智能化的茶叶识别作为现代农业发展的一部分,一直是人们关注的焦点。随着人工智能时代的到来和信息技术的发展,茶叶检测部门和茶叶企业如何使用计算机技术对鲜茶品种进行鉴定,快速、准确的区别出茶叶的真假,同时节约茶叶检测成本,其重点在于提高茶叶识别的准确率。因此,通过计算机技术提高茶叶识别准确率显得极为重要。近年来,茶叶识别一直是计算机视觉领域的研究热点。本文将学习功能和神经科学相结合,创造性地应用于茶叶识别,通过改进和优化深度学习的算法和模型,从而提高茶叶识别的准确性和及时性。本文的主要工作如下:(1)对近些年来的计算机视觉领域的算法研究以及模型进行了归纳和总结。在早期的深度学习领域研究中,采用人工神经网络的逆乘法算法进行特征识别,然后有支持向量机、提升、最大熵等方法。在模型上总结了自动编码、终极Boltzmann机器、深度信念网络和卷积神经网络的发展。(2)完成了茶叶数据采集和预处理。本文使用高清摄影机对自然环境下的15个茶叶品种进行了采样,在采样后,通过光照变化、水平镜面翻转、随机裁剪、数据标准化等前期预处理工作后,通过一系列前期预处理工作,将15个品种的茶叶通过数据标准化将数据量大幅度扩充,最终达到的数据量约有5200幅图像数据。(3)开展了基于深度学习的茶叶识别率研究。使用watershed函数对15个品种的茶叶数据集数据进行扫描,将扫描后的数据通过grabcut算法进行分割,最终将分割后的数据进行训练集、验证集和测试集的划分,供网络模型训练和测试使用。对于最终扫描分割出的数据集,当采用浅8层CNN神经网络模型进行训练时,无论是在准确率还是时间上,都表现的不是特别理想,所有品种茶叶识别率均为80%左右。因此,对于扩充的数据库,我们的研究思路主要是利用深度学习的框架,改进CNN网络模型的思想,加深网络层次,调整网络参数,使得逐层的自主学习更为深层。实验结果表明,通过添加迁移学习初始化方法,调整深层网络结构以及使用Momentum梯度下降算法后,对相同茶叶数据集识别的准确率相比浅层网络具有显著提升,最终所有品种茶叶的识别率普遍提高到90%以上,单独品种识别率最高达到99.23%。本文针对茶叶识别过程中计算机识别率相对较低的问题,通过实施一系列优化方法,使得优化后的网络具有更深、更广、更好的性能,从而解决了传统浅层网络模型的不足,进而对提升茶叶品种识别的准确性以及茶叶真假鉴定提供理论基础,也对后期茶叶品种智能化分类起到理论借鉴作用。