CN109002855A - 一种基于卷积神经网络的红茶发酵程度的鉴定方法 - Google Patents

Abstract

本发明涉及一种基于卷积神经网络的红茶发酵程度的鉴定方法，采取的方案为：首先，针对红茶发酵程度的鉴定，将红茶生产线中的数据采集与监控系统（SCADA）采集到的红茶发酵图片，选取样本图作为CNN的训练集；其次，进行CNN训练过程；再次，在CNN的输出层对红茶发酵程度的识别与鉴定，并将判断结果作为下一步加工的参考依据；最后，根据上一步对红茶发酵程度的识别与鉴定。实现红茶发酵的连续化。

Description

一种基于卷积神经网络的红茶发酵程度的鉴定方法

技术领域

本发明涉及一种基于卷积神经网络的鉴定方法，主要用于红茶发酵阶段采集到的图片进行发酵程度的鉴定。属于红茶加工技术领域。

背景技术

目前，国内茶叶生产企业对于红茶的生产没有完全实现自动化。因为在红茶的发酵过程中，对发酵程度的鉴定仍未实现自动鉴定。现有的红茶发酵程度鉴定方法，如叶色匹配、试剂检测等，在实际的应用中面临着测试准确性较低、测试速度慢、依赖人工等问题，这些问题严重阻碍了红茶的自动化生产。

为了降低红茶发酵对人工的依赖，进一步推动红茶的自动化生产，需要对红茶发酵程度鉴定方法进行着重研究，根据相关专利知已经实现红茶发酵程度鉴定的有：专利号为CN103424520A的专利文件公开了一种红茶发酵适度判定方法，取发酵叶样品测定并记录EGCG含量，专利号为CN104155299A的专利文件公开了一种基于色相直方图的红茶发酵适度判别方法及装置，专利号为CN104297203A的专利文件公开了一种基于近红外光谱分析技术的工夫红茶发酵质量的快速判别方法。

以上红茶发酵程度鉴定方法仍未实现对于红茶生产线的自动鉴定，在生产加工过程中受到了一定的限制。本发明将深度学习及卷积神经网络与红茶的加工与生产相结合，目的在于对生产线中采集到的红茶发酵图片进行实时鉴定，与红茶发酵设备的控制系统结合，将鉴定结果反馈到发酵设备控制系统，使发酵设备实现智能与自动化发酵，若发酵适度则进入下一步的烘焙工序，否则需要继续发酵，直到发酵程度达到适度标准才进行下一步工艺。可以取代由制茶师来判断的方式，同时避免出现因人工进入发酵室而引起室内环境不稳定的问题，有助于解决红茶生产对人工过度依赖的问题，这对促进红茶发酵自动化、连续化与清洁化，以及推动红茶生产及茶叶加工领域整体的自动化与智能化加工有重要意义。

发明内容

为了满足茶叶加工自动化生产需求以及精准掌控红茶发酵品质，减少红茶生产对人工操作的依赖性，本发明旨在提供一种基于卷积神经网络的红茶发酵程度鉴定方法并将其应用于红茶发酵程度的智能鉴定与分类。

为了解决上述技术问题，本发明采取的技术方案为：一种基于卷积神经网络的红茶发酵程度的鉴定方法，其特征在于：

首先，针对红茶发酵程度的鉴定，将红茶生产线中的数据采集与监控系统（SCADA）采集到的红茶发酵图片，选取带标签的8000张四个发酵阶段的样本图作为CNN的训练集；

其次，进行CNN训练过程；所述CNN训练过程结构主要由输入层，卷积层，池化层，全连接层和输出层构成，其中所述卷积层和池化层交替设置，即一个卷积层连接一个池化层，池化层后再连接一个卷积层，依此类推；

再次，在CNN的输出层对红茶发酵程度的识别与鉴定，并将判断结果作为下一步加工的参考依据；

最后，根据上一步对红茶发酵程度的识别与鉴定，若红茶发酵未完成，即发酵程度非适度标准，需要继续发酵，若发酵程度达到适度标准，则结束发酵，继续下一步烘焙工艺；通过CNN对红茶发酵程度的鉴定作为红茶生产线SCADA系统的红茶发酵程度鉴定模块，实现红茶发酵的连续化。

优选地：所述输入层为红茶发酵图片的RGB像素矩阵。

优选地：所述卷积层在进行卷积运算时，输入特征为红茶发酵图片的RGB像素矩阵，对特征图矩阵的每个像素进行卷积运算，在第一个卷积运算中，通过增大卷积核的滑动步长减少重复的卷积运算过程。

优选地：所述红茶发酵图片的彩色像素提取值为：R（Red）值为79-88，G（Green）值为31-9，B（Blue）值为65-71。

优选地：进行CNN训练过程时：首先将图片处理成64×64大小的图片；然后将简单预处理的红茶发酵图片分为A、B、C、D四个类别，类别A、B、C、D分别为连续发酵了1.5h，2.5h，3.5h和4.5h的红茶图片。

优选地：所述输出层中使用线性SVM分类器。

优选地：所述输出层设4个神经单元，代表了四类鉴定结果，分别对应红茶发酵阶段1.5h、2.5h、3.5h、4.5h。

上述方案中，一种基于卷积神经网络（Convolutional Neural Network, CNN）的红茶发酵程度的鉴定方法，将深度学习及相关技术与茶叶加工相融合。针对红茶发酵过程中对发酵程度判断过度依赖于人工的问题，设计了一套针对红茶发酵图片进行程度鉴定与分类的卷积神经网络，并取得良好的效果，红茶发酵程度分类准确率可达到91.3%。其结构为输入层→卷积层→池化层→卷积层→池化层→全连接层→输出层，在CNN卷积运算过程中，通过对红茶发酵图片进行特征提取，得到图像的特征分布，并根据红茶发酵鉴定的具体场景及发酵图片的特征，以及卷积核大小对卷积核滑动步长进行调整，降低了第一个卷积过程运算的复杂度，保持了良好的鉴定准确率，同时也没有丢失特征图的信息。

神经网络结构模型是基于LeCun提出的一个经典CNN结构模型，在分析了红茶发酵图片的特征基础上，针对卷积神经网络的具体结构进行了改进与调整。该结构主要由输入层，卷积层，池化层，全连接层和输出层构成，采用卷积层和池化层交替设置，即一个卷积层连接一个池化层，池化层后再连接一个卷积层，依此类推；

所述卷积层中的卷积核为要提取的特征量，在进行卷积运算时，提取红茶发酵图片的像素值（RGB）作为图片的特征,卷积层中输出特征面的每个神经元与其输入进行局部连接，并通过对应的连接权值与局部输入进行加权求和再加上偏置值，便得到该神经元输入。在第一个卷积运算的过程中，通过调整卷积核的滑动步长减少重复的卷积运算过程；

所述池化层是对卷积层提取到的特征图进行池化操作，池化是对卷积层卷积得到的提取到的特征向量进行降维处理，从而预防后期出现过拟合问题。本发明中对池化层采用最大池化，选用最大池化进行处理，既能有效反映图像的特征，又能有效地区分不同程度的红茶发酵图片；

所述全连接层是对卷积层或池化层中的类别区分较为明显的局部特征进行整合。全连接层的每一个结点都与上一层中的所有结点相连，即上一层的所有特征连到一起。上一层中的特征图通过全连接层，经过转换变成一个向量；

所述输出层是将全连接层中的向量作为输入，通过分类函数对特征向量进行计算，最后得出分类结果。相对于通常采用的Softmax逻辑回归进行分类，使用线性SVM分类器对红茶发酵程度鉴定的准确率更高，分类速度更快；

所述SCADA数据采集与监控系统将采集到的红茶发酵图片，选取了带标签的8000张四个发酵阶段的样本图作为CNN的训练集。在进行训练时，在CNN的输出层中使用线性支持向量机（Linear Support Vector Machine, L-SVM）分类器对红茶发酵程度的识别与鉴定，并将判断结果作为下一步加工的参考依据，自动进入到红茶的下一个加工工序。通过CNN对红茶发酵程度的鉴定可作为红茶生产线SCADA系统的红茶发酵程度鉴定模块，有利于进一步完善SCADA系统对红茶生产线的监管，实现红茶发酵的连续化。

附图说明：

图1为红茶发酵程度分类的卷积神经网络结构；

图2为CNN-SVM训练测试过程中的误分类曲线；

图3为CNN-Softmax训练测试过程中的误分类曲线；

图4为红茶智能发酵流程示意图。

具体实施方式：

实施例1：

下面将结合本实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

首先，针对红茶发酵程度的鉴定，将红茶生产线中的数据采集与监控系统（SCADA）采集到的红茶发酵图片，选取带标签的8000张四个发酵阶段的样本图作为CNN的训练集；将图片处理成64×64大小的图片。图片规则化后能有效表现出红茶发酵图片的特征，更利于简化卷积神经网络的训练。简单预处理的红茶发酵图片属于四个类别，类别A，B，C和D分别为连续发酵了1.5h，2.5h，3.5h和4.5h的红茶图片，其中8000张图片用于CNN的训练过程，将训练好的卷积神经网络结构对4000张图片进行测试。

其次，进行CNN训练过程；CNN训练过程中所采用算法为反向传播（BackPropagation ,BP）算法，该算法基于梯度下降原则。反向传播算法的训练目标是通过调整参数使预测的准确率最高，即最小化代价函数，通过求最小代价函数极小值点可以找到使得准确率最高的解。反向传播的思路为：对给定的样本，对神经网络逐层进行前向传播运算，直到得出输出层的结果，再计算输出层的均方误差，再反向对均方误差求偏导计算每层每个神经元节点的残差，根据残差来调整连接权重w和偏置值b。记第层第个神经元的残差为，反向传播算法训练步骤如下：

（1）选取设定网络结构，初始化所有连接权重及阈值等参数；

（2）对每一组训练样本，利用网络进行前向传播，依次计算层的实际输出值；

（3）对第n层的每个神经元i，计算该神经元的残差，计算公式如下：

；

（4）设第层中的节点数，则第层中第i个神经元节点的残差计算公式为：

；

（5）根据残差对代价函数求偏导，求得权值的梯度：

；

（6）根据梯度对相应权值和进行更新：

；

迭代执行步骤（2）至步骤（6），直到代价函数达到我们预设的值，此时参数w和b的值趋于稳定从而使得预测的准确率最高；

如附图1所示，红茶发酵程度分类的卷积神经网络结构，在前向传播阶段，输入层图像大小为64×64，卷积层C1和池化层S2中分别由3个特征图组成，卷积层C3和池化层S4分别由6个特征图组成。

对输入大小为64×64的红茶发酵图片进行第一个卷积运算，卷积核大小为5×5，其滑动步长为3，得到卷积层C1层的特征图大小为20×20；对卷积层C1池化过程采用最大池化，卷积核大小为3×3，滑动步长为2，池化层S2得到的特征图大小为9×9；将S2的特征图作为卷积层C3的输入图像，对S2卷积过程中，卷积核大小为5×5，滑动步长取1，得到C3中的特征图大小为5×5；对卷积层C3采用均值池化，核大小为3×3，滑动步长取2，得到池化层S4的特征图大小为2×2；全连接层的输入为6个大小为2×2的特征图；输出为长度24（6×2×2）的向量，输出层有4个神经单元，代表了四类鉴定结果；

如下表1、表2所示，经过对第一个卷积层的卷积核滑动步长进行调整，训练完成后，卷积核滑动步长为1时需要训练迭代50次后，测试的误分类率稳定在0.144，则准确率为85.6%；当卷积核滑动步长增大为3，迭代30次时误分类率稳定在0.137，准确率为86.3%，说明在第一次卷积运算中，调整卷积核的滑动步长降低了卷积运算的复杂度，提高了本文设计的卷积神经网络结构的训练速度，同时保持着良好的鉴定效果。

表1：滑动步长调整前后的训练测试的结果对比

对于同一样本集训练完成后，分别使用CNN-SVM与CNN-Softmax的结构进行测试，两种网络结构训练速度相当，如图2所示，CNN-SVM训练测试过程中的误分类曲线，可见CNN-SVM迭代29次即可完成训练其误分类曲线，如图3所示，CNN-Softmax训练测试过程中的误分类曲线，CNN-Softmax则需要迭代30次。

表2：两种网络结构对同一测试集的识别准确率

最后，如附图4所示红茶智能发酵流程示意图，卷积神经网络训练结束后，对红茶生产线中的SCADA系统采集到的图片直接进行红茶发酵程度的识别与鉴定。若红茶发酵未完成，即发酵程度非适度标准，需要继续发酵；若发酵程度达到适度标准，则结束发酵，继续下一步烘焙工艺；通过CNN对红茶发酵程度的鉴定作为红茶生产线SCADA系统的红茶发酵程度鉴定模块，实现红茶发酵的连续化。在本鉴定平台中，可将红茶发酵程度的类别分为适度发酵和非适度发酵两类，本部分将连续发酵4小时至4.5小时采集到的图像标记为适度发酵，4小时之前采集到的标记为非适度。将红茶发酵程度类别分类两类，简化了红茶发酵程度的判断，提高了红茶加工的效率。将鉴定结果反馈到发酵机控制系统，使发酵机实现智能与自动化发酵，若发酵适度则进入下一步的烘焙工序，否则需要继续发酵，直到发酵程度达到适度标准才进行下一步工艺。

上述方案在测试过程中，平台运行稳定流畅，对于每张图片的鉴定都在30ms内给出结果，相比人工鉴定，鉴定平台极大地提高了鉴定效率，达到了设计的预期要求。红茶发酵程度鉴定终端是模拟红茶生产线中对发酵程度进行鉴定，并选取了4000张图片进行鉴定，根据实际工艺需求，将测试集的类别分为适度发酵和非适度发酵两类，其中适度发酵的图片有1000张，从发酵前4小时采集到非适度发酵的图片有3000张。测试过程中对适度发酵的图片的红茶均鉴定结果全部正确，对非适度发酵的3000张图片仅有2张误分类图片，在理论上具有实时鉴定的功能。在实际的生产中，对大量图片进行鉴定训练与测试，实现更多更复杂的发酵程度进行鉴定，是发酵终端实时鉴定的基础，将鉴定终端应用到实际生产线中实现在线鉴定，具有十分重要的研究价值。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种基于卷积神经网络的红茶发酵程度的鉴定方法，其特征在于：

首先，针对红茶发酵程度的鉴定，将红茶生产线中的数据采集与监控系统（SCADA）采集到的红茶发酵图片，选取带标签的8000张四个发酵阶段的样本图作为CNN的训练集；

其次，进行CNN训练过程；所述CNN训练过程结构主要由输入层，卷积层，池化层，全连接层和输出层构成，其中所述卷积层和池化层交替设置，即一个卷积层连接一个池化层，池化层后再连接一个卷积层，依此类推；

再次，在CNN的输出层对红茶发酵程度的识别与鉴定，并将判断结果作为下一步加工的参考依据；

最后，根据上一步对红茶发酵程度的识别与鉴定，若红茶发酵未完成，即发酵程度非适度标准，需要继续发酵，若发酵程度达到适度标准，则结束发酵，继续下一步烘焙工艺；通过CNN对红茶发酵程度的鉴定作为红茶生产线SCADA系统的红茶发酵程度鉴定模块，实现红茶发酵的连续化。

2.如权利要求1所述的一种基于卷积神经网络的红茶发酵程度的鉴定方法，其特征在于：所述输入层为红茶发酵图片的RGB像素矩阵。

3.如权利要求1所述的一种基于卷积神经网络的红茶发酵程度的鉴定方法，其特征在于：所述卷积层在进行卷积运算时，输入特征为红茶发酵图片的RGB像素矩阵，对特征图矩阵的每个像素进行卷积运算，在第一个卷积运算中，通过增大卷积核的滑动步长减少重复的卷积运算过程。

4.如权利要求1-3任意一项所述的一种基于卷积神经网络的红茶发酵程度的鉴定方法，其特征在于：所述红茶发酵图片的彩色像素提取值为：R（Red）值为79-88，G（Green）值为31-9，B（Blue）值为65-71。

5.如权利要求1所述的一种基于卷积神经网络的红茶发酵程度的鉴定方法，其特征在于：进行CNN训练过程时：首先将图片处理成64×64大小的图片；然后将简单预处理的红茶发酵图片分为A、B、C、D四个类别，类别A、B、C、D分别为连续发酵了1.5h，2.5h，3.5h和4.5h的红茶图片。

6.如权利要求1所述的一种基于卷积神经网络的红茶发酵程度的鉴定方法，其特征在于：所述输出层中使用线性SVM分类器。

7.如权利要求1或6所述的一种基于卷积神经网络的红茶发酵程度的鉴定方法，其特征在于：所述输出层设4个神经单元，代表了四类鉴定结果，分别对应红茶发酵阶段1.5h、2.5h、3.5h、4.5h。