烟草是我国重要的经济作物，烘烤过程是烟草品质形成的关键环节，在该环节中，鲜烟叶完成颜色变黄、水分蒸发以及各类化学物质的转化。烤房烟叶的变黄程度、褐变程度和失水程度是影响烟叶烘烤工艺的关键因素。目前，主要由人工判断烟叶烘烤状态并调整烘烤策略，易产生烘烤损失。通过深度学习对烟叶烘烤状态进行识别和预测的研究较少，多数研究数据单一且与生产环境差别过大，难以实际生产应用。针对当前存在的问题，本研究采集多个产区的烘烤图像数据，利用两种方法展开实验。第一种为直观展示烟叶烘烤颜色变化,分析变黄程度;第二种为基于深度学习模型直接识别烟叶烘烤状态。选择准确率和鲁棒性较高的方法嵌入行业平台，并大规模推广应用，以此推进智能烘烤发展，实现远程监管，减少人员负担，主要结论如下: (1)针对数据集单一问题，建立了大范围多尺度的烟叶烘烤状态数据集和烟叶主体分割数据集。本研究将图像采集设备悬挂在许昌、平顶山、凉山等11个产区的密集式烤房中获取烟叶烘烤过程图像，结合多位专家和LabelMe软件进行图像标注，通过多种图像增强技术扩充并制作数据集。 (2)方法一为通过改进DeepLabV3+模型对图像进行语义分割，探究烟叶主体在烘烤过程中的颜色变化并建立变黄程度RGB基准值。由于行业平台中心服务器计算资源有限，本研究将DeepLabV3+模型主干网络替换为轻量型MobileNetV3模块，减少模型的参数量;将ASPP模块中的普通卷积替换为深度可分离卷积，进一步减少模型大小;在解码器上增加GAU全局注意力机制,增大模型的感受野，精准分割烟叶的边缘信息。改进后的DeepLabV3+模型MIoU达84.53％，模型大小为7.49MB,在参数量和分割精度上均优于其他主流分割模型，并基于改进后DeepLabV3+模型建立变黄程度判断的RGB基准值。 (3)方法二为对EfficientNet-B0模型进行改进，建立EfficientNet-GECA模型用于识别烟叶变黄程度和褐变程度;建立EfficientNet-GAM模型用于识别烟叶失水程度。为了提高识别准确率，利用改进后的DeepLabV3+模型对烟叶主体图像进行分割再进行实验。针对具有显著颜色特征的烟叶变黄程度和褐变程度识别，本研究将原模型中MBConv模块的普通卷积替换为Ghost卷积，在不降低模型准确率的同时减少模型的参数量和计算量;将模型中的SE注意力机制替换为高效的ECA注意力机制，进一步减少模型运行时间，并增加对颜色识别的权重。改进后的EfficientNet-GECA模型在烟叶变黄程度测试集中的识别准确率达88.54％,在褐变程度测试集的准确率达91.64％,单张图片识别速度仅为16.86毫秒。针对具有显著纹理特征的烟叶失水程度识别，本研究将原模型中的SE注意力机制替换为GAM全局注意力机制，增加模型对烟叶纹理和空间识别的权重，提高模型精度。改进后的EfficientNet-GAM模型在烟叶失水程度测试集中的识别准确率达82.26％。 (4)针对缺少实际生产应用的问题，对比选择准确率和鲁棒性较高的方法进行应用推广。本研究提出的EfficientNet-GECA和EfficientNet-GAM模型已经被行业单位采纳，并集成在智能烘烤科学家移动平台中。用户可以通过移动端设备实现对烟叶烘烤过程的精细化管理、智能化监控与状态识别。该平台已覆盖全国9省的523座烤房，累计服务超过1700次烘烤作业。
NETL
