基于Densenet的烟丝组分判定方法、系统及设备

技术领域

本发明涉及烟丝组分判定技术领域，尤其涉及一种基于Densenet的烟丝组分判定方法、系统及设备。

背景技术

烟丝组分的均匀性对卷烟质量有决定性影响，目前对烟丝组分检测主要通过人工方式进行，存在效率低、准确性不高等缺点。

通过对烟丝图像进行采集，采用一种改进的神经网络算法进行烟丝组分含量分析的方法，能够实现对烟丝的精准、快速的分析。但这种分析方法存在以下问题：(1)单根烟丝尺寸小为小目标对象；(2)外形形态各异、微小的烟丝具有复杂的物理和形态特征，尤其是膨胀叶丝和叶丝之间在宏观尺度上特征差异极不明显；(3)在实际应用过程中，不仅需要较高的准确度，也需要较高的实时性。

因此，亟需一种基于Densenet的烟丝组分判定方法、系统及设备。

发明内容

本发明的目的是提供一种基于Densenet的烟丝组分判定方法、系统及设备，以解决上述现有技术中的问题，能够对烟丝组分实现精准的目标分类和较高的实时性。

本发明提供了一种基于Densenet的烟丝组分判定方法，其中，包括：

获取烟丝图像；

对所述烟丝图像的初始特征图的浅层特征进行扩大感受野操作；

将进行扩大感受野操作的浅层特征输入预先训练的改进的Densenet网络中，以对所述烟丝图像进行深层特征提取，得到烟丝深层特征；

根据所述烟丝深层特征，得到烟丝组分分类结果。

如上所述的基于Densenet的烟丝组分判定方法，其中，优选的是，所述对所述烟丝图像的初始特征图的浅层特征进行扩大感受野操作，具体包括：

将所述烟丝图像经过卷积处理和多路扩大感受野模块，以进行初步感受野更大的浅层特征提取。

如上所述的基于Densenet的烟丝组分判定方法，其中，优选的是，所述将所述烟丝图像经过卷积处理和多路扩大感受野模块，以进行初步感受野更大的浅层特征提取，具体包括：

对初始的烟丝特征图进行第一卷积处理；

将经过第一卷积处理的烟丝特征图经过双空洞扩大感受野模块对初始的烟丝特征图进行空洞卷积，以得到两个不同大小感受野的特征图，其中，所述双空洞扩大感受野模块包括：空洞率分别为1和3的两条并行支路；

对两个不同大小感受野的特征图进行融合处理；

对两个不同大小感受野的特征图的融合结果经过第二卷积处理；

对经过第二卷积处理的输出结果与初始的烟丝特征图进行融合处理，以得到初步感受野更大的浅层特征。

如上所述的基于Densenet的烟丝组分判定方法，其中，优选的是，所述改进的Densenet网络包括多个由Dense Block、卷积注意力模块和传输层组成的网络，其中，各卷积注意力模块分别嵌入对应的Dense Block后部，各传输层位于对应的卷积注意力模块和下一个Dense Block之间。

如上所述的基于Densenet的烟丝组分判定方法，其中，优选的是，所述卷积注意力模块包括：依次设置的通道注意力子模块和空间注意力子模块，其中，所述通道注意力子模块用于进行通道上的注意力机制操作，以确定不同通道内的权重配比，所述空间注意力子模块用于进行空间上的注意力机制操作，以确定单通道区域内最重要贡献的区域，

所述通道注意力子模块具体执行以下步骤：

将输入的尺寸为H×W×C的特征图F分别经过width和height的全局最大池化和全局平均池化，分别得到两个维度1×1×C的特征图；

将经过全局最大池化和全局平均池化的特征图分别送入一个两层的共享神经网络；

将共享神经网络输出的特征进行基于element-wise的加和操作，再经过sigmoid激活操作，生成最终的通道注意力特征图；

所述空间注意力子模块具体执行以下步骤：

将通道注意力特征图和输入特征图F进行基于element-wise的乘法操作，以生成空间注意力子模块需要的输入特征图F'；

将空间注意力子模块的输入特征图F'分别基于通道的全局最大池化和全局平均池化，以得到两个尺寸为H×W×1的特征图；

将两个尺寸为H×W×1的特征图进行通道拼接；

将通道拼接结果进行第三卷积处理，以降维为1个通道；

将经过第三卷积处理的通道拼接结果经过sigmoid，生成空间注意力特征；

将通道注意力特征图和空间注意力特征相乘，得到卷积注意力模块生成的特征。

如上所述的基于Densenet的烟丝组分判定方法，其中，优选的是，所述DenseBlock经过深度可分离卷积优化，其中，所述深度可分离卷积包括逐通道卷积和逐点卷积，Dense Block的Block_config参数为(3,6,12,8)。

如上所述的基于Densenet的烟丝组分判定方法，其中，优选的是，所述根据所述烟丝深层特征，得到烟丝组分分类结果，具体包括：

将所述烟丝深层特征经过下采样和上采样，然后通过全连接层和分类层，得到烟丝组分分类结果。

本发明还提供一种采用上述方法的基于Densenet的烟丝组分判定系统，包括：

烟丝图像获取模块，用于获取烟丝图像；

浅层特征提取模块，用于对所述烟丝图像的初始特征图的浅层特征进行扩大感受野操作；

深层特征提取模块，用于将进行扩大感受野操作的浅层特征输入预先训练的改进的Densenet网络中，以对所述烟丝图像进行深层特征提取，得到烟丝深层特征；

烟丝组分判定模块，用于根据所述烟丝深层特征，得到烟丝组分分类结果。

本发明还提供一种电子设备，包括：

一个或多个处理器、存储器以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述设备执行上述的基于Densenet的烟丝组分判定方法。

本发明还提供一种可读存储介质，在所述可读存储介质上存储有计算机程序，当计算机程序被执行时，使得计算机执行上述的基于Densenet的烟丝组分判定方法。

本发明提供一种基于Densenet的烟丝组分判定方法、系统及设备，对烟丝图像的初始特征图的浅层特征进行扩大感受野操作，能够在获取更大感受野的同时不降低图片分辨率；基于改进的Densenet网络进行深层特征提取，在此基础上得到烟丝组分分类结果，可以有效地对烟丝图像中的微小特征进行特征复用，增强网络对烟丝的分类能力，能够对烟丝组分实现精准的目标分类和较高的实时性。

附图说明

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步描述，其中：

图1为本发明提供的基于Densenet的烟丝组分判定方法实施例的流程图；

图2为DenseNet网络的密集连接机制示意图；

图3为基于改进的Densenet整体网络图；

图4为CABM注意力机制的网络图；

图5为通道注意力机制的网络图；

图6为空间注意力机制的网络图；

图7为双空洞扩大感受野模块的网络图；

图8为深度可分离卷积的网络图；

图9为Depthwise卷积的网络图；

图10为Pointwise卷积的网络图；

图11和图12分别为原始Dense Block和改进的Dense Block的示意图；

图13为本发明提供的基于Densenet的烟丝组分判定系统实施例的结构框图。

具体实施方式

现在将参照附图来详细描述本公开的各种示例性实施例。对示例性实施例的描述仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。本公开可以以许多不同的形式实现，不限于这里所述的实施例。提供这些实施例是为了使本公开透彻且完整，并且向本领域技术人员充分表达本公开的范围。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、材料的组分、数字表达式和数值应被解释为仅仅是示例性的，而不是作为限制。

本公开中使用的“第一”、“第二”：以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的部分。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。“上”、“下”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

在本公开中，当描述到特定部件位于第一部件和第二部件之间时，在该特定部件与第一部件或第二部件之间可以存在居间部件，也可以不存在居间部件。当描述到特定部件连接其它部件时，该特定部件可以与所述其它部件直接连接而不具有居间部件，也可以不与所述其它部件直接连接而具有居间部件。

本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。

如图1所示，本实施例提供的基于Densenet的烟丝组分判定方法在实际执行过程中，具体包括如下步骤：

步骤S1、获取烟丝图像。

具体地，拍摄一张含有多张烟丝的图像，利用opencv算法对该图片进行处理，以提取图片内每一个烟丝对象，并且创建对应的单根烟丝图片。

步骤S2、对所述烟丝图像的初始特征图的浅层特征进行扩大感受野操作。

具体地，如图3所示，将所述烟丝图像经过卷积处理和多路扩大感受野模块，以进行初步感受野更大的浅层特征提取。

使用卷积神经网络检测小目标的主要困难在于，它很可能导致在对小目标烟丝检测时低级别的信息丢失，同时烟丝检测背景也很复杂，容易发生错误检测和漏检。为了在尽可能增大感受野的同时保证图片的分辨率，本发明提出了多路感受野的检测网络，原始的卷积神经网络主要以增加网络深度的方式增加感受野，然而卷积神经网络中感受野的增大也伴随着图片分辨率降低和细节损失等问题。为了在获取更大感受野的同时不降低图片分辨率，本发明通过双空洞扩大感受野模块对初始的烟丝特征图进行空洞卷积，双空洞扩大感受野模块的具体结构如图7所示。

在本发明的基于Densenet的烟丝组分判定方法的一种实施方式中，所述步骤S2具体可以包括：

步骤S21、对初始的烟丝特征图进行第一卷积处理(convolution)。

步骤S22、将经过第一卷积处理的烟丝特征图经过双空洞扩大感受野模块对初始的烟丝特征图进行空洞卷积，以得到两个不同大小感受野的特征图(对应于图7中的y1和y2)，其中，所述双空洞扩大感受野模块包括：空洞率分别为1和3的两条并行支路。

空洞率为空洞卷积的基础参数之一，影响最后的感受野。感受野尺寸＝2(rate-1)*(k-1)+k，其中，k表示卷积核大小，rate表示空洞率。

步骤S23、对两个不同大小感受野的特征图进行融合处理(对应于图7中的concat)。

步骤S24、对两个不同大小感受野的特征图的融合结果经过第二卷积处理(对应于图7中的conv)。

步骤S25、对经过第二卷积处理的输出结果(对应于图7的M)与初始的烟丝特征图进行融合处理(对应于图7中的Add)，以得到初步感受野更大的浅层特征(对应于图7中的O)。

网络提取的图片特征具有较大的感受野，同时保证特征图的分辨率不下降很多，这是矛盾的。针对烟丝中微小特征提取困难的问题，本发明设计了双空洞扩大感受野模块，使用两条空洞卷积支路和原支路进行并行连接，扩大烟丝中微小特征的感受野，增强浅层特征提取能力。通过空洞卷积既可以实现获取较大的感受野，又可让分辨率不损失过多，使最后的输出特征图既保留了原有感受野下的细节信息，又获得了更大感受野下的语义信息，从而提高网络模型的准确性。

步骤S3、将进行扩大感受野操作的浅层特征输入预先训练的改进的Densenet网络中，以对所述烟丝图像进行深层特征提取，得到烟丝深层特征。

在本发明中，步骤S2的浅层特征提取和步骤S3的深层特征提取通图3所示的的整体网络实现。在具体实现中，将创建的单根烟丝图片送入图3所示的整体网络中，进行烟丝组分分类识别。

由于烟丝(梗丝、膨胀烟丝、叶丝、再造烟丝)为小目标对象、烟丝形态各异、不同类型烟丝之间特征差异较小，这就会导致不同类型烟丝分类困难。通过Densenet网络中的稠密链接结构对其进行分析，可以有效地对烟丝图像中的微小特征进行特征复用，增强网络对烟丝的分类能力。

其中，如图3所示，所述改进的Densenet网络包括多个由Dense Block、卷积注意力模块(CBAM)和传输层(Transition)组成的网络，其中，各卷积注意力模块分别嵌入对应的Dense Block后部，各传输层位于对应的卷积注意力模块和下一个Dense Block之间。在本发明中，Densenet由4个Dense block组成，每个Dense block由多个Dense layer组成。

稠密连接(DenseNet)是一种基于ReseNet发展起来的卷积神经网络，采用密集连接机制，即互相连接所有的层，每一层都会与前面所有层在通道(channel)维度上连接在一起，实现特征重用，作为下一层的输入。相比于ReseNet，不但减缓了梯度消失的现象，也使其可以在参数与计算量更少的情况下，实现更优的性能，具体见图2所示。

传统的网络在l层的输出为：

x

对于ResNet，增加了来自上一层输入为：

x

在DenseNet中，会连接前面所有层作为输入：

x

其中，H

DenseNet的密集连接方式需要特征图大小保持一致，如图3所示，DenseNet通过网络模块中的DenseBlock+Transition的结构进行实现。DenseBlock是包含很多层的模块，每个层的特征图大小相同，层与层之间采用密集连接方式。Dense Block采用了激活函数在前、卷积层在后的顺序，即BN-ReLU-Conv的顺序；Transition模块是连接两个相邻的DenseBlock，并且通过Pooling使特征图大小降低。

卷积神经网络提取图像特征具有很大的计算成本，对于烟丝这种小目标图像来说计算成本则更大。在检测烟丝这种小目标图像时，深层的特征图感受野较大，就会看到了很多的背景噪音，视野较小时又不能看到全部的所检测样本，通过注意力机制可以将计算资源尽可能集中到需要检测的烟丝上。注意力机制能获取烟丝图像中更关键有效的信息，同时忽略不相关信息，提高计算机运行的速度和图像判别的准确率。本发明在Densenet主干网络中融入卷积注意力机制(Convolutional Block Attention Module，CBAM)，其结构如图4所示。

具体而言，如图4所示，所述卷积注意力模块(CBAM)包括：依次设置的通道注意力子模块和空间注意力子模块，其中，所述通道注意力子模块用于进行通道上的注意力机制操作，以确定不同通道内的权重配比，所述空间注意力子模块用于进行空间上的注意力机制操作，以确定单通道区域内最重要贡献的区域。如图4所示，CBAM包含2个独立子模块，通道注意力机制和空间注意力机制，分别进行通道上和空间上的Attention，一张图片的不同通道对于分类任务的贡献是各不相同的，某通道内不同区域对于分类任务的贡献也是各不相同的。通道注意力机制模块主要侧重点在于，寻找不同通道内权重配比；空间注意力子模块主要侧重点在于，寻找单通道区域内最重要贡献的区域。

CBAM模块是一种结合了空间和通道的注意力机制模块，既能优化烟丝图像中不同通道的权重匹配，也能增强不同通道的烟丝图像中微小特征的提取。将CBAM嵌入各个DenseBlock后部，能够在小幅度增大网络模型参数的情况下，极大的增强了网络模型的对于烟丝的微小特征提取，进而提高网络模型的准确性。

在本发明的一种实施方式中，如图5所示，所述通道注意力子模块具体执行以下步骤：

步骤A1、将输入的尺寸为H×W×C的特征图F分别经过width和height的全局最大池化和全局平均池化，分别得到两个维度1×1×C的特征图。

步骤A2、将经过全局最大池化和全局平均池化的特征图分别送入一个两层的共享神经网络(MLP)。

MLP的第一层神经元个数为C/r(r为减少率)，激活函数为Relu。MLP的第二层神经元个数为C，这两层的神经网络是共享的。

步骤A3、将共享神经网络输出的特征进行基于element-wise的加和操作，再经过sigmoid激活操作，生成最终的通道注意力特征图(M_c)。

更进一步地，如图6所示，所述空间注意力子模块具体执行以下步骤：

步骤B1、将通道注意力特征图(M_c)和输入特征图F进行基于element-wise的乘法操作，以生成空间注意力子模块需要的输入特征图(即调整后的通到注意力特征图)F'。

步骤B2、将空间注意力子模块的输入特征图F'分别基于通道的全局最大池化和全局平均池化，以得到两个尺寸为H×W×1的特征图。

步骤B3、将两个尺寸为H×W×1的特征图进行通道拼接。

步骤B4、将通道拼接结果进行第三卷积处理，以降维为1个通道。

降维后的尺寸为H×W×1。

步骤B5、将经过第三卷积处理的通道拼接结果经过sigmoid，生成空间注意力特征(M_s)。

步骤B6、将通道注意力特征图(M_c)和空间注意力特征(M_s)相乘，得到卷积注意力模块生成的特征。

进一步地，所述Dense Block经过深度可分离卷积优化，其中，如图8所示，所述深度可分离卷积包括逐通道卷积(Depthwise，DW)和逐点卷积(Pointwise，PW)。

在保证准确率的前提下，本发明对Dense layer进行更改，如图12所示。相较于原网络(如图11)的参数量，本发明的Dense layer能够使优化后的网络参数量减少20％。

网络的结构的轻量化旨在保持模型精度基础上进一步减少模型参数量和复杂度。DenseNet网络虽然采用Dense Block、Transition layers结构提高了各层特征图的利用率，但卷积操作仍采用传统卷积，计算量和参数量仍旧很大，有鉴于此，本发明通过深度可分离卷积改进Dense layer，可以减少参数量和运算成本。深度可分离卷积的结构和常规卷积类似，但其参数量是常规卷积的三分之一，本发明通过后端压缩的思想，将Dense layer的卷积替换为深度可分离卷积，能够在一定程度保证特征提取情况下，极大减少网络模型参数，从而提高时效性。

如图9所示，不同于常规卷积操作，逐通道卷积(Depthwise卷积)的一个卷积核负责一个通道，一个通道只被一个卷积核卷积，每个卷积核是同时操作输入图片的每个通道，卷积核的数量与上一层的通道数相同，即，通道和卷积核一一对应，所以一个三通道的图像经过运算后生成了3个特征图，如图9所示。Depthwise完成后的特征图数量与输入层的通道数相同，无法扩展特征图数目。而且这种运算对输入层的每个通道独立进行卷积运算，没有有效地利用不同通道在相同空间位置上的特征信息。为了解决这一问题，本发明提出逐点卷积(Pointwise)来将这些特征图进行组合，以生成新的特征图。

逐点卷积(Pointwise)的运算与常规卷积运算类似，它的卷积核的尺寸为1×1×M，M为上一层的通道数，这里的卷积运算会将上一步的特征图在通道方向上进行加权组合，生成新的特征图，有几个卷积核就有几个输出特征图，如图10所示。

更进一步地，Dense Block的Block_config参数为(3,6,12,8)，可在保证准确率的基础上，明显减少网络近40％的参数量。网络的结构的轻量化旨在保持模型精度基础上进一步减少模型参数量和复杂度，利用深度可分离卷积减少网络的参数量。Densenet网络的Block_config参数决定了网络结构，常见的Block_config参数主要包括(6,12,24,16)、(6,12,32,32)、(6,12,48,32)和(6,12,36,24)。以(6,12,24,16)为例，第一个dense block里面有6个dense layer，第二个dense block里面有12个dense layer，第三个dense block里面有24个dense layer，第四个dense block里面有16个dense layer。本发明通过前端压缩的思想，将Block_config的各个参数进行规律化减少，完成轻量化模型设计。

综上所述，在本发明中，基于改进的Densenet网络主要从CBAM模块、双空洞扩大感受野模块、深度可分离卷积和Block_config参数调整等方面对网络模型的准确性和时效性进行优化。

步骤S4、根据所述烟丝深层特征，得到烟丝组分分类结果。

具体地，将所述烟丝深层特征经过下采样和上采样，然后通过全连接层和分类层，得到烟丝组分分类结果。

本发明实施例提供的基于Densenet的烟丝组分判定方法，对烟丝图像的初始特征图的浅层特征进行扩大感受野操作，能够在获取更大感受野的同时不降低图片分辨率；基于改进的Densenet网络进行深层特征提取，在此基础上得到烟丝组分分类结果，可以有效地对烟丝图像中的微小特征进行特征复用，增强网络对烟丝的分类能力，能够对烟丝组分实现精准的目标分类和较高的实时性。

相应地，如图13所示，本发明还提供一种基于Densenet的烟丝组分判定系统，包括：

烟丝图像获取模块101，用于获取烟丝图像；

浅层特征提取模块102，用于对所述烟丝图像的初始特征图的浅层特征进行扩大感受野操作；

深层特征提取模块103，用于将进行扩大感受野操作的浅层特征输入预先训练的改进的Densenet网络中，以对所述烟丝图像进行深层特征提取，得到烟丝深层特征；

烟丝组分判定模块104，用于根据所述烟丝深层特征，得到烟丝组分分类结果。

本发明实施例提供的基于Densenet的烟丝组分判定系统，对烟丝图像的初始特征图的浅层特征进行扩大感受野操作，能够在获取更大感受野的同时不降低图片分辨率；基于改进的Densenet网络进行深层特征提取，在此基础上得到烟丝组分分类结果，可以有效地对烟丝图像中的微小特征进行特征复用，增强网络对烟丝的分类能力，能够对烟丝组分实现精准的目标分类和较高的实时性。

本发明还提供一种电子设备，包括：

一个或多个处理器、存储器以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述设备执行上述的基于Densenet的烟丝组分判定方法。

本发明还提供一种可读存储介质，在所述可读存储介质上存储有计算机程序，当计算机程序被执行时，使得计算机执行上述的基于Densenet的烟丝组分判定方法。

应理解以上图13所示的基于Densenet的烟丝组分判定系统的各个部件的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些部件可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分部件以软件通过处理元件调用的形式实现，部分部件通过硬件的形式实现。例如，某个上述模块可以为单独设立的处理元件，也可以集成在电子设备的某一个芯片中实现。其它部件的实现与之类似。此外这些部件全部或部分可以集成在一起，也可以独立实现。在实现过程中，上述方法的各步骤或以上各个部件可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

例如，以上这些部件可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit；以下简称：ASIC)，或，一个或多个微处理器(Digital Singnal Processor；以下简称：DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array；以下简称：FPGA)等。再如，这些部件可以集成在一起，以片上系统(System-On-a-Chip；以下简称：SOC)的形式实现。

综合上述各实施例及其优选方案，本领域技术人员可以理解的是，在实际操作中，本发明适用于多种实施方式，本发明以下述载体作为示意性说明：

(1)一种电子设备，其可以包括：

一个或多个处理器、存储器以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述设备执行前述实施例或等效实施方式的步骤/功能。

应理解，电子设备能够实现前述实施例提供的方法的各个过程。该设备中的各个部件的操作和/或功能，可分别为了实现上述方法实施例中的相应流程。具体可参见前文中关于方法、系统等实施例的描述，为避免重复，此处适当省略详细描述。

应理解，电子设备中的处理器可以是片上系统SOC，该处理器中可以包括中央处理器(Central Processing Unit；以下简称：CPU)，还可以进一步包括其它类型的处理器，例如：图像处理器(Graphics Processing Unit；以下简称：GPU)等，具体在下文中再作介绍。

总之，处理器内部的各部分处理器或处理单元可以共同配合实现之前的方法流程，且各部分处理器或处理单元相应的软件程序可存储在存储器中。

(2)一种可读存储介质，在可读存储介质上存储有计算机程序或上述系统，当计算机程序或上述系统被执行时，使得计算机执行前述实施例或等效实施方式的步骤/功能。

在本发明所提供的几个实施例中，任一功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的某些技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以如下所述软件产品的形式体现出来。

(3)一种计算机程序产品(该产品可以包括上述系统并可以存储于某存储介质中)，该计算机程序产品在终端设备上运行时，使终端设备执行前述实施例或等效实施方式的基于Densenet的烟丝组分判定方法。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述计算机程序产品可以包括但不限于是指APP；接续前文再做补充说明，上述设备/终端可以是一台计算机设备(例如手机、PC终端、云平台、服务器、服务器集群或者诸如媒体网关等网络通信设备等)。并且，该计算机设备的硬件结构还可以具体包括：至少一个处理器，至少一个通信接口，至少一个存储器和至少一个通信总线；处理器、通信接口、存储器均可以通过通信总线完成相互间的通信。其中，处理器可能是一个中央处理器CPU、DSP、微控制器或数字信号处理器，还可包括GPU、嵌入式神经网络处理器(Neural-network ProcessUnits；以下简称：NPU)和图像信号处理器(Image Signal Processing；以下简称：ISP)，该处理器还可包括特定集成电路ASIC，或者是被配置成实施本发明实施例的一个或多个集成电路等，此外，处理器可以具有操作一个或多个软件程序的功能，软件程序可以存储在存储器等存储介质中；而前述的存储器/存储介质可以包括：非易失性存储器(non-volatilememory)，例如非可移动磁盘、U盘、移动硬盘、光盘等，以及只读存储器(Read-Only Memory；以下简称：ROM)、随机存取存储器(Random Access Memory；以下简称：RAM)等。

至此，已经详细描述了本公开的各实施例。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改或者对部分技术特征进行等同替换。本公开的范围由所附权利要求来限定。