来源：期刊VIP网 时间：
作者：朱绍辉;赵文举;马博慧;杨化林;邓芳;
单位：青岛科技大学机电工程学院;
摘要：为减少重复构建不同季节、不同地区茶叶嫩芽数据样本的时间成本，提高利用深度学习模型识别不同茶叶嫩芽的精度和泛化性，提出了一种基于深度迁移学习的小样本茶叶嫩芽识别模型QY-Yolov7-Tea。通过将迁移学习技术引入深度学习，构建源域嫩芽Yolov7检测模型获取预训练权重，针对Yolov7模型的骨架、颈部、检测头部分进行微调、冻结，并依据预训练权重针对不同目标样本进行试验验证，最终形成嫩芽迁移模型。结果表明，与传统Yolov7嫩芽检测模型相比，深度迁移学习模型在对不同季节和不同地区茶叶嫩芽识别任务中平均精度均值分别提升了8.8个百分点和15.4个百分点，显著改善了模型的鲁棒性和识别能力，有效应对了训练样本不足的问题。
关键词：茶叶嫩芽;;深度学习;;迁移学习;;模型微调
基金资助：国家自然科学基金（52101401）;; 山东省重点研发计划（2024CXPT033）;; 湖北省重点实验室开放基金（KFJJ-2022012）
