基于转移学习的卷积神经网络,用于区分黑茶的发酵程度
Xuesong Zhu1,2, Zezhong Ding3,4, Mei Wang1,5
1Tea Research Institute of Shandong Academy of Agricultural Sciences, Jinan, 250100, China.
NPJ science of food
|August 8, 2025
概括
这项研究引入了一种轻量级的卷积神经网络,用于评估黑茶发酵. 改进的模型提高了准确性和精度,有助于茶叶行业的数字生产.
科学领域:
- 农业科学 农业科学
- 食品科学 食品科学 食品科学
- 计算机科学 计算机科学
背景情况:
- 黑茶发酵对于味道至关重要,但往往依赖于主观的人类评估.
- 目前的方法缺乏一致性和客观性,阻碍了高效的生产.
- 大规模的人工智能模型不适合实际的现场茶叶生产.
研究的目的:
- 开发一种轻量级,准确和实用的AI模型来评估黑茶发酵水平.
- 提高黑茶质量控制的客观性和一致性.
- 为黑茶生产的数字化转型提供技术支持.
主要方法:
- 使用轻量级卷积神经网络 (CNN) 的转移学习.
- 实施基于模型的转移学习策略,比较教师和学生模型.
- 使用PolyLoss和AdamW优化器优化了学生模型.
- 进行了知识蒸实验,以改进模型的性能.
主要成果:
- 优化的CNN模型在关键绩效指标上显示出显著的改进.
- 精度增加了0.0415,精度增加了0.0215,召回增加了0.0902,F1得分增加了0.0645.
- 轻量级的设计使得该模型适合于实际的生产环境.
结论:
- 开发的轻量级CNN有效地评估了黑茶发酵水平,并提高了准确性.
- 这种人工智能驱动的方法为传统方法提供了一致和客观的替代方案.
- 这项研究为现代化黑茶生产过程提供了宝贵的技术援助.
