基于改进的ResNet算法的雪茄烟叶适应性分类与分级模型

《Scientific Reports》：Adaptive classification and grading model of cigar wrapper leaf based on improved ResNet algorithm

　　

摘要

雪茄烟叶的等级划分对于确保产品质量至关重要，但目前尚缺乏成熟的智能分级系统，主要依赖人工分选，这种方法存在效率低下和标准不统一等局限性。本研究提出了一种基于深度学习的框架，用于自动分类雪茄烟叶。该框架使用了包含8,637张烟叶图像的数据集，这些图像来自中国福建省龙岩市种植的FX-01品种的九个传统采购等级。所提出的模型将Mask4Ch（Mask增强第四通道）模块集成到ResNet-50主干网络中，通过添加烟叶分割掩码来增强特征提取能力。训练策略采用了结合交叉熵（CE）进行多类分类和累积序数回归（CORAL）进行序数约束建模的双头训练方法，并通过0.7:0.3的概率权重融合推理结果，这与训练过程保持一致。训练优化措施包括加权随机采样（WRS）以实现类别平衡，以及使用指数移动平均（EMA）和延迟激活机制来提升模型的泛化能力。在测试集上，该模型取得了94.39%的准确率、0.950的宏观平均F1分数、0.964的加权Kappa值（QWK）和0.985的平均精度（mAP），证明了基于图像的深度学习在雪茄烟叶分级中的应用价值。这项研究为优化分级系统、实现移动化应用以及推进雪茄生产的自动化和标准化奠定了技术基础。