| 基于轻量级神经网络MobileNetV3–large的黄茶闷黄程度判别 |
| |
| 引用本文： | 葛炳钢,张旭雯,刘岁,杨亚,周铁军,傅冬和.基于轻量级神经网络MobileNetV3–large的黄茶闷黄程度判别[J].湖南农业大学学报(自然科学版),2024,50(1):91-99. |
| |
| 作者姓名： | 葛炳钢 张旭雯 刘岁 杨亚 周铁军 傅冬和 |
| |
| 作者单位： | 1.茶学教育部重点实验室，湖南 长沙 410128；2.国家植物功能成分利用工程技术研究中心，湖南 长沙 410128；3.植物功能成分利用省部(教育部)共建协同创新中心，湖南 长沙410128；4.湖南农业大学信息与智能科学技术学院，湖南 长沙 410128 |
| |
| 基金项目： | 湖南省创新型省份建设专项(2021NK1020)；国家“十四五”重点研发计划项目(2022YFD2101102)；湖南省科技重点研发项目(2018NK2035)；湖南农业大学研究生科研创新项目(2022XC064) |
| |
| 摘 要： | 以碧香早品种为材料，通过相机采集不同闷黄时长下的闷黄叶图像共675张，建立了3种闷黄程度的黄茶样本数据集，采用位置变换、随机亮度、增加对比度、添加噪声、随机缩放操作对闷黄叶图像集进行数据增强，运用迁移学习方法，在ImageNet数据集取得MobileNetV3–Large的预训练模型，对迁移网络的所有权重信息进行训练，最终建立了针对黄茶闷黄程度的轻量级卷积神经网络MobileNetV3–Large识别模型，并利用Grad–CAM热力图可视化和置信分数监控黄茶品质的变化。结果表明：经训练后的MobileNetV3–Large模型测试的识别准确率达到98.51%，精确率为99.10%，召回率为98.93%，加权分数为98.20%;MobileNetV3–Large模型的识别准确率高于传统机器学习模型SVM、XGBoost和KNN；通过Grad–CAM热力图可视化显示，MobileNetV3–Large模型在不同的识别场景下能够准确定位并提取闷黄叶特征，准确地识别闷黄程度。可见，MobileNetV3–Large模型有较好的泛化性，可以快速、无损地识别黄茶的闷黄程度。
|
| 关 键 词： | 黄茶 闷黄程度识别 卷积神经网络 迁移学习 |
|
| 点击此处可从《湖南农业大学学报(自然科学版)》浏览原始摘要信息 |
| 点击此处可从《湖南农业大学学报(自然科学版)》下载免费的PDF全文 |
