相关实验视频
Updated: May 6, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.9K
基于表型特征的茶叶地理来源识别使用轻量级深度学习
Guoquan Pei1, Bing Zhou2, Xueying Qian1
1College of Big Data, Yunnan Agricultural University, Kunming, China.
NPJ science of food
|January 9, 2026
概括
一个新的轻量级深度学习模型,Origin-Tea,使用微妙的视觉差异准确识别茶叶的来源. 这种高效的AI为茶叶质量保证和农业中的可追溯性提供了可扩展的解决方案.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 地理来源识别对于茶叶质量保证和可追溯性至关重要.
- 现有的方法通常依赖于沉重的计算模型或手动功能工程.
- 在农业应用中需要有效和可解释的AI解决方案.
研究的目的:
- 推出Origin-Tea,一种用于茶叶来源识别的新型轻型卷积神经网络 (CNN).
- 为了利用深度可分离的卷积和挤压和激发 (SE) 注意力,以实现高效的特征提取.
- 为了证明模型在捕捉微妙的表型变异的有效性,用于来源验证.
主要方法:
- 开发Origin-Tea,一个CNN集成深度可分离的卷积和SE注意力机制.
- 利用了云南省七个地区的900张高分辨率RGB图像的数据集. 云南省七个地区的10张茶叶.
- 采用了10倍分层嵌套交叉验证和数据增强技术 (翻转,旋转,曝光调整).
主要成果:
- 在原始数据集上,Origin-Tea实现了0.92 ± 0.03的平均整体准确率 (OA) 和0.90 ± 0.03的卡帕系数.
- 在准确度方面超过了基线CoAtNet的3.37%,同时模型参数减少了90%以上 (1.7M与17M).
- 在独立测试组中表现出优异的概括性,OA为0.97.
结论:
- Origin-Tea为茶叶来源验证提供了一个计算高效和可解释的解决方案.
- 该模型的性能突显了其在可扩展,可在现场部署的智能农业应用中的潜力.
- 这种方法促进了茶叶行业的精确表型和可追溯性.
