一种烟叶识别方法、系统、存储介质、设备及程序产品

技术领域

本申请涉及深度学习技术领域，尤其涉及一种烟叶识别方法、系统、存储介质、设备及程序产品。

背景技术

烟叶是我国一项重要的经济作物，烟叶生产能给烟农和烟企带来巨大的经济效益。而烟叶在其生长过程中的不同阶段都具有特定的采摘时机。一般而言，烟叶的生长周期大致分为种子播种、幼苗期、成长期和成熟期。烟叶的采摘时间通常在烟叶植株的叶片完全成熟、但尚未衰老枯黄之时，这个时候叶片含有最丰富的烟碱和香味物质。因此，在特定的采摘期内实现快速采摘烟叶，对于获得高品质的烟叶至关重要。

但是，目前我国的烟叶采摘仍然主要依靠人工采摘的方式。为了赶在特定的采摘期内完成烟叶的采摘，就需要雇佣更多的烟叶采摘工人，这样一来，不仅人工成本大幅提高，而且效率太低，极易导致无法在特定的采摘期内完成烟叶的采摘，从而错过烟叶最佳的采摘时期，降低烟叶的品质。

发明内容

本发明公开了一种烟叶识别方法、系统、存储介质、设备及程序产品，旨在解决现有技术中烟叶采摘效率低成本高的技术问题。

通过以下技术方案实现上述发明目的：

第一方面，提供了一种烟叶识别方法，通过获取烟叶样本图像；将所述烟叶样本图像分割为叶片区域和叶茎区域，并分别对叶片区域和叶茎区域的表型进行标注，得到叶片样本图像和叶茎样本图像；利用所述叶片样本图像和叶茎样本图像训练预先构建的烟叶识别模型；最后将待识别烟叶图像输入所述烟叶识别模型，利用所述烟叶识别模型对所述待识别烟叶图像的表型进行识别。可应用于烟叶自动采摘设备上，通过本申请的烟叶识别方法对烟叶进行自动识别，从而为烟叶自动采摘设备提供技术支撑，实现烟叶的自动采摘，解放烟叶采摘工人，大幅提高烟叶采摘效率以及降低烟叶采摘成本。

第二方面，提供了一种烟叶识别系统，包括：

样本获取模块，用于获取烟叶样本图像；

样本处理模块，用于将所述烟叶样本图像分割为叶片区域和叶茎区域，并分别对叶片区域和叶茎区域的表型进行标注，得到叶片样本图像和叶茎样本图像；

模型训练模块，用于利用所述叶片样本图像和叶茎样本图像训练预先构建的烟叶识别模型；

烟叶识别模块，用于将待识别烟叶图像输入所述烟叶识别模型，利用所述烟叶识别模型对所述待识别烟叶图像的表型进行识别。

第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的一种烟叶识别方法的部分或全部步骤。

第四方面，一种电子设备，所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的一种烟叶识别方法的部分或全部步骤。

第五方面，一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的一种烟叶识别方法的部分或全部步骤。

相较于现有技术的有益效果：

本发明中本申请通过构建烟叶识别模型对待识别烟叶图像的烟叶叶片表型和烟叶叶茎表型进行自动分割与精准识别，准确地分割烟叶表型并精准识别出烟叶的表型特征，可应用于烟叶自动采摘设备上，通过本申请的烟叶识别方法对烟叶自动精准识别，从而为烟叶采摘过程自动化提供技术支撑，实现烟叶的机械智能化采摘，不仅有利于缓解烟农劳动力不足，实现烟叶采摘的信息化和智能化，大幅提高烟叶采摘效率以及降低烟叶采摘成本，还对提升和改造国家烟草传统种植和生产的方式具有重大意义。

附图说明

图1为本发明实施例中一种烟叶识别方法的流程示意图；

图2为本发明实施例中基于Deeplabv3的烟叶识别模型整体结构示意图；

图3为本发明实施例中空洞卷积示意图；

图4为本发明实施例中引入自注意力机制的基于Deeplabv3的烟叶识别模型的结构示意图；

图5为本发明实施例中通道自注意力模块结构示意图；

图6为本发明实施例中空间自注意力模块结构示意图；

图7为本发明实施例中一种烟叶识别系统的结构示意图；

图8为本发明实施例中一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。

需要说明的是，本发明实施例描述的仅仅是为了更加清楚地说明本发明实施例的技术方案，并不构成对本发明实施例提供的技术方案的限定。

如图1所示，图1为本发明实施例中一种烟叶识别方法的流程示意图；可通过一种烟叶识别系统(以下简称系统)作为其执行主体，所述方法具体包括以下内容：

101.获取烟叶样本图像。

本发明实施例主要通过实地采集和爬虫技术两种渠道采集获取烟叶样本图像。其中，实地采集通过专业人员在烟田现场进行拍摄，采集高质量的烟叶图片数据。这种方式能够确保数据的真实性和可靠性，但是数据规模有限，需要结合其他途径一起获取。因此，在实地采集的基础上，使用爬虫技术从互联网下载常见的烟叶图片数据。通过这种方式，可以大量获取数据，并且获取的数据也更加多样化，能够有效增加数据集的规模和多样性。本发明实施例中，需要保证有效用于试验的烟叶样本图片数据不应少于20000张，解决模型训练数据集的问题。

102.将所述烟叶样本图像分割为叶片区域和叶茎区域，并分别对叶片区域和叶茎区域的表型进行标注，得到叶片样本图像和叶茎样本图像。

在一些可行的实施方式中，本发明实施例利用Labelme图像标注软件对烟叶样本图像的叶片区域和叶茎区域对应的叶片表型和叶茎表型分别进行标注，具体的，选择待标注的烟叶样本图像文件地址，在标注区域内，利用工具栏的点、线、面标注工具对烟叶样本图像中的两类表型(叶片表型和叶茎表型)目标物进行区域圈选，制作相应语义分割标签。例如，完成一张烟叶样本图像标注后会生成一个对应的json文件。其中，“imagePath”标签记录当下图像所处路径和图像名称；“version”标签显示标注过程中使用Labelme软件的版本信息；“imageWeight”标签记录标注图像的宽度信息；“imageHeight”标签记录标注图像的高度信息；“shape_type”标签记录当下标注目标使用的标注框类型信息；“label”标签记录当下标注目标的类别信息；“points”标签记录标定点的位置信息，上方数值为横坐标，下方数值为纵坐标。在完成图像标注后，还需将标注过程中获得的json文件和原始图像分别设置文件夹存放，利用labelme文件中labelme2voc.py脚本将json文件数据转换成VOC格式。生成的文件包括转换格式后的原图(JPEGImages)、图像分割信息(SegmentationClass)、分割图像彩色图(SegmentationClassPNG)、原图与分割图像彩色图叠加图(SegmentationClassVisualization)以及分类信息(class_names)。其中，Labelme软件是由麻省理工学院计算机科学与人工智能实验室(MIT CSAIL)创建的一个开放注释工具。其由Python编写，使用Qt作为其图形界面，可以帮助用户标记图像中的对象和物体，生成对应的Json文件，以便于机器学习和计算机视觉应用。Labelme还提供一个图像库，用户可以在其中浏览和搜索已经标记过的图像，以及创建自己的图像库。同时，Labelme支持多种标注工具，包括矩形、多边形、点、线和文本等，使用户可以根据需要选择最适合自己的标注方式。此外，Labelme还提供了一些高级功能，如图像分割、语义分割和3D模型标注等，可以满足用户对图像注释的不同需求。

优选的，由于在烟叶样本图像标注中，所标注的图像尺寸大小各有不同，而图像大小对模型训练精度及时间都会产生影响。例如，若输入图像尺寸较大时，图像中含有更多的信息，但同时也增加了模型计算时的噪声和方差，这会导致网络需要更多的卷积层和池化层进行处理，增加了其计算量及训练时间；反之，若输入小尺寸的图像，则会丢失一些重要的分类特征信息，降低了训练精度。因此，在发明实施例中，将所述烟叶样本图像按照预设尺寸进行归一化。例如，将烟叶样本图像的尺寸归一化为512×512像素，不仅有利于降低模型计算时的噪声和方差，从而降低计算量和训练时间，同时有利于保留烟叶样本图像的分类特征信息，提高模型训练精度。

103.利用所述叶片样本图像和叶茎样本图像训练预先构建的烟叶识别模型。

如上所述，通过将所述烟叶样本图像分割为叶片区域和叶茎区域，并分别对叶片区域和叶茎区域的表型进行标注，得到叶片样本图像和叶茎样本图像，再利用所述叶片样本图像和叶茎样本图像训练预先构建的烟叶识别模型；例如，将叶片样本图像和叶茎样本图像分别划定一定数量的测试集和训练集样本，如下表1所示：

表1验证集和测试集中各烟叶表型的数量分布

即，本发明实施例是通过大量的烟叶标记样本数据来训练烟叶识别模型，学习烟叶样本图像中的像素点与上述标注标签之间的关系，实现将烟叶样本图像分割为不同的区域或对象(烟叶叶片表型和烟叶叶茎表型)，从而通过所述烟叶识别模型后续对待识别的烟叶图像实现叶片表型和叶茎表型的分割和识别，从而为烟叶采摘过程自动化提供技术支撑，实现烟叶的机械智能化采摘，不仅有利于缓解烟农劳动力不足，实现烟叶采摘的信息化和智能化，大幅提高烟叶采摘效率以及降低烟叶采摘成本，还对提升和改造国家烟草传统种植和生产的方式具有重大意义。

现有技术中基于机器视觉技术针对烟叶外观信息进行自动化识别，但是，目前大部分研究成果都是静态的，即先从室内或者生产线采集静态图像，再用计算机对图像进行处理。而实际应用中要求识别的算法要能够适应复杂多变的条件。虽然一些动态的算法已经取得了成功，但分类精度仍然不高；在烟草行业中基于机器视觉的部位的识别依然存在几个问题；1)烟叶质量的波动性；通常，烟叶质量会因为年份、产区、品种以及等级的不同而产生差异，因此图像识别的算法应该充分考虑到烟叶质量差异的存在，并作出相应的算法转换和调整，这对实现烟叶的自动化检测造成了一定的困难。在实际生产过程中需要扩大样本数量，同时也应该关注烟叶样本的选择标准。2)拍摄条件的多变性；一般地，图像采集要求在具有可控光照、色温以及没有环境因素影响的实验室或者温室等理想条件下进行，但在实际应用中环境多变、图像背景复杂，光照、风速的不可控性以及设备的机械震动等许多因素都能导致图像质量下降、噪声增加，大大增加了图像预处理的难度，降低了处理结果的准确性和快速性。3)剔除非分级的干扰信息；由于烟叶自身的收缩性，即使相机拍摄时烟叶摆放在相同位置，同一烟叶不同放样形态也有差异，因此必须要从颜色空间中找出待分析烟叶样本的基于颜色的位置不变形特征；由于烟叶的梗在传统的烟叶分级中不占主要的影响因素，而梗的烟叶颜色往往比较深，会对烟叶的颜色的均匀度表征产生干扰；如何剔除非决定工业分级的变量也是一个关键的难点，如果根据梗的颜色深浅进行剔除，对于上部烟叶或者中部偏上的烟叶等级会增加误剔率，对于下部烟叶与中部偏下的烟叶等级又会剔不掉。可见，现有技术难以满足烟叶自动识别和精准采摘的需要。因此，在一些可行的实施方式中，本发明实施例中预先利用深度学习技术结合语义分割算法Deeplabv3+，建立烟叶识别模型，用于对烟叶的表型分割和识别。

Deeplabv3+是由Deeplabv3改进而来的编码器-解码器结构网络，如图2所示，为基于Deeplabv3的烟叶识别模型整体结构示意图，其包括编码器和解码器。编码器部分使用了ResNet与Xception结构作为特征提取器，其中使用了批量归一化和修正线性单元(ReLU)激活函数。为了捕捉更广泛的上下文信息，该网络还使用了空洞空间卷积金字塔池化(AtrousSpatial Pyramid Pooling,ASPP)模块，它采用了多个空洞卷积核，以捕捉不同尺度的上下文信息。ASPP模块的输出被级联到一个全局平均池化层中，以捕捉全局信息，这是一种深度可分离卷积的卷积神经网络框架，可以有效减少模型的参数和计算量，从而大幅提升网络的运行速度。解码器部分同样采用了ASPP模块，同时为减少计算量，采用1×1卷积层降低特征图深度，采用上采样增加特征图空间分辨率以使其具备与原始图像相同的大小，再通过Skip Connection模块将编码器中的低级特征图与解码器中的高级特征图相连接，以提高分割的细节和边缘的准确性。综合来看，Deeplabv3+取得了较Deeplabv3更高的精度，是一种更高效、更准确且具备更好鲁棒性和泛化性的分割网络。

如图3所示，为空洞卷积示意图，空洞卷积也叫扩张卷积或是膨胀卷积，是一种增加感受野的卷积方式，在不损失分辨率的情况下，可有效增大模型的感受野。其引入了一个称为“扩张率(Dilation rate)”的超参数，该参数定义了卷积核处理数据时各值的间距以此获得更大感受野。扩张率指的是在卷积核中间穿插的空洞数量，即卷积核中间的0值个数。在进行卷积操作时，卷积核中的每个元素都会与输入张量中的一个元素相乘，然后求和得到输出张量中的一个元素。而空洞卷积中，卷积核中间的0值也会参与计算，输出的张量大小与普通的卷积大小相同，但感受野变大从而提高了模型的性能。而空洞卷积的引入一方面在不增加卷积神经网络额外参数的同时扩大了神经网络的感受野；另一方面可以获取图像的多尺度上下文信息。但空洞卷积存在网格效应，经过空洞卷积运算后的图像部分信息会丢失，且在进行远距离卷积之后，距离较远的像素信息之间的相关性存在差异。而本发明实施例中ASPP模块的提出很大程度上弥补了空洞卷积的缺陷，其设计思想受到空间金字塔池化模块SPP的启发，对特征进行重采样使有效的在不同尺度下进行准确高效的分类任意比例的区域。网络结构包括的几个分支的卷积操作(如图2所示)，每个分支具有不同的速率卷积核，用于探测特定有效视场下的传入特征图。因此ASPP在检测不同形状尺度的物体方面表现出更好的性能，尤其是小对象。ASPP可以将任意尺度的输入转换为相同尺度的输出，将不同尺度特征进行融合，提高精度和网络模型的鲁棒性，这种方法可以增加语义特征的提取和深度语义分割模型的性能。而ASPP模块采用四个并行的空洞卷积分支获取多尺度的特征图。同时，利用融合层将4张特征图融合以获取多尺度特征，有助于提高模型对不同尺度的同一物体的识别能力。

因此，本发明实施例中，在烟叶识别模型训练过程的编码过程中，基于Xception网络结构提取所述叶片样本图像多个尺度下的叶片表型全局特征；基于Xception网络结构提取所述叶片样本图像多个尺度下的叶片表型局部特征；将所述叶片表型全局特征和所述叶片表型局部特征进行全局平均池化，得到所述烟叶样本图像多个尺度下的叶片表型特征；以及，基于Xception网络结构提取所述叶茎样本图像多个尺度下的叶茎表型全局特征；基于Xception网络结构提取所述叶茎样本图像多个尺度下的叶茎表型局部特征；将所述叶茎表型全局特征和所述叶茎表型局部特征进行全局平均池化，得到所述烟叶样本图像多个尺度下的叶茎表型特征。其中，在Xception(一种轻量化网络结构)网络结构中，包括了输入流、中间流、输出流三部分。输入流用于对输入图像进行预处理和特征提取，一系列卷积、批归一化和激活函数层，用于提取输入图像低级别的特征(例如叶片表型和叶茎表型的全局特征)。中间流对特征进行深度提取和转换，一系列深度可分离卷积层用于提取高级别的特征(例如叶片表型和叶茎表型的局部特征)。最后的输出流对提取的低级别特征和高级别进行分类或回归，以及一系列全局平均池化、全连接和softmax层，生成最终的输出结果，包括叶片表型特征和叶茎表型特征。Xception的三层结构可以有效地减少网络的参数数量和计算复杂度，从而提高网络的训练和推理速度，同时还能够提高网络的准确率和泛化能力。

另外，上述基于Deeplabv3的烟叶识别模型的解码器的工作过程与编码完全相反，解码器采用一定的算法将编码器降维后的图像进行处理，使之恢复到输入图像的分辨率。ASPP输出的特征图经过一个1×1的卷积，通过卷积操作压缩通道数，经过一个上采样，解码器从特征提取过程中的中间一层提取得到浅层次的语义信息特征图，经过1×1的卷积(conv)进行压缩，压缩成一个特征图，将该语义信息特征图和该特征图进行合并，融合后的结果经过一个3×3卷积，生成一个最终特征图(叶片表型融合特征图像和叶茎表型融合特征图像)，再对卷积结果进行4倍的上采样恢复最终特征图的空间分辨率和空间信息细节，最后即可获得输出输入图像的相应预测结果。

如图4所示，为引入自注意力机制的基于Deeplabv3的烟叶识别模型的结构示意图，本发明针对上述基于Deeplabv3的烟叶识别模型还引入了注意力机制，包括通道自注意力机制和空间自注意力机制，采用通道自注意力机制将多个尺度下的叶片表型局部特征进行加权融合，得到叶片表型局部融合特征；采用空间自注意力机制将多个尺度下的叶片表型全局特征和所述叶片表型局部融合特征进行加权融合，生成叶片表型融合特征图像；以及，采用通道自注意力机制将多个尺度下的叶茎表型局部特征进行加权融合，得到叶茎表型局部融合特征；采用空间自注意力机制将多个尺度下的叶茎表型全局特征和所述叶茎表型局部融合特征进行加权融合，生成叶茎表型融合特征图像。注意力机制(AttentionMechanism)是一种在机器学习和自然语言处理中常用的技术，用于在处理序列数据时对不同部分的输入进行加权处理，以提高模型的性能。注意力机制的本质是一种加权求和操作，通常使用softmax函数来计算不同位置的权重。尽管注意力机制已在NLP(自然语言处理)领域中取得重要研究成果，做出重大贡献，但其机制本身也是符合人眼和人脑的感知机制，近年来其在计算机视觉领域中也逐渐大放光彩。总而言之，Attention的引入能起到参数少、速度快及效果好的效果。

具体的，如图5所示，为通道自注意力模块结构示意图，在经过Xception模型中不同通道的深度可分离卷积层进行特征提取后，在加权的多尺度多感受野的高级特征中加入通道自注意力模块，通道自注意力模块将对表现出高响应的通道分配较大的权重。将高级特征f

如图6所示，为空间自注意力模块结构示意图，不同阶段的图像特征对于不同任务的重要性处理不同，因而在网络中具有不同的表现能力。虽然从浅层网络可以得到目标位置、边缘等细节特征信息，但是所得信息中存在大量的背景特征信息，很大程度上影响图像分割效果。将网络中获取到的低级特征，直接作为解码阶段的输入信息，引入大量背景特征的同时影响分割结果。为了解决这一问题，采用空间注意力自适应地将低级特征与高级特征相结合，利用高级特征过滤背景信息，空间注意力更多地关注前景区域，聚焦于目标区域特征，有助于生成更加有效的特征图，提高分割效果。将低级特征表示为f

最后，根据所述叶片样本图像、所述叶茎样本图像、所述叶片表型融合特征图像和所述叶茎表型融合特征图像计算预先构建的烟叶识别模型的损失值；基于所述损失值训练所述烟叶识别模型。本发明实施例采用交叉熵函数作为Deeplabv3+算法的损失函数分别检查每个像素，将类预测(softmax或sigmoid)与目标向量(one hot)进行比较，进而用来衡量模型的输出与真实标签的差异，从而达到指导模型优化的效果。交叉熵函数的值越小，说明模型的预测结果越接近真实结果，模型的性能越好，具体公式如下：L

上述重合程度MioU通过计算真实值和预测值两个集合的交并集来计算预测结果与原始图像中真值的重合程度，具体公式如下：

其中：k表示分割的种类，k+1表示加上背景类，i表示真实值，j表示预测值，p

上述平均像素精度(MPA)是正确分类的像素数量与所有像素数量的比值后的平均值，较高的MPA值表示算法的分类精度较高，具体公式如下：

同理Miou，MPA的值越大，说明模型性能越好。

104.将待识别烟叶图像输入所述烟叶识别模型，利用所述烟叶识别模型对所述待识别烟叶图像的表型进行识别。

上述烟叶识别模型训练好之后，将待识别的烟叶图像输入模型中，利用训练好的烟叶识别模型如上所述对烟叶图像的叶片表型和叶茎表型进行自动识别，为实现机械自动精准识别和精准采摘烟叶提供技术支撑。

综上所述，本发明实施例利用结合注意力机制改进后的Deeplabv3+完成烟叶两类表型分割。实验证明，Deeplabv3+可以实现高效准确的烟叶表型分割。结合注意力机制改进后的Deeplabv3+具有较强的特征提取和上下文信息融合能力，能够准确地识别烟叶图像中不同部分并将其分割。与传统图像分割方法相比，结合注意力机制改进后的Deeplabv3+分割准确率更高，处理速度更快且鲁棒性更高。因此，该网络结构在烟叶表型分割领域具备潜在的应用前景和实用价值。

以上结合图1-图6详细说明了本申请实施例提供的一种烟叶识别方法。以下结合图7详细说明用于执行本申请实施例提供的烟叶识别方法的一种烟叶识别系统。图7为本发明实施例的一种烟叶识别系统的结构示意图；参照图7，该烟叶识别系统包括：

样本获取模块701，用于获取烟叶样本图像；

样本处理模块702，用于将所述烟叶样本图像分割为叶片区域和叶茎区域，并分别对叶片区域和叶茎区域的表型进行标注，得到叶片样本图像和叶茎样本图像；

模型训练模块703，用于利用所述叶片样本图像和叶茎样本图像训练预先构建的烟叶识别模型；

烟叶识别模块704，用于将待识别烟叶图像输入所述烟叶识别模型，利用所述烟叶识别模型对所述待识别烟叶图像的表型进行识别。

本发明实施例一种烟叶识别系统是对应上述实施例一种烟叶识别方法，实现相应的功能。由于上述实施例中已经对一种烟叶识别方法的各步骤具体实施方式进行了详细的说明，故在此系统中不再赘述。

如图8所示，本发明实施例还提供了一种电子设备，该电子设备包括，中央处理单元801，其可以根据存储在只读存储器802中的程序或者从存储部分808加载到随机访问存储器803中的程序而执行各种适当的动作和处理。在随机访问存储器803中，还存储有系统操作所需的各种程序和数据。中央处理单元801、只读存储器802以及随机访问存储器803通过总线804彼此相连。输入/输出接口805也连接至总线804。

以下部件连接至输入/输出接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至输入/输出接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框，以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

作为另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例所述的一种烟叶识别方法的部分或全部步骤。

作为另一方面，本发明还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述实施例所述的一种烟叶识别方法的部分或全部步骤。

以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其他技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。