烟叶分类的神经网络方法
根据常规化学指标识别烟叶品质的BP神经网络模型
根据常规化学指标识别烟叶品质的BP神经网络模型
彭黔荣;蔡元青;王东山;惠建权;唐珂
【期刊名称】《中国烟草学报》
【年(卷),期】2005(011)005
【摘要】运用烟草知识对烟叶进行初步分类,以经过标准化处理的常规化学指标和烟叶评吸指标为依据,由训练样本集得到最佳的网络参数,在此基础上对检验样本进行了烟叶品质的识别.提出了利用3层BP人工神经网络识别烟叶品质的方法.人工神经网络用于烟叶品质识别,结果与实际符合良好.该方法优于传统的识别方法,也优于文献报道的识别误差.
【总页数】7页(P19-25)
【作者】彭黔荣;蔡元青;王东山;惠建权;唐珂
【作者单位】贵阳卷烟厂技术中心,贵阳市如意巷25号,贵阳,550003;贵阳卷烟厂技术中心,贵阳市如意巷25号,贵阳,550003;贵阳卷烟厂技术中心,贵阳市如意巷25号,贵阳,550003;贵阳卷烟厂技术中心,贵阳市如意巷25号,贵阳,550003;贵阳卷烟厂技术中心,贵阳市如意巷25号,贵阳,550003
【正文语种】中文
【中图分类】TS411
【相关文献】
1.基于遗传算法改进的BP神经网络模型的磨损机制智能识别 [J], 盛晨兴;程俊;李文明;段志和;马奔奔
2.基于地震属性利用BP神经网络模型的地震相识别研究 [J], 梁群;江晓涛;周武;周洪生
3.利用主成分分析法优化BP神经网络模型在砂砾岩岩性识别中的应用 [J], 潘拓;马鑫;谢安;高子阳
4.BP神经网络模型对常规曲线拟合情况的评估研究 [J], 朱国华;胡珏
5.基于BP神经网络模型的风电场送出变故障识别 [J], 杨兴雄;孙士云;黄柯昊
因版权原因，仅展示原文概要，查看原文内容请购买。
基于神经网络的烟叶复烤回潮过程预测控制模型构建
基于神经网络的烟叶复烤回潮过程预测控制模型构建皋元崚王征李毅赵婷张一圳（红塔集团大理卷烟厂，云南大理671000）摘要针对烟叶复烤回潮过程系统复杂、参数耦合干扰、时间滞后等问题，以两段式烟叶复烤回潮工艺为研究对象，依据生产中工艺参数实时数据，构建了基于支持向量机（SVM）神经网络的烟叶复烤回潮过程预测控制模型。
该模型通过训练学习，可以准确描述出口含水率与其他工艺参数之间的内在关系，有效预测二次润叶出口含水率，最大绝对误差不超过0.45%，为烟叶复烤回潮工艺提供了可行的预测控制方案，有利于出口含水率的有效调控，对烟丝生产加工具有重要的指导意义。
关键词烟叶回潮；含水率；加水量；神经网络；控制模型中图分类号S24文献标识码A文章编号1007-5739（2024）08-0170-05DOI：10.3969/j.issn.1007-5739.2024.08.042开放科学（资源服务）标识码（OSID）：Construction of Predictive Control Model for Moisture Regain Process of Tobacco LeafRedrying Based on Neural NetworkGAO Yuanling WANG Zheng LI Yi ZHAO Ting ZHANG Yizhen(Dali Cigarette Factory,Hongta Group,Dali Yunnan671000)Abstract In response to the problems of complex system,parameter coupling interference and time delay during the moisture regain process of tobacco leaf redrying,based on real-time data of production process parameters,a predictive control model for the moisture regain process of tobacco leaf redrying based on support vector machine(SVM) neural network was constructed using the moisture regain process of two-stage tobacco leaf redrying as the research object.Through training and learning,this model could accurately describe the internal relationship between the outlet moisture content and other process parameters,effectively predict the outlet moisture content of secondary leaf moistening,with a maximum absolute error≤0.45%.It provides a feasible predictive control scheme for the moisture regain process of tobacco leaf redrying,is beneficial to the effective regulation of the outlet moisture content,and has important guiding significance for the cut tobacco production and processing.Keywords moisture regain of tobacco leaf;moisture content;amount of added water;neural network;control model烟叶复烤回潮是卷烟生产过程的主要工艺之一。
基于PCA-SSA-BP神经网络的烟叶分级方法
基于PCA-SSA-BP神经网络的烟叶分级方法
杨述斌;董春林;王锋;周敏瑞
【期刊名称】《自动化与仪表》
【年(卷),期】2023(38)2
【摘要】基于机器视觉检测的烟叶分级方法,存在识别效率低、识别稳定性差等问题。
针对这些问题,该文基于主成分分析(PCA)、麻雀搜索算法(SSA)、BP神经网络提出一种烟叶分级方法,首先对采集到的烟叶图像进行分析提取17个图像特征进行PCA降维处理,以消除冗余信息,结合烟叶分级标准并平衡烟叶分级的识别正确率和分级效率确定最佳降维的维数为七维;然后,将七维特征向量作为BP神经网络的输入,利用SSA对BP网络模型的权值和阈值进行优化,完成网络模型的训练。
实验结果表明,PCA-SSA-BP模型的平均识别率达到96%以上,总运行时间为97.99 s,因此该方法能有效提高小样本烟叶分级的识别效率和识别稳定性。
【总页数】6页(P70-75)
【作者】杨述斌;董春林;王锋;周敏瑞
【作者单位】武汉工程大学电气信息学院;智能机器人湖北省重点实验室
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于神经网络的特征分析在烟叶分级中的应用
2.一种基于卷积神经网络的烟叶分级处理算法
3.基于改进鲁棒多分类SVM的烟叶颜色分级分类方法研究
4.基于BP
神经网络的烟叶颜色自动分级研究5.基于深度学习与多尺度特征融合的烤烟烟叶分级方法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于计算机视觉的烟草识别技术研究
基于计算机视觉的烟草识别技术研究一、绪论烟草是一种重要的经济作物，在全球范围内种植和消费。
为了提高烟草供应的效率，农业科学家们一直在进行研究和开发烟草种植的新技术。
其中，基于计算机视觉的烟草识别技术已成为当今最受欢迎的技术之一。
二、烟草识别技术的发展历程基于计算机视觉的烟草识别技术，起源于19世纪。
近年来，随着人工智能的快速发展和计算机视觉技术的日益成熟，这项技术已经进入了一个新的阶段。
1. 传统方法在传统的烟草识别方法中，主要使用了几何特征、颜色特征、纹理特征等方面的特征进行识别。
这些方法在处理简单场景下效果较好，但在噪声干扰、光照变化等复杂情况下容易出现误判。
2. 深度学习方法近年来，深度学习技术的飞速发展，为基于计算机视觉的烟草识别技术带来了新的机会。
深度学习算法能够从海量数据中学习到数据的抽象特征，在处理烟草识别问题时取得了很好的结果。
三、基于计算机视觉的烟草识别技术的关键问题1. 样本采集与数据标注在基于计算机视觉的烟草识别技术中，构建数据集是非常重要的一步。
传统的方法是手工采集烟草样本，然后对其进行标注。
但是，这种方式的成本很高，效率很低。
现代技术使用无人机和多光谱成像技术，实现对烟草图片的自动采集和标注。
2.特征提取和数据预处理在烟草识别中，特征提取和数据预处理是非常重要的一步。
深度学习方法的特点是能够从数据中提取出一种非常有用的高级特征，而不需要像传统算法那样使用手工的特征提取方法。
3.算法优化和模型训练与传统算法相比，深度学习算法复杂度较高，需要更多的计算资源。
因此，算法优化、模型训练等问题是基于计算机视觉的烟草识别技术面临的挑战。
四、案例研究1. 室外烟草识别室外环境下的烟草识别较为复杂，通常需要对数据进行预处理。
使用深度卷积神经网络（CNN）在烟草图像中提取特征，将其分类为不同的烟草品种。
2. 室内烟草识别相对于室外环境，室内环境比较稳定，适合使用传统算法进行处理。
通过使用传统的颜色特征、纹理特征等方法，可以实现对室内烟草的分类识别。
基于一维残差卷积的烟叶分级方法研究
现代电子技术Modern Electronics TechniqueJan. 2024Vol. 47 No. 22024年1月15日第47卷第2期0 引 言目前，烟草收购的大部分评价标准都是针对烟草的成熟度、油分、厚薄、色泽等综合外观因素，进而对烟叶进行人工评级。
但评级过程中大多通过个人的感觉来评价，容易产生一定的评级偏差，导致烟草收购工程量大、工作效率低下，所以亟需一种更加精确、快捷的检验评价方法对烟草的品质进行有效的把控。
近红外光谱（NIRS ）技术是一种绿色环保、无损分析技术[1]，广泛应用于医学、食品、环境、烟草等领域的质检分析[2]。
依托于近红外光谱分析技术，可以在光谱中寻找到与烟叶等级数据的相关关系，以此进行烟叶的分DOI ：10.16652/j.issn.1004‐373x.2024.02.030引用格式：孙祥洪，罗智勇.基于一维残差卷积的烟叶分级方法研究[J].现代电子技术，2024，47（2）：165‐170.基于一维残差卷积的烟叶分级方法研究孙祥洪1， 罗智勇2（1.江西中烟工业有限责任公司 技术中心， 江西 南昌 330096；2.青岛科技大学 信息科学技术学院， 山东 青岛 266061）摘 要： 在烟叶分级过程中，由于人为主观性、分级标准不一致等因素导致分级结果不一致。
针对以上问题，提出一种一维残差卷积的烟叶等级分类模型。
首先，改进VGG16网络，将方形矩阵卷积核和池化窗口改为适应于一维光谱数据的向量卷积核和池化窗口。
然后，利用BasicBlock 残差模块替换多层卷积叠加的结构，对光谱数据进行更深层的提取，防止梯度消失问题。
最后，在卷积层后面接入BN 层模块，通过归一化的方式，防止卷积计算后由于数据分布分散而导致的网络效率降低问题。
选取B2V 、B1F 、C4F 、C1L 和X2L 等5种不同等级的烟叶样本的近红外光谱数据进行实验。
结果表明，所提方法对5种等级烟叶训练集和测试集的平均分类准确率分别为98.0%和97.3%，明显高于其他方法。
基于神经网络的特征分析在烟叶分级中的应用。
Ａｂｓ ｒ ｃ Ｔｈ ｉ ｉａ ｍ ａ ｅ ｔ ｃ ｎ ｌ ｇ ｓ ｄ ｔ ｘ ｒ ｃ ｈ ｅ ｆ ｏｌ ｒｆ ａ ｕｒ ｓａ ｄ ｓ ａ ｅｆ ａ ｕ ｅ ．Ａ ｅ ｒ ｌ ｅ ｅ ｒ ｓ ｉ ｎ ｎ ｕｒ ｌｎ ｔ ｔａ ｔ ｅｄｇｔ ｌ ｉ ｇ ｅ ｈ ｏ ｏ ｙ ｉ ｕ ｅ ｏ ｅ ｔ ａ ｔｔ ｅｌ ａ ｏ ｅ ｔ ｅ ｎ ｈ ｐ ｅ ｔ ｒ ｓ ｓ ｃ ｇ ｎｅ ａ ｉ ｄ ｒ ｇ ｅ ｓｏ ｅ ａ ｅ — ｚ
・
接近程度 ， ａ 由 一４＊ｐ ＊ｓＦ ２ 出 。 ／ 得
・
矩形度 （） 矩形度定义了烟叶 与其 最小外接矩形 比 Ｊ：
输入 层
ｙ—ｌ ｅ ， ， ｙ ，２ … Ｙ ］
模式 层 求 和层 输 出层
Ｉ ｐ ｔ ａ ｅ ｓ Ｍ ｏ ｅ ａ ｅ ｓ Ｓ ｍ ａ ｅ ｓ Ｏｕ ｐ ｔ ａ ｅ ｓ ｎ ｕ ｙ ｒ ｌ ｄ ｌ ｙ ｒ ｕ ｌ ｙ ｒ ｌ ｔ ｕ ｙ ｒ ｌ
提取 与分 级 ， 成为 该 领域 的重 要 技术 方 向 ， 且 取 得 了 丰 已经 并
硕的成果。以往类似的方法如基于透射反射图像分级大多把 通过图像处理得到 的特征作为输入对最终等级进行 判断ｌ 。 ２ ］ 本文分别探讨不同特征对部位、 颜色 以及等级 的不 同影响 ， 建 立不同神经网络通过 串并联分级得到烟叶最终等级。
ｗｏ ｋ ｉ ｍｐｌｙ ｄ ｔ ｅｅｍ ｉｅｉｓｇ ａ ｅ，ａ ｄ ｂ ｎ ｌｚｎ ｉｆｒｎ ｅ ｔｒ ｓ ｎ ｕ ｎ ｅｏ ａ ｔ ｎ ｏｏ ，ｗｅｇ ｔｓ ｍｅｄ ｃｓｖ ｅ ｔ ｒ ｓｔ ｒ ｓｅ ｏ ｅ ｏ ｄ ｔ ｒ ｎ ｔ ｒｄ ｎ ｙ ａ ａｙ ｉｇ ｄｆｅ ｅ ｔｆａｕ ｅ ’ｉｆ ｅ ｃ ｎ ｐ ｒｓａ ｄ ｃ ｌｒ ｌ ｏ ｏ ｅ ｉｉｅｆａ ｕ ｅ ｏ ｐ ｒｓａ ｄｃ ｏｒｒ ｓ ｅ ｔｖ 。ａ ｄ ｇ ｔｆ ａ ｒｄ ｒａ ｉｇｄｆｅｅ ｅ ｒ ｌ ｔ ｒ ｓ ａｔ ｎ ｏｌ ｅ ｐ ｃｉｅ ｎ ｅ ｉ ｌｇ ａ ｅｂｙｃ ｅ ｔｎ ｉｆｒｎｔｎ ｕ ａ ｗｏ ｋ ． ｎ ｎｅ
概率神经网络在烟叶自动分级中的应用
摘
要 ：烟 叶 自动 分 级 一 直都 是 国 内外烟 草 研 究 领域 的重 难 点 。为 此 ， 以红外 光 谱 作 为 烟 叶的 特征 ， 用 概 率 神 采
经网络对 １ １个 等 级 的烟 叶 进行 分 组 和 分 级 。 对 光 谱 信 号 做 消 除基 线 漂 移 预 处 理 ， 后 将 其 作 为 神 经 网 络 的 输 然
关 键 词 ：烟 叶分 级 ；概率 神 经 网 络 ；红 外 光谱
中图分 类号 ：Ｔ １ ３ Ｐ ８ 文献标识码 ：Ａ 文章编号 ：１ ０ — ８ Ｘ（０ １ １ — ０ ２ ０ ０ ３ １ ８ ２ １ ）２ ０ ３ — ４
０ 引 言
目前 ， 内外 烟 叶 分 级 多 是 采 用 人 工 方 式 ， 仅 国 不 浪费 人 力物 力 ， 且 具 有 很 强 的 主 观 随 意 性 。 为 使 烟 而 叶分 级 走 出单 纯依 靠 经 验 和技 艺 的模 式 ， 高 烟 叶 分 提 级 的 准 确 性 ， 现 分 级 标 准 从 定 性 走 向定 量 ， 决 国 实 解 家烟 叶 分级 标 准执 行 中所 面 临 的 困难 和 问题 ， 必 需 就 实现 客 观 、 正 的烟 叶 自动 分级 Ｊ 公 。 目前 ， 内外对 烟 叶 自动 分 级 的研 究 主要 从 图像 国 特 征 人 手 ， 用 色 度 学 和 图像 处 理 等 方 法 进 行 探 索 ， 运
隔为 ２ ｍ。 烟 叶光谱 数 据采 集 光路 如 图 １所示 。 ｎ
钨 灯
团） 的近红 外 光谱 的合 频 吸 收 与 倍 频 吸 收 ， 草 的红 烟 外光 谱 特 征所 包 含 的 信 息 与 烟 叶 化 学成 分关 系 密 切 。 文献 ［ ］ 用 光谱 分 析 法 测 定 烟 草 化 学 成 分 和 含 量 ； ６运
机器学习算法在烟草分类中的应用研究
机器学习算法在烟草分类中的应用研究随着人工智能技术的不断发展，机器学习算法在各个领域起到了越来越大的作用。
在农业领域，机器学习算法的应用也越来越广泛，如在烟草分类中的应用。
本文将就机器学习算法在烟草分类中的应用进行深入的探讨。
一、烟草分类烟草分类是指将烟草叶片按其自身的特性进行分类的过程。
烟草品质是由其生长地、气候、栽培、底肥和耕作技术等多种因素综合影响的。
因此，烟草的分类也需要多个指标进行综合考虑。
主要的指标包括：叶片的大小、颜色、形状、质量、香味和化学成分等。
传统的烟草分类是通过人工的方法进行的，效率低下、标准不统一、易产生人为误差。
在实践中，需要采用新的技术手段对烟草进行分类，以提高分类的准确性和效率。
二、机器学习算法机器学习是一种基于数据的智能系统，它主要学习实际数据的特点，从中提取出有用的知识和规律，并且通过算法进行自我学习和优化。
机器学习算法主要包括监督学习、无监督学习、半监督学习和强化学习等。
在烟草分类中，我们主要采用监督学习算法。
1. 监督学习监督学习是指利用有标签的训练数据，训练模型并对新的未知数据进行预测的过程。
在烟草分类中，我们可以通过将每张烟草叶片的图像作为特征，将其对应的品种作为标签，建立监督学习模型。
监督学习通常包括分类和回归两种方法。
分类问题是指预测对象属于哪一类别，回归问题是指预测对象的具体数值。
在烟草分类中，我们主要是处理分类问题。
2. 特征提取在进行机器学习算法之前，需要对原始数据进行处理和特征提取。
在烟草分类中，对叶片图像进行处理和特征提取尤为重要。
通过处理和提取，我们可以得到更加符合烟草分类需要的特征，以提高分类准确性。
特征提取通常包括颜色特征、形状特征和纹理特征等。
三、机器学习算法在烟草分类中的应用机器学习算法在烟草分类中的应用主要包括以下几个步骤：图像采集、预处理、特征提取、模型训练和分类预测等。
具体流程如下：1. 图像采集首先，需要采集烟草叶片的图像数据。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
烟叶分类的神经网络方法
随着生物学和计算机科学的发展，神经网络方法被越来越广泛地应用于烟叶分类领域。
烟草是一种特殊的农作物，其品质受到种植环境、品种、处理工艺等多种因素的影响。
因此，对烟草进行分类是非常有必要的。
神经网络是一种模拟人类脑神经网络的计算模型，它能够通过训练学习到潜在的特征，从而对数据进行分类。
在烟叶分类领域，神经网络方法已经被广泛应用。
下面我们将介绍神经网络方法在烟叶分类中的应用。
首先，神经网络方法可以用于对烟草的图像进行分类。
烟草一般分为烟叶和烟棒两种形式，而烟叶又可分为白肋烟、黄肋烟、底片烟等不同品种。
传统的分类方法需要人工测量烟叶的长度、宽度、厚度等多个参数，并进行分类。
而神经网络方法则可以直接使用图像作为输入参数，并自动学习特征，从而实现更快速和准确的分类。
例如，利用卷积神经网络结构对烟叶进行分类，可以得到较高的识别率。
其次，神经网络方法可以用于烟草的质量评估。
一般来说，烟草的品质受到多个因素的影响，如水分、叶色、切口形状等。
对烟草进行质量评估需要较为复杂的数据处理和分析。
利用神经网络方法，可以将这些因素通过多个隐层进行组合和分析，并最终得到烟草的质量评分，从而实现自动化和高效化。
最后，神经网络方法还可以用于对烟草的成分进行分析。
烟草的主要成分包括尼古丁、烟酸、异戊巴比妥等。
传统的分析方
法需要进行复杂的实验室检测。
利用神经网络方法，可以通过简单的光谱分析得到烟草的峰值和谱线信息，并从中提取相关成分的含量。
这种方法通过减少试验时间和成本，实现了烟草成分分析更加快速和高效。
总之，神经网络方法在烟叶分类领域中有着广泛的应用前景。
通过利用神经网络方法进行烟草图像分类、质量评估和成分分析等方面的研究，可以最终实现对烟草品质和成分的全面分析和控制，为烟草产业的发展提供有力的支持。