InspectionV3：用于自动化车间管理的深度卷积神经网络提升烟草质量评估

烟草作坊常见的问题包括烘制不良、供应不一致、作业排程不规律以及监督不足，这些问题都会导致成本增加和质量下降。大量生产使得人工检查成本高昂、效率低下且不可靠。近期，深度卷积神经网络在能力上取得了超越传统方法的进展。然而，要充分发挥其优势，还需要针对烟草品级细微差异进行大量定制。本研究介绍了 InspectionV3，一个用于自动化熏叶烟等级评估的集成解决方案，采用定制化的深度卷积神经网络架构。通过由 21,113 张涵盖 20 个品级类别的标注数据集建立，覆盖颜色、成熟度和烘制细节等方面的评估范围。专家标注员对烟叶图像进行预处理，包括清洗、标注和数据增强。多层 CNN 采用批量归一化来描述如渗透性和含水斑点等领域属性，从而 account for 车间环境的细微差异。其优势在于将视觉模式转换为提升工作流程的有用信息。通过实时、现场的等级评估，实现与人类专家相当的快速通知。图像驱动的仪表板 facilitate 对产量预测、库存、瓶颈以及数据驱动决策的跟踪。通过进一步重新训练吸收更多标注图像，提高表征能力，使其能够适应季节性变化。指标显示准确率为 97%，精确率和召回率为 95%，F1 分数和 AUC 为 96%，特异度为 95%；验证了在实际场景中的可行性。