白雪 蔣思中

摘要：針對目前茶葉種植中自動化茶葉采摘面臨的難題，提出了一種茶葉嫩芽圖像自動識別與檢測的算法。該方法通過建立增強的圖像樣本庫，選擇超綠指標(biāo)、飽和度等特征數(shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)算法進行茶葉嫩芽圖像的訓(xùn)練、識別和檢測，對桂綠1號進行實驗，取得較好的實驗效果，表明了該算法的有效性。

關(guān)鍵詞：茶葉嫩芽;圖像增強;神經(jīng)網(wǎng)絡(luò);識別與檢測

中圖分類號：TP311? ? ? ? 文獻標(biāo)識碼：A

文章編號：1009-3044（2020）16-0207-02

Abstract： In order to solve the problem of automatic tea picking in tea planting， an algorithm of automatic recognition and detection of tea bud image is proposed. This method uses neural network algorithm to train， recognize and detect the tea bud image by establishing the enhanced image sample database， selecting the super green index， saturation and other characteristic data， and carries out the experiment on Guilv 1. The experiment results show that the algorithm is effective.

Key words： tea shoots; image enhancement; neural network; recognition and detection

1 引言

我國是茶葉生產(chǎn)大國，茶葉產(chǎn)量連年上升[1]，茶葉制作過程包含采摘、晾曬、殺青等幾道主要工序， 其中最為重要的是采摘，采摘的嫩芽品質(zhì)可能會對成品茶質(zhì)量造成很大影響，但茶葉生產(chǎn)中的鮮葉采摘環(huán)節(jié)一直存在成本高、勞動強度大、工作效率低等問題，影響了茶葉生產(chǎn)量。因此，實現(xiàn)茶葉嫩芽的自動化采摘是個值得研究的課題。

目前，也有些學(xué)者對茶葉嫩芽的自動化采摘進行了研究，早在1958年就有簡易的機械化采茶機出現(xiàn)[2]，后來陸續(xù)出現(xiàn)了機動、電動的采摘嫩芽的機器，這些機器雖然能提高采摘效率，代替一些人的勞動，但是采來的茶葉老葉太多，和嫩芽混在一起，后期挑揀需要時間，直接做茶影響茶葉的品質(zhì)[3]?？紤]到后期分揀工作會耗費不少時間，也有人進行了分揀技術(shù)的研究，例如唐萌等人[4]研究了名優(yōu)茶應(yīng)用采茶機采摘茶葉后續(xù)處理技術(shù)，茶葉的分級，并且對多種分級方法進行了對比分析;王成軍等人[5]設(shè)計了一種利用多維震動進行茶葉嫩芽分級的機器，縮短了一些茶葉分級的時間。雖然目前一些采茶機器使采茶的時間成本大大降低，但由于沒對茶葉的嫩芽進行識別和檢測，采到很多沒用的茶葉，挑揀困難，卻對茶葉的茶株進行了一定程度的破壞，所以很多茶葉園區(qū)不愿意采用這種采茶機器。

隨著智能農(nóng)業(yè)發(fā)展，大量的智能化技術(shù)應(yīng)用到農(nóng)業(yè)生產(chǎn)中，這為茶葉嫩芽的采摘提供了啟示，將智能化技術(shù)應(yīng)用到茶葉嫩芽的采摘中，就可以極大地提高嫩芽采摘的品質(zhì)、完整度等，減少對茶葉茶株的破壞。其中最關(guān)鍵的技術(shù)之一就是茶葉嫩芽圖像的識別與檢測技術(shù)。本文使用了一種茶葉嫩芽圖像的識別與檢測方法，并針對桂綠1號進行了實驗，取得了較好的效果。

2 茶葉嫩芽圖像的識別與檢測

在茶葉嫩芽采摘中，根據(jù)茶株和制茶的不同需要，在實際的采茶中有時一芽兩葉，有時一芽一葉，有時卻只能采摘嫩芽，其他的葉片都要放棄，因此，要綜合考慮建立樣本庫。

首先，需要檢測嫩芽樣本庫，為了深度學(xué)習(xí)訓(xùn)練的有效性，選取廣職茶園桂綠1號茶園中拍攝的200余幅茶葉圖片，建立茶葉樣本庫，對于多種姿態(tài)和光照嫩芽進行拍攝，并對拍攝圖像進行分割。考慮到嫩芽采摘判定的復(fù)雜，對數(shù)據(jù)樣本進行一些旋轉(zhuǎn)、縮放、更改背景等操作，增加樣本數(shù)量。

然后，對茶葉嫩芽的特征進行提取和建模，在茶園中茶葉的老枝、枯葉、土壤等在顏色上與茶葉嫩芽有明顯的差異，通過對茶葉圖像進行RGB通道分離研究發(fā)現(xiàn)，茶葉嫩芽的G分量明顯高于老枝、枯葉、土壤的部分，因此，鑒于這種顏色特殊性，進行茶葉圖像的圖片預(yù)處理，根據(jù)2G-R-B超綠指標(biāo)，加強G分量使嫩芽與背景的區(qū)別更加明顯，從茶葉圖像中選取合適的嫩芽與背景像素點，從中提取特征數(shù)據(jù)組成訓(xùn)練特征數(shù)據(jù)集，為后續(xù)的訓(xùn)練做準(zhǔn)備。而有些老葉與嫩芽的區(qū)別主要在綠色深淺上，像素值的界限并不明顯，因此加入飽和度特征數(shù)據(jù)和部分紋理參數(shù)作為參考，飽和度越大，顏色越鮮艷，反之顏色越淺。

最后，利用BP神經(jīng)網(wǎng)絡(luò)對特征數(shù)據(jù)進行訓(xùn)練，根據(jù)訓(xùn)練的結(jié)果，對茶葉圖像進行匹配識別和標(biāo)記，BP神經(jīng)網(wǎng)絡(luò)是一種根據(jù)誤差調(diào)整網(wǎng)絡(luò)參數(shù)進行自適應(yīng)訓(xùn)練的多層神經(jīng)網(wǎng)絡(luò)算法，包括信號的前向傳播和誤差的反向傳播兩個過程，應(yīng)用十分的廣泛。

經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練，當(dāng)實際輸出與期望輸出誤差滿足約束條件時，訓(xùn)練終止。

在有噪聲的情況下，識別結(jié)果有些雜亂，需要采用閉運算進行去噪。閉運算是先對圖像進行膨脹處理，再進行腐蝕處理。它可以把區(qū)域內(nèi)的微小缺口填充好，將短的斷口修補上。通過閉運算，大量噪聲被去除，圖像整體比較平滑，經(jīng)閉運算處理后的圖像色調(diào)更加均勻，對后續(xù)采摘點的確定更有利。

3 總結(jié)

為了解決項目實踐中茶葉嫩芽識別與檢測的難題，本文提出了一種茶葉嫩芽識別與檢測的方法，通過利用神經(jīng)網(wǎng)絡(luò)的特性對特征數(shù)據(jù)進行訓(xùn)練的方法進行茶葉嫩芽的識別與檢測，通過對桂綠1號茶葉圖像的實驗，取得較好的實驗效果，但是后期還需要進一步提升識別與檢測的精度和抗干擾能力。由于光照的影響會使嫩芽出現(xiàn)遮擋呈現(xiàn)暗色調(diào)或者老葉透光后呈現(xiàn)翠綠色，有些茶葉嫩芽的舒展度不高，葉片的脈絡(luò)不清晰且較密集，反之老葉的舒展度較高，這些種情況都使嫩芽圖像識別和檢測出現(xiàn)了問題，后續(xù)將繼續(xù)進行抗干擾的研究。

參考文獻：

[1] 國家統(tǒng)計局.中華人民共和國2018年國民經(jīng)濟和社會發(fā)展統(tǒng)計公報[EB/OL].（2019-02-28）.

[2] 高鳳.名優(yōu)茶并聯(lián)采摘機器人結(jié)構(gòu)設(shè)計與仿真[D].南京：南京林業(yè)大學(xué)，2013.

[3] 唐小林.機械化采茶的利弊分析及發(fā)展前景[J].中國茶葉工，2008（4）：10-12.

[4] 張?zhí)m蘭，董跡芬，唐萌，等.名優(yōu)茶機采鮮葉分級技術(shù)研究[J].浙江大學(xué)學(xué)報（農(nóng)業(yè)與生命科學(xué)版）， 2012，30（5）：593-598.

[5] 謝俊，張曉慶，王成軍，等.三平移并聯(lián)茶葉篩分機構(gòu)設(shè)計及運動仿真[J].工程設(shè)計學(xué)報，2012，19（3）：208-212.

【通聯(lián)編輯：朱寶貴】