轻量级的CNN与知识蒸相结合,用于准确确定黑茶发酵度
Zezhong Ding1, Chongshan Yang2, Bin Hu3
1Tea Research Institute of Shandong Academy of Agricultural Sciences, Jinan 250100, China; College of Mechanical and Electronic Engineering, Shihezi University, Shihezi 832000, China.
Food research international (Ottawa, Ont.)
|September 4, 2024
概括
本研究引入了一种机器视觉方法,使用轻型卷积神经网络 (CNN) 和知识蒸来准确确定黑茶发酵水平,改善茶叶生产的质量控制.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 黑茶发酵对于质量至关重要,但依赖于主观的人类经验,导致不一致.
- 需要客观和准确的方法来评估黑茶发酵程度.
研究的目的:
- 利用机器视觉和深度学习开发一种用于区分黑茶发酵的自动化系统.
- 为此任务通过知识蒸优化轻量级卷积神经网络 (CNN) 模型.
主要方法:
- 一个轻量级的CNN (Shufflenet_v2_x1.0) 被训练成一个学生模型,以Efficientnet_v2作为教师模型.
- 知识蒸技术,包括掩盖生成蒸 (MGD),被用于焦点损失.
- 为了找到最佳性能,测试了各种蒸损失比率.
主要成果:
- 优化的模型实现了高分辨性能,P,R和F1分数分别为0.9208,0.9190和0.9192.
- 使用0.8的蒸损失比率的掩盖生成蒸 (MGD) 产生了最好的结果.
- 这种方法提高了歧视的准确性,而不会增加模型的复杂性.
结论:
- 机器视觉与知识蒸相结合,为客观的黑茶发酵评估提供了有效的解决方案.
- 该技术为黑茶行业的智能加工和质量控制提供技术支持.
更多相关视频
09:12Optimization of Processing of Tiebangchui with Highland Barley Wine Based on the Box-Behnken Design Combined with the Entropy Method
Published on: May 19, 2023
600
10:35Study on the Metabolism of Six Systemic Insecticides in a Newly Established Cell Suspension Culture Derived from Tea Camellia Sinensis L. Leaves
Published on: June 15, 2019
7.7K