一种基于图像识别的茶叶发酵度测定方法与流程
本发明涉及图像识别，特别是一种基于图像识别的茶叶发酵度测定方法。
背景技术：
1、近年来，随着人工智能和计算机视觉技术的不断发展，基于图像识别的智能化评估和检测方法在农产品质量控制领域得到了广泛应用。
2、茶叶作为中国乃至全球重要的饮品，其品质直接影响着口感体验。茶叶的发酵度是决定其品质的关键因素之一，因此对发酵度进行精准检测和评估具有重要意义。
3、传统的茶叶发酵度检测方式主要依赖人工感官评判，存在主观性强、效率低下、无法实现自动化等诸多不足。为了克服这些缺陷，研究人员提出了多种基于图像处理和模式识别的方法。早期方法多采用手工设计特征、机器学习分类器模型等经典计算机视觉技术路线，虽取得一定成效但仍存在特征表达能力有限、泛化性差等局限性。
4、随着深度学习技术的兴起，基于卷积神经网络等深度模型的图像识别方法展现出强大的自动特征学习能力和优异的分类性能，在多个视觉任务上取得了突破性进展。
5、然而，如何有效整合多模态图像特征、设计高效的端到端深度模型，并将其成功应用于特定的农产品品质预测任务，仍是亟待解决的关键问题。
技术实现思路
1、鉴于上述现有技术中存在的问题，提出了本发明。
2、因此，本发明所要解决的问题在于如何提供一种基于图像识别的茶叶发酵度测定方法。
3、为解决上述技术问题，本发明提供如下技术方案：
4、第一方面，本发明实施例提供了一种基于图像识别的茶叶发酵度测定方法，其包括，采集标准茶样图像集，并进行预处理；将图像的几何和纹理特征分别输入几何信息提取算法和纹理特征提取算法中，提取几何特征和纹理特征；将提取的几何特征和纹理特征进行融合，构建综合视觉特征向量；将所述综合视觉特征向量输入到深度神经网络模型中，自动学习并优化用于预测茶叶发酵度的特征表示和分类器；对新输入的茶叶图像进行前向传播推理，输出发酵度的连续打分值。
5、作为本发明所述基于图像识别的茶叶发酵度测定方法的一种优选方案，其中：所述提取几何特征包括：采用图像分割和轮廓检测技术，从背景中分离出茶叶的轮廓，包括以下步骤：考虑每个像素点的梯度幅值，并结合该像素点梯度方向与理想边缘方向之间的一致性，公式如下：
6、
7、其中，c(x,y)为在图像中某一点处的茶叶轮廓的置信度；γ为几何信息提取算法f(i)的影响因子；f(i)为canny边缘检测算法；i(x,y)为原始图像；针对提取的茶叶轮廓，计算各项几何参数，作为几何特征。
8、作为本发明所述基于图像识别的茶叶发酵度测定方法的一种优选方案，其中：所述纹理特征的提取包括：基于小波变换方法，对图像进行多尺度、多方向的纹理分析：对原始输入图像进行高斯平滑滤波；将高斯平滑滤波后的图像分别与不同尺度方向的小波基进行卷积，得到对应尺度方向的纹理特征；将所有尺度方向的纹理特征加权求和，得到最终结果i'(x,y)，公式如下：
9、
10、其中，i(x,y)为原始输入图像；gσ(x,y)是高斯平滑核函数；σ是标准差参数；*表示卷积操作；是小波基函数，对应尺度m、方向n；βm,n对应尺度m、方向n的小波系数；m,n分别是尺度和方向的最大值；i'(x,y)是最终得到的纹理分析结果图像。
11、作为本发明所述基于图像识别的茶叶发酵度测定方法的一种优选方案，其中：根据所述最终得到的纹理分析结果图像提取茶叶叶面的颜色分布特征的公式如下：
12、
13、其中，hc(k)为颜色直方图，统计图像中每个颜色值k出现的次数；δ()为离散狄拉克函数，当i'(x,y)＝k时值为1，否则为0；l是颜色级数；m0×n0为图像的长和宽的尺寸。
14、作为本发明所述基于图像识别的茶叶发酵度测定方法的一种优选方案，其中：所述构建综合视觉特征向量包括以下过程：构建几何特征向量：设几何特征包括：面积a；周长p；长宽比ar；圆度r，则几何特征向量表示为：g＝[a,p,ar,r]；构建纹理特征向量：设纹理特征包括：颜色直方图向量hc；glcm对比度con；glcm熵ent；glcm能量eng；glcm同质性hom，则纹理特征向量表示为：t＝[hc,con,ent,eng,hom]；融合几何和纹理特征向量：先对每个特征进行归一化得到g'和t'；将归一化后的几何和纹理特征直接拼接得到：v＝[g',t']＝[a',p',ar',r',hc',con',ent',eng',hom']；不同的特征对最终任务的重要性不同，赋予不同的权重，得到综合视觉特征向量vw：
15、vw＝[w1a',w2p',w3ar',w4r',w5hc',w6con',w7ent',w8eng',w9hom']
16、其中，wi是对应特征的权重。
17、作为本发明所述基于图像识别的茶叶发酵度测定方法的一种优选方案，其中：所述自动学习并优化用于预测茶叶发酵度的特征表示和分类器包括：对adam优化算法进行优化；将训练数据按批次输入深度神经网络模型进行前向传播和反向传播；通过优化后的算法不断调整网络权重，使损失函数值最小化。作为本发明所述基于图像识别的茶叶发酵度测定方法的一种优选方案，其中：所述对adam优化算法进行优化：设定初始学习率α、权重衰减系数λ；动量参数β1和β2；初始模型参数θ0；小常数∈；初始化一阶矩估计m0＝0和二阶矩估计v0＝0；对于每个时间步t：计算梯度：更新一阶矩估计：mt＝β1mt-1+(1-β1)gt；更新二阶矩估计：vt＝β2vt-1+(1-β2)gt2；
18、计算偏差校正后的估计：和
19、动态学习率调整：
20、参数更新优化为：
21、
22、保存最终训练好的模型权重。
23、第二方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于图像识别的茶叶发酵度测定方法的任一步骤。
24、第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于图像识别的茶叶发酵度测定方法的任一步骤。
25、本发明有益效果为，本发明通过采用图像分割和轮廓检测技术提取茶叶几何轮廓特征，能够很好地刻画茶叶的外形特征；基于小波变换的纹理特征提取，能够有效捕捉茶叶叶面的颜色、纹理等内在特性，两者结合能够全面描述茶叶的视觉信息；且通过融合几何和纹理两种不同类型的特征，构建出综合视觉特征向量，能够最大限度地保留原始图像包含的丰富信息；本发明对新输入的茶叶图像只需进行简单的前向传播推理，即可快速输出对应的发酵度连续打分值，实现了自动、高效的茶叶发酵度检测，显著提高了生产和应用效率，减轻了人工劳动强度。
技术特征：
1.一种基于图像识别的茶叶发酵度测定方法，其特征在于：包括：
2.如权利要求1所述的基于图像识别的茶叶发酵度测定方法，其特征在于：所述提取几何特征包括：
3.如权利要求2所述的基于图像识别的茶叶发酵度测定方法，其特征在于：所述纹理特征的提取包括：
4.所述如权利要求3所述的基于图像识别的茶叶发酵度测定方法，其特征在于：根据所述最终得到的纹理分析结果图像提取茶叶叶面的颜色分布特征的公式如下：
5.如权利要求4所述的基于图像识别的茶叶发酵度测定方法，其特征在于：所述构建综合视觉特征向量包括以下过程：
6.如权利要求5所述的基于图像识别的茶叶发酵度测定方法，其特征在于：所述自动学习并优化用于预测茶叶发酵度的特征表示和分类器包括：
7.如权利要求6所述的基于图像识别的茶叶发酵度测定方法，其特征在于：所述对adam优化算法进行优化：
技术总结
本发明公开了一种基于图像识别的茶叶发酵度测定方法，涉及图像识别技术领域，包括采集标准茶样图像集，并进行预处理；将图像的几何和纹理特征分别输入几何信息提取算法和纹理特征提取算法中，提取几何特征和纹理特征；将提取的几何特征和纹理特征进行融合，构建综合视觉特征向量；将所述综合视觉特征向量输入到深度神经网络模型中，自动学习并优化用于预测茶叶发酵度的特征表示和分类器；对新输入的茶叶图像进行前向传播推理，输出发酵度的连续打分值。本发明实现了自动、高效的茶叶发酵度检测，显著提高了生产和应用效率，减轻了人工劳动强度。
技术研发人员：肖楚,张军,刘丽红,代传福,陈萧,万再卿
受保护的技术使用者：贵州印江宏源农业综合开发有限公司
技术研发日：
技术公布日：2024/9/23