[论文解读] Coffee Roast Intelligence

Sakdipat Ontoum, Thitaree Khemanantakul+3 more|arXiv (Cornell University)|Jun 3, 2022

Coffee research and impacts被引用 5

一句话总结

本文提出了「咖啡烘焙智能」（Coffee Roast Intelligence），一款基于安卓的移动应用，利用卷积神经网络（CNN）通过智能手机拍摄的图像对咖啡豆烘焙程度进行分类，预测四种烘焙等级（生豆、浅烘、中烘、深烘）的准确率约为82%。该系统可实时显示文字标签和预测置信度分数，帮助咖啡师与烘焙师克服人为感知差异，确保烘焙品质的一致性。

ABSTRACT

As the coffee industry has grown, there would be more demand for roasted coffee beans, as well as increased rivalry for selling coffee and attracting customers. As the flavor of each variety of coffee is dependent on the degree of roasting of the coffee beans, it is vital to maintain a consistent quality related to the degree of roasting. Each barista has their own method for determining the degree of roasting. However, extrinsic circumstances such as light, fatigue, and other factors may alter their judgment. As a result, the quality of the coffee cannot be controlled. The Coffee Roast Intelligence application is a machine learning-based study of roasted coffee bean degrees classification produced as an Android application platform that identifies the color of coffee beans by photographing or uploading them while roasting. This application displays the text showing at what level the coffee beans have been roasted, as well as informs the percent chance of class prediction to the consumers. Users may also keep track of the result of the predictions related to the roasting level of coffee beans.

研究动机与目标

• 开发一种基于机器学习的系统，通过图像分析准确分类咖啡豆的烘焙程度。
• 减少因光照条件、疲劳等因素导致的人为烘焙程度判断误差。
• 为咖啡师与咖啡馆经营者提供一种可靠、实时的工具，用于监控烘焙过程中的烘焙进度。
• 使用户能够存储并标注烘焙预测结果，以实现品质控制与配方追踪。
• 通过自动化图像分类标准化烘焙程度识别，确保咖啡风味的一致性。

提出的方法

• 使用包含1,000多张在四种不同烘焙程度下拍摄的咖啡豆图像数据集，对卷积神经网络（CNN）进行训练：生豆（未烘焙）、浅烘、中烘、深烘。
• 图像使用iPhone 12 Mini在光照和相机位置一致的条件下拍摄，以确保图像质量并减少变异。
• 以图像的RGB值作为CNN模型的输入特征，模型学习基于颜色与纹理模式对烘焙程度进行分类。
• 采用五折交叉验证策略训练模型，以评估泛化性能并防止过拟合。
• 使用Flutter构建安卓应用，集成Firebase（用于用户数据）和MongoDB（用于存储预测结果、时间戳和描述）。
• 预测结果以文字烘焙等级标签和置信度百分比形式显示，用户可保存结果并添加自定义描述以备未来参考。

实验结果

研究问题

• RQ1 基于CNN的图像分类系统能否准确判断智能手机拍摄照片中咖啡豆的烘焙程度？
• RQ2 该模型在不同烘焙程度（如生豆、浅烘、中烘、深烘）上的表现如何，其精确率与召回率有何差异？
• RQ3 该系统在多大程度上可减少因光照、疲劳或主观判断导致的烘焙程度判断差异？
• RQ4 该系统在多次烘焙过程中维持烘焙品质一致性的有效性如何？
• RQ5 用户能否有效利用应用的历史记录与标注功能追踪并回忆烘焙结果？

主要发现

• 模型在测试数据集上的总体准确率约为82%，大多数类别预测的置信度分数落在0.7至0.9之间。
• 混淆矩阵显示，深烘与生豆分类表现优异，分别正确预测了193例与200例（共250个样本）。
• 中烘的误分类率最高，247个样本中有35个被错误预测为深烘。
• 浅烘分类准确率中等，300个样本中有283个正确预测，但有8个被误判为中烘。
• 系统成功显示了带有置信度分数的预测结果，用户可借助应用的历史功能存储并标注烘焙结果。
• 训练-验证准确率与损失曲线表明模型在训练过程中稳定收敛，表明训练有效且过拟合程度较低。