一种基于改进胶囊网络的茶叶识别分级方法技术

本发明专利技术公开了一种基于改进胶囊网络的茶叶识别分级方法，包括，将已知品种和级别的茶叶分成若干单元，并依次放置于白色底板上，通过相机获取各类别的茶叶图像数据n张；基于大津法对所述茶叶图像数据进行二值化处理和多种数据增强处理，根据茶叶等级标签建立茶叶图像数据库；深化原始胶囊网络结构并与残差块进行结合，构建适用于茶叶分级的改进胶囊网络模型；在所述茶叶图像数据库中导入数据至所述改进胶囊网络模型中进行训练，获得茶叶分级模型；将需要进行分级的茶叶平铺于所述白色底板上，用所述相机拍摄获取待识别图像数据，输入已训练好的所述茶叶分级模型中，获得茶叶品级的识别结果。本发明专利技术方法提高了模型处理小样本数据集的能力，减少了过拟合等风险。减少了过拟合等风险。减少了过拟合等风险。

【技术实现步骤摘要】
一种基于改进胶囊网络的茶叶识别分级方法


[0001]本专利技术涉及图像识别的
，尤其涉及一种基于改进胶囊网络的茶叶识别分级方法。

技术介绍

[0002]目前，对茶叶质量进行分级时主要凭借人工对茶叶的色泽和纹理进行感官判断，故茶叶分级易受生理条件、工作经验、环境条件等因素的影响。且采用人工对茶叶进行分级效率低下，结果不稳定，并不适于当下机械化和规模化的茶叶生产。
[0003]近年来，随着计算机技术和深度学习技术的发展，国内外研究者就应用深度学习技术开展茶叶的识别及分级开展了广泛的研究。
[0004]前大多数研究都是采用基于卷积神经网络的方法进行茶叶图像识别，存在如下问题：(1)卷积网络具有平移不变性，在处理茶叶图像时会忽视特征之间的空间关系，导致特征信息的丢失；(2)为训练卷积神经网络的平移不变量，需要采用不同的滤波器对茶叶图像各观测角度进行学习，将需要大量的数据来进行训练。然而，采集茶叶图像的要求较为严苛，往往存在数据量不足的问题，故传统卷积神经网络在小数据上通常鲁棒性差，易出现过拟合等现象。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]鉴于上述现有存在的问题，提出了本专利技术。
[0007]因此，本专利技术解决的技术问题是：传统的卷积神经网络以标量的形式传递特征，为训练卷积神经的平移不变量将需要大量数据集，在小数据上模型的鲁棒性往往较差；普通卷积层大小固定，无法实现同时对不同大小感知野的读取；传统卷积神经网络很少能实现对较难分类特征的着重学习。
[0008]为解决上述技术问题，本专利技术提供如下技术方案：包括，将已知品种和级别的茶叶分成若干单元，并依次放置于白色底板上，通过相机获取各类别的茶叶图像数据n张；基于大津法对所述茶叶图像数据进行二值化处理和多种数据增强处理，根据茶叶等级标签建立茶叶图像数据库；深化原始胶囊网络结构并与残差块进行结合，构建适用于茶叶分级的改进胶囊网络模型；在所述茶叶图像数据库中导入数据至所述改进胶囊网络模型中进行训练，获得茶叶分级模型；将需要进行分级的茶叶平铺于所述白色底板上，用所述相机拍摄获取待识别图像数据，输入已训练好的所述茶叶分级模型中，获得茶叶品级的识别结果。
[0009]作为本专利技术所述的基于改进胶囊网络的茶叶识别分级方法的一种优选方案，其中：包括，进行茶叶样本图像采集时，采用A4纸做白色底板，选用功率为3w的LED光源，并保持相机镜头距茶叶样本17cm,拍摄时使茶叶样本占据相机画面的3/4。
[0010]作为本专利技术所述的基于改进胶囊网络的茶叶识别分级方法的一种优选方案，其中：所述二值化处理包括，将采集到的茶叶图像数据由RBG图像转化为灰度图像后，采用大津法对茶叶图像进行二值化，通过正方形裁剪完成茶叶与底板的分割。
[0011]作为本专利技术所述的基于改进胶囊网络的茶叶识别分级方法的一种优选方案，其中：所述多种数据增强处理包括，对经过分割后的茶叶图像依次进行随机旋转、随机裁剪、随机水平翻转及特征标准化操作。
[0012]作为本专利技术所述的基于改进胶囊网络的茶叶识别分级方法的一种优选方案，其中：包括，搭建单个残差块网络结构、多尺寸特征提取卷积层和原始胶囊网络结构。
[0013]作为本专利技术所述的基于改进胶囊网络的茶叶识别分级方法的一种优选方案，其中：还包括，利用所述残差块、所述多尺寸特征提取卷积层和两个普通卷积层、以及三个池化层替换掉原始胶囊网络结构中用于特征提取的单一卷积层，得到改进胶囊网络。
[0014]作为本专利技术所述的基于改进胶囊网络的茶叶识别分级方法的一种优选方案，其中：包括，通过三组残差块和多组卷积池化层的组合对茶叶图像提取特征，传入主胶囊层；特征传递进主胶囊层；通过二维卷积处理特征的通道进行特征形状调整，使其自标量形式转化为矢量形式的胶囊，以同时保留特征的局部位置信息和属性信息；处理完毕后，将特征传入数字胶囊层。
[0015]作为本专利技术所述的基于改进胶囊网络的茶叶识别分级方法的一种优选方案，其中：所述数字胶囊层包括，各层子胶囊通过与对应权重矩阵加权求和后，再经压缩函数处理得到对父胶囊的预测值；经动态路由机制确定耦合系数后，所述预测值基于耦合系数得出父胶囊的实际输出；其中，胶囊的长度代表某种类别存在的可能性，每一维度代表该类别的某种特征。
[0016]本专利技术的有益效果：本专利技术利用胶囊网络以矢量形式提取和保存特征的特性，使模型同时具备平移不变性和平移同变性，在同样数量的数据集上，能较卷积神经网络能提取到更多的特征，提高了模型处理小样本数据集的能力，减少了过拟合等风险；引入残差块，利用其跨层直连的跳跃连接将输入和输入的一个非线性变换叠加为输出，使梯度的流动不受阻碍，提高了模型抵抗梯度消失的能力；用多层卷积和池化的组合并结合多尺寸特征提取代替原单一卷积层提取特征并传入主胶囊层，加深了网络结构，使模型能够提取茶叶图像中的多尺寸特征；引入Focal Loss损失函数，通过梯度反向传播可以使模型在训练中更加关注难分类的样本。
附图说明
[0017]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0018]图1为本专利技术第一个实施例所述的基于改进胶囊网络的茶叶识别分级方法的流程示意图；
[0019]图2为本专利技术第一个实施例所述的基于改进胶囊网络的茶叶识别分级方法的灰度处理示意图；
[0020]图3为本专利技术第一个实施例所述的基于改进胶囊网络的茶叶识别分级方法的二值化处理示意图；
[0021]图4为本专利技术第一个实施例所述的基于改进胶囊网络的茶叶识别分级方法的正方形裁剪图像示意图；
[0022]图5为本专利技术第一个实施例所述的基于改进胶囊网络的茶叶识别分级方法的改进胶囊网络模型示意图；
[0023]图6为本专利技术第一个实施例所述的基于改进胶囊网络的茶叶识别分级方法的残差块示意图；
[0024]图7为本专利技术第一个实施例所述的基于改进胶囊网络的茶叶识别分级方法的多尺寸特征提取卷积层示意图；
[0025]图8为本专利技术第二个实施例所述的基于改进胶囊网络的茶叶识别分级方法的改进胶囊网络模型准确率示意图；
[0026]图9为本专利技术第二个实施例所述的基于改进胶囊网络的茶叶识别分级方法的改进胶囊网络模型损失值示意图；
[0027]图10为本专利技术第二个实施例所述的基于改进胶囊网络的茶叶识别分级方法的改进胶囊网络模型与传统方法的准确率对比示意图；
[0028]图11为本专利技术第二个实施例所述的基于改进胶囊网络的茶叶识别分级方法的改进胶囊网络模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进胶囊网络的茶叶识别分级方法，其特征在于：包括，将已知品种和级别的茶叶分成若干单元，并依次放置于白色底板上，通过相机获取各类别的茶叶图像数据n张；基于大津法对所述茶叶图像数据进行二值化处理和多种数据增强处理，根据茶叶等级标签建立茶叶图像数据库；深化原始胶囊网络结构并与残差块进行结合，构建适用于茶叶分级的改进胶囊网络模型；在所述茶叶图像数据库中导入数据至所述改进胶囊网络模型中进行训练，获得茶叶分级模型；将需要进行分级的茶叶平铺于所述白色底板上，用所述相机拍摄获取待识别图像数据，输入已训练好的所述茶叶分级模型中，获得茶叶品级的识别结果。2.根据权利要求1所述的基于改进胶囊网络的茶叶识别分级方法，其特征在于：包括，进行茶叶样本图像采集时，采用A4纸做白色底板，选用功率为3w的LED光源，并保持相机镜头距茶叶样本17cm,拍摄时使茶叶样本占据相机画面的3/4。3.根据权利要求1或2所述的基于改进胶囊网络的茶叶识别分级方法，其特征在于：所述二值化处理包括，将采集到的茶叶图像数据由RBG图像转化为灰度图像后，采用大津法对茶叶图像进行二值化，通过正方形裁剪完成茶叶与底板的分割。4.根据权利要求3所述的基于改进胶囊网络的茶叶识别分级方法，其特征在于：所述多种数据增强处理包括，对...

【专利技术属性】
技术研发人员：黄海松，陈星燃，胡鹏飞，范青松，韩正功，
申请(专利权)人：贵州大学，
类型：发明
国别省市：