CN114065877B - 茶田茶叶成熟度识别方法及设备 - Google Patents

Abstract

本申请涉及一种茶田茶叶成熟度识别方法及设备，方法包括：获取待识别茶叶所在茶田的图像数据，将图像数据输入预先训练的茶叶识别模型，得到待识别茶叶的各类别茶叶分布区域和各类别茶叶成熟度。本申请中，由于茶叶识别模型包括至少两个分支，可以通过一个分支将待识别茶叶中不同类别的茶叶分布区域进行分割，通过另一个分支得到待识别茶叶的各类别茶叶成熟度，本申请中基于茶叶识别模型进行识别，更加效率且节省人力成本。茶叶识别模型各所述分支权重共享，模型准确率更高。

Description

茶田茶叶成熟度识别方法及设备

技术领域

本申请涉及图像识别技术领域，尤其涉及一种茶田茶叶成熟度识别方法及设备。

背景技术

随着人民生活质量的提高，越来越多的人开始注重身体健康，茶叶的需求越来越大，茶叶市场也愈发广阔。但随之而来的问题就是茶叶的产能及成本问题，现阶段，大部分茶商都是采用人工判断茶叶成熟阶段，人工采摘、烘干等方法来制作茶叶，但人工成本较高，且效率低下。

发明内容

为至少在一定程度上克服相关技术中采用人工判断茶叶成熟阶段成本较高，且效率低下的问题，本申请提供一种茶田茶叶成熟度识别方法及设备。

本申请的方案如下：

根据本申请实施例的第一方面，提供一种茶田茶叶成熟度识别方法，包括：

获取待识别茶叶所在茶田的图像数据；

将所述图像数据输入预先训练的茶叶识别模型，得到所述待识别茶叶的各类别茶叶分布区域和各类别茶叶成熟度；其中，所述茶叶识别模型包括至少两个分支，且各所述分支权重共享。

优选的，在本申请一种可实现的方式中，还包括：

获取样本数据，所述样本数据包括不同种类茶叶在不同成熟度的图像；

将所述样本数据划分为训练集和验证集；

基于所述训练集训练多个预选模型。

优选的，在本申请一种可实现的方式中，还包括：

基于所述验证集在训练得到的多个预选模型中确定鲁棒性和泛化性最高的预选模型作为所述茶叶识别模型。

优选的，在本申请一种可实现的方式中，所述获取待识别茶叶所在茶田的图像数据，包括：获取基于无人机拍摄的所述待识别茶叶所在茶田的低空俯视视频数据。

优选的，在本申请一种可实现的方式中，所述获取待识别茶叶所在茶田的图像数据后，所述方法还包括：

对所述低空俯视视频数据进行分帧处理得到多张所述待识别茶叶所在茶田的低空俯视图像；

将所述待识别茶叶所在茶田的低空俯视图像进行图像拼接得到所述待识别茶叶所在茶田的完整茶田俯视图像；

对所述待识别茶叶所在茶田的完整茶田俯视图像进行下采样处理。

优选的，在本申请一种可实现的方式中，所述茶叶识别模型包括分割分支和分类分支；

所述分割分支用于根据输入的所述图像数据输出所述待识别茶叶的各类别茶叶分布区域；

所述分类分支用于根据输入的所述图像数据输出所述待识别茶叶的各类别茶叶成熟度。

优选的，在本申请一种可实现的方式中，所述分割分支包括多层卷积层、多层池化层和后处理模块；

所述后处理模块用于根据预设阈值对输出结果进行筛选。

优选的，在本申请一种可实现的方式中，所述分类分支具体用于对输入的所述图像数据进行编码，得到第一次编码结果；

对所述第一次编码结果进行解码，得到第一次解码结果；

对所述第一次解码结果进行编码，得到第二次编码结果；

对所述第二次编码结果进行解码，得到第二次解码结果；

输出所述第一次解码结果和所述第二次解码结果。

根据本申请实施例的第二方面，提供一种茶田茶叶成熟度识别设备，包括：

处理器和存储器；

所述处理器与存储器通过通信总线相连接：

其中，所述处理器，用于调用并执行所述存储器中存储的程序；

所述存储器，用于存储程序，所述程序至少用于执行如以上任一项所述的一种茶田茶叶成熟度识别方法。

本申请提供的技术方案可以包括以下有益效果：本申请中的茶田茶叶成熟度识别方法，包括：获取待识别茶叶所在茶田的图像数据，将图像数据输入预先训练的茶叶识别模型，得到待识别茶叶的各类别茶叶分布区域和各类别茶叶成熟度。本申请中，由于茶叶识别模型包括至少两个分支，可以通过一个分支将待识别茶叶中不同类别的茶叶分布区域进行分割，通过另一个分支得到待识别茶叶的各类别茶叶成熟度，本申请中基于茶叶识别模型进行识别，更加效率且节省人力成本。茶叶识别模型各所述分支权重共享，模型准确率更高。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是本申请一个实施例提供的一种茶田茶叶成熟度识别方法的流程示意图；

图2是本申请一个实施例提供的一种茶田茶叶成熟度识别方法中用于获取待识别茶田图像的无人机的预设规则示意图；

图3是本申请一个实施例提供的一种将待识别茶叶所在茶田的低空俯视图像进行图像拼接得到获取待识别茶田的完整茶田俯视图像的示意图；

图4是本申请一个实施例提供的一种茶叶识别模型的分割分支的结构示意图；

图5是本申请一个实施例提供的一种茶田成熟度识别方法的具体实施过程流程图；

图6是本申请一个实施例提供的一种茶田成熟度识别设备的结构示意图。

附图标记：处理器-21；存储器-22。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

一种茶田茶叶成熟度识别方法，参照图1，包括：

S11：获取待识别茶叶所在茶田的图像数据；

获取待识别茶田的图像数据，包括：获取基于无人机拍摄的待识别茶叶所在茶田的低空俯视视频数据。

本实施例中通过无人机飞行至待识别茶田上的低空，从同一方向拍摄茶田全貌，随后利用5G超高速率、超低时延的特点将所拍摄的视频回传至服务器并返航。

具体的，无人机采用常规四轴无人机即可，需搭载高清摄像头、GPS定位功能以及5G传输模块。

无人机需要按照预设规则低空航拍茶田，以保证茶田视频的完整性。示例性的，预设的规则可如图2所示。在预设规则中，无人机的飞行高度应为茶田的侧边边缘刚好出现在摄像头视角内，无人机的飞行速度为1m/s。

获取待识别茶田的图像数据后，方法还包括：

对低空俯视视频数据进行分帧处理得到多张待识别茶叶所在茶田的低空俯视图像；

将待识别茶叶所在茶田的低空俯视图像进行图像拼接得到待识别茶叶所在茶田的完整茶田俯视图像；

对待识别茶叶所在茶田的完整茶田俯视图像进行下采样处理。

本实施例中，采用视频分帧技术将无人机拍摄的视频分成一帧一帧的图像，为避免因距离问题产生视觉差影响模型的鲁棒性，利用图像拼接技术生成无差别的茶田图像即待识别茶田的完整茶田俯视图像。

具体的，以图3为例，M点为无人机，其所在直线为无人机的飞行路径，A、B为茶田中任意两点。首先以茶田边缘为原点建立坐标轴，接着以无人机为原点建立与茶田像素点之间的映射关系，由于在时间序列中，以无人机中心，茶田中每点的像素位置都在变换，因此，以无人机为中心，按照时间序列中计算每帧图像中每个像素点与无人机的欧氏距离，综合选出每个像素点距离无人机最近的图像帧，随后进行图像帧中像素点的叠加则可生成待识别茶田的完整茶田俯视图像。

本实施例中，还对待识别茶田的完整茶田俯视图像进行下采样处理，下采样处理的目的主要有两个：1、使得图像符合显示区域的大小；2、生成对应图像的缩略图。

优选的，本实施例中对待识别茶田的完整茶田俯视图像进行8倍下采样处理。

S12：将图像数据输入预先训练的茶叶识别模型，得到待识别茶叶的各类别茶叶分布区域和各类别茶叶成熟度；其中，茶叶识别模型包括至少两个分支，且各分支权重共享。

一片茶田中一般种植有多种不同类型的茶叶，如红茶、绿茶和黑茶等。本实施例中，可以通过茶叶识别模型的一个分支对待识别茶田的各类别茶叶分布区域进行识别。

茶叶按成熟度划分一般分为幼年期、成熟期和衰老期，茶叶的成熟度可以通过颜色、叶形状、厚薄和叶脉来进行辨别。本实施例中，可以通过茶叶识别模型的一个分支对待识别茶田的各类别茶叶成熟度进行识别。

本实施例中的茶田茶叶成熟度识别方法，还包括茶叶识别模型的训练过程：

获取样本数据，样本数据包括不同种类茶叶在不同成熟度的图像；

将样本数据划分为训练集和验证集；

基于训练集训练多个预选模型；

基于验证集在训练得到的多个预选模型中确定鲁棒性和泛化性最高的预选模型作为茶叶识别模型。

本实施例中，将样本数据划分为训练集和验证集，基于训练集训练多个预选模型作为备选方案，然后基于验证集在训练得到的多个预选模型中确定鲁棒性和泛化性最高的预选模型作为茶叶识别模型，在多个预选模型中筛选出的茶叶识别模型具备最高的鲁棒性和泛化性，在具体实施时，识别更准确，识别效率更高。

本实施例中的茶田茶叶成熟度识别方法，包括：获取待识别茶叶所在茶田的图像数据，将图像数据输入预先训练的茶叶识别模型，得到待识别茶叶的各类别茶叶分布区域和各类别茶叶成熟度。本申请中，由于茶叶识别模型包括至少两个分支，可以通过一个分支将待识别茶叶中不同类别的茶叶分布区域进行分割，通过另一个分支得到待识别茶叶的各类别茶叶成熟度，本申请中基于茶叶识别模型进行识别，更加效率且节省人力成本。茶叶识别模型各所述分支权重共享，模型准确率更高。

一些实施例中的茶田茶叶成熟度识别方法，茶叶识别模型包括分割分支和分类分支；

分割分支用于根据输入的图像数据输出待识别茶田的各类别茶叶分布区域；

分类分支用于根据输入的图像数据输出待识别茶田的各类别茶叶成熟度。

分割分支参照图4，包括多层卷积层、多层池化层和后处理模块；

后处理模块用于根据预设阈值对输出结果进行筛选。

池化层主要用于对卷积层得到的结果进行一次双线性插值将其放大。

后处理模块主要用于根据预设阈值过滤到错误的分割结果。

分类分支具体用于对输入的图像数据进行编码，得到第一次编码结果；

对第一次编码结果进行解码，得到第一次解码结果；

对第一次解码结果进行编码，得到第二次编码结果；

对第二次编码结果进行解码，得到第二次解码结果；

输出第一次解码结果和第二次解码结果。

分类分支包括由前馈神经网络和自注意力机制构成的编码模块和解码模块，其中编码模块为两个。

第一编码模块对输入的待识别茶田的图像数据进行编码，得到第一次编码结果；

解码模块对第一次编码结果进行解码，得到第一次解码结果；

第二编码模块对第一次解码结果进行编码，得到第二次编码结果；

解码模块对第二次编码结果进行解码，得到第二次解码结果。

本实施例中的茶田成熟度识别方法具体实施过程参照图5，图像数据经过下采样输入到茶叶识别模型中的分割分支和分类分支，分割分支和分类分支权重共享。将分割分支和分类分支的输出结果进行融合，上采样得到最终的输出结果。

一种茶田成熟度识别设备，参照图5，包括：

处理器21和存储器22；

处理器21与存储器22通过通信总线相连接：

其中，处理器21，用于调用并执行存储器22中存储的程序；

存储器22，用于存储程序，程序至少用于执行以上任一实施例中的一种茶田茶叶成熟度识别方法。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种茶田茶叶成熟度识别方法，其特征在于，包括：

获取待识别茶叶所在茶田的图像数据；所述图像数据为所述待识别茶叶所在茶田的完整茶田俯视图像；

将所述图像数据输入预先训练的茶叶识别模型，得到所述待识别茶叶的各类别茶叶分布区域和各类别茶叶成熟度；其中，所述茶叶识别模型包括至少两个分支，且各所述分支权重共享；

其中，所述茶叶识别模型包括分割分支和分类分支；

所述分割分支用于根据输入的所述图像数据输出所述待识别茶叶的各类别茶叶分布区域；

所述分类分支用于根据输入的所述图像数据输出所述待识别茶叶的各类别茶叶成熟度。

2.根据权利要求1所述的方法，其特征在于，还包括：

获取样本数据，所述样本数据包括不同种类茶叶在不同成熟度的图像；

将所述样本数据划分为训练集和验证集；

基于所述训练集训练多个预选模型。

3.根据权利要求2所述的方法，其特征在于，还包括：

基于所述验证集在训练得到的多个预选模型中确定鲁棒性和泛化性最高的预选模型作为所述茶叶识别模型。

4.根据权利要求1所述的方法，其特征在于，所述获取待识别茶叶所在茶田的图像数据，包括：获取基于无人机拍摄的所述待识别茶叶所在茶田的低空俯视视频数据。

5.根据权利要求4所述的方法，其特征在于，所述获取待识别茶叶所在茶田的图像数据后，所述方法还包括：

对所述低空俯视视频数据进行分帧处理得到多张所述待识别茶叶所在茶田的低空俯视图像；

将所述待识别茶叶所在茶田的低空俯视图像进行图像拼接得到所述待识别茶叶所在茶田的完整茶田俯视图像；

对所述待识别茶叶所在茶田的完整茶田俯视图像进行下采样处理。

6.根据权利要求1所述的方法，其特征在于，所述分割分支包括多层卷积层、多层池化层和后处理模块；

所述后处理模块用于根据预设阈值对输出结果进行筛选。

7.根据权利要求1所述的方法，其特征在于，所述分类分支具体用于对输入的所述图像数据进行编码，得到第一次编码结果；

对所述第一次编码结果进行解码，得到第一次解码结果；

对所述第一次解码结果进行编码，得到第二次编码结果；

对所述第二次编码结果进行解码，得到第二次解码结果；

输出所述第一次解码结果和所述第二次解码结果。

8.一种茶田成熟度识别设备，其特征在于，包括：

处理器和存储器；

所述处理器与存储器通过通信总线相连接：

其中，所述处理器，用于调用并执行所述存储器中存储的程序；

所述存储器，用于存储程序，所述程序至少用于执行权利要求1-7任一项所述的一种茶田茶叶成熟度识别方法。

Images