CN109117829A - 基于tensorflow的茶叶品种识别系统 - Google Patents

基于tensorflow的茶叶品种识别系统 Download PDF

Info

Publication number
CN109117829A
CN109117829A CN201811050174.3A CN201811050174A CN109117829A CN 109117829 A CN109117829 A CN 109117829A CN 201811050174 A CN201811050174 A CN 201811050174A CN 109117829 A CN109117829 A CN 109117829A
Authority
CN
China
Prior art keywords
tealeaves
image
tensorflow
identified
submodule
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811050174.3A
Other languages
English (en)
Inventor
戈书涵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Institute of Information Engineering
Original Assignee
Anhui Institute of Information Engineering
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui Institute of Information Engineering filed Critical Anhui Institute of Information Engineering
Priority to CN201811050174.3A priority Critical patent/CN109117829A/zh
Publication of CN109117829A publication Critical patent/CN109117829A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于tensorflow的茶叶品种识别系统，包括摄像头、识别设备和数据库服务器，所述识别设备包括特征识别模块、分类模块和触控显示屏；所述摄像头与所述识别设备通信，所述识别设备与数据库服务器通信，所述数据库服务器存储有各类茶叶的相关信息；所述摄像头用于采集待识别的茶叶图像，并将采集到的茶叶图像传输至识别设备；识别设备中的所述特征识别模块用于接收待识别的茶叶图像，并对所述待识别茶叶图像中的茶叶进行类别识别，所述分类模块选择概率最大值对应的类别作为该茶叶图像的类别，并从数据库服务器中调取该类别茶叶的相关信息，输出给触控显示屏进行显示。本发明使得用户可以快速了解待识别茶叶的相关信息。

Description

基于tensorflow的茶叶品种识别系统
技术领域
本发明涉及图像识别领域，具体涉及基于tensorflow的茶叶品种识别系统。
背景技术
随着经济社会的快速发展及人们对健康生活要求的不断提高，茶叶作为自然健康饮品受到越来越多消费者的青睐。但是对于绝大多数的消费者，茶叶的具体信息他们并不了解，而传统的茶叶图像识别的系统是用openvc或者其他计算机视觉开源库，并对图像进行处理、分析和理解，从而识别。而目前出现的茶叶图像识别的系统有以下不足：特殊地茶叶形状无法准确识别，识别率低；两种相似度差不多的茶叶会发生识别错误的问题。
发明内容
本发明的目的在于提出一种基于tensorflow的茶叶品种识别系统。
为了实现上述目的，本发明提供以下技术方案：
一种基于tensorflow的茶叶品种识别系统，包括摄像头、识别设备和数据库服务器，所述识别设备包括特征识别模块、分类模块和触控显示屏；所述摄像头与所述识别设备通信，所述识别设备与数据库服务器通信，所述数据库服务器存储有各类茶叶的相关信息；
所述摄像头用于采集待识别的茶叶图像，并将采集到的茶叶图像输送至识别设备；
识别设备中的所述特征识别模块用于接收待识别的茶叶图像，并对所述待识别茶叶图像中的茶叶进行类别识别，得到待识别茶叶图像中茶叶为各种类别的概率，并输出给分类模块；
所述分类模块选择概率最大值对应的类别作为该茶叶图像的类别，并从数据库服务器中调取该类别茶叶的相关信息，输出给触控显示屏进行显示。
通过摄像头拍摄待识别的茶叶图像，并经过特征识别模块分类识别，选取概率最大值的类别提取数据库中的相关数据，并在触控显示屏上显示，使得用户可以快速了解待识别茶叶的相关信息。
在进一步的方案中，所述特征识别模块基于tensorflow的slim框架下的Inception_v4模型建立的卷积神经网络进行识别，所述卷积神经网络包括输入层、卷积层、函数激活层、池化层、全连接层；
所述输入层用于接收待识别的茶叶图像；
所述卷积层用于提取输入层接收待识别的茶叶图像的特征，并形成特征图；
所述函数激活层，用于将像素负值设置为0；
所述池化层用于对特征图进行压缩，提取主要特征，所述主要特征包括茶叶的外形轮廓、茶叶的颜色；
所述全连接层用于连接所有的主要特征，得到特征向量，并根据特征向量得到待识别茶叶图像中茶叶为各种类别的概率。
通过基于tensorflow的slim框架下的Inception_v4模型建立的卷积神经网络进行识别，使得图像识别的识别率大大提高，且不需要进行图像的前期处理，方便快捷。
在进一步的方案中，所述相关信息包括茶叶名称、茶叶产地、茶叶泡法。使得用户对茶叶的了解更加全面。
在进一步的方案中，所述识别设备还包括训练模块，用于训练所述卷积神经网络模型。
在进一步的方案中，所述训练模块与所述摄像头、特征识别模块相连，且所述训练模块包括以下子模块：
参数设置子模块，用于设置卷积神经网络模型中的学习参数，包括初始化卷积神经网络模型中的学习参数，以及在迭代过程中更新卷积神经网络模型中的学习参数重复执行训练过程进行重新训练，直至达到设定的迭代次数，所述学习参数包括learning_rate、adam_beta、keep_prob；
图像处理子模块，用于利用tensorflow.image中提供了图像解码函数对摄像头拍摄的茶叶图像进行解码，将所述茶叶图像转化为像素矩阵；
图像输入子模块，用于将所述像素矩阵输入到所述卷积神经网络模型；
概率输出子模块，用于从所述卷积神经网络模型输出当前模型参数下所述像素矩阵中每个茶叶分类的概率；
损失计算子模块，用于对概率输出子模块的输出结果进行损失计算，并求取一张像素矩阵中所有茶叶的平均损失；
最小化平均损失求解子模块，用于求解最小化平均损失，并将求解得到的最小化平均损失输出给参数设置子模块。
在进一步的方案中，所述learning_rate的调整区间为0.01～0.05；adam_betal的参数调整区间为0.8～0.9，adam_beta2的调整区间为0.99～0.999；keep_prob值为0.8～0.9。adam_betal的参数调整区间为0.8～0.9，收效速度快，波动小。且keep_prob值设为0.8～0.9，以此来防止过拟合。
与现有技术相比，使用本发明提供的基于tensorflow茶叶品种识别方法，其有益效果为：
通过基于tensorflow的slim框架下的Inception_v4模型建立的卷积神经网络，使得图像识别的识别率大大提高，且不需要对图像做前期处理，方便快捷。
通过触控显示屏显示茶叶名称、茶叶产地、茶叶泡法。用户不仅可以通过查看该类茶叶的特征信息进一步判断待识别茶叶，还能够根据茶叶的特征信息学习和了解相关茶叶信息，使得用户对识别的茶叶有更全面的了解。
通过设置adam_betal的参数调整区间为0.8～0.9，使得收效速度快，波动小，且keep_prob值设为0.8～0.9，以此来防止过拟合。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本实施例中基于tensorflow的茶叶品种识别系统的移动终端的框图；
图2为本实施例中基于tensorflow的茶叶品种识别系统的特征识别模块的构架图；
图3为本实施例中基于tensorflow的茶叶品种识别系统的训练模块的构架图；
图4为本实施例中基于tensorflow的茶叶品种识别系统的总体流程图；
图中标记说明
摄像头1，识别设备2，数据库服务器3，特征识别模块4，输入层41，卷积层42，函数激活层43，池化层44，全连接层45，分类模块5，触控显示屏6，训练模块7，参数设置子模块71，图像处理子模块72，图像输入子模块73，概率输出子模块74，损失计算子模块75，最小化平均损失求解子模块76。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
请参阅图1-4，本实施例示意性地公开了一种基于tensorflow的茶叶品种识别系统，包括摄像头1、识别设备2和数据库服务器3，所述识别设备2包括特征识别模块4、分类模块5和触控显示屏6；所述摄像头1与所述识别设备2通信，所述识别设备2与数据库服务器3通信，所述数据库服务器3存储有各类茶叶的相关信息；
所述摄像头1用于采集待识别的茶叶图像，并将采集到的茶叶图像输送至识别设备2；
识别设备2中的所述特征识别模块4用于接收待识别的茶叶图像，并对所述待识别茶叶图像中的茶叶进行类别识别，得到待识别茶叶图像中茶叶为各种类别的概率，并输出给分类模块5；
所述分类模块5选择概率最大值对应的类别作为该茶叶图像的类别，并从数据库服务器3中调取该类别茶叶的相关信息，输出给触控显示屏6进行显示。
通过摄像头1拍摄待识别的茶叶图像，并经过特征识别模块4分类识别，选取概率最大值的类别提取数据库3中的相关数据，并在触控显示屏6上显示，使得用户可以快速了解待识别茶叶的相关信息。
进一步地，所述特征识别模块4基于tensorflow的slim框架下的Inception_v4模型建立的卷积神经网络进行识别，所述卷积神经网络包括输入层41、卷积层42、函数激活层43、池化层44、全连接层45；
所述输入层41用于接收待识别的茶叶图像；
所述卷积层42用于提取输入层接收待识别的茶叶图像的特征，并形成特征图；
所述函数激活层43，用于将像素负值设置为0；
所述池化层44用于对特征图进行压缩，提取主要特征，所述主要特征包括茶叶的外形轮廓、茶叶的颜色；
所述全连接层45用于连接所有的主要特征，得到特征向量，并根据特征向量得到待识别茶叶图像中茶叶为各种类别的概率。
通过基于tensorflow的slim框架下的Inception_v4模型建立的卷积神经网络进行识别，使得图像识别的识别率大大提高，且不需要进行图像的前期处理，方便快捷。虽然此处使用的是基于tensorflow的slim框架下的Inception_v4模型，Inception_v4模型可以极大地加速训练，同时性能对比于其他模型也有提升，但是容易理解的，在不影响卷积神经网络的建立与使用的情况下，不限制模型的类别。
进一步地，所述相关信息包括茶叶名称、茶叶产地、茶叶泡法。使得用户对茶叶的了解更加全面。容易理解的，此处在不影响内存与运行的情况下，不限制茶叶的特征信息内容，比如干茶、茶汤、叶底图等，此处只是举例，不局限于此。
进一步地，所述识别设备2还包括训练模块7，用于训练所述卷积神经网络模型。
进一步地，所述训练模块7与所述摄像头1、特征识别模块2相连，且所述训练模块包括以下子模块：
参数设置子模块71，用于设置卷积神经网络模型中的学习参数，包括初始化卷积神经网络模型中的学习参数，以及在迭代过程中更新卷积神经网络模型中的学习参数重复执行训练过程进行重新训练，直至达到设定的迭代次数，所述学习参数包括learning_rate、adam_beta、keep_prob；
图像处理子模块72，用于利用tensorflow.image中提供了图像解码函数对摄像头拍摄的茶叶图像进行解码，将所述茶叶图像转化为像素矩阵；
图像输入子模块73，用于将所述像素矩阵输入到所述卷积神经网络模型；
概率输出子模块74，用于从所述卷积神经网络模型输出当前模型参数下所述像素矩阵中每个茶叶分类的概率；
损失计算子模块75，用于对概率输出子模块的输出结果进行损失计算，并求取一张像素矩阵中所有茶叶的平均损失；
最小化平均损失求解子模块76，用于求解最小化平均损失，并将求解得到的最小化平均损失输出给参数设置子模块。
接收最小化平均损失后的参数设置子模块71，更新模型中所有的学习参数，卷积神经网络模型中的学习参数被更新之后，所述图像输入子模块73输入新的像素矩阵到更新后的卷积神经网络模型，所述概率输出子模块74、损失计算子模块75、最小化平均损失求解子模块76重复迭代工作，直到达到预设的迭代次数，若达到迭代次数后，卷积神经网络模型的识别正确率未达到大于等于90％的精度要求，则修改学习参数进行优化，继续训练重复迭代工作。
进一步地，所述learning_rate的调整区间为0.01～0.05；adam_betal的参数调整区间为0.8～0.9，adam_beta2的调整区间为0.99～0.999；keep_prob值为0.8～0.9。adam_betal的参数调整区间为0.8～0.9，收效速度快，波动小。且keep_prob值设为0.8～0.9，以此来防止过拟合。
以上所述，仅为本发明的具体实施方式，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于tensorflow的茶叶品种识别系统，其特征在于，包括摄像头、识别设备和数据库服务器，所述识别设备包括特征识别模块、分类模块和触控显示屏；所述摄像头与所述识别设备通信，所述识别设备与数据库服务器通信，所述数据库服务器存储有各类茶叶的相关信息；
所述摄像头用于采集待识别的茶叶图像，并将采集到的茶叶图像传输至识别设备；
识别设备中的所述特征识别模块用于接收待识别的茶叶图像，并对所述待识别茶叶图像中的茶叶进行类别识别，得到待识别茶叶图像中茶叶为各种类别的概率，并输出给分类模块；
所述分类模块选择概率最大值对应的类别作为该茶叶图像的类别，并从数据库服务器中调取该类别茶叶的相关信息，输出给触控显示屏进行显示。
2.根据权利要求1所述的基于tensorflow的茶叶品种识别系统，其特征在于，所述特征识别模块基于tensorflow的slim框架下的Inception_v4模型建立的卷积神经网络进行识别，所述卷积神经网络包括输入层、卷积层、函数激活层、池化层、全连接层；
所述输入层用于接收待识别的茶叶图像；
所述卷积层用于提取输入层接收待识别的茶叶图像的特征，并形成特征图；
所述函数激活层，用于将像素负值设置为0；
所述池化层用于对特征图进行压缩，提取主要特征，所述主要特征包括茶叶的外形轮廓、茶叶的颜色；
所述全连接层用于连接所有的主要特征，得到特征向量，并根据特征向量得到待识别茶叶图像中茶叶为各种类别的概率。
3.根据权利要求1所述的基于tensorflow的茶叶品种识别系统，其特征在于，所述相关信息包括茶叶名称、茶叶产地、茶叶泡法。
4.根据权利要求2所述的基于tensorflow的茶叶品种识别系统，其特征在于，所述识别设备还包括训练模块，用于训练所述卷积神经网络模型。
5.根据权利要求4所述的基于tensorflow的茶叶品种识别系统，其特征在于，所述训练模块与所述摄像头、特征识别模块相连，且所述训练模块包括以下子模块：
参数设置子模块，用于设置卷积神经网络模型中的学习参数，包括初始化卷积神经网络模型中的学习参数，以及在迭代过程中更新卷积神经网络模型中的学习参数重复执行训练过程进行重新训练，直至达到设定的迭代次数，所述学习参数包括learning_rate、adam_beta、keep_prob；
图像处理子模块，用于利用tensorflow.image中提供了图像解码函数对摄像头拍摄的茶叶图像进行解码，将所述茶叶图像转化为像素矩阵；
图像输入子模块，用于将所述像素矩阵输入到所述卷积神经网络模型；
概率输出子模块，用于从所述卷积神经网络模型输出当前模型参数下所述像素矩阵中每个茶叶分类的概率；
损失计算子模块，用于对概率输出子模块的输出结果进行损失计算，并求取一张像素矩阵中所有茶叶的平均损失；
最小化平均损失求解子模块，用于求解最小化平均损失，并将求解得到的最小化平均损失输出给参数设置子模块。
6.根据根据权利要求5所述的基于tensorflow的茶叶品种识别系统，其特征在于，所述learning_rate的调整区间为0.01～0.05；adam_betal的参数调整区间为0.8～0.9，adam_beta2的调整区间为0.99～0.999；keep_prob值为0.8～0.9。
CN201811050174.3A 2018-09-10 2018-09-10 基于tensorflow的茶叶品种识别系统 Pending CN109117829A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811050174.3A CN109117829A (zh) 2018-09-10 2018-09-10 基于tensorflow的茶叶品种识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811050174.3A CN109117829A (zh) 2018-09-10 2018-09-10 基于tensorflow的茶叶品种识别系统

Publications (1)

Publication Number Publication Date
CN109117829A true CN109117829A (zh) 2019-01-01

Family

ID=64858990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811050174.3A Pending CN109117829A (zh) 2018-09-10 2018-09-10 基于tensorflow的茶叶品种识别系统

Country Status (1)

Country Link
CN (1) CN109117829A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210568A (zh) * 2019-06-06 2019-09-06 中国民用航空飞行学院 基于卷积神经网络的航空器尾涡识别方法及系统
CN111568195A (zh) * 2020-02-29 2020-08-25 佛山市云米电器科技有限公司 冲泡饮物识别方法、设备及计算机可读存储介质
CN113359628A (zh) * 2021-05-31 2021-09-07 三江侗族自治县仙池茶业有限公司 一种绿茶加工过程的控制方法和装置
CN114283303A (zh) * 2021-12-14 2022-04-05 贵州大学 一种茶青分类方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633038A (zh) * 2017-09-13 2018-01-26 浙江大学 基于图像识别技术的茶叶识别方法及其系统
CN107729923A (zh) * 2017-09-19 2018-02-23 浙江师范大学 一种基于TensorFlow的商品计算机视觉识别方法
CN108335313A (zh) * 2018-02-26 2018-07-27 阿博茨德（北京）科技有限公司 图像分割方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633038A (zh) * 2017-09-13 2018-01-26 浙江大学 基于图像识别技术的茶叶识别方法及其系统
CN107729923A (zh) * 2017-09-19 2018-02-23 浙江师范大学 一种基于TensorFlow的商品计算机视觉识别方法
CN108335313A (zh) * 2018-02-26 2018-07-27 阿博茨德（北京）科技有限公司 图像分割方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210568A (zh) * 2019-06-06 2019-09-06 中国民用航空飞行学院 基于卷积神经网络的航空器尾涡识别方法及系统
CN111568195A (zh) * 2020-02-29 2020-08-25 佛山市云米电器科技有限公司 冲泡饮物识别方法、设备及计算机可读存储介质
CN113359628A (zh) * 2021-05-31 2021-09-07 三江侗族自治县仙池茶业有限公司 一种绿茶加工过程的控制方法和装置
CN113359628B (zh) * 2021-05-31 2023-04-07 三江侗族自治县仙池茶业有限公司 一种绿茶加工过程的控制方法和装置
CN114283303A (zh) * 2021-12-14 2022-04-05 贵州大学 一种茶青分类方法
CN114283303B (zh) * 2021-12-14 2022-07-12 贵州大学 一种茶青分类方法

Similar Documents

Publication Publication Date Title
CN109117829A (zh) 基于tensorflow的茶叶品种识别系统
US10719693B2 (en) Method and apparatus for outputting information of object relationship
CN109325148A (zh) 生成信息的方法和装置
CN108288051B (zh) 行人再识别模型训练方法及装置、电子设备和存储介质
Ma et al. Blind image quality assessment by learning from multiple annotators
CN111523621A (zh) 图像识别方法、装置、计算机设备和存储介质
CN108509407A (zh) 文本语义相似度计算方法、装置及用户终端
CN109409994A (zh) 模拟用户穿戴服装饰品的方法、装置和系统
CN109784474A (zh) 一种深度学习模型压缩方法、装置、存储介质及终端设备
CN110209859A (zh) 地点识别及其模型训练的方法和装置以及电子设备
CN110782318A (zh) 基于音频交互的营销方法、装置以及存储介质
CN108133201A (zh) 人脸属性识别方法和装置
CN108875693A (zh) 一种图像处理方法、装置、电子设备及其存储介质
CN105357519B (zh) 基于自相似度特征的无参考立体图像质量客观评价方法
CN108960316A (zh) 用于生成模型的方法和装置
CN107330750A (zh) 一种推荐产品配图方法及装置，电子设备
CN108197592A (zh) 信息获取方法和装置
CN107590460A (zh) 人脸分类方法、装置及智能终端
CN110113634A (zh) 一种信息互动方法、装置、设备及存储介质
CN108319888A (zh) 视频类型的识别方法及装置、计算机终端
CN105430394A (zh) 视频数据压缩处理方法、装置和设备
CN110866469A (zh) 一种人脸五官识别方法、装置、设备及介质
CN113628309A (zh) 一种真人语音口型动画生成方法及系统、电子设备、存储介质
CN109978074A (zh) 基于深度多任务学习的图像美感和情感联合分类方法及系统
CN109829364A (zh) 一种表情识别方法、装置和推荐方法、装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190101