论文部分内容阅读
当今社会,随着人们生活水平的提高以及对高品质生活的追求,喝茶这一行为在人们生活中占据的比重也逐渐增大。日常喝茶这一健康悠闲的生活习惯也受到了人们的追捧。与此同时,茶叶的生产加工需求也不断地增加。我国作为世界上最大的茶叶生产国之一,有着历史悠久的制茶史。在目前的茶叶生产中,茶鲜叶通过传统工业茶鲜叶分级机处理存在分类效果差、不便于收集等问题。并且在优质茶鲜叶的分类上主要依靠人工来进行识别,从而存在效率低下、人工成本大等诸多制约因素,这样不利于提高茶叶经济效益。随着现今计算机网络技术的飞速发展,各类技术也运用到了实际应用当中。本文针对机采茶鲜叶,结合深度学习相关技术通过具体实验实现了茶鲜叶的识别与分类任务。本文主要工作如下:(1)介绍了本文的研究背景及意义。研究了茶鲜叶分类、深度学习的国内外研究现状和相关理论基础,重点研究了卷积神经网络的各层结构及相关关键技术作用原理。(2)建立了茶鲜叶的小样本数据集。采用区域裁剪、尺寸归一化、图像滤波等方法,突出了茶鲜叶图像的特征信息。经过背景变换、色调变换、图片翻转等数据增强操作后完成了茶鲜叶图像数据集的构建。(3)详细研究了卷积神经网络中的VGG16、Inception-v3、Res Net-50和Mobile Net-v2模型。使用上述网络模型在采摘的茶鲜叶数据集上进行了实验并优化相关参数进行了对比。通过对比,选择出最适用于自采茶鲜叶数据集的VGG16模型,再结合迁移学习技术对网络进行训练。通过实验达到了较好的效果。