一种烟叶原料储存养护装置的制作方法

本发明属于烟叶原料储存养护，尤其涉及一种烟叶原料储存养护装置。

背景技术：

1、烟叶作为烟草工业的原料，对其储存养护质量有一定的要求。然而，现有烟叶原料储存养护装置存在一些缺陷：

2、(1)现有烟叶原料储存养护装置无法快捷并且准确的获取储存烟叶的外观质量以及颜色信息；

3、(2)不能对储存烟叶霉变进行快速检测。

技术实现思路

1、为解决现有技术存在的上述技术问题，本发明提供一种烟叶原料储存养护装置，可以实现烟叶原料储存环境温湿度信息的采集，并能够实现对储存烟叶霉变的快速检测，有利于提高烟叶原料储存养护质量。

2、本发明采用的技术方案是：

3、一种烟叶原料储存养护装置，其特征在于，包括存储温湿度采集模块、烟叶图像采集模块、中央控制模块、烟叶颜色识别模块、烟叶霉变检测模块、烟叶质量评价模块、温度警报模块以及显示模块，中央控制模块分别与存储温湿度采集模块、烟叶图像采集模块、烟叶颜色识别模块、烟叶霉变检测模块、烟叶质量评价模块、温度警报模块以及显示模块连接，用于控制上述各个模块的正常工作；其中：

4、存储温湿度采集模块，用于采集烟叶原料储存环境温度、湿度数据；

5、烟叶图像采集模块，用于采集储存烟叶图像；

6、烟叶颜色识别模块，用于对储存烟叶颜色进行识别；

7、烟叶霉变检测模块，用于对储存烟叶霉变进行检测；

8、烟叶质量评价模块，用于对储存烟叶质量进行评价；

9、温度警报模块，用于对烟叶原料储存异常温度进行警报；

10、显示模块，用于显示储存环境温度、湿度、烟叶图像、识别结果、检测结果、评价结果。

11、进一步的，所述存储温湿度采集模块的采集方法如下：

12、在烟叶原料储存环境安装温湿度检测器，所述温湿度检测器间隔数据采集周期t内烟叶原料储存环境温湿度信息，所述烟叶原料储存环境温湿度信息可以是温度值和/或湿度值；

13、定义第一烟叶原料储存环境温湿度信息表示烟叶原料储存环境温湿度监测终端最近一次采集到的烟叶原料储存环境温湿度信息；定义第二烟叶原料储存环境温湿度信息为获取第一烟叶原料储存环境温湿度信息之前上报的烟叶原料储存环境温湿度信息；定义第三烟叶原料储存环境温湿度信息为获取第二烟叶原料储存环境温湿度信息之前获取的烟叶原料储存环境温湿度信息；

14、判断所述第一烟叶原料储存环境温湿度信息是否在预设烟叶原料储存环境温湿度范围内，判断所述第一烟叶原料储存环境温湿度信息与第二烟叶原料储存环境温湿度信息之间是否满足第一预设条件，以及判断所述第一烟叶原料储存环境温湿度信息与第三烟叶原料储存环境温湿度信息之间是否满足第二预设条件。

15、进一步的，所述烟叶霉变检测模块的检测方法如下：

16、对储存烟叶样本进行标定,并提取储存烟叶样本图像特征值，建立储存烟叶检测模型；

17、实时获取储存烟叶图像，将储存烟叶图像输入储存烟叶检测模型，判断当前储存烟叶是否为异常储存烟叶。

18、进一步的，所述烟叶颜色识别模块的识别方法如下：

19、s101：采集在线生产的储存烟叶样本的原始储存烟叶图像，对采集到的原始储存烟叶图像进行去噪增强处理，并对所述原始储存烟叶图像进行相应处理以提取在线生产的储存烟叶样本的孟塞尔信号；

20、相应处理包括：预处理所述原始储存烟叶图像，识别预处理后的原始储存烟叶图像中的特殊区域，剔除该特殊区域的色度空间，提取所述在线生产的储存烟叶样本的孟塞尔信号；其中，所述特殊区域为原始储存烟叶图像中包含空白皮带以及储存烟叶梗的信息的区域；

21、s102：对步骤s101中提取到的孟塞尔信号进行连续投影；

22、连续投影的步骤包括：对孟塞尔信号进行归一化处理、线性投影、建立颜色预测模型、确定目标函数以及优化线性投影的方向；

23、s103：计算所述在线生产的储存烟叶样本的储存烟叶颜色投影特征值，根据所述储存烟叶颜色投影特征值对所述在线生产的储存烟叶样本进行第二次分类；判断第一次分类与所述第二次分类是否具有一致性；若是，则表示分类成功，结束进程；若否，则表示分类失败，则返回步骤s101。

24、进一步的，在步骤s102中，对孟塞尔信号进行归一化处理按照x‘ij＝xij/xjmax进行；其中，xij为所述在线生产的储存烟叶样本的孟塞尔信号数据，i为所述在线生产的储存烟叶样本中的第i个样本；j为所述在线生产的储存烟叶样本中第j个指标；xjmax为第j个指标的样本最大值。

25、所述线性投影、建立颜色预测模型的步骤包括随机抽取若干个初始投影向量a(a1,a2,a3,…,am)，其中，m为3维单位向量；

26、所述目标函数定位为初始投影向量的类内距离与投影向量的类内密度的乘积，即q(a)＝s(a)·d(a)，其中，a为所述初始投影向量，q(a)为所述目标函数，s(a)为所述初始投影向量的类内距离，d(a)为所述初始投影向量的类内密度；

27、所述优化线性投影的方向的步骤是指当所述目标函数q(a)取最大值时所对应的投影方向即为所需最优投影方向。

28、进一步的，在步骤s103中，所述计算所述在线生产的储存烟叶样本的储存烟叶颜色投影特征值的步骤是根据储存烟叶颜色投影特征值的计算公式：

29、

30、其中，zi为第i个储存烟叶样本的储存烟叶颜色投影特征值，aj为第j个初始投影向量，x‘ij为归一化后在线生产的储存烟叶样本的孟塞尔信号数据；

31、所述判断所述第一次分类与所述第二次分类是否具有一致性的依据为计算所述在线生产的储存烟叶样本的储存烟叶投影值与每一在线生产的储存烟叶样本具有一个人工预测储存烟叶颜色值之间的相关系数是否大于第一相关阈值，若是，则表示所述在线生产的储存烟叶样本的储存烟叶投影值与人工预测储存烟叶颜色值高度相关，分类成功，结束进程；若否，则继续判断计算的所述在线生产的储存烟叶样本的储存烟叶投影值与每一在线生产的储存烟叶样本具有一个人工预测储存烟叶颜色值之间的相关系数是否大于第二相关阈值，若是，则表示所述在线生产的储存烟叶样本的储存烟叶投影值与人工预测储存烟叶颜色值中度相关；若否，则表示所述在线生产的储存烟叶样本的储存烟叶投影值与人工预测储存烟叶颜色值低度相关，返回步骤s101。

32、进一步的，所述烟叶霉变检测模块的检测方法如下：

33、1)获取储存烟叶样本，对存烟叶样本除杂处理；其中，储存烟叶样本包括近红外光谱仪采集的同一储存烟叶上多个点的近红外光谱值、和相机采集的同一储存烟叶的图像；

34、2)对储存烟叶样本进行标定；提取储存烟叶样本图像特征值；建立储存烟叶检测模型；实时获取储存烟叶图像，将储存烟叶图像输入储存烟叶检测模型，判断当前储存烟叶是否为异常储存烟叶，其中，异常储存烟叶包括霉变储存烟叶和含杂物储存烟叶中的至少一种。

35、进一步的，所述对储存烟叶样本进行标定包括：

36、将储存烟叶样本标定为正常储存烟叶和异常储存烟叶。

37、进一步的，所述获取储存烟叶样本包括：

38、通过近红外光谱仪采集同一储存烟叶上多个点的近红外光谱值；

39、通过相机采集同一储存烟叶的图像；

40、将采集到的烟丝图像进行预处理，降低图像噪声，得到有效烟丝图像；

41、对有效烟丝图像进行增强处理,增强霉变或杂物目标特征，得到烟丝增强图像。

42、进一步的，所述提取储存烟叶样本图像特征值包括：

43、将从各储存烟叶样本的基础光谱信息中筛选出各储存烟叶样本对霉变或含杂物判别影响大于预定值的特征波长；

44、对图像特征和近红外光谱进行降维处理得到储存烟叶特征；

45、将储存烟叶特征进行融合并采用归一化方法进行处理；

46、所述建立储存烟叶检测模型包括：

47、创建储存烟叶检测模型并将储存烟叶样本分为训练集和验证集，对储存烟叶检测模型进行训练和分类以构建储存烟叶检测模型；

48、将经融合的预分类储存烟叶特征导入储存烟叶检测模型进行判别以输出判断结果；

49、所述建立储存烟叶检测模型包括：

50、对归一化的样本数据构建分类判别模型；

51、使用交互验证法优化分类判别模型的多层神经元数；

52、将处理后的储存烟叶样本划分为训练集和验证集；

53、使用训练集对分类判别模型进行独立训练，建立数据和类的关系；

54、使用分类判别模型对验证集进行分类，汇总分类结果，输出被分最多的类别；

55、将分类判别模型的输出分为正常储存烟叶和异常储存烟叶，完成储存烟叶检测模型的构建；

56、将经融合的预分类储存烟叶特征导入建立的储存烟叶检测模型中进行判别，输出储存烟叶是否发生正常的判断结果。

57、在构建和训练深度学习模型的过程中，需要使用已经标注(也就是已经"定级")的数据，这是因为模型需要知道每个输入数据(在你的情况下是烟叶图像)对应的正确输出(也就是烟叶的级别)，这样模型在训练过程中才能学习到如何从图像预测烟叶的级别。

58、所以，当提及配置摄像设备，通过摄像设备获取仓储中烟叶图像，对获取的图像进行数据清洗，构建图像数据集"时，这个图像数据集应该是包含了已经标注(定级)的烟叶图像的。这样在进行预处理和训练模型时，模型才能从这些已经标注的图像中学习。

59、然而，在进行实际的预测或者应用模型时，我们会使用未标注的数据，也就是说，模型需要对这些未知级别的烟叶图像进行预测。这也是模型训练的最终目标，即能够对未知的数据进行准确的预测。

60、在深度学习模型，尤其是卷积神经网络(cnn)中，"权重"是模型学习的参数，这些参数在训练过程中会被优化，以便模型可以更好地预测输出。

61、在卷积神经网络的每一层中，都会有多个不同的滤波器(也称为卷积核)。每个滤波器都有一组独特的权重，这些权重决定了滤波器对于输入数据的响应。换句话说，不同的滤波器(和它们的权重)可以捕捉到输入数据中的不同特征。

62、当提到"不同组的权重"时，是指这些在网络各层中的滤波器权重。在训练过程中，通过前向传播和反向传播，每个滤波器的权重都会被更新，使得模型的预测结果越来越接近真实的标签。

63、另外，在卷积残差块中，除了卷积层的权重外，还包含一些额外的权重，例如残差连接中的权重。这些权重也会在训练过程中被优化。

64、总的来说，不同组的权重是指网络中的每一层(或每一个模块，如残差块)都有一组独特的权重，这些权重在训练过程中被优化，以便模型可以更好地预测输出。

65、进一步，在深度学习模型，尤其是卷积神经网络(cnn)中，"权重"是模型学习的参数，这些参数在训练过程中会被优化，以便模型可以更好地预测输出。

66、在卷积神经网络的每一层中，都会有多个不同的滤波器(也称为卷积核)。每个滤波器都有一组独特的权重，这些权重决定了滤波器对于输入数据的响应。换句话说，不同的滤波器(和它们的权重)可以捕捉到输入数据中的不同特征。

67、当提到"不同组的权重"时，是指这些在网络各层中的滤波器权重。在训练过程中，通过前向传播和反向传播，每个滤波器的权重都会被更新，使得模型的预测结果越来越接近真实的标签。

68、另外，在你提到的卷积残差块中，除了卷积层的权重外，还包含一些额外的权重，例如残差连接中的权重。这些权重也会在训练过程中被优化。

69、总的来说，不同组的权重是指网络中的每一层(或每一个模块，如残差块)都有一组独特的权重，这些权重在训练过程中被优化，以便模型可以更好地预测输出。

70、进一步，机器学习流程，特别是用在图像处理和深度学习领域里的一种流程。

71、1)数据清洗和预处理**：这步骤包括了对原始图像数据的清洗，例如使用直方图筛选法来确保图像数据具有足够的高频信息，去除无用或者质量不高的图像数据，以及对图像数据的预处理。

72、2)人工标注数据**：在构建图像数据集方面，会对图像进行人工标注，这包括物体识别(标注图像中的特定物体)，图像分类(标注整个图像的类别)或者图像分割(标注图像中每个像素的类别)。你提到的"定级"指的就是这种标注过程。

73、3)训练模型**：这一步是通过喂入已经标注的图像数据来训练深度学习模型(例如，卷积神经网络)。在训练过程中，模型会学习到一组权重，这些权重可以用来对新的、未标注的图像数据进行预测。

74、4)优化模型**：提到的"第二次喂图像优化"指的是使用验证数据集对模型进行优化，这包括选择一个好的权重，或者调整模型的参数以最小化预测错误。

75、5)测试模型**：最后一步是使用测试数据集对模型进行评估，看看模型的性能如何。这个步骤可以帮助我们理解模型在未标注的新图像上的预测能力如何。

76、首次训练模型是为了获取一组初始权重，优化步骤是为了调整这些权重以提高模型的预测性能，最后的测试步骤是为了评价模型的性能并最终应用模型。

77、与现有技术相比，本发明的有益效果体现在：

78、第一、本发明通过烟叶颜色识别模块能够快速的把储存烟叶真实的信息给提取出来，实现了工业相机的快速准确检测，同时，通过烟叶霉变检测模块可以基于光谱加机器视觉检测能够对霉变储存烟叶进行表面检测，由此可以实现对储存烟叶霉变的快速检测。