[发明专利]基于tensorflow的茶叶品种识别系统

权利要求书

1.一种基于tensorflow的茶叶品种识别系统，其特征在于，包括摄像头、识别设备和数据库服务器，所述识别设备包括特征识别模块、分类模块和触控显示屏；所述摄像头与所述识别设备通信，所述识别设备与数据库服务器通信，所述数据库服务器存储有各类茶叶的相关信息；

所述摄像头用于采集待识别的茶叶图像，并将采集到的茶叶图像传输至识别设备；

识别设备中的所述特征识别模块用于接收待识别的茶叶图像，并对所述待识别茶叶图像中的茶叶进行类别识别，得到待识别茶叶图像中茶叶为各种类别的概率，并输出给分类模块；

所述分类模块选择概率最大值对应的类别作为该茶叶图像的类别，并从数据库服务器中调取该类别茶叶的相关信息，输出给触控显示屏进行显示。

2.根据权利要求1所述的基于tensorflow的茶叶品种识别系统，其特征在于，所述特征识别模块基于tensorflow的slim框架下的Inception_v4模型建立的卷积神经网络进行识别，所述卷积神经网络包括输入层、卷积层、函数激活层、池化层、全连接层；

所述输入层用于接收待识别的茶叶图像；

所述卷积层用于提取输入层接收待识别的茶叶图像的特征，并形成特征图；

所述函数激活层，用于将像素负值设置为0；

所述池化层用于对特征图进行压缩，提取主要特征，所述主要特征包括茶叶的外形轮廓、茶叶的颜色；

所述全连接层用于连接所有的主要特征，得到特征向量，并根据特征向量得到待识别茶叶图像中茶叶为各种类别的概率。

3.根据权利要求1所述的基于tensorflow的茶叶品种识别系统，其特征在于，所述相关信息包括茶叶名称、茶叶产地、茶叶泡法。

4.根据权利要求2所述的基于tensorflow的茶叶品种识别系统，其特征在于，所述识别设备还包括训练模块，用于训练所述卷积神经网络模型。

5.根据权利要求4所述的基于tensorflow的茶叶品种识别系统，其特征在于，所述训练模块与所述摄像头、特征识别模块相连，且所述训练模块包括以下子模块：

参数设置子模块，用于设置卷积神经网络模型中的学习参数，包括初始化卷积神经网络模型中的学习参数，以及在迭代过程中更新卷积神经网络模型中的学习参数重复执行训练过程进行重新训练，直至达到设定的迭代次数，所述学习参数包括learning_rate、adam_beta、keep_prob；

图像处理子模块，用于利用tensorflow.image中提供了图像解码函数对摄像头拍摄的茶叶图像进行解码，将所述茶叶图像转化为像素矩阵；

图像输入子模块，用于将所述像素矩阵输入到所述卷积神经网络模型；

概率输出子模块，用于从所述卷积神经网络模型输出当前模型参数下所述像素矩阵中每个茶叶分类的概率；

损失计算子模块，用于对概率输出子模块的输出结果进行损失计算，并求取一张像素矩阵中所有茶叶的平均损失；

最小化平均损失求解子模块，用于求解最小化平均损失，并将求解得到的最小化平均损失输出给参数设置子模块。

6.根据根据权利要求5所述的基于tensorflow的茶叶品种识别系统，其特征在于，所述learning_rate的调整区间为0.01～0.05；adam_betal的参数调整区间为0.8～0.9，adam_beta2的调整区间为0.99～0.999；keep_prob值为0.8～0.9。