(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 202210441375.6 (22)申请日 2022.04.25 (71)申请人 华中科技大 学 地址 430074 湖北省武汉市洪山区珞喻路 1037号 (72)发明人 刘小伟　夏天　喻鸿　刘竞　 黄金国　 (74)专利代理 机构 北京金智普华知识产权代理 有限公司 1 1401 专利代理师 张晓博 (51)Int.Cl. G06Q 10/04(2012.01) G06T 5/00(2006.01) G06N 3/04(2006.01) A24B 3/10(2006.01)G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于模型融合的烤烟工艺阶段预测方 法及系统 (57)摘要 本发明属于烟叶烘烤技术领域， 公开了一种 基于模型融合的烤烟工艺阶段预测方法及系统， 包括： 构建并训练融合LightGBM模型、 GRU模型、 CNN模型的烤烟预测模型， 并获取烟叶烘烤过程 中的图像、 温湿度、 失水量数据， 利用训练好的融 合LightGBM模型、 GRU模型、 CNN模型的烤烟预测 模型基于 预处理后 烟叶烘烤 过程中的图像、 温湿 度、 失水量数据进行烤烟工艺阶段的预测。 本发 明模型融合技术训练融合模型， 利用训练好的融 合模型进行烟叶烘烤工艺阶段预测可以做到烟 叶实时预测， 提高了预测准确率和预测 效率， 同 时降低了烘烤人员的工作强度、 节约人力成本 。 权利要求书3页 说明书8页 附图2页 CN 114997463 A 2022.09.02 CN 114997463 A 1.一种基于模型融合的烤烟工艺阶段预测方法， 其特征在于， 所述基于模型融合的烤 烟工艺阶段预测方法包括： 构建并训练融合LightGBM模型、 GRU模 型、 CNN模型的烤烟预测模 型， 获取烟叶烘烤过程中的图像、 温湿度、 失水量数据以及预处理， 利用训练好的烤烟预测 模型对预处 理后烟叶烘烤过程中的图像、 温湿度、 失水量数据进行烤烟工艺阶段的预测。 2.如权利要求1所述基于模型融合的烤烟工艺阶段预测方法， 其特征在于， 所述基于模 型融合的烤烟工艺阶段 预测方法包括以下步骤： 步骤一， 按照预先设定的采集周期采集烘烤中的烟叶及烤房的相关数据； 并基于采集 的烟叶及烤房的相关数据构建非结构化数据集与结构化数据集； 步骤二， 基于非结构化数据集中的烟叶图像进行烟叶状态提取， 同时对提取的所述烟 叶状态进行 数字编码得到烟叶状态编码； 步骤三， 构建融合LightGBM模型、 GRU模型、 CNN模型的烤烟预测模型； 并利用所述非结 构化数据集、 结构化数据集以及烟叶状态编码对所述融合LightGBM模 型、 GRU模型、 CNN模 型 的烤烟预测模型进行训练； 步骤四， 实时采集烘烤过程中烟叶及烤房的相关数据， 并对采集的烟叶及烤房的相关 数据进行预处理， 利用训练好的融合LightGBM模型、 GRU模 型、 CNN模 型的烤烟预测模型基于 预处理后的烟叶及烤房的相关数据进行烟叶烘烤工艺阶段的预测。 3.如权利要求2所述基于模型融合的烤烟工艺阶段预测方法， 其特征在于， 所述烟叶及 烤房的相关数据包括： 烟叶 图像、 温度湿度数据及失水量数据。 4.如权利要求2所述基于模型融合的烤烟工艺阶段预测方法， 其特征在于， 所述步骤一 中， 基于采集的烟叶及烤房的相关数据构建非结构化数据集与结构化数据集包括： 采用中值滤波非线性平滑算法、 暗通道去雾算法对采集的烟叶及烤房的相关数据中的 烟叶图像进行降噪、 色彩修正预处理， 并将预处理后的烟叶图像按照统一格式保存为所述 烟叶图像至指定文件夹中转 为csv文件， 得到非结构化数据集； 同时将采集的烟叶及烤房的相关数据中的温度湿度数据以及失水量数据进行特征提 取得到特征集合， 并对所述特征集合中的特征数据进行缺失值处理、 异常值处理及数据标 准化处理， 得到结构化数据集。 5.如权利要求2所述基于模型融合的烤烟工艺阶段预测方法， 其特征在于， 所述步骤三 中， 融合LightGBM模型、 GRU模型、 CN N模型的烤烟预测模型包括： 第一层基分类器， 由LightGBM网络、 GRU网络、 CNN网络组成； 用于进行烤烟工艺阶段的 初步识别； 第二层元分类 器， 由LightGBM组成； 用于进行烤烟工艺阶段的二次识别； 所述CNN网络为具备残差学习模块的SE ‑ResNet50； 所述CNN网络采用改进的交叉熵损 失函数， 并选用Adam算法作为自适应学习率优化 算法。 6.如权利要求2所述基于模型融合的烤烟工艺阶段预测方法， 其特征在于， 所述步骤三 中， 利用非结构化数据集、 结构化数据集以及烟叶状态编码对所述融合LightGBM模型、 GRU 模型、 CNN模型的烤烟预测模型进行训练包括： (1)根据两层Stacking模型融合方法， 将所述结构化数据集以及非结构化数据集作为 第一层基分类器的输入数据， 将所述烟叶状态编码作为第一层基分类器的输出结果， 对第 一层基分类器的LightGBM网络、 GRU网络以及CNN网络进行训练， 得到训练好的第一层基分权　利　要　求　书 1/3 页 2 CN 114997463 A 2类器： (1.1)将所述结构化数据集作为第一层基分类器的LightGBM网络 的输入数据， 将所述 烟叶状态编码作为所述LightGBM网络识别结果， 对所述LightGBM网络进行训练， 并根据重 要程度利用网格搜索方法自动调节所述LightGBM网络的模型参数， 将所述LightGBM网络训 练后得到的第一 新训练集状态编码记为A1； (1.2)将所述结构化数据 集作为第一层基分类器的GRU网络的输入数据， 将所述烟叶状 态编码作为GRU网络的输出结果， 对所述GRU网络进行训练， 并根据试错法确 定最优时间步 长、 隐含层层数和每层神经元数量； 将所述GRU网络训练后得到的第二新训练集状态编码记 为A2； (1.3)将所述非结构化数据集作为第一层基分类器的CNN网络的输入数据， 将所述烟叶 状态编码作为CNN网络的输出结果， 对 所述CNN网络进行训练； 应用SoftMax分类器对图像进 行分类， 将所述CN N网络训练后得到的第三 新训练集状态编码记为A3； (2)将所述第一层基分类器输出的识别结果作为第二层元分类器的输入数据， 将所述 烟叶状态编码作为第二层元分类器的输出识别结果， 训练第二层元分类器的LightGBM网 络， 并网格搜索方法自动调节模型参数， 得到训练好的融合LightGBM模型、 GRU模型、 CNN模 型的烤烟预测模型。 7.一种实施如权利要求1 ‑6任意一项所述基于模型融合的烤烟工艺阶段预测方法的基 于模型融合的烤烟工艺阶段预测系统， 其特征在于， 所述基于模型融合的烤烟工艺 阶段预 测系统包括： 数据集构建模块， 用于按照预先设定的采集周期采集烘烤中的烟叶及烤房的相关数 据； 并基于采集的烟叶及烤房的相关数据构建非结构化数据集与结构化数据集； 同时用于 基于非结构化数据集中的烟叶图像进 行烟叶状态 提取， 同时对提取的所述烟叶状态进 行数 字编码得到烟叶状态编码； 融合模型构建模块， 用于构建融合 LightGBM模型、 GRU模型、 CN N模型的烤烟预测模型； 融合模型模块， 用于利用所述非结构化数据集、 结构化数据集以及烟叶状态编码对所 述融合LightGBM模型、 GRU模型、 CN N模型的烤烟预测模型进行训练； 数据预处理模块， 用于实时采集烘烤过程中烟叶及烤房的相关数据， 并对采集的烟叶 及烤房的相关数据进行 预处理； 预测模块， 用于利用训练好的融合Li ghtGBM模型、 GRU模型、 CNN模型的烤烟预测模型基 于预处理后的烟叶及烤房的相关数据进行烟叶烘烤工艺阶段的预测。 8.一种计算机设备， 其特征在于， 所述计算机设备包括存储器和处理器， 所述存储器存 储有计算机程序， 所述计算机程序被所述处理器执行时， 使得所述处理器执行如权利要求 1‑6任意一项所述基于模型融合的烤烟工艺阶段 预测方法如下步骤： 步骤一， 按照预先设定的采集周期采集烘烤中的烟叶及烤房的相关数据； 并基于采集 的烟叶及烤房的相关数据构建非结构化数据集与结构化数据集； 步骤二， 基于非结构化数据集中的烟叶图像进行烟叶状态提取， 同时对提取的所述烟 叶状态进行 数字编码得到烟叶状态编码； 步骤三， 构建融合LightGBM模型、 GRU模型、 CNN模型的烤烟预测模型； 并利用所述非结 构化数据集、 结构化数据集以及烟叶状态编码对所述融合LightGBM模 型、 GRU模型、 CNN模 型权　利　要　求　书 2/3 页 3 CN 114997463 A 3