梁晨陽(yáng) 王川川 丁浩楠 張靖魚(yú) 黃煜楨 王建鵬

摘 要：采用人工分揀的方式對(duì)煙葉分級(jí)受人為主觀經(jīng)驗(yàn)影響大且費(fèi)時(shí)費(fèi)力。隨著計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展與計(jì)算機(jī)算力的增強(qiáng)，將機(jī)器視覺(jué)技術(shù)用于實(shí)現(xiàn)煙葉快速自動(dòng)分級(jí)已成為這一領(lǐng)域研究的主要方向。本研究提出一種基于機(jī)器視覺(jué)（Machine Vision）與模型融合的煙葉快速分級(jí)方法，將煙葉分為五個(gè)品級(jí)，采用模型融合方案構(gòu)建多分類模型來(lái)提取煙葉殘傷與顏色特征，結(jié)合支持向量機(jī)（Support vector machines，SVM）與綜合打分系統(tǒng)評(píng)判來(lái)實(shí)現(xiàn)對(duì)煙葉的自動(dòng)快速分級(jí)。采用過(guò)程分類準(zhǔn)確率、損失值和投票器得分作為評(píng)判指標(biāo)，在自建煙葉數(shù)據(jù)集上對(duì)幾種不同煙葉分級(jí)方法的效果進(jìn)行對(duì)比。研究結(jié)果表明，采用融合方案能夠?qū)崿F(xiàn)對(duì)煙葉品級(jí)快速判定并有較高的準(zhǔn)確率。

關(guān)鍵字：模型融合;機(jī)器視覺(jué);煙葉分級(jí);投票打分機(jī)制;CNN

中圖分類號(hào)：TP391.41 ? ? 文獻(xiàn)標(biāo)志碼：A ? ? 文章編號(hào)：1003-5168（2022）11-0007-06

DOI：10.19968/j.cnki.hnkj.1003-5168.2022.11.001

Research on Rapid Grading System of Tobacco Leaf Based on Machine Vision

LIANG Chenyang? ? WANG Chuanchuan? ? DING Haonan? ? ZHANG Jingyu

HUANG Yuzhen? ? WANG Jianpeng

（Henan University of Technology， Zhengzhou 450001，China）

Abstract：The manual sorting method has great influence on the subjective experience of tobacco grading，which is time-consuming and laborious.With the progress of machine vision technology and the enhancement of computer computing power，the application of machine vision technology to achieve rapid automatic tobacco grading has become the main research direction in this research field. In this paper，a fast tobacco leaf classification method based on machine vision and model merging was proposed.The tobacco leaves were classified according to five grades.The model merging scheme was used to built a multi-classification model to extract the characteristics of tobacco leaf damage and color，and SVM（Support vector machines） and comprehensive scoring system were combined to evaluate the automatic and rapid tobacco leaf classification.Using the accuracy rate，loss value and voting machine score as evaluation indexes，the effects of different methods on tobacco leaf classification were compared on the self-built tobacco leaf data set.The results showed that the model merging scheme could be used to determine tobacco grade quickly and with high accuracy.

Keywords：model merging;machine vision;tobacco grading;voting scoring mechanism; CNN

0 引言

煙葉的收購(gòu)價(jià)格及銷量主要由煙葉的等級(jí)來(lái)決定。目前，煙葉分級(jí)仍然以人工分級(jí)為主，這種傳統(tǒng)的分級(jí)方法不僅存在勞動(dòng)強(qiáng)度大、工作效率低、人工成本高等缺點(diǎn)，還會(huì)受到不同分級(jí)人員的經(jīng)驗(yàn)、感官、主觀評(píng)價(jià)、標(biāo)準(zhǔn)定義等因素的影響，無(wú)法保證煙葉分級(jí)的客觀性，從而影響分級(jí)的準(zhǔn)確性。隨著計(jì)算機(jī)算力的提升與機(jī)器視覺(jué)技術(shù)的進(jìn)步，越來(lái)越多的研究人員運(yùn)用機(jī)器學(xué)習(xí)和圖像處理技術(shù)來(lái)對(duì)煙葉進(jìn)行分類分級(jí)研究。趙樹(shù)彌等[1]采用以機(jī)器視覺(jué)技術(shù)為基礎(chǔ)的煙葉圖像檢測(cè)方法對(duì)煙葉等級(jí)進(jìn)行劃分。其中，運(yùn)用鄰域平均和中值濾波組合的方法來(lái)對(duì)圖像的噪點(diǎn)進(jìn)行區(qū)域去噪處理，使用最小誤差閾值分割法對(duì)煙葉和背景進(jìn)行分類，隨后增強(qiáng)圖像信號(hào)，對(duì)感性區(qū)域內(nèi)的顏色信息進(jìn)行提取，用煙葉的4個(gè)特征信息（RGB顏色值和色調(diào)H值）來(lái)對(duì)煙葉的級(jí)別特性進(jìn)行表征。李海杰[2]提出了一種基于非局部相似性交叉熵的含噪圖像閾值分割算法，并將該算法直接應(yīng)用于含噪點(diǎn)的煙草圖像異物檢測(cè)中，在煙葉圖像的HSV空間中定義了含青率、烤紅率兩個(gè)顏色特征，使用Gabor小波對(duì)煙葉的紋理特征進(jìn)行提取，并采用小波支持向量機(jī)進(jìn)行訓(xùn)練，從而實(shí)現(xiàn)對(duì)煙葉圖像分類。王天旺等[3]提出了一種基于改進(jìn)魯棒多分類SVM的煙葉顏色等級(jí)分類法，通過(guò)提取煙葉上、中、下三個(gè)區(qū)域的一、二、三階顏色矩作為分類特征，改進(jìn)SVM分類器對(duì)各色組離群訓(xùn)練樣本的約束，提高該分類模型對(duì)樣本分類的精準(zhǔn)度。本研究基于對(duì)煙葉分級(jí)準(zhǔn)確度的考慮，借鑒卷積神經(jīng)網(wǎng)絡(luò)在圖像分類領(lǐng)域中的良好表現(xiàn)，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)模型融合的煙葉分級(jí)方案。首先，構(gòu)建三個(gè)對(duì)煙葉分類的CNN預(yù)訓(xùn)練模型，通過(guò)“投喂”大量數(shù)據(jù)改進(jìn)參數(shù);其次，采用模型融合法對(duì)CNN模型的輸出結(jié)果進(jìn)行打分評(píng)判，將評(píng)判結(jié)果進(jìn)行綜合提取;最后，依據(jù)綜合評(píng)判結(jié)果區(qū)分煙葉等級(jí)。通過(guò)大量試驗(yàn)數(shù)據(jù)表明，該方法與經(jīng)典CNN神經(jīng)網(wǎng)絡(luò)相比，能夠更加快速高效地將煙葉按品級(jí)進(jìn)行初步分類。9B178129-0589-4EEC-87E3-FCDD26843F0E

1 煙葉數(shù)據(jù)

1.1 煙葉分級(jí)標(biāo)準(zhǔn)

煙葉分級(jí)的評(píng)判對(duì)象包括煙葉部位、顏色、成熟度、組織結(jié)構(gòu)、油度、色度、長(zhǎng)寬度、殘傷以及破損等，將每個(gè)因素劃分為不同的檔次，每個(gè)因素按照檔次的不同賦予不同分值，對(duì)這些因素分別評(píng)分然后將總分?jǐn)?shù)作為分級(jí)指標(biāo)，確定各等級(jí)的相應(yīng)價(jià)值。本研究采用煙葉的部位、顏色、殘傷三個(gè)品級(jí)要素對(duì)煙葉進(jìn)行分類。煙葉不同部位有著不同的外觀特征和內(nèi)在品質(zhì)，因品種、土壤、氣候條件和栽培措施的不同，其會(huì)發(fā)生一些變化。煙葉的部位分為下部葉（X）、中部葉（C）、上部葉（B）;煙葉顏色是指煙葉烘烤后的相關(guān)色彩、色澤飽和度和色值狀態(tài)，檸檬黃是“100%的黃色”，橘黃是“70%的黃色+30%的紅色”，紅棕是“30%的黃色+70%的紅色”;殘傷是指煙葉組織受到破壞，失去成絲的強(qiáng)度和堅(jiān)實(shí)性，基本無(wú)使用價(jià)值。比如，過(guò)熟煙葉產(chǎn)生的病斑、焦尖、焦邊等，以百分?jǐn)?shù)（%）來(lái)表示;破損是指煙葉受到機(jī)械損傷而失去原有的完整性，每片煙葉的破損面積以百分?jǐn)?shù)來(lái)表示。本研究以煙葉完整度95%以上定義為“完整”，將煙葉完整度為80%～95%定義為較完整，將煙葉完整度在80%以下定義不完整。

1.2 訓(xùn)練數(shù)據(jù)

在煙葉數(shù)據(jù)采集方面，采用MV-CE013-50GC相機(jī)對(duì)煙葉進(jìn)行拍攝，共獲取4 358張煙葉圖片，按顏色（橘黃、檸檬黃、紅棕、未熟的青葉）、位置（上部、中部、下部）、殘傷度（15%～19%、20%～24%、25%～30%）進(jìn)行分類，具體見(jiàn)表1。

煙葉圖像在進(jìn)行訓(xùn)練前經(jīng)過(guò)兩種不同預(yù)處理，分別提取煙葉的顏色（color）與完整度（integrity）。

在顏色方面，通過(guò)RGB顏色空間將圖像增強(qiáng)，發(fā)現(xiàn)原圖像的顏色會(huì)被修改，而HSV顏色空間是從色相（Hue）、色飽和度（Chroma）和色調(diào)（Value）來(lái)描述顏色的。HSV顏色空間是用一個(gè)圓錐模型來(lái)描述的。這種描述方式比RGB色彩空間更復(fù)雜，但能把色相、色調(diào)、色飽和度清楚地展現(xiàn)出來(lái)。本研究用Image庫(kù)函數(shù)對(duì)其飽和度增強(qiáng)1.1倍，更加凸顯出空間中的各顏色分量，對(duì)比度增強(qiáng)1.3倍，提高了圖像的明暗對(duì)比以及圖像的整體均衡度（見(jiàn)圖1）。

煙葉根據(jù)顏色分為4類，分別為橘黃、檸檬黃、紅棕以及未熟的青葉。

相對(duì)于完整度，本研究更關(guān)心圖像邊緣連接的完整平滑性、葉片內(nèi)的無(wú)破損程度及煙葉的內(nèi)部病變和損傷，所以先用OpenCV將圖像進(jìn)行灰度化處理，剔除顏色等無(wú)關(guān)特征，將原圖片的色彩歸到灰度圖，增強(qiáng)了其殘損及病變的特征。采用Python、OpenCV和Image第三方庫(kù)將圖片進(jìn)行灰度化處理以及顏色增強(qiáng)，得到煙葉的灰度圖像。此圖像特征更傾向于葉片的形狀完整度及病變程度，也因此更容易使神經(jīng)網(wǎng)絡(luò)提取出完整性的特征（見(jiàn)圖2）。

2 煙葉分級(jí)系統(tǒng)

傳統(tǒng)的單一網(wǎng)絡(luò)模型對(duì)分析圖像的分類存在不準(zhǔn)確和耗時(shí)長(zhǎng)等問(wèn)題。基于此，本研究采用Stacking模型融合的方法實(shí)現(xiàn)對(duì)煙葉圖像的分類。

2.1 融合模型

本研究采用的融合模型以三個(gè)經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)ResNet、AlexNet和VGG16Net為基學(xué)習(xí)器，以SVC classifier為元學(xué)習(xí)器，組成Stacking模型融合。

AlexNet[4]是一種經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型，其由8層神經(jīng)網(wǎng)絡(luò)組成，包括5個(gè)卷積層和3個(gè)全連接層，每一個(gè)卷積層后面都加了最大池化層，其使用ReLU函數(shù)作為激活函數(shù)，提出了LRN局部響應(yīng)歸一化，并對(duì)局部神經(jīng)元建立競(jìng)爭(zhēng)機(jī)制，抑制響應(yīng)較小的神經(jīng)元，加強(qiáng)網(wǎng)絡(luò)的泛化本領(lǐng)，為減少過(guò)擬合問(wèn)題還加入了Dropout層。

VGG16Net[5]模型包含13個(gè)卷積層、3個(gè)全鏈接層，其結(jié)構(gòu)相對(duì)簡(jiǎn)單但訓(xùn)練的特征數(shù)量非常大，且由于網(wǎng)絡(luò)中每一個(gè)卷積層和池化層中的卷積核大小與池化核大小固定，在訓(xùn)練時(shí)能更快達(dá)到預(yù)期效果，采用ReLU函數(shù)作為激活函數(shù)，同時(shí)也加入了Dropout層。

ResNet[6]是微軟研究院在2015年提出的一種神經(jīng)網(wǎng)絡(luò)模型。其是由1個(gè)卷積（conv1）+3殘差塊×2個(gè)卷積（conv2_x）+4個(gè)殘差塊×2個(gè)卷積（conv3_x）+6個(gè)殘差塊×2個(gè)卷積（conv4_x）+3個(gè)殘差塊×2個(gè)卷積（conv5_x）+最后的1個(gè)全連接層=34。該神經(jīng)網(wǎng)絡(luò)模型的特點(diǎn)在于網(wǎng)絡(luò)的性能不會(huì)隨著深度增加而降低。

2.2 模型融合方案

煙葉定級(jí)方案以三種不同卷積神經(jīng)網(wǎng)絡(luò)為主要工具，參考國(guó)家烤煙分類標(biāo)準(zhǔn)。在完成訓(xùn)練后，首先將輸入的煙葉圖片進(jìn)行預(yù)處理并分為三組，隨后根據(jù)煙葉的殘傷、顏色、位置三個(gè)品級(jí)要素分別對(duì)不同的煙葉特征進(jìn)行提取，之后“投喂”給融合網(wǎng)絡(luò)模型，對(duì)三個(gè)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行初步訓(xùn)練。品級(jí)要素“殘傷”經(jīng)過(guò)AlexNet網(wǎng)絡(luò)后輸出完整、較完整、不完整三類特征對(duì)應(yīng)的概率值向量;品級(jí)要素“顏色”經(jīng)過(guò)VGG16Net網(wǎng)絡(luò)后輸出為檸檬黃、橘黃、紅棕、未熟的青葉四類特征對(duì)應(yīng)的概率值;品級(jí)要素“部位”經(jīng)過(guò)Res34Net網(wǎng)絡(luò)后輸出上部、中部、下部三類特征對(duì)應(yīng)的概率值。接下來(lái)對(duì)三個(gè)模型進(jìn)行融合，通過(guò)對(duì)三個(gè)品質(zhì)因素的分類結(jié)果進(jìn)行打分評(píng)判，實(shí)現(xiàn)最終的產(chǎn)品定級(jí)（見(jiàn)圖3）。

2.3 模型融合訓(xùn)練

在訓(xùn)練模型前，將Train_data和test_data數(shù)據(jù)集分成對(duì)應(yīng)的三份，每次將其投入訓(xùn)練時(shí)用其中的兩份作為訓(xùn)練集，剩余的一份作為測(cè)試集，預(yù)測(cè)結(jié)果為predict1、predict2、predict3，由此得到同一個(gè)基學(xué)習(xí)器的三個(gè)模型。用同樣圖片經(jīng)過(guò)不同的預(yù)處理后，送入另外兩個(gè)基學(xué)習(xí)器進(jìn)行同樣的訓(xùn)練，得到3×3個(gè)模型和3×3個(gè)predict。

由于卷積神經(jīng)網(wǎng)絡(luò)輸出的是數(shù)字或數(shù)組，在對(duì)其進(jìn)行Stacking融合時(shí)，將預(yù)測(cè)圖片經(jīng)過(guò)預(yù)處理和訓(xùn)練好的feature（特征）層和flatten（展平）層進(jìn)行輸出，而不經(jīng)過(guò)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中的classifier，三個(gè)模型訓(xùn)練完成后，對(duì)test_data進(jìn)行三分預(yù)測(cè)后合并為一個(gè)predicts作為輸出，將三個(gè)基學(xué)習(xí)器的輸出平均為一個(gè)與test_data大小一致的矩陣作為元學(xué)習(xí)器的輸入，此時(shí)的數(shù)據(jù)為二維tensor格式，稱為煙葉圖片的特征矩陣，由SVM（支持向量機(jī)）作為元學(xué)習(xí)器以模型融合后的特征矩陣作為訓(xùn)練集進(jìn)行訓(xùn)練。三個(gè)基學(xué)習(xí)器及元學(xué)習(xí)器訓(xùn)練完成后，將Val_data（驗(yàn)證集）中的數(shù)據(jù)先經(jīng)過(guò)預(yù)處理后送入3個(gè)基學(xué)習(xí)器，獲得特征矩陣，再送入元學(xué)習(xí)器預(yù)測(cè)輸出。融合模型如圖4所示。9B178129-0589-4EEC-87E3-FCDD26843F0E

Stacking網(wǎng)絡(luò)融合模型的優(yōu)勢(shì)在于，對(duì)煙葉圖像分類問(wèn)題采用卷積神經(jīng)網(wǎng)絡(luò)作為第一層，接收?qǐng)D片信息并進(jìn)行訓(xùn)練，得到基學(xué)習(xí)器1、2、3，而后傳入元學(xué)習(xí)器的數(shù)據(jù)是從展平（flatten）后的數(shù)據(jù)直接取出，不經(jīng)過(guò)基學(xué)習(xí)器。這種非常規(guī)方法保留了基學(xué)習(xí)器（CNN）的網(wǎng)絡(luò)特征，且采用交叉訓(xùn)練，即每次用于訓(xùn)練的數(shù)據(jù)由Train_data劃分出的2/3作為訓(xùn)練集，對(duì)每1/3的Test_data分別進(jìn)行預(yù)測(cè)輸出，之后將三個(gè)預(yù)測(cè)結(jié)果進(jìn)行合并，得到一個(gè)基學(xué)習(xí)器交叉訓(xùn)練的預(yù)測(cè)結(jié)果。在經(jīng)過(guò)這三個(gè)基學(xué)習(xí)器訓(xùn)練完成后，取出各自的預(yù)測(cè)結(jié)果展平數(shù)據(jù)進(jìn)行Stacking融合，實(shí)現(xiàn)了三維圖片的輸入到特征矩陣的輸入。此過(guò)程避免了訓(xùn)練數(shù)據(jù)的交叉使用，同時(shí)也避免了過(guò)擬合，且利用多個(gè)神經(jīng)網(wǎng)絡(luò)提取特征，并與元學(xué)習(xí)器結(jié)合進(jìn)行二次預(yù)測(cè)，提升分類的準(zhǔn)確度。

本研究三個(gè)卷積神經(jīng)網(wǎng)絡(luò)中的損失函數(shù)均采用交叉熵?fù)p失函數(shù)（CrossEntropyLoss），見(jiàn)式（1）。

[J=?1N1N1kyi.logpi]? ? ?（1）

式中：[yi]是類別i的真實(shí)標(biāo)簽;[pi]是softmax函數(shù)計(jì)算出的類別i的概率值;k是煙葉類別數(shù)，N是煙葉樣本總數(shù)。

2.4 投票賦值與定級(jí)

基于ResNet34、Alexnet和VGG16Net三個(gè)網(wǎng)絡(luò)模型的融合，對(duì)圖片分別在色度、部位、殘傷三個(gè)方面進(jìn)行預(yù)測(cè)。之后為了量化煙葉品質(zhì)，采用投票賦值的方式，對(duì)同一特征的不同預(yù)測(cè)結(jié)果進(jìn)行賦值并累加不同特征的終值，對(duì)終值再進(jìn)行區(qū)間劃分，得到不同品級(jí)的煙葉。

投票賦值規(guī)則參考國(guó)家煙葉分級(jí)標(biāo)準(zhǔn)。首先將煙葉部位分為上部、中部和下部;然后根據(jù)煙葉殘傷度來(lái)確定其初始分值，根據(jù)葉片殘傷度的大致區(qū)間，將煙葉賦初始值為{15%～19%：7;20%～24%：5;25%～30%：3};接著再根據(jù)葉片的色度分為濃、強(qiáng)、中、弱、淡五級(jí)，對(duì)其分別投票賦分為[2，3，1，0，-1][3，2，0，-1，-2]和[1，3，2，-1，-2]。通過(guò)煙葉的殘傷度、色度與煙葉所屬部位相結(jié)合，來(lái)確定煙葉各等級(jí)的相應(yīng)價(jià)值。其終值最終落在上限為10、下限為1的區(qū)間內(nèi)，根據(jù)分值將煙葉劃分為五個(gè)等級(jí)，見(jiàn)表2。

由表2可知，Ⅰ、Ⅱ級(jí)為優(yōu)，Ⅲ級(jí)為良，Ⅳ、Ⅴ級(jí)為次。這套系統(tǒng)都可以基于色度、殘差和部位對(duì)煙葉完成系統(tǒng)的等級(jí)劃分，達(dá)到煙葉快速分級(jí)的目的。

3 結(jié)果與分析

用融合模型和融合前的三個(gè)模型分別對(duì)同一批煙葉的不同預(yù)處理數(shù)據(jù)集進(jìn)行訓(xùn)練，分別迭代訓(xùn)練Alexnet epochs=30、ResNet epochs=3、VGG16Net epochs=30。用測(cè)試集進(jìn)行測(cè)試，取各自預(yù)測(cè)網(wǎng)絡(luò)預(yù)測(cè)值中正確預(yù)測(cè)的個(gè)數(shù)與測(cè)試集總數(shù)的比值為準(zhǔn)確度衡量，見(jiàn)式（2）。

[AC = CPCP+EP]? ? ? ?（2）

式中：CP（correct prediction）為正確預(yù)測(cè)個(gè)數(shù)，EP（error prediction）為錯(cuò)誤預(yù)測(cè)個(gè)數(shù);AC（accuracy）為模型準(zhǔn)確率。

三個(gè)網(wǎng)絡(luò)的訓(xùn)練過(guò)程的損失及準(zhǔn)確度見(jiàn)圖5、圖6。

將經(jīng)過(guò)訓(xùn)練后的三個(gè)模型進(jìn)行Stacking融合后，對(duì)驗(yàn)證集進(jìn)行預(yù)測(cè)，結(jié)果如圖7所示。

通過(guò)對(duì)比發(fā)現(xiàn)，模型融合前的三個(gè)模型訓(xùn)練在過(guò)程中最終準(zhǔn)確率：Alexnet為88.96%、VGG16Net為81.27%、ResNet為82.33%，而在融合后經(jīng)過(guò)SVC分類器后，準(zhǔn)確率達(dá)到了95.10%。

從模型融合的結(jié)果來(lái)看，經(jīng)過(guò)Stacking融合后的模型，相比之前的三個(gè)模型，準(zhǔn)確度提升較大。將此模型融合后的模型進(jìn)行保存，并用其預(yù)測(cè)驗(yàn)證集煙葉圖片經(jīng)過(guò)預(yù)測(cè)后的圖片，根據(jù)預(yù)測(cè)結(jié)果，評(píng)分系統(tǒng)對(duì)其評(píng)分，得到煙葉質(zhì)量分布如圖8所示。

通過(guò)預(yù)處理共得到162個(gè)Val_data數(shù)據(jù)，經(jīng)過(guò)此系統(tǒng)預(yù)測(cè)后，其各個(gè)品質(zhì)對(duì)應(yīng)數(shù)目如表3所示。

4 結(jié)語(yǔ)

本研究通過(guò)大量試驗(yàn)表明，通過(guò)Alexnet、VGGNet16和ResNet模型的融合，有效地降低了過(guò)擬合率，實(shí)現(xiàn)了對(duì)煙葉快速準(zhǔn)確定級(jí)的目的，最終取得了非常理想的效果。通過(guò)自動(dòng)智能分析處理，提高了分級(jí)的準(zhǔn)確度，在煙農(nóng)家中就實(shí)現(xiàn)可預(yù)檢封包，收購(gòu)場(chǎng)可以直接定級(jí)，大幅提高了工作效率，解決了煙農(nóng)初分環(huán)節(jié)效率低、等級(jí)合格率無(wú)法達(dá)標(biāo)的問(wèn)題，對(duì)提升煙葉收購(gòu)等級(jí)純度、推動(dòng)煙葉生產(chǎn)高質(zhì)量發(fā)展、保持煙葉生產(chǎn)持續(xù)穩(wěn)定健康發(fā)展具有重要作用。同時(shí)，也一定程度上推進(jìn)了農(nóng)業(yè)數(shù)字化、產(chǎn)業(yè)化，使得農(nóng)產(chǎn)品加工生產(chǎn)變得智能化、高效化，提高了農(nóng)業(yè)生產(chǎn)效率。

參考文獻(xiàn)：

[1] 趙樹(shù)彌，張龍，徐大勇，等.機(jī)器視覺(jué)檢測(cè)鮮煙葉的分級(jí)裝置設(shè)計(jì)[J].中國(guó)農(nóng)學(xué)通報(bào)，2019（16）：133-140.

[2] 李海杰.基于機(jī)器視覺(jué)的煙草異物檢測(cè)和煙葉分類分級(jí)方法研究[D].南京：南京航空航天大學(xué)，2016.

[3] 王天旺，解立明，劉文，等.基于改進(jìn)魯棒多分類SVM的煙葉顏色分級(jí)分類方法研究[J].機(jī)電信息，2021（5）：55-57，60.

[4] KRIZHEVSKY A，SUTSKEVER I，HINTON G E.ImageNet classification with deep convolutional neural networks[J].Communications of the ACM，2017（60）：84-90.

[5] RODR?GUEZ F J，GARC?A A，PARDO P J，et al.Study and classification of plum v arieties using image analysis and deep lea rning techniques[J].Progress in Artificial In telligence，2018（2）：119-127.

[6] SZEGEDY C，LIU W，JIA Y Q，et al.Going Deeper with Convolutions[J].CoRR，2014.9B178129-0589-4EEC-87E3-FCDD26843F0E