我国是农业大国,烟叶作为一项重要的农业支柱产业,是农民提高收入的一项重要补充(为了叙述方便,在本文烤烟烟叶统称为烟叶);烟叶分级是烟叶生产工作中最重要的一环,烟叶分级的合理性决定了烟农最终的经济效益。同时,随着烟叶分级的国家标准逐步的细化与规范化,在日常的烟叶收购工作中,对如何精确的进行烟叶分级识别提出了更高的要求。在日常烟叶分级过程中,主要是依赖于采收人员对烟叶进行等级的划分,其业务水平的高低在分级过程中起着决定性的作用,在分级过程中大多采用模糊的自然语言进行描述,只有定性的划分而没有定量的指标,容易产生人工烟叶分级差异性、分级结果不稳定、合格率低等问题,进而造成烟叶资源的浪费以及烟农与烟叶收购站之间产生矛盾等一系列民生纠纷。本文通过对烟叶数据进行实地的大量采集,对数据进行认真分析,基于烟叶数据等级类型多、数据量大的特性,提出了一种基于卷积神经网络(CNN)的烤烟烟叶分级检测算法。具体工作如下:1.通过对烟叶数据进行实地采集,在自然光照情况下对烟叶图像进行拍照采集,建立烟叶数据集Tobacco,并将采集到的烟叶图像数据进行规整分类,以备仿真实验使用。2.本文深入研究了传统的烟叶分级算法,针对烟叶分级结果准确率偏低、实验样本少的情况,综合考虑模型参数量、模型表现、模型可得性、模型对烟叶数据的训练计算资源需求量、模型易用性等因素,提出了一种基于卷积神经网络—inception-V3的烟叶分级算法,并对inception-V3网络模型进行合理的改动。3.为了能够较好的得到烟叶分级识别的效果,本文对Inception V3模型进行了重构,使用全局平均池化层来代替原来卷积神经网络中的全连接层,同时为了使网络模型产生过拟合的概率降低,在全连接层后面一层加入了dropout层,使神经网络计算效率得到进一步的提升,以提高烟叶分级结果的准确率。本文通过使用非对称的卷积核替代较大的卷积核,有效的降低参数量,减少过拟合,以提高网络非线性扩展模型的表达能力;通过增加输出通道的数量使空间结构简化,将烟叶数据信息转化为高阶的抽象特征信息,在空间聚合之前降低烟叶的输入表征,使相邻单元结果的强相关性在降低维度时损失较小;在更低维度进行空间聚合时,用多分支的结构提取不同程度的高阶特征,以便提高网络的表达能力。同时使网络信号得到便利的压缩,使学习速度变得更快,有效的减少训练所需的时间。通过对烟叶数据集Tobacco进行训练和验证实验,得到了较好的分级识别效果,可以有效的提高烟叶识别的准确率。