吳瑞梅，吳彥紅，艾施榮，劉木華，趙杰文，嚴(yán)霖元

(1.江西農(nóng)業(yè)大學(xué) 工學(xué)院，江西 南昌 330045;2.江西農(nóng)業(yè)大學(xué) 軟件學(xué)院，江西 南昌 330045;3.江蘇大學(xué)食品與生物工程學(xué)院，江蘇 鎮(zhèn)江 212013)

茶葉是一種有益于人體健康的保健飲料。目前，茶葉品質(zhì)好壞、等級劃分、價值高低決定主要由人工感官審評進行，該方法相對簡便，能對茶葉的風(fēng)味特征進行鑒別和描述，但感官審評結(jié)果由評茶師的經(jīng)驗決定，具有明顯的隨意性和不確定性，主觀性強，一致性差。研究采用科學(xué)儀器量化茶葉的品質(zhì)指標(biāo)，可有效避免感官評定方法存在的缺陷，提高茶葉品質(zhì)評價的準(zhǔn)確性、穩(wěn)定性和一致性。

茶葉品質(zhì)包括茶葉外形、湯色、香氣、滋味和葉底5個評價指標(biāo)，其中茶葉外形是最直觀的評價指標(biāo)，茶葉外形指標(biāo)評價包括對茶葉外形形狀和外形顏色2個方面。一些文獻研究采用色差計來量化分析茶葉的外形色澤［1－2］，但色差計所測視角直徑只有8mm，代表性受到影響。茶葉外形品質(zhì)不僅包括外形色澤，茶葉外形的形狀、嫩度、整碎等審評因子對其品質(zhì)評價影響也很大［3］，因此采用測色技術(shù)難以實現(xiàn)茶葉外形的形狀特征分析。近年來，文獻研究表明，利用計算機視覺技術(shù)能很好的鑒別茶葉的品質(zhì)［4－5］，但這些研究只是利用計算機視覺技術(shù)實現(xiàn)茶葉品質(zhì)的定性鑒別，并未將儀器參數(shù)與人工感官審評結(jié)果相關(guān)聯(lián)。高光譜圖像技術(shù)具有計算機視覺技術(shù)和光譜技術(shù)的優(yōu)點，獲取的高光譜數(shù)據(jù)中，既有特定波長下的二維圖像信息，又有待測物內(nèi)部品質(zhì)的光譜信息［6］。茶葉品質(zhì)是茶葉內(nèi)部成分的綜合反映，而茶葉的高光譜圖像中的光譜信息能反映出其內(nèi)部成分信息，圖像信息能反映出茶葉的色澤和外形特征。因此，可利用高光譜圖像對茶葉品質(zhì)進行客觀分析。陳全勝等［7－8］將高光譜成像技術(shù)結(jié)合適當(dāng)?shù)哪Ｊ阶R別方法鑒別茶葉等級，模型達到了很好的預(yù)測效果。為探討采用高光譜成像技術(shù)來量化分析茶葉外形感官品質(zhì)的可行性，以碧螺春名優(yōu)綠茶為對象，研究了茶葉的高光譜圖像數(shù)據(jù)與人工感官審評得分值之間的相關(guān)關(guān)系，旨在為茶葉品質(zhì)的儀器化表征提供基礎(chǔ)。

1 材料與方法

1.1 茶葉樣本收集

試驗材料選用不同生產(chǎn)日期的蘇州洞庭山碧螺春茶(采集時間為2011年3月19日到2011年4月20日)，共采集75批茶樣，每批樣本200 g，由江蘇三萬昌茶葉有限公司提供。

1.2 茶葉外形品質(zhì)的感官審評

75批茶樣的外形品質(zhì)感官審評實驗在安徽農(nóng)業(yè)大學(xué)茶學(xué)系感官審評實驗室完成，由4位審評專家，按照茶葉感官審評標(biāo)準(zhǔn)(GB/T 23776—2009)和碧螺春茶(NY/T 863—2004)農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn)，采用集體評分和密碼審評形式進行。各評茶師以該實驗室的標(biāo)準(zhǔn)碧螺春茶樣品作為參照，對各茶樣的外形形狀和外形顏色按百分制分別給出評分，取4位評茶師的得分平均值。各茶樣的外形得分值為其形狀得分和顏色得分的平均值，以各茶樣的評分值作為外形品質(zhì)優(yōu)劣的數(shù)值依據(jù)。

1.3 茶葉的高光譜圖像采集

利用基于光譜儀的高光譜圖像系統(tǒng)采集茶葉高光譜圖像，該系統(tǒng)由基于圖像光譜儀的高光譜攝像機(ImSpector，V10E，Specim Spectral Image Ltd.，Oulu，F(xiàn)inland)、CMOS相機(BCi4 －U －M －20 －LP，Vector International，Belgium)，一套 150 W 的光纖鹵素?zé)粝到y(tǒng)(Fiber－ Lite DC950 Illuminator，Dolan －Jenner Industries Inc，MA，USA)，移動平臺輸送裝置(Zolix，SC30021A，北京)和計算機等部件組成。光譜儀的光譜范圍為408～1117 nm，光譜分辨率為2.8 nm，光譜采樣間隔為0.67 nm。

試驗時，對每批茶樣，采用四分法稱取(10±0.5)g作為一個樣本，將其均勻平鋪在長×寬×高分別為6 cm×6 cm×1 cm的正方體盒子中。將盛放茶葉的盒子放在載物臺上，采集其高光譜圖像。為使高光譜圖像采集過程中不產(chǎn)生失真，經(jīng)試驗反復(fù)嘗試，最終確定高光譜攝像機曝光時間為30 ms，輸送裝置的線速度為1.25mm/s，圖像分辨率為500×1280，采集得到1024個波長下的圖像，得到大小為500×1280×1024的高光譜圖像數(shù)據(jù)塊。

1.4 高光譜圖像標(biāo)定

由于高光譜攝像頭傳感器中存在暗電流，且光源強度在各波段下的分布不均勻，導(dǎo)致在光照強度分布較弱的波段下，獲得的高光譜圖像噪音較大，不同波長下的圖像亮度值差異也較大［7］。因此，在數(shù)據(jù)分析前需對茶葉高光譜圖像進行標(biāo)定，其標(biāo)定過程如下［8］:在茶葉高光譜圖像采集的參數(shù)條件下，首先，掃描標(biāo)準(zhǔn)白色校正板(99%光照反射的白板)，得到全白的標(biāo)定圖像(Iwh);然后，關(guān)閉攝像機快門采集圖像，得到全黑的標(biāo)定圖像(Ibl);最后，按公式(1)對高光譜圖像進行標(biāo)定校正，使采集得到的絕對圖像Iim轉(zhuǎn)換成相對圖像R。

(1)式中，R為標(biāo)定后的高光譜圖像;Iim為原始的高光譜圖像;Ibl為全黑的標(biāo)定圖像;Iwh為全白的標(biāo)定圖像。

2 結(jié)果與討論

2.1 高光譜圖像區(qū)域選擇

圖1為75個茶樣高光譜圖像在指定位置10×10像素區(qū)域的平均光譜圖。由圖1可看出，光譜兩端存在噪聲，這是因為高光譜相機在該光譜區(qū)間內(nèi)的信噪比較低，校正后容易將噪聲放大，因此必須去除噪聲波段以提高模型的穩(wěn)定性。由圖1可知，在460 nm以上區(qū)域各樣本的光譜差異較大，460 nm以下光譜區(qū)域的反射值變化不大，且在415 nm附近存在明顯的尖峰噪音;在1000 nm以上的光譜曲線也存在噪音，且光譜趨勢不規(guī)則，故選擇460～1000 nm范圍，共540個波數(shù)點的高光譜圖像數(shù)據(jù)進行研究。

2.2 特征波長圖像的選取

試驗采用ENVI軟件在原始高光譜圖像數(shù)據(jù)中重新采樣，在460～1000 nm波段，共提取418張圖像，圖像大小為500×500，得到1個500×500×540的高光譜數(shù)據(jù)塊。該數(shù)據(jù)塊中去除了大部分噪音信息，但相鄰波段下的兩幅圖像之間相關(guān)性較強，在重新得到的三維數(shù)據(jù)塊中仍有大量冗余信息。因此，必須從這些數(shù)據(jù)中提取最能表征茶葉外形品質(zhì)的特征波長圖像。主成分分析法(principal component analysis，PCA)是一種最常見的線性變換投影方法，該方法沿協(xié)方差最大的方向，由高維數(shù)據(jù)空間向低維數(shù)據(jù)空間投影。原始數(shù)據(jù)經(jīng)主成分分析后，得到一組互不相關(guān)的新變量(主成分)，消除大量冗余信息［9］。研究采用主成分分析法來優(yōu)選高光譜圖像的特征波長，經(jīng)PCA分析后得到新的主成分圖像，從中找到最能表征原始信息的主成分圖;且方差貢獻率越大的主成分圖像，能解釋原始高光譜圖像中的信息越多。由主成分分析法原理可知，各個主成分圖像是由原始高光譜圖像數(shù)據(jù)中各個波長下的圖像經(jīng)線性組合后形成的新圖像，線性組合公式見式(2)。

圖1 茶葉高光譜圖像在10×10像素區(qū)域的平均光譜曲線Fig.1 The mean spectra of 10 ×10 regions from hyper－spectral images of teas

(2)式中，PCi為第i個主成分圖像，αi為各主成分的權(quán)重系數(shù)，Ii為第i個波段下的原始圖像。在該線性組合中，絕對值最大的權(quán)重系數(shù)αi所對應(yīng)波長下的圖像即為特征圖像［8］。

圖2 由主成分分析獲取的前4個主成分圖像Fig.2 The first four principle component images by PCA

圖2為經(jīng)主成分分析后，得到的前4個主成分圖像 PC1、PC2、PC3和 PC4，第一主成分圖像(PC1)、第二主成分圖像(PC2)、第三主成分圖像(PC3)和第四主成分圖像(PC4)的方差貢獻率分別為97.14%、2.62%、0.18%和0.02%。從圖2可看出，第一主成分圖像與原始圖像最接近(與圖3提取的灰度圖像對比)，且第一主成分圖像的方差貢獻率占了所有原始信息的97.14%，解釋了原始高光譜圖像的絕大多數(shù)信息;從第二主成分圖像開始出現(xiàn)小量噪音，而在第三、第四主成分圖像中能看到明顯噪音。因此本研究根據(jù)第一主成分圖像尋找特征波長圖像。

經(jīng)比較不同樣本的第一主成分圖像的418個權(quán)重系數(shù)，發(fā)現(xiàn)權(quán)重系數(shù)較大者出現(xiàn)在768.74 nm，827.54 nm和886.83 nm波長處，因此選擇這3個波長作為本研究的特征波長。在ENVI軟件中，提取此3個特征波長下的灰度圖像(簡稱特征圖像)，用于后續(xù)的圖像特征信息提取。優(yōu)選出的3個特征波長下的灰度圖像見圖3。

圖3 由主成分分析法提取的3個特征波長下的茶葉灰度圖像Fig.3 Gray images of tea from three feature wavelengths extracted by PCA

2.3 特征波長圖像的顏色特征和紋理特征提取

本研究利用高光譜圖像量化分析茶葉的外形感官品質(zhì)。茶葉外形感官品質(zhì)包括茶葉的形狀和顏色2個方面，從特征圖像中分別提取顏色特征和紋理特征。由于單個波長下的圖像是灰度圖像，其顏色特征只能提取該波長下灰度圖像的亮度均值和標(biāo)準(zhǔn)差2個特征變量。圖像的紋理特征提取，分別采用灰度統(tǒng)計矩法、頻譜法和灰度共生矩陣法，其中基于灰度統(tǒng)計矩的紋理特征參數(shù)有6個，分別為:平均灰度值(m)、標(biāo)準(zhǔn)差(δ)、平滑度(R)、三階矩(μ3)、一致性(U)和熵(e);基于頻譜的紋理特征參數(shù)有6個，分別為:圓周向譜 t(ρ)能量的幅值(Aρ)、均值(mρ)、方差(δρ)和徑向譜能量(s(θ))的幅值(Aθ)、均值(mθ)、方差(δθ);基于灰度共生矩陣的紋理特征提取參照文獻［10－11］，有16個，分別為:0°慣性矩、0°相關(guān)性、0°能量、0°同質(zhì)性;45°慣性矩、45°相關(guān)性、45°能量、45°同質(zhì)性;90°慣性矩、90°相關(guān)性、90°能量、90°同質(zhì)性;135°慣性矩、135°相關(guān)性、135°能量、135°同質(zhì)性。這樣每個特征波長下的灰度圖像提取了2個顏色特征，28個紋理特征，共30個特征，各特征參數(shù)的計算公式參見文獻［12］。每個茶樣的高光譜數(shù)據(jù)塊中，分別優(yōu)選出了3個特征波長下的灰度圖像，因此每個茶樣最終提取了90個特征變量。

2.4 BP神經(jīng)網(wǎng)絡(luò)模型建立及預(yù)測

茶葉品質(zhì)由評茶員通過感覺器官完成，人體感覺器官機理復(fù)雜，且茶葉品質(zhì)是茶葉內(nèi)部成分的錯綜復(fù)雜作用結(jié)果，在茶葉品質(zhì)與感官評分間可能是復(fù)雜的非線性關(guān)系。BP神經(jīng)網(wǎng)絡(luò)(back－propagation artificial neural network，BP－ANN)，該網(wǎng)絡(luò)采用最小均方差學(xué)習(xí)方式，以反向傳播的學(xué)習(xí)算法來調(diào)整各權(quán)重值，能很好的解決模糊，非線性復(fù)雜問題［13－14］。

表1 校正集和預(yù)測集綠茶外形品質(zhì)感官審評實際得分值結(jié)果Tab.1 The sensory appearance scores of tea samples by the tea tasters and sample numbers in calibration and prediction set

本試驗選用BP神經(jīng)網(wǎng)絡(luò)方法建立茶葉外形感官品質(zhì)與高光譜圖像特征變量之間的相關(guān)模型，采用3層BP網(wǎng)絡(luò)結(jié)構(gòu)(包括:輸入層，隱含層，輸出層)，輸出層為茶葉外形感官審評得分值。從75個樣本中選取50個作為校正集，建立校正模型，余下的25個樣本為預(yù)測集，用來評價模型性能，校正集和預(yù)測集樣本的外形品質(zhì)感官審評實際得分值統(tǒng)計結(jié)果見表1。

由2.3節(jié)共提取了90個特征變量，這些特征變量中，有些對茶葉外形品質(zhì)貢獻不大或無貢獻，有些特征變量間存在一定相關(guān)性，因此，模型建立前必須去除冗余信息和無關(guān)信息，以提高模型的精度和穩(wěn)定性［8］。研究采用主成分分析法(PCA)提取有效特征信息，由提取的主成分?jǐn)?shù)作為網(wǎng)絡(luò)模型的輸入。網(wǎng)絡(luò)模型的參數(shù)設(shè)計如下:輸入層到隱含層、隱含層到輸出層的傳遞函數(shù)都采用正切S形函數(shù)，權(quán)重修正動量設(shè)為0.1，初始權(quán)重設(shè)為0.3，學(xué)習(xí)速率設(shè)為0.1，目標(biāo)誤差設(shè)為0.001，最大訓(xùn)練次數(shù)為1000。研究表明，主成分?jǐn)?shù)的多少作為網(wǎng)絡(luò)模型的輸入，對網(wǎng)絡(luò)模型性能影響很大;主成分?jǐn)?shù)選擇過少，會損失部分特征信息，降低模型的精度;而主成分?jǐn)?shù)選擇過多，一些無關(guān)和冗余信息會引入模型中，從而降低模型的魯棒性，網(wǎng)絡(luò)訓(xùn)練的時間也會更長。因此，在校正集中采用交互驗證法確定最佳主成分?jǐn)?shù)，最小的交互驗證均方根誤差(RMSECV)所對應(yīng)模型使用的主成分?jǐn)?shù)作為網(wǎng)絡(luò)模型的輸入。圖4顯示采用不同主成分?jǐn)?shù)訓(xùn)練網(wǎng)絡(luò)模型的RMSECV值。由圖4可看出，采用13個主成分?jǐn)?shù)訓(xùn)練網(wǎng)絡(luò)模型時，RMSECV值最小。因此，研究使用前13個主成分作為網(wǎng)絡(luò)模型的輸入，最終網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為13－14－1。用該網(wǎng)絡(luò)訓(xùn)練校正集樣本，模型校正集的預(yù)測值與實際評分值之間的相關(guān)系數(shù)為0.875，RMSECV為3.376。用預(yù)測集25個獨立樣本檢驗?zāi)Ｐ托阅?，模型預(yù)測值與實際評分值之間的相關(guān)系數(shù)為0.859，預(yù)測均方根誤差(RMSEP)為3.611。

2.5 模型準(zhǔn)確度驗證

為驗證所建模型的準(zhǔn)確度，對預(yù)測集中25個樣品的實際評分值與模型預(yù)測值進行配對t檢驗，檢驗結(jié)果如表2。表2中，實際評分值＆模型預(yù)測值是指25個茶葉樣本的外形感官評分值與模型預(yù)測值相互配對。由表2可知，實際評分值與模型預(yù)測值的配對差的均值為0.850，t統(tǒng)計量的值為1.187，對應(yīng)的概率P 值為0.247(P=0.247 ＞0.05)，表明實際評分值與模型預(yù)測值之間無顯著差異。說明所建模型用于未知茶葉外形感官得分值的預(yù)測，其預(yù)測結(jié)果是準(zhǔn)確、可靠的。

圖4 校正集中不同主成分下訓(xùn)練BP－ANN模型對應(yīng)的RMSECVFig.4 RMSECV of BP－ANN models at different PCs in the calibration set

表2 實際評分值與模型預(yù)測值配對樣本t檢驗結(jié)果Tab.2 T-test result between the reference values and the prediction values

3 結(jié)論

本研究表明，基于高光譜圖像數(shù)據(jù)建立茶葉外形感官品質(zhì)評價模型是可行性，所建模型的預(yù)測值與實際評分值之間無顯著差異，說明所建模型用于茶葉外形感官品質(zhì)的量化評價是準(zhǔn)確、可靠的。茶葉種類不同，其品質(zhì)各有差異，本文只研究了一種茶葉，為探討該方法的普適性，將進一步研究其他多種大宗茶和名優(yōu)茶的感官品質(zhì)的儀器化表征方法，為茶葉品質(zhì)的量化評價的儀器化開發(fā)提供方法支持。

［1］賴國亮，吳金桃，蘭永輝.測色技術(shù)在炒青綠茶品質(zhì)評價中的應(yīng)用［J］.中國茶葉，1999(2):19－21.

［2］嚴(yán)俊，林剛，葉付剛，等.測色技術(shù)在工夫紅茶品質(zhì)評價中的應(yīng)用研究［J］.中國農(nóng)學(xué)通報，1997，13(6):24－26.

［3］陸松侯，施兆鵬.茶葉審評與檢驗［M］.3版.北京:中國農(nóng)業(yè)出版社，2001:6.

［4］Wu D，Yang H Q，Chen X J，et al.Application of image texture for sorting of tea categories using multi－ spectral imaging technique and support vector machine［J］.Journal of Food Engineering，2008，88(4):474 －483.

［5］Chen Q S，Zhao J W，Cai J R.Identification of tea varieties using computer vision［J］.Transaction of the ASABE，51(2):623－628.

［6］趙杰文，陳全勝，林顥.現(xiàn)代成像技術(shù)及其在食品、農(nóng)產(chǎn)品檢測中的應(yīng)用［M］.北京:機械工業(yè)出版社，2010，63.

［7］陳全勝，趙杰文，蔡健榮，等.利用高光譜圖像技術(shù)評判茶葉的質(zhì)量等級［J］.光學(xué)學(xué)報，2008，28(4):669－674.

［8］Zhao J W，Chen Q S，Cai J R，et al.Automated tea quality classification by hyperspectral imaging［J］.Applied Optics，2009，48(19):3557－3564.

［9］許祿，邵學(xué)廣.化學(xué)計量學(xué)方法［M］.北京:科學(xué)出版社，2006，163 －174.

［10］于海鵬，劉一星，張斌，等.應(yīng)用空間灰度共生矩陣定量分析木材表面紋理特征［J］.林業(yè)科學(xué)，2004，40(6):121－129.

［11］Dobrowski S Z，Greenberg J A，Ramirez C M，et al.Improving image derived vegetation maps with regression based distribution modeling［J］.Ecological Modelling，2006，192(1):126 －142.

［12］岡薩雷斯.數(shù)字圖像處理［M］.2版.北京:電子工業(yè)出版社，2008:224－275.

［13］Barma S D，Das B，Giri A，et al.Back propagation artificial neural network(BPANN)based performance analysis of diesel engine using biodiesel［J］.Journal of Renewable and Sustainable Energy，2011，3(1):013101 －1:12

［14］Balabin R M，Safieva R Z，Lomakina E I.Comparison of linear and nonlinear calibration models based on near infrared(NIR)spectroscopy data for gasoline properties prediction ［J］.Chemometric and Intelligent Laboratory Systems，2007，88(2):183－188.

［15］王文杰，羅守進，黃建琴，等.電腦測定茶葉色澤的方法研究［J］.茶葉科學(xué)，2005，25(1):37－42.