CN111753852A - 茶叶识别方法、推荐方法、茶叶识别装置、设备及介质 - Google Patents

Abstract

本发明提供一种茶叶识别方法、推荐方法、茶叶识别装置、设备及介质，所述的茶叶识别方法包括：采集茶叶图像；经过预处理获取图像信息，将所述图像信息进行特征处理获取茶叶特征，所述特征处理至少包括以下之一：颜色特征处理、形状特征处理；根据所述茶叶特征确定相对应的茶叶种类。利用不同种类的茶叶的颜色或者形状存在特征差异，并通过颜色特征处理和/或形状特征处理获取该种类茶叶的特征，便于进行识别，利用图像识别技术对茶叶的种类进行识别，确定茶叶的种类，解决现有技术中的不容易知晓茶叶的种类、品用方法的问题。

Description

茶叶识别方法、推荐方法、茶叶识别装置、设备及介质

技术领域

本发明涉及检测技术领域，特别是涉及一种茶叶识别方法、推荐方法、茶叶识别装置、设备及介质。

背景技术

我国是茶叶消费大国，也是茶文化大国，每年消费大量的茶叶。茶叶的种类繁多，对应的科普、文化、饮用方法、产品以服务也各有不同，消费者在刚开始接触茶叶或饮茶时，不容易知晓茶叶的种类、品用方法。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种茶叶识别方法、推荐方法、茶叶识别装置、设备及介质，用于解决现有技术中的不容易知晓茶叶的种类、品用方法的问题。

为实现上述目的及其他相关目的，本发明提供一种茶叶识别方法，包括：

采集茶叶图像；

经过预处理获取图像信息，将所述图像信息进行特征处理获取茶叶特征，所述特征处理至少包括以下之一：颜色特征处理、形状特征处理；

根据所述茶叶特征确定相对应的茶叶种类。

可选的，所述预处理包括图像的二值化处理、特征值颜色处理，去掉茶叶图像的背景，获取图像信息。

可选的，所述颜色特征处理包括：提供颜色特征算法提取茶叶片段的各个片段的颜色以及对应颜色片段的图像面积或面积百分比，所述颜色特征算法包括HSV模型、HIS模型、YUI模型。

可选的，所述颜色特征处理还包括：提供BP神经网络模型；

对于每一个图像信息i，颜色特征提取的特征值为M个，并作为输入层，且所述输入层为1*M的矩阵；

隐含层为1*P的矩阵；

输出层为1*N的矩阵，当该图像信息i属于第n类茶叶时，输出层n取1，否则取0，其中，N为茶叶颜色种类数量，茶叶类型记为n，n的取值从1至N；

设置激励函数，并对各个图像信息进行BP神经网络模型进行训练。

可选的，将待测的图像信息的特征值输入BP神经网络模型，得到结果为1*N的向量，取值均为0-1的实数，获取茶叶颜色种类概率序列{Ci}，i从1至N，通过茶叶颜色种类概率序列{Ci}与茶叶颜色种类数量N，确定茶叶种类。

可选的，所述形状特征处理包括：按照茶叶形状进行分类，获取茶叶形状种类以及茶叶形状种类数量，提供卷积神经网络模型，通过所述图像信息对所述卷积神经网络模型进行训练，并将所述图像信息输入所述卷积神经网络模型获取茶叶形状种类概率序列{Dj}，j的取值从1至M，M为茶叶形状种类数量，通过茶叶形状种类概率序列{Dj}与茶叶形状种类数量M，确定茶叶种类。

可选的，根据所述茶叶特征确定相对应的茶叶种类的步骤包括：通过茶叶颜色种类和茶叶形状种类确定茶叶的种类，其数学表达为：

Ek＝Ci*Dj

其中，Ek为茶叶种类概率，k为茶叶种类的数量。

可选的，对于从茶叶图像中提取的x个图像信息进行分析，得到概率序列{{Ek}x}，其中k为茶叶种类，x为图像信息的个数，取{{Ek}x}中极大值的t％作为阈值，大于阈值记为1，小于阈值记为0，将其展开并合并同类项，得到{Ek′}，Ek′为0-l的整数，根据需要推荐的茶叶种类个数q，取{Ek′}中从大到小的前q个种类。

一种茶叶推荐方法，包括：

预设茶叶对应的茶叶信息，所述茶叶信息至少包括以下之一：茶叶信息、产品说明、商品广告；

识别相应的茶叶种类，并依据该茶叶种类及概率推送相对应的茶叶信息。

一种茶叶识别装置，包括：

采集模块，用于采集茶叶图像；

识别模块，用于将茶叶图像经过预处理获取图像信息，并将所述图像信息进行特征处理获取茶叶特征，所述特征处理至少包括以下之一：颜色特征处理、形状特征处理，根据所述茶叶特征确定相对应的茶叶种类。

一种设备，包括：

一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行一个或多个所述的方法。

一个或多个机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行个或多个所述的方法。

如上所述，本发明提供的一种茶叶识别方法、推荐方法、茶叶识别装置、设备及介质，具有以下有益效果：

利用不同种类的茶叶的颜色或者形状存在特征差异，并通过颜色特征处理和/或形状特征处理获取该种类茶叶的特征，便于进行识别，利用图像识别技术对茶叶的种类进行识别，确定茶叶的种类，解决现有技术中的不容易知晓茶叶的种类、品用方法的问题。

附图说明

图1为本发明实施例提供的茶叶识别方法的流程示意图。

图2为本发明实施例提供的茶叶推荐方法的流程示意图。

图3为本发明实施例提供的茶叶识别装置的结构示意图。

图4为一实施例提供的终端设备的硬件结构示意图。

图5为另一实施例提供的终端设备的硬件结构示意图。

元件标号说明

1100 输入设备

1101 第一处理器

1102 输出设备

1103 第一存储器

1104 通信总线

1200 处理组件

1201 第二处理器

1202 第二存储器

1203 通信组件

1204 电源组件

1205 多媒体组件

1206 语音组件

1207 输入/输出接口

1208 传感器组件

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

请参阅图1，本发明提供一种茶叶识别方法，包括：

S1：采集茶叶图像，例如，可以通过移动终端、客户终端对茶叶进行图像采集，获取茶叶图像，采集的茶叶图像可以在终端进行解析也可以发送到云端进行解析；

S2：经过预处理获取图像信息，将所述图像信息进行特征处理获取茶叶特征，所述特征处理至少包括以下之一：颜色特征处理、形状特征处理，利用不同种类的茶叶的颜色或者形状存在特征差异，并通过颜色特征处理和/或形状特征处理获取该种类茶叶的特征，便于进行识别；

S3：根据所述茶叶特征确定相对应的茶叶种类。利用图像识别技术对茶叶的种类进行识别，确定茶叶的种类，解决现有技术中的不容易知晓茶叶的种类、品用方法的问题。

进一步地，所述预处理包括图像的二值化处理、特征值颜色处理，去掉茶叶图像的背景，获取图像信息，在二值化处理步骤之后，特征颜色处理还可以通过设置茶叶特征图谱阈值滤镜进行过滤茶叶图像的背景，以避免背景图案对图像识别产生的噪声干扰，还可以结合分水岭算法、开运算或闭运算，去掉背景图像，提高茶叶识别的精确性。又例如，茶叶特征图谱阈值滤镜可采用色调H(0-120)饱和度S(0-255)明度V(0-100)的掩膜，提取的茶叶图像依据图像大小排列，一般取从大到小不超过20张作为后续图像分析和推荐用，且面积最小图片面积的一般不应小于面积最大图片的10％，提取出的茶叶图像一般为单片茶叶。

在一些实施过程中，所述颜色特征处理包括：提供颜色特征算法提取茶叶片段的各个片段的颜色以及片段的图像面积，所述颜色特征算法包括HSV模型、HIS模型、YUI模型。主要依据色调H分段、明度V或亮度I作补充，提取茶叶片段的颜色、片段的图像面积、片段的图像面积百分比，所述HSV颜色空间取值包括(H：1-120)，V(1-100)为主要区分区域，将H(0-180)S(0-255)V(0-255)拆分为M个区域，HIS、YUI等方法与HSV类似，提取茶叶片段的颜色、片段的图像面积、片段的图像面积百分比作为特征值，且特征值个数为M。

在一些实施过程中，所述颜色特征处理还包括：提供BP神经网络模型对各个图像信息进行模型训练，所述BP神经网络模型包括输入层、隐含层和输出层；

对于每一个图像信息i，颜色特征提取的特征值为M个，并作为输入层，且所述输入层为1*M的矩阵；

隐含层为1*P的矩阵；

输出层为1*N的矩阵，当该图像信息i属于第n类茶叶时，输出层n取1，否则取0，其中，N为茶叶颜色种类数量，茶叶类型记为n，n的取值从1至N；

将BP神经网络模型进行训练，设置激励函数为sigmoid函数，例如，迭代次数200次，期望误差取0.1,学习速率取0.05，迭代次数、期望误差和学习速率可以模型训练情况调整，得到BP神经网络模型，激活函数还可以采用Tanh函数或者ReLU函数。

在一些实施过程中，将待测的图像信息的特征值输入BP神经网络模型，得到结果为1*N的向量，取值均为0-1的实数，获取茶叶颜色种类概率序列{Ci}，i从1至N，通过茶叶颜色种类概率序列{Ci}与茶叶颜色种类数量N，确定茶叶种类。

在一些实施过程中，所述形状特征处理包括：按照茶叶形状进行分类，获取茶叶形状种类以及茶叶形状种类数量，提供卷积神经网络模型，通过所述图像信息对所述卷积神经网络模型进行训练，并将所述图像信息输入所述卷积神经网络模型获取茶叶形状种类概率序列{Dj}，j的取值从1至M，M为茶叶形状种类数量，通过茶叶形状种类概率序列{Dj}与茶叶形状种类数量M，确定茶叶种类。

可选的，根据所述茶叶特征确定相对应的茶叶种类的步骤包括：通过茶叶颜色种类和茶叶形状种类确定茶叶的种类，例如，茶叶图像的形状包括灌木型或大叶种的单芽、一芽一叶初展、一芽一叶、一芽两叶、一芽两叶初展、一芽三叶、一芽四叶、一芽五叶，包括针形、弯曲细紧、卷曲、圆珠形、兰花形、单叶片、团形或圆形等，其数学表达为：

Ek＝Ci*Dj

其中，Ek为茶叶种类概率，k为茶叶种类的数量。

可选的，

对于从茶叶图像中提取的x个图像信息进行分析，得到概率序列{{Ek}x}，其中k为茶叶种类，x为图像信息的个数，取{{Ek}x}中极大值的t％作为阈值，大于阈值记为1，小于阈值记为0，将其展开并合并同类项，得到{Ek′}，Ek′为0-l的整数，根据需要推荐的茶叶种类个数q，取{Ek′}中从大到小的前q个种类。

还可以设置茶叶特征与茶叶种类的对应表，将颜色特征处理和形状特征处理得到茶叶特征进行综合对比，得到茶叶的种类，也可以通过茶叶特征处理或形状特征处理得到茶叶特征进行对比，得到茶叶的种类便于知晓茶叶的种类、提高茶叶识别的精确度。

请参阅图2，本发明提供一种茶叶推荐方法，包括：

S10：预设茶叶对应的茶叶信息，所述茶叶信息至少包括以下之一：茶叶信息、产品说明、商品广告；

S20：识别相应的茶叶种类，并依据该茶叶种类推送相对应的茶叶信息。

一种茶叶识别装置，包括：

采集模块10，用于采集茶叶图像；

识别模块20，用于将茶叶图像经过预处理获取图像信息，并将所述图像信息进行特征处理获取茶叶特征，所述特征处理至少包括以下之一：颜色特征处理、形状特征处理，根据所述茶叶特征确定相对应的茶叶种类。

本申请实施例还提供了一种设备，该设备可以包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述设备执行图1所述的方法。在实际应用中，该设备可以作为终端设备，也可以作为服务器，终端设备的例子可以包括：智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准语音层面3，Moving Picture Experts Group Audio Layer III)播放器、MP4(动态影像专家压缩标准语音层面4，Moving Picture Experts Group Audio Layer IV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等，本申请实施例对于具体的设备不加以限制。

本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例的图4中数据处理方法所包含步骤的指令(instructions)。

图4为本申请一实施例提供的终端设备的硬件结构示意图。如图所示，该终端设备可以包括：输入设备1100、第一处理器1101、输出设备1102、第一存储器1103和至少一个通信总线1104。通信总线1104用于实现元件之间的通信连接。第一存储器1103可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，第一存储器1103中可以存储各种程序，用于完成各种处理功能以及实现本实施例的方法步骤。

可选的，上述第一处理器1101例如可以为中央处理器(Central ProcessingUnit，简称CPU)、应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，该第一处理器1101通过有线或无线连接耦合到上述输入设备1100和输出设备1102。

可选的，上述输入设备1100可以包括多种输入设备，例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的，该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件插入接口(例如USB接口、串口等)；可选的，该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等)；可选的，上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口，例如芯片的输入引脚接口或者输入接口等；输出设备1102可以包括显示器、音响等输出设备。

在本实施例中，该终端设备的处理器包括用于执行各设备中语音识别装置各模块的功能，具体功能和技术效果参照上述实施例即可，此处不再赘述。

图5为本申请的一个实施例提供的终端设备的硬件结构示意图。图5是对图4在实现过程中的一个具体的实施例。如图所示，本实施例的终端设备可以包括第二处理器1201以及第二存储器1202。

第二处理器1201执行第二存储器1202所存放的计算机程序代码，实现上述实施例中图4所述方法。

第二存储器1202被配置为存储各种类型的数据以支持在终端设备的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令，例如消息，图片，视频等。第二存储器1202可能包含随机存取存储器(random access memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

可选地，第二处理器1201设置在处理组件1200中。该终端设备还可以包括：通信组件1203，电源组件1204，多媒体组件1205，语音组件1206，输入/输出接口1207和/或传感器组件1208。终端设备具体所包含的组件等依据实际需求设定，本实施例对此不作限定。

处理组件1200通常控制终端设备的整体操作。处理组件1200可以包括一个或多个第二处理器1201来执行指令，以完成上述数据处理方法中的全部或部分步骤。此外，处理组件1200可以包括一个或多个模块，便于处理组件1200和其他组件之间的交互。例如，处理组件1200可以包括多媒体模块，以方便多媒体组件1205和处理组件1200之间的交互。

电源组件1204为终端设备的各种组件提供电力。电源组件1204可以包括电源管理系统，一个或多个电源，及其他与为终端设备生成、管理和分配电力相关联的组件。

多媒体组件1205包括在终端设备和用户之间的提供一个输出接口的显示屏。在一些实施例中，显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。如果显示屏包括触摸面板，显示屏可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。

语音组件1206被配置为输出和/或输入语音信号。例如，语音组件1206包括一个麦克风(MIC)，当终端设备处于操作模式，如语音识别模式时，麦克风被配置为接收外部语音信号。所接收的语音信号可以被进一步存储在第二存储器1202或经由通信组件1203发送。在一些实施例中，语音组件1206还包括一个扬声器，用于输出语音信号。

输入/输出接口1207为处理组件1200和外围接口模块之间提供接口，上述外围接口模块可以是点击轮，按钮等。这些按钮可包括但不限于：音量按钮、启动按钮和锁定按钮。

传感器组件1208包括一个或多个传感器，用于为终端设备提供各个方面的状态评估。例如，传感器组件1208可以检测到终端设备的打开/关闭状态，组件的相对定位，用户与终端设备接触的存在或不存在。传感器组件1208可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在，包括检测用户与终端设备间的距离。在一些实施例中，该传感器组件1208还可以包括摄像头等。

通信组件1203被配置为便于终端设备和其他设备之间有线或无线方式的通信。终端设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个实施例中，该终端设备中可以包括SIM卡插槽，该SIM卡插槽用于插入SIM卡，使得终端设备可以登录GPRS网络，通过互联网与服务器建立通信。

由上可知，在图5实施例中所涉及的通信组件1203、语音组件1206以及输入/输出接口1207、传感器组件1208均可以作为图4实施例中的输入设备的实现方式。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (12)

1.一种茶叶识别方法，其特征在于，包括：

采集茶叶图像；

经过预处理获取图像信息，将所述图像信息进行特征处理获取茶叶特征，所述特征处理至少包括以下之一：颜色特征处理、形状特征处理；

根据所述茶叶特征确定相对应的茶叶种类。

2.根据权利要求1所述的茶叶识别方法，其特征在于，所述预处理包括图像的二值化处理、特征值颜色处理，去掉茶叶图像的背景，获取图像信息。

3.根据权利要求1所述的茶叶识别方法，其特征在于，所述颜色特征处理包括：提供颜色特征算法提取茶叶片段的各个片段的颜色以及对应颜色片段的图像面积或面积百分比，所述颜色特征算法包括HSV模型、HIS模型、YUI模型。

4.根据权利要求3所述的茶叶识别方法，其特征在于，所述颜色特征处理还包括：提供BP神经网络模型训练；

对于每一个图像信息i，颜色特征提取的特征值为M个，并作为输入层，且所述输入层为1*M的矩阵；

隐含层为1*P的矩阵；

输出层为1*N的矩阵，当该图像信息i属于第n类茶叶时，输出层n取1，否则取0，其中，N为茶叶颜色种类数量，茶叶类型记为n，n的取值从1至N；

设置激励函数，并对各个图像信息进行BP神经网络模型进行训练。

5.根据权利要求4所述的茶叶识别方法，其特征在于，将待测的图像信息的特征值输入BP神经网络模型，得到结果为1*N的向量，取值均为0-1的实数，获取茶叶颜色种类概率序列{Ci}，i从1至N，通过茶叶颜色种类概率序列{Ci}与茶叶颜色种类数量N，确定茶叶种类。

6.根据权利要求1或者5所述的茶叶识别方法，其特征在于，所述形状特征处理包括：按照茶叶形状进行分类，获取茶叶形状种类以及茶叶形状种类数量，提供卷积神经网络模型，通过所述图像信息对所述卷积神经网络模型进行训练，并将所述图像信息输入所述卷积神经网络模型获取茶叶形状种类概率序列{Dj}，j的取值从1至M，M为茶叶形状种类数量，通过茶叶形状种类概率序列{Dj}与茶叶形状种类数量M，确定茶叶种类。

7.根据权利要求6所述的茶叶识别方法，其特征在于，根据所述茶叶特征确定相对应的茶叶种类的步骤包括：通过茶叶颜色种类和茶叶形状种类确定茶叶的种类，其数学表达为：

Ek＝Ci*Dj

其中，Ek为茶叶种类概率，k为茶叶种类的数量。

8.根据权利要求7所述的茶叶识别方法，其特征在于，对于从茶叶图像中提取的x个图像信息进行分析，得到概率序列{{Ek}x}，其中k为茶叶种类，x为图像信息的个数，取{{Ek}x}中极大值的t％作为阈值，大于阈值记为1，小于阈值记为0，将其展开并合并同类项，得到{Ek′}，Ek′为0-l的整数，根据需要推荐的茶叶种类个数q，取{Ek′}中从大到小的前q个种类。

9.一种茶叶推荐方法，其特征在于，包括：

预设茶叶对应的茶叶信息，所述茶叶信息至少包括以下之一：茶叶信息、产品说明、商品广告；

识别相应的茶叶种类，并依据该茶叶种类及概率推送相对应的茶叶信息。

10.一种茶叶识别装置，其特征在于，包括：

采集模块，用于采集茶叶图像；

识别模块，用于将茶叶图像经过预处理获取图像信息，并将所述图像信息进行特征处理获取茶叶特征，所述特征处理至少包括以下之一：颜色特征处理、形状特征处理，根据所述茶叶特征确定相对应的茶叶种类。

11.一种设备，其特征在于，包括：

一个或多个处理器；和

其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行如权利要求1-8中一个或多个所述的方法。

12.一个或多个机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-8中一个或多个所述的方法。

Images