CN108427972A - 基于在线学习的烟叶分类方法及其系统 - Google Patents

Abstract

本发明涉及基于在线学习的烟叶分类方法及其系统，该方法包括获取烟叶图像；对烟叶图像进行处理，获取烟叶图像数据；将处理后的烟叶图像数据导入深度学习网络；利用深度学习网络进行烟叶分类。本发明通过获取烟叶图像数据以及标注信息，作为输入端输入至深度学习网络Inception Network V3，结合其新增的深度网络以及分类模块，获取烟叶特征，利用烟叶特征进行烟叶分类，实现高效且高准确率的烟叶分类，操作简单，节省成本。

Description

基于在线学习的烟叶分类方法及其系统

技术领域

本发明涉及烟叶分类方法，更具体地说是指基于在线学习的烟叶分类方法及其系统。

背景技术

烟叶作物在我国农业生产中占有重要地位。烟叶作物的收购中，评级系统对农民和商家的利益具有重要意义。

目前我国烟叶评级制度及实施主要依靠于专家的现场监测，具有效率低，成本高，主观性强等明显缺陷，并且，专家分级对人工要求很高。专家的培养需要严格的培训机制，业务能力的合格需要长时间的实际经验。近年来，随着人工智能在农业应用中的兴起，基于自动化智能设备和算法的技术与系统在农业应用中找到了价值，然而，已有的自动烟叶分级系统具有很多的局限性，导致其在现实应用中效果达不到预期标准，因此仍然需要大量的人力进行复查，现有的自动分类系统主要是基于传统的监督学习的单核分类系统，此类系统有明显的局限性：精度低，传统的机器学习算法，比如基于支持向量机的分类模型，需要人为进行特征的设计和提取，基于人为设计的颜色，纹理等特征的图像分类由于烟叶图像的复杂性，难以在实际中达到最优的性能，无法充分利用所有图像特征进行高效分类，模型训练速度慢，基于单核的机器学习训练系统在大数据的条件下计算效率低，导致新的模型无法快速迭代，自适应能力差，现有的基于batch的机器学习训练系统无法快速适应源源不断的来自实际操作场地的数据流的变化趋势，随着数据量的变大以及新品种的增多，单核处理器需要从零开始训练新的分类模型，效率低下，还可能由于无法同时处理所有的数据导致模型训练失败。

因此，有必要设计有种新的烟叶分类方法，实现高效且高准确率的烟叶分类，操作简单，节省成本。

发明内容

本发明的目的在于克服现有技术的缺陷，提供基于在线学习的烟叶分类方法及其系统。

为实现上述目的，本发明采用以下技术方案：基于在线学习的烟叶分类方法，所述方法包括：

获取烟叶图像；

对烟叶图像进行处理，获取烟叶图像数据；

将处理后的烟叶图像数据导入深度学习网络；

利用深度学习网络进行烟叶分类。

其进一步技术方案为：对烟叶图像进行处理的步骤，包括以下具体步骤：

对烟叶图像进行标注，获取标注信息；

对烟叶图像进行增强处理。

其进一步技术方案为：对烟叶图像进行增强处理的步骤，包括以下具体步骤：

调整烟叶图像的拍摄角度；

调整烟叶图像的缩放比例；

调整烟叶的位置，形成烟叶图像数据。

其进一步技术方案为：利用深度学习网络进行烟叶分类的步骤，包括以下具体步骤：

使用烟叶图像数据对深度学习网络的顶层进行参数的微调，获取烟叶数据的烟叶特征；

根据烟叶特征进行烟叶分类。

其进一步技术方案为：根据烟叶特征进行烟叶分类的步骤之后，还包括：

将烟叶图像数据作为输入数据，进行深度网络的参数更新，并进行数据增强，生成多样化数据。

本发明还提供了基于在线学习的烟叶分类系统，包括图像获取单元、处理单元、导入单元以及分类单元；

所述图像获取单元，用于获取烟叶图像；

所述处理单元，用于对烟叶图像进行处理，获取烟叶图像数据；

所述导入单元，用于将处理后的烟叶图像数据导入深度学习网络；

所述分类单元，用于利用深度学习网络进行烟叶分类。

其进一步技术方案为：所述处理单元包括标注模块以及增强模块；

所述标注模块，用于对烟叶图像进行标注，获取标注信息；

所述增强模块，用于对烟叶图像进行增强处理。

其进一步技术方案为：所述增强模块还包括角度调整子模块、比例调整子模块以及位置调整子模块；

所述角度调整子模块，用于调整烟叶图像的拍摄角度；

所述比例调整子模块，用于调整烟叶图像的缩放比例；

所述位置调整子模块，用于调整烟叶的位置，形成烟叶图像数据。

其进一步技术方案为：所述分类单元包括微调模块以及烟叶分类模块；

所述微调模块，用于使用烟叶图像数据对深度学习网络的顶层进行参数的微调，获取烟叶数据的烟叶特征；

所述烟叶分类模块，用于根据烟叶特征进行烟叶分类。

其进一步技术方案为：所述分类单元还包括更新模块；

所述更新模块，用于将烟叶图像数据作为输入数据，进行深度网络的参数更新，并进行数据增强，生成多样化数据。

本发明与现有技术相比的有益效果是：本发明的基于在线学习的烟叶分类方法，通过获取烟叶图像数据以及标注信息，作为输入端输入至深度学习网络InceptionNetwork V3，结合其新增的深度网络以及分类模块，获取烟叶特征，利用烟叶特征进行烟叶分类，实现高效且高准确率的烟叶分类，操作简单，节省成本。

下面结合附图和具体实施例对本发明作进一步描述。

附图说明

图1为本发明具体实施例提供的基于在线学习的烟叶分类方法的流程图一；

图2为本发明具体实施例提供的基于在线学习的烟叶分类方法的流程图二；

图3为本发明具体实施例提供的对烟叶图像进行处理的流程图；

图4为本发明具体实施例提供的对烟叶图像进行增强处理的流程图；

图5为本发明具体实施例提供的利用深度学习网络进行烟叶分类的流程图；

图6为本发明具体实施例提供的参数更新的流程图；

图7为本发明具体实施例提供的深度学习网络的结构框图；

图8为本发明具体实施例提供的基于在线学习的烟叶分类系统的结构框图；

图9为本发明具体实施例提供的处理单元的结构框图；

图10为本发明具体实施例提供的增强模块的结构框图；

图11为本发明具体实施例提供的分类单元的结构框图。

具体实施方式

为了更充分理解本发明的技术内容，下面结合具体实施例对本发明的技术方案进一步介绍和说明，但不局限于此。

如图1～11所示的具体实施例，本实施例提供的基于在线学习的烟叶分类方法，可以运用于烟叶的分类和特征的提取，实现高效且高准确率的烟叶分类，操作简单，节省成本。

如图1所示，本实施例提供了基于在线学习的烟叶分类方法，该方法包括：

S1、获取烟叶图像；

S2、对烟叶图像进行处理，获取烟叶图像数据；

S3、将处理后的烟叶图像数据导入深度学习网络；

S4、利用深度学习网络进行烟叶分类。

对于上述的S1步骤，具体通过专业人士利用摄像头拍摄烟叶获取烟叶图像。

更进一步地，在某些实施例中，上述的S2步骤，对烟叶图像进行处理的步骤，包括以下具体步骤：

S21、对烟叶图像进行标注，获取标注信息；

S22、对烟叶图像进行增强处理。

对于上述的S21步骤而言，对新的新的未标注烟叶图像进行标注，获取标注信息，将标注信息以及烟叶图像作为深度学习网络的输入端。

对于上述的S22步骤，对烟叶图像进行增强处理的步骤，包括以下具体步骤：

S221、调整烟叶图像的拍摄角度；

S222、调整烟叶图像的缩放比例；

S223、调整烟叶的位置，形成烟叶图像数据。

对于上述的S221步骤至S223步骤，基于数据增强的数据采集模式，能够有效的增加数据量，防止在机器学习过程中出现的对训练数据的过度拟合现象，从而增加在实际应用阶段的准确率。

对于上述的S3步骤，具体地是将烟叶图像数据以及标注信息导入至基于上千类图像分类的深度学习网络Inception Network V3以及在其上新增的深度网络模块以及分类模块上，进行特征的获取以及烟叶的分类。

更进一步地，对于上述的S4步骤，利用深度学习网络进行烟叶分类的步骤，包括以下具体步骤：

S41、使用烟叶图像数据对深度学习网络的顶层进行参数的微调，获取烟叶数据的烟叶特征；

S42、根据烟叶特征进行烟叶分类。

对于上述的S41步骤，烟叶特征包括残伤度、烟叶的形状、面积、周长、圆度中至少一个，不仅可以有效利用公有的海量数据（imagenet数据库）学习到的具有普遍性的低级和中级特征，还可以用深度学习得到专注于烟叶数据的高级特征。另外，上述的深度学习网络通过数据流进行参数微调的公式为：

；

；w与b为深度学习网络模型的参数，其中b为每层网络的截距，η为学习速率，m是训练数据的量（也就是烟叶图像数据的量），C为目标函数，通过梯度下降算法对已有的参数w和b进行只依赖于当前新输入数据的微调。

另外，对于上述的S42步骤，根据烟叶特征的数值满足设定范围的归属为一类。

更进一步地，上述的S42步骤，根据烟叶特征进行烟叶分类的步骤之后，还包括：

S43、将烟叶图像数据作为输入数据，进行深度网络的参数更新，并进行数据增强，生成多样化数据。

具体地，对于上述的S43步骤，得到一定数量的新标注烟叶数据后，会自动将数据作为输入进行深度网络的参数更新，并进行数据增强生成更加多样化的数据，以防止模型训练系统在训练数据上的过度拟合，以实现高效的进行基于大数据流的模型更新。传统深度学习网络专家团队新标注的烟叶图像会自动上传到基于云端的储存系统中，供其他分类系统调用。

该方法所运用的深度学习网络的结构如图7所示，全自动的数据链条系统打通生产线专家标注以及云端机器学习系统，具有分类效率准确率高，自适应新数据能力强，操作简单，节省大量人力资源；基于在线学习与网络服务云端的全自动自适应学习网络，能够在以分钟计的时间内快速适应具有新品种或新外观的烟叶数据流。

上述的基于在线学习的烟叶分类方法，通过获取烟叶图像数据以及标注信息，作为输入端输入至深度学习网络Inception Network V3，结合其新增的深度网络以及分类模块，获取烟叶特征，利用烟叶特征进行烟叶分类，实现高效且高准确率的烟叶分类，操作简单，节省成本。

如图8所示，本发明还提供了基于在线学习的烟叶分类系统，其包括图像获取单元1、处理单元2、导入单元3以及分类单元4。

图像获取单元1，用于获取烟叶图像。具体通过专业人士利用摄像头拍摄烟叶获取烟叶图像。

处理单元2，用于对烟叶图像进行处理，获取烟叶图像数据。

导入单元3，用于将处理后的烟叶图像数据导入深度学习网络。

分类单元4，用于利用深度学习网络进行烟叶分类。

更进一步地，在某些实施例中，上述的处理单元2包括标注模块21以及增强模块22。

标注模块21，用于对烟叶图像进行标注，获取标注信息。对新的新的未标注烟叶图像进行标注，获取标注信息，将标注信息以及烟叶图像作为深度学习网络的输入端。

增强模块22，用于对烟叶图像进行增强处理。

对于上述的增强模块22而言，增强模块22还包括角度调整子模块221、比例调整子模块222以及位置调整子模块223。

角度调整子模块221，用于调整烟叶图像的拍摄角度。

比例调整子模块222，用于调整烟叶图像的缩放比例。

位置调整子模块223，用于调整烟叶的位置，形成烟叶图像数据。

基于数据增强的数据采集模式，能够有效的增加数据量，防止在机器学习过程中出现的对训练数据的过度拟合现象，从而增加在实际应用阶段的准确率。

对于上述的导入单元3而言，具体地是将烟叶图像数据以及标注信息导入至基于上千类图像分类的深度学习网络Inception Network V3以及在其上新增的深度网络模块以及分类模块上，进行特征的获取以及烟叶的分类。

另外，在某些实施例中，上述的分类单元4包括微调模块41以及烟叶分类模块42。

微调模块41，用于使用烟叶图像数据对深度学习网络的顶层进行参数的微调，获取烟叶数据的烟叶特征。烟叶特征包括残伤度、烟叶的形状、面积、周长、圆度中至少一个，不仅可以有效利用公有的海量数据（imagenet数据库）学习到的具有普遍性的低级和中级特征，还可以用深度学习得到专注于烟叶数据的高级特征。另外，上述的深度学习网络通过数据流进行参数微调的公式为：

w与b为深度学习网络模型的参数，其中b为每层网络的截距，η为学习速率，m是训练数据的量（也就是烟叶图像数据的量），C为目标函数，通过梯度下降算法对已有的参数w和b进行只依赖于当前新输入数据的微调。

烟叶分类模块42，用于根据烟叶特征进行烟叶分类。根据烟叶特征的数值满足设定范围的归属为一类。

更进一步地，上述的分类单元4还包括更新模块43；

所述更新模块43，用于将烟叶图像数据作为输入数据，进行深度网络的参数更新，并进行数据增强，生成多样化数据。

得到一定数量的新标注烟叶数据后，会自动将数据作为输入进行深度网络的参数更新，并进行数据增强生成更加多样化的数据，以防止模型训练系统在训练数据上的过度拟合，以实现高效的进行基于大数据流的模型更新。传统深度学习网络专家团队新标注的烟叶图像会自动上传到基于云端的储存系统中，供其他分类系统调用。

该方法所运用的深度学习网络的结构如图7所示，全自动的数据链条系统打通生产线专家标注以及云端机器学习系统，具有分类效率准确率高，自适应新数据能力强，操作简单，节省大量人力资源；基于在线学习与网络服务云端的全自动自适应学习网络，能够在以分钟计的时间内快速适应具有新品种或新外观的烟叶数据流。

本发明实施例还提供了基于在线学习的烟叶分类系统，其包括：一个或多个处理器，存储器，以及，一个或多个程序，该一个或多个程序存储于存储器中，且被配置为可被所述处理器读取执行，所述一个或多个程序包括可用于执行以下步骤的指令：

获取烟叶图像；

对烟叶图像进行处理，获取烟叶图像数据；

将处理后的烟叶图像数据导入深度学习网络；

利用深度学习网络进行烟叶分类。

该处理器执行时还包括上述方法实施例中记载的任何应用的基于在线学习的烟叶分类方法的部分或全部步骤。

上述的基于在线学习的烟叶分类系统，通过获取烟叶图像数据以及标注信息，作为输入端输入至深度学习网络Inception Network V3，结合其新增的深度网络以及分类模块，获取烟叶特征，利用烟叶特征进行烟叶分类，实现高效且高准确率的烟叶分类，操作简单，节省成本。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明的各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器中，即计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

上述仅以实施例来进一步说明本发明的技术内容，以便于读者更容易理解，但不代表本发明的实施方式仅限于此，任何依本发明所做的技术延伸或再创造，均受本发明的保护。本发明的保护范围以权利要求书为准。

Claims (10)

1.基于在线学习的烟叶分类方法，其特征在于，所述方法包括：

获取烟叶图像；

对烟叶图像进行处理，获取烟叶图像数据；

将处理后的烟叶图像数据导入深度学习网络；

利用深度学习网络进行烟叶分类。

2.根据权利要求1所述的基于在线学习的烟叶分类方法，其特征在于，对烟叶图像进行处理的步骤，包括以下具体步骤：

对烟叶图像进行标注，获取标注信息；

对烟叶图像进行增强处理。

3.根据权利要求2所述的基于在线学习的烟叶分类方法，其特征在于，对烟叶图像进行增强处理的步骤，包括以下具体步骤：

调整烟叶图像的拍摄角度；

调整烟叶图像的缩放比例；

调整烟叶的位置，形成烟叶图像数据。

4.根据权利要求1至3任一项所述的基于在线学习的烟叶分类方法，其特征在于，利用深度学习网络进行烟叶分类的步骤，包括以下具体步骤：

使用烟叶图像数据对深度学习网络的顶层进行参数的微调，获取烟叶数据的烟叶特征；

根据烟叶特征进行烟叶分类。

5.根据权利要求4所述的基于在线学习的烟叶分类方法，其特征在于，根据烟叶特征进行烟叶分类的步骤之后，还包括：

将烟叶图像数据作为输入数据，进行深度网络的参数更新，并进行数据增强，生成多样化数据。

6.基于在线学习的烟叶分类系统，其特征在于，包括图像获取单元、处理单元、导入单元以及分类单元；

所述图像获取单元，用于获取烟叶图像；

所述处理单元，用于对烟叶图像进行处理，获取烟叶图像数据；

所述导入单元，用于将处理后的烟叶图像数据导入深度学习网络；

所述分类单元，用于利用深度学习网络进行烟叶分类。

7.根据权利要求6所述的基于在线学习的烟叶分类系统，其特征在于，所述处理单元包括标注模块以及增强模块；

所述标注模块，用于对烟叶图像进行标注，获取标注信息；

所述增强模块，用于对烟叶图像进行增强处理。

8.根据权利要求7所述的基于在线学习的烟叶分类系统，其特征在于，所述增强模块还包括角度调整子模块、比例调整子模块以及位置调整子模块；

所述角度调整子模块，用于调整烟叶图像的拍摄角度；

所述比例调整子模块，用于调整烟叶图像的缩放比例；

所述位置调整子模块，用于调整烟叶的位置，形成烟叶图像数据。

9.根据权利要求8所述的基于在线学习的烟叶分类系统，其特征在于，所述分类单元包括微调模块以及烟叶分类模块；

所述微调模块，用于使用烟叶图像数据对深度学习网络的顶层进行参数的微调，获取烟叶数据的烟叶特征；

所述烟叶分类模块，用于根据烟叶特征进行烟叶分类。

10.根据权利要求9所述的基于在线学习的烟叶分类系统，其特征在于，所述分类单元还包括更新模块；

所述更新模块，用于将烟叶图像数据作为输入数据，进行深度网络的参数更新，并进行数据增强，生成多样化数据。