摘要
茶叶在我国有着悠久的历史，恩施玉露作为湖北著名的绿茶品牌之一，具有极高的经济价值与品牌价值，而消费者在购买茶叶时存在着对恩施玉露茶品级分类不明确的问题。目前对于成品茶的品级分类方式主要分为三种，一种是感官评审，由具有多年评茶经验的专业评茶员对茶叶的颜色、香气等方面进行评定，这种方式对人们要求较高，且具有一定的主观性。第二种方式为成分检测，人们需将待检测的茶叶样品放入相应的分析仪中，对茶叶中的茶多酚、氨基酸、生物碱以及微量元素等方面进行化学成分分析，以此判别茶叶品质的高低，成分检测对实验环境与设备要求较高，检测所需时间较长，在现实生活中较难满足该检测要求。另外一种方式为新兴技术检测，利用计算机视觉、红外光谱等技术进行茶叶品级分类，是一种高效且简洁的分类方式。现阶段新兴技术检测已广泛应用在农业领域中，具有识别效率高、检测速度快等优势,针对现实场景下购买者对于恩施玉露茶品质分级存疑的问题，本文采用新兴技术检测方法中的计算机视觉技术对复杂背景下的恩施玉露茶进行品质分类。本文根据茶叶品质分类标准，运用深度学习算法对茶叶的色泽、纹理以及琐碎程度等方面进行综合评定，提出一种高效快捷的恩施玉露茶品质分类方法，并将模型应用于移动端，以期实现茶叶品质检测普遍化。本文主要研究内容和成果如下: (1)提出一种基于空间通道注意力机制结合标签平滑正则化的恩施玉露茶叶品级分类方法。采用参数迁移学习的方式训练网络，增强模型对低维特征的提取能力，同时缩短训练时长，并在训练过程中对参数进行微调以优化网络;交叉对比主流分类网络对茶叶颜色外观特征的识别效率，通过消融实验构建出ResNet18基础网络模型;使用空间通道注意力机制与残差网络相结合的方法对茶叶整体特征进行激励与抑制操作,增加网络在茶叶信息特征矩阵上的计算资源，以减少无关背景因素的干扰;最后利用标签平滑正则化方法限制softmax函数最大概率，对激活函数的计算结果加以修正，以提高相似茶叶间的识别率。实验结果表明，采用参数迁移学习方式训练网络能有效节省时间成本，提出的基于空间通道注意力与标签平滑正则化相结合的分类方法，在恩施玉露茶数据集上取得了优异的分类效果，该方法的分类准确率、召回率、F1-score分别达到了96.81％、96.81％、96.80％,占用内存43MB,综合识别性能优于其他主流分类网络。 (2)为节省模型在移动端设备上的计算资源与内存空间，在保证上述网络识别效果的前提下对其进行轻量化处理，提出一种基于深度可分离卷积及多特征融合结构的茶叶分类方法。为抑制模型在轻量化操作中带来的特征损失，采用InceptionV1多特征融合结构从不同维度对茶叶图片进行特征提取，并通过残差连接将细粒度特征传递到高维卷积层，提高茶叶信息的复用率进而提升识别性能;使用深度可分离卷积对残差结构中的常规卷积进行合理替换以减少模型多余参数，从而进一步优化模型体积。实验结果表明该轻量化方法能在维持高识别率的基础上显著降低网络的参数量，优化后的网络其识别准确率为96.12％仅降低了0.69％,模型大小却压缩了77.5％,仅为9.69MB。 （3）选用手机移动端作为开发设备，搭建恩施玉露茶叶品级分类在线识别系统,并在市场上采集茶叶图片对系统进行验证。
NETL