肖雷雨，王 澍，劉淵根，張 龍，王 玲，堵勁松，徐大勇*

1.安徽大學(xué)物質(zhì)科學(xué)與信息技術(shù)研究院，合肥市蜀山區(qū)九龍路111 號(hào) 230601

2.中科院合肥物質(zhì)科學(xué)研究院，合肥市蜀山湖路350 號(hào) 230031

3.中國煙草總公司鄭州煙草研究院，鄭州高新技術(shù)產(chǎn)業(yè)開發(fā)區(qū)楓楊街2 號(hào) 450001

4.安徽省煙草公司，合肥市政務(wù)區(qū)潛山南路666 號(hào) 230072

煙梗作為卷煙的主要原料之一，可以將其加工制成填充值高、燃燒性好的梗絲或梗粒，對(duì)于減害降焦、降低配方成本、改善卷煙物理質(zhì)量具有重要作用。因此，長梗率、梗中含葉率、粗梗率、梗頭比例等是衡量卷煙產(chǎn)品質(zhì)量和加工水平的重要指標(biāo)，且對(duì)切絲后梗絲結(jié)構(gòu)、出絲率、梗簽比例以及卷煙物理質(zhì)量具有顯著影響。針對(duì)此，李金學(xué)等［1］研究了梗絲結(jié)構(gòu)對(duì)卷煙質(zhì)量穩(wěn)定性的影響；白永忠等［2］發(fā)現(xiàn)不同類別煙梗制成的梗絲在物理、化學(xué)、感官品質(zhì)方面均存在差異。根據(jù)國家煙草專賣局《打葉復(fù)烤技術(shù)升級(jí)重大專項(xiàng)實(shí)施方案》，目前行業(yè)內(nèi)打葉復(fù)烤技術(shù)與整個(gè)卷煙生產(chǎn)產(chǎn)業(yè)鏈相比明顯處于滯后狀態(tài)，亟需進(jìn)行數(shù)字化技術(shù)升級(jí)。其中，煙梗的長梗率、梗中含葉率（梗含葉）、梗頭比例及粗梗率等指標(biāo)仍依靠人工在線取樣檢測(cè)，并采用“四分法”等方法進(jìn)行分類，勞動(dòng)強(qiáng)度高，檢測(cè)誤差大。因此，建立能夠快速、準(zhǔn)確識(shí)別煙梗形態(tài)和特征參數(shù)的方法，實(shí)現(xiàn)煙梗質(zhì)量在線檢測(cè)，對(duì)于提高打葉復(fù)烤和制絲加工工藝水平具有重要意義。近年來，計(jì)算機(jī)視覺技術(shù)在農(nóng)作物生產(chǎn)管理和質(zhì)量檢測(cè)方面已有廣泛應(yīng)用，田有文等［3］對(duì)葡萄的病害圖像進(jìn)行處理和分類；王獻(xiàn)鋒等［4］提出了一種黃瓜葉片的病害圖像分類識(shí)別方法。在模式識(shí)別與目標(biāo)檢測(cè)算法方面，深度學(xué)習(xí)技術(shù)依靠其自動(dòng)構(gòu)建特征工程的特性已逐步取代傳統(tǒng)圖像識(shí)別算法［5］。其中，洪金華等［6］使用YOLOv3 模型對(duì)煙蟲進(jìn)行檢測(cè)；高震宇等［7］使用卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)煙絲物質(zhì)組成。但對(duì)于煙梗分類識(shí)別的研究應(yīng)用則鮮見報(bào)道。為此，在分析不同類別煙梗形態(tài)差異的基礎(chǔ)上，建立了一種深度學(xué)習(xí)煙梗分類識(shí)別模型，通過在YOLOv3 骨干網(wǎng)絡(luò)Darknet53［8］的3 層預(yù)輸出中添加一條增強(qiáng)紋理特征的路徑，提升模型對(duì)局部煙梗紋理特征的識(shí)別能力，并對(duì)模型性能進(jìn)行驗(yàn)證，以期實(shí)現(xiàn)對(duì)3 個(gè)類別煙梗的精準(zhǔn)分類識(shí)別，為提高煙梗質(zhì)量在線檢測(cè)水平提供參考。

1 材料與方法

1.1 實(shí)驗(yàn)材料

樣品為2018 年福建南平C2F+C3F 配打后復(fù)烤前煙梗，直接在輸送帶上取樣，共20 kg。煙梗類別分為純煙梗、梗頭與梗含葉，見圖1。

圖1 3 個(gè)類別煙梗圖片F(xiàn)ig.1 Images of three kinds of tobacco stems

1.2 實(shí)驗(yàn)設(shè)備和深度學(xué)習(xí)環(huán)境的搭建

1.2.1 煙梗實(shí)時(shí)分類識(shí)別系統(tǒng)

為了對(duì)煙梗圖像進(jìn)行快速采集以及對(duì)煙梗分類識(shí)別效果進(jìn)行測(cè)試，設(shè)計(jì)了煙梗在線分類識(shí)別系統(tǒng)。該系統(tǒng)的硬件結(jié)構(gòu)主要由計(jì)算機(jī)、輸送皮帶機(jī)、環(huán)形LED 光源、高速CCD 相機(jī)等部分組成，見圖2。其中，NVIDIA Jetson TX2 板載AI 計(jì)算機(jī)在Ubuntu16.04 操作系統(tǒng)下完成分類識(shí)別算法，CPU 為Intel core i7，內(nèi)存為16G，GPU 為NVIDIA GeForce GTX 1080Ti，同時(shí)安裝了CUDA9.0、cudnn7.1、Opencv3.4、python3.5等第三方庫以支持模型運(yùn)行；相機(jī)為USB3.0 接口工業(yè)相機(jī)，分辨率為4 208×3 120 pixel，鏡頭為低失真廣角C 接口鏡頭。系統(tǒng)與煙梗物料輸送線之間通過多級(jí)差速皮帶連接，煙梗被輸送至系統(tǒng)的檢測(cè)工位時(shí)呈離散狀態(tài)。

圖2 煙梗分類識(shí)別系統(tǒng)結(jié)構(gòu)圖Fig.2 Structure of classification and identification system for tobacco stems

1.2.2 深度學(xué)習(xí)環(huán)境的搭建

本研究中采用帶動(dòng)量因子（momentum）的小批量（mini-batch）隨機(jī)梯度下降法（Stochastic Gradient Descent，SGD）進(jìn)行模型訓(xùn)練，小批量樣本數(shù)量設(shè)置為128，subdivision 參數(shù)設(shè)置為16，動(dòng)量因子設(shè)置為固定值0.9，前1 000 次學(xué)習(xí)策略采用burn_in，1 000次以后學(xué)習(xí)率策略采用multisteps。初始學(xué)習(xí)率為0.001，在40 000 次和45 000 次分別乘以0.1 降低學(xué)習(xí)率。為防止過擬合，將正則化系數(shù)設(shè)為0.000 5，共迭代50 000 次且每隔2 000 次保存1 次模型，最終選出最優(yōu)模型。使用最優(yōu)模型分類識(shí)別測(cè)試集，以人工識(shí)別結(jié)果為基準(zhǔn)，對(duì)比本研究中提出的算法與其他主流深度學(xué)習(xí)算法的識(shí)別準(zhǔn)確率。

1.3 算法評(píng)價(jià)

1.3.1 實(shí)驗(yàn)誤差指標(biāo)

基于每批次的實(shí)際數(shù)量與識(shí)別數(shù)量，根據(jù)公式（1）統(tǒng)計(jì)該批次總識(shí)別誤差：

根據(jù)公式（2）計(jì)算單類別煙梗識(shí)別誤差：

式中：x 為煙梗類別；T_N 為該批次煙?？倲?shù)，個(gè)；Nx為人工挑選出的某類別煙梗的實(shí)際數(shù)量，個(gè)；nx為系統(tǒng)識(shí)別出的該類別煙梗的數(shù)量，個(gè)；Abs 為計(jì)算絕對(duì)值函數(shù)；E1為該批次總識(shí)別誤差，%；E2為類別煙梗識(shí)別誤差，%。

1.3.2 模型評(píng)價(jià)指標(biāo)

采用精確率P（Precision）、召回率R（Recall）、單類別識(shí)別精確率AP（Average Precision）和AP 的均值mAP（mean Average Precision）對(duì)煙梗檢測(cè)識(shí)別模型進(jìn)行評(píng)價(jià)，計(jì)算公式分別為：

式中：TP 表示模型對(duì)某類別煙梗進(jìn)行預(yù)測(cè)且預(yù)測(cè)正確的數(shù)量，個(gè)；FP 表示對(duì)某類別煙梗進(jìn)行預(yù)測(cè)但預(yù)測(cè)錯(cuò)誤的數(shù)量，個(gè)；FN 表示模型預(yù)測(cè)不是某類別煙梗但預(yù)測(cè)錯(cuò)誤的數(shù)量［9］，個(gè)；P 表示某類別煙梗的預(yù)測(cè)正確比例，%；R 表示某類別煙梗被正確識(shí)別出的比例，%；P（R）表示以R 為參數(shù)的函數(shù)；AP 表示某類別煙梗識(shí)別精確率，在模型迭代運(yùn)算過程中，對(duì)于每一個(gè)R 值，可以計(jì)算得到對(duì)應(yīng)的P 值，對(duì)所有P值求平均則得到AP，%；mAP 為3 類樣本AP 的均值，%；i表示煙梗類別（純煙梗=1，梗頭=2，梗含葉=3）。

2 算法的構(gòu)建

2.1 煙梗分類識(shí)別系統(tǒng)工作流程

煙梗分類識(shí)別系統(tǒng)工作流程見圖3。主要步驟：①對(duì)相機(jī)進(jìn)行標(biāo)定和畸變復(fù)原，獲取圖像的畸變參數(shù)與像素對(duì)應(yīng)的實(shí)際尺寸；②采集煙梗圖像（純煙梗、梗頭及梗含葉）進(jìn)行標(biāo)注，制作煙梗數(shù)據(jù)集（包括圖像文件及標(biāo)注文件）；③構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)，在煙梗數(shù)據(jù)集上進(jìn)行訓(xùn)練，生成煙梗分類模型；④在線采集煙梗圖像進(jìn)行目標(biāo)區(qū)域檢測(cè)與圖像裁剪，以減少運(yùn)算量；⑤將裁剪好的圖像輸入訓(xùn)練好的分類模型進(jìn)行識(shí)別；⑥測(cè)量圖像中煙梗的長度、寬度、面積等幾何參數(shù)。

圖3 系統(tǒng)的工作流程圖Fig.3 Flow chart of the system

2.2 煙梗圖像數(shù)據(jù)的采集

采集并制作單樣本圖像3 000 張（每個(gè)類別各1 000 張），同時(shí)使用旋轉(zhuǎn)、翻轉(zhuǎn)及縮放等數(shù)據(jù)增強(qiáng)方法制作補(bǔ)充樣本3 000 張（防止模型過擬合），共6 000張煙梗圖像作為訓(xùn)練數(shù)據(jù)集。另外，采集600 張單類別圖像（1 張圖像只有1 個(gè)煙梗）作為測(cè)試數(shù)據(jù)集。訓(xùn)練中采用十折交叉驗(yàn)證，6 000 張訓(xùn)練圖像按比例9∶1 被隨機(jī)拆分為訓(xùn)練集和驗(yàn)證集，各類別樣本數(shù)量見表1。

表1 數(shù)據(jù)集的組成Tab.1 Composition of data sets （張）

2.3 樣本圖像的自動(dòng)標(biāo)注

2.3.1 手動(dòng)標(biāo)注方法

在線采集的煙梗圖像分辨率為4 208×3 120 pixel，見圖4a。在傳統(tǒng)的深度學(xué)習(xí)目標(biāo)分類識(shí)別方法中，首先要使用標(biāo)注軟件對(duì)樣品類別進(jìn)行手動(dòng)標(biāo)注，制作圖像標(biāo)簽，再生成VOC 格式文件，見圖4b。由于本研究中的煙梗數(shù)據(jù)集較大，使用手動(dòng)標(biāo)注工作量繁重，為此設(shè)計(jì)了基于HSV（Hue，Saturation，Value）顏色空間的自動(dòng)標(biāo)注算法。

2.3.2 基于HSV 顏色空間的自動(dòng)標(biāo)注算法

由圖4a 可見，受光源均勻性及輸送皮帶反光的影響，在線采集的煙梗圖像亮度不均。在設(shè)計(jì)自動(dòng)標(biāo)注方法時(shí)，如果煙梗圖像分割提取效果不好，則會(huì)造成算法獲取的坐標(biāo)位置不準(zhǔn)確，導(dǎo)致非目標(biāo)信息被用于建模，影響識(shí)別率。為準(zhǔn)確提取圖像中的煙梗，制作精確的煙梗標(biāo)簽，基于HSV 顏色空間設(shè)計(jì)了煙梗圖像自動(dòng)標(biāo)注算法。主要步驟：①將已分類好的同一類別樣品送入輸送皮帶機(jī)，并采集圖像；②在軟件中設(shè)置該批樣品的類別名稱，例如“gengtou”或“genghanye”等；③將原始圖像轉(zhuǎn)換到HSV 顏色空間，提取H 通道圖像（圖5a）和S 通道圖像（圖5b），并將H 通道圖像與S 通道圖像做差值運(yùn)算（圖5c）；④對(duì)差值運(yùn)算后的圖像進(jìn)行二值化，并濾除面積較小的連通域（圖5d）；⑤遍歷圖像中的各個(gè)連通域，提取位置信息，設(shè)置感興趣目標(biāo)區(qū)域（Region of Interest，ROI）（圖5e）；⑥將ROI 區(qū)域進(jìn)行裁剪，并將裁剪后的圖像分辨率歸一化為416×416 pixel；⑦存儲(chǔ)每個(gè)ROI 區(qū)域的煙梗類別及位置信息，完成標(biāo)簽制作（圖5f）。

圖4 煙梗圖像的手動(dòng)標(biāo)注方法Fig.4 Manual labeling method for tobacco stem images

圖5 煙梗圖像自動(dòng)標(biāo)注方法Fig.5 Automatic labeling method for tobacco stem images

2.4 YOLOv3 算法Anchors 的設(shè)置

YOLOv3 算法在訓(xùn)練前需要進(jìn)行先驗(yàn)框（Anchors）設(shè)置［10］，合理的Anchors 可以加快模型的收斂速度。采用K-means++算法［11］通過聚類可以得到數(shù)據(jù)集中物體的大致尺寸和形狀，并將這些尺寸和形狀作為先驗(yàn)框輔助模型訓(xùn)練。YOLOv3 的默認(rèn)Anchors 來源于COCO 數(shù)據(jù)集［12］，而不同數(shù)據(jù)集適用于不同Anchors。為提升煙梗的定位精度，本研究中對(duì)煙梗數(shù)據(jù)集使用K-means++算法重新聚類，得到9個(gè)新的Anchors，分別為（55，99），（69，133），（82，156），（106，214），（124，208），（138，206），（156，235），（208，255），（344，356）。

2.5 YOLOv3 模型的適應(yīng)性改造

研究發(fā)現(xiàn)直接使用原始YOLOv3 模型進(jìn)行煙梗識(shí)別的準(zhǔn)確率并不理想，可能原因是梗含葉的葉子較小導(dǎo)致其與純煙梗的圖像特征差異較小，以及部分梗頭與梗含葉的圖像特征差異也較小。針對(duì)該問題進(jìn)行分析，結(jié)果表明低層次的特征圖主要關(guān)注物體的紋理信息，因此煙梗的紋理信息是分類識(shí)別的關(guān)鍵。為此，基于路徑增強(qiáng)方法對(duì)YOLOv3 模型進(jìn)行了改進(jìn)，以提高模型對(duì)圖像紋理特征的敏感度。改進(jìn)后YOLOv3 模型網(wǎng)絡(luò)結(jié)構(gòu)見圖6。

在類FPN［13］模塊中，模型對(duì)3 個(gè)不同尺度的底層、中層與高層特征圖進(jìn)行多尺度預(yù)測(cè)。其中，在52×52 pixel 的底層特征圖中包含較多的紋理信息，但原始YOLOv3 模型在這些信息上直接做類別預(yù)測(cè)1（圖6），會(huì)造成部分紋理特征無法被有效利用。因此，本研究中在52×52 pixel 的底層特征圖上做類別預(yù)測(cè)1 之前，先提取該層特征圖，再連續(xù)進(jìn)行BN［14］（批歸一化）、Leaky ReLU（非線性激活）與卷積下采樣操作，將其轉(zhuǎn)化為13×13 pixel 的高層特征圖，進(jìn)而參與類別預(yù)測(cè)，即相當(dāng)于在模型中增加一個(gè)倒金字塔結(jié)構(gòu)，通過添加一條自下向上的增強(qiáng)路徑，以充分利用圖像中的紋理特征信息。

圖6 改進(jìn)后YOLOv3 模型網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.6 Structure of revised YOLOv3 model network

由圖6 可見，對(duì)拼接后尺寸為52×52 pixel 特征圖進(jìn)行下采樣，使用步長為2 的3×3 pixel 卷積，將52×52 pixel 特征圖縮小為尺寸為26×26 pixel 特征圖；再將得到的特征圖與下一層特征圖進(jìn)行特征融合，融合方式為張量拼接，可以直接將兩張?zhí)卣鲌D進(jìn)行拼接，且不會(huì)丟失特征信息；然后繼續(xù)對(duì)26×26 pixel 特征圖進(jìn)行下采樣，得到尺寸為13×13 pixel 特征圖，再與下一層特征圖進(jìn)行特征融合。使用標(biāo)注好的數(shù)據(jù)集對(duì)改進(jìn)后模型進(jìn)行遷移訓(xùn)練，生成用于在線煙梗分類識(shí)別的深度學(xué)習(xí)網(wǎng)絡(luò)模型。

2.6 模型訓(xùn)練結(jié)果

從改進(jìn)后YOLOv3 模型訓(xùn)練日志中提取數(shù)據(jù)繪制Loss 和IOU（Intersection over Union）曲線，見圖7。其中，batches 是模型在訓(xùn)練過程中的迭代次數(shù)，Loss 代表訓(xùn)練誤差，當(dāng)Loss 值小于0.01 時(shí)判斷訓(xùn)練完成。IOU 為圖像的真實(shí)矩形框與模型預(yù)測(cè)矩形框的交集，IOU 值越高說明訓(xùn)練效果越好。由圖7a可見，當(dāng)橫坐標(biāo)batches 值等于10 000 時(shí)，函數(shù)趨于收斂（Loss 值接近0.01）；當(dāng)橫坐標(biāo)batches 值大于40 000 時(shí)，訓(xùn)練結(jié)束（Loss 值小于0.01）。由圖7b 可見，當(dāng)橫坐標(biāo)batches 值為50 000 時(shí)，IOU 值接近0.9，表示模型預(yù)測(cè)框與真實(shí)框差異較小，模型訓(xùn)練效果趨于最優(yōu)。

圖7 改進(jìn)后YOLOv3 模型訓(xùn)練結(jié)果Fig.7 Training results of revised YOLOv3 model

3 應(yīng)用效果

3.1 分類識(shí)別效果

3.1.1 P-R 曲線

根據(jù)評(píng)價(jià)指標(biāo)將模型在測(cè)試集上運(yùn)行，迭代運(yùn)算過程中計(jì)算不同的R 值和P 值，以R 值為橫坐標(biāo)，P值為縱坐標(biāo)，繪制P-R 曲線，見圖8。其中，藍(lán)色曲線表示梗頭，紅色曲線表示梗含葉，綠色曲線表示純煙梗。識(shí)別精確率AP 等價(jià)于曲線與x 軸圍成的面積，可以觀察到綠色曲線包含面積最大，紅色曲線包含面積最小，藍(lán)色居中。表明模型對(duì)純煙梗的識(shí)別精度最高，對(duì)梗頭的識(shí)別精度次之，對(duì)梗含葉的識(shí)別精度最低。

圖8 模型在測(cè)試集上運(yùn)行的P-R 曲線Fig.8 P-R curve of the model running on test set

3.1.2 復(fù)雜場(chǎng)景的分類識(shí)別效果

選取場(chǎng)景較為復(fù)雜的測(cè)試圖像，分別使用原始YOLOv3 模型及改進(jìn)后YOLOv3 模型進(jìn)行煙梗分類識(shí)別，效果見圖9。圖中背景為黑色輸送帶，分類識(shí)別對(duì)象包括梗頭、梗含葉、純煙梗與雜物（塑料袋、紙張、螺釘與螺帽等）。分類識(shí)別結(jié)果由不同預(yù)測(cè)框表示，黃色框?yàn)榧儫煿?，紫色框?yàn)楣ｎ^，綠色框?yàn)楣：~。由圖9b 可見，原始YOLOv3 模型將部分梗頭誤識(shí)別為純煙梗的有3 個(gè)，將部分梗頭誤識(shí)別為梗含葉的有2 個(gè)，將部分雜物誤識(shí)別為梗含葉的有3 個(gè)，誤識(shí)別率約為10%。由圖9c 可見，改進(jìn)后YOLOv3 模型對(duì)不同類別煙梗識(shí)別準(zhǔn)確，幾乎無誤判，且對(duì)雜物的抗干擾能力強(qiáng)，沒有出現(xiàn)將雜物誤識(shí)別為煙梗等情況，具有較好的分類識(shí)別效果。

圖9 在復(fù)雜環(huán)境下改進(jìn)前后模型識(shí)別效果Fig.9 Identification effect of the model before and after revision under complex scenarios

3.2 模型分類識(shí)別性能評(píng)估

選取SSD、Mask R-CNN、原始YOLOv3 與改進(jìn)后YOLOv3 模型進(jìn)行對(duì)比測(cè)試。SSD 模型與YOLO系列模型均采用one-stage 方法，其中SSD 以VGG16為基礎(chǔ)網(wǎng)絡(luò)提取特征信息，直接生成物體的類別概率和邊界框的坐標(biāo)值，分類識(shí)別速度快，精度高［15］；Mask R-CNN 模型沿用了Faster R-CNN 的思想［16］，并 且 將FCN 與FPN 融 入 算 法 中［17-18］，同 時(shí) 采 用ResNet 作為分類器。

將測(cè)試集所包含的600 張圖像作為分類識(shí)別對(duì)象（梗頭、梗含葉、純煙梗各200 張），單張?jiān)紙D像大小為4 208×3 120 pixel，經(jīng)感興趣區(qū)域裁剪后，歸一化處理為416×416 pixel。由表2 和表3 可見，SSD模型對(duì)煙梗的識(shí)別效果最不理想，精確率小于80%；Mask R-CNN 模型識(shí)別精確率較高，約為91%，但其對(duì)416×416 pixel 圖像的運(yùn)算速度為4 幀/s，無法滿足在線分類識(shí)別的實(shí)時(shí)性；原始YOLOv3 模型的精確率約為89%，運(yùn)算速度為38 幀/s；改進(jìn)后YOLOv3 模型的識(shí)別精確率約為95%，與原始YOLOv3 模型相比識(shí)別精確率提高5.97 百分點(diǎn)，召回率提高4.76 百分點(diǎn)，且識(shí)別速度與原始YOLOv3 模型差異較小，具有較高實(shí)時(shí)性。

表2 不同模型下識(shí)別精確率對(duì)比Tab.2 Comparison of identification accuracy among different models （%）

表3 不同模型下召回率對(duì)比Tab.3 Comparison of recall rate among different models （%）

3.3 與人工分選對(duì)比

將本文研究方法（改進(jìn)后YOLOv3 模型）與人工分選結(jié)果進(jìn)行對(duì)比。測(cè)試方法：挑選9 批次不同比例煙梗，先通過人工逐一挑選，記錄每批次中各類別煙梗數(shù)量作為實(shí)際數(shù)量；再將其依次放入識(shí)別系統(tǒng)中，將系統(tǒng)識(shí)別結(jié)果作為識(shí)別數(shù)量，結(jié)果見表4。可見，系統(tǒng)對(duì)純煙梗的識(shí)別誤差為1.41%，對(duì)梗含葉的誤差為7.32%，對(duì)梗頭的誤差為4.36%，平均識(shí)別誤差為4.35%，能夠滿足在線分類識(shí)別要求。

表4 本文研究方法與人工檢測(cè)對(duì)比Tab.4 Comparison between the proposed method and manual identification

4 結(jié)論

利用高速CCD 相機(jī)與AI 計(jì)算機(jī)搭建了煙梗圖像高速采集與處理平臺(tái)，基于圖像特征設(shè)計(jì)了煙梗圖像自動(dòng)標(biāo)注方法并對(duì)數(shù)據(jù)集進(jìn)行標(biāo)注，在YOLOv3深度學(xué)習(xí)算法框架中加入一條特征增強(qiáng)路徑，提高模型對(duì)圖像中煙梗紋理特征的檢測(cè)敏感度，并在制作好的數(shù)據(jù)集上進(jìn)行訓(xùn)練，生成煙梗圖像分類識(shí)別模型，將該模型與兩個(gè)較為先進(jìn)的分類識(shí)別模型以及人工分選方式進(jìn)行比對(duì)，結(jié)果表明：本研究中所建立模型在測(cè)試集上的表現(xiàn)良好，煙梗識(shí)別精確率達(dá)到95.01%；針對(duì)不同復(fù)雜場(chǎng)景，模型抗干擾能力強(qiáng)，可有效識(shí)別出煙梗位置及類別并避免雜物干擾，相比原始YOLOv3 模型，識(shí)別精確率提高5.97 百分點(diǎn)，召回率提高4.76 百分點(diǎn)，且均優(yōu)于SSD、Mask R-CNN 等模型，能夠滿足煙梗在線分類識(shí)別需求。