术实现要素：

4.本公开提供了一种基于高温烤房的烟叶烘烤模拟方法及系统，用以解决现有的烟叶烘烤技术中由于对烘烤温度、湿度的控制准确度不足，进而导致烟叶烘烤质量不佳的技术问题。
5.根据本公开的第一方面，提供了一种基于高温烤房的烟叶烘烤模拟方法，包括：获取当前进行烟叶烘烤试验的烟叶类型，以及对目标烟叶类型进行烘烤的目标烘烤阶段，作为目标烘烤类型；采集上一个预设时间周期内的温度和湿度信息，以及当前的烘烤时间，获得温度信息集合、湿度信息集合和烘烤时间；根据所述目标烘烤类型，构建获取对应的目标烘烤控制模型，将所述烘烤时间、温度信息集合和所述湿度信息集合输入所述目标烘烤控制模型内，获得温度控制参数和湿度控制参数，并进行温度和湿度控制；按照所述预设时间周期，对当前进行烘烤的烟叶进行采样选取，获得多个样本烟叶，并采集所述多个样本烟叶的图像信息，获得图像信息集合；将所述图像信息集合进行预处理，并输入所述目标烘烤类型对应的烘烤阶段分析模型内的烟叶分析模块和烟筋分析模块，获得烟叶分析结果和烟筋分析结果；在所述烟叶分析结果和所述烟筋分析结果达到所述目标烘烤阶段的预设烟叶颜色阈值和预设烟筋颜色阈值时，进入下一烘烤阶段内的烘烤或完成烘烤。
6.根据本公开的第二方面，提供了一种基于高温烤房的烟叶烘烤模拟系统，包括：目标烘烤类型确定模块，所述目标烘烤类型确定模块用于获取当前进行烟叶烘烤试验的烟叶类型，以及对目标烟叶类型进行烘烤的目标烘烤阶段，作为目标烘烤类型；烘烤信息获取模块，所述烘烤信息获取模块用于采集上一个预设时间周期内的温度和湿度信息，以及当前的烘烤时间，获得温度信息集合、湿度信息集合和烘烤时间；烘烤控制模块，所述烘烤控制模块用于根据所述目标烘烤类型，构建获取对应的目标烘烤控制模型，将所述烘烤时间、温度信息集合和所述湿度信息集合输入所述目标烘烤控制模型内，获得温度控制参数和湿度控制参数，并进行温度和湿度控制；样本烟叶图像采集模块，所述样本烟叶图像采集模块用于按照所述预设时间周期，对当前进行烘烤的烟叶进行采样选取，获得多个样本烟叶，并采集所述多个样本烟叶的图像信息，获得图像信息集合；烟叶烟筋分析结果获取模块，所述烟
叶烟筋分析结果获取模块用于将所述图像信息集合进行预处理，并输入所述目标烘烤类型对应的烘烤阶段分析模型内的烟叶分析模块和烟筋分析模块，获得烟叶分析结果和烟筋分析结果；烘烤结果判断模块，所述烘烤结果判断模块用于在所述烟叶分析结果和所述烟筋分析结果达到所述目标烘烤阶段的预设烟叶颜色阈值和预设烟筋颜色阈值时，进入下一烘烤阶段内的烘烤或完成烘烤。
7.根据本公开采用的一种基于高温烤房的烟叶烘烤模拟方法，本公开以烟叶类型和烘烤阶段作为目标烘烤类型，根据目标烘烤类型构建对应的目标烘烤控制模型，进一步获取上一个预设时间周期内的温度信息集合、湿度信息集合和烘烤时间，并将其输入目标烘烤控制模型内，获得温度控制参数和湿度控制参数，进行温度和湿度控制，可以有效提高温度控制参数和湿度控制参数的准确度。进一步对当前进行烘烤的烟叶进行采样选取，获得图像信息集合，将图像信息集合进行预处理后获得烟叶图像信息集合和烟筋图像信息集合，并分别输入目标烘烤类型对应的烘烤阶段分析模型内的烟叶分析模块和烟筋分析模块，获得烟叶分析结果和烟筋分析结果，对烟叶分析结果和烟筋分析结果中的烟叶颜色和烟筋颜色进行分析，在烟叶颜色和烟筋颜色达到预期要求的情况下结束烘烤或者进行下一阶段的烘烤，达到对烟叶烘烤情况进行监测，提升烟叶烘烤质量的技术效果。
8.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
9.为了更清楚地说明本公开或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
10.图1为本公开实施例提供的一种基于高温烤房的烟叶烘烤模拟方法的流程示意图；
11.图2为本公开实施例中获得目标烘烤类型的流程示意图；
12.图3为本公开实施例中获得烟叶分析结果和烟筋分析结果的流程示意图；
13.图4为本公开实施例提供的一种基于高温烤房的烟叶烘烤模拟系统的结构示意图。
14.附图标记说明：目标烘烤类型确定模块11，烘烤信息获取模块12，烘烤控制模块13，样本烟叶图像采集模块14，烟叶烟筋分析结果获取模块15，烘烤结果判断模块16。
具体实施方式
15.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
16.为了解决现有技术中存在现有的烟叶烘烤技术中由于对烘烤温度、湿度的控制准确度不足，进而导致烟叶烘烤质量不佳的技术问题，本公开的发明人经过创造性的劳动，得
到了本公开的一种基于高温烤房的烟叶烘烤模拟方法及系统。
17.实施例一
18.图1为本公开实施例提供的一种基于高温烤房的烟叶烘烤模拟方法图，如图1所示，所述方法包括：
19.步骤s100：获取当前进行烟叶烘烤试验的烟叶类型，以及对目标烟叶类型进行烘烤的目标烘烤阶段，作为目标烘烤类型；
20.其中，如图2所示，本公开实施例步骤s100还包括：
21.步骤s110：获取当前进行烘烤的烟叶的品种、部位和成熟度，作为所述烟叶类型；
22.步骤s120：获取当前进行烟叶烘烤的烘烤阶段，作为目标烘烤阶段，其中，烘烤阶段包括变黄期、定色期和烘干期；
23.步骤s130：结合所述烟叶类型和所述目标烘烤阶段，获得所述目标烘烤类型。
24.具体而言，烟叶的品种包括烤烟、白肋烟、香料烟等多种类型，烟叶的部位是指烟叶在烟株上着生的位置，自下而上可分为脚叶、下二棚叶、腰叶、上二棚叶、顶叶五个部位，烟叶的成熟度包含两种：一是指在充足的营养条件下，烟叶生长发育达到成熟的程度，即田间鲜叶成熟度；二是指采收成熟的烟叶，经过烘烤后达到成熟的程度，通常划分为未熟、假熟、初熟、适熟、完熟、过熟，需要根据实际情况确定当前进行烘烤的烟叶的成熟度。基于此，确定当前进行烘烤的烟叶的品种、部位和成熟度作为烟叶类型，进一步获取当前进行烟叶烘烤的烘烤阶段作为目标烘烤阶段，烘烤阶段包括变黄期、定色期和烘干期，不同的烘烤阶段设置的烘烤参数以及想要达到的烘烤效果不同，例如，变黄期烟叶变化达到的要求如下：烟叶黄片青筋，叶基部微带青；定色期烟叶变化要求：使烟叶达到黄片黄筋小卷边；烘干期烟叶变化要求：烤房内全部烟叶主脉干燥。将当前进行烘烤的烟叶类型和目标烘烤阶段作为目标烘烤类型，便于后续根据烟叶类型和烘烤阶段进行烘烤时的温湿度控制。
25.步骤s200：采集上一个预设时间周期内的温度和湿度信息，以及当前的烘烤时间，获得温度信息集合、湿度信息集合和烘烤时间；
26.具体而言，上一个预设时间周期是指当前进行烘烤的烟叶进行上一阶段烘烤时的时间周期，比如当前进行烘烤的烟叶需要进行定色期的烘烤，那么上一阶段就是变黄期，采集进行变黄期的烘烤时的温度和湿度信息，温度信息是指烤房内的环境温度，湿度信息是指烤房内的空气湿度，具体可以通过在烤房内设置温湿度传感器进行温湿度的采集。烘烤时间是指当前进行烘烤的烟叶需要进行的烘烤阶段，即目标烘烤阶段对应的时间周期。
27.步骤s300：根据所述目标烘烤类型，构建获取对应的目标烘烤控制模型，将所述烘烤时间、温度信息集合和所述湿度信息集合输入所述目标烘烤控制模型内，获得温度控制参数和湿度控制参数，并进行温度和湿度控制；
28.其中，本公开实施例步骤s300还包括：
29.步骤s310：根据历史时间内所述目标烘烤类型的烘烤数据，获取多个样本烘烤时间、多个样本温度信息集合和多个样本湿度信息集合；
30.步骤s320：根据所述多个样本烘烤时间、多个样本温度信息集合和多个样本湿度信息集合，分别制定获取多个样本温度控制参数和多个样本湿度控制参数；
31.步骤s330：采用所述多个样本烘烤时间、多个样本温度信息集合、多个样本湿度信息集合、多个样本温度控制参数和多个样本湿度控制参数，作为构建数据，构建所述目标烘
烤控制模型。
32.其中，本公开实施例步骤s330还包括：
33.步骤s331：基于机器学习中的bp神经网络，构建所述目标烘烤控制模型的网络结构，其中，所述目标烘烤控制模型的输入数据为烘烤时间、温度信息集合和样本湿度信息集合，输出数据为温度控制参数和湿度控制参数；
34.步骤s332：对所述多个样本烘烤时间、多个样本温度信息集合、多个样本湿度信息集合、多个样本温度控制参数和多个样本湿度控制参数进行数据标注，获得第一训练集、第一验证集和第一测试集；
35.步骤s333：采用所述第一训练集、第一验证集和第一测试集对所述目标烘烤控制模型进行监督训练，通过实际输出和预期输出的误差，对网络参数进行梯度下降更新，并进行验证和测试，获得准确率符合预设条件的所述目标烘烤控制模型。
36.具体而言，不同类型和不同烘烤阶段的烟叶对烘烤时的温度和湿度的需求是不同的，根据目标烘烤类型，构建获取对应的目标烘烤控制模型，将烘烤时间、温度信息集合和湿度信息集合输入目标烘烤控制模型内，获得温度控制参数和湿度控制参数，温度控制参数和湿度控制参数即为当前进行烘烤的烟叶需求的温度和湿度，温度控制参数是指烤房温度要求，湿度控制参数是指对烤房内空气的湿度要求，需要说明的是，温度控制参数和湿度控制参数包括不同时间下的温度和湿度要求，比如，首先将烤房温度提高到35℃，以每2小时1℃的速度升温到41-42℃。因此，目标烘烤控制模型输出的温度控制参数和湿度控制参数是分阶段变化的，便于进行更加精准的烘烤控制，保证烟叶烘烤质量，通过温度控制参数和湿度控制参数对烤房内的温度和湿度进行控制，进行烟叶的烘烤。
37.具体地，历史时间即过去一段时间，比如一个月，采集历史时间内与目标烘烤类型相同的烟叶的烘烤数据，对烘烤数据进行分析整合，从中提取出多个样本烘烤时间、多个样本温度信息集合和多个样本湿度信息集合，多个样本烘烤时间、多个样本温度信息集合和多个样本湿度信息集合与前述的温度信息集合、湿度信息集合和烘烤时间指代的数据类型相一致，分别对多个样本烘烤时间、多个样本温度信息集合和多个样本湿度信息集合中的数据进行分析，为其配置对应的多个样本温度控制参数和多个样本湿度控制参数，多个样本温度控制参数和多个样本湿度控制参数与前述的温度控制参数和湿度控制参数指代的数据类型一致，也分别包括不同时间下的温度和湿度要求。以多个样本烘烤时间、多个样本温度信息集合、多个样本湿度信息集合、多个样本温度控制参数和多个样本湿度控制参数，作为构建数据，构建目标烘烤控制模型。
38.具体而言，构建目标烘烤控制模型的过程如下：基于机器学习中的bp神经网络，构建目标烘烤控制模型的网络结构，该目标烘烤控制模型内包括多个模拟人体大脑神经元的简单单元，目标烘烤控制模型可在监督训练过程中形成简单单元之间连接的权值、阈值等参数，训练完成后的目标烘烤控制模型可根据输入数据进行复杂的非线性逻辑运算，输出预测获得的输出数据，目标烘烤控制模型的输入数据为烘烤时间、温度信息集合和湿度信息集合，输出数据为温度控制参数和湿度控制参数。进一步对多个样本烘烤时间、多个样本温度信息集合、多个样本湿度信息集合、多个样本温度控制参数和多个样本湿度控制参数进行数据标注并按照一定的比例进行划分，获得第一训练集、第一验证集和第一测试集，第一训练集中包含多个样本烘烤时间、多个样本温度信息集合、多个样本湿度信息集合，第一
验证集中包含与第一训练集中的多个样本烘烤时间、多个样本温度信息集合、多个样本湿度信息集合对应的多个样本温度控制参数和多个样本湿度控制参数，第一测试集中包含一一对应的多个样本烘烤时间、多个样本温度信息集合、多个样本湿度信息集合、多个样本温度控制参数和多个样本湿度控制参数。
39.将第一训练集中的每一组样本烘烤时间、样本温度信息集合、样本湿度信息集合输入目标烘烤控制模型，利用第一验证集中对应的样本温度控制参数和样本湿度控制参数对目标烘烤控制模型的输出进行监督调整，使得目标烘烤控制模型的输出数据与样本温度控制参数和样本湿度控制参数相一致。将第一训练集中的所有数据训练完毕后，利用第一测试集对目标烘烤控制模型进行准确率测试，将第一测试集中的多个样本烘烤时间、多个样本温度信息集合、多个样本湿度信息集合分别输入目标烘烤控制模型，获取多个输出数据作为实际输出，将第一测试集中与输入数据对应的多个样本温度控制参数和多个样本湿度控制参数作为预期输出，计算实际输出和预期输出之间的误差，对网络参数进行梯度下降更新，简单来说，实际输出和预期输出之间的误差作为损失函数，损失函数越小，说明误差越小，对网络参数进行梯度下降更新的过程就是最小化损失函数的过程，即误差减小的过程，可以通过梯度下降法来一步步的迭代求解，得到最小化的损失函数和对应的网络参数，对更新后的目标烘烤控制模型进行验证和测试，判断损失函数即误差是否符合预设条件，从而获得准确率符合预设条件的目标烘烤控制模型，达到提升目标烘烤控制模型的输出数据的准确度，提升烟叶烘烤质量的技术效果。
40.步骤s400：按照所述预设时间周期，对当前进行烘烤的烟叶进行采样选取，获得多个样本烟叶，并采集所述多个样本烟叶的图像信息，获得图像信息集合；
41.具体而言，此处的预设时间周期是指当前进行烘烤的烟叶的烘烤时间周期，在当前进行烘烤的烟叶的烘烤时间内，对当前进行烘烤的烟叶进行随机采样选取，获得多个样本烟叶，通过智能摄像头、摄像机等图像采集设备对多个样本烟叶进行图像采集，获取多个样本烟叶的图像信息组成图像信息集合。
42.步骤s500：将所述图像信息集合进行预处理，并输入所述目标烘烤类型对应的烘烤阶段分析模型内的烟叶分析模块和烟筋分析模块，获得烟叶分析结果和烟筋分析结果；
43.其中，如图3所示，本公开实施例步骤s500还包括：
44.步骤s510：按照烟叶和烟筋区域，对所述图像信息集合内的图像进行划分，获得烟叶图像信息集合和烟筋图像信息集合；
45.步骤s520：获取所述目标烘烤类型的样本烟叶图像信息集合和样本烟筋图像信息集合；
46.步骤s530：对所述样本烟叶图像信息集合内的图像颜色进行识别，获得样本烟叶分析结果集合，对所述样本烟筋图像信息集合内的图像颜色进行识别，获得样本烟筋分析结果集合；
47.步骤s540：采用所述样本烟叶图像信息集合和所述样本烟叶分析结果集合作为构建数据，构建所述烟叶分析模块；
48.步骤s550：采用所述样本烟筋图像信息集合和所述样本烟筋分析结果集合作为构建数据，构建所述烟筋分析模块，获得所述烘烤阶段分析模型；
49.步骤s560：分别将所述烟叶图像信息集合和烟筋图像信息集合输入所述的烟叶分
析模块和烟筋分析模块，获得烟叶分析结果集合和烟筋分析结果集合；
50.步骤s570：计算所述烟叶分析结果集合和烟筋分析结果集合内的期望值，获得所述烟叶分析结果和烟筋分析结果。
51.其中，本公开实施例步骤s540还包括：
52.步骤s541：分别有放回地在所述样本烟叶图像信息集合和所述样本烟叶分析结果集合内随机选择j组数据，获得第一构建数据集，其中，j为正整数，且小于所述样本烟叶图像信息集合内数据的数量；
53.步骤s542：采用所述第一构建数据集，构建所述烟叶分析模块内的第一烟叶分析单元；
54.步骤s543：继续分别有放回地在所述样本烟叶图像信息集合和所述样本烟叶分析结果集合内随机选择j组数据，获得第二构建数据集，并构建第二烟叶分析单元；
55.步骤s544：继续构建获得k个烟叶分析单元，获得所述烟叶分析模块，k为大于1的整数。
56.其中，本公开实施例步骤s542还包括：
57.步骤s5421：基于卷积神经网络，构建所述第一烟叶分析单元的网络结构，所述第一烟叶分析单元内包括输入层、卷积层、池化层、全连接层和输出层；
58.步骤s5422：采用所述第一构建数据集，对所述第一烟叶分析单元进行监督训练，通过实际输出和预期输出的误差，对所述第一烟叶分析单元的网络参数进行更新，直到达到收敛条件，进行验证和测试，或准确率符合预设条件，则获得所述第一烟叶分析单元。
59.具体而言，烘烤阶段分析模型包括烟叶分析模块和烟筋分析模块，烟叶分析模块通过对烟叶图像进行分析，获得烟叶分析结果，烟叶分析结果包含烟叶的颜色特征；烟筋分析模块通过对的烟筋图像进行分析，获得烟筋分析结果，烟筋分析结果包含烟筋的图像特征。预处理就是指对图像信息集合进行分析，按照烟叶和烟筋区域，对图像信息集合中的图像进行分割、划分，获得烟叶图像信息集合和烟筋图像信息集合，将叶图像信息集合和烟筋图像信息集合分别输入烟叶分析模块和烟筋分析模块，获得烟叶分析结果和烟筋分析结果。
60.具体地，首先按照烟叶和烟筋的分布区域，对图像信息集合内的图像进行划分，获得烟叶图像信息集合和烟筋图像信息集合，如果图像中烟叶和烟筋部分难以分割，可以分别对烟叶部分和烟筋部分进行框选，并进行标注，对框选部分进行分割，从而组建烟叶图像信息集合和烟筋图像信息集合。进一步基于大数据获取与目标烘烤类型相同的样本烟叶图像信息集合和样本烟筋图像信息集合。对样本烟叶图像信息集合内的图像颜色进行识别，具体来说，所有的颜色都可以用rgb(红、绿、蓝三色)色值来表示，颜色识别时，如果直接用常用的黄色、浅黄色等颜色形容词作为识别结果，由于颜色界限比较模糊，导致分析结果不够准确，因此采用烟叶图像的rgb色值作为样本烟叶图像对应的样本烟叶分析结果，从而获得样本烟叶分析结果集合。采用相同的方法，对样本烟筋图像信息集合内的图像颜色进行rgb色值识别，以色值识别结果组成样本烟筋分析结果集合。
61.进一步采用样本烟叶图像信息集合和样本烟叶分析结果集合作为构建数据，构建烟叶分析模块，烟叶分析模块的输入是烟叶图像信息集合，输出是烟叶分析结果集合；采用样本烟筋图像信息集合和样本烟筋分析结果集合作为构建数据，构建烟筋分析模块的输入
是烟筋图像信息集合，输出是烟筋分析结果，烟叶分析模块和烟筋分析模块一起组成烘烤阶段分析模型。
62.构建烟叶分析模块的过程如下：样本烟叶图像信息集合和样本烟叶分析结果集合内包含多组样本烟叶图像信息，分别有放回地在样本烟叶图像信息集合和样本烟叶分析结果集合内随机选择j组数据，j为正整数，且小于样本烟叶图像信息集合内数据的数量，以随机选择的j组数据组成第一构建数据集，采用第一构建数据集，构建烟叶分析模块内的第一烟叶分析单元，继续分别有放回地在样本烟叶图像信息集合和样本烟叶分析结果集合内随机选择j组数据，获得第二构建数据集，并通过第二构建数据集构建第二烟叶分析单元，继续构建获得k个烟叶分析单元，以k个烟叶分析单元组成烟叶分析模块，k为大于1的整数，j和k可以根据实际情况自行设定，举例如，样本烟叶图像信息集合和样本烟叶分析结果集合分别包含100个样本烟叶图像信息和100个样本烟叶分析结果，假设j为30，第一次随机从100个样本烟叶图像信息和100个样本烟叶分析结果中选取30组数据作为第一构件数据集，每组数据均包含具有对应关系的样本烟叶图像信息和样本烟叶分析结果；接着第二次随机从100个样本烟叶图像信息和100个样本烟叶分析结果中再选取30组数据作为第二构建数据集，以此类推，多次随机从100个样本烟叶图像信息和100个样本烟叶分析结果中再选取30组数据，作为第三构建数据集、第四构建数据集，直到第k构建数据集，k可以自行设定，就可以得到k个构建数据集，k个构建数据集中的数据不相同，然后利用k个构建数据集构建获得k个烟叶分析单元，k个烟叶分析单元组成烟叶分析模块。
63.采用与构建烟叶分析模块相同的方法，分别有放回地多次在样本烟筋图像信息集合和样本烟筋分析结果集合内随机选择j组数据，获得k个烟筋构建数据集，采用k个烟筋构建数据集，构建k个烟筋分析单元，以k个烟筋分析单元组成烟筋分析模块，k为大于1的整数。
64.将烟叶图像信息集合中的图像输入烟叶分析模块中的k个烟叶分析单元，得到k个烟叶分析结果组成烟叶分析结果集合；将烟筋图像信息集合中的图像输入烟筋分析模块中的k个烟筋分析单元，得到k个烟筋分析结果组成烟筋分析结果集合，计算烟叶分析结果集合和烟筋分析结果集合内的期望值，也就是平均值，分别以烟叶分析结果集合和烟筋分析结果集合内的数据的平均值作为烟叶分析结果和烟筋分析结果。
65.通过从样本数据中随机选取少量数据构建多个烟叶分析单元和多个烟筋分析单元，可以有效减小烟叶分析模块训练时的收敛速度，提升构建速度，进而将烟叶图像信息集合中的图像输入多个烟叶分析单元和多个烟筋分析单元，多个烟叶分析单元和多个烟筋分析单元的输出结果可能会有差异，分别对多个烟叶分析单元和多个烟筋分析单元的输出数据进行均值计算，以均值计算结果作为烟叶分析结果和烟筋分析结果，达到提升烟叶分析模块输出数据的准确性的效果。
66.构建第一烟叶分析单元的过程如下：基于卷积神经网络，构建第一烟叶分析单元的网络结构，第一烟叶分析单元内包括输入层、卷积层、池化层、全连接层和输出层，第一烟叶分析单元是对烟叶图像进行分析识别，输入层一般代表了烟叶图像的像素矩阵，可以用三维矩阵代表一张图片，三维矩阵的长和宽代表了图像的大小，而三维矩阵的深度代表了图像的色彩通道，也就是rgb色值；卷积神经网络的核心是卷积层，卷积层的核心部分是卷积操作，对烟叶图像和滤波矩阵(一组固定的权重：因为每个神经元的多个权重固定，所以
又可以看做一个恒定的滤波器)做内积(逐个元素相乘再求和)的操作就是卷积操作；池化层将输入烟叶图像的像素矩阵的某一位置相邻区域的总体统计特征作为该位置的输出，主要有平均池化、最大池化等，简单来说池化就是在该区域上指定一个rgb色值来代表整个区域；在经过多轮卷积层和池化层的处理之后，可以认为烟叶图像中的信息已经被抽象成了具体的rgb色值。我们可以将卷积层和池化层看成烟叶图像特征提取的过程，在特征提取完成之后，仍然需要使用全连接层来完成rgb色值的整合，最后通过输出层输出烟叶分析结果，即输入的烟叶图像对应的烟叶的颜色特征(rgb色值)。
67.与前述构建目标烘烤控制模型的方法类似，可以对第一构建数据集中的数据进行划分，获得第二训练集、第二验证集和第二测试集，通过将第二训练集中的样本烟叶图像信息输入第一烟叶分析单元，通过第二验证集中对应的样本烟叶分析结果对第一烟叶分析单元的输出进行监督调整，使得第一烟叶分析单元的输出与第二验证集中对应的样本烟叶分析结果相一致，将第二训练集中的所有样本烟叶图像信息训练完毕，利用第二测试集对第一烟叶分析单元的准确率进行测试，根据实际输出和预期输出的误差，对第一烟叶分析单元的网络参数进行更新，直到实际输出和预期输出的误差达到最小，即达到收敛条件，也就是准确率符合预设条件，则获得构建完成的第一烟叶分析单元，保证第一烟叶分析单元的准确性。利用与构建第一烟叶分析单元相同的方法，继续构建其它k个烟叶分析单元和k个烟筋分析单元，从而以构建完成的k个烟叶分析单元组成烟叶分析模块，以k个烟筋分析单元组成烟筋分析模块，烟叶分析模块和烟筋分析模块组成烘烤阶段分析模型。
68.步骤s600：在所述烟叶分析结果和所述烟筋分析结果达到所述目标烘烤阶段的预设烟叶颜色阈值和预设烟筋颜色阈值时，进入下一烘烤阶段内的烘烤或完成烘烤。
69.具体而言，预设烟叶颜色阈值和预设烟筋颜色阈值即为进行烟叶烘烤后，预期的烟叶颜色和眼睛颜色，需要根据实际情况自行设定，用rgb色值表示，不同类型、处于不同烘烤阶段的烟叶对应的预设烟叶颜色阈值和预设烟筋颜色阈值是不同的，分别对烟叶分析结果、烟筋分析结果与预设烟叶颜色阈值、预设烟筋颜色阈值进行比较，如果烟叶分析结果和烟筋分析结果达到目标烘烤阶段的预设烟叶颜色阈值和预设烟筋颜色阈值时，说明目标烘烤阶段完成，可以开始下一阶段的烘烤或者结束烘烤，可以继续利用本公开实施例提供的一种基于高温烤房的烟叶烘烤模拟方法进行下一阶段的烟叶烘烤，达到提升烟叶烘烤使得温度、湿度控制准确度，提升烟叶烘烤质量的技术效果。
70.基于上述分析可知，本公开提供了一种基于高温烤房的烟叶烘烤模拟方法，在本实施例中，以烟叶类型和烘烤阶段作为目标烘烤类型，根据目标烘烤类型构建对应的目标烘烤控制模型，进一步获取上一个预设时间周期内的温度信息集合、湿度信息集合和烘烤时间，并将其输入目标烘烤控制模型内，获得温度控制参数和湿度控制参数，进行温度和湿度控制，可以有效提高温度控制参数和湿度控制参数的准确度。进一步对当前进行烘烤的烟叶进行采样选取，获得图像信息集合，将图像信息集合进行预处理后获得烟叶图像信息集合和烟筋图像信息集合，并分别输入目标烘烤类型对应的烘烤阶段分析模型内的烟叶分析模块和烟筋分析模块，获得烟叶分析结果和烟筋分析结果，对烟叶分析结果和烟筋分析结果中的烟叶颜色和烟筋颜色进行分析，在烟叶颜色和烟筋颜色达到预期要求的情况下结束烘烤或者进行下一阶段的烘烤，达到对烟叶烘烤情况进行监测，提升烟叶烘烤质量的技术效果。
71.实施例二
72.基于与前述实施例中一种基于高温烤房的烟叶烘烤模拟方法同样的发明构思，如图4所示，本公开还提供了一种基于高温烤房的烟叶烘烤模拟系统，所述系统包括：
73.目标烘烤类型确定模块11，所述目标烘烤类型确定模块11用于获取当前进行烟叶烘烤试验的烟叶类型，以及对目标烟叶类型进行烘烤的目标烘烤阶段，作为目标烘烤类型；
74.烘烤信息获取模块12，所述烘烤信息获取模块12用于采集上一个预设时间周期内的温度和湿度信息，以及当前的烘烤时间，获得温度信息集合、湿度信息集合和烘烤时间；
75.烘烤控制模块13，所述烘烤控制模块13用于根据所述目标烘烤类型，构建获取对应的目标烘烤控制模型，将所述烘烤时间、温度信息集合和所述湿度信息集合输入所述目标烘烤控制模型内，获得温度控制参数和湿度控制参数，并进行温度和湿度控制；
76.样本烟叶图像采集模块14，所述样本烟叶图像采集模块14用于按照所述预设时间周期，对当前进行烘烤的烟叶进行采样选取，获得多个样本烟叶，并采集所述多个样本烟叶的图像信息，获得图像信息集合；
77.烟叶烟筋分析结果获取模块15，所述烟叶烟筋分析结果获取模块15用于将所述图像信息集合进行预处理，并输入所述目标烘烤类型对应的烘烤阶段分析模型内的烟叶分析模块和烟筋分析模块，获得烟叶分析结果和烟筋分析结果；
78.烘烤结果判断模块16，所述烘烤结果判断模块16用于在所述烟叶分析结果和所述烟筋分析结果达到所述目标烘烤阶段的预设烟叶颜色阈值和预设烟筋颜色阈值时，进入下一烘烤阶段内的烘烤或完成烘烤。
79.进一步而言，所述系统还包括：
80.烟叶类型获取模块，所述烟叶类型获取模块用于获取当前进行烘烤的烟叶的品种、部位和成熟度，作为所述烟叶类型；
81.烘烤阶段获取模块，所述烘烤阶段获取模块用于获取当前进行烟叶烘烤的烘烤阶段，作为目标烘烤阶段，其中，烘烤阶段包括变黄期、定色期和烘干期；
82.烘烤类型获取模块，所述烘烤类型获取模块用于结合所述烟叶类型和所述目标烘烤阶段，获得所述目标烘烤类型。
83.进一步而言，所述系统还包括：
84.第一样本信息获取模块，所述第一样本信息获取模块用于根据历史时间内所述目标烘烤类型的烘烤数据，获取多个样本烘烤时间、多个样本温度信息集合和多个样本湿度信息集合；
85.第二样本信息获取模块，所述第二样本信息获取模块用于根据所述多个样本烘烤时间、多个样本温度信息集合和多个样本湿度信息集合，分别制定获取多个样本温度控制参数和多个样本湿度控制参数；
86.目标烘烤控制模型构建模块，所述目标烘烤控制模型构建模块用于采用所述多个样本烘烤时间、多个样本温度信息集合、多个样本湿度信息集合、多个样本温度控制参数和多个样本湿度控制参数，作为构建数据，构建所述目标烘烤控制模型。
87.进一步而言，所述系统还包括：
88.网络结构构建模块，所述网络结构构建模块用于基于机器学习中的bp神经网络，构建所述目标烘烤控制模型的网络结构，其中，所述目标烘烤控制模型的输入数据为烘烤
时间、温度信息集合和样本湿度信息集合，输出数据为温度控制参数和湿度控制参数；
89.数据标注模块，所述数据标注模块用于对所述多个样本烘烤时间、多个样本温度信息集合、多个样本湿度信息集合、多个样本温度控制参数和多个样本湿度控制参数进行数据标注，获得第一训练集、第一验证集和第一测试集；
90.监督训练模块，所述监督训练模块用于采用所述第一训练集、第一验证集和第一测试集对所述目标烘烤控制模型进行监督训练，通过实际输出和预期输出的误差，对网络参数进行梯度下降更新，并进行验证和测试，获得准确率符合预设条件的所述目标烘烤控制模型。
91.进一步而言，所述系统还包括：
92.图像划分模块，所述图像划分模块用于按照烟叶和烟筋区域，对所述图像信息集合内的图像进行划分，获得烟叶图像信息集合和烟筋图像信息集合；
93.样本图像获取模块，所述样本图像获取模块用于获取所述目标烘烤类型的样本烟叶图像信息集合和样本烟筋图像信息集合；
94.颜色识别模块，所述颜色识别模块用于对所述样本烟叶图像信息集合内的图像颜色进行识别，获得样本烟叶分析结果集合，对所述样本烟筋图像信息集合内的图像颜色进行识别，获得样本烟筋分析结果集合；
95.第一构建模块，所述第一构建模块用于采用所述样本烟叶图像信息集合和所述样本烟叶分析结果集合作为构建数据，构建所述烟叶分析模块；
96.第二构建模块，所述第二构建模块用于采用所述样本烟筋图像信息集合和所述样本烟筋分析结果集合作为构建数据，构建所述烟筋分析模块，获得所述烘烤阶段分析模型；
97.分析结果集合获取模块，所述分析结果集合获取模块用于分别将所述烟叶图像信息集合和烟筋图像信息集合输入所述的烟叶分析模块和烟筋分析模块，获得烟叶分析结果集合和烟筋分析结果集合；
98.期望计算模块，所述期望计算模块用于计算所述烟叶分析结果集合和烟筋分析结果集合内的期望值，获得所述烟叶分析结果和烟筋分析结果。
99.进一步而言，所述系统还包括：
100.第一构建数据集获取模块，所述第一构建数据集获取模块用于分别有放回地在所述样本烟叶图像信息集合和所述样本烟叶分析结果集合内随机选择j组数据，获得第一构建数据集，其中，j为正整数，且小于所述样本烟叶图像信息集合内数据的数量；
101.第一烟叶分析单元构建模块，所述第一烟叶分析单元构建模块用于采用所述第一构建数据集，构建所述烟叶分析模块内的第一烟叶分析单元；
102.第二烟叶分析单元构建模块，所述第二烟叶分析单元构建模块用于继续分别有放回地在所述样本烟叶图像信息集合和所述样本烟叶分析结果集合内随机选择j组数据，获得第二构建数据集，并构建第二烟叶分析单元；
103.k个烟叶分析单元获取模块，所述k个烟叶分析单元获取模块用于继续构建获得k个烟叶分析单元，获得所述烟叶分析模块，k为大于1的整数。
104.进一步而言，所述系统还包括：
105.网络结构构建模块，所述网络结构构建模块用于基于卷积神经网络，构建所述第一烟叶分析单元的网络结构，所述第一烟叶分析单元内包括输入层、卷积层、池化层、全连
接层和输出层；
106.第二监督训练模块，所述第二监督训练模块用于采用所述第一构建数据集，对所述第一烟叶分析单元进行监督训练，通过实际输出和预期输出的误差，对所述第一烟叶分析单元的网络参数进行更新，直到达到收敛条件，进行验证和测试，或准确率符合预设条件，则获得所述第一烟叶分析单元。
107.前述实施例一中的一种基于高温烤房的烟叶烘烤模拟方法具体实例同样适用于本实施例的一种基于高温烤房的烟叶烘烤模拟系统，通过前述对一种基于高温烤房的烟叶烘烤模拟方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于高温烤房的烟叶烘烤模拟系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
108.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行，也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
109.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。