烟叶醇化质量的检测方法、模型训练方法和装置与流程

本公开涉及烟草制备，特别涉及一种烟叶醇化质量的检测方法、模型训练方法和装置。

背景技术：

1、烟叶的醇化质量直接影响卷烟产品的品质。好的烟叶醇化质量，对卷烟企业的发展极为重要。

2、相关技术中，烟叶醇化质量主要依靠人工进行感官评吸确定。虽然通过人工感官评吸可以直接、快速地评价烟叶醇化质量，但是该方法受评吸人员的经验和主观影响较大。而且，烟叶的醇化周期较长。以片烟为例，其醇化周期一般为一年半到三年。如果想要找到一批烟叶中醇化质量最好的烟叶，则需要大量人员对大量的烟叶样品进行感官评吸。在找到醇化质量最好的烟叶后，可据此确定该批烟叶的最佳醇化周期。

技术实现思路

1、本公开提出了一种烟叶醇化质量的检测方法、模型训练方法和装置。

2、根据本公开的第一方面，提出了一种烟叶醇化质量的检测方法，包括：获取待检测烟叶的光谱图像数据、以及所述待检测烟叶的第一属性信息，所述待检测烟叶为经过醇化处理的烟叶；确定与所述第一属性信息对应的第一机器学习模型；利用所述第一机器学习模型，对所述待检测烟叶的光谱图像数据进行处理，以得到所述待检测烟叶的多种感官特征的第一评分值；根据所述多种感官特征的第一评分值，确定所述待检测烟叶的醇化质量检测结果。

3、在一些实施例中，所述根据所述多种感官特征的评分值，确定所述待检测烟叶的醇化质量检测结果包括：获取所述待检测烟叶的第二属性信息；利用第二机器学习模型，以及所述待检测烟叶的第二属性信息，对所述多种感官特征的第一评分值进行校正，以得到所述多种感官特征的第二评分值；根据所述多种感官特征的第二评分值，确定所述待检测烟叶的醇化质量检测结果。

4、在一些实施例中，所述根据所述多种感官特征的第二评分值，确定所述待检测烟叶的醇化质量检测结果包括：将所述多种感官特征的第二评估值的加和，作为所述待检测烟叶的醇化质量检测结果。

5、在一些实施例中，所述根据所述多种感官特征的评分值，确定所述待检测烟叶的醇化质量检测结果还包括：在获取不到所述待检测烟叶的第二属性信息的情况下，将所述多种感官特征的第一评估值的加和，作为所述待检测烟叶的醇化质量检测结果。

6、在一些实施例中，所述光谱图像数据为高光谱图像数据，所述方法还包括：在利用所述第一机器学习模型，对所述待检测烟叶的光谱图像数据进行处理之前，对所述光谱图像数据进行平滑处理与去噪处理。

7、在一些实施例中，所述第一属性信息包括所述待检测烟叶的用途信息。

8、在一些实施例中，所述第二属性信息包括所述待检测烟叶的种类、产地、含水量、以及贮存环境信息中的至少一项。

9、在一些实施例中，所述多种感官特征包括所述待检测烟叶的光泽、香气、杂气、刺激性、余味、以及谐调中的至少一项。

10、在一些实施例中，所述第一机器学习模型为卷积神经网络模型。

11、在一些实施例中，所述第二机器学习模型为线性回归模型、决策树、随机森林、向量机或者神经网络模型。

12、根据本公开的第二方面，提供了一种模型训练方法，包括：获取烟叶样本的光谱图像数据、以及所述烟叶样本的感官特征标签值；将所述烟叶样本的光谱图像数据，输入多个第一机器学习模型，以得到所述多个第一机器学习模型中每个第一机器学习模型输出的感官特征预测值；利用所述每个第一机器学习模型对应的损失函数，对所述每个第一机器学习模型输出的感官特征预测值、以及所述烟叶样本的感官特征标签值进行计算，以得到损失函数值；根据所述损失函数值，对所述每个第一机器学习模型进行训练，以得到训练后的每个第一机器学习模型，所述训练后的每个第一机器学习模型用于对具有与之对应的第一属性信息的待检测烟叶进行感官特征预测。

13、在一些实施例中，所述每个第一机器学习模型对应的损失函数不同。

14、在一些实施例中，模型训练方法还包括：在得到损失函数值之前，根据所述烟叶的第一属性信息，确定每个第一机器学习模型对应的感官特征残差项的权重；根据所述感官特征残差项的权重、以及所述感官特征残差项，构建每个第一机器学习模型对应的损失函数。在一些实施例中，模型训练方法还包括：获取所述烟叶样本的第二属性信息、以及所述第一机器学习模型输出的感官特征预测值；利用所述烟叶样本的第二属性信息、以及所述第一机器学习模型输出的感官特征预测值，对第二机器学习模型进行训练，所述第二机器学习模型用于对所述感官特征预测值进行校正。

15、在一些实施例中，第一属性信息为用途信息。

16、在一些实施例中，第二属性信息包括烟叶样本的种类、产地、含水量、以及贮存环境信息中的至少一项。

17、根据本公开的第三方面，提供了一种烟叶醇化质量的检测装置，包括：获取模块，被配置为获取待检测烟叶的光谱图像数据、以及所述待检测烟叶的第一属性信息，所述待检测烟叶为经过醇化处理的烟叶；模型确定模块，被配置为确定与所述第一属性信息对应的第一机器学习模型；评分模块，被配置为利用所述第一机器学习模型，对所述待检测烟叶的光谱图像数据进行处理，以得到所述待检测烟叶的多种感官特征的第一评分值；结果确定模块，被配置为根据所述多种感官特征的第一评分值，确定所述待检测烟叶的醇化质量检测结果。

18、根据本公开的第四方面，提供了一种模型训练装置，包括：获取模块，被配置为获取烟叶样本的光谱图像数据、以及所述烟叶样本的感官特征标签值；预测模块，被配置为将所述烟叶样本的光谱图像数据，输入多个第一机器学习模型，以得到所述多个第一机器学习模型中每个第一机器学习模型输出的感官特征预测值；计算模块，被配置为利用所述每个第一机器学习模型对应的损失函数，对所述每个第一机器学习模型输出的感官特征预测值、以及所述烟叶样本的感官特征标签值进行计算，以得到损失函数值；训练模块，被配置为根据所述损失函数值，对所述每个第一机器学习模型进行训练，以得到训练后的每个第一机器学习模型，所述训练后的每个第一机器学习模型用于对具有与之对应的第一属性信息的待检测烟叶进行感官特征预测。

19、根据本公开的第五方面，提供了一种电子设备，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令，执行如前所述的烟叶醇化质量的检测方法，或者如前所述的模型训练方法。

20、根据本公开的第六方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现如前所述的烟叶醇化质量的检测方法，或者如前所述的模型训练方法。

21、根据本公开的第七方面，提供了一种计算机程序产品，其上存储有计算机程序指令，该指令被处理器执行时实现如前所述的烟叶醇化质量的检测方法，或者如前所述的模型训练方法。

技术特征：

1.一种烟叶醇化质量的检测方法，包括：

2.根据权利要求1所述的烟叶醇化质量的检测方法，其中，所述根据所述多种感官特征的评分值，确定所述待检测烟叶的醇化质量检测结果包括：

3.根据权利要求2所述的烟叶醇化质量的检测方法，其中，所述根据所述多种感官特征的第二评分值，确定所述待检测烟叶的醇化质量检测结果包括：

4.根据权利要求2所述的烟叶醇化质量的检测方法，其中，所述根据所述多种感官特征的评分值，确定所述待检测烟叶的醇化质量检测结果还包括：

5.根据权利要求1所述的烟叶醇化质量的检测方法，其中，所述光谱图像数据为高光谱图像数据，所述方法还包括：

6.根据权利要求1所述的烟叶醇化质量的检测方法，其中，所述第一属性信息包括所述待检测烟叶的用途信息。

7.根据权利要求2至6任一所述的烟叶醇化质量的检测方法，其中，所述第二属性信息包括所述待检测烟叶的种类、产地、含水量、以及贮存环境信息中的至少一项。

8.根据权利要求2至6任一所述的烟叶醇化质量的检测方法，其中，所述多种感官特征包括所述待检测烟叶的光泽、香气、杂气、刺激性、余味、以及谐调中的至少一项。

9.根据权利要求1至6任一所述的烟叶醇化质量的检测方法，其中，所述第一机器学习模型为卷积神经网络模型。

10.根据权利要求2至6任一所述的烟叶醇化质量的检测方法,其中，所述第二机器学习模型为线性回归模型、决策树、随机森林、向量机或者神经网络模型。

11.一种模型训练方法，包括：

12.根据权利要求11所述的模型训练方法，其中，所述每个第一机器学习模型对应的损失函数不同。

13.根据权利要求12所述的模型训练方法，还包括：

14.根据权利要求11所述的模型训练方法，还包括：

15.根据权利要求11所述的模型训练方法，其中，第一属性信息为用途信息。

16.根据权利要求14所述的模型训练方法，其中，第二属性信息包括烟叶样本的种类、产地、含水量、以及贮存环境信息中的至少一项。

17.一种烟叶醇化质量的检测装置，包括：

18.一种模型训练装置，包括：

19.一种电子设备，包括：

20.一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现如权利要求1至10任一所述的烟叶醇化质量的检测方法，或者如权利要求11至16任一所述的模型训练方法。

21.一种计算机程序产品，其上存储有计算机程序指令，该指令被处理器执行时实现如权利要求1至10任一项所述的烟叶醇化质量的检测方法，或者如权利要求11至16任一所述的模型训练方法。

技术总结本公开涉及一种烟叶醇化质量的检测方法、模型训练方法和装置，涉及烟草制备技术领域。其中，烟叶醇化质量的检测方法包括：获取待检测烟叶的光谱图像数据、以及待检测烟叶的第一属性信息，待检测烟叶为经过醇化处理的烟叶；确定与第一属性信息对应的第一机器学习模型；利用第一机器学习模型，对待检测烟叶的光谱图像数据进行处理，以得到待检测烟叶的多种感官特征的第一评分值；根据多种感官特征的第一评分值，确定待检测烟叶的醇化质量检测结果。通过以上方法，能够精准、高效地检测烟叶的醇化质量。技术研发人员：苏子淇,李华杰,李辉,林志平,李嘉康,常明彬,徐大勇,王锐亮,罗登炎,堵劲松,李金兰,朱亚坤受保护的技术使用者：福建中烟工业有限责任公司技术研发日：技术公布日：2024/9/9