基于傅里叶描述子轮廓滤波的茶鲜叶分级特征提取的改进研究

摘要

针对茶叶自动化分级中因轮廓噪声而导致的特征混淆问题,提出了一种基于傅里叶描述子轮廓滤波的特征优化方法.首先利用傅里叶描述子滤除高频噪声,以此突出茶鲜叶不同品质轮廓的本质拓扑结构特征和压缩次要特征;其次在Hu矩、Zernike矩的KNN分类器上和传统深度学习模型(YOLOv5-s、YOLOX-tiny)上对轮廓滤波前后的特征提取性能进行了对比验证.在涵盖不同季节、海拔、光照、土质、施肥、树龄等3 600个茶鲜叶样本数据集上进行试验,结果表明,轮廓平滑可显著提升特征区分性,其中Hu矩和Zernike矩的类间散度分别提高了37%和21%,类内散度分别降低了2.5%和11.9%.YOLOv5-s和YOLOX-tiny类间散度分别提高了37.9%和28.0%,类内散度分别降低了16.8%和14.4%.KNN、YOLOv5-s和YOLOX-tiny 3种模型的平均分类精度分别提升了9.38%、4.25%、4.00%,YOLOv5-s和YOLOX-tiny的训练效率分别提升了7.7%和9.2%,正向推理时间分别降低6.7%和8.3%,收敛需要的训练周期平均减少25轮次.上述表明,基于傅里叶描述子的轮廓滤波可显著提高模型特征提取的判别力与模型识别的准确率,以及提高模型训练效率与收敛速度,因此该方法可为茶叶的自动化分级技术的图像识别特征优化工程研究提供参考.

关键词

茶鲜叶 / 图像识别 / 形状不变矩特征 / 傅里叶描述子 / 轮廓滤波 / 散度矩阵