一种在一定重量范围内实现直读茶叶百芽重的方法

技术领域

本发明涉及茶叶检测技术领域，特别涉及一种在一定重量范围内实现直读茶叶百芽重的方法。

背景技术

茶叶在采摘之后，需要对在一定重量范围内且嫩度相同的茶叶进行计算百芽重，百芽重的定义为：采摘100个新梢的总重量，单位为克。百芽重是新梢质量及粗壮、大小程度的衡量指标。但是，现在测量百芽重的方法需要人工取样，人工选取100个相同展叶数的新梢或采下的混合新梢，称重，三次以上的平均值，过程繁琐，且工作效率低。

发明内容

(一)要解决的技术问题

本发明可以解决现有人工选取100个相同展叶数的新梢或采下的混合新梢，称重，三次以上的平均值，过程繁琐，且工作效率低的难题。

(二)技术方案

为了实现上述目的，本发明采用以下技术方案，一种在一定重量范围内实现直读茶叶百芽重的方法，具体包括以下步骤；

S1：随机抓取一定重量范围内的相同嫩度的芽头，或随机抓取一定重量范围内的不同嫩度混杂的芽头；

S2：直接读取芽头数，使芽头通过yolov5或SSD视觉目标检测模块或卷积神经网络的目标检测直接得出一共抓取了多少芽头，或各嫩度分别抓取了多少芽头；

S3：识别到精确重量和芽头数反馈给计算程序，将yolov5或SSD视觉目标检测模块或卷积神经网络检测得出芽头数量和芽头重量反馈给计算程序,计算程序通过计算公式将百芽重显示在屏幕上面；

S4：直读百芽重，人工直接通过屏幕读出百芽重。

作为本发明的一种优选技术方案，所述S1中，一定重量范围具体为：当抓取的为中小叶种茶鲜叶时，抓取相同嫩度芽头的重量范围应该是：3g＜单芽取值重量≤10g，10g＜一芽一叶取值重量≤20g，20g＜一芽二叶取值重量≤35g，35g＜一芽三叶取值重量≤50g；当抓取的为大叶种茶鲜叶时，抓取相同嫩度芽头的重量范围应该是：10g＜单芽取值重量≤20g，20g＜一芽一叶取值重量≤40g，40g＜一芽二叶取值重量≤60g，60g＜一芽三叶取值重量≤80g；

当抓取的为中小叶种茶鲜叶时，抓取不同嫩度混杂的芽头的重量范围应该是：3g＜取值重量≤50g；当抓取的为大叶种茶鲜叶时，抓取不同嫩度混杂的芽头的重量范围应该是：10g＜取值重量≤80g。

作为本发明的一种优选技术方案，所述S2中SSD读取方法包括以下步骤：

S211：首先构建SSD模型，SSD目标检测方法结合YOLO的回归思想和Faster-RCNN中的Anchor boxes机制，通过综合利用多尺度特征层各层优势互补的特点准确的检测出芽头的数量；

S212：先验框生成，SSD方法采用了多尺度单发射击的特征层进行分类和定位，根据SSD原理，Conv4_3尺寸单独设置，其最小尺寸设置为Smin/2，即30，最大尺寸为60，

①式中m＝5,Smin＝0.2,Smax＝0.9,S

SSD默认框长宽比采用tr∈{1,2,3,1/2,1/3}，增强先验框长宽比对目标形状的鲁棒性，针对先验框宽高比t＝1的先验框，添加对特征图Conv4_3、Conv8_2、Conv9_2不使用长宽比为3、1/3的先验框，而在特征图Conv7、Conv6_2、Conv7_2都使用6个默认框，每个先验框长度、宽度的计算公式如下：

先验框中心坐标为

③中|h

i∈{0,1,2,…，|h

S213：损失函数，网络训练时的总体目标损失函数是先验框和边界框的位置误差和分类的置信度误差的加权和；

S214：特征融合，在SSD模型的基础框架上，首先对Conv3_3、Conv4_3、FC7、Conv6_1、Conv7_1、Conv9_2这些不同大小特征层，用padding＝0的1×1卷积核在这些特征图上做卷积操作，保证融合时的通道统一，然后采用双线性插值操作使特征图大小统一(因为这里的融合是不同level的层之间的融合，特征图尺寸各不相同，采用双线性插值将所有的source特征图转换成统一的大小)，最后采用连接融合的方式得到了Conv4_3_1、FC7_1、Conv6_2_1、Conv7_2_1新的不同大小的特征图。

作为本发明的一种优选技术方案，所述步骤S2中，包括以下步骤：

S215：首先进行数据构建，将随机抓取一定范围内的相同嫩度的芽头70％作为训练集，30％作为验证集；

S216：进行图像预处理，利用OpencV中的cv2.inRang函数对原图像进行二值化处理，得到含有大量噪声点的二值图像，对二值图进行中值滤波、形态学操作和面积去噪后，得到不含噪声的二值图像，将二值图作为掩膜，与原图像进行“与”操作得到去除背景的RGB三通道图像，检测出芽头轮廓，并得到芽头最小外接矩形，为了保持芽头形状轮廓不受裁剪影响，将芽头外接矩形每条边向外扩展5个像素作为裁剪矩形，得到单个芽头图像，为了满足卷积神经网络对输入图像的要求，芽头图像在输入前统一调整为224像素×224像素的正方形图像；

S217：归一化成，批量归一化(BN)防止网络过拟合，在每一层的激活函数之前采用批量归一化处理，使非激活的输出服从均值为0方差为1的正态分布，然后通过缩放和平移，将批量归一化计算结果还原为原始输入特性；

S218：激活函数，激活函数将非线性因素引入神经元，使得深度神经网络可以逼近任何非线性函数，增强深度神经网络的学习能力。

作为本发明的一种优选技术方案，所述S3中，当软件识别到重量和读取到芽头数之后，将数据反馈给计算机程序，根据百芽重公式：百芽重＝总重量÷芽头数×100以及综合百芽重公式：综合百芽重＝单芽百芽重*0.75+一芽一叶百芽重*0.52+一芽二叶百芽重*0.25+一芽三叶百芽重*0.15。

作为本发明的一种优选技术方案，所述S4中，计算的数据显示在屏幕上面，人工直接在屏幕上读取出百芽重的数值，并进行记录。

(三)有益效果

1.本发明提供的在一定重量范围内实现直读茶叶百芽重的方法，在重量范围内随机抓取相同嫩度芽头，或随机抓取一定重量范围内的不同嫩度混杂的芽头，不用精确芽头的重量，只要符合范围便可，避免了人工选取大量芽头的烦琐；

2.本发明提供的在一定重量范围内实现直读茶叶百芽重的方法，实时直读百芽重，免去人工计数称重计算；

3.本发明提供的在一定重量范围内实现直读茶叶百芽重的方法，可以测出在重量范围内的不同嫩度及不同品种芽头的百芽重，不同品种芽头以及综合不同嫩度芽头的百芽重；

4.本发明提供的在一定重量范围内实现直读茶叶百芽重的方法，适用于茶叶产物中茶鲜叶指标测定，茶树品种指标测定，茶鲜叶产品的测定，茶叶品质指标测定以及茶鲜叶市场鲜叶指标的快速测定；

5.本发明提供的在一定重量范围内实现直读茶叶百芽重的方法，利用移动端设备也可直读百芽重，在移动设备端安装上述计数算法程序及移动电子秤(需手动输重量)，专用设备可将称重设备上显示的数值传到计数程序中，直读百芽重；

6.本发明提供的在一定重量范围内实现直读茶叶百芽重的方法，读取芽头数采用yolov5或SSD视觉目标检测程序或卷积神化网络的目标检测，方便快捷。

附图说明

为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1是本发明的抓取流程示意框图；

图2是本发明的抓取相同嫩度流程示意框图；

图3是本发明实施例1抓取中小叶种时流程示意框图；

图4是本发明实施例1抓取大叶种时流程示意框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

因此，以下对在附图中提供的本发明的实施方式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方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要理解的是，术语“纵向”、“上”、“下”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

实施例1

请参阅图1和图4，一种在一定重量范围内实现直读茶叶百芽重的方法，具体包括以下步骤：

S1：随机抓取一定范围内的一芽二叶的芽头，抓取的为中小叶种时，应当抓取20g到35g之间；抓取的为大叶种时，应当抓取40g到60g之间；

S2：直接读取芽头数，使芽头通过yolov5或SSD视觉目标检测模块或卷积神经网络的目标检测直接得出一共抓取了多少芽头，当使用的检测方法为SSD视觉目标检测时，具体步骤如下：

S211：首先构建SSD模型，SSD目标检测方法结合YOLO的回归思想和Faster-RCNN中的Anchor boxes机制，通过综合利用多尺度特征层各层优势互补的特点准确的检测出芽头的数量；

S212：先验框生成，SSD方法采用了多尺度单发射击的特征层进行分类和定位，根据SSD原理，Conv4_3尺寸单独设置，其最小尺寸设置为Smin/2，即30，最大尺寸为60，

①式中m＝5,Smin＝0.2,Smax＝0.9,S

先验框中心坐标为

③中|h

S213：损失函数，网络训练时的总体目标损失函数是先验框和边界框的位置误差和分类的置信度误差的加权和；

S214：特征融合，在SSD模型的基础框架上，首先对Conv3_3、Conv4_3、FC7、Conv6_1、Conv7_1、Conv9_2这些不同大小特征层，用padding＝0的1×1卷积核在这些特征图上做卷积操作，保证融合时的通道统一，然后采用双线性插值操作使特征图大小统一(因为这里的融合是不同level的层之间的融合，特征图尺寸各不相同，采用双线性插值将所有的source特征图转换成统一的大小)，最后采用连接融合的方式得到了Conv4_3_1、FC7_1、Conv6_2_1、Conv7_2_1新的不同大小的特征图；

当使用的检测方法为卷积神经网络的目标检测时，具体步骤如下：

S215：首先进行数据构建，将随机抓取一定范围内的相同嫩度的芽头70％作为训练集，30％作为验证集；

S216：进行图像预处理，利用OpencV中的cv2.inRang函数对原图像进行二值化处理，得到含有大量噪声点的二值图像，对二值图进行中值滤波、形态学操作和面积去噪后，得到不含噪声的二值图像，将二值图作为掩膜，与原图像进行“与”操作得到去除背景的RGB三通道图像，检测出芽头轮廓，并得到芽头最小外接矩形，为了保持芽头形状轮廓不受裁剪影响，将芽头外接矩形每条边向外扩展5个像素作为裁剪矩形，得到单个芽头图像，为了满足卷积神经网络对输入图像的要求，芽头图像在输入前统一调整为224像素×224像素的正方形图像；

S217：归一化成，批量归一化(BN)防止网络过拟合，在每一层的激活函数之前采用批量归一化处理，使非激活的输出服从均值为0方差为1的正态分布，然后通过缩放和平移，将批量归一化计算结果还原为原始输入特性；

S218：激活函数，激活函数将非线性因素引入神经元，使得深度神经网络可以逼近任何非线性函数，增强深度神经网络的学习能力。

S3：识别到精确重量和芽头数反馈给计算程序，将yolov5或SSD视觉目标检测模块或卷积神经网络检测得出的芽头数量和芽头重量反馈给计算程序,计算程序通过计算公式将百芽重显示在屏幕上面，当软件识别到重量和读取到芽头数之后，将数据反馈给计算机程序，根据公式：百芽重＝总重量÷芽头数×100。

S4：直读百芽重，当计算软件将百芽重显示在屏幕上之后，人工直接在屏幕上读取出百芽重的数值，并进行记录。

实施例2

传统测法与使用在一定重量范围内实现直读百芽重的方法的测定：

1、品种选择

本次实验以小叶种的千年雪、中叶种的中茶302、大叶种的川沐28为研究对象，对三个品种分别进行传统百芽重测定和使用在一定重量范围内实现直读百芽重的方法的测定。

2、两种百芽重测定方法

传统百芽重方法：在三个种植品种的茶园人工随机抓取一芽二叶的芽头100颗，称重，取三次以上的平均值，具体测定结果见表1。

相同嫩度下在一定重量范围内实现直读百芽重的方法：

①随机抓取千年雪一芽二叶芽头23g，中茶302一芽二叶芽头31g，川沐28一芽二叶芽头42g；

②用SSD视觉目标检测或YOLOV5或卷积神经网络目标检测直接读出芽头数；

③将重量和芽头数反馈给计算程序，利用公式百芽重＝重量÷芽头数×100；

④直读百芽重，千年雪的输出结果为“一芽二叶百芽重＝20.9g”，中茶302的输出结果为“一芽二叶百芽重＝21.8g”，川沐28的输出结果为“一芽二叶百芽重＝38.5g”，具体测定结果见表1。

表1

实施例3

不同嫩度芽头混杂时测定百芽重，用于茶鲜叶交易市场中快速判断茶鲜叶指标。选取中茶302为对象，使用在一定范围内实现直读百芽重的方法测定，样品检测步骤如下：

1、随机抓取不同嫩度芽头混杂的中茶302鲜叶20g，其中单芽21个，一芽一叶25个，一芽二叶42个，一芽三叶25个；

2、用SSD视觉目标检测对芽头嫩度进行检测并读取各嫩度芽头数量；

3、计算程序用综合百芽重公式的系数估算各嫩度芽头百芽重，同时利用到百芽重公式＝重量÷芽头数×100。计算得出单芽百芽重为6.5g，一芽一叶百芽重为9.4g，一芽二叶百芽重为19.5g，一芽三叶百芽重为32.5g；

4、计算程序根据综合百芽重公式＝单芽百芽重*0.75+一芽一叶百芽重*0.52+一芽二叶百芽重*0.25+一芽三叶百芽重*0.15，直接输出结果为“综合百芽重＝19.51g”。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。