【技术实现步骤摘要】
本专利技术涉及茶叶识别，更具体地，涉及一种茶叶视觉识别方法。
技术介绍
1、目前对于茶叶的评价一般采用人工感官审评方法。茶叶感官审评是指审评人员运用正常的视觉、嗅觉、味觉、触觉等辨别能力，对茶叶产品的外形、汤色、香气、滋味与叶底等品质因子进行综合分析和评价的过程。由于人类对颜色和质量的描述是定性的，因此很难以准确、客观的方式准确地评价感官质量。审评人员的偏好、心理、生理和经验等都会影响感官品质的准确评价，而且审评环境和设备等因素也会影响审评结果。审评术语往往比较感性和抽象，不够精准，一般地人们较对理解和掌握，即使是专业的审评人员对术语的理解也因人而异。不同的审评人员对同一批茶叶的审评结论有可能完全不一致。因此，人工感官审评耗时费力，检测结果主观性强、一致性差、差错率高、量化难，无法实现茶叶品质的客观评价。
技术实现思路
1、本专利技术的目的在于克服上述现有技术的不足，提供一种能够保证结果一致性的茶叶识别方法。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种茶叶视觉识别方法，包括以下步骤：
4、s1：采集茶叶实物标准样和茶厂样品干茶的图像，所述图像大小为3072×2048；
5、s2：将所述图像按特级、一级、二级、三级、四级、五级进行品质标注，同时对图像数据集按训练集、验证集和测试集进行划分；
6、s3：将所述图像等比等高处理为640×640大小，剩余部分采用背景填充，并将所述训练集的图像按45°、90°、13
7、进一步的，所述模型包括backbone层、neck层以及head层，所述backbone层的处理包括以下步骤：
8、s3a：将输入模型的图像进行标准二维卷积处理；
9、s3b：进行c2f-faster特征提取操作；
10、s3c：进行sppf操作。
11、进一步的，所述标准二维卷积处理包括一次二维卷积神经网络处理、一次二维batchnorm+处理和一次silu激活函数处理，所述二维卷积神经网络处理中卷积核为3×3，所述silu激活函数为：silu＝x*sigmoid(x)；所述silu函数计算得的特征图像大小为160×160×128。
12、进一步的，所述c2f-faster特征提取操作包括一个convmodule卷积层、一个split层以及两个fasternetblock层，每一层处理后在concat层进行拼接，最后经一个convmodule卷积层输出大小为160×160×128特征图像。
13、进一步的，所述fasternetblock层包含一个pconv层和两个conv层。
14、进一步的，所述进行sppf操作包括在池化之前先对每个区域进行标准二维卷积处理，并将卷积结果和池化结果concat拼接起来作为输出特征。
15、进一步的，所述neck层的处理包括输入的特征图经上采样和concat拼接操作与其他尺度的特征图结合，再通过convmodule模块处理和c2f-faster模块进一步提取和融合特征后输入到head层。
16、进一步的，所述backbone层与neck层之间设置有cbam注意力模块，所述cbam注意力模块包括以下步骤：
17、s4a：将输入特征图基于空间进行最大池化和平均池化，接着输入到全连接神经网络mlp中，由σ函数激活生成特征图fc，
18、其中，fc＝σ(mlp(maxpool(f))+mlp(avgpool(f)))；
19、s4b：得出f'，其中
20、s4c：将f'基于通道进行最大池化和平均池化，并沿通道维度进行拼接后通过卷积层处理；
21、s4d：由σ函数激活生成特征图fs，
22、其中，fs＝σ(f7×7(maxpool(f′))+f7×7(avgpool(f′)))；
23、s4e：得出f”，其中
24、本专利技术的有益效果是：
25、1.针对干茶纹理相似、数量多、体积小等特点，对yolov8进行改进，提高了茶叶品质审评的准确率，减少了茶叶生产过程中的人工环节，节省人力资源。
26、2.对比yolo v8算法，引入fasternet block结构改进c2f模型，改进后的c2f-faster结构可减少卷积神经网络在提取图像特征时引入的噪声和干扰特征，特征提取更为精确，可大大提高目标识别的准确性。
27、3.在backbone层和neck层中嵌入cbam注意力模块，将特征图基于空间和通道两方面进行全局最大池化和全局平均池化后进行拼接，利用cam和sam两种注意力机制，可在有限的算力条件下融合空间信息和通道信息，以此来提升网络精度与实时性。
本文档来自技高网...【技术保护点】
1.一种茶叶视觉识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种茶叶视觉识别方法，其特征在于，所述模型包括Backbone层、Neck层以及Head层，所述Backbone层的处理包括以下步骤：
3.根据权利要求2所述的一种茶叶视觉识别方法，其特征在于，所述标准二维卷积处理包括一次二维卷积神经网络处理、一次二维BatchNorm+处理和一次SiLU激活函数处理，所述二维卷积神经网络处理中卷积核为3×3，所述SiLU激活函数为：SiLU＝x*sigmoid(x)；所述SiLU函数计算得的特征图像大小为160×160×128。
4.根据权利要求2所述的一种茶叶视觉识别方法，其特征在于，所述C2f-faster特征提取操作包括一个ConvModule卷积层、一个Split层以及两个FasterNetBlock层，每一层处理后在Concat层进行拼接，最后经一个ConvModule卷积层输出大小为160×160×128特征图像。
5.根据权利要求4所述的一种茶叶视觉识别方法，其特征在于，所述FasterNetBlock层包
6.根据权利要求2所述的一种茶叶视觉识别方法，其特征在于，所述进行SPPF操作包括在池化之前先对每个区域进行标准二维卷积处理，并将卷积结果和池化结果Concat拼接起来作为输出特征。
7.根据权利要求2所述的一种茶叶视觉识别方法，其特征在于，所述Neck层的处理包括输入的特征图经上采样和Concat拼接操作与其他尺度的特征图结合，再通过ConvModule模块处理和C2f-faster模块进一步提取和融合特征后输入到Head层。
8.根据权利要求2-7任一项所述的一种茶叶视觉识别方法，其特征在于，所述Backbone层与Neck层之间设置有CBAM注意力模块，所述CBAM注意力模块包括以下步骤：
...【技术特征摘要】
1.一种茶叶视觉识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种茶叶视觉识别方法，其特征在于，所述模型包括backbone层、neck层以及head层，所述backbone层的处理包括以下步骤：
3.根据权利要求2所述的一种茶叶视觉识别方法，其特征在于，所述标准二维卷积处理包括一次二维卷积神经网络处理、一次二维batchnorm+处理和一次silu激活函数处理，所述二维卷积神经网络处理中卷积核为3×3，所述silu激活函数为：silu＝x*sigmoid(x)；所述silu函数计算得的特征图像大小为160×160×128。
4.根据权利要求2所述的一种茶叶视觉识别方法，其特征在于，所述c2f-faster特征提取操作包括一个convmodule卷积层、一个split层以及两个fasternetblock层，每一层处理后在concat层进行拼接，最后经一个convmodul...
【专利技术属性】
技术研发人员：梁秀华，徐旦，祝新军，高琦樑，赵峰，林杰，
申请(专利权)人：绍兴市协同智造促进中心，
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。