[發明專利]一種基于深度學習的茶葉信息分類方法和系統

在審

• 申請號: 202110767067.8
• 申請日: 2021-07-07
• 公開（公告）號: CN113486955A
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 丁潔;于淼;白巖;代峰
• 申請（專利權）人: 北京丁丁苗文化傳播有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06T3/40
• 代理公司: 北京君尚知識產權代理有限公司 11200
• 代理人: 司立彬

1.一種基于深度學習的茶葉信息分類方法，其步驟包括：

1)生成或獲取茶葉圖像數據樣本集；并將該茶葉圖像數據樣本集劃分為訓練集和測試集；

2)構建特征增強網絡模型，利用訓練集訓練所述特征增強網絡模型，得到訓練后的特征增強網絡模型；

3)將訓練集中茶葉圖像輸入步驟2)訓練后的特征增強網絡模型，獲取茶葉圖像對應的增強特征；

4)構建多標簽細粒度分類網絡模型，利用步驟3)中獲取的訓練集圖像對應的增強特征訓練所述多標簽細粒度分類網絡模型；

5)對于一待識別的茶葉圖像，將該待識別的茶葉圖像輸入步驟2)訓練后的特征增強網絡模型，得到該待識別的茶葉圖像的增強特征并輸入步驟4)訓練后所述多標簽細粒度分類網絡模型進行分類，得到該待識別的茶葉圖像的分類信息。

2.如權利要求1所述的方法，其特征在于，所述茶葉圖像數據樣本集中的茶葉圖像包括高質量茶葉圖像和低質量茶葉圖像；所述茶葉圖像數據樣本集中每張圖像的標注信息包括茶類和品種兩個標簽信息。

3.如權利要求2所述的方法，其特征在于，將茶葉圖像的原始圖像作為高質量茶葉圖像，對所述高質量茶葉圖像進行插值處理得到對應的低質量茶葉圖像。

4.如權利要求2或3所述的方法，其特征在于，所述特征增強網絡模型包括分類網絡G_C和特征增強網絡G_S；利用訓練集訓練所述特征增強網絡模型的方法為：首先利用所述高質量茶葉圖像訓練一個分類網絡G_C；然后將所述低質量茶葉圖像輸入訓練后的分類網絡G_C中進行特征提取，得到低質量圖像特征F_LR；然后將所述低質量圖像特征F_LR輸入特征增強網絡G_S中進行特征增強，得到增強后特征F_SR；然后將低質量茶葉圖像對應的高質量茶葉圖像輸入到訓練后的分類網絡G_C中，得到高質量圖像特征F_HR；根據所述低質量圖像特征F_SR和所述高質量圖像特征F_HR計算損失值L₁；然后根據損失值L₁采用反向傳播算法調整所述特征增強網絡模型的參數，直至特征增強網絡G_S收斂，得到訓練后的特征增強網絡模型。

5.如權利要求4所述的方法，其特征在于，計算所述低質量圖像特征F_SR和所述高質量圖像特征F_HR的均方誤差作為損失值。

6.如權利要求1或2或3所述的方法，其特征在于，訓練所述多標簽細粒度分類網絡模型的方法為：將步驟3)中獲取的訓練集圖像對應的增強特征輸入多標簽細粒度分類網絡模塊中進行細粒度特征學習，并在多標簽細粒度分類網絡模型中向前傳播，計算損失；然后，采用反向傳播算法調整多標簽細粒度分類網絡模型的參數，得到預訓練后的分類網絡模型。

7.如權利要求1或2或3所述的方法，其特征在于，訓練所述多標簽細粒度分類網絡模型的方法為：將步驟3)中獲取的訓練集中每一圖像對應的增強特征輸入卷積層進行特征學習，得到特征圖F；然后將所述特征圖F分別輸入兩個結構相同但初始化參數不同的通路，得到特征間的通道關系向量和其中每一通路依次將特征圖F進行全局平均池化、兩全連接層的學習，得到反映特征通道間的初始關系向量并對其量化，得到特征間的通道關系向量；然后將兩個通道關系向量分別與特征圖F進行相乘后，將兩相乘結果進行融合得到特征圖然后將特征圖輸入一全連接層進行學習，得到細粒度特征；然后利用學習到的細粒度特征進行多標簽分類，并根據分類結果計算所得損失值L₂優化所述多標簽細粒度分類網絡模型。

8.如權利要求1所述的方法，其特征在于，所述分類信息包括茶類和品種。