神经网络技术在茶叶分级中的应用研究

茶叶分级是茶叶生产加工环节上的重要组成部分,传统的感官检验方法容易受到外部因素的制约和干扰,无法准确将茶叶按品质分级,从而影响评定的准确性。随着计算机技术的不断成熟,通过建立茶叶样本图像的计算机视觉系统,并利用人工神经网络技术来对茶叶进行分级,提高了评定分析结果的准确性。本文对神经网络技术在茶叶分级中的应用进行了探讨。

计算机视觉信息处理方法与茶叶分级检测技术研究

茶叶的质量检测是人们关心的问题,如今的检测方式确实还有很多值得改进的地方,介入了计算机视觉信息的处理方式,相信茶叶的质量会得到进一步把关。现在就计算机视觉而言,建立相关茶叶的计算机视觉系统,探讨能够反映茶叶质量的参数,并在优化处理方式的基础上研发茶叶品质的分级检测技术。

卷积神经网络在茶叶分级中的应用

对茶叶客观、准确、方便和高效分级对维护茶叶市场稳定和保证消费者权益有着重要意义。当前茶叶分级方法存在主观性强、需要专业设备、操作不便等问题。文章提出了一种使用智能手机拍摄的茶叶图像,利用卷积神经网络实现对茶叶等级的判定方法。方法将茶叶分级问题转化为图像分类问题,通过拍摄不同等级茶叶图像训练模型后,模型即可通过茶叶图像识别相应茶叶等级。通过实验验证常见卷积神经网络ResNet18、ResNet50、GoogleNet和DensenNet均能够准确识别六种不同等级绿茶。该方法对茶叶图像没有特殊要求,操作方便、识别效率高。

纹理特征和SIFT特征的茶叶品质分级

当前的茶叶分级研究主要基于纹理特征构造分类器,但易受采样过程中的光照、噪声影响.本文提出了结合经典的SIFT(Scale-invariant feature transform)特征描述子在自然光条件下的茶叶分级问题,并使用多类AdaBoost算法对样本进行分类.单幅图像的提取结果显示,SIFT特征对带瑕疵的图片仍具有很好的描述能力.在采集的90幅3级茶叶样本上的实验结果显示,纹理特征+SIFT特征取得了比单组特征更好的分类性能.

基于多尺度注意力机制和知识蒸馏的茶叶嫩芽分级方法

相较于人工感官评审法,基于深度学习和计算机技术进行茶叶嫩芽分级可以降低时间成本并大幅提高精度,但常用的识别模型存在着冗余计算量多和模型规格大的问题。为此以采摘自贵州红枫山韵茶场的茶叶嫩芽为研究对象,根据人工经验将茶样划分为3个等级;在ShuffleNet-V20.5x基本单元中嵌入多尺度卷积块注意力模块(MCBAM)与多尺度深度捷径(MDS),提出一种茶叶嫩芽分级模型(ShuffleNet-V20.5x-SMAU),聚焦茶样中有利于分级的特征信息;以在两个不同源域上预训练后的模型作为教师和学生模型,提出一种结合双迁移和知识蒸馏的茶叶嫩芽分级方法,借助暗知识的传授进一步增强分级模型分类性能与抵抗过拟合的能力。结果表明,本文方法能在保证模型轻量性的条件下,对测试集各级样本的分级准确率达到100%、92.70%、89.89%,表现出优于采用复杂网络模型的综合性能,在储存资源有限和硬件水平低的生产场景中应用具有优越性。

BP神经网络和电子舌技术在茶叶品质分级中的应用

提出了一种通过茶汤滋味鉴别茶叶品质等级的新方法。把电子舌传感器采集到的茶汤数据作为特征参数进行BP神经网络模式识别,识别率达95%以上,具有较好的效果。实验结果表明,电子舌技术结合模式识别方法对茶叶品质进行分级是可行的。

基于残差网络和注意力机制的恩施玉露茶品级分类

恩施玉露是湖北省著名的绿茶品牌,茶叶的外形是其品质分级的重要依据。为了解决消费者对于茶叶品质分级存疑的问题,本文在ResNet18的基础上,提出了一种基于空间和通道注意力机制结合深度可分离卷积的茶叶分类网络。首先在残差模块中添加注意力模块,让网络去侧重关注茶叶的纹理特征和颜色信息,忽略无关的背景因素,接着在最后两个残差模块中使用深度可分离卷积替换常规卷积,降低模型的参数量,防止网络过拟合。实验结果表明:改进后的ResNet20-CBAM_DW分类模型的准确率可达到95.48%,且模型大小仅为19.32MB。本研究为构建恩施玉露茶的品质分类模型提供了依据,且便于部署在移动端,为消费者对恩施玉露茶的品级分类提供了一种便捷且高效的新方法。

Bayes决策理论在茶叶分类分级中的应用

针对茶叶感官审评当中存在的问题,提出了一种新的茶叶分类分级方法,首先对茶叶颜色特征进行定量描述,再根据Bayes决策理论对茶叶进行识别,识别率在91%以上,具有较好的效果。实验结果表明,利用计算机视觉技术和Bayes决策理论对茶叶进行分类和分级是可行的。

蚁群聚类分析算法在茶叶等级分类识别中的应用

来自非原产地的龙井茶已经严重影响了原产地茶叶的信誉与销售。为了减弱这种影响,文章提出了一种蚁群聚类算法应用在茶叶等级分类识别上,因为相对于其他算法,蚁群聚类分析对未知分类的茶叶实行自动分类更有优势。为综合分析茶叶的特性,采集了3个等级的茶叶,每个级别有60组样品,然后提取每个样品的图像和光谱特征共16个参数,将180组样品先自动随机分类。最后利用蚁群聚类分析算法实现样品自动归类。结果发现,与原分组比较后,基于蚁群聚类分析算法的分类识别率达到了92.2%。这表明利用蚁群聚类分析对未知茶叶等级分类是可行的。

磐安生态龙井茶精制技术研究

为提高磐安生态龙井茶精制加工水平、提升茶叶品质,从理化特征与感官审评两个方面探究了3种精制技术对茶叶分级的影响,结果表明:筛分和风选、色选三种技术均能够较好提升生态龙井茶品质。筛分精制可快速实现生态龙井茶分级,风选和色选可明显改善龙井茶的外观、提高汤色、香气、滋味及叶底评分,整体品质大幅度提升,色选对提升外观品质的效果明显。风选精制分离剔杂效果较好,而色选精制茶的理化品质均一。风选、色选二者结合,有利于进一步提升成品茶的理化和感官品质。