[发明专利]一种基于改进胶囊网络的茶叶识别分级方法

说明书

本发明公开了一种基于改进胶囊网络的茶叶识别分级方法，包括，将已知品种和级别的茶叶分成若干单元，并依次放置于白色底板上，通过相机获取各类别的茶叶图像数据n张；基于大津法对所述茶叶图像数据进行二值化处理和多种数据增强处理，根据茶叶等级标签建立茶叶图像数据库；深化原始胶囊网络结构并与残差块进行结合，构建适用于茶叶分级的改进胶囊网络模型；在所述茶叶图像数据库中导入数据至所述改进胶囊网络模型中进行训练，获得茶叶分级模型；将需要进行分级的茶叶平铺于所述白色底板上，用所述相机拍摄获取待识别图像数据，输入已训练好的所述茶叶分级模型中，获得茶叶品级的识别结果。本发明方法提高了模型处理小样本数据集的能力，减少了过拟合等风险。

技术领域

本发明涉及图像识别的技术领域，尤其涉及一种基于改进胶囊网络的茶叶识别分级方法。

背景技术

目前，对茶叶质量进行分级时主要凭借人工对茶叶的色泽和纹理进行感官判断，故茶叶分级易受生理条件、工作经验、环境条件等因素的影响。且采用人工对茶叶进行分级效率低下，结果不稳定，并不适于当下机械化和规模化的茶叶生产。

近年来，随着计算机技术和深度学习技术的发展，国内外研究者就应用深度学习技术开展茶叶的识别及分级开展了广泛的研究。

前大多数研究都是采用基于卷积神经网络的方法进行茶叶图像识别，存在如下问题：(1)卷积网络具有平移不变性，在处理茶叶图像时会忽视特征之间的空间关系，导致特征信息的丢失；(2)为训练卷积神经网络的平移不变量，需要采用不同的滤波器对茶叶图像各观测角度进行学习，将需要大量的数据来进行训练。然而，采集茶叶图像的要求较为严苛，往往存在数据量不足的问题，故传统卷积神经网络在小数据上通常鲁棒性差，易出现过拟合等现象。

发明内容

本部分的目的在于概述本发明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发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：传统的卷积神经网络以标量的形式传递特征，为训练卷积神经的平移不变量将需要大量数据集，在小数据上模型的鲁棒性往往较差；普通卷积层大小固定，无法实现同时对不同大小感知野的读取；传统卷积神经网络很少能实现对较难分类特征的着重学习。

为解决上述技术问题，本发明提供如下技术方案：包括，将已知品种和级别的茶叶分成若干单元，并依次放置于白色底板上，通过相机获取各类别的茶叶图像数据n张；基于大津法对所述茶叶图像数据进行二值化处理和多种数据增强处理，根据茶叶等级标签建立茶叶图像数据库；深化原始胶囊网络结构并与残差块进行结合，构建适用于茶叶分级的改进胶囊网络模型；在所述茶叶图像数据库中导入数据至所述改进胶囊网络模型中进行训练，获得茶叶分级模型；将需要进行分级的茶叶平铺于所述白色底板上，用所述相机拍摄获取待识别图像数据，输入已训练好的所述茶叶分级模型中，获得茶叶品级的识别结果。

作为本发明所述的基于改进胶囊网络的茶叶识别分级方法的一种优选方案，其中：包括，进行茶叶样本图像采集时，采用A4纸做白色底板，选用功率为3w的LED光源，并保持相机镜头距茶叶样本17cm,拍摄时使茶叶样本占据相机画面的3/4。

作为本发明所述的基于改进胶囊网络的茶叶识别分级方法的一种优选方案，其中：所述二值化处理包括，将采集到的茶叶图像数据由RBG图像转化为灰度图像后，采用大津法对茶叶图像进行二值化，通过正方形裁剪完成茶叶与底板的分割。

作为本发明所述的基于改进胶囊网络的茶叶识别分级方法的一种优选方案，其中：所述多种数据增强处理包括，对经过分割后的茶叶图像依次进行随机旋转、随机裁剪、随机水平翻转及特征标准化操作。