[发明专利]一种基于深度学习的茶叶信息分类方法和系统

说明书

本发明公开了一种基于深度学习的茶叶信息分类方法和系统。本方法为：1)生成或获取茶叶图像数据样本集；2)构建特征增强网络模型，利用训练集训练特征增强网络模型，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。

技术领域

本发明属于互联网技术领域，具体涉及一种采用多种深度学习技术的茶叶图像分类方法和系统，适用于茶叶图像识别任务。

背景技术

茶一直以来都是国内民众十分喜欢的饮品，但是大部分的人只限于饮用，对茶的了解并不多。仅仅依靠对茶叶的观察，就能识别出茶的茶类、品种等信息，这对于大部分的人无疑是困难的。因此茶叶市场的混乱由来已久，以次充好、漫天要价等问题显得十分严重。这些问题制约着茶叶市场的不断完善，也不利于中国茶文化的发展。因此，一种高效的针对茶叶信息的分类识别技术是必要的。用户可以利用该技术直接根据茶叶图片识别到茶叶的简单信息，进而对目标茶叶有基本的了解。

目前计算机技术已经成为解决叶片图像分类的主要方法，尤其是基于卷积神经网络(CNN)的分类方法使分类的效果得到了突破。王立军等对图像中叶元素的颜色、形状和纹理进行提取，然后使用支持向量机技术，对50种叶形进行分类，准确率达91.41％；张帅等将支持向量机和软最大分类结合来学习叶片信息，简单图像的识别准确率达90％，复杂自然背景图像的识别准确率达34.38％；郑伊莉等使用神经网络对茶叶识别进行研究，使用AlexNet和InceptionV3模型对ICL数据库的识别率达95.31％和95.40％。

目前针对茶叶图像的分类研究是较少的，特别是从用户的角度出发，识别茶叶基本信息的研究更是几乎没有。并且由于很多品种的茶叶长相相似，仅仅依靠从全局特征出发进行粗粒度分类是不够的。除此之外，一般场景下由于拍摄或存储等原因，图像质量问题也制约着茶叶信息识别的准确率。当茶叶图像质量不高时，所包含的语义信息较少，不利于最终识别任务的进行。

发明内容

基于上述问题，本发明提出了一种面向茶叶图像的多标签细粒度分类方法。主要解决两方面问题：(1)一般场景下，所获得的茶叶图像由于图像质量问题，其所包含的语义信息通常是不足的，语义信息极大的影响正确分类结果。(2)不同种类的茶叶长相相似，仅依靠粗粒度分类会存在很大的误判概率。另外，为了让用户对目标茶叶有直观的认识，仅识别出一个维度的信息是不够的。

因此，本发明针对第一个问题提出特征增强的办法，特征增强后将包含更多的语义信息，有利于分类。区别于一般的图像增强方法是从像素还原的角度进行，本发明从高维特征出发，将低质量图像的特征增强到接近高质量图像的特征。对于第二个问题，本发明提出了一种多标签细粒度分类方法。通过一个特征筛选机制挖掘茶叶图像不同角度、不同粒度的特征，最后根据挖掘到的细粒度特征识别到多个维度的信息。

本发明包含以下步骤：

1)获取茶叶图像数据，对数据进行标注。并且划分训练集和测试集；

2)构建特征增强网络模型，将训练集图像进行特征提取，然后将提取的图像特征放进特征增强网络中进行增强，并在特征增强网络中前向传播，计算损失；然后，采用反向传播算法调整特征增强网络模型的参数，得到预训练好的特征增强网络模型。

3)根据2)中训练好的特征增强网络模型，获取训练集中茶叶图像对应的增强后特征；