[發明專利]一種基于計算機視覺的茶葉嫩芽等級的識別和分類方法

有效

• 申請號: 202011603915.3
• 申請日: 2020-12-29
• 公開（公告）號: CN112633212B
• 公開（公告）日: 2022-10-04
• 發明（設計）人: 湯哲;謝作其;齊芳;鄒振華
• 申請（專利權）人: 長沙湘豐智能裝備股份有限公司;中南大學
• 主分類號: G06V20/60
• 分類號: G06V20/60;G06V10/764;G06V10/30;G06V10/82;G06N3/04;G06N3/08;G06N20/00;G06T5/00;G06T7/194
• 代理公司: 長沙市護航專利代理事務所(特殊普通合伙) 43220
• 代理人: 謝新苗

1.一種基于計算機視覺的茶葉嫩芽等級的識別和分類方法，其特征在于，包括以下步驟：

S1、獲取茶樹上茶葉的原始RGB圖像；

S2、采用改進分水嶺算法對茶葉的原始RGB圖像進行識別和分割；

S3、根據改進分水嶺算法的識別結果，對茶葉嫩芽按照一芽一葉、一芽二葉和一芽多葉進行分類采摘和等級分類標記；

S4、拍攝若干已進行等級分類標記的一芽一葉、一芽二葉和一芽多葉的三類樣本圖像；

S5、將若干三類樣本圖像放入LeNet-5卷積神經網絡中，進行茶葉嫩葉等級分類訓練和測試；在LeNet-5卷積神經網絡的每一個卷積層和全連接層之后，添加一個Drouout層，在每一個池化層之后添加LRN層，以增強網絡的泛化能力和魯棒性；

所述步驟S2中采用改進分水嶺算法直接對茶樹上的茶葉嫩芽進行識別和分割具體包括以下步驟：

S21、對茶葉的原始RGB圖像，采用濾波器消除圖像噪聲；

S22、對去噪之后的圖像，采用OTSU算法進行閾值化處理，獲取圖像的形狀特征，得到二值化圖像；

S23、對得到的二值化圖像，進行至少包括腐蝕和膨脹的形態學操作，分割出獨立的圖像元素，獲得背景區域；

S24、對形態學操作之后的圖像，采用距離變換公式，計算每一個非零像素點和它們最近點的距離，提取前景區域；

S25、將背景區域和前景區域的交界處設置成標記，利用標記完成改進分水嶺算法的芽葉和老葉分割，實現茶葉嫩芽的識別；

所述步驟S21中對茶葉的原始RGB圖像，采用濾波器消除圖像噪聲具體表現為：對茶葉的原始RGB圖像，通過opencv計算機視覺庫封裝的Blur函數、GaussianBlur函數、medianBlur函數、bilateralFilter函數分別實現均值濾波、高斯濾波、中值濾波和雙邊濾波，對比不同的濾波處理結果，選取最佳濾波器，進而采用最佳濾波器消除圖像噪聲；

所述最佳濾波器為高斯濾波器，該高斯濾波器使用的二維高斯核函數，其公式表達為：

式中，(x,y)為圖像任意一像素點，δ為正態分布的標準差。

2.根據權利要求1所述的基于計算機視覺的茶葉嫩芽等級的識別和分類方法，其特征在于，所述步驟S5具體表現為：

S51、將若干三類樣本圖像按照LeNet-5卷積神經網絡的輸入要求進行圖像預處理，制作成輸入數據集；

S52、將輸入數據集按照5：1的比例劃分訓練集和驗證集；

S53、將訓練集輸入LeNet-5卷積神經網絡進行在不同的學習率下訓練，以獲取最佳的學習率；

S54、利用訓練得到的最佳的學習率，對驗證集進行LeNet-5卷積神經網絡分類效果的驗證。

3.根據權利要求2所述的基于計算機視覺的茶葉嫩芽等級的識別和分類方法，其特征在于，所述步驟S51中對若干三類樣本圖像進行至少包括圖像翻轉、圖像模糊、圖像遮擋、圖像大小調整的預處理過程，以滿足LeNet-5卷積神經網絡的輸入要求。

4.根據權利要求1所述的基于計算機視覺的茶葉嫩芽等級的識別和分類方法，其特征在于，所述步驟S3中等級分類標記具體表現為：將茶葉嫩芽打上1、2和3的標簽，分別代表一芽一葉、一芽二葉和一芽多葉。