基于深度学习的茶叶采摘点识别方法研究

扫码查看

原文链接

NETL

中文摘要：茶叶是我国的主要经济作物，是我国农业的重要基石。我国茶叶销售市场主要集中在国内，且茶叶内销市场规模在逐步扩大。相较于不断增大的茶叶市场规模，茶叶加工流程尚有优化发展的空间。在茶叶加工流程中，采茶环节的机械化程度较低，可优化的空间较大。采茶环节分为大宗茶采和名优茶采两类，其中大宗茶采的机械化程度已经发展到较高水平，而名优茶采受限于采摘环境复杂、茶采要求高等因素，采摘方式较为原始和低效。为优化茶叶加工步骤中的名优茶采环节，提高茶叶加工过程的机械化程度和提高茶叶生产效率，本文结合深度学习算法，根据名优茶采要求来识别茶叶嫩芽的一芽、一芽一叶、一芽二叶三种叶位对应的采摘点坐标，提出一种茶叶嫩芽采摘点定位方法。用该方法得到的采摘点坐标来指导相应的茶采机器，以期实现名优茶采机械化。本文主要研究内容和成果如下: (1)针对名优茶采要求，提出一种基于关键点检测思想的茶叶嫩芽识别方法，该方法在保证识别效果的前提下，省去了传统嫩芽识别方法中所使用的分割预处理操作，提高了嫩芽识别的效率。通过使用CenterNet模型识别各品级茶叶嫩芽来引入基于关键点检测的思想，基于该思想先确定茶叶嫩芽的中心，然后由该中心回归得到嫩芽检测框的精确信息，得到一种基于关键点检测思想的茶叶嫩芽识别方法。利用这种方法来取代传统方法中先通过分割预处理确认茶叶嫩芽在图像中的大概位置、后使用目标检测算法来获取嫩芽检测框信息的检测步骤，省去了传统方法中耗时较高的分割预处理步骤。针对CenterNet的特征提取网络Hourglass104网络规模大，工作速度慢的问题，将CenterNet的特征提取网络替换成ResNet50,在尽可能保留模型识别精度的前提下将模型的规模缩小了近5倍，工作速度提高了近5倍。整个方法与最新的研究相比，识别效果相近，识别速度提高了近3倍。 (2)结合茶叶嫩芽识别方法输出的检测信息，提出一种基于通道注意力机制的多图像通道输入模型，利用该模型识别茶叶嫩芽采摘点，并将模型输出的检测框的中心点作为采摘点的坐标，得到了一种精确定位茶叶嫩芽采摘点的方法，该方法弥补了相关研究直接将嫩芽检测框定位信息等价为嫩芽采摘点定位信息的不足。模型通过使用SE模块构建特征提取网络引入通道注意力机制，通过使用FPN结构作为检测头来加强对小目标的检测效果。为使模型能够结合茶叶嫩芽检测信息进行采摘点识别，利用检测框信息对相应的茶叶图像进行遮罩处理:将检测框以内的图像信息保留，对检测框以外的图像信息进行高斯模糊，得到一芽、一芽一叶、一芽二叶三个遮罩图像。将三个遮罩图像和原图像一同输入模型，以将检测框信息输入模型。模型通过通道注意力机制有选择的学习检测框信息，并利用学到的各级检测框信息和原图像信息获取一芽、一芽一叶、一芽二叶三个叶位嫩芽对应采摘点的检测框信息。最终得到该茶叶采摘点识别模型的精确率为95.2％,召回率为83.9％,F1分数为89.1％,能够有效地根据名优茶采要求进行嫩芽采摘点定位。

作者：

朱俊杰

展开 >

关键词：

茶叶嫩芽识别茶叶采摘点识别目标检测注意力机制

授予学位：

硕士

学科专业：

计算机系统结构

导师：

毛腾跃

学位年度：

2023

学位授予单位：

中南民族大学

语种：

中文

中图分类号：