一种基于物联网的烟草生产设施管理方法及系统

技术领域

本发明涉及烟草生产领域，特别是一种基于物联网的烟草生产设施管理方法及系统。

背景技术

在当今社会，存在大量烟民购买烟草产品食用，烟草产品包括香烟、雪茄等。而烟草产品需要由烟草原料加工制作而成。烟草生产设施的是一种将烟草原料加工制作成烟草产品的机器，其主要工作步骤包括烟草的烘烤混合、切割、烟草产品包装等。在烟草生产设施工作过程中，工作参数容易受环境影响，生产异常工作参数，导致烟草加工品不符合标准规格，从而降低烟草的加工效率和加工效果，不符合经济效益，同时也不环保。需要对烟草生产设施进行规范管理，并对烟草生产设施的缺陷部分进行修正，提高烟草加工效率及加工效果。

发明内容

本发明克服了现有技术的不足，提供了一种基于物联网的烟草生产设施管理方法及系统。

为达到上述目的，本发明采用的技术方案为：

本发明第一方面提供了一种基于物联网的烟草生产设施管理方法，包括以下步骤：

观察烟草种植区域内烟草的生长状况，并基于烟草的生长状况对烟草生长条件进行调控；

基于生产要素获取烟草加工步骤，烟草生产设施基于所述烟草加工步骤对可加工烟草进行加工，并在加工过程中对烟草生产设施的实时加工参数进行智能调控；

基于烟草生产订单信息及烟草加工品的质量检测参数，使用模糊聚类算法对烟草加工品进行分类，得到单一烟草产品所需的烟草加工品种类数量；

通过烟草生产设施对烟草加工品进行包装，得到烟草产品，对烟草产品进行包装状态分析，基于分析结果对烟草产品进行缺陷修复。

进一步的，本发明的一个较佳实施例中，所述观察烟草种植区域内烟草的生长状况，并基于烟草的生长状况对烟草生长条件进行调控，具体为：

使用摄像头获取烟草种植区域的实时图像，并对烟草种植区域的实时图像进行图像预处理，所述图像预处理包括对图像进行灰度化处理和降噪处理，得到预处理烟草种植区域图像；

对所述预处理烟草种植区域图像进行特征提取，得到烟草种植区域内各烟草的表面特征参数，基于烟草种植区域内各烟草的表面特征参数构建烟草表面模型，并基于历史数据检索，构建烟草表面标准模型；

分析所述烟草表面模型，获取烟草的实时生长状况，所述烟草的实时生长状况包括烟草的颜色、大小和表面病虫害程度，并基于烟草表面标准模型，获取烟草的标准生长状况；

将烟草的实时生长状况与烟草的标准生长状况进行对比分析，得到烟草生长偏差值，将烟草生长偏差值在预设范围内的烟草定义为可加工烟草，并将烟草生长偏差值在预设范围外的烟草定义为一类待检测烟草；

分析一类待检测烟草的实时生长状况中的表面病虫害程度，对表面病虫害程度大于预设程度的一类待检测烟草划分为不可加工烟草，并将其余的一类待检测烟草的实时生长状况导入至烟草养殖控制中心，所述烟草养殖控制中心通过物联网对其余的一类待检测烟草所在的烟草种植区域进行生长条件实时调控。

进一步的，本发明的一个较佳实施例中，所述基于生产要素获取烟草加工步骤，烟草生产设施基于所述烟草加工步骤对可加工烟草进行加工，并在加工过程中对烟草生产设施的实时加工参数进行智能调控，具体为：

基于大数据检索，获取烟草的生产要素，并基于烟草的生产要素获取烟草加工步骤；

将可加工烟草放置在烟草生产设施内，并将所述烟草加工步骤导入至烟草生产设施的控制中心内，所述烟草生产设施的控制中心根据烟草加工步骤，生成加工参数，烟草生产设施的控制中心基于所述加工参数控制烟草生产设施对可加工烟草进行加工处理；

对加工参数进行实时监控，并在控制中心中获取实时加工参数，若所述实时加工参数不在预设范围内，则将对应的实时加工参数定义为异常加工参数，并获取烟草生产参数在异常加工参数下的运行时间，定义为异常运行时间；

获取在异常运行时间中被加工的烟草，定义为二类待检测烟草，对二类待检测烟草进行烟草质量检测，生成烟草质量检测结果，并基于烟草质量检测结果，对烟草生产设施进行缺陷位置溯源；

将烟草生产设施的缺陷位置与异常加工参数相结合，得到各缺陷位置的加工参数，将所述烟草质量检测结果和各缺陷位置的加工参数导入卷积神经网络中，生成修复加工参数；

所述烟草生产设施基于修复加工参数对所述二类待检测烟草进行烟草修复处理，得到修复后的烟草，将所述修复后的烟草与其他可加工烟草混合，并使用标准加工参数下的烟草生产设施对混合的烟草进行烟草加工处理，得到烟草加工品。

进一步的，本发明的一个较佳实施例中，所述对二类待检测烟草进行烟草质量检测，生成烟草质量检测结果，并基于烟草质量检测结果，对烟草生产设施进行缺陷位置溯源，具体为:

获取二类待检测烟草的表面参数，基于所述二类待检测烟草的表面参数构建二类待检测烟草三维模型；

基于所述二类待检测烟草三维模型，获取二类待检测烟草的状态参数，并基于大数据检索获取二类待检测烟草的预设状态参数，计算二类待检测烟草的状态参数和预设状态参数之间的偏差值，定义为状态参数偏差值；

构建时间序列，并于状态参数偏差值与异常加工参数结合，生成基于时间序列的状态参数偏差值与异常加工参数；

引入马尔科夫链算法，对所述基于时间序列的状态参数偏差值与异常加工参数进行状态转移概率计算，得到不同时间序列下烟草生产设施的故障状态转移概率值；

基于所述不同时间序列下烟草生产设施的故障状态转移概率值，生成故障状态概率表，分析所述故障状态概率表，将所述故障状态概率表导入至贝叶斯网络中进行训练，获取烟草生产设施的缺陷位置。

进一步的，本发明的一个较佳实施例中，所述基于烟草生产订单信息及烟草加工品的质量检测参数，使用模糊聚类算法对烟草加工品进行分类，得到单一烟草产品所需的烟草加工品种类数量，具体为：

获取烟草生产订单信息，并基于所述烟草生产订单信息获取不同烟草产品的数量；

基于所述烟草生产设施，获取所有烟草加工品的质量检测参数，生成质量参数数据集，对所述质量参数数据集进行初始化处理，并引入模糊聚类算法获取质量参数数据集的隶属度矩阵；

通过迭代算法，并预设迭代次数，对隶属度矩阵进行迭代更新；

当迭代次数达到预设值，则停止迭代更新，得到初始迭代分析结果，并通过模糊聚类算法中的模糊系数对初始迭代分析结果进行评估，生成评估值；

若评估值不在预设值的范围内，则使用迭代算法重新进行迭代更新，当隶属度矩阵中的每个质量检测参数数据点与隶属度矩阵中心的欧氏距离达到预设值，则停止迭代更新，输出最优迭代分析结果；

若评估值在预设值的范围内，则将初始迭代分析结果作为最优迭代分析输出；

将所述最优迭代分析结果导入烟草生产设施中，对烟草加工品进行分类，并得到不同烟草产品所需的烟草加工品种类；

对所述不同烟草产品的数量以及不同烟草产品所需的烟草加工品种类进行分析，得到单一烟草产品所需的烟草加工品种类及数量。

进一步的，本发明的一个较佳实施例中，所述通过烟草生产设施对烟草加工品进行包装，得到烟草产品，对烟草产品进行包装状态分析，基于分析结果对烟草产品进行缺陷修复，具体为：

基于所述烟草生产订单信息及历史数据信息，获取单一烟草产品的外观参数及重量参数，结合所述单一烟草产品所需的烟草加工品种类及数量，并引入卷积神经网络模型进行预测处理，得到包装工作参数；

所述烟草生产设施基于包装工作参数，对烟草加工品进行包装处理，得到初始烟草产品，并获取所有初始烟草产品的外观参数和重量参数；

初始烟草产品的外观参数包括初始烟草产品的包装颜色及尺寸大小，获取初始烟草产品的包装颜色与标准包装颜色的色差值，当色差值大于预设值，则将对应的初始烟草产品定义为颜色异常烟草产品；

使用湿度传感器，对所述颜色异常烟草产品进行湿度检测，若颜色异常烟草产品的湿度参数大于预设值，则对对应的颜色异常烟草产品进行烘烤处理，直至湿度参数达到预设值，且包装颜色与标准包装颜色的色差值满足预设值；

当颜色异常烟草产品的湿度参数在预设范围内，但包装颜色与标准包装颜色的色差值大于预设值，则将对应的颜色异常烟草产品定义为废弃烟草产品，并将其余所有的初始烟草产品定义为重量待检测烟草产品；

对所述重量待检测烟草产品的重量参数进行分析，对重量参数不在预设范围内的重量待检测烟草产品进行重新包装处理，并将重量参数在预设范围内的重量待检测烟草产品定义为合格烟草产品。

本发明第二方面还提供了一种基于物联网的烟草生产设施管理系统，所述生产设施管理系统包括存储器与处理器，所述存储器中储存有一种基于物联网的烟草生产设施管理方法，所述一种基于物联网的烟草生产设施管理方法被所述处理器执行时，实现如下步骤：

观察烟草种植区域内烟草的生长状况，并基于烟草的生长状况对烟草生长条件进行调控；

基于生产要素获取烟草加工步骤，烟草生产设施基于所述烟草加工步骤对可加工烟草进行加工，并在加工过程中对烟草生产设施的实时加工参数进行智能调控；

基于烟草生产订单信息及烟草加工品的质量检测参数，使用模糊聚类算法对烟草加工品进行分类，得到单一烟草产品所需的烟草加工品种类数量；

通过烟草生产设施对烟草加工品进行包装，得到烟草产品，对烟草产品进行包装状态分析，基于分析结果对烟草产品进行缺陷修复。

本发明解决的背景技术中存在的技术缺陷，本发明具备以下有益效果：对烟草种植区域内的烟草进行生长状况分析，并对烟草生长条件进行调控，筛选可加工烟草；使用烟草生产设施对可加工烟草进行加工处理，得到烟草加工品；对所述烟草加工品进行分类处理，并将分类后的烟草加工品进行包装，得到烟草产品。本发明能够通过对烟草加工品进行分析，根据烟草加工品的状态对烟草生产设施进行管理，提高烟草生产设施的工作效率，并提高经济收益。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。

图1示出了一种基于物联网的烟草生产设施管理方法的流程图；

图2示出了对烟草生产设施的实时加工参数进行智能调控的流程图；

图3示出了一种基于物联网的烟草生产设施管理系统的视图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

图1示出了一种基于物联网的烟草生产设施管理方法的流程图，包括以下步骤：

S102：观察烟草种植区域内烟草的生长状况，并基于烟草的生长状况对烟草生长条件进行调控；

S104：基于生产要素获取烟草加工步骤，烟草生产设施基于所述烟草加工步骤对可加工烟草进行加工，并在加工过程中对烟草生产设施的实时加工参数进行智能调控；

S106：基于烟草生产订单信息及烟草加工品的质量检测参数，使用模糊聚类算法对烟草加工品进行分类，得到单一烟草产品所需的烟草加工品种类数量；

S108：通过烟草生产设施对烟草加工品进行包装，得到烟草产品，对烟草产品进行包装状态分析，基于分析结果对烟草产品进行缺陷修复。

进一步的，本发明的一个较佳实施例中，所述观察烟草种植区域内烟草的生长状况，并基于烟草的生长状况对烟草生长条件进行调控，具体为：

使用摄像头获取烟草种植区域的实时图像，并对烟草种植区域的实时图像进行图像预处理，所述图像预处理包括对图像进行灰度化处理和降噪处理，得到预处理烟草种植区域图像；

对所述预处理烟草种植区域图像进行特征提取，得到烟草种植区域内各烟草的表面特征参数，基于烟草种植区域内各烟草的表面特征参数构建烟草表面模型，并基于历史数据检索，构建烟草表面标准模型；

分析所述烟草表面模型，获取烟草的实时生长状况，所述烟草的实时生长状况包括烟草的颜色、大小和表面病虫害程度，并基于烟草表面标准模型，获取烟草的标准生长状况；

将烟草的实时生长状况与烟草的标准生长状况进行对比分析，得到烟草生长偏差值，将烟草生长偏差值在预设范围内的烟草定义为可加工烟草，并将烟草生长偏差值在预设范围外的烟草定义为一类待检测烟草；

分析一类待检测烟草的实时生长状况中的表面病虫害程度，对表面病虫害程度大于预设程度的一类待检测烟草划分为不可加工烟草，并将其余的一类待检测烟草的实时生长状况导入至烟草养殖控制中心，所述烟草养殖控制中心通过物联网对其余的一类待检测烟草所在的烟草种植区域进行生长条件实时调控。

需要说明的是，烟草有专门的种植区域，通过图像识别法获取烟草种植区域的图像目的研究烟草的生长状况。烟草在生长过程中，可能会受到病虫害、天气等方面的影响，导致烟草的表面产生坏死，或者生长状态异常等情况。通过图像识别，构建烟草表面模型目的是直观获取烟草的生长状态，与烟草表面标准模型进行比较获取的偏差值反映了烟草生长状态与正常状态的差异。若一类待检测烟草的表面病虫害程度大于预设值，证明该烟草不适宜继续加工，应当直接废弃。其余的一类待检测烟草出现偏差原因可能是提供的营养、水分不足，导致烟草生长状况异常，所以对此烟草所在区域进行生长条件的实时调控，比如控制浇水速率、对烟草的种植土地进行施肥，增加营养等。本发明能够通过烟草表面模型，判断烟草的生长状况，并对烟草种植区域进行生长条件实时调控。

进一步的，本发明的一个较佳实施例中，所述基于烟草生产订单信息及烟草加工品的质量检测参数，使用模糊聚类算法对烟草加工品进行分类，得到单一烟草产品所需的烟草加工品种类数量，具体为：

获取烟草生产订单信息，并基于所述烟草生产订单信息获取不同烟草产品的数量；

基于所述烟草生产设施，获取所有烟草加工品的质量检测参数，生成质量参数数据集，对所述质量参数数据集进行初始化处理，并引入模糊聚类算法获取质量参数数据集的隶属度矩阵；

通过迭代算法，并预设迭代次数，对隶属度矩阵进行迭代更新；

当迭代次数达到预设值，则停止迭代更新，得到初始迭代分析结果，并通过模糊聚类算法中的模糊系数对初始迭代分析结果进行评估，生成评估值；

若评估值不在预设值的范围内，则使用迭代算法重新进行迭代更新，当隶属度矩阵中的每个质量检测参数数据点与隶属度矩阵中心的欧氏距离达到预设值，则停止迭代更新，输出最优迭代分析结果；

若评估值在预设值的范围内，则将初始迭代分析结果作为最优迭代分析输出；

将所述最优迭代分析结果导入烟草生产设施中，对烟草加工品进行分类，并得到不同烟草产品所需的烟草加工品种类；

对所述不同烟草产品的数量以及不同烟草产品所需的烟草加工品种类进行分析，得到单一烟草产品所需的烟草加工品种类及数量。

需要说明的是，烟草生产订单中包含了烟草产品的数量，所述烟草产品的种类不同，使用的烟草加工品种类及数量也不同。比如烟草产品中的雪茄使用的烟草加工品种类及数量比香烟使用的多。同一片烟草种植区域内可能种植不同种类的烟草，对烟草进行加工后得到的烟草加工品外观尺寸等可能相同，但不同烟草加工品的质量参数可能不同。所述质量参数包括同体积内烟草加工品的重量、烟草加工品的味道等。使用模糊聚类法对烟草加工品进行分类，可以为烟草产品加工提供条件。使用模糊聚类算法计算质量参数数据集的隶属度矩阵，隶属度越大，证明烟草加工品分类效果更明显细致。迭代算法能够降低分类的误差，使分类的误差收敛，当迭代次数达到预设值，理想情况下迭代效果的评估值为理想状态，若当前迭代次数下迭代效果的评估值不在预设值范围内，证明当前的分类效果较差，需要继续进行迭代计算。在隶属度矩阵中，隶属度矩阵中心为聚类中心，欧氏距离为质量检测参数数据点距离聚类中心点的距离，当两点的欧氏距离在预设值内，证明两点相似度满足预设值，则可以停止进行迭代计算，输出最优迭代分析结果。根据所述最优迭代分析结果可以得到不同烟草产品所需的烟草加工品种类，以及单一烟草产品所需的烟草加工品种类数量。本发明能够通过模糊聚类算法和迭代算法，对烟草加工品的种类进行分类处理。

进一步的，本发明的一个较佳实施例中，所述通过烟草生产设施对烟草加工品进行包装，得到烟草产品，对烟草产品进行包装状态分析，基于分析结果对烟草产品进行缺陷修复，具体为：

基于所述烟草生产订单信息及历史数据信息，获取单一烟草产品的外观参数及重量参数，结合所述单一烟草产品所需的烟草加工品种类及数量，并引入卷积神经网络模型进行预测处理，得到包装工作参数；

所述烟草生产设施基于包装工作参数，对烟草加工品进行包装处理，得到初始烟草产品，并获取所有初始烟草产品的外观参数和重量参数；

初始烟草产品的外观参数包括初始烟草产品的包装颜色及尺寸大小，获取初始烟草产品的包装颜色与标准包装颜色的色差值，当色差值大于预设值，则将对应的初始烟草产品定义为颜色异常烟草产品；

使用湿度传感器，对所述颜色异常烟草产品进行湿度检测，若颜色异常烟草产品的湿度参数大于预设值，则对对应的颜色异常烟草产品进行烘烤处理，直至湿度参数达到预设值，且包装颜色与标准包装颜色的色差值满足预设值；

当颜色异常烟草产品的湿度参数在预设范围内，但包装颜色与标准包装颜色的色差值大于预设值，则将对应的颜色异常烟草产品定义为废弃烟草产品，并将其余所有的初始烟草产品定义为重量待检测烟草产品；

对所述重量待检测烟草产品的重量参数进行分析，对重量参数不在预设范围内的重量待检测烟草产品进行重新包装处理，并将重量参数在预设范围内的重量待检测烟草产品定义为合格烟草产品。

需要说明的是，不同烟草产品的外观和重量不同，且所需的烟草加工品种类及数量也不同，所以需要不同的包装方法，用于对不同烟草产品的区分。使用卷积神经网络对烟草产品的各种参数进行预测，能够生成包装工作参数，在烟草生产设施中输入所述包装工作参数能够控制烟草生产设施自动对烟草加工品进行包装处理，得到初始烟草产品。若初始烟草产品的外观颜色与预设值不符，则判断初始烟草产品可能因为受潮导致外观变色，需要获取其湿度参数，若湿度参数大于预设值则证明对应的烟草产品以及受潮，需要进行烘烤、加热等使烟草水分蒸发的操作，直至湿度参数正常。湿度参数正常，理想状态下烟草产品的包装颜色应当也为正常值，若初始烟草产品无受潮情况，颜色依旧异常，则判断初始烟草产品收到外界污染，可能是收到了病虫害污染导致变色，或者烟草生产机器的油污影响了初始烟草产品的颜色，则需要对这些初始烟草产品进行废弃。由于烟草产品的重量参数有规格要求，所以需要对重量待检测烟草产品进行重量参数检测，并对不符合规格的重量待检测烟草产品进行重新包装处理，最后得到合格烟草产品。本发明能够通过对包装后的初始烟草产品的外观和重量进行检测，并对不符合要求的初始烟草产品进行修复优化，得到合格烟草产品。

图2示出了示出了对烟草生产设施的实时加工参数进行智能调控的流程图，包括以下步骤：

S202：基于烟草加工步骤，对烟草进行加工处理，并获取烟草生产设施的异常运行时间；

S204：对二类待检测烟草进行烟草质量检测，生成烟草质量检测结果，并基于烟草质量检测结果，对烟草生产设施进行缺陷位置溯源；

S206：将烟草生产设施的缺陷位置与异常加工参数相结合，并引入卷积神经网络，生成修复加工参数，并使用烟草生产设施进行烟草修复，得到烟草加工品。

进一步的，本发明的一个较佳实施例中，所述基于烟草加工步骤，对烟草进行加工处理，并获取烟草生产设施的异常运行时间，具体为：

基于大数据检索，获取烟草的生产要素，并基于烟草的生产要素获取烟草加工步骤；

将可加工烟草放置在烟草生产设施内，并将所述烟草加工步骤导入至烟草生产设施的控制中心内，所述烟草生产设施的控制中心根据烟草加工步骤，生成加工参数，烟草生产设施的控制中心基于所述加工参数控制烟草生产设施对可加工烟草进行加工处理；

对加工参数进行实时监控，并在控制中心中获取实时加工参数，若所述实时加工参数不在预设范围内，则将对应的实时加工参数定义为异常加工参数，并获取烟草生产参数在异常加工参数下的运行时间，定义为异常运行时间。

需要说明的是，烟草在种植采摘后需要进行加工，得到烟草加工品。烟草的加工步骤不同，包括了晾干、烘烤、发酵、切割、混合等步骤。根据烟草加工步骤，将可加工烟草放置于烟草生产设施内，并由控制中心控制烟草生产设施进行烟草的加工。在加工过程中，烟草加工设施容易出现问题，例如切割速率下降、切割力度下降、烘烤温度较高或较低等。需要对加工参数进行实时监控，得到实时加工参数，并对不在预设范围内的实时加工参数定义为异常加工参数。在异常加工参数下，烟草生产设施对烟草的加工效果发生改变，这段时间内定义为异常运行时间。

进一步的，本发明的一个较佳实施例中，所述对二类待检测烟草进行烟草质量检测，生成烟草质量检测结果，并基于烟草质量检测结果，对烟草生产设施进行缺陷位置溯源，具体为:

获取二类待检测烟草的表面参数，基于所述二类待检测烟草的表面参数构建二类待检测烟草三维模型；

基于所述二类待检测烟草三维模型，获取二类待检测烟草的状态参数，并基于大数据检索获取二类待检测烟草的预设状态参数，计算二类待检测烟草的状态参数和预设状态参数之间的偏差值，定义为状态参数偏差值；

构建时间序列，并于状态参数偏差值与异常加工参数结合，生成基于时间序列的状态参数偏差值与异常加工参数；

引入马尔科夫链算法，对所述基于时间序列的状态参数偏差值与异常加工参数进行状态转移概率计算，得到不同时间序列下烟草生产设施的故障状态转移概率值；

基于所述不同时间序列下烟草生产设施的故障状态转移概率值，生成故障状态概率表，分析所述故障状态概率表，将所述故障状态概率表导入至贝叶斯网络中进行训练，获取烟草生产设施的缺陷位置。

需要说明的是，二类待检测烟草为在异常运行时间下加工获得的烟草。所述二类待检测烟草可能出现加工效果较差的情况，分析二类待检测烟草的表面参数，获取二类待检测烟草的状态参数，烟草生产设施可能存在多种缺陷，所以二类待检测烟草的状态参数的形成可能为多种原因组成，使用马尔科夫链算法可以获取烟草生产设施概率值，并得到故障状态概率表，并结合贝叶斯网络进行故障反演推理，从而烟草生产设施的缺陷位置。本发明能够通过引入马尔科夫链算法和贝叶斯网络对烟草生产设施的异常工作参数进行分析，获取烟草生产设施的缺陷位置。

此外，所述一种基于物联网的烟草生产设施管理方法，还包括以下步骤：

所述烟草生产设施实时监控合格烟草产品的产量，若一批次合格烟草产品的产量不满足预设值，则获取同一批次合格烟草产品的所有不可加工烟草，定义为待修复烟草；

对所述待修复烟草进行表面病虫害采样，并进行表面病虫害分析，得到待修复烟草的表面病虫害种类和浓度，根据所述待修复烟草的表面病虫害种类和浓度，结合大数据检索，获取待修复烟草的表面病虫害处理方法；

使用所述待修复烟草的表面病虫害处理方法后，再次判断待修复烟草的表面病虫害情况，若表面病虫害情况严重程度仍大于预设程度，则控制烟草生产设施将待修复烟草表面存在病虫害的部分切割去除，剩下的待修复烟草为修复烟草；

对所述修复烟草进行加工处理和包装处理，得到合格烟草产品，若此时合格烟草产品产量仍不满足预设值，则获取当前烟草生产设施的实时加工参数和包装工作参数；

将当前烟草生产设施的实时加工参数和包装工作参数导入大数据网络中寻找参数优化方案，并基于优化性质、优化效率和优化效果，筛选得到最佳优化方案，并将所述最佳优化方案导入烟草生产设施中进行实时加工参数和包装工作参数的参数优化。

需要说明的是，若同一批次内的合格烟草产品产量不满足于设产量，则需要对同一批次的烟草原料进行进一步加工处理，充分利用不可加工烟草，并按需求对其进行病虫害的修复处理，从而增加合格烟草产品的产量。若合格烟草产品产量仍较小，则判断使烟草生产设施的工作效率出现问题，需要提升烟草生产设施工作效率，在大数据网络中检索最佳优化方案可以提升烟草生产设施的工作效率。

此外，所述一种基于物联网的烟草生产设施管理方法，还包括以下步骤：

基于所述烟草生产订单信息，获取烟草产品预设交付时间；

在大数据网络中检索烟草生产设施缺陷位置的所有修正方案，构建修正方案集，并在所述修正方案集中获取满足修正效率最高，且满足修正性质的修正方案输出，定义为最优烟草生产设施缺陷修正方案；

基于所述最优烟草生产设施缺陷修正方案，对烟草生产设施进行缺陷修复，并获取缺陷修复时间；

获取可加工烟草的加工时间及烟草加工品的包装时间，并获取烟草加工设施周边环境参数，结合缺陷修复时间，生成数据集；

引入蒙特卡洛模拟模型，将所述数据集导入蒙特卡洛模拟模型中，生成大量样本值，对所有样本值进行统计分析，输出烟草产品生产时间，所述统计分析包括计算样本平均值、方差和置信区间；

若所述烟草产品生产时间大于烟草产品预设交付时间，则在烟草生产设施进行缺陷修复期间，使用其他性能良好的烟草生产设施执行缺陷位置对应的加工步骤。

需要说明的是，烟草生产订单信息包括了烟草产品预设交付时间，在烟草产品预设交付时间外交付产品会带来经济损失，所以需要获取烟草产品生产时间，从而提高烟草产品生产及交付效率。获取最优烟草生产设施缺陷修正方案后可以得到缺陷修复时间。由于在烟草产品生产过程中，环境可能会对烟草的生产造成影响，比如下雨潮湿天气，会导致烟草的烘烤时间变长，所以需要结合烟草加工设施周边环境参数，以及可加工烟草的加工时间及烟草加工品的包装时间，生成数据集。所述蒙特卡洛模拟方法可以考虑不同因素对烟草产品生产时间的影响，使用随机抽样样本的方法，多次模拟烟草产品生产时间分布，得到估算值。若烟草产品生产时间大于烟草产品预设交付时间，为满足在交付时间内给客户交付订单，则需在缺陷位置修复期间，使用其他烟草生产设施执行对应的加工步骤。本发明能够通过烟草产品预设交付时间和烟草产品生产时间，制定最佳的生产方案。

如图3所示，本发明第二方面还提供了一种基于物联网的烟草生产设施管理系统，所述生产设施管理系统包括存储器31与处理器32，所述存储器31中储存有一种基于物联网的烟草生产设施管理方法，所述一种基于物联网的烟草生产设施管理方法被所述处理器32执行时，实现如下步骤：

观察烟草种植区域内烟草的生长状况，并基于烟草的生长状况对烟草生长条件进行调控；

基于生产要素获取烟草加工步骤，烟草生产设施基于所述烟草加工步骤对可加工烟草进行加工，并在加工过程中对烟草生产设施的实时加工参数进行智能调控；

基于烟草生产订单信息及烟草加工品的质量检测参数，使用模糊聚类算法对烟草加工品进行分类，得到单一烟草产品所需的烟草加工品种类数量；

通过烟草生产设施对烟草加工品进行包装，得到烟草产品，对烟草产品进行包装状态分析，基于分析结果对烟草产品进行缺陷修复。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。