中国是世界上人数最多的一个国家,同时卷烟生产总量和消费总量均位居榜首。但是我国目前烟叶分选完全是由人工进行操作的,人工分选带有很强的主观意识,并且长时间进行这种单调重复的操作会使分选效率和准确率降低,再加上我国颁布的烤烟GB2635-92标准对于烟叶分选的属性描述较为模糊,很多属性没有定量的划分,并且因为人员流动较大,导致复烤公司每年都会对分选人员进行培训增大了花费成本。随着机器视觉技术的发展成熟,许多农产品都实现了有关机器视觉领域的自动化,所以进行烟叶自动化分级的需求越来越急迫。现有的方法大多都是使用颜色特征或者形状特征对烟叶进行分选,但是烟叶分选是类内分选,属于细腻度图像分类,仅仅运用机器视觉进行分选的话,正确率得不到保证。因此为解决烟叶分选人工成本大和准确率低等问题,本文提出一种结合传统特征和深度学习特征的网络模型对烟叶进行分级。本文的主要内容如下:1.构建数据集。由于现有的可用数据集均与烟叶分级任务无关,所以如果想要进行深度学习训练神经网络就需要自己构造数据集。通常来讲,任何深度学习任务普遍都是在一定大小范围内拥有训练数据量愈多,模型愈优秀。所以根据训练集和验证集的自身特点,只在训练集上依靠翻转和旋转操作增加样本数。2.本文设计了一种可以在烟叶图片上卓有成效的最大边缘前景提取算法,并分离出前景图像,减少后续图像操作的干扰因素和提高运行速度。3.本文设计了一种新的形态特征提取算法,结合自定义的灰度化,解决了之前算法提取形态特征不准确和鲁棒性低的缺点;使用HSI颜色空间和颜色矩的方法对烟叶的颜色特征进行提取;选取8个不同方位和3个不同尺度的Gabor滤波器的组合对烟叶图像纹理特征提取,并将每一个输出图像进行求均值和求方差压缩维度。4.本文优化了卷积神经网络Efficient Net V2-S,并将其应用于烟叶分级任务中。使用支持向量机确定困难样本,将困难样本添加到训练集,并运用迁移学习的方法对模型赋予初始值,降低模型过拟合现象的发生和提升了预测准确率。将机器视觉技术得到的传统的特征,如形状特征、颜色特征和纹理特征融合到神经网络模型中,并对Efficient Net V2-S的内部层进行了修改,提高模型分选的准确度,使得准确率达90.0%。