[发明专利]一种基于深度学习的茶叶信息分类方法和系统

权利要求书

1.一种基于深度学习的茶叶信息分类方法，其步骤包括：

1)生成或获取茶叶图像数据样本集；并将该茶叶图像数据样本集划分为训练集和测试集；

2)构建特征增强网络模型，利用训练集训练所述特征增强网络模型，得到训练后的特征增强网络模型；

3)将训练集中茶叶图像输入步骤2)训练后的特征增强网络模型，获取茶叶图像对应的增强特征；

4)构建多标签细粒度分类网络模型，利用步骤3)中获取的训练集图像对应的增强特征训练所述多标签细粒度分类网络模型；

5)对于一待识别的茶叶图像，将该待识别的茶叶图像输入步骤2)训练后的特征增强网络模型，得到该待识别的茶叶图像的增强特征并输入步骤4)训练后所述多标签细粒度分类网络模型进行分类，得到该待识别的茶叶图像的分类信息。

2.如权利要求1所述的方法，其特征在于，所述茶叶图像数据样本集中的茶叶图像包括高质量茶叶图像和低质量茶叶图像；所述茶叶图像数据样本集中每张图像的标注信息包括茶类和品种两个标签信息。

3.如权利要求2所述的方法，其特征在于，将茶叶图像的原始图像作为高质量茶叶图像，对所述高质量茶叶图像进行插值处理得到对应的低质量茶叶图像。

4.如权利要求2或3所述的方法，其特征在于，所述特征增强网络模型包括分类网络G_C和特征增强网络G_S；利用训练集训练所述特征增强网络模型的方法为：首先利用所述高质量茶叶图像训练一个分类网络G_C；然后将所述低质量茶叶图像输入训练后的分类网络G_C中进行特征提取，得到低质量图像特征F_LR；然后将所述低质量图像特征F_LR输入特征增强网络G_S中进行特征增强，得到增强后特征F_SR；然后将低质量茶叶图像对应的高质量茶叶图像输入到训练后的分类网络G_C中，得到高质量图像特征F_HR；根据所述低质量图像特征F_SR和所述高质量图像特征F_HR计算损失值L₁；然后根据损失值L₁采用反向传播算法调整所述特征增强网络模型的参数，直至特征增强网络G_S收敛，得到训练后的特征增强网络模型。

5.如权利要求4所述的方法，其特征在于，计算所述低质量图像特征F_SR和所述高质量图像特征F_HR的均方误差作为损失值。

6.如权利要求1或2或3所述的方法，其特征在于，训练所述多标签细粒度分类网络模型的方法为：将步骤3)中获取的训练集图像对应的增强特征输入多标签细粒度分类网络模块中进行细粒度特征学习，并在多标签细粒度分类网络模型中向前传播，计算损失；然后，采用反向传播算法调整多标签细粒度分类网络模型的参数，得到预训练后的分类网络模型。

7.如权利要求1或2或3所述的方法，其特征在于，训练所述多标签细粒度分类网络模型的方法为：将步骤3)中获取的训练集中每一图像对应的增强特征输入卷积层进行特征学习，得到特征图F；然后将所述特征图F分别输入两个结构相同但初始化参数不同的通路，得到特征间的通道关系向量和其中每一通路依次将特征图F进行全局平均池化、两全连接层的学习，得到反映特征通道间的初始关系向量并对其量化，得到特征间的通道关系向量；然后将两个通道关系向量分别与特征图F进行相乘后，将两相乘结果进行融合得到特征图然后将特征图输入一全连接层进行学习，得到细粒度特征；然后利用学习到的细粒度特征进行多标签分类，并根据分类结果计算所得损失值L₂优化所述多标签细粒度分类网络模型。

8.如权利要求1所述的方法，其特征在于，所述分类信息包括茶类和品种。