(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211112611.6 (22)申请日 2022.09.14 (71)申请人 云南省烟草烟叶公司 地址 650218 云南省昆明市经济技 术开发 区西邑村182号 申请人 云南铭帆科技有限公司 (72)发明人 罗瑞林　齐玥程　李迎春　王燕　 盖小雷　黄婧　张平　 (74)专利代理 机构 北京八月瓜知识产权代理有 限公司 1 1543 专利代理师 陈赢 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/26(2022.01)G06V 10/77(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于残差网络的烟叶分级 方法、 电子 设备及 存储介质 (57)摘要 本发明提供了一种基于多分支注意力机制 残差网络的烟叶分级方法、 电子设备及存储介 质， 方法包括： 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。 以提高烟叶分级质量， 减少人工工作量， 提高生产效率。 权利要求书2页 说明书5页 附图2页 CN 115393649 A 2022.11.25 CN 115393649 A 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， yi,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， pi,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 行验权　利　要　求　书 1/2 页 2 CN 115393649 A 2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。权　利　要　求　书 2/2 页 3 CN 115393649 A 3