[发明专利]一种基于多特征与多分类器的鲜茶叶分类方法

说明书

本发明提供一种基于多特征与多分类器的鲜茶叶分类方法，包括以下：对茶叶图像训练样本提取几何特征和纹理特征，并输入SVM训练，得到训练好的SVM模型；利用训练好的SVM模型预测待预测茶叶图像，得到基于SVM分类器的茶叶各类型分类概率；对茶叶图像训练样本进行角点检测和距离矩阵相似度计算，并依据角点检测结果和距离矩阵相似度，得到基于特殊角度数量及距离矩阵的茶叶各类型分类概率；将基于SVM分类器的茶叶各类型分类概率和基于特殊角度数量及距离矩阵的茶叶各类型分类概率采用基于KNN结果融合，得到最终茶叶各类型分类概率；最终菜叶各类型分类概率中，最大概率值对应的类别标签即为最终分类结果；本发明提供的有益效果是：提高了茶叶分类的准确率。

技术领域

本发明涉及图像分类领域，尤其涉及一种基于多特征与多分类器的鲜茶叶分类方法。

背景技术

近年来，随着采茶人工成本不断增加以及采茶工人力紧缺，为了降低生产成本，提高生产效率，越来越多的茶场开始采用机械采茶。但是机采茶中参杂叶梗等杂物，同时无法按照生产加工需求采集特定等级的鲜叶，各个等级鲜叶(如单芽、一芽一叶、一芽二叶、一芽三叶)混合在一起，大大降低了茶叶的质量，导致只能作为低价茶生产销售，这成为了制约机械采茶发展与推广的主要原因。

目前存在一些基于物理方式的茶叶分级方法，如振动筛选式茶叶分级机，在将茶叶从输送端向输出端振动前进的过程中使不同等级茶叶在重力作用下通过分选装置不同孔径落在下方的接料器上实现鲜叶分级，准确率在70％左右；茶叶风选机通过吹风将不同轻重的鲜叶区分开来,较轻的芽叶抛落距离较远,较重的芽叶抛落距离较近，准确率在70％左右。可见通过物理方式对鲜叶进行分级准确率低、误差大。另外基于光电传感器的茶叶色选机可在茶叶加工后有效分离杂质、叶梗等物质，准确在90％以上，但只能剔除杂质，依然无法进行有效分级。

随着计算机技术的高速发展，基于计算机视觉的图像分类技术应用于各个领域。目前，国内外有一些利用计算机视觉对于植物叶片进行分类的研究取得了较好的效果。例如董红霞等结合形状与纹理特征利用BP前馈神经网络对6种叶片300个样本叶片进行分类，准确率达98.4％；郑一力[8]等针对植物叶片数据库属于小样本数据库的特点,提出了一种基于迁移学习的卷积神经网络植物叶片图像识别方法，利用预训练AlexNet、InceptionV3模型对ICL数据库的识别率达95.31％和95.40％；Turkoglu等为了增加同一物种叶片间的相似率，将叶片分割成两部分和四部分后提取纹理特征、颜色特征、灰度共生矩阵以及傅里叶描述子，再结合极限学习机进行叶片识别，在Flavia叶片数据集准确率达99.10％。

而利用计算机视觉技术对茶叶进行分类的研究与应用较少，主要分为两个方面的研究：一是对加工后的茶叶分离杂质以及分级，例如高达睿等基于颜色和形状特征利用BP神经网络对三种不同等级的六安瓜片进行分类，准确率达90％以上；吴正敏等基于形态特征采用随机森林法判定特征权重并结合支持向量机进行分类，准确率为93.8％；宋彦等提出了一种基于形状特征直方图结合支持向量机的茶叶等级识别方法，准确率为95.71％。二是对采摘的鲜叶进行分类，如常春等选择茶叶图像的6个几何特征和2个纹理特征做为茶叶的分类特征，利用BP神经网络构建分类模型，准确率达90％以上，但其未对一芽二叶与一芽三叶进行区分；高震宇等设计了一套鲜茶叶智能分选系统，搭建了7层结构的卷积神经网络识别模型,其对单芽、一芽一叶、一芽二叶、一芽三叶的分类准确率为92.25％；吴正敏等利用凸包面积、凸包周长、长轴长度、短轴长度等形态特征结合BP神经网络对绿茶进行分类，准确率在90％以上，也未对一芽二叶与一芽三叶进行区分。

发明内容

有鉴于此，本方法在提取鲜茶叶几何特征与纹理特征并结合支持向量机进行鲜茶叶分类的基础上，提出了一种基于茶叶特殊角点及其距离矩阵的分类方法，并通过结果融合得出分类结果，为鲜茶叶分类研究提供了新的方法。

本发明提供了一种基于多特征与多分类器的鲜茶叶分类方法，包括以下：

S101：获取茶叶图像，作为训练数据集；