技术特征：
1.基于近红外光谱和对比学习的烟叶部位判别方法；其特征在于，包括如下步骤：步骤(1)样本制作：提供k个烟叶样品，在近红外光谱仪上采集其样品光谱数据v
i
，i＝1,2,
…
,n，并标记样品部位信息，上部记作u，中部记作c，下部记作d；步骤(2)样本数据维扩展：提取样本v
i
的光谱特征参量，将所述光谱特征参量归一化后与原样本光谱数据v
i
拼接得到扩展的样本矢量i＝1,2,
…
,n；所述样本矢量的行列维度为1
×
m；步骤(3)对比学习网络构建和训练：将样本矢量经过转换函数转换为适合对比学习网络的数据i
i
，i＝1,2,
…
,n；将所述转换后的数据i
i
，i＝1,2,
…
,n；按比例随机划分为校正集和测试集；选取一种对比学习模型，构建三个对比学习网络：u/cd对比学习网络、c\ud对比学习网络和d\uc对比学习网络；对每个对比学习网络构建相应的正负样本集并训练网络，直到验证集损失函数值小于训练集损失函数值且在训练次数内验证集损失值最小；步骤(4)分类网络构建和训练：利用步骤(3)中的u/cd对比学习网络、c\ud对比学习网络和d\uc对比学习网络的训练结果，构建分类网络并训练，输出烟叶属于上部烟、中部烟和下部烟的识别概率；步骤(5)烟叶部位判别：根据烟叶属于上部烟、中部烟和下部烟的识别概率，采用不完全确定法，实现烟叶部位判别。2.根据权利要求1所述的基于近红外光谱和对比学习的烟叶部位判别方法，其特征在于，步骤(2)所述光谱特征参量包括光谱斜率和坡向、光谱二值编码、一阶微分光谱和二阶微分光谱；所述一阶微分光谱计算公式为所述二阶微分光谱计算公式为其中v
ij
为v
i
的第j个元素，为的第j个元素，l为光谱波段数。3.根据权利要求1或2所述的基于近红外光谱和对比学习的烟叶部位判别方法，其特征在于步骤(3)所述的转换函数的具体实现为：将1
×
m的样本矢量重排为m1×
m2的矩阵，将矩阵复制3次，重叠得到m1×
m2×
3的多维矩阵i
i
；m1×
m2＝m。4.根据权利要求3所述的基于近红外光谱和对比学习的烟叶部位判别方法，其特征在于步骤(3)所述构建相应的正负样本集训练网络具体为：所述u/cd对比学习网络以校正集中的上部烟为正样本，其他样本为负样本进行训练；所述c/ud对比学习网络以校正集中的中部烟为正样本，其他样本为负样本进行训练；所述d/uc对比学习网络以校正集中的下部烟为正样本，其他样本为负样本进行训练；所述对比学习模型包括moco、simclr和cpc。
5.根据权利要求4所述的基于近红外光谱和对比学习的烟叶部位判别方法，其特征在于步骤(4)所述分类网络选用对比学习网络迁移学习的深度神经网络，分类网络包含：自编码器、深度神经网络和类别判别器。6.根据权利要求4或5所述的基于近红外光谱和对比学习的烟叶部位判别方法，其特征在于步骤(5)所述的不完全确定法具体包括：(5-1)计算烟叶部位识别的归化矢量q
i
，i＝1,2,
…
,n,n所述p
1i
＝u
i
,p
2i
＝c
i
,p
3i
＝d
i
,q
ij
为归化矢量q
i
的第j列元素；(5-2)根据归化矢量的值判断烟叶部位为确定性部位或过渡性部位其中y
i
表示第i个样本的部位；所述的确定性部位包括u(上部)、c(中部)和d(下部)；所述的过渡性部位包括uc(上部和中部)和cd(中部和下部)。7.根据权利要求6所述的基于近红外光谱和对比学习的烟叶部位判别方法的实现装置，其特征在于包括样本数据维扩展模块、对比学习网络构建和训练模块、分类模块和烟叶部位判别模块；所述样本数据维扩展模块，用于提取样本的光谱特征参量，并与原样本合并实现样本维数的扩展；所述对比学习网络构建和训练模块，用于构建并训练对比学习网络，为分类网络提供稳定的参数；所述分类模块，用于输出烟叶样本属于上部烟、中部烟和下部烟的概率；所述的烟叶部位判别模块，用于根据分类器输出结果，判别烟叶样本的部位。8.根据权利要求7所述的基于近红外光谱和对比学习的烟叶部位判别方法的实现装置，其特征在所述基于近红外光谱和对比学习的烟叶部位判别装置还包括应用模块，所述应用模块使用烟叶部位判别结果计算成批烟叶的合格率，实现烟叶品质评价。9.根据权利要求7或8所述的基于近红外光谱和对比学习的烟叶部位判别方法的实现装置，其特征在于，所述的对比学习网络构建和训练模块具体步骤包括：(1)输入数据格式转换和数据集划分：将数据维扩展后的样本矢量经过转换函数转换为适合对比学习网络的数据i
i
，i＝1,2,
…
,n；将所述转换后的数据集{i
i
}(i＝1,2,
…
,n)按比例随机划分为校正集(训练集、验证集)和测试集；(2)网络构建：选取对比学习模型，构建三个对比学习网络：u/cd对比学习网络、c\ud对比学习网络和d\uc对比学习网络；
(3)网络训练：对每个对比学习网络构建相应的正负样本集并训练网络，直到验证集损失函数值小于训练集损失函数值且在训练次数内验证集损失值最小。10.根据权利要求9所述的基于近红外光谱和对比学习的烟叶部位判别方法的实现装置，其特征在于烟叶部位的判别模块具体步骤包括：(1)计算烟叶部位识别的归化矢量q
i
，i＝1,2,
…
,n,n所述p
1i
＝u
i
,p
2i
＝c
i
,p
3i
＝d
i
,q
ij
为归化矢量q
i
的第j列元素；(2)根据归化矢量的值判断烟叶部位为确定性部位或过渡性部位其中y
i
表示第i个样本的部位。
技术总结
本发明公开了一种基于近红外光谱和对比学习的烟叶部位判别方法及装置。在近红外光谱仪上采集其样品光谱并标记烟叶部位类别；对所采集的样本光谱数据通过光谱特征参量化进行数据维扩展；针对上部\中下部(U/CD)、中部\上下部(C/UD)和下部\上中部(D/UC)三个二分类任务，分别构建三个对比学习网络并训练；对对比学习网络的自编码器进行迁移学习，构建U/CD、C/UD、D/CU三个二分类网络，输出烟叶属于上部烟、中部烟和下部烟的识别概率；计算归化矢量，根据归化矢量的值判断烟叶部位为确定性部位或过渡性部位。本发明利用近红外光谱分析技术，为烟叶部位无损判别提供了一种高效稳定的技术手段。技术手段。技术手段。
技术研发人员：赵辽英 杨德建 郝贤伟 田雨农 毕一鸣 帖金鑫 赵振杰 郭蒙浩 夏骏 王辉 吴继忠 厉小润
受保护的技术使用者：浙江中烟工业有限责任公司
技术研发日：2021.11.03
技术公布日：2022/2/8