夏華鵾 史必高 黃海霞 吳曉盼

摘? 要：茶葉嫩芽智能采摘是茶葉生產(chǎn)智能化、信息化的重要前提，基于圖像的茶葉智能采摘已成為國內(nèi)外研究熱點(diǎn)。該文綜述了圖像處理技術(shù)在茶葉嫩芽分割、定位和智能采摘中的應(yīng)用，比較了各方法的優(yōu)缺點(diǎn)，并對圖像處理技術(shù)在茶葉智能化采摘上的應(yīng)用前景提出了展望。

關(guān)鍵詞：圖像處理;嫩芽分割;智能采摘;自動(dòng)定位

中圖分類號(hào) TP391.4? ?文獻(xiàn)標(biāo)識(shí)碼 A? ?文章編號(hào) 1007-7731（2019）09-0133-2

Abstract：Intelligent picking of tea sprouts is an important prerequisite for tea production intelligence and informationization. Intelligent picking of tea sprouts has become a research hotspot at home and abroad. In this paper，the application of image processing technology in tea sprouts segmentation，localization and intelligent picking were reviewed. The advantages and disadvantages of each method were compared，and the application prospect of image processing technology in tea intelligent picking was prospected.

Key words：Image processing;Sprouts segmentation;Intelligent picking;Automatic positioning

茶葉生產(chǎn)加工主要包括采摘、曬青、殺青、揉捻、焙火等幾道工序，采摘是茶葉生產(chǎn)的首道工序，嫩芽采摘的好壞直接影響后期成品茶質(zhì)量。隨著“互聯(lián)網(wǎng)+農(nóng)業(yè)”的不斷推進(jìn)與應(yīng)用，智能化采摘成為茶學(xué)領(lǐng)域研究熱點(diǎn)。為此，筆者綜述了數(shù)字圖像處理技術(shù)在茶葉嫩芽智能采摘中的應(yīng)用，旨在為茶葉生產(chǎn)加工智能化應(yīng)用[1]和發(fā)展提供參考。

1 圖像處理在茶葉嫩芽分割中的應(yīng)用

利用茶葉嫩芽與老葉、土壤、枝條等背景在顏色特征上具有差異性，楊福增[2]、劉志杰[3]均通過提取“午子仙毫”茶葉的G分量進(jìn)行嫩芽分割。針對單一色彩因子易受到光照的影響，韋佳佳[4]、唐仙[5]、吳雪梅[6]和袁加紅[7]分析不同顏色空間下各色彩因子間的線性組合，提出了基于色差因子的茶葉嫩芽圖像分割方法。

自然條件下茶葉分割不僅易受到環(huán)境、老葉、茶梗和土壤的影響，而且茶葉遮擋和重疊等也增大了嫩芽分割難度。汪建[8]以H和S分量作為種子區(qū)域，提出基于顏色相似性和區(qū)域鄰接性的區(qū)域生長合并方法，實(shí)現(xiàn)了茶葉嫩芽分割。由于嫩芽目標(biāo)與背景相對固定，吳雪梅[9]、張可[10]等提出基于Lab顏色模型的K-means聚類方法，實(shí)現(xiàn)了嫩芽與其他背景的分割，但該方法往往通過人工設(shè)定聚類數(shù)目，且易出現(xiàn)過分割問題。方坤禮[11]提出基于超綠2R-G-B特征的改進(jìn)JSEG分割技術(shù)，邵明[12]設(shè)計(jì)一種級(jí)聯(lián)的茶葉圖像分割方法，首先利用茶葉圖像的超綠-超紅顏色特征、自適應(yīng)二值化和數(shù)學(xué)形態(tài)學(xué)變換等對茶葉圖像進(jìn)行初始分割，然后通過基于統(tǒng)計(jì)學(xué)的快速區(qū)域合并算法實(shí)現(xiàn)茶葉嫩芽的有效分割，且避免過分割現(xiàn)象。

2 圖像處理在茶葉嫩芽定位中的應(yīng)用

茶葉嫩芽識(shí)別是實(shí)現(xiàn)鮮茶智能采摘的前提，嫩芽識(shí)別后對其采摘位置信息的提取也是實(shí)現(xiàn)智能采摘的關(guān)鍵技術(shù)。楊福增[1]、劉志杰[2]、姚波[13]在確定了茶葉“兩瓣一心”區(qū)域的基礎(chǔ)上，分別利用邊緣檢測、逐行掃描法和形態(tài)腐蝕法實(shí)現(xiàn)了嫩芽位置的標(biāo)記。裴偉[14]提出基于茶葉圖像的二維采摘坐標(biāo)提取方法，首先獲取茶葉嫩芽區(qū)域，然后提取嫩芽圖像外輪廓和最小外接矩形，以最小外接矩形的中心點(diǎn)為嫩芽的采摘點(diǎn)。相對于質(zhì)心法確定的采摘點(diǎn)，裴偉等提取的采摘點(diǎn)更能反映茶葉嫩芽的莖根部所在位置。張浩[15]提出基于光柵投影輪廓技術(shù)的茶葉嫩梢定位系統(tǒng)，該系統(tǒng)可以一次性實(shí)現(xiàn)整個(gè)工作面的嫩梢定位，同時(shí)有效獲取嫩梢三維信息，為名優(yōu)茶智能采摘機(jī)解決了茶葉嫩梢定位問題。

3 圖像處理技術(shù)在智能采茶機(jī)研發(fā)中的應(yīng)用

目前市場上推廣使用的有手提式或背負(fù)式采茶機(jī)，這類采茶機(jī)雖然在一定程度上能提升采摘效率，但仍需人力攜帶操作，且對茶葉嫩芽缺乏選擇性，采摘出的茶葉參差不齊，對茶樹損害較大。針對這一問題，湯一平[16]設(shè)計(jì)了一種基于機(jī)器視覺的乘用式采茶機(jī)，提出了嫩芽自動(dòng)識(shí)別與采茶機(jī)割刀的自動(dòng)調(diào)平調(diào)高控制方法。王偉羊[17]提出了一種基于機(jī)器視覺的乘用型采茶機(jī)導(dǎo)航方法，修繕了乘用式采茶機(jī)容易出現(xiàn)割刀與茶行在對準(zhǔn)上出現(xiàn)偏差的問題。王財(cái)盛[18]提出了基于機(jī)器視覺的采茶機(jī)割刀控制方法，首先用間接定位法定位割刀，以有效降低計(jì)算復(fù)雜度，然后利用動(dòng)態(tài)閾值分割法和顏色分類器能準(zhǔn)確地識(shí)別嫩芽區(qū)域。裴偉[19]設(shè)計(jì)了三維快速驅(qū)動(dòng)式采茶機(jī)系統(tǒng)，優(yōu)化了茶葉采摘定位坐標(biāo)的提取以及路徑，滿足了名優(yōu)茶鮮葉選擇性和高品質(zhì)采摘的需求。

4 結(jié)語

隨著農(nóng)業(yè)生產(chǎn)智能化、數(shù)字化發(fā)展，將圖像處理技術(shù)應(yīng)用到茶葉生產(chǎn)已取得一定進(jìn)展，但在鮮茶智能采摘上仍有一些問題需要進(jìn)一步研究與探討。

（1）基于圖像處理的茶葉嫩芽分割、定位等研究主要針對特定環(huán)境或茶葉種類，但茶葉種類多且生長環(huán)境受到地域和天氣等影響較大，導(dǎo)致算法普適性和穩(wěn)定性較差。因此，需要通過增加樣本數(shù)據(jù)（來自不同地域、不同環(huán)境的茶葉種類和數(shù)量）以提高算法的普適性，融合多種分割方法提高算法的穩(wěn)定性，以促進(jìn)其在實(shí)際應(yīng)用中發(fā)揮有效作用。

（2）深度學(xué)習(xí)[20]在智能采摘中的應(yīng)用：作為機(jī)器學(xué)習(xí)領(lǐng)域的新興方向，深度學(xué)習(xí)可以直接將圖像作為輸入，通過卷積層、池化層等自學(xué)習(xí)特征，最后實(shí)現(xiàn)目標(biāo)檢測或者分割?；谏疃葘W(xué)習(xí)的茶葉智能化[21]生產(chǎn)研究相對較少，可建立多種深度卷積神經(jīng)網(wǎng)絡(luò)嫩芽檢測模型，以減小人工特征提取、外界環(huán)境對嫩芽分割定位的影響。

（3）智能采茶機(jī)設(shè)計(jì)與實(shí)現(xiàn)：智能采茶機(jī)主要包括采茶機(jī)機(jī)械設(shè)計(jì)、智能采摘識(shí)別與定位和控制軟硬件的通信等模塊。設(shè)計(jì)能夠適應(yīng)多種場地且與茶葉智能采摘系統(tǒng)相協(xié)調(diào)的采茶機(jī)，仍需要加強(qiáng)機(jī)械設(shè)計(jì)、嵌入式控制、通信和人工智能等多學(xué)科交叉研究。

參考文獻(xiàn)

[1]Adel Bakhshipour，Alireza Sanaeifar，Sayed Hossein Payman1，et al. Evaluation of Data Mining Strategies for Classification of Black Tea Based on Image-Based Features[J].Food Anal. Methods，2018，11：1041-1050.

[2]楊福增，楊亮亮，田艷娜，等.基于顏色和形狀特征的茶葉嫩芽識(shí)別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（s1）：119-123.

[3]劉志杰，田艷娜，楊亮亮，等.重疊條件下茶葉嫩芽的自動(dòng)檢測方法[J].中國體視學(xué)與圖像分析，2009（2）：129-132.

[4]韋佳佳.名優(yōu)茶機(jī)械化采摘中嫩芽識(shí)別方法的研究[D]. 南京：南京林業(yè)大學(xué)，2012.

[5]唐仙，吳雪梅，張富貴，等.基于閾值分割法的茶葉嫩芽識(shí)別研究[J].農(nóng)業(yè)裝備技術(shù)，2013（6）：10-14.

[6]吳雪梅，張富貴，呂敬堂.基于圖像顏色信息的茶葉嫩葉識(shí)別方法研究[J].茶葉科學(xué)，2013（6）：584-589.

[7]袁加紅，張中正，朱德泉，等.名優(yōu)綠茶嫩芽識(shí)別與定位方法研究[J].安徽農(nóng)業(yè)大學(xué)學(xué)報(bào)，2016，43（5）：676-681.

[8]汪建.結(jié)合顏色和區(qū)域生長的茶葉圖像分割算法研究[J].茶葉科學(xué)，2011，31（1）：72-77.

[9]吳雪梅，唐仙，張富貴，等.基于K-means聚類法的茶葉嫩芽識(shí)別研究[J].中國農(nóng)機(jī)化學(xué)報(bào)，2015，36（5）：161-164.

[10]張可，呂軍.自然條件下茶葉嫩芽圖像分割方法的研究[J].黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào)，2016，28（2）：100-104.

[11]方坤禮，廖建平，劉曉輝.基于改進(jìn)JSEG技術(shù)的茶葉圖像嫩芽分割與識(shí)別研究[J].食品工業(yè)，2017（4）：134-138.

[12]邵明.基于計(jì)算機(jī)視覺的龍井茶葉嫩芽識(shí)別方法研究[D]. 北京：中國計(jì)量學(xué)院，2013.

[13]姚波，汪洋，李小瑞，等.自然環(huán)境下嫩芽與茶梗自動(dòng)分割方法的研究[J].黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào)，2017，29（2）：114-117.

[14]裴偉，王曉林.基于圖像信息的茶葉二維采摘坐標(biāo)的提取[J].浙江農(nóng)業(yè)學(xué)報(bào)，2016，28（3）：522-527.

[15]張浩，陳勇，汪巍，等.基于主動(dòng)計(jì)算機(jī)視覺的茶葉采摘定位技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（9）：61-65.

[16]湯一平，韓旺明，胡安國，等.基于機(jī)器視覺的乘用式智能采茶機(jī)設(shè)計(jì)與試驗(yàn)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47（7）：15-20.

[17]王偉羊.基于計(jì)算機(jī)視覺的采茶機(jī)導(dǎo)航技術(shù)研究[D]. 杭州：浙江工業(yè)大學(xué)，2016.

[18]王財(cái)盛，朱威，徐召飛，等.基于機(jī)器視覺的采茶機(jī)割刀控制方法[J].計(jì)算機(jī)測量與控制，2017，25（4）：70-74.

[19]裴偉. 三維快速驅(qū)動(dòng)式采茶機(jī)的關(guān)鍵技術(shù)研究[D]. 北京：中國計(jì)量大學(xué)，2016.

[20]GE Hinton，Simon Osindero，and YW Teh. A fast learning algorithm for deep belief nets[J]. Neural computation，2006.

[21]王琨，劉大茂. 基于深度學(xué)習(xí)的茶葉狀態(tài)智能識(shí)別方法[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2015，29（12）：120-126.

（責(zé)編：徐世紅）

基金項(xiàng)目：安徽省高校自然科學(xué)研究項(xiàng)目（KJHS2018B11）;國家級(jí)大學(xué)生創(chuàng)新訓(xùn)練計(jì)劃項(xiàng)目（201810375015）;國家級(jí)大學(xué)生創(chuàng)新訓(xùn)練計(jì)劃項(xiàng)目（201710375006）;安徽省大學(xué)生創(chuàng)新訓(xùn)練計(jì)劃項(xiàng)目（201710375040）。

作者簡介：夏華鵾（1998—），男，安徽馬鞍山人，本科，研究方向：圖像識(shí)別。? ?*通訊作者? ? 收稿日期：2019-04-23