CN113537006A - 一种基于卷积神经网络的普洱生茶和熟茶判定方法 - Google Patents
一种基于卷积神经网络的普洱生茶和熟茶判定方法 Download PDFInfo
- Publication number
- CN113537006A CN113537006A CN202110749051.4A CN202110749051A CN113537006A CN 113537006 A CN113537006 A CN 113537006A CN 202110749051 A CN202110749051 A CN 202110749051A CN 113537006 A CN113537006 A CN 113537006A
- Authority
- CN
- China
- Prior art keywords
- tea
- ripe
- neural network
- convolutional neural
- raw
- 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
- 235000013616 tea Nutrition 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 32
- 235000020339 pu-erh tea Nutrition 0.000 title claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 30
- 241001122767 Theaceae Species 0.000 title claims abstract 52
- 235000019224 Camellia sinensis var Qingmao Nutrition 0.000 claims abstract description 30
- 241000422846 Sequoiadendron giganteum Species 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000009835 boiling Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract 1
- 244000269722 Thea sinensis Species 0.000 description 70
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000009569 green tea Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
Images
Classifications
-
- 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 Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (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和熟茶判定方法，属于图像处理技术领域。该方法包括：普洱台地生茶、大树生茶、熟茶叶底图像采集步骤；普洱台地生茶、大树生茶和熟茶叶底图像背景分割和图像增强步骤；训练普洱台地生茶、大树生茶和熟茶识别模型步骤和普洱台地生茶、大树生茶和熟茶识别步骤。本发明的方法可以准确地识别和区分普洱台地生茶、大树生茶和熟茶。本发明所述方法识别的准确率为99.86％；将专业茶叶审评人员的经验模型化，并可提供给普通用户使用。
Description
技术领域
本发明涉及一种基于卷积神经网络的普洱台地生茶、大树生茶和熟茶判定方法，属于图像处理技术领域。
背景技术
目前，普洱台地生茶、大树生茶和熟茶的判别仍主要依赖感官审评，易受到个人经验的限制，直接导致市场上以台地生茶冒充大树生茶的乱象，威胁市场的健康有序发展。
近年来，随着卷积神经网络的长足发展，卷积神经网络对图像的分类能力有了显著的提高。现在已有的茶叶识别研究大多集中在茶叶鲜叶分级上，对普洱台地生茶、大树生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台地生茶、大树生茶和熟茶判别的问题，仅使用相机拍摄普洱茶叶底照片，就可以对台地茶、大树茶和熟茶进行快速、准确的识别，一种基于卷积神经网络的普洱生茶和熟茶判定方法，具体包括以下步骤：
S1：普洱茶叶底图像采集步骤：选取普洱台地生茶、大树生茶和熟茶，首先将茶叶取5克，并将茶叶放置于审评杯中。其次，使用沸水加至杯满进行冲泡，盖上杯盖。最后，5分钟后将叶底取出，平铺于任意背景纸上，使用相机拍摄茶叶叶底图片n张。
S2：台地茶、大树茶和熟茶叶底图像处理步骤：首先，将所有拍摄的茶叶叶底图像进行背景去除；其次，随机选取拍摄叶底图像的80％进行图像增强，作为训练集，剩余20％不做处理，作为验证集。
S3：训练普洱茶叶底判别模型：普洱台地生茶、大树生茶和熟茶分别执行上述操作，将台地茶、大树茶和熟茶经背景去除和图像增强后的叶底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；
S4：普洱台地生茶、大树生茶和熟茶识别步骤：将待识别的普洱茶叶底平铺于任意背景纸上，通过相机拍摄获取茶叶叶底图像，输入经过良好训练的卷积神经网络，获取台地生茶、大树生茶和熟茶的识别结果。
优选的，所述S2中图像背景取出具体方法为：将拍摄的原始叶底图像输入U2-Net模型中，将模型输出的蒙版进行二值化处理，并计算二值图像的外接矩形。首先使用蒙版去除原始图像的背景，再使用外接矩阵位置信息准确定位感兴趣区域，并对感兴趣区域进行中心裁剪；
优选的，所述S2中图像增强的具体为：随机旋转，随机翻转，白平衡抖动，加入高斯噪声中的一种或多种操作；
优选的，所述S3中所述的卷积神经网络主干采用mobilenetv2；
优选的，所述卷积神经网络具体方法为：首先，使用ghost module替换mobilenetv2网络中除首层卷积层外的所有普通卷积层，对Depth wise卷积层不进行替换操作。其次，在每个bottleneck后加入Squeeze and Excitation注意力模块，缩放率为4。最后，使用Hard-Mish激活函数替换mobilenetv2中的ReLU6激活函数。
本发明的有益效果是：
(1)本发明的方法可以准确地识别普洱台地生茶、大树生茶和熟茶，在普洱台地生茶、大树生茶和熟茶各240个样本所拍摄的图片上进行了测试，识别准确率达到99.86％，同时，由于采用了ghost module，使模型参数数量和浮点运算数均大幅减少，所采用的Squeeze and Excitation注意力模块保证了模型识别的准确度。本发明将专业茶叶审评人员的经验模型化，并可提供给普通用户使用。
(2)本发明的识别方法操作简单，基于深度学习的U2-Net可以确保在任何背景中将所需检测的茶叶叶底与背景准确分离，进一步提高卷积神经网络模型识别准确度。
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台地生茶(左)、大树生茶(中)和熟茶(右)原始图片。
图3为本发明实施例中的U2-Net输出蒙版。
图4为本发明实施例中的去除背景后的外接矩形裁剪图片。
图5为本发明实施例中的茶叶叶底中心裁剪图片。
图6为本发明实施例中的Squeeze and Excitation注意力模块
图7为本发明实施例中的Hard-Mish激活函数示意图
图8为本发明实施例中的ghostmodule结构图
图9为本发明实施例中的拟议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
一种基于卷积神经网络的普洱生茶和熟茶判定方法，如图1所示，包括以下步骤：
S1：普洱晒青毛茶样本图像采集步骤：选取普洱台地生茶、大树生茶和熟茶，首先将茶叶取5克，并将茶叶放置于审评杯中。其次，使用沸水加至杯满进行冲泡，盖上杯盖。最后，5分钟后将叶底取出，平铺于任意背景纸上，使用相机拍摄茶叶叶底图片1200张。选取960张图像作为验证集，240张图像作为训练集；拍摄时应避免强光或完全黑暗环境，以人眼可以看清普洱茶叶底颜色纹理时的光照为宜。
S2：原始普洱晒青毛茶图片预处理步骤：首先，将所有拍摄的茶叶叶底图像进行背景去除。其次，随机选取拍摄叶底图像的80％进行图像增强，作为训练集，剩余20％不做处理，作为验证集。
S3：图像分割模型具体为：将拍摄的原始叶底图像输入U2-Net模型中，将模型输出的蒙版进行二值化处理，并计算二值图像的外接矩形。首先使用蒙版去除原始图像的背景，再使用外接矩阵位置信息准确定位感兴趣区域，并对感兴趣区域进行中心裁剪。
S4：图像增强具体为：随机旋转，随机翻转，白平衡抖动，加入高斯噪声中的一种或多种操作。对背景去除后图像进行随机旋转、随机翻转和加入高斯噪声中的一种或多种操作。随机旋转指将图像以±30度随机进行旋转；随机翻转指以50％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；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。
S5：训练普洱茶叶底判别模型：普洱台地生茶、大树生茶和熟茶茶样分别执行上述操作，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拟议的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10Epoch学习率变为原来的10％，共训练30Epoch。
S6：普洱晒青毛茶图像等级识别步骤：将待识别的普洱茶叶底平铺于任意背景纸上，通过相机拍摄获取茶叶叶底图像，输入经过良好训练的卷积神经网络，获取台地生茶、大树生茶和熟茶的识别结果。
本发明的方法可以准确地识别普洱台地生茶、大树生茶和熟茶，在共720个样本构成的验证集上进行了测试，识别准确率达到99.86％，如图9所示，且模型参数和浮点运算数较改进前的mobilenetv2大幅减少，同时Squeeze and Excitation注意力模块保证了模型识别的准确度。基于深度学习的U2-Net可以确保在任何背景中将所需检测的茶叶叶底与背景准确分离，进一步提高卷积神经网络模型识别准确度。本发明的识别方法操作简单，用户仅需将茶叶叶底平铺于任意背景纸中，使用相机拍摄图像即可获得识别结果。
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 (6)
1.一种基于卷积神经网络的普洱生茶和熟茶判定方法，具体包括以下步骤：
S1：普洱茶叶底图像采集步骤：选取普洱台地生茶、大树生茶和熟茶，首先将茶叶取5克，并将茶叶放置于审评杯中；其次，使用沸水加至杯满进行冲泡，盖上杯盖；最后，5分钟后将叶底取出，平铺于任意背景纸上，使用相机拍摄茶叶叶底图片n张；
S2：台地茶、大树茶和熟茶叶底图像处理步骤：首先，将所有拍摄的茶叶叶底图像进行背景去除；其次，随机选取拍摄叶底图像的80％进行图像增强，作为训练集，剩余20％不做处理，作为验证集；
S3：训练普洱茶叶底判别模型：普洱台地生茶、大树生茶和熟茶分别执行上述操作，将台地茶、大树茶和熟茶经背景去除和图像增强后的叶底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；
S4：普洱台地生茶、大树生茶和熟茶识别步骤：将待识别的普洱茶叶底平铺于任意背景纸上，通过相机拍摄获取茶叶叶底图像，输入经过良好训练的卷积神经网络，获取台地生茶、大树生茶和熟茶的识别结果。
2.根据权利要求1所述一种基于卷积神经网络的普洱生茶和熟茶判定方法，其特征在于，所述S2中图像背景取出具体方法为：将拍摄的原始叶底图像输入U2-Net模型中，将模型输出的蒙版进行二值化处理，并计算二值图像的外接矩形；首先使用蒙版去除原始图像的背景，再使用外接矩阵位置信息准确定位感兴趣区域，并对感兴趣区域进行中心裁剪。
3.根据权利要求1所述一种基于卷积神经网络的普洱生茶和熟茶判定方法，其特征在于，所述S2中图像增强的具体为：随机旋转，随机翻转，白平衡抖动，加入高斯噪声中的一种或多种操作。
4.根据权利要求1所述一种基于卷积神经网络的普洱生茶和熟茶判定方法，其特征在于，所述S3中所述的卷积神经网络主干采用mobilenetv2。
5.根据权利要求4所述一种基于卷积神经网络的普洱生茶和熟茶判定方法，其特征在于，所述卷积神经网络具体方法为：首先，使用ghost module替换mobilenetv2网络中除首层卷积层外的所有普通卷积层，对Depth wise卷积层不进行替换操作；其次，在每个bottleneck后加入Squeeze and Excitation注意力模块，缩放率为4；最后，使用Hard-Mish激活函数替换mobilenetv2中的ReLU6激活函数。
6.根据权利要求1-5任意一项所述一种基于卷积神经网络的普洱生茶和熟茶判定方法，公开了其在图像处理技术领域的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110749051.4A CN113537006A (zh) | 2021-07-01 | 2021-07-01 | 一种基于卷积神经网络的普洱生茶和熟茶判定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110749051.4A CN113537006A (zh) | 2021-07-01 | 2021-07-01 | 一种基于卷积神经网络的普洱生茶和熟茶判定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113537006A true CN113537006A (zh) | 2021-10-22 |
Family
ID=78126519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110749051.4A Pending CN113537006A (zh) | 2021-07-01 | 2021-07-01 | 一种基于卷积神经网络的普洱生茶和熟茶判定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537006A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114842240A (zh) * | 2022-04-06 | 2022-08-02 | 盐城工学院 | 融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
| CN112131982A (zh) * | 2020-09-10 | 2020-12-25 | 安徽农业大学 | 一种基于卷积神经网络的茶树嫩芽识别方法 |
| CN112465718A (zh) * | 2020-11-27 | 2021-03-09 | 东北大学秦皇岛分校 | 一种基于生成对抗网络的两阶段图像修复方法 |
| CN112613520A (zh) * | 2020-12-28 | 2021-04-06 | 张悟移 | 一种基于卷积神经网络的普洱生茶、老茶和熟茶判定方法 |
-
2021
- 2021-07-01 CN CN202110749051.4A patent/CN113537006A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
| CN112131982A (zh) * | 2020-09-10 | 2020-12-25 | 安徽农业大学 | 一种基于卷积神经网络的茶树嫩芽识别方法 |
| CN112465718A (zh) * | 2020-11-27 | 2021-03-09 | 东北大学秦皇岛分校 | 一种基于生成对抗网络的两阶段图像修复方法 |
| CN112613520A (zh) * | 2020-12-28 | 2021-04-06 | 张悟移 | 一种基于卷积神经网络的普洱生茶、老茶和熟茶判定方法 |
Non-Patent Citations (1)
| Title |
|---|
| HAN KAI: ""GhostNet: More Features From Cheap Operations"", 《2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114842240A (zh) * | 2022-04-06 | 2022-08-02 | 盐城工学院 | 融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fang et al. | Automatic image cropping using visual composition, boundary simplicity and content preservation models | |
| CN110544251B (zh) | 基于多迁移学习模型融合的大坝裂缝检测方法 | |
| CN104951940B (zh) | 一种基于掌纹识别的移动支付验证方法 | |
| CN108520219A (zh) | 一种卷积神经网络特征融合的多尺度快速人脸检测方法 | |
| CN105184787B (zh) | 一种自动对人像进行抠图的证照相机及方法 | |
| CN106650737B (zh) | 图像自动裁剪方法 | |
| CN107609549A (zh) | 一种自然场景下证件图像的文本检测方法 | |
| WO2018049084A1 (en) | Methods and systems for human imperceptible computerized color transfer | |
| CN105303150B (zh) | 实现图像处理的方法和系统 | |
| CN110807759B (zh) | 照片质量的评价方法及装置、电子设备、可读存储介质 | |
| JP2021528784A (ja) | パノラマ画像のスカイフィルタ方法及び携帯端末 | |
| CN107808358A (zh) | 图像水印自动检测方法 | |
| KR20180065889A (ko) | 타겟의 검측 방법 및 장치 | |
| CN111145176A (zh) | 一种基于深度神经网络的胃癌淋巴结染色病理图像自动识别方法和系统 | |
| CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
| CN111222519B (zh) | 一种层次化彩绘文物线稿提取模型构建、方法及装置 | |
| CN109063619A (zh) | 一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统 | |
| CN113011357A (zh) | 基于时空融合的深度伪造人脸视频定位方法 | |
| CN110046617A (zh) | 一种基于深度学习的数字电表读数自适应识别方法 | |
| CN109978848A (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
| Obrador et al. | Towards category-based aesthetic models of photographs | |
| CN107609108A (zh) | 一种基于号码牌识别和人脸识别的运动员照片分拣方法 | |
| CN114399480A (zh) | 蔬菜叶片病害严重程度检测方法及装置 | |
| CN110599463A (zh) | 一种基于轻量级联神经网络的舌像检测及定位算法 | |
| CN109886170A (zh) | 一种钉螺智能检测识别与统计系统 |
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 |
Application publication date: 20211022 |
|
| RJ01 | Rejection of invention patent application after publication |