基于卷積神經(jīng)網(wǎng)絡(luò)的鮮茶葉智能分選系統(tǒng)研究

高震宇 王 安 劉 勇 張 龍 夏營(yíng)威

(1．中國(guó)科學(xué)院合肥物質(zhì)科學(xué)研究院應(yīng)用技術(shù)研究所，合肥230088;2．中國(guó)科學(xué)技術(shù)大學(xué)，合肥230026)

基于卷積神經(jīng)網(wǎng)絡(luò)的鮮茶葉智能分選系統(tǒng)研究

高震宇1，2王 安1劉 勇1張 龍1夏營(yíng)威1

(1．中國(guó)科學(xué)院合肥物質(zhì)科學(xué)研究院應(yīng)用技術(shù)研究所，合肥230088;2．中國(guó)科學(xué)技術(shù)大學(xué)，合肥230026)

機(jī)采鮮茶葉中混有各種等級(jí)的茶葉，針對(duì)風(fēng)選、篩選等分選方法難以做到精確細(xì)分的問題，結(jié)合計(jì)算機(jī)視覺技術(shù)和深度學(xué)習(xí)方法，設(shè)計(jì)了一套鮮茶葉智能分選系統(tǒng)，搭建了基于7層結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型，通過共享權(quán)值和逐漸下降的學(xué)習(xí)速率，提高了卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練性能。經(jīng)過實(shí)驗(yàn)驗(yàn)證，該分選系統(tǒng)可以實(shí)現(xiàn)鮮茶葉的自動(dòng)識(shí)別和分選，識(shí)別正確率不低于90%，可對(duì)鮮茶葉中的單芽、一芽一葉、一芽二葉、一芽三葉、單片葉、葉梗進(jìn)行有效的類別分選。

茶葉分選;深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);反向傳播

引言

中國(guó)是世界產(chǎn)茶和出口茶大國(guó)，茶葉品種繁多。隨著茶葉采摘機(jī)械成功研制并廣泛應(yīng)用，大部分鮮茶葉已實(shí)現(xiàn)機(jī)械采摘。但機(jī)采鮮茶葉中混有各種等級(jí)的茶葉，其中還包括碎葉、葉梗等。制茶過程中，茶葉分選是一道費(fèi)工、費(fèi)時(shí)而又很關(guān)鍵的工序，通過分選獲取不同等級(jí)的茶葉，可提升茶葉品質(zhì)和價(jià)值。根據(jù)茶葉的物理特性，早期已研制出了各類茶葉分選機(jī)，如風(fēng)選、篩選、重力選和色選等設(shè)備，但均是較為粗略的分選，很難對(duì)每個(gè)等級(jí)的茶葉進(jìn)行精確細(xì)分［1－3］。目前，茶葉分選技術(shù)已進(jìn)入智能化識(shí)別分選階段［4－5］，基于茶葉圖像的幾何形狀和顏色紋理，利用神經(jīng)網(wǎng)絡(luò)技術(shù)可較為準(zhǔn)確地分選出各等級(jí)茶葉［1］。但由于不同品種的茶葉在形狀和紋理上存在較大差異，需要針對(duì)茶葉品種調(diào)整分選算法，分選系統(tǒng)的通用性還較差。

深度學(xué)習(xí)是一種特征學(xué)習(xí)方法，可以自主地學(xué)習(xí)相似事物之間的差異，通過對(duì)非線性模型的訓(xùn)練將原始數(shù)據(jù)變?yōu)楦邔哟巍⒏映橄蟮谋磉_(dá)。對(duì)于分類任務(wù)，高層次的表達(dá)能夠強(qiáng)化輸入數(shù)據(jù)的區(qū)分能力，同時(shí)削弱不相關(guān)因素［6］。本文設(shè)計(jì)一套基于計(jì)算機(jī)視覺技術(shù)，并融合深度學(xué)習(xí)算法的鮮茶葉智能分選系統(tǒng)，以實(shí)現(xiàn)對(duì)鮮茶葉中的單芽、一芽一葉、一芽二葉、一芽三葉、單片葉、葉梗的分類識(shí)別。

1 系統(tǒng)結(jié)構(gòu)與原理

鮮茶葉智能分選系統(tǒng)主要由茶葉料斗、分離系統(tǒng)、光電計(jì)數(shù)器、圓形轉(zhuǎn)盤、控制系統(tǒng)、工業(yè)計(jì)算機(jī)、工業(yè)相機(jī)及鏡頭、分揀機(jī)構(gòu)和分類容器組成，其結(jié)構(gòu)如圖1所示。測(cè)試過程中，首先將待測(cè)鮮茶葉倒入料斗，通過分離系統(tǒng)將茶葉盡可能的分離開，使每片茶葉之間沒有重疊、纏繞等情況，將這些分離開的茶葉依次送入逆時(shí)針旋轉(zhuǎn)的轉(zhuǎn)盤中，光電計(jì)數(shù)器用于統(tǒng)計(jì)轉(zhuǎn)盤中實(shí)時(shí)茶葉數(shù)量，反饋給控制系統(tǒng)以調(diào)節(jié)料斗送料速率，茶葉依次通過圖像采集區(qū)，并由計(jì)算機(jī)判定每個(gè)茶葉所屬類型，由分揀機(jī)構(gòu)將茶葉送入相應(yīng)的分類容器中。

圖1 鮮茶葉智能分選系統(tǒng)結(jié)構(gòu)示意圖Fig．1 Structure diagram of intelligent sorting system of fresh tea

2 分選算法

鮮茶葉的分選算法包括茶葉圖像預(yù)處理和深度學(xué)習(xí)模型的訓(xùn)練識(shí)別。圖像預(yù)處理可以將采集圖像中的有用信息提取出來，并進(jìn)行圖像格式歸一化，使其以統(tǒng)一的規(guī)格輸入至識(shí)別模型。識(shí)別模型的建立主要是基于卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)模型的一種，主要用來識(shí)別位移、縮放及其他形式扭曲不變性的二維圖像。網(wǎng)絡(luò)各層的特征不是利用人工工程來設(shè)計(jì)的，而是使用一種通用的學(xué)習(xí)方法從數(shù)據(jù)中學(xué)得，避免了對(duì)圖像繁多的特征提取過程［7］，特別適用于相似圖形的分類識(shí)別。

2.1 圖像預(yù)處理

圖像預(yù)處理包括茶葉圖像分割和尺寸變換。圖像分割的目的是突出感興趣區(qū)域(Region of interest，ROI)，抑制背景噪聲，并提取出茶葉圖像。圖像目標(biāo)為綠色茶葉，圖像背景為深黑色轉(zhuǎn)盤，采集到的圖像如圖2所示，每幅茶葉原圖為640像素× 480像素的圖像。在RGB顏色空間中對(duì)采集到的圖像進(jìn)行顏色分析，統(tǒng)計(jì)圖像中各顏色分量的分布，如圖3所示，可見各分量的分布范圍有著明顯的差異［8－9］。

圖2 鮮茶葉圖像Fig．2 Image of fresh tea

圖3 RGB分量灰度分布Fig．3 Grey value distribution of RGB vector

利用顏色分量的灰度分布差異，可基于R、G分量的差值進(jìn)行閾值分割，具體方法描述如下

式中 PR——R分量灰度

PG——G分量灰度

PB——B分量灰度

PS——分割后灰度 T1、T2——判斷閾值

PGmin——G分量灰度最小值

PRmin——R分量灰度最小值

PBmax——B分量灰度最大值

通過式(3)描述的方法，對(duì)鮮茶葉圖像進(jìn)行閾值分割，分割圖像后的灰度圖如圖4a所示。在圖像的分析與識(shí)別前，需要對(duì)閾值分割處理后的圖像進(jìn)行尺寸變換，以統(tǒng)一的格式輸入至卷積神經(jīng)網(wǎng)絡(luò)，以減少無用信息，提高處理速度［10］。從灰度圖像中截取最小正外接矩形，根據(jù)圖像的長(zhǎng)寬情況，均勻的擴(kuò)充為最小正外接正方形，如圖4b所示;將最小正外接正方形圖像等比例縮小為95像素×95像素的輸入圖像，如圖4c所示［11］。

圖4 圖像預(yù)處理結(jié)果Fig．4 Image preprocessing results

2.2 模型構(gòu)建

卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)包括兩層，分別是卷積層C和池化層S。在卷積層中，每個(gè)神經(jīng)元的輸入與前一層的局部感知區(qū)域相連，并提取局部特征;在池化層中，網(wǎng)絡(luò)的每個(gè)計(jì)算層由多個(gè)特征映射組成，每個(gè)特征映射是一個(gè)平面，平面上所有神經(jīng)元的權(quán)值相等。卷積神經(jīng)網(wǎng)絡(luò)中的局部感知和權(quán)值共享使之更類似于生物神經(jīng)網(wǎng)絡(luò)，減少了需要學(xué)習(xí)的參數(shù)數(shù)量，降低了網(wǎng)絡(luò)模型的復(fù)雜度，提高了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練性能［12－13］。

根據(jù)卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，并結(jié)合待測(cè)樣品的特征，構(gòu)建了如圖5所示的卷積神經(jīng)網(wǎng)絡(luò)模型［14－15］，具體描述如下:

圖5 卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型Fig．5 Identification model of convolutional neural network

(1)輸入層

輸入層為經(jīng)過圖像預(yù)處理后的95像素×95像素的圖像。

(2)卷積層

C1、C3、C5為卷積層，分別由6個(gè)5像素×5像素的卷積核與輸入圖像進(jìn)行卷積運(yùn)算得來，通過卷積運(yùn)算，可以使原信號(hào)特征增強(qiáng)，降低噪聲，為了使輸入圖像較快地降低為較小的圖像，減少訓(xùn)練過程中的運(yùn)算量，對(duì)輸入圖像采用如圖6所示間隔像素采樣的方式。卷積層的節(jié)點(diǎn)輸出表示為

式中 n——層數(shù) i、j——神經(jīng)元數(shù)量

Mi——輸入特征圖像

bn——每個(gè)輸出圖像對(duì)應(yīng)的偏置

(3)池化層

S2、S4為池化層，該層的每個(gè)單元與上一層卷積層特征圖的2×2鄰域相連接，如圖6所示，池化層的節(jié)點(diǎn)輸出表示為

式中 Sab——可訓(xùn)練的參數(shù)

a——節(jié)點(diǎn)橫坐標(biāo)

b——節(jié)點(diǎn)縱坐標(biāo)

利用圖像局部相關(guān)性的原理，對(duì)圖像進(jìn)行下采樣，可以減少數(shù)據(jù)處理量同時(shí)保留有用信息。

(4)輸出層

輸出層由6個(gè)歐氏徑向基函數(shù)RBF單元組成，每個(gè)單元代表不同的茶葉等級(jí)。每個(gè)輸出RBF單元計(jì)算全連接層F6的輸入向量和參數(shù)向量之間的歐氏距離。輸入離參數(shù)向量越遠(yuǎn)，RBF輸出的越大［16］，根據(jù)RBF輸出值判定卷積神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果。

2.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

2.3.1 訓(xùn)練集的制作

在實(shí)際測(cè)試中，茶葉較難做到規(guī)則擺放，多數(shù)茶葉都存在翹起、重疊等情況。為更好地模擬茶葉測(cè)試的實(shí)際情況，有效提升卷積神經(jīng)網(wǎng)絡(luò)的泛化能力，并提高訓(xùn)練集的數(shù)量，將圖7所示的3類圖像制作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集。其中，圖7a為原圖經(jīng)過預(yù)處理后的圖像，圖7b為圖7a經(jīng)過逆時(shí)針旋轉(zhuǎn)45°后的變換圖像，圖7c為圖7a經(jīng)過映射變換后的圖像，所有圖像的尺寸均為95像素×95像素［17］。

圖6 卷積層和池化層運(yùn)算示意圖Fig．6 Operation schematic diagram of convolutional layer and pooling layer

圖7 訓(xùn)練集的圖像類型Fig．7 Picture types of training set

2.3.2 正向傳播

卷積神經(jīng)網(wǎng)絡(luò)通過激勵(lì)-響應(yīng)機(jī)制計(jì)算每個(gè)神經(jīng)元的輸入，從而進(jìn)行正向傳播，單個(gè)神經(jīng)元模型如圖8所示［18］。

圖8 單個(gè)神經(jīng)元模型Fig．8 Model of single neuron

每個(gè)神經(jīng)元的輸出記作

Cn－1——第n－1層神經(jīng)元個(gè)數(shù)

神經(jīng)網(wǎng)絡(luò)的激活函數(shù)采用對(duì)稱分布的雙曲正切函數(shù)f(y)=tanh y，該函數(shù)的導(dǎo)數(shù)用G(x)表示。

2.3.3 反向傳播

對(duì)于由一系列確定的單元互連形成的多層網(wǎng)絡(luò)，反向傳播算法可用來學(xué)習(xí)這個(gè)網(wǎng)絡(luò)的權(quán)值，算法多采用梯度下降方法最小化網(wǎng)絡(luò)輸出值和目標(biāo)值之間的誤差［19－20］。每經(jīng)過一次反向傳播，權(quán)值wjni的增加值記作，有

式中 η——學(xué)習(xí)速率

En——最后一層(第n層)的輸出誤差

Cn——第n層神經(jīng)元個(gè)數(shù)

根據(jù)式(12)，并參考式(9)、(10)的計(jì)算方法，可以計(jì)算得到第n－1層權(quán)值的增加值。以此類推，每一層的權(quán)值可以按照

式中 wn-new——更新后的權(quán)值

wn-old——更新前的權(quán)值進(jìn)行更新，實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的反向傳播。

2.3.4 學(xué)習(xí)速率

學(xué)習(xí)速率η決定了反向傳播中梯度下降的步長(zhǎng)，設(shè)置過小無法實(shí)現(xiàn)較快收斂，設(shè)置過大則容易陷入局部極值，使訓(xùn)練失敗［20］。文中采用逐步變化的學(xué)習(xí)速率，設(shè)置η的初始值為0.001，變換系數(shù)r為0.941 844 921，每經(jīng)過1次迭代，η更新為rη，經(jīng)過50次迭代后，η保持在0.000 05，η的變化如圖9所示。

圖9 學(xué)習(xí)速率變化曲線Fig．9 Changing curve of learning rate

3 實(shí)驗(yàn)與結(jié)果分析

分別采集單芽、一芽一葉、一芽二葉、一芽三葉4種級(jí)別的鮮茶葉各100個(gè)樣本的圖像及單片葉、葉梗各50個(gè)樣本的圖像，對(duì)各等級(jí)的茶葉進(jìn)行圖像預(yù)處理、旋轉(zhuǎn)和映射變換，得到相應(yīng)的95像素 × 95像素的特征圖像，各取其中80%的圖像作為訓(xùn)練集，其余作為測(cè)試集，單芽、一芽一葉、一芽二葉、一芽三葉、單片葉、葉梗分別用代碼1～6表示。

對(duì)上述訓(xùn)練集進(jìn)行80次迭代的訓(xùn)練，可以實(shí)現(xiàn)對(duì)訓(xùn)練集的誤識(shí)別率降至1%以下，每一次迭代后所有訓(xùn)練集En的平均值降至0.15%以下，其變化曲線如圖10所示，可見誤差得到了較好的收斂，神經(jīng)網(wǎng)絡(luò)達(dá)到了預(yù)期訓(xùn)練效果。

按照?qǐng)D5中的模型架構(gòu)，使用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對(duì)茶葉樣本進(jìn)行識(shí)別。每幅茶葉圖像經(jīng)過圖像預(yù)處理，裁切為95像素×95像素的特征圖，作為卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像，經(jīng)過多層卷積神經(jīng)網(wǎng)絡(luò)后，最終得到一個(gè)1～6的輸出結(jié)果，分別指代不同等級(jí)的茶葉，每一層輸出結(jié)果如圖11所示。

圖10 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果Fig．10 Training results of convolutional neural network

圖11 卷積神經(jīng)網(wǎng)絡(luò)各層的處理結(jié)果Fig．11 Processing results of each layer of convolutional neural network

使用訓(xùn)練好的識(shí)別模型對(duì)茶葉訓(xùn)練集和測(cè)試集的識(shí)別結(jié)果如表1所示。可見，該識(shí)別模型在訓(xùn)練集和測(cè)試集上均能實(shí)現(xiàn)較高的識(shí)別正確率。

表1 測(cè)試集和訓(xùn)練集識(shí)別結(jié)果Tab．1 Identification results of training set and testing set %

在鮮茶葉樣品中，隨機(jī)選取單芽、一芽一葉、一芽二葉、一芽三葉各100片，單片葉、葉梗各50片，將6類等級(jí)的茶葉樣品分別在分選系統(tǒng)上進(jìn)行實(shí)時(shí)測(cè)試，統(tǒng)計(jì)分類容器中各等級(jí)茶葉的數(shù)量，其測(cè)試結(jié)果如表2所示。由于單芽的卷曲程度不同，有少數(shù)的單芽被識(shí)別為單片葉和葉梗，而在一芽一葉、一芽二葉、一芽三葉這3類茶葉中，葉片位置存在翹起、重疊等情況，3類之間存在少數(shù)的誤識(shí)別。從總體結(jié)果可以看出，每一類樣品的識(shí)別正確率都不低于90%，所有樣品的識(shí)別正確率為92.40%，較好地實(shí)現(xiàn)了不同等級(jí)茶葉的分選。

表2 茶葉各類樣品識(shí)別結(jié)果Tab．2 Identification results of various kinds of tea samp les

4 結(jié)論

(1)針對(duì)鮮茶葉精確分選的需求，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的分選方法，能夠更好地模擬人工識(shí)別，可以自動(dòng)從復(fù)雜數(shù)據(jù)中學(xué)習(xí)到不同類別之間的差異，適用于鮮茶葉的分類識(shí)別。

(2)卷積神經(jīng)網(wǎng)絡(luò)利用局部連接和權(quán)值共享等方法，提高了網(wǎng)絡(luò)的訓(xùn)練性能，同時(shí)結(jié)合反向傳播算法和逐漸下降的學(xué)習(xí)速率，可以使卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中實(shí)現(xiàn)較快的收斂。

(3)設(shè)計(jì)的鮮茶葉智能分選系統(tǒng)能夠較好地識(shí)別每個(gè)等級(jí)的鮮茶葉樣品，識(shí)別正確率不低于90%，可以實(shí)現(xiàn)不同鮮茶葉等級(jí)的分選，特別適用于經(jīng)過風(fēng)選、篩選等設(shè)備粗選后的二次精選。后期通過研究并優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)和結(jié)構(gòu)參數(shù)，可進(jìn)一步提高鮮茶葉等級(jí)的識(shí)別正確率。

1 張皓臻，肖宏儒，梅松，等．茶葉分選技術(shù)的現(xiàn)狀與未來［J］．農(nóng)業(yè)工程，2014，4(5):59－63．ZHANG Haozhen，XIAO Hongru，MEISong，et al．Status quo and future of tea sorting technology［J］．Agricultural Engineering，2014，4(5):59－63．(in Chinese)

2 計(jì)時(shí)鳴，王烈鑫，熊四昌，等．茶葉自動(dòng)分選裝置中的智能化技術(shù)［J］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，1997，28(4):133－138．JIShiming，WANG Liexin，XIONG Sichang，et al．Intelligent control techniques for automatic tea separators［J］．Transactions of the Chinese Society for Agricultural Machinery，1997，28(4):133－138．(in Chinese)

3 計(jì)時(shí)鳴，王烈鑫，熊四昌，等．茶葉茶梗的計(jì)算機(jī)在線識(shí)別技術(shù)機(jī)器應(yīng)用［J］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，1995，26(1):56－60．JIShiming，WANG Liexin，XIONG Sichang，et al．Technique for on-line tea-stalk distinction and its application［J］．Transactions of the Chinese Society for Agricultural Machinery，1995，26(1):56－60．(in Chinese)

4 GILL G S，KUMAR A，AGERWAL R．Monitoring and grading of tea by computer vision—A review［J］．Journal of Food Engineering，2011，106(1):13－19．

5 常春，陳怡群，肖宏儒，等．基于神經(jīng)網(wǎng)絡(luò)圖像分析的智能鮮茶葉分選機(jī)［J］．中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2013，34(1):137－141．CHANG Chun，CHEN Yiqun，XIAO Hongru，et al．Smart fresh tea sorter with neural network image analysis［J］．Journal of Chinese Agricultural Mechanization，2013，34(1):137－141．(in Chinese)

6 王琨，劉大茂．基于深度學(xué)習(xí)的茶葉狀態(tài)智能識(shí)別方法［J］．重慶理工大學(xué)學(xué)報(bào)，2015，29(12):120－126．WANG Kun，LIU Damao．Intelligent identification for tea state based on deep learning［J］．Journal of Chongqing University of Technology，2015，29(12):120－126．(in Chinese)

7 GREGOIRE M，GENEVIEVE B O，KLAUSR M．Neural networks:tricks of the trade［M］．Springer Berlin Heidelberg，2012．

8 夏營(yíng)威，馮茜，趙硯棠，等．基于計(jì)算機(jī)視覺的煙絲寬度測(cè)量方法［J］．煙草科技，2014(9):10－14．XIA Yingwei，F(xiàn)ENG Qian，ZHAO Yantang，et al．Method for measuring width of tobacco shred based on computer vision［J］．Tobacco Science＆Technology，2014(9):10－14．(in Chinese)

9 李峻，孟正大．基于HS分量聯(lián)合統(tǒng)計(jì)的自適應(yīng)閾值分割算法［J］．東南大學(xué)學(xué)報(bào):自然科學(xué)版，2010，40(增刊1):266－271．LIJun，MENG Zhengda．HS joint statistics based adaptive color segmentation［J］．Journal of Southeast University:Natural Science Edition，2010，40(Supp．1):266－271．(in Chinese)

10 YANN L，LEON B，YOSHUA B，et al．Gradient-based learning applied to document recognition［J］．Proceedings of the IEEE，1998，86(11):2278－2324．

11 夏營(yíng)威，徐大勇，堵勁松，等．基于機(jī)器視覺的煙葉面積在線測(cè)量［J/OL］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43(10):167－173．http:∥www．j-csam．org/jcsam/ch/reader/view_abstract．a(chǎn)spx?file_no=20121030＆flag=1．DOI:10．6041/j．issn．1000-1298．2012．10．030．XIA Yingwei，XU Dayong，DU Jinsong，et al．On-line measurement of tobacco leaf area based on machine vision［J/OL］．Transactions of the Chinese Society for Agricultural Machinery，2012，43(10):167－173．(in Chinese)

12 譚文學(xué)，趙春江，吳華瑞，等．基于彈性動(dòng)量深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的果體病理圖像識(shí)別［J/OL］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(1): 20－25．http:∥www．j-csam．org/jcsam/ch/reader/view_abstract．a(chǎn)spx?file_no=20150104＆flag=1．DOI:10．6041/j．issn．1000-1298．2015．01．004．TANWenxue，ZHAO Chunjiang，WU Huarui，et al．A deep Learning network for recognizing fruit pathologic images based on flexiblemomentum［J/OL］．Transactions of the Chinese Society for AgriculturalMachinery，2015，46(1):20－25．(in Chinese)

13 YANN L，YOSHUA B，GEOFFREY H．Deep learning［J］．Nature，2015，521:436－444．

14 盧宏濤，張秦川．深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺中的應(yīng)用研究綜述［J］．?dāng)?shù)據(jù)采集與處理，2016，31(1):1－17．LU Hongtao，ZHANG Qinchuan．Application of deep convolution neural network in computer vision［J］．Journal of Data Acquisition and Processing，2016，31(1):1－17．(in Chinese)

15 趙志宏，楊紹普，馬增強(qiáng)．基于卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的車牌字符識(shí)別研究［J］．系統(tǒng)仿真學(xué)報(bào)，2010，22(3):638－641．ZHAO Zhihong，YANGShaopu，MA Zengqiang．License plate character recognition based on convolutionalneuralnetwork LeNet-5［J］．Journal of System Simulation，2010，22(3):638－641．(in Chinese)

16 費(fèi)建超，芮挺，周遊，等．基于梯度的多輸入卷積神經(jīng)網(wǎng)絡(luò)［J］．光電工程，2015，42(3):33－38．FEI Jianchao，RUI Ting，ZHOU You，et al．Multi-input convolutional neural network based on gradient［J］．Opto-Electronic Engineering，2015，42(3):33－38．(in Chinese)

17 MARTIN T H，HOWARD B D，MARK H B．神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)［M］．戴葵，宋輝，譚明峰，等譯．北京:機(jī)械工業(yè)出版社，2002．

18 MITCHELL TM．機(jī)器學(xué)習(xí)［M］．曾華軍，張銀奎，譯．北京:機(jī)械工業(yè)出版社，2012．

19 SIMON H．Neural networks and learningmachines［M］．北京:機(jī)械工業(yè)出版社，2010．

20 YANN L，BERNARD E B，JOHN D，et al．Back propagation to handwritten code applied zip recognition［J］．Neural Computation，1989，1(4):541－551．

Intelligent Fresh-tea-leaves Sorting System Research Based on Convolution Neural Network

GAO Zhenyu1，2WANG An1LIU Yong1ZHANG Long1XIA Yingwei1
(1．Institute of Applied Technology，Hefei Institutes of Physical Science，Chinese Academy of Sciences，Hefei230088，China 2．University of Science and Technology of China，Hefei230026，China)

Tea is a high-value crop throughout the world．Most fresh tea leaves are picked bymachines，then various grades are mixed together including broken leaves and leaf stalks．In order to improve quality，the fresh tea leaves picked by machines need to be further classified．However，traditional methods such as winnowing and screening can only sort tea leaves roughly．A new kind of intelligent fresh-tea-leaf sorting system was proposed based on computer vision technology and deep learning method，which can identify and sort tea leaves automatically and accurately．In this system，convolution neural network(CNN)was used to recognize the images of fresh tea leaves，and there was a seven-layer network structure in the CNN identificationmodel．Through image segmentation and scale transformation，the original image was normalized as the input of CNN．CNN was able to learn the characteristics of images independently and can avoid many complicated feature extraction．The preprocessed images were rotated and mapped to serve as the training set，which enhanced the generalization ability of CNN identification model．Meanwhile，the training performance was greatly improved by sharing weights and using a declining learning rate．Experiment results showed that the system can effectively sort out several kinds of tea leaves，single bud，a bud with a leaf，a bud with two leaves，a bud with three leaves，single leaf and leaf stalk．The identification accuracy wasmore than 90%．

tea leaves sorting;deep learning;convolutional neural network;back propagation

S24;TS272.3

A

1000-1298(2017)07-0053-06

2017-04-05

2017-05-19

“十二五”國(guó)家科技支撐計(jì)劃項(xiàng)目(2015BAI01B00)和中國(guó)科學(xué)院戰(zhàn)略性先導(dǎo)科技專項(xiàng)項(xiàng)目(XDA080401)

高震宇(1986—)，男，博士生，主要從事計(jì)算機(jī)視覺及機(jī)器學(xué)習(xí)研究，E-mail:gaozy@mail．ustc．edu．cn

夏營(yíng)威(1985—)，男，副研究員，博士，主要從事計(jì)算機(jī)視覺及機(jī)器人研究，E-mail:xiayw@aiofm．a(chǎn)c．cn

10．6041/j．issn．1000-1298．2017．07．007