基于卷积网络注意力机制的茶叶杀青参数智能调控方法

技术领域

本发明属于茶叶智能化加工技术领域，具体涉及一种基于卷积网络注意力机制的茶叶杀青参数智能调控方法。

背景技术

茶叶从原料采摘到最终售卖的阶段，需要经过一系列的加工阶段，现代茶叶加工大多数工序是通过自动化生产线上的加工机械完成的；杀青是茶叶加工过程中非常关键的一个环节，能让最终生产出的茶叶表现出很好的色、香、味性质；杀青环节利用多酚类酶在高温环境下氧化性质活性降低的特性，控制加工环节中的温度条件抑制其活性以达到杀青目的。

由于茶叶杀青环节依赖于茶叶的特征以及机械结构产生的运动，现在大都是通过经验丰富的工人师傅操作数字化生产线上的上位机来调节相关的参数进行加工控制，但是，人工审判有一定的主观性，经验难以传承，加工装备智能化水平低，这些都严重阻碍了茶叶加工的发展。

绿茶加工主要正确掌握“高温杀青、先高后低”，“抛闷结合、多抛少闷”和“老叶嫩杀、嫩叶老杀”的杀青原则，转换到对生产线上的要求就是要把控好温度和机器的运动参数等，而如何根据茶叶少量的特征智能地调控加工参数是当前茶叶加工的难点。

例如CN113100304A公开了一种高品质铁观音茶叶动态受热干燥脱水提香工艺，采用震动输送带完成茶叶的晒青、晾青、摇青，利用震动输送带代替传统人工，进而实现工艺参数可控，同时输送带上部需设有LED植物补光灯，当光照度不足时进行光线补充；环形震动输送带还设有加热装置，当温度不足时进行补足，通过这种方式既能够保证茶叶品质的情况下节省人工，又能够利用装置弥补环境缺陷；茶叶揉烘过程中采用自动揉捻机组、震动输送带、远红外线加热烘干室完成茶叶的揉烘。

上述技术方案虽然能够控制茶叶的工艺参数，但是不够智能化，无法根据茶叶的特征智能地调控茶叶最优加工参数。

针对现有技术存在的问题，急需一种能够根据茶叶特征实现智能化调控加工设备参数的方法，以解决现有的加工设备加工茶叶时加工参数调节不够智能的问题；以及解决现有加工设备需要工作人员根据经验主观判断加工参数而带来的准确性问题和经验传承问题。

发明内容

针对现有技术存在的问题和缺陷，本发明的目的是提供一种基于注意力机制和卷积神经网络的多因子茶叶杀青智能调控方法来建立茶叶加工参数和茶叶特征的关系，通过卷积层提取茶叶的深度特征，再构建注意力机制层以关注重要的特征，并建立茶叶特征与加工参数之间的关系，实现茶叶杀青参数的智能调控。

为了实现上述目的，本发明提出了基于卷积网络注意力机制的茶叶杀青参数智能调控方法，包括如下步骤：

步骤1：采集茶叶加工过程中的加工参数数据、茶叶状态数据和其它数据(茶叶状态数据和其它数据共同组成茶叶多因子特征)，其中加工参数包括一区温度、二区温度、三区温度、四区温度、五区温度、滚筒直速度、上料直速度、排湿风机变速度；茶叶状态包括茶叶片大小、茶叶等级、杀青前含水率、杀青后含水率，其它数据包括加工日期和图片G分量，构建数据库；

步骤2：对采集到的茶叶数据进行预处理，并将其分为训练集、测试集；

步骤3：构建基于注意力机制和卷积神经网络的多因子茶叶杀青参数智能调控模型，所述模型包括卷积层、BN层、卷积通道注意力模块、全连接层；

步骤4：将准备好的数据放入模型中进行训练，模型能够根据茶叶多因子特征预测并智能调控杀青参数；

训练采用均方根误差(RMSE)作为损失函数；经过超参数优化后，选用Adam作为优化器，学习率设为0.001，批处理数量为4；

均方根误差的表达式如下：

其中，f(x

其中，Adam优化器的优化过程如下：

其中，m

本发明中提出的基于卷积网络注意力机制的茶叶杀青参数智能调控方法的核心是改进注意力机制以计算多个卷积通道的权重，进行特征重要性的调整。在实际生产过程中，面对茶叶特征有限的情况下利用注意力机制和卷积神经网络模型智能调控杀青参数，对于茶叶智能化加工具有十分重要的意义。

优选的，所述步骤1中，数据库中有若干个样本，样本由茶叶多因子特征和加工参数组成，其中多因子特征集合为{加工日期、图片G分量、茶叶片大小、茶叶等级、杀青前含水率、杀青后含水率}，加工参数集合为{一区温度、二区温度、三区温度、四区温度、五区温度、滚筒直速度、上料直速度、排湿风机变速度}。

其中，G分量指的是茶叶图片去除背景后的RGB图像分量中G的平均值，茶叶大小是根据人工评判分为大中小三个等级，茶叶等级是根据有经验的人工打分得到的，含水率是抽取5g茶叶放在快速水分测定仪上测量的结果；

优选的，所述步骤2中，对每批茶叶的等级和生产日期进行编码，为了消除特征量纲不同的影响并加快模型收敛速率，对数据库中的每一项数据进行归一化预处理，所述归一化处理的具体公式如下：

其中，x为每个样本中的各个参数值，min指的是每个样本中同一个参数的最小值，max为每个样本中同一个参数的最大值，x’是归一化后的值；

其中茶叶等级从低到高编码为1～6，而茶叶生产日期编码为茶叶生长日到加工日期的天数。

优选的，所述步骤3中确定卷积层、卷积通道注意力模块、全连接层的数量以及在整个模型中的对应位置以构建模型。

优选的，所述步骤3中卷积神经网络的结构依次为：卷积核为1x3的卷积层、BN层、两个串接的卷积通道注意力模块、中间带有ReLU激活层的两个全连接层，其中ReLU的函数表达式为：

f(x)＝max(0,x)。

优选的，将步骤2中的训练集数据输入到步骤3的模型中时，先由6扩维生成1×6，其中卷积层的步长、卷积核维度、padding分别为1、1、0，卷积核个数为64，经过卷积层后的数据维度为64×4。

优选的，所述步骤3中卷积层的特征经过BN层后，输入卷积通道注意力模块，该模块的数学模型如下：

M

其中F为该模块的输入特征，F’为该模块的输出特征，M

所述输入特征先经过并行的平均池化、最大池化、方差池化，具体方法为求每个通道的平均值、最大值和方差，池化后得到3个平行的64×1池化特征作为MLP的输入，MLP有两层，第一层神经元个数为8，第二层神经元个数为1，平行的3个池化层数据经过同一个MLP得到3个64×1的特征，相加后得到64×1的特征，再经过Sigmoid激活层得到数据维度为64×1的通道权重，最后通道权重和输入特征相乘得到数据维度为64×4的茶叶特征。

最大池化层可以保留茶叶特征中的最大值，平均池化层考虑了茶叶加工的每个特征，方差池化层则考虑茶叶特征的差异性，经过同一个多层感知机后将特征相加，能够得到卷积输出的各个通道的重要性；为了加强特征重要性的调整，将两个注意力机制模块进行堆叠，输出经过重要性调整后的茶叶特征，再将其输入最后的两层全连接就能够精准的输出多因子杀青参数。

优选的，所述数据维度为64×4的茶叶特征经过第二个卷积通道注意力模块输出维度为64×4的特征，经过第二个卷积通道注意力模块时能够使64个通道权重分配更加准确，再展平后特征维度变为256，作为全连接层的输入。

优选的，所述维度为256的特征经过第一层全连接层后的数据维度变为64，再经过第二个全连接层得到维度为8的茶叶杀青加工参数。

优选的，所述步骤4中模型在训练时，根据测试集的表现能够挑选出最佳的一种基于注意力机制和卷积神经网络的多因子茶叶杀青参数智能调控模型。

本发明与现有技术相比较具有如下有益效果：

1、本发明提出了一种基于注意力机制和卷积神经网络的茶叶杀青调控方法来建立茶叶加工参数和茶叶特征的关系，通过卷积层提取茶叶的深度特征，再构建注意力机制层以关注重要的特征，并建立茶叶特征与加工参数之间的关系，实现茶叶杀青参数的智能调控。

2、本发明减少了工人调节茶叶杀青加工参数的工作量，使用较少特征的小样本数据构建出模型，充分利用茶叶的图像、嫩度、大小信息，很好的提取了茶叶的特征并基于卷积通道注意力机制进行了特征重要性调整。本发明很好的解决了茶叶杀青加工经验难以继承的问题，对推动茶叶的数字化和智能化加工意义重大。

3、本发明的最大池化层可以保留茶叶特征中的最大值，平均池化层考虑了茶叶加工的每个特征，方差池化层则考虑茶叶特征的差异性，经过同一个多层感知机后将特征相加，能够得到卷积输出的各个通道的重要性；为了加强特征重要性的调整，将两个注意力机制模块进行堆叠，输出经过重要性调整后的茶叶特征，再将其输入最后的两层全连接就能够精准的输出多因子茶叶杀青参数。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的基于卷积网络注意力机制的茶叶杀青参数智能调控方法的流程示意图；

图2为本发明的基于注意力机制和卷积神经网络的多因子茶叶杀青参数智能调控模型的整体结构示意图；

图3为本发明的卷积通道注意力模块的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一、

如图1-3所示，本实施例提出了基于卷积网络注意力机制的茶叶杀青参数智能调控方法，包括如下步骤：

步骤1：采集茶叶加工过程中的加工参数数据、茶叶状态数据和其它数据，并构建数据库，数据库中有若干个样本，样本由绿茶多因子特征和加工参数组成，多因子集合为{加工日期、图片G分量、茶叶片大小、茶叶等级、杀青前含水率、杀青后含水率}，加工参数集合为{一区温度、二区温度、三区温度、四区温度、五区温度、滚筒直速度、上料直速度、排湿风机变速度}；

其中，G分量指的是茶叶图片去除背景后的RGB图像分量中G的平均值；茶叶大小分根据人工评判分为大中小三个等级；茶叶等级是根据有经验的人工打分获得，包含3级、2级、1级、特1级、特A级、特级；含水率是抽取5g茶叶放在快速水分测定仪上测量的结果；

步骤2：将采集到的茶叶数据进行预处理，并将其分为训练集、测试集，此次收集到的数据总共有71个样本，随机选取40个样本进行训练，其余的31个作为测试集合。对每批茶叶的等级和生产日期进行编码，对茶叶等级进行编码规则为{“3级”：10,“2级”：20,“1级”：30,“特1”：40,“特A级”：50,“特级”：60}，对茶叶加工日期的编码规则为取加工日期与3月1日的天数之差，茶叶大小从小到大编码为1、2、3。此外，为了消除特征量纲不同的影响和加快模型收敛，对数据库中的每一项数据进行归一化预处理，具体的公式为

步骤3：构建基于注意力机制和卷积神经网络的多因子茶叶杀青参数智能调控模型，该模型主要包括卷积层、卷积通道注意力模块、全连接层；

作为优选，确定卷积层、卷积通道注意力模块、全连接层的数量以及每个模块在整个模型中的对应位置以构建模型；

作为优选，步骤3中的神经网络结构依次为卷积核是1x3的卷积层、BN层、两个串接的卷积通道注意力模块、中间带有ReLU激活层的两个全连接层，其中ReLU的函数表达式为：

f(x)＝max(0,x)

作为优选，将步骤2中的训练集数据输入到步骤3的模型中时，由6扩维生成1×6，卷积层的步长、卷积核维度、padding分别为1、1、0，卷积核个数为64，经过卷积层后的特征维度为64×4；

作为优选，步骤3中卷积层的特征经过BN层后，输入步骤3中的卷积通道注意力模块，该模块的数学模型如下：

M

其中F为该模块的输入特征，F’为该模块的输出特征，Mc为卷积通道注意力模块的输出，AvgPool、VarPool、MaxPool分别为平均池化、方差池化、最大池化，MLP为多层感知机，σ为Sigmoid激活层，Sigmoid函数的表达式如下：

所述输入特征先经过并行的平均池化、最大池化、方差池化，具体方法为求每个通道的平均值、最大值和方差，池化后得到3个平行的64×1池化特征作为MLP的输入，MLP有两层，第一层神经元个数为8，第二层神经元个数为1，平行的3个池化层数据经过同一个MLP得到3个64×1的特征，相加后得到64×1的特征，再经过Sigmoid激活层得到数据维度为64×1的通道权重，最后通道权重和输入特征相乘得到数据维度为64×4的茶叶特征。

作为优选，64×4的特征经过第二个卷积通道注意力模块输出维度为64×4的特征，经过第二个卷积通道注意力模块时64个通道权重分配更加准确，再展平后数据维度变为256，作为下一个全连接层的输入；

作为优选，所述维度为256的特征经过第一层全连接层后的数据维度变为64，再经过第二个全连接层得到维度为8的茶叶杀青加工参数。

所述基于注意力机制和卷积神经网络的多因子茶叶杀青参数智能调控模型的参数设定如下表1所示，与图2、3中的网络结构图相对应：

表1:

步骤4：将准备好的数据放入模型中进行训练，达到根据茶叶原料特征和期望指标调控杀青加工参数的目标。采用均方根误差(RMSE)作为损失函数。经过超参数优化后，选用Adam作为优化器，学习率为0.001，批处理数量为4；

均方根误差的表达式如下：

其中，f(x

Adam优化器的优化过程如下：

其中，m

经过挑选，在测试集上表现最好的模型对每个加工参数的预测误差率分别为[2.75％,2.75％,2.83％,2.93％,3.24％,0.85％,9.88％,6.00％]，可满足绿茶杀青参数精准、智能调控的要求。

当然，以上所述仅为本发明的具体实施例而已，并非来限制本发明实施范围，凡依本发明申请专利范围所述构造、特征及原理所做的等效变化或修饰，均应包括于本发明申请专利范围内。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。