一种基于高光谱图像和深度学习的茶叶分类方法技术

本发明专利技术提供一种基于高光谱图像和深度学习的茶叶分类方法，包括如下步骤：步骤1.获取茶叶的高光谱图像得到数据集；步骤2.将数据集经过数据增强，扩充数据集；步骤3.将图片输入双线性神经网络进行细粒度图像分类，检测和特征提取；步骤4.将双线性神经网络结合注意力机制，加入全连接层进行训练；步骤5.通过评价指标得到准确率、精度、召回度。本发明专利技术解决现有技术中检测过程耗时长，依赖大量化学试剂，浪费大，有污染等问题，实现茶叶品质的无损检测。

【技术实现步骤摘要】
一种基于高光谱图像和深度学习的茶叶分类方法
本专利技术属于茶叶检测
，尤其涉及一种基于高光谱图像和深度学习的茶叶分类方法。
技术介绍
作为茶的故乡，我国具有历史悠久的茶文化。饮茶可以追溯到神农时代。茶是一种人们喜爱的绿色健康饮品。茶叶中富含有利于人体健康的多种氨基酸，矿物质和维生素等。研究已经证明茶叶具有一定的保健、药理等功效。长期饮用有益于人体健康，因此茶叶也越来越多的受到人们的青睐。随着饮茶群体的不断扩大以及人们生活质量的提高，人们对名茶的需求量也逐渐增加。实际生活中，由于名茶与普通茶叶的经济价值差距可达数倍，因此用外观较为接近的低价茶叶来冒充高价茶叶就成了不法商贩追逐暴力的常见手段之一，普通消费者仅凭肉眼根本难以区分。更有甚者，通过向经济价值高的茶叶中掺入外观接近的低价茶叶来欺骗消费者，掺假后的茶叶即便是经验丰富的饮茶者也难以正确辨别。目前，茶叶线上与线下销售中都存在着不同程度的售假情况，因此如何快速无损的对茶叶售假进行检测不仅有助于维护消费者利益，也有助于规范茶叶市场。在诸多茶叶中，铁观音在外观上与部分乌龙茶如本山茶、金观音、黄金桂、毛蟹茶、大叶乌龙、梅占茶相似，但是其经济价值与铁观音大相径庭。以及市面上经常会出售掺假其他茶叶的铁观音现象出现，因此本专利技术在分别类似茶叶的研究上具有重大意义。现有技术一的技术方案茶叶品质判别的方法目前有电子舌和电子鼻，分别是通过模拟人的味觉和嗅觉对待测样品进行分析、识别和判断。电子鼻是由气敏传感器、信号处理和模式识别系统等功能器件组成，通过对气味，综合评价气体的整体信息，在茶叶检测中，得到茶叶的香气成分响应图，由模式识别方法的分析、鉴别和判断，实现对不同种类和等级的判断。电子舌是用类脂膜作为味觉传感器，以类似人的味觉感受方式检测味觉物质，通过输出与样品有关的信号模式，经过模式识别从而得到对样品味觉特征有关的总体评价。在不同茶叶类别方面，通过电子鼻检测搜集茶叶气味信息，从气味角度对茶叶进行识别；通过对电子舌对茶叶的基础滋味和回味进行评价。如今已经有人利用电子鼻、电子舌联用的茶叶品质检测方法。将茶叶回味信息用于茶叶品质的鉴别之中，采用PCA降维和LDA降维对引入的回味信息进行比较，通过SVM进行相应的预测模型，对茶叶等级划分。用电子鼻检测气味信息对茶叶的滋味快速预测。茶叶滋味受呈味物质影响，而呈味物质又会影响茶叶中挥发性气体含量。电子鼻和电子舌是对茶叶宏观信息进行检测，进而忽略了茶叶中的大量化学成分对茶叶品质的影响。在茶叶检测中，需要获取茶叶的茶汤，破坏茶叶原有结构，并不适用于实际运用中。另外电子鼻和电子舌的传感器的灵敏度和选择性较低、缺少完整的检测数据库、缺乏匹配的数据分析方法等问题也进一步限制了它们的实际应用。在茶叶分类过程中，因掺假茶叶中是由本茶叶和其他茶叶混合而成，因而会利用电子鼻和电子舌对茶叶掺假分析具有难度，难以分辨茶叶的真假。现有技术二的技术方案目前，在对于茶叶的品质等级评审中主要采取感官评审结合理化指标测定的模式进行等级评定。在感官评审中主要由评审专家依据外形、汤色、香气、滋味、叶底这五个指标进行综合评判；在理化指标测定的过程中主要按照国家标准测定茶叶的水分、茶氨酸、茶多酚等指标是否满足国家标准的规定。主要包括顶空固相微萃取、气相色谱-质谱联用法、液相色谱-质谱联用法以及高效液相色谱法等。这种感官评审和理化指标的评审模式都有其不可避免的缺陷，主要表现在感官评审具有较大的主观性，理化指标测定需要多样品进行破坏，由此产生资源的浪费；此外理化测定过程繁琐、耗时，由此产生较多的人为误差，致使测定结果可信度不高；同时由于测定耗时，不能实现制茶过程中的实时监测，对于生产实际的指导意义不大；还有一个不可忽视的缺陷是理化指标测定昂贵，也限制了理化方法对于茶叶内含成分的测定应用。这些方法虽然能够达到较高的检测精度，但是检测过程中会对试验样本造成破坏，而且需要专业人员对试验进行操作，因此难以将其推广应用。近年来，光谱技术的发展，使得在茶叶无损检测方面有重大突破，有近红外光谱检测技术、高光谱检测技术、拉曼光谱、傅里叶光谱检测等方法，多是利用光谱数据对样本进行分析，利用计算机深度学习的分类方法较少。光谱技术也存在一定的局限性，因其数据采集方式多为点光源采样，采集到的数据信息较为有限，因此会对最终的检测效果造成影响。在茶叶检测中经常选择利用光谱数据进行分析，因而忽略了一些重要波段，故而检测效果难以得到保证。在计算机深度学习方面，数据集的选取常常没有保证，大多都是从网络中选取图片，既没有专家鉴定认证，图片的清晰度也不够。因此寻求一种可靠的数据集极为关键。
技术实现思路
本专利技术的目的在于解决上述现有技术存在的缺陷，提供一种基于高光谱图像和深度学习的茶叶分类方法，解决现有技术中检测过程耗时长，依赖大量化学试剂，浪费大，有污染等问题，实现茶叶品质的无损检测。本专利技术采用如下技术方案：一种基于高光谱图像和深度学习的茶叶分类方法，包括如下步骤：步骤1.获取茶叶的高光谱图像得到数据集；步骤2.将数据集经过数据增强，扩充数据集；步骤3.将图片输入双线性神经网络进行细粒度图像分类，检测和特征提取；步骤4.将双线性神经网络结合注意力机制，加入全连接层进行训练；步骤5.通过评价指标得到准确率、精度、召回度。进一步的技术方案是，步骤1包括：获取多种茶叶，茶叶样本采用100×20的玻璃培养皿进行盛装，随机均匀铺满培养皿底部1cm为一个样本，每个样本为10g，每一类采集了50个样本。进一步的技术方法，步骤2包括：原始的图片集有7种不同品种的茶叶，共350张，因为训练卷积神经网络需要大量图像数据，以防止过拟合；因此采用Tensorflow2.0内置的ImageDataGenerator接口来增强输入图像数据，通过将图片进行随机旋转、平移、剪切操作，融合在一起得到扩充图片增加了6倍的数据集，把经过数据拓展的图片，利用EfficientNetB4网络架构来提取特征层，并对模型进行微调和原本模型的全连接层进行修改，根据需要分类的个数将Softmax层修改为7层，根据模型的不同而分别冻结不同的层数，并使用迁移学习的方式，用Imagenet的权重去进行预训练。进一步的是，步骤3包括：通过综合优化网络宽度、网络深度和输入图像分辨率达到指标提升的目的，能够达到准确率指标和现有分类网络相似的情况下，大大减少模型参数量和计算量；现有8个EfficientNet-B0-B7模型，通过比较模型的参数和准确率综合考虑选定了EfficientNet-B4的，把图片输入双线性神经网络进行细粒度图像分类过程中局部区域的检测与特征提取任务；双线性卷积神经网络(BilinearCNN)是利用A、B两路卷积神经网络提取图像每一位置的两个特征，再进行外积相乘，最后通过分类层来进行分类，模型通过CNNA和CNNB网络相互协调，CNNA的作用是对图像的特征部位进行定位，而CNNB则是用来对CNNA检测到的特征区域进行特本文档来自技高网...

【技术保护点】
1.一种基于高光谱图像和深度学习的茶叶分类方法，其特征在于，包括如下步骤：/n步骤1.获取茶叶的高光谱图像得到数据集；/n步骤2.将数据集经过数据增强，扩充数据集；/n步骤3.将图片输入双线性神经网络进行细粒度图像分类，检测和特征提取；/n步骤4.将双线性神经网络结合注意力机制，加入全连接层进行训练；/n步骤5.通过评价指标得到准确率、精度、召回度。/n

【技术特征摘要】
1.一种基于高光谱图像和深度学习的茶叶分类方法，其特征在于，包括如下步骤：
步骤1.获取茶叶的高光谱图像得到数据集；
步骤2.将数据集经过数据增强，扩充数据集；
步骤3.将图片输入双线性神经网络进行细粒度图像分类，检测和特征提取；
步骤4.将双线性神经网络结合注意力机制，加入全连接层进行训练；
步骤5.通过评价指标得到准确率、精度、召回度。


2.根据权利要求1所述的基于高光谱图像和深度学习的茶叶分类方法，其特征在于，步骤1包括：获取多种茶叶，茶叶样本采用100×20的玻璃培养皿进行盛装，随机均匀铺满培养皿底部1cm为一个样本，每个样本为10g，每一类采集了50个样本。


3.根据权利要求1所述的基于高光谱图像和深度学习的茶叶分类方法，其特征在于，步骤2包括：原始的图片集有7种不同品种的茶叶，共350张，因为训练卷积神经网络需要大量图像数据，以防止过拟合；
因此采用Tensorflow2.0内置的ImageDataGenerator接口来增强输入图像数据，通过将图片进行随机旋转、平移、剪切操作，融合在一起得到扩充图片增加了6倍的数据集，把经过数据拓展的图片，利用EfficientNetB4网络架构来提取特征层，并对模型进行微调和原本模型的全连接层进行修改，根据需要分类的个数将Softmax层修改为7层，根据模型的不同而分别冻结不同的层数，并使用迁移学习的方式，用Imagenet的权重去进行预训练。


4.根据权利要求1所述的基于高光谱图像和深度学习的茶叶分类方法，其特征在于，步骤3包括：通过综合优化网络宽度、网络深度和输入图像分辨率达到指标提升的目的，能够达到准确率指标和现有分类网络相似的情况下，大大减少模型参数量和计算量；
...

【专利技术属性】
技术研发人员：康志亮，胡妍，王鹏，孙杰，耿金平，罗雄，
申请(专利权)人：四川农业大学，
类型：发明
国别省市：四川;51