CN114140652A - 一种基于SE-ResNet模型的茶叶品种分类方法 - Google Patents
一种基于SE-ResNet模型的茶叶品种分类方法 Download PDFInfo
- Publication number
- CN114140652A CN114140652A CN202111569552.0A CN202111569552A CN114140652A CN 114140652 A CN114140652 A CN 114140652A CN 202111569552 A CN202111569552 A CN 202111569552A CN 114140652 A CN114140652 A CN 114140652A
- Authority
- CN
- China
- Prior art keywords
- tea
- training
- model
- resnet model
- data
- 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
- G06F18/24—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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于SE‑ResNet模型的茶叶品种分类方法,包括采集茶叶原始图片,根据SE‑ResNet模型设计要求等比例缩放图片数据,依次采用翻转变换、旋转变换、噪声扰动和对比度变换方式扩大图片数据的泛化性;再确定网络层数后,选择超参数、激活函数和损失函数构建茶叶品种分类的SE‑ResNet模型,采用训练集和验证集数据训练上述SE‑ResNet模型,保存对应的训练权重,根据训练精度和损失函数图调优上述模型;将训练权重重新加载到上述调优后的模型中,最后用测试集数据验证该模型对茶叶品种分类性能。本发明可以快速识别出不同的茶叶品种,提高茶叶品种分类的效率,减少时间和人力成本。
Description
技术领域
本发明涉及茶叶品种智能分类技术,具体涉及一种基于SE-ResNet模型的茶叶品种分类方法。
背景技术
茶作为一种日常保健饮料,具有生津止渴、提神益思、醒酒强心等功效,不同品种的茶会有不同的功效。因此,对于茶叶品种的精确分类很必要。近些年来,国内外学者对于茶叶品种的分类主要包括感官评价法、化学分析法和基于傅里叶变换红外光谱技术(FTIR)的方法。其中,感官评价法容易受到人为因素(嗅觉、味觉、触觉、情绪等)和外部干扰(气温、湿度等)的影响,这种方法会影响分类结果的客观性;化学分析法可以精确地分类茶叶品种,但是它的工艺流程比较复杂,成本高,很难实现快速地分类;而基于FTIR的方法主要通过定性和定量的分析对茶叶品种进行分类,不同的原料经过不同工艺处理后的茶叶样品具有特殊的红外光谱,具有不同的化学成分和相对含量,在峰数、峰形、波数、红外一阶谱和二阶导数光谱相似度等方面的差异,可以用来分类不同的茶叶品种。在的《一种基于可见-近红外光谱快速鉴别茶叶品种的新方法》一文中,研究表明采用可见-近红外光谱仪在325–1075nm范围内测定西湖龙井、浙江龙井、羊岩勾青、雪水云绿和庐山云雾5个品种茶叶的光谱曲线,用主成分分析法对其进行聚类分析,并把获得茶叶的可见-近红外光谱数据的前6个主成分作为神经网络的输入信号,构建基于BP神经网络的茶叶品种分类模型(李晓丽,何勇,裘正军,一种基于可见-近红外光谱快速鉴别茶叶品种的新方法[J].光谱学与光谱分析,2007,27(02):279-282);将FTIR光谱法和主成分分析相结合对茶叶进行聚类分析,可以对茶叶快速、准确地分类,实现茶叶品种的客观评价(中红外光谱与模式识别相结合鉴别茶叶种类,发表于《食品与生物技术学报》);此外,采用近红外光谱法和三种不同的监督模式识别技术(SIMCA、PLS-DA和SPA-LDA)分别对茶叶品种进行分类,效果不错(Simultaneousclassification of teas according to their varieties and geographical originsby using NIR spectroscopy and SPA-LDA,发表于《Food Analytical Methods》)。这些方法都需要用红外光谱仪测量茶叶的光谱数据,然后再结合其他识别方法进行茶叶品种分类,成本较高,而对茶叶品种进行分类要保证简单、快捷和费用低。
发明内容
针对现有技术的上述不足,本发明的目的是提供一种基于SE-ResNet模型的茶叶品种分类方法,利用该方法可以快速识别出不同的茶叶品种,提高茶叶品种分类的效率,也避免了对茶叶的损伤,解决常规方法在茶叶分类中工作量大以及成本高的问题。
为了实现上述目的,本发明采用的技术方案是:
本发明提供的一种基于SE-ResNet模型的茶叶品种分类方法,包括以下步骤:
S1、图片采集:将采摘好的茶叶放在A4白纸或白色背景板上,用相机进行拍摄,得到茶叶原始图片;
S2、数据预处理:根据SE-ResNet模型设计要求,将上述茶叶原始图片数据等比例缩放为指定大小;
S3、数据增强:依次采用翻转变换、旋转变换、噪声扰动和对比度变换的数据增强方式扩大上述预处理后的图片数据的泛化性;
S4、SE-ResNet模型构造与训练:确定网络层数后,选择超参数、激活函数和损失函数构建茶叶品种分类的SE-ResNet模型,并采用训练集和验证集数据训练上述SE-ResNet模型,保存对应的训练权重,根据训练精度和损失函数图调优上述SE-ResNet模型;
S5、SE-ResNet模型评估:将步骤S4得到的训练权重重新加载到调优后的SE-ResNet模型中,用测试集的数据验证该模型对茶叶品种分类性能。
与现有技术相比,本发明的有益效果是:本发明利用卷积神经网络对茶叶图片有很强的特征提取能力,实现对不同茶叶图片数据的特征提取;并利用残差结构获取底层特征,弥补底层特征提取的缺失;最后利用SE结构快速实现茶叶的细粒度分类,可以快速识别不同的茶叶品种,提高茶叶品种分类的效率,减少时间和人力成本。
附图说明
图1是实施例中基于SE-ResNet模型的茶叶品种分类方法流程图。
图2是实施例中数据增强模式的示意图。
图3是实施例中SE-ResNet模型中各模块的工作示意图。
图4是实施例中SE-ResNet模型的架构示意图。
图5是实施例中基于SE-ResNet模型的茶叶品种分类训练损失和精确度测试。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
以下实施例采用的基于SE-ResNet模型的茶叶品种分类方法,包括以下步骤:
S1、图片采集:将采摘好的茶叶放在A4白纸或白色背景板上,用相机进行拍摄,得到茶叶原始图片;
S2、数据预处理:根据SE-ResNet模型设计要求,将上述茶叶原始图片数据等比例缩放为指定大小;
S3、数据增强:依次采用翻转变换、旋转变换、噪声扰动和对比度变换的数据增强方式扩大上述预处理后的图片数据的泛化性;
S4、SE-ResNet模型构造与训练:确定网络层数后,选择超参数、激活函数和损失函数构建茶叶品种分类的SE-ResNet模型,并采用训练集和验证集数据训练上述SE-ResNet模型,保存对应的训练权重,根据训练精度和损失函数图调优上述SE-ResNet模型;
S5、SE-ResNet模型评估:将步骤S4得到的训练权重重新加载到调优后的SE-ResNet模型中,用测试集的数据验证该模型对茶叶品种分类性能。
上述SE-ResNet模型采用包括特征压缩操作、特征提取操作和特征融合操作的SE模块,然后确定网络层数,并选择超参数、激活函数和损失函数构建得到;其中:
特征压缩操作:采用全局池化,将大小为C×H×W的输入特征综合为C×1×1的特征描述,计算公式如下:
在公式1中,c为通道数,H、W分别为特征图的长宽,Z为特征压缩计算得到的全局描述,u为第c通道的i行j列的特征值;
特征提取操作:包含两个全连接层和Sigmoid激活函数,计算公式如下:
s=Fex(z,W)=σ(g(z,W))=σ(W2δ(W1z)) (2)
特征融合操作:网络经过上述特征提取操作后,获得输入特征图U的各个通道的权重,将权重和原始的特征融合,计算公式如下:
在公式3中,U代表第c通道的权重,S为原始第c通道的特征值。
以下结合具体实施例对本发明作进一步的说明。
实施例1
如图1所示,本实施例提供一种基于SE-ResNet模型的茶叶品种分类方法,为茶商在茶叶的快速分类方面提供便利,步骤如下:
步骤P101、图片采集;将采摘的不同种类的茶叶单叶分别放在A4纸上或者白色背景板上,用相机拍摄,保证茶叶充满整个图片;
步骤P102、种类划分;将拍摄好的图片按照不同种类创建文件夹,并按照不同种类分别命名;
步骤P103、数据预处理;根据SE-ResNet模型对图片大小的要求,将茶叶图片按比例缩小到指定大小;
步骤P104、数据增强;将每个文件夹中的茶叶图片进行旋转、翻转、噪声扰动和对比度变换操作,扩充原始数据集,扩大图片数据的泛化性;
步骤P105、划分数据;读取不同文件夹中的图片并标上对应的种类标签,然后进行混合,再按照7:2:1的比例将数据划分为训练接、验证集和测试集;
步骤P106、SE-ResNet模型构造与训练;按照如图4所示的模型架构,先对原始输入做一次卷积操作,然后加一个最大池化;中间是7个连续的模块,每个模块包含两个SE-ResNet模块,再加一个最大池化,然后将输入进行平铺操作,最后接一个softmax函数,得到茶叶品种分类的SE-ResNet模型,对应的模块结构如图3所示;用步骤P105中训练集和验证集数据训练上述SE-ResNet模型,并保存对应的训练权重、根据训练精度和损失函数图判断模型是否已经训练好;
步骤P107、模型评估;将步骤P106得到的训练权重重新加载到SE-ResNet模型中,并利用步骤P105中测试集的数据验证该模型对茶叶品种分类性能。
在实施例1中,采用Adam优化器,训练批次为50次,初始学习率为0.001,学习率衰减因子为0.2,最小学习率为1e-7,批大小为16。其中训练损失和精确度如图5所示。由图可以看出,模型的收敛速度比较快,在第15轮次迭代后就趋于收敛,验证集的精确度也趋近于1,训练结束后保存训练权重,测试集的损失为0.13904,测试集的最终精确度为95.4%。
Claims (4)
1.一种基于SE-ResNet模型的茶叶品种分类方法,其特征在于,包括以下步骤:
S1、图片采集:将采摘好的茶叶放在A4白纸或白色背景板上,用相机进行拍摄,得到茶叶原始图片;
S2、数据预处理:将上述茶叶原始图片数据等比例缩放至128×85像素;
S3、数据增强:依次采用翻转变换、旋转变换、噪声扰动和对比度变换的数据增强方式扩大上述预处理后的图片数据的泛化性;
S4、SE-ResNet模型构造与训练:确定网络层数后,选择超参数、激活函数和损失函数构建茶叶品种分类的SE-ResNet模型,并采用训练集和验证集数据训练上述SE-ResNet模型,保存对应的训练权重,根据训练精度和损失函数图调优上述SE-ResNet模型;
S5、SE-ResNet模型评估:将步骤S4得到的训练权重重新加载到调优后的SE-ResNet模型中,用测试集的数据验证该模型对茶叶品种分类性能。
2.根据权利要求1所述基于SE-ResNet模型的茶叶品种分类方法,其特征在于,所述SE-ResNet模型采用包括特征压缩操作、特征提取操作和特征融合操作的SE模块,然后确定网络层数,并选择超参数、激活函数和损失函数构建得到;其中:
所述特征压缩操作采用全局池化,将大小为C×H×W的输入特征综合为C×1×1的特征描述,计算公式如下:
在公式1中,c为通道数,H、W分别为特征图的长宽,Z为特征压缩计算得到的全局描述,u为第c通道的i行j列的特征值;
所述特征提取操作包含两个全连接层和Sigmoid激活函数,计算公式如下:
s=Fex(z,W)=σ(g(z,W))=σ(W2δ(W1z)) (2)
所述特征融合操作:网络经过上述特征提取操作后,获得输入特征图U的各个通道的权重,将权重和原始的特征融合,计算公式如下:
在公式3中,U代表第c通道的权重,S为原始第c通道的特征值。
3.根据权利要求1所述基于SE-ResNet模型的茶叶品种分类方法,其特征在于,所述激活函数包括sigmoid函数和ReLU函数,所述损失函数为交叉熵损失函数。
4.根据权利要求1至3任一项所述基于SE-ResNet模型的茶叶品种分类方法,其特征在于,步骤如下:
步骤P101、图片采集;将采摘的不同种类的茶叶单叶分别放在A4纸上或者白色背景板上,用相机拍摄,保证茶叶充满整个图片;
步骤P102、种类划分;将拍摄好的图片按照不同种类创建文件夹,并按照不同种类分别命名;
步骤P103、数据预处理;根据SE-ResNet模型对图片大小的要求,将茶叶图片按比例缩小到指定大小;
步骤P104、数据增强;将每个文件夹中的茶叶图片进行旋转、翻转、噪声扰动和对比度变换操作,扩充原始数据集,扩大图片数据的泛化性;
步骤P105、划分数据;读取不同文件夹中的图片并标上对应的种类标签,然后进行混合,再按照7:2:1的比例将数据划分为训练接、验证集和测试集;
步骤P106、SE-ResNet模型构造与训练;先对原始输入做一次卷积操作,然后加一个最大池化;中间是7个连续的模块,每个模块包含两个SE-ResNet模型模块,再加一个最大池化,然后将输入进行平铺操作,最后接一个softmax函数,得到茶叶品种分类的SE-ResNet模型;用步骤P105中训练集和验证集数据训练上述SE-ResNet模型,并保存对应的训练权重、根据训练精度和损失函数图判断模型是否已经训练好;
步骤P107、模型评估;将步骤P106得到的训练权重重新加载到训练后的SE-ResNet模型中,并用步骤P105中测试集的数据验证该模型对茶叶品种分类性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111569552.0A CN114140652A (zh) | 2021-12-21 | 2021-12-21 | 一种基于SE-ResNet模型的茶叶品种分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111569552.0A CN114140652A (zh) | 2021-12-21 | 2021-12-21 | 一种基于SE-ResNet模型的茶叶品种分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114140652A true CN114140652A (zh) | 2022-03-04 |
Family
ID=80383223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111569552.0A Pending CN114140652A (zh) | 2021-12-21 | 2021-12-21 | 一种基于SE-ResNet模型的茶叶品种分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114140652A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913384A (zh) * | 2022-06-24 | 2022-08-16 | 河北科技大学 | 一种目标应用的分类方法、装置和电子设备 |
-
2021
- 2021-12-21 CN CN202111569552.0A patent/CN114140652A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913384A (zh) * | 2022-06-24 | 2022-08-16 | 河北科技大学 | 一种目标应用的分类方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652038B (zh) | 基于卷积神经网络的遥感的海冰图像分类方法 | |
CN105512684B (zh) | 基于主成分分析卷积神经网络的车标自动识别方法 | |
CN110991511A (zh) | 一种基于深度卷积神经网络的向日葵作物种子分拣方法 | |
CN112200211B (zh) | 一种基于残差网络和迁移学习的小样本鱼识别方法及系统 | |
CN102788752A (zh) | 基于光谱技术的农作物内部信息无损检测装置及方法 | |
CN111860351B (zh) | 一种基于行列自注意力全卷积神经网络的遥感图像鱼塘提取方法 | |
Moldes et al. | A critical review on the applications of artificial neural networks in winemaking technology | |
CN108875913A (zh) | 一种基于卷积神经网络的松茸快速无损检测系统及方法 | |
CN104374738A (zh) | 一种基于近红外提高鉴别结果的定性分析方法 | |
CN109598711B (zh) | 一种基于特征挖掘和神经网络的热图像缺陷提取方法 | |
CN111896495A (zh) | 基于深度学习与近红外光谱太平猴魁产地甄别方法及系统 | |
CN111695456A (zh) | 一种基于主动判别性跨域对齐的低分辨人脸识别方法 | |
CN114140652A (zh) | 一种基于SE-ResNet模型的茶叶品种分类方法 | |
CN112098358A (zh) | 基于四元数卷积神经网络的近红外光谱并行融合定量建模方法 | |
CN112730312A (zh) | 一种基于近红外光谱技术的掺杂牛初乳定性识别方法 | |
CN114140695A (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
Li et al. | Early drought plant stress detection with bi-directional long-term memory networks | |
CN114331474A (zh) | 一种模糊线性判别分析的牛奶产地溯源方法 | |
CN114511850A (zh) | 一种阳光玫瑰葡萄果实大小粒图像识别方法 | |
Ren et al. | Intelligent Evaluation of the Appearance Modality of Black Tea Based on Machine Vision and Hyperspectral Imaging | |
CN111595804A (zh) | 一种模糊聚类的茶叶近红外光谱分类方法 | |
CN111595802A (zh) | 一种基于nir光谱的忧遁草种源地分类模型的构建方法及应用 | |
Pragathi et al. | Review on image based coffee bean quality classification: machine learning approach | |
CN112686268A (zh) | 一种基于SVD-ResNet50神经网络的农作物叶片病症识别方法 | |
CN116189176B (zh) | 基于生成度量td3的茶叶智能化拼配方法、设备和介质 |
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 |