基于生成度量TD3的茶叶智能化拼配方法、设备和介质组成比例

本发明专利技术公开了一种基于生成度量TD3的茶叶智能化拼配方法、设备和介质，该方法包括：1、获取茶叶的高光谱图像并从中提取光谱数据；2、基于茶叶高光谱特征数据，利用ACGAN训练茶叶高光谱生成网络，用于生成状态变换后新状态下的茶样特征；3、基于深度度量学习方法训练样品相似性判别网络，判断拼配方法拼配的茶样是否满足目标样要求；4、构建GM

【技术实现步骤摘要】
基于生成度量TD3的茶叶智能化拼配方法、设备和介质


[0001]本专利技术涉及茶叶精加工领域，具体是一种基于生成度量TD3的茶叶智能化拼配方法、电子设备和存储介质。

技术介绍

[0002]茶叶是中国特有的饮料。我国茶叶的总产量、栽培面积、出口量均居世界第一，已成为世界上最大的茶叶生产和消费国，在茶叶的生产、消费和对外贸易中占有举足轻重的地位。
[0003]拼配，就是把具有一定共性而形质不一的产品，拼合在一起的作业。这是一种常用的提高茶叶品质、保证产品延续性、扩大货源、增加数量、获取较高经济效益的方法。只有通过科学而精致的拼配，加入等级接近优势互补的调剂茶，我们才能获得有产量的品质稳定、质量上乘的成品茶。
[0004]在目前的研究成果中，国内外学者的研究目的都在于如何准确区分开不同类别或者不同等级的茶叶，在茶饮拼配方面的智能化研究较少，无法实现自动拼配茶叶，减少人为劳动力的目的。在茶叶自动拼配的方向上研究较少，难以实现准确的茶叶自动拼配。

技术实现思路

[0005]本专利技术为克服现有技术的不足之处，提供一种生成度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成度量TD3的茶叶智能化拼配方法，其特征在于，是按照以下步骤进行：步骤1、采集混合样茶叶、原料样茶叶的高光谱图像数据集，并从所述高光谱图像数据集中提取光谱数据集并进行MSC预处理，得到预处理后的光谱数据集，包括：混合样茶叶光谱数据集与原料样茶叶光谱数据集，其中，令混合样茶叶光谱数据集记为{X
n
,Y
n
|n=1,2,...,N}，X
n
表示第n个混合样茶叶光谱，Y
n
表示第n个混合样茶叶光谱X
n
对应的标签，N表示样本数量，且Y
n
∈[1,...,l,...,L]；L表示标签的类别数量；令混合样茶叶光谱数据集中类别为l的混合样茶叶光谱记为{X
l_1
,...,X
l_δ
,...,X
l_ε
}；其中，X
l_δ
表示类别为l的第δ份混合样茶叶光谱，ε表示类别为l的混合样茶叶的总份数；取第l种标签对应的ε份混合样茶叶光谱数据的平均值作为第l种类别的标准光谱，记为Xs
l
，l=1,2,...,L；原料样茶叶光谱数据集记为{X_std1,...,X_std
m
,...,X_std
m
’
,...,X_std
M
}，其中，X_std
m
表示第m种原料样茶叶光谱，X_std
m
’
表示第m
’
种原料样茶叶光谱，m,m
’
=1,2,...,M；M为原料样茶叶的种类数；步骤2、建立ACGAN茶叶光谱生成对抗网络，包括：茶叶光谱生成器、茶叶光谱判别器；所述茶叶光谱生成器包括两个结构相同、参数不同的卷积神经网络和一个反卷积网络；其中，任意一个卷积神经网络依次包括：若干个卷积层和池化层的交替连接结构及一个全连接层；所述反卷积网络包括若干个反卷积层；所述茶叶光谱判别器包括若干个卷积层和池化层的交替链接结构及一个全连接层；设第n个混合样茶叶光谱X
n
对应的混合样茶叶由i份第m种原料样茶叶与j份第m
’
种原料样茶叶混合而成；步骤2.1、将i份第m种原料样茶叶光谱X_std
m
与j份第m
’
种原料样茶叶光谱X_std
m
’
输入茶叶光谱生成器中进行处理，并得到预测光谱X
n
_pred；将X
n
与X
n
_pred输入茶叶光谱判别器中进行处理，并得到真实光谱的光谱真假值S及其光谱分类标签C，以及预测光谱的真假值S
’
及其预测光谱分类标签C
’
；步骤2.2、利用Adam优化器对所述ACGAN茶叶光谱生成对抗网络进行训练，并计算损失函数L
G
和L
D
以更新网络参数，直至所述损失函数L
G
和L
D
收敛为止，从而得到训练好的ACGAN茶叶光谱生成对抗网络，包括：训练好的茶叶光谱生成器G和训练好的茶叶光谱判别器D；步骤3、构建深度度量学习茶叶品质判断网络Tea
‑
DML，包括：若干个卷积层和池化层的交替连接结构及一个全连接层；将第n个混合样茶叶光谱X
n
以及类别为l的第δ份混合样茶叶光谱X
l
_
δ
输入Tea
‑
DML中，并对Tea
‑
DML训练，从而获得训练好的深度度量学习茶叶品质判断网络Tea
‑
DML，用于对类别为l的混合样茶叶光谱{ X
l
_1,...,X
l
_
δ
,...,X
l
_
ε
}和类别为l的标准光谱Xs
l
进行度量空间特征的计算，并得到类别为l的混合样茶叶的类内距D
l
；步骤4、构建GM
‑
TD3网络，包括：茶叶拼配策略网络TP
‑
pnet、茶叶拼配目标策略网络target
‑
TP
‑
pnet、两个茶叶拼配评估Q值网络Critic1与Critic2、两个茶叶拼配目标评估Q值网络target
‑
Critic1与target
‑
Critic2；其中，TP
‑
pnet与target
‑
TP
‑
pnet为两个结构相同的网络，包括：u个全连接层；Critic1、Critic2、target
‑
Critic1与target
‑
Critic2为四个结构相同的网络，包括v个全连接层；
步骤4.1、以类别为l的标准光谱Xs
l
作为目标茶样；将待配比的i份混合样茶样作为当前时刻的待配比的混合样茶样，并将其状态记为state_now，且state_now=[p1,...,p
m
,...,p
m
’
,...,p
M
]，其中，p
m
为第m种原料样茶叶的份数，p
m
’
为第m
’
种原料样茶叶的份数；将状态state_now对应混合样茶叶的光谱特征作为当前时刻下的茶叶光谱特征记为X_now；令拼配动作a表示为某种原料样茶叶的份数增大或减小，且a属于A，A表示拼配动作向量，且A=[a1,a2,...,a
2m
‑1,a
2m
,...,a
2M
‑1,a
2M
]，其中，a
2m
‑1,a
2m
分别表示第m种原料样茶叶光谱增加j份或减少j份；步骤4.2、所述茶叶拼配策略网络TP
‑
pnet对当前时刻下的状态state_now进行处理，生成维度为2M的拼配动作向量a_now，并选取a_now中的最大值作为下一时刻的拼配动作；步骤4.3、将状态state_now对应的茶叶光谱特征X_now及其份数i、第m种原料样茶叶光谱X_std
m
及其份数j送入训练好的茶叶光谱生成器G中进行处理，由两个卷积神经网络分别得到当前时刻下的状态state_now对应的茶叶光谱运算空间特征X_now_h、第m种原料样茶叶光谱X_std
m
的运算空间特征X_std
m
_h；步骤4.4、若a_now中最大元素为a
2m
‑1，则执行的拼配动作为向状态为state_now的待配比的i份混合样茶样中加入份数为j的第m种原料样，从而得到下一时刻的状态state_new=[p1,...,p
m
+j,...,p
m
’
,...,p
M
]及其拼配后的混合样茶样，并根据式(5)计算生成光谱运算空间求和特征X_sum；(5)若a_now中最大元素为a
2m
，则执行的拼配动作为从状态为向状态为state_now的待配比的i份混合样茶样中减少份数为j的第m种原料样，从而得到下一时刻的状态state_new=[p1,...,p
m
‑
j,...,p
m
’
,...,p
M
]及其拼配后的混合样茶样，并根据式(6)计算生成光谱运算空间求和特征X_sum；(6)步骤4.5、所述生成光谱运算空间求和特征X_sum经过训练好的茶叶光谱生成器G中反卷积神经网络的处理后，得到下一时刻的状态state_new对应的茶叶光谱特征X_new；步骤4.6、将当前时刻的状态state_now对应的茶叶光谱特征X_now输入训练好的深度度量学习茶叶品质判断网络Tea
‑
DML中进行处理，得到度量空间中当前时刻状态的当前光谱度量特征dX_now；将下一时刻的状态state_new对应的茶叶光谱特征X_new输入训练好的深度度量学习茶叶品质判断网络Tea
‑
DML中进行处理，得到度量空间中下一时刻状态的未来光谱度量特征dX_new，计算dX_n...

【专利技术属性】
技术研发人员：宋彦，赵磊，宁井铭，戴前颖，李露青，王玉洁，张正竹，宛晓春，程福寿，曾雪鸿，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：