基于迁移学习的茶叶嫩芽识别方法

Tea shoot recognition based on transfer learning

摘要

针对当下茶叶生产中普遍存在的人工采摘成本高及传统嫩芽识别技术精度不够高的问题。为了研究出一种具备强泛化能力,适用于不同品种和不同环境的嫩芽识别算法。该研究通过采集大量不同茶树品种、不同光照强度、不同时间段的茶叶图像构建高质量的深度学习训练数据集,选用目标检测神经网络模型CornerNet,YOLOv7和Faster RCNN对一芽一叶进行样本训练和测试,并引入迁移学习(transfer learning,TL)方法优化特征提取与模型收敛,显著提高算法在跨品种、跨环境下的泛化能力。对比分析不同网络模型的识别效果。结果显示,融合迁移学习的TL-YOLOv7网络模型识别一芽一叶的效果最优,不同茶树品种、不同光照条件以及不同时间段下对嫩芽识别AP值达到95.3%,召回率为92.9%,每幅图像的检测时间为0.017 s,实现了高精度和实时性的统一,从而得出TL-YOLOv7网络模型能够有效识别茶叶嫩芽的结论,并在不同条件下具有良好的适应性,为茶叶机械化智能采摘提供了可靠的算法支撑。

Abstract

In response to the current difficulty in tea picking and the insufficient accuracy of traditional sprout recognition.To develop a tender shoot recognition algorithm suitable for different varieties and environments. A deep learning training dataset is constructed by collecting a large number of tea images. Three object detection neural network models, CornerNet, YOLOv7, and Faster RCNN are selected for training and testing one shoot and one leaf samples. Transfer learning methods are incorporated into these models to enhance their generalization ability. The recognition results of different network models are compared and analyzed. The results show that the TL-YOLOv7 network model demonstrated the best performance in identifying one shoot and one leaf. The AP value for identifying tender buds in different varieties, lighting conditions, and time periods reached 95.3%, along with a recall rate of 92.9%. The detection time for each image is 0.017 seconds. Therefore, it can be concluded that the TL-YOLOv7 network model can effectively recognize tea leaf shoot and demonstrate good adaptability under different conditions.

关键词

茶叶嫩芽 / 目标检测 / 深度学习 / 迁移学习 / TL-YOLOv7算法

Key words

tea shoot / object detection / deep learning / transfer learning / TL-YOLOv7 algorithms

[1] 陶德臣. 战国至南北朝时期茶叶经济的发展[J]. 北方工业大学学报, 2022,34(1):119-125, 156.
[2] 刘瑞欣, 严春雨, 李飞等. 基于改进YOLOX的茶叶嫩芽目标检测研究[J]. 软件工程与应用, 2022, 11(6)1404-1414.
[3] 杨福增, 杨亮亮, 田艳娜, 等. 基于颜色和形状特征的茶叶嫩芽识别方法[J]. 农业机械学报, 2009,40(增刊1):119-123.
[4] 韦佳佳, 陈勇, 金小俊, 等. 自然环境下茶树嫩芽识别方法研究[J]. 茶叶科学, 2012, 32(5):377-381.
[5] 孙艳霞, 陈燕飞, 金小俊等. 名优绿茶智能化采摘关键技术研究进展[J]. 包装与食品机械, 2022, 40(3):100-106.
[6] 陈立辛, 王磊, 乔印虎等. 基于深度学习的花生米缺陷识别分拣方法研究[J]. 包装与食品机械, 2022, 40(3):65-70.
[7] 许高建, 张蕴赖, 赖小燚. 基于Faster R-CNN 深度网络的茶叶嫩芽图像识别方法[J]. 光电子·激光, 2020, 31(11):1131-1139.
[8] 方梦瑞, 吕军, 阮建云等. 基于改进tiny的茶叶嫩芽检测模型[J]. 茶叶科学, 2022, 42(4):549-560.
[9] 吕丹瑜, 金子晶, 陆璐, 等. 基于图像处理技术的茶树新梢识别和叶面积计算的探索研究[J]. 茶叶科学, 2023, 43(5):691-702.
[10] 陈威. 基于深度学习算法的茶叶病虫害症状检测的应用研究[D]. 福州:福建农林大学, 2024.
[11] 宋子壮, 杨嘉伟, 张东方, 等. 基于无锚框的红外多类别多目标实时跟踪网络[J]. 系统工程与电子技术, 2022, 44(2):401-409.
[12] Law H, Deng J. Cornernet:Detecting objects as paired keypoints[C]//Proceedings of the European Conference on Computer Vision (ECCV). Munich: Springer, 2018: 734-750.
[13] Ren S, He K, Girshick R, et al. Faster R-CNN:towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2017, 39(6):1137-1149.
[14] 刘原. 基于迁移学习的水稻病害识别模型研究与实现[D]. 长春:吉林农业大学, 2024.
[15] 丁凤霞, 刘振中. 基于深度学习算法的铁路货车关键部件故障检测[J]. 自动化技术与应用, 2023, 42(10):38-41,152.
[16] 王云露. 基于深度迁移学习的苹果病害识别方法研究[D]. 泰安:山东农业大学, 2023.
[17] 张震. 深度迁移学习在文本分类问题中的应用研究综述[J]. 信息技术与信息化, 2023(6):121-124.
[18] 吴若冰, 路辉, 朱昱坤, 等. 基于多时间尺度深度学习的窃电用户检测方法研究[J]. 电测与仪表, 2024, 61(12):178-184.
[19] 朱龙舜, 郑旻璐. 基于双目视觉技术的茶叶嫩芽定位方法研究[J]. 农机化研究, 2025, 47(2):49-53.
[20] 陈静, 徐伟, 张磊. 基于改进迁移学习的红外光谱图像自适应分割研究[J]. 自动化技术与应用, 2025, 44(1):163-167.

基金资助

国家自然科学基金项目(32072498);江苏省高等学校大学生创新创业训练计划项目(202310298014Z);江苏省重点研发计划项目(BE2021016)