摘要：针对烟叶存储期间的霉变问题,传统的防治措施效果欠佳,且已有的烟叶霉变预测模型的准确率较低,不能有效减少烟叶霉变现象的发生。为了提高预测烟叶霉变状态的准确率,提出了一种基于一维卷积深度神经网络(1D-CNN)的方法。以采集终端传感器数据为基础,对其进行标准化处理,得到模型训练特征,训练一个1D-CNN来预测烟叶霉变状态,优化网络结构,实验结果表明所提方法的预测准确率高于其它传统模型。最后,设计并实现了烟叶仓储霉变智能监测系统,实现了烟叶霉变的实时预测功能,取得了较好的效果。

摘要：传统烟叶霉变检测方法利用机器学习、神经网络等作为电子鼻烟叶霉变识别的方法,需要大量数据集来训练模型,为了缩短开发周期,提升训练模型的泛化能力,提出一种基于深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)和一维卷积神经网络(1D Convo⁃lutional Neural Network,1DCNN)的小样本烟叶霉变识别方法。该方法对较少的样本数据集进行增强后,再进行一维卷积神经网络训练进行分类识别。利用设计的烟叶霉变便携式电子鼻作为实验平台,实验结果表明,DCGAN-1DCNN模型与传统识别方法BP(Back Propagation)、SVM(Supported Vector Machine)等相比,对小样本烟叶霉变的预测更为准确。

摘要：针对烟叶生产过程中霉变检测效率低下、准确性不足的问题,设计研发了一种基于机器视觉技术的烟叶霉变检测系统,以实现对烟叶霉变的高效、准确识别。首先,通过合理设计相机分辨率、光源等参数,确保获取高质量的烟叶图像数据。其次,基于卷积神经网络,利用标准化采集和半监督算法标注的大规模样本训练二分类模型。最后,为进一步提高识别精度,引入相邻区域综合分析策略,使得烟叶霉变检测系统能够实现对不同类型霉变的高精度识别。此外,烟叶霉变检测系统采用云边协同架构,在生产线上部署边缘设备进行实时检测,同时云端对烟叶霉变检测模型进行持续优化。经实际生产线验证,烟叶霉变检测系统成效显著,对霉变烟叶的识别率达到99.2%,误检率为2.8%,提高了检测效率和准确性,具有重要的实际应用价值。

摘要：对发展我省卷烟工业的几点思考□李玮□近两年，我省卷烟工业企业以提高经济效益为中心，狠抓企业内部管理，强化财务管理，努力改善产品结构，提高产品质量，取得了良好的经济效益和社会效益。据某二户工业企业１９９６年度财务报表反映，１９９６年二户工业企业实现工业...