CN113689408A - 训练神经网络识别茶饼发酵变化度的方法、发酵变化度识别方法、品质识别方法和存储介质 - Google Patents
训练神经网络识别茶饼发酵变化度的方法、发酵变化度识别方法、品质识别方法和存储介质 Download PDFInfo
- Publication number
- CN113689408A CN113689408A CN202110981361.9A CN202110981361A CN113689408A CN 113689408 A CN113689408 A CN 113689408A CN 202110981361 A CN202110981361 A CN 202110981361A CN 113689408 A CN113689408 A CN 113689408A
- Authority
- CN
- China
- Prior art keywords
- tea cake
- tea
- fermentation
- change degree
- neural network
- 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
- 238000000855 fermentation Methods 0.000 title claims abstract description 148
- 230000004151 fermentation Effects 0.000 title claims abstract description 145
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 53
- 241001122767 Theaceae Species 0.000 title claims description 325
- 238000004590 computer program Methods 0.000 claims description 5
- 244000269722 Thea sinensis Species 0.000 abstract 8
- 240000008104 Stachytarpheta jamaicensis Species 0.000 abstract 1
- 235000013616 tea Nutrition 0.000 description 260
- 235000019224 Camellia sinensis var Qingmao Nutrition 0.000 description 15
- 235000020339 pu-erh tea Nutrition 0.000 description 15
- 230000032683 aging Effects 0.000 description 8
- 235000019225 fermented tea Nutrition 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
- G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
- G01N21/78—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a change of colour
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Plasma & Fusion (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本发明公开了一种训练神经网络识别茶饼发酵变化度的方法、发酵变化度识别方法、品质识别方法和存储介质。上述训练方法为:A.多次执行下述样本获取步骤,获得多组学习样本,样本获取步骤包括:——A1.取得茶饼入库前的图像、茶饼经储藏发酵后的图像以及茶饼储藏期间的发酵变化度;——A2.以茶饼入库前的图像和茶饼经储藏发酵后的图像作为输入信号,以茶饼储藏期间的发酵变化度作为输出信号,构成一组学习样本;B.采用上述多组学习样本对人工神经网络进行茶饼发酵变化度识别训练,直至该人工神经网络具备识别出茶饼的发酵变化度的识别能力,如此则实现了智能化识别且识别准确度较高,无需人工识别,降低人力成本。
Description
技术领域
本发明涉及茶饼发酵程度识别技术领域,尤其涉及一种训练神经网络识别茶饼发酵变化度的方法、发酵变化度识别方法、品质识别方法和存储介质。
背景技术
普洱茶是以云南特产的大叶种晒青毛茶为原料,在湿热和微生物共同作用下可以后发酵的特殊茶类。在储藏过程中随着储藏时间的增长,茶叶的口感香气等特征会发生变化,并呈现越来越好的口感。普洱茶的储藏过程一般包括陈化阶段和醒茶阶段,把普洱茶放置到陈化储藏仓库进行陈化,待达到了陈化程度之后,转移到醒茶储藏仓库进行醒茶,醒好之后就可以出仓售卖了。在转仓时,通常需要判断普洱茶的后发酵程度是否达到陈化标准,达标才能转移到醒茶储藏仓库进行醒茶。而在醒好进行出仓时,亦需要判断普洱茶的后发酵程度,以便对其进行分类、定价。目前的判断方式主要是人为判断,但具备丰富经验的判断人员数量少且其培养周期长,人力成本高。
目前,在茶叶的半发酵过程中已有利用机器学习智能识别发酵程度的方案,具体地,采集多个发酵程度的样本图,以单张样本图作为输入信号,以对应的发酵程度作为输出信号,构成一组学习样本,采用多组学习样本来对神经网络进行训练,使得神经网络可以根据单张茶叶图像识别出茶叶的发酵程度。但是这个方式只适合应用在茶叶颜色变化明显的半发酵过程中进行发酵程度识别,而在后发酵过程中,茶叶发酵速度非常缓慢,茶叶颜色变化并不明显,若单纯依靠一张茶叶图像来识别茶叶的发酵程度,容易产生误判。并且普洱茶达到陈化标准的发酵程度时的茶叶颜色与茶叶进行储藏前的颜色有关,储藏前的茶叶颜色不同,达到陈化标准发酵程度时的茶叶颜色也会略有区别,单单依靠一张茶叶图像来识别判断普洱茶是否达到陈化标准,判断结果准确度不高。
发明内容
本发明所要解决的技术问题是如何智能识别茶饼在陈化过程中的发酵变化度。
本发明的训练人工神经网络识别茶饼发酵变化度的方法,包括以下步骤:
A.多次执行下述样本获取步骤,获得多组学习样本,样本获取步骤包括:
——A1.取得茶饼入库前的图像、茶饼经储藏发酵后的图像以及茶饼储藏期间的发酵变化度;
——A2.以茶饼入库前的图像和茶饼经储藏发酵后的图像作为输入信号,以茶饼储藏期间的发酵变化度作为输出信号,构成供人工神经网络进行茶饼发酵变化度识别的一组学习样本;
B.采用上述多组学习样本对人工神经网络进行茶饼发酵变化度识别训练,直至该人工神经网络具备根据茶饼入库前的图像和茶饼经储藏发酵后的图像识别出茶饼的发酵变化度的识别能力。
可选地,
其中的部分学习样本,所述的茶饼经储藏发酵后的图像是标注了霉点的图像和/或是标注了茶饼条索完整度的图像;
在步骤A2中,还以茶饼是否发霉和/或茶饼条索完整度作为输出信号;
在步骤B中,除了如上所述地,直至该人工神经网络具备根据茶饼入库前的图像和茶饼经储藏发酵后的图像识别出茶饼的发酵变化度的识别能力,还直至该人工神经网络具备根据茶饼入库前的图像和茶饼经储藏发酵后的图像识别出茶饼是否发霉和/或茶饼条索完整度。
第一种茶饼发酵变化度识别方法,获取茶饼入库前的图像和茶饼经储藏发酵后的图像,输入到已训练好的人工神经网络中,由该人工神经网络识别出茶饼的发酵变化度。
可选地,所述人工神经网络是采用如上所述的训练人工神经网络识别茶饼发酵变化度的方法进行训练得到的。
可选地,除了如上所述地,由该人工神经网络识别出茶饼的发酵变化度,还由该人工神经网络识别出茶饼是否发霉和/或茶饼条索完整度。
第二种茶饼发酵变化度识别方法,包括以下步骤:
X.在预存的茶饼色卡中找出茶饼入库前的图像中的茶饼颜色所在点位以及茶饼经储藏发酵后的图像中的茶饼颜色所在点位,获得上述两个点位之间的轨迹;
Y.从预先建立的数据库中查找与轨迹匹配的发酵变化度,作为茶饼的发酵变化度。
茶饼品质识别方法,包括以下步骤:
P.根据茶饼入库前的图像和茶饼经储藏发酵后的图像中茶饼颜色的差异,识别出茶饼储藏期间的发酵变化度;
Q.根据达标条件判断茶饼品质是否达标,所述达标条件包括:茶饼的储藏时长和储藏期间的发酵变化度符合预设的对应关系。
可选地,步骤P中:
具体采用如上所述的茶饼发酵变化度识别方法识别出茶饼的发酵变化度;
或者
具体采用如上所述的茶饼发酵变化度识别方法,识别出茶饼的发酵变化度并识别出茶饼是否发霉和/或茶饼条索完整度,步骤Q中所述达标条件包括茶饼没发霉和/或茶饼条索完整度良好。
可选地,步骤P中,具体采用如上所述的第二种茶饼发酵变化度识别方法识别出茶饼的发酵变化度。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现如上所述的训练人工神经网络识别茶饼发酵变化度的方法,或者实现如上所述的茶饼发酵变化度识别方法,或者实现如上所述的茶饼品质识别方法。
采用上述训练方法训练好的人工神经网络能够根据茶饼入库前的图像和茶饼经储藏发酵后的图像识别茶饼在储藏期间的发酵变化度,实现智能化识别,无需人工识别,降低人力成本。上述训练方法采用的训练样本是以茶饼入库前的图像和茶饼经储藏发酵后的图像作为输入信号的,训练得到的人工神经网络能够准确地识别出茶饼在储藏期间的发酵变化度。
附图说明
图1是茶叶拍摄装置的立体结构示意图;
图2是茶叶拍摄装置的正视图;
图3是沿图2中A-A线的剖视图;
图4是沿图2中B-B线的剖视图。
附图标记说明:1、置物台;2、摄像头;3、颜色参照卡;4、外壳;5、环形补光灯。
具体实施方式
以下结合具体实施方式对本发明创造作进一步详细说明。
实施例一
为了使普洱茶具备更高的价值,普洱茶会被制作成茶饼进行储藏发酵。储藏发酵过程中可能会出现发酵过度或者发霉等不良情况,因此,需要人工判断经储藏发酵后的茶饼的品质是否达标,从而筛选出达标的茶饼。
判断茶饼品质是否达标主要考虑以下三个因素:发酵程度、条索完整度以及是否发霉。发酵程度、条索完整度以及是否发霉可以通过机器学习来进行智能识别。采用以单张茶饼图像作为输入信号的学习样本训练得到的人工神经网络识别茶叶发酵程度容易出现误判,而发酵变化度能够反映出茶叶当前的发酵程度,因此可以通过判断是否达到目标发酵变化度来判断是否达到目标发酵程度,本发明的思路是根据茶饼入库前的图像和茶饼经储藏发酵后的图像中茶饼颜色的差异来识别茶饼储藏期间的发酵变化度,然后判断识别到发酵变化度是否与目标发酵变化度匹配。本发明的茶叶品质识别设备,包括控制器和计算机可读存储介质,计算机可读存储介质中存储有可执行的计算机程序,控制器执行上述计算机程序从而实现茶叶品质识别设备的功能。该识别设备包括如图1所示的茶叶拍摄装置,茶叶拍摄装置包括置物台1以及用于对放置在置物台1上的茶饼进行拍摄得到茶饼图像的摄像头2(见图2或图3),该摄像头2通信连接控制器。
茶饼发酵变化度的识别依赖于茶饼图像中的茶饼颜色,同一块茶饼在不同环境下拍摄的茶饼图像中的茶饼颜色会存在色差,而本发明采用的是茶饼入库前的图像和茶饼经储藏发酵后的图像中茶饼颜色的差异来识别茶饼储藏期间的发酵变化度,两张图像的色差叠加起来可能会使得茶饼颜色的差异远不同于实际上的颜色差异,这样就会很大程度上影响了茶饼发酵变化度的识别准确度。为了防止拍摄环境差异影响茶饼发酵变化度的识别准确度,如图1或图4所示,上述置物台1在非茶叶放置区域处设有圆环状的颜色参照卡3。该颜色参照卡3环绕茶叶放置区域。茶叶拍摄装置包括把置物台1围起来的外壳4,外壳4前方开口,从而露出置物台1。外壳4内顶壁上设有环形补光灯5,环形补光灯5平置在置物台1正上方,摄像头2位于环形补光灯5中央。外壳4兼作遮光板,挡住外部环境光线朝置物台1照射,减少外部环境光线对拍摄得到的图像的色彩影响。工作人员在准备把茶饼入库进行储藏发酵时,把茶饼放置到置物台1的茶叶放置区域中,然后打开环形补光灯5进行补光,再启动摄像头2对置物台1上的茶饼和颜色参照卡3一起进行拍摄,如此则得到了茶饼入库前的图像,图像中具有颜色参照卡3。摄像头2把拍摄得到的茶饼入库前的图像传送给控制器,控制器根据茶饼入库前的图像中的颜色参照卡3的色值与颜色参照卡3的标准色值之间的差异,对茶饼入库前的图像进行色彩校准,然后把校准后的茶饼入库前的图像上传到数据库中。上述茶饼经过一段时间的储藏发酵后,茶商把茶饼从茶仓中取出来并放置到置物台1上,然后打开环形补光灯5进行补光,再启动摄像头2对置物台1上的茶饼和颜色参照卡3一起进行拍摄,如此则得到了茶饼经储藏发酵后的图像,图像中具有颜色参照卡3。摄像头2把拍摄得到的茶饼经储藏发酵后的图像传送给控制器,控制器根据茶饼经储藏发酵后的图像中的颜色参照卡3的色值与颜色参照卡3的标准色值之间的差异,对茶饼经储藏发酵后的图像进行色彩校准,然后把校准后的茶饼经储藏发酵后的图像上传到数据库中,与对应的茶饼入库前的图像关联地存储。
在拍摄得到大量的茶饼入库前的图像和茶饼经储藏发酵后的图像之后,工作人员从数据库中取出茶饼入库前的图像及其对应的茶饼经储藏发酵后的图像,人工判断得出茶饼储藏期间的发酵变化度,并根据茶饼经储藏发酵后的图像中判断茶饼是否有霉点以及茶饼条索完整度。若有霉点,则人工在茶饼经储藏发酵后的图像上标注出霉点以及茶饼条索完整度;若没有霉点,则人工在茶饼经储藏发酵后的图像上标注茶饼条索完整度。在标注完之后,工作人员则把茶饼入库前的图像、茶饼经储藏发酵后的图像以及茶饼储藏期间的发酵变化度作为一组茶饼样本数据存储在数据库中。工作人员多次执行上述步骤,从而得到很多组茶饼样本数据。
为了让人工神经网络具备识别出茶饼的发酵变化度、茶饼是否发霉以及茶饼条索完整度的识别能力,需要采用多组学习样本对人工神经网络进行训练。控制器执行如下学习样本获取步骤以获得一组学习样本:
——A1.从数据库中取得一组茶饼样本数据,即取得了茶饼入库前的图像、茶饼经储藏发酵后的图像以及茶饼储藏期间的发酵变化度;
——A2.以茶饼入库前的图像和茶饼经储藏发酵后的图像作为本组学习样本的输入信号,若茶饼经储藏发酵后的图像标注有霉点,则以茶饼储藏期间的发酵变化度、已发霉以及图像中标注的茶饼条索完整度这三者作为本组学习样本的输出信号;若茶饼经储藏发酵后的图像没标注有霉点,则以茶饼储藏期间的发酵变化度、没发霉以及图像中标注的茶饼条索完整度这三者作为本组学习样本的输出信号。
茶饼经储藏发酵后,其发酵变化度、条索完整度和发霉情况分别会有多种情况,控制器多次执行上述学习样本获取步骤获得多种情况下的学习样本,然后采用这些学习样本对人工神经网络进行训练,直至该人工神经网络具备根据茶饼入库前的图像和茶饼经储藏发酵后的图像识别出茶饼的发酵变化度、茶饼是否发霉和茶饼条索完整度的识别能力。
在训练好人工神经网络之后,控制器就可以利用人工神经网络来识别茶饼经储藏发酵后的发酵变化度、是否发霉以及茶饼条索完整度了,识别步骤如下:
从数据库中获取待识别茶饼入库前的图像和待识别茶饼经储藏发酵后的图像,输入到上述人工神经网络中,由该人工神经网络识别出茶饼的发酵变化度、茶饼是否发霉和茶饼条索完整度。
工作人员根据工作经验预先设置好茶饼的储藏时长和储藏期间的发酵变化度的对应关系并存储在数据库中。在利用人工神经网络识别出茶饼在储藏期间的发酵变化度、茶饼是否发霉和茶饼条索完整度之后,控制器则可据此判断茶饼品质是否达标了,具体地,若识别出茶饼没有发霉且茶饼条索完整度良好,控制器则判断茶饼的储藏时长和储藏期间的发酵变化度是否符合数据库中的预设的对应关系,若符合则认为该茶饼品质达标,否则认为该茶饼品质不达标。
实施例二
本实施例与实施例一大体上相同,下面仅描述本实施例与实施例一不同之处,相同之处不再赘述。
本实施例不采用人工神经网络来识别茶饼储藏期间的发酵变化度,而是采用其他的方法来识别发酵变化度,该方法具体过程如下:
工作人员预先设置茶饼色卡,并存储在数据库中。控制器在对茶饼经储藏发酵后的图像进行色彩校准之后,从数据库中取出对应的茶饼入库前的图像,在茶饼色卡中找出茶饼入库前的图像中的茶饼颜色所在点位以及茶饼经储藏发酵后的图像中的茶饼颜色所在点位,获得上述两个点位之间的轨迹,然后把茶饼入库前的图像、茶饼经储藏发酵后的图像以及对应的轨迹关联地存储。
在拍摄得到大量的茶饼入库前的图像和茶饼经储藏发酵后的图像之后,工作人员从数据库中取出茶饼入库前的图像及其对应的茶饼经储藏发酵后的图像,人工判断得出茶饼储藏期间的发酵变化度,然后把发酵变化度和对应的轨迹作为一组茶饼样本数据存储在数据库中。工作人员多次执行上述步骤,从而得到很多组茶饼样本数据。工作人员还根据茶饼经储藏发酵后的图像中判断茶饼是否有霉点以及茶饼条索完整度。若有霉点,则人工在茶饼经储藏发酵后的图像上标注出霉点以及茶饼条索完整度;若没有霉点,则人工在茶饼经储藏发酵后的图像上标注茶饼条索完整度。
在得到很多组茶饼样本数据之后,就可以采用以下方法来识别茶饼储藏期间的发酵变化度,识别步骤如下:
X.在预存的茶饼色卡中找出待识别茶饼入库前的图像中的茶饼颜色所在点位以及待识别茶饼经储藏发酵后的图像中的茶饼颜色所在点位,获得上述两个点位之间的轨迹;
Y.从预先建立的数据库中的茶饼样本数据中查找与上述轨迹相似度最高的轨迹,以该轨迹所在的茶饼样本数据中的发酵变化度作为待识别茶饼的发酵变化度。
本实施例的人工神经网络只需具备根据茶饼经储藏发酵后的图像识别出茶饼是否发霉和茶饼条索完整度的识别能力,因此,控制器只需执行如下学习样本获取步骤以获得一组学习样本:
——从数据库中取得经过标注处理的茶饼经储藏发酵后的图像;
——以茶饼经储藏发酵后的图像作为本组学习样本的输入信号,若茶饼经储藏发酵后的图像标注有霉点,则以茶饼已发霉以及图像中标注的茶饼条索完整度这两者者作为本组学习样本的输出信号;若茶饼经储藏发酵后的图像没标注有霉点,则以茶饼没发霉以及图像中标注的茶饼条索完整度这两者作为本组学习样本的输出信号。
茶饼经储藏发酵后,其条索完整度和发霉情况分别会有多种情况,控制器多次执行上述学习样本获取步骤获得多种情况下的学习样本,然后采用这些学习样本对人工神经网络进行训练,直至该人工神经网络具备根据茶饼经储藏发酵后的图像识别出茶饼是否发霉和茶饼条索完整度的识别能力。
在训练好人工神经网络之后,控制器就可以利用人工神经网络来识别茶饼经储藏发酵后的茶饼是否发霉以及茶饼条索完整度了,识别步骤如下:
从数据库中获取待识别茶饼经储藏发酵后的图像,输入到上述人工神经网络中,由该人工神经网络识别出茶饼是否发霉和茶饼条索完整度。
至此,已经识别出了待识别茶饼在储藏期间的发酵变化度、茶饼是否发霉和茶饼条索完整度,控制器就可以据此判断茶饼品质是否达标了。
如上所述仅为本发明创造的实施方式,不以此限定专利保护范围。本领域技术人员在本发明创造的基础上作出非实质性的变化或替换,仍落入专利保护范围。
Claims (10)
1.训练人工神经网络识别茶饼发酵变化度的方法,其特征是包括以下步骤:
A.多次执行下述样本获取步骤,获得多组学习样本,样本获取步骤包括:
——A1.取得茶饼入库前的图像、茶饼经储藏发酵后的图像以及茶饼储藏期间的发酵变化度;
——A2.以茶饼入库前的图像和茶饼经储藏发酵后的图像作为输入信号,以茶饼储藏期间的发酵变化度作为输出信号,构成供人工神经网络进行茶饼发酵变化度识别的一组学习样本;
B.采用上述多组学习样本对人工神经网络进行茶饼发酵变化度识别训练,直至该人工神经网络具备根据茶饼入库前的图像和茶饼经储藏发酵后的图像识别出茶饼的发酵变化度的识别能力。
2.如权利要求1所述的训练人工神经网络识别茶饼发酵变化度的方法,其特征是:
其中的部分学习样本,所述的茶饼经储藏发酵后的图像是标注了霉点的图像和/或是标注了茶饼条索完整度的图像;
在步骤A2中,还以茶饼是否发霉和/或茶饼条索完整度作为输出信号;
在步骤B中,除了如上所述地,直至该人工神经网络具备根据茶饼入库前的图像和茶饼经储藏发酵后的图像识别出茶饼的发酵变化度的识别能力,还直至该人工神经网络具备根据茶饼入库前的图像和茶饼经储藏发酵后的图像识别出茶饼是否发霉和/或茶饼条索完整度。
3.茶饼发酵变化度识别方法,其特征是:获取茶饼入库前的图像和茶饼经储藏发酵后的图像,输入到已训练好的人工神经网络中,由该人工神经网络识别出茶饼的发酵变化度。
4.如权利要求3所述的茶饼发酵变化度识别方法,其特征是:所述人工神经网络是采用如权利要求1所述的训练人工神经网络识别茶饼发酵变化度的方法进行训练得到的。
5.如权利要求3所述的茶饼发酵变化度识别方法,其特征是:所述人工神经网络是采用如权利要求2所述的训练人工神经网络识别茶饼发酵变化度的方法进行训练得到的,除了如上所述地,由该人工神经网络识别出茶饼的发酵变化度,还由该人工神经网络识别出茶饼是否发霉和/或茶饼条索完整度。
6.茶饼发酵变化度识别方法,其特征是包括以下步骤:
X.在预存的茶饼色卡中找出茶饼入库前的图像中的茶饼颜色所在点位以及茶饼经储藏发酵后的图像中的茶饼颜色所在点位,获得上述两个点位之间的轨迹;
Y.从预先建立的数据库中查找与轨迹匹配的发酵变化度,作为茶饼的发酵变化度。
7.茶饼品质识别方法,其特征是包括以下步骤:
P.根据茶饼入库前的图像和茶饼经储藏发酵后的图像中茶饼颜色的差异,识别出茶饼储藏期间的发酵变化度;
Q.根据达标条件判断茶饼品质是否达标,所述达标条件包括:茶饼的储藏时长和储藏期间的发酵变化度符合预设的对应关系。
8.如权利要求7所述的茶饼品质识别方法,其特征是步骤P中:
具体采用如权利要求3或4所述的茶饼发酵变化度识别方法识别出茶饼的发酵变化度;或者
具体采用如权利要求5所述的茶饼发酵变化度识别方法,识别出茶饼的发酵变化度并识别出茶饼是否发霉和/或茶饼条索完整度,步骤Q中所述达标条件包括茶饼没发霉和/或茶饼条索完整度良好。
9.如权利要求7所述的茶饼品质识别方法,其特征是:步骤P中,具体采用如权利要求6所述的茶饼发酵变化度识别方法识别出茶饼的发酵变化度。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征是:所述计算机程序被执行时实现如权利要求1或2当中任一项所述的训练人工神经网络识别茶饼发酵变化度的方法,或者实现如权利要求3至6当中任一项所述的茶饼发酵变化度识别方法,或者实现如权利要求7至9当中任一项所述的茶饼品质识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110981361.9A CN113689408A (zh) | 2021-08-25 | 2021-08-25 | 训练神经网络识别茶饼发酵变化度的方法、发酵变化度识别方法、品质识别方法和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110981361.9A CN113689408A (zh) | 2021-08-25 | 2021-08-25 | 训练神经网络识别茶饼发酵变化度的方法、发酵变化度识别方法、品质识别方法和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113689408A true CN113689408A (zh) | 2021-11-23 |
Family
ID=78582455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110981361.9A Pending CN113689408A (zh) | 2021-08-25 | 2021-08-25 | 训练神经网络识别茶饼发酵变化度的方法、发酵变化度识别方法、品质识别方法和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689408A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115128076A (zh) * | 2022-08-31 | 2022-09-30 | 泉州海关综合技术服务中心 | 一种茶叶发酵度测定方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110178803A1 (en) * | 1999-08-31 | 2011-07-21 | Accenture Global Services Limited | Detecting emotion in voice signals in a call center |
CN109002855A (zh) * | 2018-07-20 | 2018-12-14 | 长沙湘丰智能装备股份有限公司 | 一种基于卷积神经网络的红茶发酵程度的鉴定方法 |
CN110716021A (zh) * | 2019-10-30 | 2020-01-21 | 广西壮族自治区亚热带作物研究所(广西亚热带农产品加工研究所) | 一种快速判断六堡茶渥堆发酵程度的方法 |
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 |
CN112906758A (zh) * | 2021-01-29 | 2021-06-04 | 广州富港万嘉智能科技有限公司 | 食材新鲜程度识别模型的训练方法、识别方法和设备 |
CN113272052A (zh) * | 2018-11-04 | 2021-08-17 | 瓦尤森斯有限公司 | 用于工业生产过程自动化控制的系统方法和计算装置 |
-
2021
- 2021-08-25 CN CN202110981361.9A patent/CN113689408A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110178803A1 (en) * | 1999-08-31 | 2011-07-21 | Accenture Global Services Limited | Detecting emotion in voice signals in a call center |
CN109002855A (zh) * | 2018-07-20 | 2018-12-14 | 长沙湘丰智能装备股份有限公司 | 一种基于卷积神经网络的红茶发酵程度的鉴定方法 |
CN113272052A (zh) * | 2018-11-04 | 2021-08-17 | 瓦尤森斯有限公司 | 用于工业生产过程自动化控制的系统方法和计算装置 |
CN110716021A (zh) * | 2019-10-30 | 2020-01-21 | 广西壮族自治区亚热带作物研究所(广西亚热带农产品加工研究所) | 一种快速判断六堡茶渥堆发酵程度的方法 |
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 |
CN112906758A (zh) * | 2021-01-29 | 2021-06-04 | 广州富港万嘉智能科技有限公司 | 食材新鲜程度识别模型的训练方法、识别方法和设备 |
Non-Patent Citations (1)
Title |
---|
王琨等: "基于深度学习的茶叶状态智能识别方法", 重庆理工大学学报(自然科学), no. 12, 15 December 2015 (2015-12-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115128076A (zh) * | 2022-08-31 | 2022-09-30 | 泉州海关综合技术服务中心 | 一种茶叶发酵度测定方法 |
CN115128076B (zh) * | 2022-08-31 | 2022-11-11 | 泉州海关综合技术服务中心 | 一种茶叶发酵度测定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109729332B (zh) | 一种自动白平衡矫正方法和系统 | |
CN106384117B (zh) | 一种车辆颜色识别方法及装置 | |
CN109470179B (zh) | 一种大规模水耕蔬菜长势检测系统及方法 | |
CN110716483B (zh) | 烹饪设备的控制方法、控制装置、烹饪设备及存储介质 | |
CN106153639B (zh) | 基于人工智能的电路板检测方法及其检测装置 | |
CN110018172B (zh) | 产品检测系统及方法 | |
CN113034624B (zh) | 基于感温变色胶贴的温度预警图像识别方法、系统、设备及存储介质 | |
CN113689408A (zh) | 训练神经网络识别茶饼发酵变化度的方法、发酵变化度识别方法、品质识别方法和存储介质 | |
CN108872265A (zh) | 检测方法、装置及系统 | |
CN108198176A (zh) | 一种基于图像分析烟草成熟度的判别方法 | |
CN108564631A (zh) | 车灯光导色差检测方法、装置及计算机可读存储介质 | |
CN109953360A (zh) | 烘豆辅助装置及烘豆装置 | |
CN115410192A (zh) | 一种柑橘黄龙病图像采集与识别方法、存储介质及其系统 | |
CN216117356U (zh) | 一种茶叶拍摄装置和茶叶品质识别设备 | |
CN107454266A (zh) | 基于智能手机的作物营养诊断装置与诊断方法 | |
CN107920205A (zh) | 图像处理方法、装置、存储介质和电子设备 | |
CN109376257A (zh) | 基于图像处理的茶叶识别方法 | |
CN105763861A (zh) | 用于电子照相机的自动白平衡系统 | |
CN108805144A (zh) | 基于形态学矫正的弹孔识别方法及系统、报靶设备 | |
CN106951824A (zh) | 基于无人机遥感影像提取玉米植株叶色的方法及系统 | |
CN115131349B (zh) | 基于内分泌试纸彩色直方图的白平衡调节方法及系统 | |
CN109919973A (zh) | 基于多特征联合的多视角目标关联方法、系统及介质 | |
CN110807817B (zh) | 一种适应光照变化的目标颜色识别的机器视觉方法 | |
CN115330721A (zh) | 基于形状和颜色信息的香蕉果梳饱满度检测方法与系统 | |
CN114577739A (zh) | 一种鲜烟成熟度判定方法 |
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 |