【技术实现步骤摘要】
一种结合改进注意力机制和知识蒸馏的茶叶嫩芽分级方法
[0001]本专利技术涉及图像识别的
，尤其涉及一种结合改进注意力机制和知识蒸馏的茶叶嫩芽分级方法。
技术介绍
[0002]制茶工艺中茶叶嫩芽分级作为一道关键工序从根源上决定了产出茶叶的品质和价值，而在茶叶嫩芽分级领域，目前仍以人工感官评审法为主，以理化检测方法为辅进行综合评价，该方法不但效率低下，所得结果也易受人员主观性及外界因素等多因素影响，使在规模化生产下实现对茶产品质量的精准把控面临极大挑战。
[0003]如今计算机技术与深度学习技术虽不断与农业工程学科交叉并取得了丰富的成果，但就茶叶嫩芽分级问题所开展的研究却仍十分有限。
技术实现思路
[0004]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。
[0005]鉴于上述现有存在的问题，提出了
【技术保护点】
【技术特征摘要】
1.一种结合改进注意力机制和知识蒸馏的茶叶嫩芽分级方法，其特征在于，包括：采集茶叶嫩芽图像并进行初步筛选，预处理初步筛选得到的茶叶嫩芽图像，建立所需的茶叶嫩芽数据集；基于改进的注意力机制，构建多尺寸卷积块注意力模块，并建立茶叶嫩芽分级模型，利用两不同源域数据集预训练所述茶叶嫩芽分级模型和Resnet32模型，得到两者权重参数；将两个预训练后模型的权重参数迁移至自建的茶叶嫩芽数据集上并引入知识蒸馏技术，形成一种结合双迁移学习和知识蒸馏的模型训练策略以训练所述茶叶嫩芽分级模型；将测试集中待分级的茶叶嫩芽图像导入训练好的茶叶嫩芽分级模型，记录分级结果的各项指标及模型规格参数。2.如权利要求1所述的结合改进注意力机制和知识蒸馏的茶叶嫩芽分级方法，其特征在于：所述采集茶叶嫩芽图像并进行初步筛选包括，利用中科微创ZW
‑
C3600工业相机、变焦镜头及LED环形补光灯搭建平台实现对茶叶嫩芽图像的采集，并在拍摄过程中固定镜头焦距和距样本的距离，且所有样本使用同一白色A4纸作为底版；将采摘的茶叶嫩芽按照单芽、一芽一叶、一芽两叶三个级别分为三个独立集合，通过所搭建的图像采集平台进行拍摄，并通过人工对质量较差的数据进行清洗后获取到各级别茶叶嫩芽原始图像数据各400张。3.如权利要求1或2所述的结合改进注意力机制和知识蒸馏的茶叶嫩芽分级方法，其特征在于：所述预处理初步筛选得到的茶叶嫩芽图像，建立所需的茶叶嫩芽数据集包括，在PyCharm编译器上利用Opencv库实现：将采集到的茶叶嫩芽图像通过中心裁剪为像素大小为224
×
224的图像后，依次通过翻转、平移、旋转及添加高斯噪声四种方式对数据进行扩容处理。4.如权利要求1所述的结合改进注意力机制和知识蒸馏的茶叶嫩芽分级方法，其特征在于：建立所述茶叶嫩芽分级模型包括，搭建通道注意力模块，通过所述通道注意力模块生成通道注意力特征图的过程如下：其中，F为输入模块的特征，为经平均池化处理后的特征，为经最大池化处理后的特征，σ为Sigmoid激活函数，W1、W2为多层感知机的权重系数；利用多尺度卷积层替代原空间注意力模块中的传统卷积层，并通过1
×
1大小的卷积层对通道数目进行调整，生成多尺度空间注意力模块，通过所述多尺度空间注意力模块生成多尺度空间特征图的过程如下：M
MS
＝σ(f1×1(f5×5(AvgPool(F))+f9×9(MaxPool(F))))其中，f1×1为1
×
1卷积核大小的卷积层，f5×5为5
×
5卷积核大小的卷积层，f9×9为9
×
9卷积核大小的卷积层，依次为经过平均池化和最大池化处理后的特征；结合所述通道注意力模块与所述多尺度空间注意力模块，构建多尺寸卷积块注意力模块，输入特征经通道注意力模块处理得到加权结果后，再由多尺度空间注意力模块得到输出特征信息；
搭建ShuffleNet V2 0.5x网络基本单元；在所述网格基本单元中以串行的方式嵌入所述多尺寸卷积块注意力模块，引入三组深度不同的多尺度深度捷径构建多尺度注意力单元，并以此为核心构建茶叶嫩芽分级模型：ShuffletNet V2 0.5x
‑
MA...
【专利技术属性】
技术研发人员：黄海松，陈星燃，范青松，张卫民，胡鹏飞，韩正功，
申请(专利权)人：贵州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。