[发明专利]一种茶饼类别识别方法、设备及介质

权利要求书

1.一种茶饼类别识别方法，其特征在于，所述方法包括：

将茶饼图片输入至预先训练的茶饼类别识别模型，其中，所述茶饼类别识别模型通过优化算法进行模型训练；

根据所述茶饼类别识别模型确定出所述茶饼图片对应的特征向量；

根据所述特征向量在预先存储的特征向量中筛选出符合要求的特征向量，并根据所述符合要求的特征向量识别出所述茶饼图片对应的茶饼类别。

2.根据权利要求1所述的茶饼类别识别方法，其特征在于，所述将茶饼图片输入至预先训练的茶饼类别识别模型之前，所述方法还包括：

构建初始的茶饼类别识别模型；

构建数据集，其中，所述数据集包括多种类别的茶饼图片，并且每种类别的茶饼图片包括多个茶饼图片；

根据所述数据集与所述优化算法训练所述初始的茶饼类别识别模型，得出符合要求的茶饼类别识别模型。

3.根据权利要求2所述的茶饼类别识别方法，其特征在于，所述数据集包括多个样本集，其中，每个所述样本集包括预设数量茶饼图片，且每个所述样本集中包括两个相同类别的茶饼图片。

4.根据权利要求3所述的茶饼类别识别方法，其特征在于，所述根据所述数据集与所述优化算法训练所述初始的茶饼类别识别模型，得出符合要求的茶饼类别识别模型，具体包括：

根据每个所述样本集的茶饼图片，确定出每个茶饼图片对应的特征向量；

所述根据每个茶饼图片对应的特征向量，在每个所述样本集中确定出茶饼图片之间预设数量的距离；

根据预先设定的公式与每个所述样本集中茶饼图片之间预设数量的距离，确定出每个所述样本集的损失值；

根据每个所述样本集的损失值与所述优化算法训练初始的茶饼类别识别模型，得出符合要求的茶饼类别识别模型。

5.根据权利要求4所述的茶饼类别识别方法，其特征在于，每个所述样本集包括三个茶饼图片；

所述根据每个茶饼图片对应的特征向量，在每个所述样本集中确定出茶饼图片之间预设数量的距离；根据预先设定的公式与每个所述样本集中茶饼图片之间预设数量的距离，确定出每个所述样本集的损失值，具体包括：

根据每个茶饼图片对应特征向量，在每个所述样本集中确定出每个样本集中确定出三个茶饼图片之间预设的两个距离；

根据预先设定的公式与每个所述样本集中茶饼图片之间预设的两个距离，确定出每个所述样本集中的损失值。

6.根据权利要求5所述的茶饼类别识别方法，其特征在于，所述根据每个茶饼图片对应特征向量，在每个所述样本集中确定出每个样本集中确定出三个茶饼图片之间预设的两个距离；根据预先设定的公式与每个所述样本集中茶饼图片之间预设的两个距离，确定出每个所述样本集中的损失值，具体包括：

根据每个茶饼图片对应特征向量，将每个所述样本集中茶饼图片对应的向量设为f1，f2，f3，并确定出向量f1、向量f2之间的距离d1，以及向量f1、向量f3之间的距离d2，其中，向量f1对应的茶饼图片与向量f2对应的茶饼图片为同一类别，向量f1对应的茶饼图片与向量f3对应的茶饼图片不为同一类别；

根据预先设定的公式Loss＝Relu(d1-d2+const)与每个所述样本集中的距离d1与d2，确定出每个所述样本集中损失值，其中，Loss为每个样本集中的损失值，Relu为激活函数，const为一个超参数，用以调节(d1-d2+const)为正数。

7.根据权利要求1所述的茶饼类别识别方法，其特征在于，所述茶饼类别识别模型根据Vgg16搭建网络架构，所述茶饼类别识别模型将Vgg16的后三层删除，替换为一个256的全连接层和一个128的全连接层。

8.根据权利要求1所述的茶饼类别识别方法，其特征在于，所述优化算法为随机梯度下降算法。