钟 宇，周明珠，徐 燕，刘德祥，王宏强，董 浩*,3,4，禹 舰，李晓辉，杨 进，邢 军

1.新疆维吾尔自治区烟草质量监督检测站，乌鲁木齐经济技术开发区天柱山街55号 830026 2.国家烟草质量监督检验中心，郑州高新技术产业开发区翠竹街6号 450001 3.中国科学院合肥物质科学研究院 安徽光学精密机械研究所 光电子技术研究中心，合肥市蜀山湖路350号 230031 4.中国科学技术大学，合肥市金寨路96号 230026

1 材料与方法

1.1材料

从一批未掺配烟丝中随机取梗丝、叶丝、膨胀叶丝和再造烟叶丝各100根。

1.2图像采集与处理

使用500万像素工业相机和35 mm焦距工业镜头（德国Basler acA1920-40gm GigE相机和配套镜头），采集4种类型烟丝各100个样本的图像，单个图像大小为2 592像素×1 944像素。

图像处理、模型建立、数值计算代码均采用python语言；残差卷积神经网络构建采用开源的tensorflow-gpu 1.13.2，keras2.1.5；图 片 处 理 采 用opencv 4.3.0.36；数据集的组织、分割以及模型评价指标计算采用numpy 1.17.4，pandas 1.0.5，sklearn 0.23.1；图像处理单元（Graphic Processing Unit，GPU）采用NVIDIA GeForce RTX2060。

1.3 模型构建

1.3.1 数据集构建

通过opencv将样本缩放至256像素×256像素，以减小样本内存。将处理后样本的80%作为训练集进行模型训练，20%作为测试集用以验证模型表现。训练集和测试集的样本分布见表1。

表1 训练集和测试集样本数量分布Tab.1 Sample quantity distribution of training set and test set （张）

图1 梗丝样本图像Fig.1 Image of cut stem sample

为有效降低模型“过拟合”风险，采用水平/竖直方向平移、水平/竖直方向翻转、随机旋转、随机缩放、错切变换等方式对数据集进行增强［15］。图1为原数据集中梗丝的一个样本图像，图2为梗丝图像经不同方式变换后的增强图像。经算法处理后，原数据集从400张增强至7 832张，增强后的训练集和测试集样本数量分布见表2。……