CN114119948A - 一种茶叶识别方法、装置、电子设备及存储介质 - Google Patents
一种茶叶识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114119948A CN114119948A CN202111403855.5A CN202111403855A CN114119948A CN 114119948 A CN114119948 A CN 114119948A CN 202111403855 A CN202111403855 A CN 202111403855A CN 114119948 A CN114119948 A CN 114119948A
- Authority
- CN
- China
- Prior art keywords
- tea
- image
- neural network
- network model
- characteristic parameters
- 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
Images
Classifications
-
- 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
- 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
-
- 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
Abstract
本发明提供了一种茶叶识别方法、装置、设备及存储介质,其中,茶叶识别方法包括:获取当前茶叶图像,按照预设算法对茶叶图像进行预处理得到所述茶叶的特征参数;固定已训练的神经网络模型中的参数,将所述茶叶的特征参数输入神经网络模型;从所述神经网络模型识别出当前茶叶的状态。在上述方法中,通过采集当前茶叶的图像并提取其中的特征参数输入至已经训练完成的神经网络模型中识别出茶叶的种类、状态。以此,通过深度学习的神经网络模型对预处理后的茶叶参数进行准确识别以此得到当前茶叶的品种、状态,有效避免人工识别由于生理、环境因素带来的不当识别。
Description
技术领域
本发明涉及图像处理领域,尤其一种茶叶识别方法、装置、电子设备及存储介质。
背景技术
目前,茶叶种类繁多,大多通过用户的经验、生理状态等识别当前茶叶的状态,并且识别效果不理想,由此为了得到最佳冲泡口感,需要针对不同的茶叶种类以及冲泡的次数以及茶叶的舒展程度采用不同的冲泡方法,但是如何获取当前茶叶的种类、状态并输出合适的冲泡参数,是目前难以克服的问题,随着近几年人工智能领域的兴起,深度学习技术的飞速发展,基于深度学习技术的图像识别方法被广泛应用于各个领域,但是应用于茶叶识别的研究还相对匮乏,尚没有一套完整的茶叶识别方法。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种茶叶识别方法,旨在解决目前针对茶叶种类、状态的识别不精准,未能对茶叶品种、状态进行有效识别的问题。
为实现上述目的,本发明提供一种茶叶识别方法,包括:
获取当前茶叶图像,按照预设算法对茶叶图像进行预处理得到所述茶叶的特征参数;
固定已训练的神经网络模型中的参数,将所述茶叶的特征参数输入神经网络模型;
从所述神经网络模型识别出当前茶叶的状态。
优选地,所述固定已训练的神经网络模型中的参数的步骤之前还包括:
获取针对神经网络模型的茶叶的参数数据集;
针对所述茶叶的参数数据集进行敏感性分析得到所述茶叶的特征输入参数;
根据所述茶叶的特征输入参数训练所述神经网络模型。
优选地,所述按照预设算法对茶叶图像进行预处理得到所述茶叶的特征参数的步骤包括:
将所述茶叶图像进行二值化处理,以得到茶叶的形状和轮廓图;
基于所述茶叶的形状和轮廓图得到所述茶叶的特征参数。
优选地,所述基于所述茶叶的形状和轮廓图得到所述茶叶的特征参数的步骤包括:
根据所述茶叶的形状和轮廓图获取所述茶叶的周长、面积、中轴长度、平均宽度和弯曲度系数特征参数。
优选地,所述按照预设算法对茶叶图像进行预处理得到所述茶叶的特征参数的步骤还包括:
将所述茶叶图像进行颜色色度、饱和度分析得到所述茶叶图像的颜色特征参数。
优选地,所述将所述茶叶图像进行颜色色度、饱和度分析得到所述茶叶图像的颜色特征参数的步骤包括:
将所述茶叶图像的RGB信息转换为HSI信息;
基于所述茶叶图像的HSI信息得到所述茶叶图像的颜色特征参数。
优选地,所述方法还包括:
将所述茶叶图像进行数据增强操作;
所述数据增强操作包括:对图像数据进行翻转、缩放、加噪处理和亮度调节中的一种或多种操作。
此外,为了实现上述目的,本发明还提出了一种茶叶识别装置,包括:
图像模块,用于获取当前茶叶图像,按照预设算法对茶叶图像进行预处理得到所述茶叶的特征参数;
神经网络模块,用于固定已训练的神经网络模型中的参数,将所述茶叶的特征参数输入神经网络模型;
识别模块,从所述神经网络模型识别出当前茶叶的状态。
此外,为了实现上述目的,本发明还提供了一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,所述存储器上存储有可被至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任意一项所述的茶叶的识别方法的步骤。
此外,为了实现上述目的,本发明还提出了一种计算机可读存储介质,包括:所述计算机可读存储介质上存储有茶叶的识别程序,所述茶叶的识别程序被处理器执行时实现上述任意一项所述的茶叶的识别方法的步骤。
本发明具有以下有益效果:
1、本发明实施例中提供了一种茶叶识别方法,包括:获取当前茶叶图像,按照预设算法对茶叶图像进行预处理得到所述茶叶的特征参数;固定已训练的神经网络模型中的参数,将所述茶叶的特征参数输入神经网络模型;从所述神经网络模型识别出当前茶叶的状态。在上述方法中,通过采集当前茶叶的图像并提取其中的特征参数输入至已经训练完成的神经网络模型中识别出茶叶的种类、状态。以此,通过深度学习的神经网络模型对预处理后的茶叶参数进行识别以此得到当前茶叶的种类、状态,有效避免人工识别由于生理、环境因素带来的不当识别。
2、在本发明其中一个实施例中,获取针对神经网络模型的茶叶的参数数据集;针对所述茶叶的参数数据集进行敏感性分析得到所述茶叶的特征输入参数;根据所述茶叶的特征输入参数训练所述神经网络模型。通过敏感性分析选择敏感性最高的特征参数训练神经网络模型保证了神经网络模型对茶叶识别的有效性。
3、在本发明其中一个实施例中,通过将所茶叶图像进行数据增强操作;所述数据增强操作包括:对图像数据进行翻转、缩放、加噪处理和亮度调节中的一种或多种操作。通过对茶叶图像进行数据增强,使得待识别的茶叶图像更有利于神经网络模型的辨别,提高了茶叶识别的结果有效性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端\装置结构示意图;
图2为本发明一种茶叶识别方法一实施例的流程示意图;
图3为图2中步骤S20之前训练神经网络模型的细化流程示意图;
图4为神经网络模型示意图;
图5为图2中步骤S10的细化流程示意图;
图6为本发明一种茶叶识别方法其中一个实施例的步骤S10的细化流程示意图;
图7为本发明一种茶叶识别装置的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的主要解决方案是:获取当前茶叶图像,按照预设算法对茶叶图像进行预处理得到所述茶叶的特征参数;固定已训练的神经网络模型中的参数,将所述茶叶的特征参数输入神经网络模型;从所述神经网络模型获取当前茶叶的状态。
由于现有技术中针对茶叶识别的方法主要是通过用户根据个人惊讶进行识别,容易等候生理因素及环境因素等影响,不能保证茶叶识别的有效性和准确性。
本发明提供一种解决方案,获取当前茶叶图像,按照预设算法对茶叶图像进行预处理得到所述茶叶的特征参数;固定已训练的神经网络模型中的参数,将所述茶叶的特征参数输入神经网络模型;从所述神经网络模型获取当前茶叶的状态。通过深度学习的神经网络模型对茶叶状态的识别保证了茶叶识别有效性和准确性。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是PC,也可以是智能手机、平板电脑、电子书阅读器、MP4(Moving Picture Experts Group 4,动态图像专家组)播放器、便携计算机等可移动式终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在移动终端移动到耳边时,关闭显示屏和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;当然,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及茶叶识别程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的茶叶识别程序,并执行以下操作:
获取当前茶叶图像,按照预设算法对茶叶图像进行预处理得到所述茶叶的特征参数;
固定已训练的神经网络模型中的参数,将所述茶叶的特征参数输入神经网络模型;
从所述神经网络模型识别出当前茶叶的状态。
进一步地,处理器1001可以调用存储器1005中存储的网络操作控制应用程序,还执行以下操作:
所述固定已训练的神经网络模型中的参数的步骤之前还包括:
获取针对神经网络模型的茶叶的参数数据集;
针对所述茶叶的参数数据集进行敏感性分析得到所述茶叶的特征输入参数;
根据所述茶叶的特征输入参数训练所述神经网络模型。
进一步地,处理器1001可以调用存储器1005中存储的网络操作控制应用程序,还执行以下操作:
所述按照预设算法对茶叶图像进行预处理得到所述茶叶的特征参数的步骤包括:
将所述茶叶图像进行二值化处理,以得到茶叶的形状和轮廓图;
基于所述茶叶的形状和轮廓图得到所述茶叶的特征参数。
进一步地,处理器1001可以调用存储器1005中存储的网络操作控制应用程序,还执行以下操作:
所述基于所述茶叶的形状和轮廓图得到所述茶叶的特征参数的步骤包括:
根据所述茶叶的形状和轮廓图获取所述茶叶的周长、面积、中轴长度、平均宽度和弯曲度系数特征参数。
进一步地,处理器1001可以调用存储器1005中存储的网络操作控制应用程序,还执行以下操作:
所述按照预设算法对茶叶图像进行预处理得到所述茶叶的特征参数的步骤还包括:
将所述茶叶图像进行颜色色度、饱和度分析得到所述茶叶图像的颜色特征参数。
进一步地,处理器1001可以调用存储器1005中存储的网络操作控制应用程序,还执行以下操作:
所述将所述茶叶图像进行颜色色度、饱和度分析得到所述茶叶图像的颜色特征参数的步骤包括:
将所述茶叶图像的RGB信息转换为HSI信息;
基于所述茶叶图像的HSI信息得到所述茶叶图像的颜色特征参数。
进一步地,处理器1001可以调用存储器1005中存储的网络操作控制应用程序,还执行以下操作:
所述方法还包括:
将所述茶叶图像进行数据增强操作;
所述数据增强操作包括:对图像数据进行翻转、缩放、加噪处理和亮度调节中的一种或多种操作。
参照图2,本发明一种茶叶识别方法第一实施例提供一种茶叶识别方法,所述方法包括:
步骤S10,获取当前茶叶图像,按照预设算法对茶叶图像进行预处理得到所述茶叶的特征参数;
步骤S20,固定已训练的神经网络模型中的参数,将所述茶叶的特征参数输入神经网络模型;
步骤S30,从所述神经网络模型识别出取当前茶叶的状态。
具体而言,关于茶叶品种、状态的识别大多通过用户自身的经验、口感等因素去判别茶叶的品种以及所泡的次数,此类方法缺乏有效性,并且因人而异不具有普适性。在本实施例中,通过图像采集装置,采集当前养身壶中的茶叶为例,直接采集当前茶叶的图像,并按照预设的算法对茶叶图像进行预处理,使得其满足神经网络模型识别的参数要求,并固定已经训练的神经网络模型中的参数,将预处理后的茶叶图像得到的茶叶图像特征参数输入到已经训练好的神经网络模型中,通过神经网络模型识别出当前茶叶的状态。以此,通过已经训练好的神经网络模型对采集得到的茶叶图片进行识别以此得到当前茶叶的品种、状态。在本实施例中,通过采集当前茶叶的图像,并将进行预处理后的茶叶图像的特征参数输入至已经训练完成的神经网络模型中,以此识别出当前茶叶的状态,从而保证了茶叶识别的有效性和准确性,并且也是实现了对茶叶状态的快速识别。
进一步地,请参照图3,基于上述实施例,本发明提供的茶叶识别方法中的步骤S20之前还包括:
步骤S100,建立针对神经网络模型的茶叶的参数数据集;
步骤S200,针对所述茶叶的参数数据集进行敏感性分析得到所述茶叶的特征输入参数;
步骤S300,根据所述茶叶的特征输入参数训练所述神经网络模型。
具体而言,具体而言,在本实施例中,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、光计算、分子生物学等有关,是一门新兴的边缘交叉学科。利用神经基础理论的研究成果,用数理方法探索功能更加完善、性能更加优越的神经网络模型,深入研究网络算法和性能,如:稳定性、收敛性、容错性、鲁棒性等。在本实施例中,具体而言,在本实施例中,需要获取神经网络就是多个神经元组合到一起的集合;有时第一层也要加上额外的节点x0,第二层加一个偏置单元(biasunit)a0(2)。参照图4所示,图中Layer 1叫做输入层(Input Layer),Layer 3叫做输出层(Output Layer),Layer 2叫做隐藏层(Hidden Layer)。输入层和输出层只有一个,而隐藏层可以有多个,实际上非输入层或非输出层的层都是隐藏层。因此,需要大量在第一层节点上对茶叶的参数数据集对神经网络模型进行训练,其中,茶叶的参数数据集中的参数包括但不限于述茶叶的形状和轮廓图获取所述茶叶的周长、面积、中轴长度、平均宽度和弯曲度系数、茶叶的颜色特征参数以及茶叶的品种参数。在训练神经网络模型是要求必须所有的参数数据对神经网络模型的训练敏感性都很高,对于敏感性不高的或对神经网络训练作用不大的茶叶参数可以不输入Layer 1的输入层,因此需要对明渠参数数据集中的数据进行敏感性分析,将敏感性强的,对神经网络模型训练有效的数据设置为特征输入参数,并通过将该特征参数输入参数大量、反复性地输入神经网络模型,对该神经网络模型进行充分的训练,以得到损失性最小、精度最高的茶叶识别的神经网络模型。
在本实施例中,通过建立茶叶的参数数据集,并针对茶叶参数集中的各参数进行敏感性分析,将敏感性高的参数进行训练神经网络模型,以此提高了神经网络模型的准确性,并且通过大量的茶叶参数数据进行深度学习训练,以此得到敏感性高、准确率高的茶叶识别神经网络模型。
进一步地,参照上述实施例,本发明其中一个实施例中,所述步骤S10包括:
步骤S101,将所述茶叶图像进行二值化处理,以得到茶叶的形状和轮廓图;
步骤S102,基于所述茶叶的形状和轮廓图得到所述茶叶的特征参数。
具体而言,在本实施例中,将经过预处理后的图像进行自适应阈值二值化修理,将图像变成黑白二色。具体地,将采集得到的茶叶原始图像转化为灰度图像,然后采用高斯滤波对灰度图像进行去噪,对去噪后的灰度图像进行二值化处理已获得茶叶区域的边界,根据所述边界对原始图像进行裁剪,获取边界内最大的茶叶图像,按照预设窗口和步长对裁剪的茶叶图像进行分割,以获得该图像分割后的茶叶图像数据,并且基于分割后的茶叶的形状和轮廓图获取该茶叶的周长、面积、中轴长度、平均宽度和弯曲度系数特征参数。将得到的参数输入到已经训练完成的神经网络模型中,训练茶叶识别的神经网络模型,以实现完成对输入的茶叶参数的自动识别,并保证识别的有效性和准确性。
进一步地,参照图6,基于上述实施例,本发明其中一个实施例中,所述步骤S10还包括:
步骤S103,将所述茶叶图像进行颜色色度、饱和度分析得到所述茶叶图像的颜色特征参数。
步骤S1031,将所述茶叶图像的RGB信息转换为HSI信息;
步骤S1032,基于所述茶叶图像的HSI信息得到所述茶叶图像的颜色特征参数。
具体而言,在本实施例中,将采集得到的茶叶图像进行格式转换,将图像的RGB信息转换为HSI信息,在HSI颜色模型中,所得图像都在统一光照情况下获取,亮度变化区别小,因此选取与颜色有关的色调和饱和度作为特征参数。利于HSI颜色模型中直接对反映颜色区别的色调和饱和度图像进行分析和处理,快速的提取出茶叶颜色特征参数,并将基于HSI模型提取的茶叶颜色特征参数和二值化后图像提取的茶叶形状特征参数送入神经网络系统,经网络系统利用算法对神经网络的初始权值和阈值进行快速优化,在解空间中定位出一个较好的搜索空间,并将此作为其后采用神经网络搜索的初始权值和阈值,然后利用神经网络的局部搜索能力强的特点在求解空间中搜索出最优解,根据预定的目标函数对每个个体进行自动评价,给出一个适合度的值,从而实现对茶叶的自动识别。
在本发明上述实施例提供的茶叶识别方法中,区别于现有技术,本发明基于颜色和形状识别茶叶的方法在对茶叶颜色提取特征参数时选用HSI颜色模型,将亮度、色调和饱和度分开,直接对反映颜色区别的色度、饱和度图像进行分析、处理;在所述茶叶自动识别的过程中,采用将算法和神经网络相结合的神经网络算法,利用算法对神经网络进行训练,完成自动识别茶叶品质的过程,准确而快速的识别出茶叶的品质,及茶叶浸泡的状态。
进一步地,基于上述实施例,本发明提供的一种茶叶识别方法,还包括:
步骤S40,将所述茶叶图像进行数据增强操作;
所述数据增强操作包括:对图像数据进行翻转、缩放、加噪处理和亮度调节中的一种或多种操作。
具体而言,在本实施例中,为了更好的识别当前茶叶的状态,当采集到茶叶图像时,针对采集得到的茶叶图像进行数据增强操作,具体地,数据增强具体为:对分割后的图像数据进行翻转、旋转、缩放、加噪处理和亮度调节中的一种或多种操作;翻转采用水平或垂直翻转;旋转以直角旋转图像;缩放以向外或向内缩放图像调整图像大小;加噪处理是采用高斯噪声,适应不同拍摄环境;亮度调节是用于适应不同拍摄环境光照条件;上述数据增强操作一方面,能够增大样本图像的数量,使训练模型更精确,另一方面,能够增加鲁棒性,以适应不同拍摄环境。
在本实施例中,通过对采集得到的茶叶图像进行数据增强操作,增加了样本图像的数量,使得训练模型更精确,另一方面增加了茶叶图像的鲁棒性,保证了通过茶叶图像识别结果的准确性。
进一步地,在实际应用中,通过采集当前的茶叶图像并对茶叶图像进行预处理,通过茶叶的周长、面积、中轴长度、平均宽度和弯曲度系数特征参数以及茶叶的颜色特征参数确定茶叶的种类、浸泡次数,并基于茶叶的种类、浸泡次数输出对应的煮泡参数。即通过茶叶图像识别出茶叶的当前状态输出对应的煮泡建议,可以最大限度的发挥不同种类或不同状态下茶叶所散发出的醇度。
进一步的,参照图7,根据需要本发明其中一个实施例,还提供了一种茶叶识别装置300,包括:
图像模块310,用于获取当前茶叶图像,按照预设算法对茶叶图像进行预处理得到所述茶叶的特征参数;
神经网络模块320,用于固定已训练的神经网络模型中的参数,将所述茶叶的特征参数输入神经网络模型;
识别模块330,从所述神经网络模型识别出当前茶叶的状态。
具体而言,在本实施例中,通过图像采集模块310采集当前茶叶图像,在本实施例中,茶叶识别装置300还包括预处理模块340,其中预处理模块340用于将采集得到的茶叶图像进行预处理得到该茶叶的特征参数,其中茶叶特征参数包括但不限于茶叶的周长、面积、中轴长度、平均宽度和弯曲度系数特征参数以及茶叶的颜色特征参数,并且将预处理后得到的茶叶特征参数输入至神经网络模块320,并通过输入的茶叶参数自动识别出茶叶当前的状态,其中识别结果包括茶叶的品种、浸泡次数等。
进一步地,根据需要,本发明其中一个实施例中还提供了一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,所述存储器上存储有可被至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任意一实施例所述的茶叶的识别方法的步骤。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有茶叶识别程序,所述茶叶识别程序被处理器执行时实现如下操作:
获取当前茶叶图像,按照预设算法对茶叶图像进行预处理得到所述茶叶的特征参数;
固定已训练的神经网络模型中的参数,将所述茶叶的特征参数输入神经网络模型;
从所述神经网络模型识别出当前茶叶的状态。
进一步地,所述茶叶识别程序被处理器执行时还实现如下操作:
所述固定已训练的神经网络模型中的参数的步骤之前还包括:
建立针对神经网络模型的茶叶的参数数据集;
针对所述茶叶的参数数据集进行敏感性分析得到所述茶叶的特征输入参数;
根据所述茶叶的特征输入参数训练所述神经网络模型。
进一步地,所述茶叶识别程序被处理器执行时还实现如下操作:
所述按照预设算法对茶叶图像进行预处理得到所述茶叶的特征参数的步骤包括:
将所述茶叶图像进行二值化处理,以得到茶叶的形状和轮廓图;
基于所述茶叶的形状和轮廓图得到所述茶叶的特征参数。
进一步地,所述茶叶识别程序被处理器执行时还实现如下操作:
所述基于所述茶叶的形状和轮廓图得到所述茶叶的特征参数的步骤包括:
根据所述茶叶的形状和轮廓图获取所述茶叶的周长、面积、中轴长度、平均宽度和弯曲度系数特征参数。
进一步地,所述茶叶识别程序被处理器执行时还实现如下操作:
所述按照预设算法对茶叶图像进行预处理得到所述茶叶的特征参数的步骤还包括:
将所述茶叶图像进行颜色色度、饱和度分析得到所述茶叶图像的颜色特征参数。
进一步地,所述茶叶识别程序被处理器执行时还实现如下操作:
所述将所述茶叶图像进行颜色色度、饱和度分析得到所述茶叶图像的颜色特征参数的步骤包括:
将所述茶叶图像的RGB信息转换为HSI信息;
基于所述茶叶图像的HSI信息得到所述茶叶图像的颜色特征参数。
进一步地,所述茶叶识别程序被处理器执行时还实现如下操作:
所述方法还包括:
将所述茶叶图像进行数据增强操作;
所述数据增强操作包括:对图像数据进行翻转、缩放、加噪处理和亮度调节中的一种或多种操作。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种茶叶识别方法,其特征在于,包括:
获取当前茶叶图像,按照预设算法对茶叶图像进行预处理得到所述茶叶的特征参数;
固定已训练的神经网络模型中的参数,将所述茶叶的特征参数输入神经网络模型;
从所述神经网络模型识别出当前茶叶的状态。
2.根据权利要求1所述的茶叶识别方法,其特征在于,所述固定已训练的神经网络模型中的参数的步骤之前还包括:
建立针对神经网络模型的茶叶的参数数据集;
针对所述茶叶的参数数据集进行敏感性分析得到所述茶叶的特征输入参数;
根据所述茶叶的特征输入参数训练所述神经网络模型。
3.根据权利要求1所述的茶叶识别方法,其特征在于,所述按照预设算法对茶叶图像进行预处理得到所述茶叶的特征参数的步骤包括:
将所述茶叶图像进行二值化处理,以得到茶叶的形状和轮廓图;
基于所述茶叶的形状和轮廓图得到所述茶叶的特征参数。
4.根据权利要求3所述的茶叶识别方法,其特征在于,所述基于所述茶叶的形状和轮廓图得到所述茶叶的特征参数的步骤包括:
根据所述茶叶的形状和轮廓图获取所述茶叶的周长、面积、中轴长度、平均宽度和弯曲度系数特征参数。
5.根据权利要求1所述的茶叶识别方法,其特征在于,所述按照预设算法对茶叶图像进行预处理得到所述茶叶的特征参数的步骤还包括:
将所述茶叶图像进行颜色色度、饱和度分析得到所述茶叶图像的颜色特征参数。
6.根据权利要求5所述的茶叶识别方法,其特征在于,所述将所述茶叶图像进行颜色色度、饱和度分析得到所述茶叶图像的颜色特征参数的步骤包括:
将所述茶叶图像的RGB信息转换为HSI信息;
基于所述茶叶图像的HSI信息得到所述茶叶图像的颜色特征参数。
7.根据权利要求1所述的茶叶识别方法,其特征在于,所述方法还包括:
将所述茶叶图像进行数据增强操作;
所述数据增强操作包括:对图像数据进行翻转、缩放、加噪处理和亮度调节中的一种或多种操作。
8.一种茶叶识别装置,其特征在于,包括:
图像模块,用于获取当前茶叶图像,按照预设算法对茶叶图像进行预处理得到所述茶叶的特征参数;
神经网络模块,用于固定已训练的神经网络模型中的参数,将所述茶叶的特征参数输入神经网络模型;
识别模块,从所述神经网络模型识别出当前茶叶的状态。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,所述存储器上存储有可被至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7任一项所述的茶叶的识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,包括:所述计算机可读存储介质上存储有茶叶的识别程序,所述茶叶的识别程序被处理器执行时实现权利要求1至7中任一项所述的茶叶的识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111403855.5A CN114119948A (zh) | 2021-11-24 | 2021-11-24 | 一种茶叶识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111403855.5A CN114119948A (zh) | 2021-11-24 | 2021-11-24 | 一种茶叶识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114119948A true CN114119948A (zh) | 2022-03-01 |
Family
ID=80372037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111403855.5A Pending CN114119948A (zh) | 2021-11-24 | 2021-11-24 | 一种茶叶识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114119948A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102465849B1 (ko) | 2022-06-15 | 2022-11-09 | 안성희 | 블록체인 기반의 보이차 감별 시스템 |
KR102465850B1 (ko) | 2022-06-15 | 2022-11-09 | 안성희 | 인공지능 학습 기반의 보이차 감별 시스템 |
KR102465848B1 (ko) | 2022-06-15 | 2022-11-09 | 안성희 | 판매처 인증이 가능한 보이차 감별 시스템 |
-
2021
- 2021-11-24 CN CN202111403855.5A patent/CN114119948A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102465849B1 (ko) | 2022-06-15 | 2022-11-09 | 안성희 | 블록체인 기반의 보이차 감별 시스템 |
KR102465850B1 (ko) | 2022-06-15 | 2022-11-09 | 안성희 | 인공지능 학습 기반의 보이차 감별 시스템 |
KR102465848B1 (ko) | 2022-06-15 | 2022-11-09 | 안성희 | 판매처 인증이 가능한 보이차 감별 시스템 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114119948A (zh) | 一种茶叶识别方法、装置、电子设备及存储介质 | |
CN111860533B (zh) | 图像的识别方法及装置、存储介质和电子装置 | |
Aquino et al. | vitisBerry: An Android-smartphone application to early evaluate the number of grapevine berries by means of image analysis | |
US10445562B2 (en) | AU feature recognition method and device, and storage medium | |
CN106446952B (zh) | 一种乐谱图像识别方法及装置 | |
CN107123027B (zh) | 一种基于深度学习的化妆品推荐方法及系统 | |
CN108108807B (zh) | 学习型图像处理方法、系统及服务器 | |
CN111260665A (zh) | 图像分割模型训练方法和装置 | |
CN110321892B (zh) | 一种图片筛选方法、装置及电子设备 | |
CN107169427B (zh) | 一种适用于心理学的面部识别方法及装置 | |
CN110046544A (zh) | 基于卷积神经网络的数字手势识别方法 | |
CN116849612B (zh) | 一种多光谱舌象图像采集分析系统 | |
CN110879993B (zh) | 神经网络训练方法、人脸识别任务的执行方法及装置 | |
CN104091173A (zh) | 一种基于网络摄像机的性别识别方法及装置 | |
CN112489129A (zh) | 位姿识别模型训练方法、装置、位姿识别方法和终端设备 | |
CN111784665A (zh) | 基于傅里叶变换的oct图像质量评估方法、系统及装置 | |
CN108830908A (zh) | 一种基于人工神经网络的魔方颜色识别方法 | |
CN110929242A (zh) | 基于无线信号进行姿态无关的连续用户认证方法及系统 | |
WO2022021948A1 (zh) | 动作识别方法、装置、计算机设备及存储介质 | |
Murugeswari et al. | Automated sugarcane disease detection using faster RCNN with an android application | |
CN111723762B (zh) | 人脸属性识别方法、装置、电子设备及存储介质 | |
CN109375681A (zh) | 环境调节方法及装置 | |
CN114170214A (zh) | 基于眼底图像的高度近视检测方法及相关装置 | |
CN111191675B (zh) | 行人属性识别模型实现方法及相关装置 | |
Sumari et al. | Classification of jackfruit and cempedak using convolutional neural network and transfer learning |
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 |