CN112613520A - 一种基于卷积神经网络的普洱生茶、老茶和熟茶判定方法 - Google Patents
一种基于卷积神经网络的普洱生茶、老茶和熟茶判定方法 Download PDFInfo
- Publication number
- CN112613520A CN112613520A CN202011578948.7A CN202011578948A CN112613520A CN 112613520 A CN112613520 A CN 112613520A CN 202011578948 A CN202011578948 A CN 202011578948A CN 112613520 A CN112613520 A CN 112613520A
- Authority
- CN
- China
- Prior art keywords
- tea
- old
- raw
- image
- soup
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于卷积神经网络的普洱生茶、老茶和熟茶判定方法,属于图像处理技术领域。该方法包括:普洱生茶、老茶和熟茶茶汤的图像采集步骤;普洱生茶、老茶、熟茶茶汤图像背景分割和图像增强步骤;训练普洱生茶、老茶和熟茶茶汤识别模型步骤和普洱生茶、老茶和熟茶识别步骤。本发明的方法可以准确地识别和区分普洱生茶、老茶和熟茶。本发明所述方法识别的准确率为99.68%;参照专业茶叶评审人员的经验建立模型,可将该方法推广给普通大众使用。
Description
技术领域
本发明涉及一种基于卷积神经网络的普洱生茶、老茶和熟茶判定方法,属于图像处理技术领域。
背景技术
目前,普洱生茶、老茶和熟茶的主要以感官审评为标准来辨别,易受到主观感受的影响,造成部分顾客受到不法商贩的欺诈,其将生茶冒充为老茶、熟茶等售卖,侵犯消费者的合法权益,不利于维护市场的正常秩序。
近年来,随着深度学习算法的蓬勃发展,卷积神经网络模型对图像的识别能力有了明显的提高。现在已有的茶叶识别研究以茶叶鲜叶和某些特定茶叶分级为主,对普洱生茶、老茶和熟茶的识别研究较少。
发明内容
本发明的目的是针对普洱生茶、老茶和熟茶识别的问题,提出一种基于ResNet-18卷积神经网络的普洱生茶、老茶和熟茶判别方法,通过使用相机拍摄普洱生茶、老茶和熟茶的照片,就可以快速、准确地识别普洱生茶、老茶和熟茶;具体包括以下步骤:
(1)普洱茶茶汤图像采集步骤:选取普洱生茶、老茶和熟茶茶样。首先,称取茶叶5克,置于250ml的标准审评杯中。然后,注入沸水至杯满,加盖侵泡5分钟。最后,将茶汤沥入评茶碗中,利用相机拍摄n张原始茶汤图片;
(2)普洱生茶、老茶和熟茶茶汤图像处理步骤:首先,将所有拍摄的茶叶茶汤图像进行背景去除。然后,随机选取拍摄茶汤图像的80%作为训练集进行图像增强,剩余20%作为验证集不做处理;
(3)训练普洱茶茶汤识别模型:普洱生茶、老茶和熟茶分别执行上述操作,将生茶、老茶和熟茶经背景去除和图像增强后的茶汤图片与对应标签分别输入拟议的卷积神经网络进行训练、验证;
(4)普洱生茶、老茶和熟茶图像识别步骤:将待识别的普洱茶茶汤置于评茶碗中,通过相机拍摄获取茶叶茶汤图像,输入经过良好训练的卷积神经网络中,获取生茶、老茶、熟茶的识别结果。
进一步地,本发明所述茶叶茶汤置于评茶碗中。
进一步地,本发明所述图像分割模型具体为:将拍摄的原始茶叶图像输入PicaNetR模型中,将该模型输出的蒙版进行二值化处理,并求二值图像的外接矩形。首先使用蒙版去除原始图像的背景,再利用外接矩阵位置信息准确定位相应的区域,并对相应区域进行中心裁剪。
进一步地,本发明所述图像增强具体为:对处理后的图像进行随机翻转、白平衡抖动、随机旋转和加入高斯噪声中的一种或多种操作。
进一步地,本发明采用ResNet-18卷积神经网络。
本发明的有益效果:
(1)本发明的方法可以准确地识别普洱生茶、老茶和熟茶。在普洱生茶、老茶和熟茶的样本所拍摄的图像上进行了测试,识别准确率达到99.68%。本发明参照专业茶叶评审人员的经验建立模型,可将该方法推广给普通大众使用。
(2)本发明的识别方法操作简单,用户按照操作流程,即可使用基于深度学习的PicaNetR模型处理样本图像,将茶汤与背景分离,提高卷积神经网络模型识别图像的效率和准确度。
附图说明
图1为本发明的流程示意图。
图2为本发明实施例中的普洱生茶(左)、老茶(中)和熟茶(右)原始图片。
图3为本发明实施例中的PicaNetR输出蒙版。
图4为本发明实施例中的去除背景后的茶汤图片。
图5为本发明实施例中的茶叶茶汤中心裁剪图片。
图6为本发明实施例中的ResNet-18卷积神经网络模型预测准确度和损失迭代图。
具体实施方式
下面结合具体实施例本发明作进一步的详细说明,但本发明的保护范围并不限于所述内容。
实施例1
一种基于ResNet-18卷积神经网络的普洱生茶、老茶和熟茶判定方法,如图1所示,包括以下步骤:
(1)普洱生茶、老茶和熟茶样本图像采集步骤:选取普洱生茶、老茶和熟茶茶样。首先,称取茶叶5克,置于250ml的标准审评杯中。然后,注入沸水至杯满,加盖侵泡5分钟。最后,将茶汤沥入评茶碗中,利用相机拍摄750张原始茶汤图片,随机选取600张图片作为验证集,150张图片作为训练集;拍摄时应避免完全黑暗或强光环境,以人眼可以看清普洱茶茶汤颜色时的光照为宜。
(2)原始普洱生茶、老茶和熟茶茶汤图片预处理步骤:首先,去除所有拍摄的茶叶茶汤图片的背景。然后,随机选取拍摄茶汤图像的80%作为训练集进行图像增强,剩余20%作为验证集不做处理。
(3)图像分割模型具体为:将拍摄的原始茶叶图像输入PicaNetR模型中,对模型输出的蒙版进行二值化处理,并求二值图像的外接矩形。首先使用蒙版去除原始图像的背景,再利用外接矩阵位置信息准确定位相应的区域,并对相应区域进行中心裁剪。
(4)图像增强具体为:对处理后的图像进行随机翻转、白平衡抖动、随机旋转和加入高斯噪声中的一种或多种操作。随机翻转指以随机概率对图像进行上下、左右倒置;白平衡抖动主要作用为适应因相机白平衡设置错误而造成的图像失真情况;随机旋转指将图像以±30度随机进行旋转;加入高斯噪声主要作用为增强卷积神经网络模型的鲁棒性。
(5)训练普洱生茶、老茶和熟茶识别模型:普洱生茶、老茶和熟茶样本分别执行上述操作,获取卷积神经网络训练集和验证集,将经背景去除和图像增强后的茶叶图片与对应标签分别输入ResNet-18卷积神经网络进行训练,卷积神经网络训练过程中,选取sgdm作为优化器,动量为0.9,初始学习率为0.01,每迭代20Epoch学习率变为原来的20%,共训练30Epoch。
(6)普洱生茶、老茶和熟茶图像识别步骤:将待识别的普洱茶茶汤置于评茶碗中,通过相机拍摄获取茶叶茶汤图像,输入经过良好训练的卷积神经网络中,获取生茶、老茶、熟茶的识别结果。
本发明的方法可以准确地识别普洱生茶、老茶和熟茶,在共600个样本构成的训练集上进行了测试,识别准确率达到99.68%,如图6所示,便于有需要的用户实际操作。本发明的识别方法操作简单,用户按照操作流程,即可使用基于深度学习的PicaNetR模型处理样本图片,将茶汤与背景分离,提高卷积神经网络模型识别图片的效率和准确度。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (5)
1.一种基于卷积神经网络的普洱生茶、老茶和熟茶判定方法,其特征在于,具体包括以下步骤:
(1)普洱茶茶汤图像采集步骤:选取普洱生茶、老茶和熟茶茶样。首先,称取茶叶5克,置于250ml的标准审评杯中。然后,注入沸水至杯满,加盖侵泡5分钟。最后,将茶汤沥入评茶碗中,利用相机拍摄n张原始茶汤图片;
(2)普洱生茶、老茶和熟茶茶汤图像处理步骤:首先,将所有拍摄的茶叶茶汤图像进行背景去除。然后,随机选取拍摄茶汤图像的80%作为训练集进行图像增强,剩余20%作为验证集不做处理;
(3)训练普洱茶茶汤识别模型:普洱生茶、老茶和熟茶分别执行上述操作,将生茶、老茶和熟茶经背景去除和图像增强后的茶汤图片与对应标签分别输入卷积神经网络进行训练、验证;
(4)普洱生茶、老茶和熟茶图像识别步骤:将待识别的普洱茶茶汤置于评茶碗中,利用相机拍摄获取茶叶茶汤图像,输入经过良好训练的卷积神经网络中,获取生茶、老茶、熟茶的识别结果。
2.根据权利要求1所述的基于卷积神经网络的普洱生茶、老茶和熟茶判定方法,其特征在于:茶叶茶汤置于评茶碗中。
3.根据权利要求1所述的基于卷积神经网络的普洱生茶、老茶和熟茶判定方法,其特征在于:图像分割模型具体为:将拍摄的原始茶叶图像输入PicaNetR模型中,将该模型输出的蒙版进行二值化处理,并求出二值图像的外接矩形。首先使用蒙版去除原始图像的背景,再利用外接矩阵位置信息准确定位相应的区域,并对相应区域进行中心裁剪。
4.根据权利要求1所述的基于卷积神经网络的普洱生茶、老茶和熟茶判定方法,其特征在于:图像增强的方法具体为:对处理后的图像进行随机翻转、白平衡抖动、随机旋转和加入高斯噪声中的一种或多种操作。
5.根据权利要求1所述的基于卷积神经网络的普洱生茶、老茶和熟茶判定方法,其特征在于:采用ResNet-18卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011578948.7A CN112613520A (zh) | 2020-12-28 | 2020-12-28 | 一种基于卷积神经网络的普洱生茶、老茶和熟茶判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011578948.7A CN112613520A (zh) | 2020-12-28 | 2020-12-28 | 一种基于卷积神经网络的普洱生茶、老茶和熟茶判定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112613520A true CN112613520A (zh) | 2021-04-06 |
Family
ID=75248371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011578948.7A Withdrawn CN112613520A (zh) | 2020-12-28 | 2020-12-28 | 一种基于卷积神经网络的普洱生茶、老茶和熟茶判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613520A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537006A (zh) * | 2021-07-01 | 2021-10-22 | 昆明理工大学 | 一种基于卷积神经网络的普洱生茶和熟茶判定方法 |
CN114398974A (zh) * | 2022-01-11 | 2022-04-26 | 北京智进未来科技有限公司 | 一种基于多特征描述的茶叶品质审评方法 |
-
2020
- 2020-12-28 CN CN202011578948.7A patent/CN112613520A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537006A (zh) * | 2021-07-01 | 2021-10-22 | 昆明理工大学 | 一种基于卷积神经网络的普洱生茶和熟茶判定方法 |
CN114398974A (zh) * | 2022-01-11 | 2022-04-26 | 北京智进未来科技有限公司 | 一种基于多特征描述的茶叶品质审评方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fang et al. | Automatic image cropping using visual composition, boundary simplicity and content preservation models | |
CN105184787B (zh) | 一种自动对人像进行抠图的证照相机及方法 | |
CN112613520A (zh) | 一种基于卷积神经网络的普洱生茶、老茶和熟茶判定方法 | |
Joshi et al. | Latent fingerprint enhancement using generative adversarial networks | |
CN107066942A (zh) | 一种活体人脸识别方法及系统 | |
CN106778525A (zh) | 身份认证方法和装置 | |
CN107943449A (zh) | 一种基于面部表情识别的智能音响系统 | |
CN103870808B (zh) | 一种手指静脉识别方法 | |
CN106446753A (zh) | 一种消极表情识别鼓励系统 | |
CN107392110A (zh) | 基于互联网的人脸美化系统 | |
CN109559362B (zh) | 一种图像主体脸部替换方法及装置 | |
CN107093168A (zh) | 皮肤区域图像的处理方法、装置和系统 | |
TW201211913A (en) | A method for recognizing the identity of user by palm vein biometric | |
CN111860369A (zh) | 一种欺诈识别方法、装置以及存储介质 | |
CN106815522A (zh) | 移动终端软件假界面识别方法及装置 | |
CN112766162B (zh) | 活体检测方法、装置、电子设备及计算机可读存储介质 | |
CN113537006A (zh) | 一种基于卷积神经网络的普洱生茶和熟茶判定方法 | |
Tazim et al. | Biometric authentication using CNN features of dorsal vein pattern extracted from NIR image | |
CN113128373A (zh) | 基于图像处理的色斑评分方法、色斑评分装置及终端设备 | |
CN115311288B (zh) | 一种汽车贴膜破损检测方法 | |
CN111435427A (zh) | 识别大米的方法、装置和烹饪器具 | |
CN115861276A (zh) | 石墨膜片表面划痕检测方法和装置 | |
Jin et al. | Fingerprint identification and recognition using backpropagation neural network | |
CN112816487B (zh) | 一种基于机器视觉的皮蛋内部品质无损检测方法 | |
CN111563839B (zh) | 眼底图像转换方法及设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210406 |