陸江鋒單春芳裘正軍

茶葉外形特征數(shù)字化及不同等級茶葉鑒別研究*

陸江鋒1單春芳2裘正軍3

茶葉是世界三大飲料中最具有生命力、最受消費者歡迎的飲料。隨著人們生活水平的提高、健康意識的增強和茶文化的興起，人們對茶葉數(shù)量的需求不斷增加，對質量的要求逐漸提高。進入21世紀后，我國茶葉雖然經(jīng)歷了幾年的快速增長，但由于國內茶葉品質檢測及分級技術比較落后，茶葉品質參差不齊，同時受歐盟、日本等國家和地區(qū)綠色技術壁壘的影響，我國茶葉出口難以維持快速增長勢頭[1-3]。因此亟須提高我國茶葉品質的檢測和分級手段，促進茶葉行業(yè)的標準化，才能與國際接軌，健全茶葉質量安全體系，實施綠色品牌戰(zhàn)略，提高企業(yè)的競爭力。

視覺圖像檢測技術具有快速、無損、客觀等特點，在農產(chǎn)品品質檢測中有很好的應用前景。本文主要研究采用工業(yè)攝像頭采集茶葉的圖像，通過圖像處理技術獲得茶葉的外形特征參數(shù)，并建立不同等級的茶葉預測鑒別模型，實現(xiàn)茶葉的快速分級。

1 材料與方法

1.1 儀器設備與軟件

試驗裝置由聯(lián)想M825E雙核計算機、工業(yè)攝像頭、背光源等組成。工業(yè)攝像頭采用CMOS傳感器，200萬像素，最高分辨率為1 600×1 200 DPI，最大幀數(shù)為30 FPS，采用USB2.0接口。計算機上安裝基于VC++6.0集成開發(fā)環(huán)境自主研發(fā)的外形特征提取軟件，實時采集茶葉圖像，再經(jīng)過圖像處理，提取茶葉外形特征參數(shù)[4]，軟件功能菜單見圖1。

圖1 特征參數(shù)提取軟件功能菜單

1.2 實驗材料

從浙江大學紫金港校區(qū)教育超市采購浙江龍井四種等級茶葉樣本，分別是特級、一級、二級和三級。各等級茶葉隨機選擇45片共180片作為180個實驗樣本，再從各等級45個樣本中隨機抽取30個共120個作為訓練集，剩下的60個樣本作為預測集。

1.3 圖像處理方法

1.3.1 灰度的閾值變換

灰度的閾值變換可以將一幅灰度圖像轉換成黑白二值圖像。其變換函數(shù)表達式如下：

式中T為指定的閾值。

灰度閾值變換的操作過程是由用戶指定一個閾值，如果圖像中某像素的灰度值小于該閾值，則將該像素的灰度設置為0（黑），否則灰度值設置為255（白）。本文研究中設置閾值為50的灰度閾值變換前后的茶葉圖像如圖2所示。

圖2 閾值為50的灰度閾值變換前（左）后（右）的圖像

1.3.2 區(qū)域標記

圖3 二值圖像區(qū)域標記前（左）后（右）效果圖

二值圖像區(qū)域標記的目的是為了對同一幅茶葉圖像中的多片茶葉進行標記，然后根據(jù)標記的不同，分別求出各片茶葉的特征參數(shù)。茶葉二值圖像的區(qū)域標注非常重要，直接關系到提取茶葉特征參數(shù)的效率。如果沒有區(qū)域標注，只能提取單片茶葉的特征參數(shù)，效率非常低；使用了區(qū)域標注后，就可以多片茶葉同時提取，極大地提高了提取效率。本文采用八鄰域標記算法區(qū)域標記前后圖像見圖3，圖中顯示了茶葉原圖（左）和區(qū)域標記后的茶葉效果圖（右），其數(shù)字標號即為各片茶葉所在區(qū)域像素的灰度值。

1.3.3 邊界跟蹤

邊界跟蹤能夠準確地提取茶葉圖像的輪廓，便于獲得茶葉的周長信息。周長有兩種算法：一種直接以軟件統(tǒng)計出來的像素個數(shù)表示，記為周長1；另一種情況考慮到邊界跟蹤法跟蹤出來的邊界難免出現(xiàn)對角黑像素的情況，因此，以個像素作為它們之間的距離，記為周長2。利用邊界跟蹤法進行輪廓跟蹤前后的茶葉圖像見圖4。

圖4 邊界跟蹤法進行輪廓跟蹤前（左）后（右）茶葉圖像

1.3.4 小區(qū)域消除

小區(qū)域消除是指在計算出一副茶葉圖像中所有區(qū)域的面積的基礎上，指定一個面積數(shù)值，消除圖像中所有小于該面積的圖像塊，該方法主要用于消除明顯不是茶葉的圖像噪音。小區(qū)域消除前后圖像見圖5，原圖（左）中左右各有一黑點噪音，經(jīng)小區(qū)域消除后黑點噪音消除（見右圖）。

圖5 小區(qū)域消除前（左）后（右）圖像

2 預測模型建立與結果

2.1 人工神經(jīng)網(wǎng)絡模型

人工神經(jīng)網(wǎng)絡是模仿生理學中人的大腦神經(jīng)處理信息的方式,對信息進行并行處理的一種信息處理網(wǎng)絡系統(tǒng)。利用神經(jīng)網(wǎng)絡系統(tǒng)具有的強大學習功能,可以對一些看似雜亂無章的實驗數(shù)據(jù)整理出內在規(guī)律,建立分析同類事物的網(wǎng)絡,解決分類、預測、優(yōu)化等問題[5]。

2.2 基于BP神經(jīng)網(wǎng)絡的茶葉預測模型建立及預測結果

將120片訓練集茶葉樣本的面積、周長1、周長2、NCI比(周長除以總面積的平方根)、形狀復雜性、圓形度(D)、等價圓直徑、圓的形狀系數(shù)、線長、橢圓長軸、橢圓短軸、橢圓形狀系數(shù)、長方形度共13項特征參數(shù)經(jīng)標準化變換后作為BP神經(jīng)網(wǎng)絡的輸入，建立了一個3層的人工神經(jīng)網(wǎng)絡結構，各層傳遞函數(shù)都用S型（Sigmoid）函數(shù)。網(wǎng)絡輸入層節(jié)點數(shù)為13，隱含層節(jié)點數(shù)為13，輸出層節(jié)點數(shù)為1，目標誤差為0.000 1，學習速度為0.1，設定訓練迭代次數(shù)為1 000次。訓練結果為120個建模樣本的擬合殘差為1.314×10-2，建立了預測模型。

用建立的預測模型對未知的60個樣本進行預測鑒別，結果如表1所示，60個預測樣本中51個樣本預測值經(jīng)四舍五入取整處理后預測正確，有9個預測樣本 （10、15、27、29、34、38、42、50、57號樣本）預測錯誤，預測準確率達到85%。

表1 BP神經(jīng)網(wǎng)絡模型對未知樣本預測結果

3 結論與討論

本研究搭建了一套機器視覺系統(tǒng)實現(xiàn)茶葉圖像的實時采集，采用自主研發(fā)的軟件提取了13項茶葉外形特征參數(shù)，并建立了基于BP神經(jīng)網(wǎng)絡的茶葉等級預測模型，對特級、一級、二級和三級共四個等級浙江龍井茶葉進行預測鑒別，預測準確率達到85%，誤判的15%也是處于上下等級中模棱兩可之間的茶葉，基本能夠滿足快速分級要求。因此本文研究表明利用機器視覺技術，通過建立基于BP神經(jīng)網(wǎng)絡的茶葉等級預測模型對浙江龍井茶葉進行快速分級是可行的，如能將其真正應用于茶葉生產(chǎn)中將有利于茶葉行業(yè)的標準化，提高企業(yè)的競爭力，打破發(fā)達國家綠色技術壁壘。

[1]劉華杰.我國茶葉出口遭受技術性貿易壁壘影響的原因分析[J].商,2014（2）：293-293

[2]藍林.淺談我國茶葉出口應對綠色壁壘的生存之道[J].現(xiàn)代商業(yè),2014(11):36

[3]陳虹菲,曹越.淺議中國茶葉出口貿易的現(xiàn)狀問題[J].北方經(jīng)濟,2014(6):56-57

[4]劉洋,衛(wèi)洪春,杜誠.VC++6.0在灰度數(shù)字圖像增強處理中的應用[J].計算機與信息技術,2006(9):75-79

[5]葛哲學，孫志強.神經(jīng)網(wǎng)絡理論與MATLAB2007實現(xiàn)[M].北京：電子工業(yè)出版社，2007

作者信息：1實驗師，浙江大學生物系統(tǒng)工程與食品科學學院，310058；2軟件設計師，深圳市潮流網(wǎng)絡技術有限公司杭州分公司，310012；3教授、博導，浙江大學生物系統(tǒng)工程與食品科學學院，310058：杭州

浙江省教育科研項目（Y201328805）