【技术实现步骤摘要】
本专利技术涉及茶叶生产加工，具体涉及一种轻量化红茶发酵程度判别方法、系统及存储介质。
技术介绍
1、红茶是世界上最受欢迎的饮料之一，占全球茶叶消费的78％，其加工过程包含萎凋、揉捻、发酵及烘干四个步骤。其中发酵是红茶加工过程中最为关键的一步，其与红茶的色泽、口感密切相关，发酵不足或过度均会影响红茶的品质，进而影响红茶的市场价值。因此，在红茶加工过程中对红茶发酵时间的控制、准确判断其发酵程度就显得格外重要。
2、目前，在实际生产加工中，红茶发酵程度的判别完全依赖于人工经验，加工者通常采用“看色泽、闻气味、摸手感”来判断红茶发酵程度，这种判断方式缺乏量化的评价标准，操作者的经验、心理状态、环境等因素都会影响评价结果，随意性较大、主观性较强，导致红茶的生产质量不统一，无法实现标准化生产。因此，准确地判别红茶发酵程度是目前红茶加工实现智能化一大难题。
技术实现思路
1、有鉴于此，本申请的目的在于提供一种轻量化红茶发酵程度判别方法、系统及存储介质，该判别方法能够智能、准确地判别红茶发酵程度，避免人工判断导致的随意性较大、主观性较强的问题。
2、为实现上述技术目的，本申请采用的技术方案如下：
3、第一方面，本申请提供了一种轻量化红茶发酵程度判别方法，包括以下步骤，
4、制作并划分含有多个时刻红茶发酵的数据集；
5、选取n1种卷积神经网络判别模型；
6、训练所选的n1种卷积神经网络判别模型的实验结果，根据实验结果，在满足高精
7、对所选学生模型与教师模型同时更换损失函数；
8、利用更换损失函数后的教师模型知识蒸馏更换损失函数后的学生模型；
9、对比检测判别效果。
10、进一步，所述制作并划分含有多个时刻红茶发酵的数据集的方法包括，获取n2张红茶发酵原始图像；对获取的所述原始图像进行旋转、镜像、噪声及裁剪的操作，对所述原始图像的数据进行扩充，数据量由原来的n2张，扩充为n2的整倍数张；划分数据集，按照6：2：2的比例随机划分为训练集、验证集和测试集，生成所述数据集。
11、进一步，所述制作并划分含有多个时刻红茶发酵的数据集中，数据集采用含有0h、1h、2h、3h、4h、5h六个时刻红茶发酵的数据集。
12、进一步，所述训练所选的n1种卷积神经网络判别模型，根据实验结果，在满足高精度、轻量化的要求下，综合选取学生模型与教师模型包括，使用cuda软件加速、adamw优化器优化模型，训练200个epoch，获得n1种卷积神经网络判别模型的实验结果；根据所述实验结果，在满足轻量化的条件下，综合选取shufflenet_v2_x1.0作为学生模型，efficientnet_v2作为教师模型。
13、进一步，所述对所选学生模型与教师模型同时更换损失函数的方法包括，对学生模型更换损失函数，用focal loss替换crossentropy loss，训练得到更换损失函数后的学生模型；
14、对教师模型更换损失函数，用focal loss替换crossentropy loss，训练得到更换损失函数后的教师模型。
15、进一步，所述利用更换损失函数后的教师模型知识蒸馏更换损失函数后的学生模型的方法包括，通过包括masked generative distillation的多种知识蒸馏方法对更换损失函数后的shufflenet_v2_x1.0进行蒸馏实验；
16、对比多种知识蒸馏方法的实验效果，以distillation loss ratio为0.8，采用masked generative distillation方法蒸馏后的模型判别性能最好，模型在不增加参数量与计算量的前提下，判别性能得到有效提升。
17、进一步，在distillation loss ratio分别为0.6、0.7、0.8、0.9的情况下，进行蒸馏实验。
18、进一步，所述知识蒸馏方法包括soft target knowledge distillation方法、masked generative distillation方法、similarity-preserving knowledgedistillation方法及attention transfer方法的四种知识蒸馏方法。本技术方案中的softtarget knowledge distillation简称st；masked generative distillation简称mgd；similarity-preserving knowledge distillation简称spkd；attention transfer简称at。
19、第二方面，本专利技术还公开了一种轻量化红茶发酵程度判别系统，包括处理器及存储器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述判别系统执行如上所述的方法来计算所述红茶的发酵程度。
20、第三方面，本专利技术还公开了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述的方法。
21、采用上述技术方案的专利技术，具有如下优点：
22、1、本专利技术对比多种卷积神经网络实验效果，在精度、轻量化二者要求下，选择shufflenet_v2_x1.0作为学生模型，efficientnet_v2作为教师模型；并利用损失函数focal loss替换crossentropy loss，教师模型与学生模型判别性能得以提升，使得通过本专利技术的方法，能够智能的、准确的判断红茶的发酵程度，摆脱了人工依靠“看色泽、闻气味、摸手感”等随意性较大、主观性较强判别方式，解决实际部署硬件性能低的问题，实现红茶的标准化生产，从而推动红茶加工智能化。
23、2、本专利技术在distillation loss ratio分别为0.6、0.7、0.8与0.9的情况下，采用soft target knowledge distillation方法、masked generative distillation方法、similarity-preserving knowledge distillation方法及attention transfer方法的四种知识蒸馏方法对学生模型进行知识蒸馏，以distillation loss ratio为0.8，采用masked generative distillation方法蒸馏后的模型判别性能最好，使得红茶的发酵程度判别能力更好。
本文档来自技高网...【技术保护点】
1.一种轻量化红茶发酵程度判别方法，其特征在于：包括以下步骤，
2.根据权利要求1所述的一种轻量化红茶发酵程度判别方法，其特征在于：所述制作并划分含有多个时刻红茶发酵的数据集的方法包括，获取N2张红茶发酵原始图像；对获取的所述原始图像进行旋转、镜像、噪声及裁剪的操作，对所述原始图像的数据进行扩充，数据量由原来的N2张，扩充为N2的整倍数张；划分数据集，按照6：2：2的比例随机划分为训练集、验证集和测试集，生成所述数据集。
3.根据权利要求2所述的一种轻量化红茶发酵程度判别方法，其特征在于：所述制作并划分含有多个时刻红茶发酵的数据集中，数据集采用含有0h、1h、2h、3h、4h、5h六个时刻红茶发酵的数据集。
4.根据权利要求1所述的一种轻量化红茶发酵程度判别方法，其特征在于：所述训练所选的N1种卷积神经网络判别模型，根据实验结果，在满足高精度、轻量化的要求下，综合选取学生模型与教师模型包括，使用CUDA软件加速、AdamW优化器优化模型，训练200个epoch，获得N1种卷积神经网络判别模型的实验结果；根据所述实验结果，在满足轻量化的条件下，综
5.根据权利要求4所述的一种轻量化红茶发酵程度判别方法，其特征在于：所述对所选学生模型与教师模型同时更换损失函数的方法包括，对学生模型更换损失函数，用FocalLoss替换CrossEntropy Loss，训练得到更换损失函数后的学生模型；
6.根据权利要求1所述的一种轻量化红茶发酵程度判别方法，其特征在于：所述利用更换损失函数后的教师模型知识蒸馏更换损失函数后的学生模型的方法包括，通过包括Masked Generative Distillation的多种知识蒸馏方法对更换损失函数后的Shufflenet_v2_x1.0进行蒸馏实验；
7.根据权利要求6所述的一种轻量化红茶发酵程度判别方法，其特征在于：在Distillation Loss ratio分别为0.6、0.7、0.8、0.9的情况下，进行蒸馏实验。
8.根据权利要求6所述的一种轻量化红茶发酵程度判别方法，其特征在于：所述知识蒸馏方法包括Soft Target Knowledge Distillation方法、Masked GenerativeDistillation方法、Similarity-Preserving Knowledge Distillation方法及AttentionTransfer方法的四种知识蒸馏方法。
9.一种轻量化红茶发酵程度判别系统，其特征在于：包括处理器及存储器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述判别系统执行如权利要求1-8中任一项所述的方法来计算所述红茶的发酵程度。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行权利要求1-8中任一项所述的红茶发酵程度判别方法。
...【技术特征摘要】
1.一种轻量化红茶发酵程度判别方法，其特征在于：包括以下步骤，
2.根据权利要求1所述的一种轻量化红茶发酵程度判别方法，其特征在于：所述制作并划分含有多个时刻红茶发酵的数据集的方法包括，获取n2张红茶发酵原始图像；对获取的所述原始图像进行旋转、镜像、噪声及裁剪的操作，对所述原始图像的数据进行扩充，数据量由原来的n2张，扩充为n2的整倍数张；划分数据集，按照6：2：2的比例随机划分为训练集、验证集和测试集，生成所述数据集。
3.根据权利要求2所述的一种轻量化红茶发酵程度判别方法，其特征在于：所述制作并划分含有多个时刻红茶发酵的数据集中，数据集采用含有0h、1h、2h、3h、4h、5h六个时刻红茶发酵的数据集。
4.根据权利要求1所述的一种轻量化红茶发酵程度判别方法，其特征在于：所述训练所选的n1种卷积神经网络判别模型，根据实验结果，在满足高精度、轻量化的要求下，综合选取学生模型与教师模型包括，使用cuda软件加速、adamw优化器优化模型，训练200个epoch，获得n1种卷积神经网络判别模型的实验结果；根据所述实验结果，在满足轻量化的条件下，综合选取shufflenet_v2_x1.0作为学生模型，efficientnet_v2作为教师模型。
5.根据权利要求4所述的一种轻量化红茶发酵程度判别方法，其特征在于：所述对所选学生模型与教师模型同时更换损失函数的方法包括，对学生模型更换损失函数，用focalloss替换crossentropy loss，训练得到更换损失函数...
【专利技术属性】
技术研发人员：董春旺，王梅，丁泽中，陈之威，朱雪松，黄春池，徐冬云，祁丹丹，施江，石亚丽，
申请(专利权)人：山东省农业科学院，
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。