摘要：以“扎把”作为烟叶分级单位是提高烟叶收购效率的关键策略。由于扎把烟叶间遮挡和卷曲等特性，现有主流分类方法难以准确提取其细粒度分级特征。为此，本文提出了一种基于强监督数据增强的双阶段扎把烟叶分级模型，以渐进式的方式实现扎把烟叶精确分级。首先，设计双重注意力残差网络自适应融合多维度特征来提取粗粒度信息，提出软通道注意力模块生成反映扎把烟叶关键部位的注意力图，实现对扎把烟叶的粗分级。然后，为了促进网络关注差异性细粒度特征，以粗分级注意力图为指导对全局图做强监督数据增强，获得具有辨别性特征的局部图，从而实现更精细的分级结果。本文将所提方法与当前主流的通用分类方法及细粒度分类方法在扎把烟叶数据集上进行了对比实验。实验结果表明，本文所提方法的分级准确率和macro-F1指标均达到了98.54%，显著优于对比方法，能够较好地满足工业扎把烟叶分级的实际需求。
文章目录
0 引言
1 TSBTG模型
1.1 强监督数据增强
1.2 DARN特征提取网络
1.3 软通道注意力模块
1.4 损失函数
2 实验及结果分析
2.1 数据集
2.2 训练设置与评价指标
2.3 对比实验
2.4 TSBTG模型消融实验
2.5 强监督数据增强效果分析
2.6 DARN特征提取网络效果分析
2.7 错误分级结果分析
3 结束语
