基于迁移学习和计算机视觉技术的成品茶质量鉴别方法技术

本发明专利技术属于计算机视觉、深度学习和茶叶质量检测交叉领域，涉及基于迁移学习和计算机视觉技术的成品茶质量鉴别方法，使用拍摄装置采集茶叶图像并进行预处理，对预处理后的图像进行标准化、增强化和数据集划分，对预训练完成的卷积神经网络进行微调，构建迁移学习模型，并利用成品茶数据集重新进行训练，得到茶叶图像分类模型，使用未作为训练用的图像标准化处理后的成品茶图像在训练好的模型上进行测试，评估分类效果。本发明专利技术不但可以实现对相似度较高的不同质量等级成品茶的准确区分，而且相比于普通深度学习方法有很大效率上的提高，实现对高相似度茶叶图像的识别，从而鉴别成品茶品质，为茶叶品质自动化识别增加了应用场景。为茶叶品质自动化识别增加了应用场景。为茶叶品质自动化识别增加了应用场景。

【技术实现步骤摘要】
基于迁移学习和计算机视觉技术的成品茶质量鉴别方法


[0001]本专利技术属于计算机视觉、深度学习和茶叶质量检测交叉领域，涉及基于迁移学习和计算机视觉技术的成品茶质量鉴别方法。

技术介绍

[0002]中国是茶叶生产、消费第一大国，一种茶叶往往有不同等级品质的区分，不同等级茶叶品质悬殊，价格差异很大。准确、高效的识别茶叶等级品质，对保障消费者权益和规范茶叶市场都有巨大的意义。
[0003]传统对成品茶品质进行区分要靠专家经验，主观性强、效率低、准确率也不令人满意。因此亟需引入自动化手段实现成品茶品质的高效、准确见别。当前已有借助香气、味道、光谱、图像等信息对成品茶品质进行鉴定，都取得了一些结果，在这些信息中，图像无疑是效率最高、最易获得的信息，但是同等级不同品质茶叶的高相似性，为算法带来了巨大挑战。
[0004]基于卷积神经网络的深度学习模型可以自动提取高阶特征，实现对高相似度图像的分类，然而，卷积神经网络参数极多，若从头开始训练，训练时间长，算力消耗大，且需要大量带标签数据，这为深度学习模型的实施带来了限制。因此，如何利用已经学到的知识，提取共性信息迁移到成品茶质量鉴别这一目标任务上，实现准确鉴别的同时节约时间和人力成本，是非常有学术和工程价值的问题。

技术实现思路

[0005]为解决
技术介绍
中提到的技术问题，本专利技术提出了一种基于迁移学习和计算机视觉技术的成品茶质量鉴别方法，采取了如下的技术方案。
[0006]基于迁移学习和计算机视觉技术的成品茶质量鉴别方法，包含如下步骤：<br/>[0007]步骤1：使用拍摄装置采集茶叶图像并进行预处理；
[0008]步骤2：对预处理后的图像进行标准化、增强化和数据集划分；
[0009]步骤3：对预训练完成的卷积神经网络进行微调，构建迁移学习模型，并利用成品茶数据集重新进行训练，得到茶叶图像分类模型；
[0010]步骤4：使用未作为训练用的成品茶图像在训练好的模型上进行测试，评估分类效果。
[0011]进一步的，所述步骤1具体包括：采用分辨率为1920
×
1080的工业相机进行图片拍摄采集，对所述图片提取中间部分作为感兴趣区域，感兴趣区域范围大小为600
×
540，将提取的感兴趣区域作为数据库图像。
[0012]进一步的，所述步骤2具体包括：首先对单幅图像进行基于各通道均值和方差的标准化操作，然后将整个图像的数据集按照4：1的比例划分为训练集和测试集，在Pytorch框架下搭建图像处理模块，对训练集中的图像采用旋转、翻转、添加噪声、缩放等操作进行数据增强，使数据集规模扩充为原来的5倍。
[0013]进一步的，所述标准化操作所采用的公式为：
[0014]output＝(input-mean)/std
[0015]其中，mean和std对应图像各通道的均值和方差，input和output对应图像每个通道像素的输入和输出值，通过标准化操作后，图像各个通道服从均值为0，方差为1的标准正态分布。
[0016]进一步的，所述数据增强的操作具体包括：45
°
旋转、90
°
旋转、水平翻转、竖直翻转、添加椒盐噪声、添加高斯噪声、1：2缩放，对训练集中每张图像随机选取4种方式进行处理并保存副本，从而使数据规模扩大到原来的5倍。
[0017]进一步的，所述步骤3具体包括：
[0018]使用在ImageNet数据集上训练好的模型参数初始化通过pytorch模块构建的Resnet-50残差神经网络模型，然后冻结模型除全连接层外所有参数，仅保留全连接层权重为可训练参数，并将全连接层的输出改为成品茶品质数据集的类别数，将处理好的训练集图像数据导入微调后的模型中进行若干轮次训练，训练过程中观察训练集损失与准确率，直至模型损失不再下降，平稳后停止训练，保存模型参数，得到茶叶图像分类模型。
[0019]进一步的，所述训练集图像输入前统一缩放为224
×
224分辨率，batch-size设置为32，采用的优化方法为随机梯度下降法，学习率设置为0.0001；损失函数使用交叉熵损失评估分类精度，其中训练集数据划分出20％作为验证集，每次迭代时不参与训练，作为评估训练的依据。
[0020]进一步的，所述步骤4具体包括：将图像标准化的测试集数据导入训练好的模型，通过绘制混淆矩阵和计算测试集准确率对比输出标签值和真实标签值，评估模型准确率。
[0021]本专利技术的有益效果是：充分利用预训练模型中存储的已学习到的信息，对卷积神经网络进行微调，构建迁移学习模型，实现对高相似度茶叶图像的识别，从而鉴别成品茶品质，该方法消耗时间和算力少，效率高，为茶叶品质自动化识别增加了应用场景。
附图说明
[0022]图1为本专利技术的成品茶品质鉴别方法的流程示意图；
[0023]图2为本专利技术的ROI提取示意图；
[0024]图3a为本专利技术的其一等级品质的武夷红茶数据集示意图；
[0025]图3b为本专利技术的其一等级品质的武夷红茶数据集示意图；
[0026]图3c为本专利技术的其一等级品质的武夷红茶数据集示意图；
[0027]图3d为本专利技术的其一等级品质的竹叶青数据集示意图；
[0028]图3e为本专利技术的其一等级品质的竹叶青数据集示意图；
[0029]图3f为本专利技术的其一等级品质的竹叶青数据集示意图；
[0030]图4为本专利技术的Resnet-50网络结构示意图；
[0031]图5为本专利技术的微调示意图；
[0032]图6a为本专利技术的训练过程中训练集与验证集准确率示意图；
[0033]图6b为本专利技术的训练过程中训练集与验证集损失率示意图；
[0034]图7a为本专利技术的武夷红茶的归一化混淆矩阵；
[0035]图7b为本专利技术的竹叶青的归一化混淆矩阵。
具体实施方式
[0036]为了使本专利技术的目的、技术方案和技术效果更加清楚明白，下面结合说明书附图和实施例，对本专利技术作进一步详细说明。
[0037]构建成品茶质量图像数据库，分别包含3个不同品种等级品质的武夷红茶和3个不同品种等级品质的竹叶青，每个等级采集200张图像。
[0038]如图1所示，基于迁移学习和计算机视觉技术的成品茶质量鉴别方法，具体包括：
[0039]步骤1，使用拍摄装置采集茶叶图像并进行预处理，具体为：
[0040]自行设计的拍摄装置内进行图像采集，所述拍摄装置为OSEECAM公司生产的H1603型CCD相机，分辨率为1920
×
1080，镜头为OSEECAM公司生产的H1605VT型，手动调节焦距，为保证拍摄效果一致性，自行设计了暗箱拍摄装置，整体为不透明钣金件，内置环状LED灯照明，载物平台为抽拉式以便于安防和取出待测成品茶样本。如图2所示，为了去除背景对分类结果的影响，减小计算量，对图像提取感兴趣区域(Region o本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于迁移学习和计算机视觉技术的成品茶质量鉴别方法，其特征在于，包含如下步骤：步骤1：使用拍摄装置采集茶叶图像并进行预处理；步骤2：对预处理后的图像进行标准化、增强化和数据集划分；步骤3：对预训练完成的卷积神经网络进行微调，构建迁移学习模型，并利用成品茶数据集重新进行训练，得到茶叶图像分类模型；步骤4：使用未作为训练用的成品茶图像在训练好的模型上进行测试，评估分类效果。2.如权利要求1中所述的基于迁移学习和计算机视觉技术的成品茶质量鉴别方法，其特征在于，所述步骤1具体包括：采用分辨率为1920
×
1080的工业相机进行图片拍摄采集，对所述图片提取中间部分作为感兴趣区域，感兴趣区域范围大小为600
×
540，将提取的感兴趣区域作为数据库图像。3.如权利要求1中所述的基于迁移学习和计算机视觉技术的成品茶质量鉴别方法，其特征在于，所述步骤2具体包括：首先对单幅图像进行基于各通道均值和方差的标准化操作，然后将整个图像的数据集按照4：1的比例划分为训练集和测试集，在Pytorch框架下搭建图像处理模块，对训练集中的图像采用旋转、翻转、添加噪声、缩放等操作进行数据增强，使数据集规模扩充为原来的5倍。4.如权利要求3中所述的基于迁移学习和计算机视觉技术的成品茶质量鉴别方法，其特征在于，所述标准化操作所采用的公式为：output＝(input-mean)/std其中，mean和std对应图像各通道的均值和方差，input和output对应图像每个通道像素的输入和输出值，通过标准化操作后，图像各个通道服从均值为0，方差为1的标准正态分布。5.如权利要求3中所述的基于迁移学习...

【专利技术属性】
技术研发人员：张程，王进，唐小林，陆国栋，费少梅，鲁晓卉，李文萃，
申请(专利权)人：浙江大学，
类型：发明
国别省市：