CN112434646A - 基于迁移学习和计算机视觉技术的成品茶质量鉴别方法 - Google Patents
基于迁移学习和计算机视觉技术的成品茶质量鉴别方法 Download PDFInfo
- Publication number
- CN112434646A CN112434646A CN202011426012.2A CN202011426012A CN112434646A CN 112434646 A CN112434646 A CN 112434646A CN 202011426012 A CN202011426012 A CN 202011426012A CN 112434646 A CN112434646 A CN 112434646A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- tea
- training
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005516 engineering process Methods 0.000 title claims abstract description 11
- 241001122767 Theaceae Species 0.000 title claims abstract 22
- 238000013526 transfer learning Methods 0.000 title claims description 20
- 238000012549 training Methods 0.000 claims description 48
- 238000012360 testing method Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000008014 freezing Effects 0.000 claims description 4
- 238000007710 freezing Methods 0.000 claims description 4
- 235000002566 Capsicum Nutrition 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 235000016761 Piper aduncum Nutrition 0.000 claims description 3
- 235000017804 Piper guineense Nutrition 0.000 claims description 3
- 244000203593 Piper nigrum Species 0.000 claims description 3
- 235000008184 Piper nigrum Nutrition 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000013508 migration Methods 0.000 abstract 1
- 230000005012 migration Effects 0.000 abstract 1
- 244000269722 Thea sinensis Species 0.000 description 43
- 235000013616 tea Nutrition 0.000 description 37
- 235000020279 black tea Nutrition 0.000 description 8
- 235000006468 Thea sinensis Nutrition 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 2
- 235000017491 Bambusa tulda Nutrition 0.000 description 2
- 244000082204 Phyllostachys viridis Species 0.000 description 2
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000011425 bamboo Substances 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000745988 Phyllostachys Species 0.000 description 1
- 241000271576 Trimeresurus albolabris Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Multimedia (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于计算机视觉、深度学习和茶叶质量检测交叉领域，涉及基于迁移学习和计算机视觉技术的成品茶质量鉴别方法，使用拍摄装置采集茶叶图像并进行预处理，对预处理后的图像进行标准化、增强化和数据集划分，对预训练完成的卷积神经网络进行微调，构建迁移学习模型，并利用成品茶数据集重新进行训练，得到茶叶图像分类模型，使用未作为训练用的图像标准化处理后的成品茶图像在训练好的模型上进行测试，评估分类效果。本发明不但可以实现对相似度较高的不同质量等级成品茶的准确区分，而且相比于普通深度学习方法有很大效率上的提高，实现对高相似度茶叶图像的识别，从而鉴别成品茶品质，为茶叶品质自动化识别增加了应用场景。
Description
技术领域
本发明属于计算机视觉、深度学习和茶叶质量检测交叉领域，涉及基于迁移学习和计算机视觉技术的成品茶质量鉴别方法。
背景技术
中国是茶叶生产、消费第一大国，一种茶叶往往有不同等级品质的区分，不同等级茶叶品质悬殊，价格差异很大。准确、高效的识别茶叶等级品质，对保障消费者权益和规范茶叶市场都有巨大的意义。
传统对成品茶品质进行区分要靠专家经验，主观性强、效率低、准确率也不令人满意。因此亟需引入自动化手段实现成品茶品质的高效、准确见别。当前已有借助香气、味道、光谱、图像等信息对成品茶品质进行鉴定，都取得了一些结果，在这些信息中，图像无疑是效率最高、最易获得的信息，但是同等级不同品质茶叶的高相似性，为算法带来了巨大挑战。
基于卷积神经网络的深度学习模型可以自动提取高阶特征，实现对高相似度图像的分类，然而，卷积神经网络参数极多，若从头开始训练，训练时间长，算力消耗大，且需要大量带标签数据，这为深度学习模型的实施带来了限制。因此，如何利用已经学到的知识，提取共性信息迁移到成品茶质量鉴别这一目标任务上，实现准确鉴别的同时节约时间和人力成本，是非常有学术和工程价值的问题。
发明内容
为解决背景技术中提到的技术问题，本发明提出了一种基于迁移学习和计算机视觉技术的成品茶质量鉴别方法，采取了如下的技术方案。
基于迁移学习和计算机视觉技术的成品茶质量鉴别方法，包含如下步骤：
步骤1：使用拍摄装置采集茶叶图像并进行预处理；
步骤2：对预处理后的图像进行标准化、增强化和数据集划分；
步骤3：对预训练完成的卷积神经网络进行微调，构建迁移学习模型，并利用成品茶数据集重新进行训练，得到茶叶图像分类模型；
步骤4：使用未作为训练用的成品茶图像在训练好的模型上进行测试，评估分类效果。
进一步的，所述步骤1具体包括：采用分辨率为1920×1080的工业相机进行图片拍摄采集，对所述图片提取中间部分作为感兴趣区域，感兴趣区域范围大小为600×540，将提取的感兴趣区域作为数据库图像。
进一步的，所述步骤2具体包括：首先对单幅图像进行基于各通道均值和方差的标准化操作，然后将整个图像的数据集按照4：1的比例划分为训练集和测试集，在Pytorch框架下搭建图像处理模块，对训练集中的图像采用旋转、翻转、添加噪声、缩放等操作进行数据增强，使数据集规模扩充为原来的5倍。
进一步的，所述标准化操作所采用的公式为：
output＝(input-mean)/std
其中，mean和std对应图像各通道的均值和方差，input和output对应图像每个通道像素的输入和输出值，通过标准化操作后，图像各个通道服从均值为0，方差为1的标准正态分布。
进一步的，所述数据增强的操作具体包括：45°旋转、90°旋转、水平翻转、竖直翻转、添加椒盐噪声、添加高斯噪声、1：2缩放，对训练集中每张图像随机选取4种方式进行处理并保存副本，从而使数据规模扩大到原来的5倍。
进一步的，所述步骤3具体包括：
使用在ImageNet数据集上训练好的模型参数初始化通过pytorch模块构建的Resnet-50残差神经网络模型，然后冻结模型除全连接层外所有参数，仅保留全连接层权重为可训练参数，并将全连接层的输出改为成品茶品质数据集的类别数，将处理好的训练集图像数据导入微调后的模型中进行若干轮次训练，训练过程中观察训练集损失与准确率，直至模型损失不再下降，平稳后停止训练，保存模型参数，得到茶叶图像分类模型。
进一步的，所述训练集图像输入前统一缩放为224×224分辨率，batch-size设置为32，采用的优化方法为随机梯度下降法，学习率设置为0.0001；损失函数使用交叉熵损失评估分类精度，其中训练集数据划分出20％作为验证集，每次迭代时不参与训练，作为评估训练的依据。
进一步的，所述步骤4具体包括：将图像标准化的测试集数据导入训练好的模型，通过绘制混淆矩阵和计算测试集准确率对比输出标签值和真实标签值，评估模型准确率。
本发明的有益效果是：充分利用预训练模型中存储的已学习到的信息，对卷积神经网络进行微调，构建迁移学习模型，实现对高相似度茶叶图像的识别，从而鉴别成品茶品质，该方法消耗时间和算力少，效率高，为茶叶品质自动化识别增加了应用场景。
附图说明
图1为本发明的成品茶品质鉴别方法的流程示意图；
图2为本发明的ROI提取示意图；
图3a为本发明的其一等级品质的武夷红茶数据集示意图；
图3b为本发明的其一等级品质的武夷红茶数据集示意图；
图3c为本发明的其一等级品质的武夷红茶数据集示意图；
图3d为本发明的其一等级品质的竹叶青数据集示意图；
图3e为本发明的其一等级品质的竹叶青数据集示意图；
图3f为本发明的其一等级品质的竹叶青数据集示意图；
图4为本发明的Resnet-50网络结构示意图；
图5为本发明的微调示意图；
图6a为本发明的训练过程中训练集与验证集准确率示意图；
图6b为本发明的训练过程中训练集与验证集损失率示意图；
图7a为本发明的武夷红茶的归一化混淆矩阵；
图7b为本发明的竹叶青的归一化混淆矩阵。
具体实施方式
为了使本发明的目的、技术方案和技术效果更加清楚明白，下面结合说明书附图和实施例，对本发明作进一步详细说明。
构建成品茶质量图像数据库，分别包含3个不同品种等级品质的武夷红茶和3个不同品种等级品质的竹叶青，每个等级采集200张图像。
如图1所示，基于迁移学习和计算机视觉技术的成品茶质量鉴别方法，具体包括：
步骤1，使用拍摄装置采集茶叶图像并进行预处理，具体为：
自行设计的拍摄装置内进行图像采集，所述拍摄装置为OSEECAM公司生产的H1603型CCD相机，分辨率为1920×1080，镜头为OSEECAM公司生产的H1605VT型，手动调节焦距，为保证拍摄效果一致性，自行设计了暗箱拍摄装置，整体为不透明钣金件，内置环状LED灯照明，载物平台为抽拉式以便于安防和取出待测成品茶样本。如图2所示，为了去除背景对分类结果的影响，减小计算量，对图像提取感兴趣区域(Region of Interest,ROI)，提取图像中心茶叶密集堆积部分矩形区域，尺寸为600×540，并作为建库数据。
步骤2，图像标准化、增强化及数据集划分，具体为：
首先对单幅图像进行基于各通道均值和方差的标准化操作，然后将整个图像的数据集按照4：1的比例划分为训练集和测试集，在Pytorch框架下搭建图像处理模块，对训练集中的图像采用旋转、翻转、添加噪声、缩放等操作进行数据增强，使数据集规模扩充为原来的5倍，以避免模型出现过拟合。如图3a-3f所示，武夷红茶和竹叶青训练集分别有图像2400张，测试集分别有120张。
所述标准化操作所采用的公式为：
output＝(input-mean)/std
其中，mean和std对应图像各通道的均值和方差，input和output对应图像每个通道像素的输入和输出值，通过标准化操作后，图像各个通道服从均值为0，方差为1的标准正态分布，有利于神经网络卷积层的特征提取。
所述数据增强的操作具体包括：45°旋转、90°旋转、水平翻转、竖直翻转、添加椒盐噪声、添加高斯噪声、1：2缩放共7种，对训练集中每张图像随机选取4种方式进行处理并保存副本，从而使数据规模扩大到原来的5倍。
步骤3，对预训练完成的卷积神经网络进行微调，构建迁移学习模型，并利用成品茶数据集重新进行训练，得到茶叶图像分类模型，具体为：
如图4和图5所示，使用在ImageNet数据集上训练好的模型参数初始化通过pytorch模块构建的Resnet-50残差神经网络模型，然后冻结模型除全连接层外所有参数，仅保留全连接层权重为可训练参数，并将全连接层的输出改为成品茶品质数据集的类别数，将处理好的训练集数据导入微调后的模型中进行若干轮次训练，训练过程中观察训练集损失与准确率，直至模型损失不再下降，平稳后停止训练，保存模型参数。
具体的，训练集图像输入前统一缩放为224×224分辨率，batch-size设置为32，采用的优化方法为随机梯度下降法，学习率设置为0.0001。损失函数使用交叉熵损失评估分类精度。为了便于观察模型训练情况，将训练集数据划分出20％作为验证集，每次迭代时不参与训练，作为评估训练的依据。如图6a-6b所示，结果表明，模型在几个epoch后基本稳定，测试集和验证集的损失和准确率都稳定在一定的水平，达到了较好的训练效果。
步骤4，使用未作为训练用的成品茶图像在训练好的模型上进行测试，评估分类效果，具体为：
将图像标准化的测试集数据导入训练好的模型，通过绘制混淆矩阵和计算测试集准确率对比输出标签值和真实标签值，评估模型准确率。如图7a-7b所示，采用归一化的混淆矩阵来表明两种成品茶品质的鉴别情况。下表列出了普通图像处理、深度学习和迁移学习三种方法在两种成品茶品质等级数据集的准确率和模型训练时长。
结果表明，使用手动提取的颜色和纹理特征，导入到支持向量机(Support VectorMachine，SVM)分类器中，虽然处理时长短，效率高，但是由于手动提取特征，对图像所反映的信息提取不够，导致准确率较低，对不同品质等级武夷红茶仅有84.00％，竹叶青仅有90.67％。全零初始化的Resnet-50有多达2300万个可训练参数，理论上应该可以学习到最多的信息，但是由于数据集样本量有限，虽然在训练集中达到了很好的效果，但是出现了过拟合，在测试集表现一般，准确率仅有微弱的提升且耗费了大量的时间。微调的Resnet-50模型通过冻结参数和调整全连接层，将原有的2300万个可训练参数减少到6174个，避免了模型参数的过拟合问题，同时借助ImageNet数据集中已学习到的信息，使模型快速收敛，消耗时间远小于从头训练的Resnet-50模型，同时，迁移学习模型在测试集上也有卓越的表现，对武夷红茶和竹叶青的品质鉴别准确率达到了92.67％和96.65％。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。
Claims (8)
1.基于迁移学习和计算机视觉技术的成品茶质量鉴别方法，其特征在于，包含如下步骤：
步骤1：使用拍摄装置采集茶叶图像并进行预处理；
步骤2：对预处理后的图像进行标准化、增强化和数据集划分；
步骤3：对预训练完成的卷积神经网络进行微调，构建迁移学习模型，并利用成品茶数据集重新进行训练，得到茶叶图像分类模型；
步骤4：使用未作为训练用的成品茶图像在训练好的模型上进行测试，评估分类效果。
2.如权利要求1中所述的基于迁移学习和计算机视觉技术的成品茶质量鉴别方法，其特征在于，所述步骤1具体包括：采用分辨率为1920×1080的工业相机进行图片拍摄采集，对所述图片提取中间部分作为感兴趣区域，感兴趣区域范围大小为600×540，将提取的感兴趣区域作为数据库图像。
3.如权利要求1中所述的基于迁移学习和计算机视觉技术的成品茶质量鉴别方法，其特征在于，所述步骤2具体包括：首先对单幅图像进行基于各通道均值和方差的标准化操作，然后将整个图像的数据集按照4：1的比例划分为训练集和测试集，在Pytorch框架下搭建图像处理模块，对训练集中的图像采用旋转、翻转、添加噪声、缩放等操作进行数据增强，使数据集规模扩充为原来的5倍。
4.如权利要求3中所述的基于迁移学习和计算机视觉技术的成品茶质量鉴别方法，其特征在于，所述标准化操作所采用的公式为：
output＝(input-mean)/std
其中，mean和std对应图像各通道的均值和方差，input和output对应图像每个通道像素的输入和输出值，通过标准化操作后，图像各个通道服从均值为0，方差为1的标准正态分布。
5.如权利要求3中所述的基于迁移学习和计算机视觉技术的成品茶质量鉴别方法，其特征在于，所述数据增强的操作具体包括：45°旋转、90°旋转、水平翻转、竖直翻转、添加椒盐噪声、添加高斯噪声、1：2缩放，对训练集中每张图像随机选取4种方式进行处理并保存副本，从而使数据规模扩大到原来的5倍。
6.如权利要求1中所述的基于迁移学习和计算机视觉技术的成品茶质量鉴别方法，其特征在于，所述步骤3具体包括：
使用在ImageNet数据集上训练好的模型参数初始化通过pytorch模块构建的Resnet-50残差神经网络模型，然后冻结模型除全连接层外所有参数，仅保留全连接层权重为可训练参数，并将全连接层的输出改为成品茶品质数据集的类别数，将处理好的训练集图像数据导入微调后的模型中进行若干轮次训练，训练过程中观察训练集损失与准确率，直至模型损失不再下降，平稳后停止训练，保存模型参数，得到茶叶图像分类模型。
7.如权利要求6中所述的基于迁移学习和计算机视觉技术的成品茶质量鉴别方法，其特征在于，所述训练集图像输入前统一缩放为224×224分辨率，batch-size设置为32，采用的优化方法为随机梯度下降法，学习率设置为0.0001；损失函数使用交叉熵损失评估分类精度，其中训练集数据划分出20％作为验证集，每次迭代时不参与训练，作为评估训练的依据。
8.如权利要求1中所述的基于迁移学习和计算机视觉技术的成品茶质量鉴别方法,其特征在于，所述步骤4具体包括：将图像标准化的测试集数据导入训练好的模型，通过绘制混淆矩阵和计算测试集准确率对比输出标签值和真实标签值，评估模型准确率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011426012.2A CN112434646A (zh) | 2020-12-08 | 2020-12-08 | 基于迁移学习和计算机视觉技术的成品茶质量鉴别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011426012.2A CN112434646A (zh) | 2020-12-08 | 2020-12-08 | 基于迁移学习和计算机视觉技术的成品茶质量鉴别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112434646A true CN112434646A (zh) | 2021-03-02 |
Family
ID=74691342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011426012.2A Pending CN112434646A (zh) | 2020-12-08 | 2020-12-08 | 基于迁移学习和计算机视觉技术的成品茶质量鉴别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112434646A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113157889A (zh) * | 2021-04-21 | 2021-07-23 | 韶鼎人工智能科技有限公司 | 一种基于主题损失的视觉问答模型构建方法 |
| CN113221942A (zh) * | 2021-03-24 | 2021-08-06 | 安徽大学 | 一种基于深度迁移和Cayley-Klein度量的小样本下茶叶病害识别算法 |
| CN113405667A (zh) * | 2021-05-20 | 2021-09-17 | 湖南大学 | 基于深度学习的红外热人体姿态识别方法 |
| CN113537244A (zh) * | 2021-07-23 | 2021-10-22 | 深圳职业技术学院 | 一种基于轻量化YOLOv4的家畜图像目标检测方法及装置 |
| CN113569975A (zh) * | 2021-08-04 | 2021-10-29 | 华南师范大学 | 一种基于模型融合的素描作品评级方法及装置 |
| CN114140652A (zh) * | 2021-12-21 | 2022-03-04 | 上海海洋大学 | 一种基于SE-ResNet模型的茶叶品种分类方法 |
| CN114266934A (zh) * | 2021-12-10 | 2022-04-01 | 上海应用技术大学 | 一种基于云存储数据的危险动作检测方法 |
| CN114743042A (zh) * | 2022-03-14 | 2022-07-12 | 浙江大学 | 一种基于深度特征和TrAdaBoost的龙井茶品质鉴别方法 |
| CN114818985A (zh) * | 2022-05-31 | 2022-07-29 | 安徽农业大学 | 基于中心锚点三元组优化伪孪生网络的茶叶品质评价方法 |
| CN114881940A (zh) * | 2022-04-21 | 2022-08-09 | 北京航空航天大学 | 一种高温合金螺栓热镦后头部缺陷识别方法 |
| CN115690758A (zh) * | 2022-12-12 | 2023-02-03 | 吉林农业大学 | 一种基于深度度量学习的茶脸验真方法及验真系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109657697A (zh) * | 2018-11-16 | 2019-04-19 | 中山大学 | 基于半监督学习和细粒度特征学习的分类优化方法 |
| CN110389200A (zh) * | 2019-07-15 | 2019-10-29 | 浙江大学 | 一种不同品牌等级的同种茶叶香气区分检测方法 |
| CN111414971A (zh) * | 2020-03-27 | 2020-07-14 | 南京工业大学 | 一种基于卷积神经网络的成品茶叶种类及品级识别方法 |
-
2020
- 2020-12-08 CN CN202011426012.2A patent/CN112434646A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109657697A (zh) * | 2018-11-16 | 2019-04-19 | 中山大学 | 基于半监督学习和细粒度特征学习的分类优化方法 |
| CN110389200A (zh) * | 2019-07-15 | 2019-10-29 | 浙江大学 | 一种不同品牌等级的同种茶叶香气区分检测方法 |
| CN111414971A (zh) * | 2020-03-27 | 2020-07-14 | 南京工业大学 | 一种基于卷积神经网络的成品茶叶种类及品级识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 林丽惠 等: "融合整体与局部信息的武夷岩茶叶片分类方法", 《智能系统学报》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113221942A (zh) * | 2021-03-24 | 2021-08-06 | 安徽大学 | 一种基于深度迁移和Cayley-Klein度量的小样本下茶叶病害识别算法 |
| CN113157889A (zh) * | 2021-04-21 | 2021-07-23 | 韶鼎人工智能科技有限公司 | 一种基于主题损失的视觉问答模型构建方法 |
| CN113405667A (zh) * | 2021-05-20 | 2021-09-17 | 湖南大学 | 基于深度学习的红外热人体姿态识别方法 |
| CN113537244A (zh) * | 2021-07-23 | 2021-10-22 | 深圳职业技术学院 | 一种基于轻量化YOLOv4的家畜图像目标检测方法及装置 |
| CN113537244B (zh) * | 2021-07-23 | 2024-03-15 | 深圳职业技术学院 | 一种基于轻量化YOLOv4的家畜图像目标检测方法及装置 |
| CN113569975A (zh) * | 2021-08-04 | 2021-10-29 | 华南师范大学 | 一种基于模型融合的素描作品评级方法及装置 |
| CN114266934A (zh) * | 2021-12-10 | 2022-04-01 | 上海应用技术大学 | 一种基于云存储数据的危险动作检测方法 |
| CN114140652A (zh) * | 2021-12-21 | 2022-03-04 | 上海海洋大学 | 一种基于SE-ResNet模型的茶叶品种分类方法 |
| CN114743042A (zh) * | 2022-03-14 | 2022-07-12 | 浙江大学 | 一种基于深度特征和TrAdaBoost的龙井茶品质鉴别方法 |
| CN114881940A (zh) * | 2022-04-21 | 2022-08-09 | 北京航空航天大学 | 一种高温合金螺栓热镦后头部缺陷识别方法 |
| CN114818985A (zh) * | 2022-05-31 | 2022-07-29 | 安徽农业大学 | 基于中心锚点三元组优化伪孪生网络的茶叶品质评价方法 |
| CN114818985B (zh) * | 2022-05-31 | 2024-04-16 | 安徽农业大学 | 基于中心锚点三元组优化伪孪生网络的茶叶品质评价方法 |
| CN115690758A (zh) * | 2022-12-12 | 2023-02-03 | 吉林农业大学 | 一种基于深度度量学习的茶脸验真方法及验真系统 |
| CN115690758B (zh) * | 2022-12-12 | 2023-08-08 | 吉林农业大学 | 一种基于深度度量学习的茶脸验真方法及验真系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112434646A (zh) | 基于迁移学习和计算机视觉技术的成品茶质量鉴别方法 | |
| Zhao et al. | Learning mid-level filters for person re-identification | |
| CN105512684B (zh) | 基于主成分分析卷积神经网络的车标自动识别方法 | |
| CN111445459B (zh) | 一种基于深度孪生网络的图像缺陷检测方法及系统 | |
| CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
| CN106874929B (zh) | 一种基于深度学习的珍珠分类方法 | |
| CN100573100C (zh) | 基于数字图像处理技术的气液两相流流型识别方法 | |
| CN105718866B (zh) | 一种视觉目标检测与识别方法 | |
| CN104915673B (zh) | 一种基于视觉词袋模型的目标分类方法和系统 | |
| CN102262736B (zh) | 空间目标图像分类与识别方法 | |
| CN105654122B (zh) | 基于核函数匹配的空间金字塔物体识别方法 | |
| CN115375690B (zh) | 一种舌象腐腻苔分类识别方法 | |
| CN103530638A (zh) | 多摄像头下的行人匹配方法 | |
| CN109961425A (zh) | 一种动态水的水质识别方法 | |
| CN109614866A (zh) | 基于级联深度卷积神经网络的人脸检测方法 | |
| CN103336942A (zh) | 一种基于Radon BEMD变换的国画鉴定方法 | |
| CN107133579A (zh) | 基于CSGF(2D)2PCANet卷积网络的人脸识别方法 | |
| CN118351118A (zh) | 基于深度卷积神经网络的打印机外壳缺陷检测方法及装置 | |
| CN105868778B (zh) | 一种基于频域波动特征的中值滤波检测方法 | |
| CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
| CN107527001A (zh) | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 | |
| CN113792666A (zh) | 一种基于扫描电镜图像的混凝土分类方法及系统 | |
| CN117475327A (zh) | 一种城市中基于遥感图像的多目标检测定位方法和系统 | |
| CN201041547Y (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置 | |
| CN111967331A (zh) | 基于融合特征和字典学习的人脸表示攻击检测方法及系统 |
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: 20210302 |