一种基于深度学习的茶叶筛选系统和多目标检测识别方法

本发明属于茶叶分选，具体涉及一种基于深度学习的茶叶筛选系统和多目标检测识别方法。

背景技术：

1、中国是世界上茶树种植面积最大的国家，也是世界上最大的茶叶生产国和最大的茶叶消费国，消费市场上的茶叶根据种类不同和等级不同而存在价格差异，一些茶叶厂商为争取较大的不法利益，会采取以假乱真的手法，使用低品种茶叶冒充高品种茶叶售卖，或者将品相较差的茶叶与品相较好的茶叶混合冒充好品相茶叶售卖，种种乱象层出不穷，而茶叶从种植地流通到茶客杯中需要经过茶厂和中间商等多道中转站，茶厂和中间商凭借长时间领域浸润尚可判断茶叶品质好坏，在一定程度上降低了被真假混合茶叶欺骗的风险，但是一般茶客对茶叶判断能力有限，无法准确鉴别茶叶品质，存在因茶叶识别误差而被欺骗的风险，因此需要设计一种茶叶筛选系统，通过现代技术对茶叶品质进行鉴别，完成茶叶筛选。

技术实现思路

1、本发明的目的在于提供一种基于深度学习的茶叶筛选系统和多目标检测识别方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于深度学习的茶叶筛选系统，包括：

4、图像导入模块，所述图像导入模块用于导入待筛选茶叶图像；

5、茶叶筛选模型，所述茶叶筛选模型用于根据导入的待筛选茶叶图像筛分茶叶；

6、结果输出模块，所述结果输出模块用于输出茶叶筛选结果。

7、一种多目标检测识别方法，应用于权利要求1中的一种基于深度学习的茶叶筛选系统，具体包括以下步骤：

8、s1、数据采集，采集茶叶图片，建立茶叶图片数据集；

9、s2、数据预处理，对采集茶叶图片进行预处理，扩充数据集；

10、s3、特征提取，选用yolo卷积神经网络提取茶叶特征，建立识别模型；

11、s4、模型训练，使用茶叶图片数据集训练识别模型；

12、s5、模型评估，对训练好的模型进行评估，判断调整识别模型性能；

13、s6、将训练好的识别模型导入应用app中，进行茶叶筛选。

14、优选的，所述s1中茶叶图片数据集包括不同角度、光照条件和背景下的茶叶图片。

15、优选的，所述s2中，将数据集按照8:1:1的比例分为训练集、验证集和测试集，所述训练集用于训练识别模型，所述验证集和测试集用于评估训练好的模型。

16、优选的，所述s2中，预处理操作包括大小调整，翻转、镜像、裁剪、灰度化、彩色转换和马赛克数据增强，所述马赛克数据增强为将多个图片剪切之后进行拼接。

17、优选的，所述s3中，所述识别模型选用yolox检测模型，并加入transformer模块作为骨干网络，在茶叶特征提取中引入cbam注意力机制，加强茶叶提取特征信息量。

18、优选的，所述s5中，识别模型性能判断因素标准包括precision曲线、recall曲线和f1曲线。

19、与现有技术相比，本发明的有益效果是：

20、(1)本发明通过设置一种基于深度学习的茶叶筛选系统，使用人员需要判断茶叶品质选购茶叶时，可以使用手机等智能设备拍摄茶叶图片，然后通过图像导入模块将茶叶图片导入茶叶筛选模型中，茶叶筛选模型会根据拍摄图片分析茶叶品质好坏，然后通过结果输出模块输出分析结果，使用人员根据分析结果即可判断茶叶好坏，避免了选购人员需要依靠经验来识别茶叶品质的缺陷。

21、(2)本发明通过设置一种多目标检测识别方法用于构建茶叶筛选模型，通过采集并处理大量的茶叶图片建立茶叶数据库，并通过茶叶数据库训练调整识别模型，而且在识别模型中引入transformer模块和cbam注意力机制，有效增加了茶叶特征提取量，进而增加识别模型的精确性，识别模型精确度调整完毕后可作为茶叶筛选模型。

技术特征：

1.一种基于深度学习的茶叶筛选系统，其特征在于，包括：

2.一种多目标检测识别方法，应用于权利要求1中的一种基于深度学习的茶叶筛选系统，其特征在于，具体包括以下步骤：

3.根据权利要求2所述的一种多目标检测识别方法，其特征在于：所述s1中茶叶图片数据集包括不同角度、光照条件和背景下的茶叶图片。

4.根据权利要求3所述的一种多目标检测识别方法，其特征在于：所述s2中，将数据集按照8:1:1的比例分为训练集、验证集和测试集，所述训练集用于训练识别模型，所述验证集和测试集用于评估训练好的模型。

5.根据权利要求4所述的一种多目标检测识别方法，其特征在于：所述s2中，预处理操作包括大小调整，翻转、镜像、裁剪、灰度化、彩色转换和马赛克数据增强，所述马赛克数据增强为将多个图片剪切之后进行拼接。

6.根据权利要求5所述的一种多目标检测识别方法，其特征在于：所述s3中，所述识别模型选用yolox检测模型，并加入transformer模块作为骨干网络，在茶叶特征提取中引入cbam注意力机制，加强茶叶提取特征信息量。

7.根据权利要求6所述的一种多目标检测识别方法，其特征在于：所述s5中，识别模型性能判断因素标准包括precision曲线、recall曲线和f1曲线。

技术总结
本发明涉及茶叶分选领域，具体公开了一种基于深度学习的茶叶筛选系统和多目标检测识别方法；本发明通过设置一种基于深度学习的茶叶筛选系统，使用人员需要判断茶叶品质选购茶叶时，可以使用手机等智能设备拍摄茶叶图片，然后通过图像导入模块将茶叶图片导入茶叶筛选模型中，茶叶筛选模型会根据拍摄图片分析茶叶品质好坏，然后通过结果输出模块输出分析结果，使用人员根据分析结果即可判断茶叶好坏，避免了选购人员需要依靠经验来识别茶叶品质的缺陷，通过设置一种多目标检测识别方法用于构建茶叶筛选模型，通过采集并处理大量的茶叶图片建立茶叶数据库，并通过茶叶数据库训练调整识别模型，识别模型精确度调整完毕后可作为茶叶筛选模型。

技术研发人员：徐涛,郭波,阮承治,高强
受保护的技术使用者：武夷学院
技术研发日：
技术公布日：2024/7/15