基于图像识别的茶鲜叶分级方法技术

本发明专利技术为基于图像识别的茶鲜叶分级方法，与现有技术相比，在传统先使用风选机对茶鲜叶进行初步分级后，风选掉其中的茶梗和杂质等，然后对机器末端输出的茶鲜叶进行图像采集，在茶叶输出端使用图像识别技术，再对风选机风选后的茶鲜叶进一步深度分级，可以有效提高茶鲜叶的分级精度和分级准确率；在图像识别技术的基础上与风选机相配合，可以减少图像获取之前的茶鲜叶预处理操作，减小图像识别的难度；使用轻量化网络

【技术实现步骤摘要】
基于图像识别的茶鲜叶分级方法


[0001]本专利技术涉及图像识别
，特别涉及一种基于图像识别的茶鲜叶分级方法
。

技术介绍

[0002]茶叶作为世界人民最喜爱的饮料之一，不仅口感丰富，而且还富含有益于人类身体健康的营养物质
。
随着经济的飞速发展，人们在不断提高生活水平的同时，越来越注重自己的身体健康，对存在大量营养物质的茶叶需求越来越大，尤其是对优质茶叶
。
[0003]目前，对于机采
、
手采或是购买的茶鲜叶，大部分是不同芽叶数量的茶叶混合在一起，造成各种等级茶鲜叶相互混合的情况，而不同等级的茶鲜叶嫩度是不同的，所以使用同一个加工参数
(
杀青时的温度等
)
对茶鲜叶加工会严重破坏茶叶中的营养成分，降低茶叶的品质，因此在茶鲜叶加工之前需要对其进行分级处理，然后选择适合每个等级的加工参数，减小对茶叶中营养成分的破坏，以此提高茶叶的质量
。
[0004]目前使用的分级方法为数字图像处理，数字图像处理是指通过计算机将图像信号转换成数字信号，并通过其进行处理的过程
。
通过计算机进行图像视觉检测具有简单
、
方便
、
快速的特点
。
但该传统处理方式只能对一些简单的
、
形状比较单一的茶叶叶片进行分级，但是对于茶叶种类繁多
、
茶叶叶片大小
、
形状
、
颜色差异等已不能满足，迫切需要改进
。
如何将茶鲜叶进行更加细致的区分，以提高对茶鲜叶识别分级的准确率和效率，是本专利技术研究的重点
。
[0005]针对人工分级成本高
、
效率低，机械分级准确率低
、
分级精度差等问题，十分必要设计一种图像识别技术与风选机相结合的茶鲜叶分级方法
。

技术实现思路

[0006]为了解决上述技术问题，本专利技术为基于图像识别的茶鲜叶分级方法，其技术方案为：
[0007]基于图像识别的茶鲜叶分级方法，其特征在于，具体包括以下方法：
[0008]步骤1，茶鲜叶图像采集，对机器末端输出的茶鲜叶进行图像采集，使用数据采集系统获取茶鲜叶图像不低于基础张数；
[0009]步骤2，对步骤1中获取的基础图像进行图像增强，得到增广若干倍的茶鲜叶图像；
[0010]步骤3，使用可视化的图像标定工具对步骤2增广后图像中的茶鲜叶进行标注；
[0011]步骤4，对步骤3标注后的茶鲜叶图像按不等比例划分为训练集和验证集；
[0012]步骤5，分别将训练集数据和验证集数据导入经轻量化网络
MobilNetV3
和注意力机制
CBAM
改进后的
YOLOv8
模型并调整超参数后进行训练
。
[0013]进一步地，轻量化网络
MobilNetV3
中深度可分离卷积模块的参数量与计算量小于
YOLOv8
中普通卷积模块的参数量与计算量，改进后可节约训练时间
。
[0014]进一步地，所述深度可分离卷积模块包括逐层卷积和逐点卷积
。
[0015]进一步地，所述
YOLOv8
中普通卷积模块的参数量与计算量的计算公式为：
[0016]Q1＝
N
×
M
×
S2[0017]W1＝
N
×
M
×
X
×
Y
×
S2[0018]其中，
Q1为普通卷积模块的参数量，
W1为普通卷积模块的计算量，
N、M
分别为输入和输出通道数，
S
为卷积核的尺寸，
X、Y
分别为输出图层的宽和高
。
[0019]进一步地，所述轻量化网络
MobilNetV3
中深度可分离卷积模块的参数量与计算量的计算公式为：
[0020]Q2＝
N
×
S2+N
×
M
[0021]W2＝
N
×
X
×
Y
×
S2+N
×
M
×
X
×
Y
[0022]其中，
Q2为深度可分离卷积模块的参数量，
W2为深度可分离卷积模块的计算量，
N、M
分别为输入和输出通道数，
S
为逐层卷积核的尺寸，
X、Y
分别为输出图层的宽和高
。
[0023]进一步地，深度可分离卷积模块的参数量与计算量和普通卷积模块的参数量与计算量的比值为：
[0024][0025][0026]其中，
R1为深度可分离卷积模块的参数量与普通卷积模块的参数量的比值，
R2为深度可分离卷积模块的计算量与普通卷积模块的计算量的比值
。
[0027]进一步地，
MobilNetV3
使用了
hswish
激活函数，
hswish
定义为：
[0028][0029]进一步地，使用轻量化网络
MobilNetV3
替换
YOLOv8
的主干网络
Darknet53。
[0030]进一步地，注意力机制
CBAM
不仅有通道注意力机制，还有空间注意力机制
。
[0031]进一步地，所述通道注意力机制实现过程如下所示：
[0032][0033][0034]其中，
σ
代表
Sigmoid
函数的激活操作，
W0和
W1
均为
MLP
中的权重，
C
为输入茶鲜叶特征图的通道数目，和分别为输入茶鲜叶特征
F
经平均池化和最大池化得到的结果，
F
表示输入特征，表示相应位置元素的相乘，
F'
表示经通道注意力机制加强后的茶鲜叶特征
。
[0035]进一步地，所述空间注意力机制的实现过程如下所示：
[0036][0037][0038]其中，
σ
代表
Sigmoid
函数的激活操作，7×7是指卷积操作的卷积核尺寸，和
分别为经过通道域注意力机制加强后的茶鲜叶特征
F'
经平均池化和最大池化后得到的结果，
F”表示经空间注意力机制加强后的茶鲜叶特征
。
[0039]进一步地，
YOLOv8
模型按结构分为四部分，分别为输入端
、Backbone、Neck
和
Head
，将注意力机制本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于图像识别的茶鲜叶分级方法，其特征在于，具体包括以下方法：步骤1，茶鲜叶图像采集，对机器末端输出的茶鲜叶进行图像采集，使用数据采集系统获取茶鲜叶图像不低于基础张数；步骤2，对步骤1中获取的基础图像进行图像增强，得到增广若干倍的茶鲜叶图像；步骤3，使用可视化的图像标定工具对步骤2增广后图像中的茶鲜叶进行标注；步骤4，对步骤3标注后的茶鲜叶图像按不等比例划分为训练集和验证集；步骤5，分别将训练集数据和验证集数据导入经轻量化网络
MobilNetV3
和注意力机制
CBAM
改进后的
YOLOv8
模型并调整超参数后进行训练
。2.
如权利要求1所述的基于图像识别的茶鲜叶分级方法，其特征在于，轻量化网络
MobilNetV3
中深度可分离卷积模块的参数量与计算量小于
YOLOv8
中普通卷积模块的参数量与计算量，改进后可节约训练时间
。3.
如权利要求2所述的基于图像识别的茶鲜叶分级方法，其特征在于，所述深度可分离卷积模块包括逐层卷积和逐点卷积
。4.
如权利要求2所述的基于图像识别的茶鲜叶分级方法，其特征在于，所述
YOLOv8
中普通卷积模块的参数量与计算量的计算公式为：
Q1＝
N
×
M
×
S2W1＝
N
×
M
×
X
×
Y
×
S2其中，
Q1为普通卷积模块的参数量，
W1为普通卷积模块的计算量，
N、M
分别为输入和输出通道数，
S
为卷积核的尺寸，
X、Y
分别为输出图层的宽和高
。5.
如权利要求2所述的基于图像识别的茶鲜叶分级方法，其特征在于，所述轻量化网络
MobilNetV3
中深度可分离卷积模块的参数量与计算量的计算公式为：
Q2＝
N
×
S2+N
×
MW2＝
N
×
X
×
Y
×
S2+N
×
M
×
X
×
Y
其中，
Q2为深度可分离卷积模块的参数量，
W2为深度可分离卷积模块的计算量，
N、M
分别为输入和输出通道数，
S
为逐层卷积核的尺寸，
X、Y
分别为输出图层的宽和高
...

【专利技术属性】
技术研发人员：张开兴，王泽宇，丁兆堂，周长安，张洪涛，朱友旭，
申请(专利权)人：山东农业大学，
类型：发明
国别省市：