張 憲，賈廣松，趙章風(fēng)，鐘 江，喬 欣(浙江工業(yè)大學(xué) 機(jī)械工程學(xué)院，浙江 杭州 310014)

基于多光譜圖像參數(shù)的茶葉攤青評(píng)價(jià)模型研究

張 憲，賈廣松，趙章風(fēng)，鐘 江，喬 欣
(浙江工業(yè)大學(xué) 機(jī)械工程學(xué)院，浙江 杭州 310014)

茶葉加工過(guò)程中，第一道攤青工藝的處理是提高茶葉品質(zhì)的關(guān)鍵環(huán)節(jié)，其中水分含量多少直接影響茶葉加工品質(zhì)，含水率傳統(tǒng)檢測(cè)方法損壞樣品且檢測(cè)速度較慢，所以建立一套準(zhǔn)確、無(wú)損和快速的茶葉葉片水分檢測(cè)方法對(duì)于評(píng)價(jià)茶葉加工質(zhì)量有著現(xiàn)實(shí)意義.利用高精度數(shù)碼相機(jī)，對(duì)攤青過(guò)程中10個(gè)含水率梯度600個(gè)樣本進(jìn)行數(shù)據(jù)采集，通過(guò)研究茶葉葉片形狀、紋理及顏色的變化，實(shí)時(shí)監(jiān)測(cè)攤青過(guò)程中含水率的變化，利用與含水率相關(guān)性大于0.92的特征參數(shù)，通過(guò)回歸值驗(yàn)證與BP神經(jīng)網(wǎng)絡(luò)建立含水率非線性預(yù)測(cè)模型，準(zhǔn)確度在90%以上.證明此模型對(duì)于研究茶葉葉片含水率和指導(dǎo)茶葉生產(chǎn)具有一定準(zhǔn)確度和可靠性.

圖像處理；參數(shù)提取；茶葉含水率；BP神經(jīng)網(wǎng)絡(luò)

對(duì)茶葉加工企業(yè)來(lái)說(shuō)，要提高茶葉加工質(zhì)量，第一道攤青工藝的處理是關(guān)鍵環(huán)節(jié)，其中水分含量多少直接影響茶葉品質(zhì)[1].茶鮮葉攤青過(guò)程的含水率變化由內(nèi)因和外因決定，內(nèi)因有茶鮮葉的嫩度、品種和采摘季節(jié)等；外因包括攤青的濕度、溫度、光照以及時(shí)間等.在生產(chǎn)中，茶葉生產(chǎn)環(huán)節(jié)中水分檢測(cè)非常重要，因?yàn)轷r葉的含水率變化規(guī)律性不強(qiáng)，攤青環(huán)境溫度和濕度參數(shù)的變化、攤放葉片厚度的均勻程度和翻葉等因素都會(huì)對(duì)鮮葉含水率產(chǎn)生影響.傳統(tǒng)的水分檢測(cè)方法準(zhǔn)確度不高，易破壞葉片的內(nèi)部結(jié)構(gòu)，茶葉生產(chǎn)過(guò)程中可以根據(jù)實(shí)際情況，利用模型評(píng)價(jià)[2]茶葉葉片含水率變化情況，更好地保證茶葉品質(zhì).經(jīng)過(guò)研究發(fā)現(xiàn)：果蔬采摘之后的水分散失符合指數(shù)數(shù)學(xué)模型，鄧云等研究了葡萄在擺放和存儲(chǔ)期間的品質(zhì)，建立了葡萄在存儲(chǔ)過(guò)程中含水率隨溫度和時(shí)間變化的數(shù)學(xué)模型；王相友等建立了關(guān)于雙孢菇采摘之后的品質(zhì)指數(shù)函數(shù)模型，但是沒(méi)有建立鮮葉失水率的預(yù)測(cè)模型.

筆者主要研究利用多光譜圖像技術(shù)實(shí)時(shí)監(jiān)測(cè)茶鮮葉在攤青[3]過(guò)程中，含水率和茶鮮葉各形態(tài)參數(shù)的變化情況，分析關(guān)鍵光譜數(shù)據(jù)進(jìn)行處理[4]，建立含水率診斷模型，從而達(dá)到在線精確控制攤青工藝，提高茶葉生產(chǎn)加工的質(zhì)量的目的.通過(guò)茶葉葉片形狀及顏色的變化[5]，研究攤青過(guò)程含水率的變化，利用matlab技術(shù)[6]對(duì)茶葉葉片進(jìn)行圖像進(jìn)行處理[7]，獲得各種參數(shù)，如面積、周長(zhǎng)、長(zhǎng)度、寬度和紋理等參數(shù)[8]，從而建立茶葉攤青過(guò)程的含水率預(yù)測(cè)模型模型[9]，并進(jìn)一步驗(yàn)證其適合性，從而達(dá)到有效、科學(xué)的控制茶葉攤青[10]的目的.此方法可用在其它茶類的等級(jí)評(píng)定以及鮮葉品質(zhì)分析，還可將模型進(jìn)一步擴(kuò)充，使其適應(yīng)多數(shù)茶葉的等級(jí)評(píng)估.除此之外，也可嘗試應(yīng)用在干茶的等級(jí)評(píng)價(jià)[11]和品質(zhì)分析.

1 圖像獲取及含水率計(jì)算

1.1 試驗(yàn)設(shè)備與測(cè)量

茶葉葉片參數(shù)的測(cè)量系統(tǒng)硬件部分主要有成像設(shè)備、計(jì)算機(jī)、參照物以及測(cè)量所用工具.試驗(yàn)儀器圖像采集利用高精度數(shù)碼相機(jī)(型號(hào)：佳能EOS760D)，水分標(biāo)定采用茶葉水分檢測(cè)儀(型號(hào)：SartoriusMA150).每次稱取5～6g的茶葉作為一個(gè)樣本，將其均勻地平鋪在規(guī)格為φ10cm×1cm的培養(yǎng)皿中，對(duì)攤青過(guò)程的茶葉進(jìn)行隨機(jī)采樣(圖1).

圖1 茶葉攤青Fig.1 The tea green airing

隨機(jī)選取攤青過(guò)程的茶葉葉片，記錄茶葉攤青各個(gè)參數(shù)的變化，利用數(shù)碼相機(jī)對(duì)茶葉樣本進(jìn)行圖像采集.圖2是攤青過(guò)程某一時(shí)間點(diǎn)采集到的圖像.

圖2 茶葉圖像Fig.2 The tea image

1.2 試驗(yàn)材料與方法

試驗(yàn)于2015年9月21號(hào)在浙江省開(kāi)化省級(jí)示范茶廠生產(chǎn)車間進(jìn)行.試驗(yàn)材料隨機(jī)采自該公司的茶葉生產(chǎn)基地，鮮葉嫩度為1芽2葉的龍頂茶，無(wú)明顯病蟲害.隨機(jī)挑選6 g左右鮮葉記為第1組，攤青工序開(kāi)始后，每20 min取樣1次，用茶葉水分檢測(cè)儀標(biāo)定每組鮮葉的含水率.連續(xù)8 h，跟蹤處理鮮葉的含水率.鮮葉含水率計(jì)算方法：用每次稱得的鮮葉質(zhì)量與初始質(zhì)量之差和初始質(zhì)量的百分比為

(1)

式中：W為含水率；G0為鮮葉在開(kāi)始攤青時(shí)的質(zhì)量，g；Gt表示鮮葉在攤青過(guò)程中任一時(shí)刻的質(zhì)量，g.表1為根據(jù)式(1)計(jì)算的含水率.

表1 含水率值Table 1 The moisture content value %

2 試驗(yàn)結(jié)果與分析

2.1 圖像參數(shù)提取

利用Matlab對(duì)采集到的圖像進(jìn)行分析，提取葉片的各圖像參數(shù)值，以下是各參數(shù)提取過(guò)程的主要步驟.

2.1.1 目標(biāo)區(qū)域獲取

差值法是從背景中獲取目標(biāo)的常用方法.差值法，即圖像的相減運(yùn)算，把同一景物在不同波段的圖像相減，或同一物體在不同時(shí)間獲取的圖像，除去相同內(nèi)容.利用差值運(yùn)算提供圖像之間的不同信息，從而用來(lái)跟蹤和檢測(cè)運(yùn)動(dòng)目標(biāo)、動(dòng)態(tài)檢測(cè)、目標(biāo)識(shí)別和消除圖像背景等.算法流程圖如圖3所示.

圖3 去除背景流程圖Fig.3 Removal of background flow chart

2.1.2 圖像二值化

圖像二值化是數(shù)字圖像處理技術(shù)中一項(xiàng)最基本的變換方法，即選擇一個(gè)閾值，把圖像轉(zhuǎn)換為黑白二值圖像，如圖4所示，將所需要的目標(biāo)從圖像背景中分離出來(lái)，從而對(duì)圖像進(jìn)行分割以及圖像邊緣跟蹤等預(yù)處理.通常，用二值圖像中的1用來(lái)表示目標(biāo)，0用來(lái)表示背景.若圖像中某個(gè)像素的灰度值小于該閾值，則該像素的灰度值置為0，否則其灰度值為1.

圖4 圖像二值化Fig.4 Binarization image

2.1.3 邊緣檢測(cè)

如圖5，6所示，邊緣檢測(cè)技術(shù)對(duì)于數(shù)字圖像是非常重要的，通過(guò)對(duì)幾個(gè)常用的算子進(jìn)行對(duì)比之后，用Canny算子進(jìn)行提取.通過(guò)輪廓提取和邊界跟蹤得到葉片邊緣，且邊緣相當(dāng)連續(xù)清晰，這樣為后面利用葉片輪廓提取葉片幾何特征奠定基礎(chǔ).

圖5 Canny算子檢測(cè)圖像Fig.5 The Canny operator to detect image

圖6 邊界跟蹤圖像Fig.6 Edge tracking image

對(duì)相關(guān)紋理值的提取，筆者采用的統(tǒng)計(jì)法：統(tǒng)計(jì)法是利用圖像灰度直方圖的特性來(lái)對(duì)紋理進(jìn)行描述，灰度均值m的n階矩計(jì)算式為

(2)

式中：L為圖像可能的灰度級(jí)數(shù)；zi為代表灰度的隨機(jī)數(shù)；p(zi)為區(qū)域灰度直方圖.

U，e分別為一致性和熵的值，其計(jì)算式為

(3)

(4)

利用參考物法求得葉片的各個(gè)參數(shù)，并對(duì)多個(gè)葉片進(jìn)行標(biāo)記，如圖7所示.

圖7 多個(gè)葉片標(biāo)記圖像Fig.7 Multiple leaf marker image

2.2 各參數(shù)與含水率相關(guān)分析

經(jīng)過(guò)分析，面積均值與含水率兩變量的相關(guān)系數(shù)R為0.947，R2為0.896.

表2是面積均值與含水率回歸分析的方差分析表，從表2可以看出：回歸的均方為32.673，剩余的均方為0.210，F(xiàn)檢驗(yàn)統(tǒng)計(jì)量的觀察值為155.344，相應(yīng)的概率值ρ為0.000，小于0.05，所以含水率與葉片面積存在線性關(guān)系.

表2 面積與含水率回歸分析的方差分析

Table 2 Variance analysis of regression analysis of area and water content

參數(shù)平方和df均方FSig.回歸值32.673132.673150.3440.000殘差值3.786180.210總計(jì)36.4591932.883

表3給出線性回歸方程中的參數(shù)和常數(shù)項(xiàng)的估計(jì)值，90.444和12.464是對(duì)“常量”“葉片面積值”兩個(gè)參數(shù)的T檢驗(yàn)的值，對(duì)應(yīng)的概率分別是0.000和0.000，小于0.05，所以回歸系數(shù)具有顯著意義.根據(jù)表3得y=63.203+0.702x，回歸方程的顯著性檢驗(yàn)：回歸方程的方差分析表明，F(xiàn)=155.344，顯著水平為0.000，相關(guān)系數(shù)平方R=0.947，可以得出模型擬合程度是很好的，能很好地描述含水率x對(duì)葉片面積y的相關(guān)關(guān)系.如圖8所示，同理，得到其他參數(shù)與含水率之間的關(guān)系.

表3 面積與含水率回歸方程參數(shù)Table 3 Experimental value and return values

圖8 面積與含水率關(guān)系Fig.8 Relationship between area and water content

2.3 含水率定量檢測(cè)模型

通過(guò)以上分析可知：葉片面積、周長(zhǎng)、長(zhǎng)、寬、S值、一致性和熵7個(gè)參數(shù)的各均值與含水率相關(guān)性顯著，設(shè)葉片面積、周長(zhǎng)、長(zhǎng)、寬、S值、一致性和熵分別用x1，x2，x3，x4，x5，x6，x7表示，茶葉含水率用y表示.

表4的回歸模型統(tǒng)計(jì)量：R為相關(guān)系數(shù)；R2為相關(guān)系數(shù)的平方，又稱判定系數(shù)，用來(lái)判定線性回歸擬合程度，該R2=0.924，說(shuō)明擬合效果還是非常好的，調(diào)整R2是調(diào)整后的判定系數(shù).預(yù)測(cè)變量：常量，面積，周長(zhǎng)，長(zhǎng)寬，S，一致性和熵的各均值，因變量是含水率.

表4 模型匯總Table 4 Model summary

各參數(shù)與含水率回歸模型之間的方差如表5所示，B和標(biāo)準(zhǔn)誤差為未標(biāo)準(zhǔn)化系數(shù)，Beta是標(biāo)準(zhǔn)化系數(shù)，F(xiàn)值為20.848，顯著性概率0.000，表明回歸極其顯著.

表5 各參數(shù)與含水率回歸分析的方差分析

Table 5 Analysis of variance of regression analysis with different parameters and moisture content

參數(shù)平方和df均方FSig.回歸33.68974.81320.8480.000殘差2.770120.2310總計(jì)36.459195.04420.848

如表6所示，根據(jù)回歸分析原理計(jì)算回歸系數(shù)，各系數(shù)置信區(qū)間都在95%以上，從而得到茶葉含水率與葉片面積、周長(zhǎng)、長(zhǎng)、寬、S值、一致性和熵7個(gè)試驗(yàn)因素的回歸方程為

y=55.544+0.764x1+0.254x2-1.004x3+2.741x4+7.568x5+39.076x6+0.207x7

(5)

其擬合優(yōu)度R2=0.924，具有一定準(zhǔn)確性.

表6 各參數(shù)系數(shù)Table 6 Coefficient of each parameter

2.4 驗(yàn) 證

通過(guò)計(jì)算葉片面積、周長(zhǎng)、長(zhǎng)、寬、HSV值和紋理值等各參數(shù)均值，提取與含水率相關(guān)性比較好的參數(shù)，并建立相應(yīng)線性模型.利用方差分析和殘差正態(tài)性檢驗(yàn)證明模型適合性，殘差是指預(yù)測(cè)出的值與實(shí)際值間的差距，殘差的正態(tài)性檢驗(yàn)方法多種多樣，其中最直觀、最方便的方法是殘差的直方圖和累計(jì)概率圖.殘差圖是散點(diǎn)圖，如圖9所示.

圖9 殘差圖Fig.9 Residual plot

從圖9可看出：各散點(diǎn)近似成線性分布，相關(guān)系數(shù)R=0.913，還有一種殘差正態(tài)概率圖(Rankit圖)可以直觀判斷殘差是否符合正態(tài)分布，證明了模型適合性，如圖10，11所示.

利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行含水率預(yù)測(cè)，并分析回歸值與預(yù)測(cè)值之間的誤差，驗(yàn)證模型的準(zhǔn)確性，如圖12所示，該算法能實(shí)現(xiàn)自變量與因變量的非線性映射，能夠避免非線性帶來(lái)的誤差，具有比較很強(qiáng)的學(xué)習(xí)能力，能用來(lái)提高分析的精度.

圖10 回歸標(biāo)準(zhǔn)化殘差的標(biāo)準(zhǔn)P-P圖Fig.10 Standard P-P diagrams for regression of standardized residuals

圖11 回歸標(biāo)準(zhǔn)化殘差Fig.11 Normalized residuals

圖12 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.12 Neural network structure

由表7可知：回歸值與預(yù)測(cè)值之間的最大誤差分別是2.61%，在允許的誤差(±5%)范圍內(nèi)，進(jìn)一步驗(yàn)證了模型的準(zhǔn)確性，各誤差的關(guān)系曲線如圖13所示.誤差的計(jì)算式為

(6)

圖13 回歸值與預(yù)測(cè)值間的誤差關(guān)系Fig.13 Return value relationship with error between the predicted value

表7 誤差分析1)Table 7 Error analysis

注：1) 誤差a為預(yù)測(cè)值與回歸值的誤差.

3 結(jié) 論

通過(guò)對(duì)茶葉攤青過(guò)程進(jìn)行研究，建立了茶鮮葉含水率與面積、周長(zhǎng)、葉片長(zhǎng)寬、S值、一致性和熵各均值的預(yù)測(cè)模型式(5)，經(jīng)過(guò)方差分析和殘差的正態(tài)性檢驗(yàn)，驗(yàn)證了模型的適合性，利用茶葉攤青過(guò)程含水率回歸值與試驗(yàn)值對(duì)比，該模型預(yù)測(cè)含水率準(zhǔn)確率能夠達(dá)到90%以上.由此證明：通過(guò)監(jiān)測(cè)茶葉在攤青過(guò)程中葉片各參數(shù)的變化，能夠有效判斷鮮葉含水率的變化，為茶葉攤青過(guò)程自動(dòng)化提供理論依據(jù)，對(duì)于實(shí)現(xiàn)茶葉智能化、標(biāo)準(zhǔn)化生產(chǎn)具有重要意義.

[1] 李傳忠，高士偉.攤青時(shí)間與茶葉品質(zhì)(續(xù))[J]．蠶桑茶葉通訊，2008(4)：36.

[2] 李小娟．新型綠茶加工關(guān)鍵工藝技術(shù)的研究[D]．杭州：浙江大學(xué)，2012.

[3] 李志輝，羅平．SPSS統(tǒng)計(jì)分析教程[M]．北京：電子工業(yè)出版社，2005：213-245.

[4] 蔣建東，陳培余，童一玨，等．基于機(jī)器視覺(jué)的輕觸開(kāi)關(guān)引腳缺陷檢測(cè)算法研究[J]．浙江工業(yè)大學(xué)學(xué)報(bào)，2015，43(1)：30-33.

[5] USHADA M，F(xiàn)UKUDA H．Non-destructive sensing and its inverse model for canopy parameters using texture analysis andartificial neural network[J]．Computers and electronics in agriculture，2007，57：149-165.

[6] 黃藩，董春旺，高明珠，等．工夫紅茶萎凋中溫度對(duì)鮮葉失水率影響的預(yù)測(cè)模型[J]．中國(guó)農(nóng)學(xué)通報(bào)，2014，34：193-198.

[7] 岳利軍，汪仁煌，黃穎怡.植物葉片特征參數(shù)的機(jī)器視覺(jué)提取方法[J]．農(nóng)機(jī)化研究，2009(5)：170-173.

[8] ZHANG Y，ZENG J, ZHANG S， et al．Experimental study of interaction between fluid and alkaline feldspar[J]．Journal of geochemical exploration，2009，101(1)：126-126.

[9] 鮑官軍，荀一，戚利勇，等．機(jī)器視覺(jué)在黃瓜采摘機(jī)器人中的應(yīng)用研究[J].浙江工業(yè)大學(xué)學(xué)報(bào)，2010，38(1)：114-118.

[10] 魏少峰，張威.對(duì)計(jì)算機(jī)圖像處理技術(shù)應(yīng)用研究[J]．科技風(fēng)，2012(5)：81.

[11] 楊慶華，占偉濤，吳海偉，等．基于正交試驗(yàn)、BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的冷擠壓模具優(yōu)化設(shè)計(jì)方法[J]．浙江工業(yè)大學(xué)學(xué)報(bào)，2015，43(3)：251-256.

(責(zé)任編輯：陳石平)

The model research of tea green airing evaluation based on imaging technology

ZHANG Xian, JIA Guangsong, ZHAO Zhangfeng, ZHONG Jiang, QIAO Xin
(College of Mechanical Engineering, Zhejiang University of Technology, Hangzhou 310014, China)

Traditional detection method of water content includes drying and weighing method and sensor changed into electric quantity detection method. Although it is more accurate, but it will damage the samples, and the detection rate is slow. Establishing a nondestructive, accurate and rapid detection of biochemical parameters of tea leaf method to evaluate the quality of tea processing has important practical significance. By studying the change of the tea leaf shape, texture and color, the change of moisture content, the change of moisture content in the process of spreading green is real time monitored. And according to the parameters which correlation with moisture content is greater than 0.92, the nonlinear prediction model is established and verified using BP neural network. The accuracy is above 90% which could prove that this model piece of moisture content research and guidance for tea production has a certain accuracy and reliability.

image processing; leaf parameter measurement; rate of water content; BP neural network

2016-06-16

浙江省自然科學(xué)基金資助項(xiàng)目(LQ12C13004)；國(guó)家“十二五”科技支撐計(jì)劃項(xiàng)目(2014BAD06B06)；浙江省重大科技專項(xiàng)重大農(nóng)業(yè)項(xiàng)目(2013C02024-2)；國(guó)家自然科學(xué)青年基金資助項(xiàng)目(31201138)

張 憲(1956—)，男，浙江杭州人，教授，研究方向?yàn)楣こ萄b備及其自動(dòng)化，E-mail：xianzh@zjut.edu.cn.

S571.1

A

1006-4303(2017)02-0125-05