基于多特征与多分类器的鲜茶叶分类研究

机采茶中混有不同类型的鲜叶,传统的风选、振动筛选等分类方式准确度低,现有的基于计算机视觉的分选方式也无法满足对常见的单芽、一芽一叶、一芽二叶、一芽三叶四种类型鲜叶的准确分类。为解决茶叶机采后各类型鲜叶精确分类问题,提出了一种基于多特征与多分类器的鲜茶叶分类方法。首先,利用鲜叶的相对几何特征与纹理特征基于SVM构建鲜茶叶分类器;然后,对多边形拟合后的鲜叶图像进行特殊角点检测得到各特殊角点数量对应的各类别分类概率,并将特殊角点序列的距离矩阵相似度作为判断依据;最后利用KNN对上述两种方法的结果进行融合,得到最终分类结果。试验结果表明,该方法可以更好的利用不同类别鲜叶的特征进行分类,分类准确率达94.24%,取得了较好的分类效果。     

基于SimAM-ConvNeXt-FL的茶叶病害小样本分类方法研究

为实现茶叶病害精准分类,针对茶叶病害图像分类中小样本问题及类别分布不均的问题,提出了一种基于迁移学习的SimAM-ConvNeXt-FL模型的病害图像分类方法。首先在ConvNeXt模型中加入SimAM模块,以加强复杂特征的提取。其次针对样本分布不均问题,将Focal Loss函数作为训练过程中的损失函数,通过增加数量较少样本的权重来减小样本分布不均的影响。最后使用SimAM-ConvNeXt-FL模型对Plant Village数据集训练,将训练得到的参数迁移到实测的茶叶病害图像上并进行微调,减少过拟合带来的影响,设置消融实验证明模型改进的有效性,并与不同分类模型(AlexNet、VGG16、ResNet34模型)分别进行对比实验。实验结果表明,SimAM-ConvNeXt-FL模型识别效果最佳,准确率达96.48%, SimAM-ConvNeXt-FL模型较原ConvNeXt模型在茶煤病、茶藻斑病、茶炭疽病、健康叶片和茶白星病的F1值分别提高4.46、3.76、0.43、0.22、5.23个百分点。结果表明本文提出的模型具有较高的分类准确率与较强的泛化性,可推进茶叶病害分类工作发展...     

基于颜色和形状特征的茶叶嫩芽识别方

与人工采摘茶叶相比,现有采茶机械虽能提高采摘速度,但采摘时老叶、嫩叶一起采,缺乏选择性,并有部分叶片遭破损,降低了原料品质.为此,需要研究具有选择性、低损伤率的自动采摘方法.本文采用基于颜色和形状特征的图像处理方法,实现茶叶嫩芽的计算机识别和检测.针对清明期陕西名茶"午子仙豪"茶叶,首先在RGB颜色空间中提取茶叶图像的G分量,并采用双阈值方法对图像进行分割;然后根据茶叶嫩芽的形状特征,检测茶叶嫩芽的边缘.实验结果表明:基于颜色和形状特征的识别方法能有效分辨出茶叶嫩芽,识别准确率为94%,为实现茶叶嫩芽的自动采摘提供了一种有效方法.     

基于卷积神经网络的鲜茶叶智能分选系统研究

机采鲜茶叶中混有各种等级的茶叶,针对风选、筛选等分选方法难以做到精确细分的问题,结合计算机视觉技术和深度学习方法,设计了一套鲜茶叶智能分选系统,搭建了基于7层结构的卷积神经网络识别模型,通过共享权值和逐渐下降的学习速率,提高了卷积神经网络的训练性能。经过实验验证,该分选系统可以实现鲜茶叶的自动识别和分选,识别正确率不低于90%,可对鲜茶叶中的单芽、一芽一叶、一芽二叶、一芽三叶、单片叶、叶梗进行有效的类别分选。     

多尺度自注意力特征融合的茶叶病害检测方法

针对茶叶病害检测面临的病害尺度多变、病害密集与遮挡等诸多问题,提出了一种多尺度自注意力茶叶病害检测方法(Multi-scale guided self-attention network, MSGSN)。该方法首先采用基于VGG16的多尺度特征提取模块,以获取茶叶病害图像在不同尺度下的局部细节特征,例如纹理和边缘等,从而有效表达多尺度的局部特征。其次,通过自注意力模块捕获茶叶图像中像素之间的全局依赖关系,实现病害图像全局信息与局部特征之间的有效交互。最后,采用通道注意力机制对多尺度特征进行加权融合,提升了模型对病害多尺度特征的表征能力,使其更加关注关键特征,从而提高了病害检测的准确性。实验结果表明,融合多尺度自注意力的茶叶病害检测方法在背景复杂、病害尺度多变等场景下具有更好的检测效果,平均精度均值达到92.15%。该方法可为茶叶病害的智能诊断提供参考依据。     

基于多光谱图像及组合特征分析的茶叶等级区

提出了一种采用多光谱成像的机器视觉技术对4个等级的西湖龙井茶进行区分的方法.首先采用3CCD多光谱摄像机同时获取茶叶在540、670和800nm波谱处的波长图像,然后对预处理后的图像进行图像特征提取,选取了18个形状特征和15个纹理特征.基于这2组特征分别对4个等级的茶叶进行主成分聚类分析,得到的两幅主成分空间的聚类图都不能对4个等级茶叶进行有效的区分.为了得到高效的区分模型,本研究对形状特征和纹理特征进行组合,聚类分析的结果优于原先的分析结果.随后,采用多类逐步判别分析法对形状特征、纹理特征和组合特征(形状+纹理)这3组特征分别进行特征优化,并建立了对应各组特征的等级区分模型,经过比较发现基于组合特征的区分模型的效果仍为最佳,对于预测集样本的区分正确率为85%.本研究还发现对于等级区分最重要的两个特征依次为波长800nm通道图像的相关性、波长800nm通道图像的二阶角矩.     

基于计算机视觉的茶叶色泽检测研究

我国茶叶种植面积和产量均为世界第一,是特色农业的重要组成部分;但我国茶叶品质检测体系不完善,分级技术水平不高,影响了产品在国际市场上的竞争力。传统的茶叶分级是由人工分析判断,具有较大的局限性。计算机视觉是一种新型的图像处理技术,已经应用于茶叶品质分析。为此,将拍摄的茶叶和茶水图像进行预处理、灰度化和阈值分割,获得目标轮廓并分析颜色特征,并通过建模集样本确定用于色泽检测的特征量,然后对检验集样本进行色泽检测。结果表明:检验集中被错误识别的茶叶种类极少,总体的识别准确率达到9 0%,为准确评价茶叶的色泽品质提供了技术支持。     

基于图像处理的茶叶害虫智能识别方法研究

针对人工方法识别田间茶叶害虫需人工深入田间,不仅劳动强度大,而且无法自动定位与识别,不利于茶叶植保时施药的机械化、高效化及智能化的问题。本研究对基于图像处理技术的茶叶害虫智能识别技术及实现方法进行了研究。首先,建立覆盖茶园中各种情况的害虫样本图像库;其次,对样本图像和待识别图像进行图像预处理;接着,对待识别图像进行害虫自动定位;然后,对其进行特征提取获得特征数据;最后,采用模式识别算法设计分类器并训练获得分类器模型,再采用该模型进行害虫智能识别。本研究对各步骤进行了阐述,为茶叶害虫智能识别的实现提供了方法指导,以促进茶叶植保实现施药的机械化、高效化及智能化。     

基于低秩自动编码器及高光谱图像的茶叶品种鉴别

提出一种基于低秩自动编码器及高光谱图像技术的茶叶品种鉴别方法。应用高光谱成像系统采集5个品种的茶叶样本高光谱图像数据,利用ENVI软件确定高光谱图像的感兴趣区域(ROI),并提取茶叶样本在ROI的平均光谱作为该样本的原始光谱数据。由于高光谱信息量大、冗余性强且存在噪声,运用自动编码器和低秩矩阵恢复结合的低秩自动编码器(LR-SAE)对原始光谱数据进行降维,在自动编码器降维基础上加入去噪处理,提取鲁棒判别特征。在此基础上应用支持向量机(SVM)和Softmax分类算法对降维后的茶叶样本高光谱数据分类。通过5折交叉试验验证,LR-SAE-SVM模型的预测集准确率达到99.37%,SAE-SVM模型的预测集准确率为98.82%;LR-SAE-Softmax模型的预测集准确率达99.04%,SAE-Softmax模型的预测集准确率为97.99%。研究结果表明,相较于未进行去噪处理的传统自动编码器,LR-SAE降维之后的分类建模效果有所提升,将其应用于茶叶品种鉴别是可行、高效的。     

基于双节点-双边图神经网络的茶叶病害分类方法

传统茶叶病害分类主要依赖人工方法,此类方法费工费时,同时茶叶病害样本较少使得现有的机器学习方法的模型训练不充分,病害分类准确率不够高。针对茶炭疽病、茶黑煤病、茶饼病和茶白星病4类病害,提出一种基于双节点-双边图神经网络的茶叶病害分类方法。首先通过两分支卷积神经网络提取RGB茶叶病害特征和灰度茶叶病害特征,两分支均采用ResNet12作为骨干网络,参数独立不共享,两类特征作为图神经网络的两个子节点,以获得不同域样本所包含的病害信息;其次构建相对度量边和相似性边两类边,从而强化节点对相邻节点所含病害特征的聚合能力。最后,经过双节点特征和双边特征更新模块,实现双节点和双边交替更新,提高边特征对节点距离度量的准确性,从而实现训练样本较少条件下对茶叶病害的准确分类。本文方法和小样本学习方法进行了对比实验,结果表明,本文方法获得更高的准确率,在miniImageNet和PlantVillage数据集上5way-1shot的准确率分别达到69.30%和88.42%,5way-5shot准确率分别为82.48%和93.04%。同时在茶叶数据集TeaD-5上5way-1shot和5way-5shot准确...