COMPAG新文基于深度学习的茶芽检测与分类
2022-04-16 17:34:13热度:98°C
2022-04-16 17:34:13热度:98°C
·提出了基于两级变域融合网络的茶芽检测与分类方法
·建立了不同角度下茶芽自然生长的图像数据集
·该方法对茶芽的检测准确率达到95.71%
·为从颜色和形状相近的背景中识别目标物体提供了一种解决方案文章梗概
目前名优茶的采摘仍以人工采摘为主,采摘成本约占总成本的50%。此外,由于采茶劳动强度大、工作环境差,年轻人不愿从事采茶工作,目前采茶都是50岁左右的中老年人,采茶季节“用工荒”问题突出。而现有的“一刀切式”的茶叶采摘机械无法满足名优茶的采摘需求,因此导致名优茶的采摘成本不断上升,严重制约茶叶经济发展。解决这一问题的前提是基于机器视觉的茶芽识别。由于茶芽的颜色和形状与背景极为相似,即便是人眼也很难辨别,导致单一的目标识别方法的识别效果并不理想。为此,本文提出了基于两级变域融合网络的茶芽检测与分类方法,并建立了不同角度下茶芽自然生长的图像数据集。本方法主要融合了YOLOv3的快速检测能力和DenseNet201高精度分类能力,通过YOLOv3检测出图像中的茶芽区域,该区域被进一步送至DenseNet201网络进行“茶芽”和“非茶芽”的分类,使得最终的整体检测效果有明显提升。通过两种角度的图像拍摄(垂直于地面拍摄和与地面成30°- 60°拍摄)进一步探讨了角度对茶芽识别结果的影响,为名优茶采摘机的研发奠定了理论基础,同时为从颜色和形状相近的背景中识别目标物体提供了一种解决方案。图1 不同条件下获取的茶芽图像
图2 不同拍摄角度下的标记图像
图3 YOLOv3茶芽检测器的结构
图4 DenseNet201茶芽分类器的结构
图5 识别结果
图6 DenseNet201网络每个块最末卷积层输出的可视化
图7 DenseNet201网络部分激活层的图像可视化
图8 混淆矩阵与ROC曲线
内容编辑:江晗慧、武振超、傅隆生