張金炎，曹成茂，李文寶，王二銳，孫 燕，劉光宗

基于多特征融合的茶葉鮮葉等級識別的方法研究

張金炎1,2,3，曹成茂1,2,3*，李文寶1,2,3，王二銳1,2,3，孫 燕1,2,3，劉光宗1,2,3

(1. 安徽農(nóng)業(yè)大學(xué)工學(xué)院, 合肥 230036；2. 安徽省智能農(nóng)機裝備工程實驗室，合肥 230036；3. 農(nóng)業(yè)農(nóng)村部南方農(nóng)業(yè)裝備科學(xué)觀測實驗站，合肥 230036)

茶葉鮮葉等級直接影響優(yōu)質(zhì)綠茶成品的等級，如果在鮮葉階段就茶葉的芽葉數(shù)量進行等級識別，并將不同等級鮮葉分離出來，制作不同等級的綠茶成品，從一定程度上解決了優(yōu)質(zhì)綠茶鮮葉采摘環(huán)節(jié)的難題。提出基于茶葉形態(tài)、紋理和HOG特征的鮮葉分級方法，采集鮮葉樣本圖片，對樣本圖片進行預(yù)處理操作，再提取鮮葉形態(tài)和紋理特征等特征參數(shù)，建立機器學(xué)習(xí)模型支持向量機、隨機森林和線性判別法K-最近鄰對新鮮茶葉樣本進行分類，得到各等級的茶葉識別結(jié)果。試驗結(jié)果表明，單獨使用一種特征分類效果不佳，也不符合茶葉本身的復(fù)雜性。將多種特征融合有更好的分類效果；3種算法中，隨機森林算法有較高的優(yōu)越性，準(zhǔn)確率達(dá)97.06%。該研究提取的多特征參數(shù)和分類模型，為實際鮮葉的生產(chǎn)加工等級識別提供參考。

特征融合；隨機森林；機器學(xué)習(xí)；鮮葉等級識別；HOG特征

茶葉是世界三大飲料之一，在我國具有重要的文化、健康和經(jīng)濟價值[1]。本研究選用的茶葉樣本為綠茶，因其色澤翠綠，香氣清鮮持久且富含人體所需氨基酸而深受人們喜歡[2]。目前，綠茶的等級識別和分級加工生產(chǎn)主要針對干茶，鮮見對機采茶鮮葉進行有效研究。本研究提出通過機器視覺對茶葉鮮葉進行精準(zhǔn)等級識別，為分選出名優(yōu)茶提供新的解決思路。

近年來機器視覺和深度學(xué)習(xí)被廣泛地應(yīng)用于農(nóng)業(yè)生產(chǎn)領(lǐng)域[3-8]。利用機器視覺對農(nóng)產(chǎn)品進行等級識別也是當(dāng)前的熱門研究內(nèi)容[9-12]。Khan等[13]提出基于強相關(guān)和遺傳算法進行特征選擇的蘋果病害分割與分類優(yōu)化方法，還提出了機器視覺系統(tǒng)在谷物中的適用性，能夠?qū)⒉煌任镉行У姆诸愰_。在茶葉識別領(lǐng)域，Li等[14]提出了基于多傳感器數(shù)據(jù)融合和嗅覺可視化系統(tǒng)的綠茶質(zhì)量評價系統(tǒng)，選出最優(yōu)方案PCA-SVM；Cai等[15]利用近紅外光譜，建立了用于茶葉分類的自組織神經(jīng)網(wǎng)絡(luò)模型，相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)提高了分類的準(zhǔn)確率；Li等[16]建立近紅外光譜的快速無損鑒別特級綠茶評價系統(tǒng)。但是基于外設(shè)紅外光譜、高光譜和傳感器等難以對茶葉外形做出準(zhǔn)確的評價，且大多數(shù)外設(shè)成本高昂不利于推廣使用。國內(nèi)研究學(xué)者，如董春旺等[17]、Dong等[18-19]和Zhu等[20]提出基于機器視覺和工藝參數(shù)對針芽形綠茶外形進行品質(zhì)評價；宋彥等[21]針對祁門紅茶的等級識別，選出形狀特征直方圖的LS-SVM的最優(yōu)評估模型；Zhu等[22]通過過程特征和圖像信息，建立BP-MLP模型和RBF神經(jīng)網(wǎng)絡(luò)模型進行綠茶感官品質(zhì)評價。

但上述研究工作大多基于單一特征，且大多數(shù)研究對象為干茶，忽略了茶葉本身特征的復(fù)雜性。本研究提出基于茶葉鮮葉的形態(tài)特征描述子與紋理特征描述子相融合并通過建立支持向量機、K-近鄰和隨機森林3種分類模型與提取的HOG特征相比較，選擇最優(yōu)鮮葉等級識別模型。

1 材料與方法

1.1 試驗材料

本試驗所需的茶葉鮮葉樣本采自于安徽省合肥市林業(yè)輻照中心種植的綠茶，選擇春季時期的茶葉鮮葉，春茶受蟲害侵?jǐn)_少、芽葉細(xì)嫩且顏色翠綠。同時，春天氣溫普遍較低，發(fā)芽數(shù)量有限，生長速度較慢，符合采摘標(biāo)準(zhǔn)的產(chǎn)量較少。拍攝圖像時，保持光線均勻，采用背景色為藍(lán)色，樣本具體包括鮮葉的全芽、一芽一葉和一芽兩葉各200片。樣本采集流程圖如圖1所示。

圖1 茶葉鮮葉樣本流程圖

Figure 1 Fresh leaf sample of tea leaves

1.2 試驗方法

本研究的試驗樣本取3種等級的茶葉鮮葉共600多片，在光照均勻且樣本相互無遮擋條件下采集圖像樣本。提取茶葉鮮葉的形態(tài)特征、紋理特征和HOG特征，通過建立支持向量機、隨機森林和K-最近鄰3種分類模型，選擇最優(yōu)鮮葉等級識別模型，實現(xiàn)對茶葉鮮葉等級識別。

1.3 圖像預(yù)處理和形態(tài)特征建立

對采集到的圖像樣本進行預(yù)處理，相機采集保存的圖像為BMP格式，將批量讀取的樣本圖像進行OSTU法的二值化處理、圖像分割、濾除小粒子、邊緣提取和確定區(qū)域連通域，實現(xiàn)葉片與背景的分離。具體特征提取流程圖如圖2所示。

為準(zhǔn)確識別鮮葉等級，本研究所需要的復(fù)雜形態(tài)特征描述子包括對角線長度、緊湊度、圓形度、矩形度、包含茶葉外接圓的直徑、周長、長軸、短軸和細(xì)長度。采用區(qū)域邊界周圍每個像素對之間的距離來計算周長，區(qū)域中的實際像素數(shù)為面積，葉片橢圓主軸為長軸，次軸為短軸。圓形度、矩形度、細(xì)長度和緊湊度為4個相對形態(tài)特征，鮮葉所需要的形態(tài)特征定義及計算公式具體如表1所示。

圖2 特征提取算法流程圖

Figure 2 Pre-processing algorithm flowcharts

表1 形態(tài)特征參數(shù)

注：公式中的Dia、J、E、R、D、T、C、Lx、Sx、L、S和A分別代表對角線長度、緊湊度、圓形度、矩形度、直徑、細(xì)長度、周長、長軸長、短軸長、最小外接矩的長、最小外接矩的寬和面積。

1.4 紋理特征建立

灰度共生矩陣（GLCM）統(tǒng)計法是在假定圖像中各像素間的空間分布關(guān)系，包含了圖像的紋理信息，是具有廣泛性的紋理分析方法。在茶葉鮮葉圖像中，灰度共生矩陣從任意一點（x,y）及偏離它的一點（x+a,y+b）（其中a，b為整數(shù)）構(gòu)成點對。設(shè)該點對的灰度值為（f1,f2），假設(shè)圖像的最大灰度級為L，則f1與f2的組合共有L×L種。對于整幅圖像，統(tǒng)計每一種（f1,f2）值出現(xiàn)的次數(shù)，然后排列成一個方陣，再用（f1,f2）出現(xiàn)的總次數(shù)將它們歸一化為出現(xiàn)的概率P（f1,f2），將所有估計的值表示成一個矩陣的形式。對于茶葉鮮葉圖像上紋理變化較為緩慢，其灰度共生矩陣對角線上的數(shù)值較大。本研究提取了對比度、能量、熵、逆差距和相關(guān)性5個紋理特征。

本研究提取茶葉鮮葉灰度共生矩陣的5個特征，即對比度、能量、熵、逆方差和相關(guān)性。

（1）對比度，度量矩陣的值的分布和圖像中局部變化的多少，反映了圖像的清晰度和紋理的溝紋深淺。紋理的溝紋越深，反差越大，效果越清晰。

（2）能量，能量變換反映了圖像灰度分布均勻程度和紋理粗細(xì)度?；叶裙采仃嚨脑刂迪嘟瑒t能量較小，表示紋理細(xì)致。

（3）熵，茶葉鮮葉的熵值表明了圖像灰度分布的復(fù)雜程度，熵值越大，圖像越復(fù)雜。

（4）逆方差，逆方差反映了圖像紋理局部變化的大小，鮮葉圖像紋理的不同區(qū)域間較均勻，變化緩慢，逆方差會較大。

（5）相關(guān)性，度量圖像的灰度級在行或列方向上的相似程度，因此值得大小反映了鮮葉局部灰度相關(guān)性，值越大，相關(guān)性也越大。

其中，G(,)為灰度生矩陣，(,)為灰度對；

選取全芽、一芽一葉和一芽兩葉樣本各200個，提取鮮葉灰度共生矩陣的5個特征，取均值如表2所示。

1.5 HOG特征建立

圖像的HOG（方向梯度直方圖）特征用來進行物體的特征描述子，通過計算和統(tǒng)計圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征。本研究所用圖像分辨率為658×492，將圖像尺寸調(diào)整為細(xì)胞單元的最近整數(shù)倍，每16×16個像素劃分為一個細(xì)胞單元cell，2×2個細(xì)胞單元劃分為一個方向直方圖block，采用重疊的方式求出方向直方圖的特征。

表2 灰度共生矩陣的均值特征

（1）批量讀取圖片，對圖像進行預(yù)處理并采用伽馬校正法對圖像顏色空間標(biāo)準(zhǔn)化處理，如式（6）所示。

（2）計算圖像每個像素的梯度，捕獲輪廓信息，梯度方程如下式所示；

Figure 3 Variance contribution rate statistics for the main component of the sample

（3）將圖像化分成cell，將每4個cell組成一個方向直方圖，每個block內(nèi)所有cell的特征描述子累加；

（4）將圖像內(nèi)所有的方向直方圖的HOG特征描述子累加，得到目標(biāo)圖像的HOG特征描述子，送入分類器進行分類。

數(shù)據(jù)降維處理可以有效減少過擬合的發(fā)生。由于本研究每個茶葉樣本集特征數(shù)據(jù)集都提取了包括形態(tài)、紋理和HOG的多個特征，特征較多，數(shù)據(jù)的維度較高，會帶來數(shù)據(jù)處理慢，硬件消耗大等問題，同樣高維度還會出現(xiàn)“維度災(zāi)難”，但又很難直接選擇。為避免特征維度較高帶來嚴(yán)重的過擬合現(xiàn)象，對3種特征進行PCA。

從圖3中可以看出，3種類型的特征參數(shù)均有貢獻(xiàn)率極小的特征，對后期的識別結(jié)果影響不大，可以去除累計貢獻(xiàn)率<99%的特征。

2 分類器模型建立

選擇600個茶葉鮮葉樣本，將提取的特征向量隨機劃分，80%用于訓(xùn)練，20%用于測試。并采用10折交叉驗證選擇分類模型的最優(yōu)參數(shù)，防止過擬合現(xiàn)象。本研究設(shè)計的3種分類模型，基于核函數(shù)的支持向量機（SVM）、K-最鄰近算法（KNN）和隨機算法（Random Forest）。將前述提取的形態(tài)、紋理特征和HOG特征送入分類器分類，統(tǒng)計分類模型的準(zhǔn)確率。通過比較3種模型對茶葉分級的效果，選取最優(yōu)模型。

表3 不同核函數(shù)的準(zhǔn)確率評價指標(biāo)

圖4 核函數(shù)準(zhǔn)確率指標(biāo)

Figure 4 Kernel function accuracy indicator

圖5 特征對比

Figure 5 Feature comparison

2.1 SVM算法

SVM作為一種經(jīng)典的算法，在模式識別和圖像處理等諸多領(lǐng)域中應(yīng)用廣泛，在茶葉鮮葉分類問題中有廣泛的使用性。支持向量機分類模型屬于有監(jiān)督學(xué)習(xí)范疇。其原理是尋找一個最優(yōu)超平面，能夠?qū)⒛繕?biāo)進行有效的分類。SVM分類器的好壞在于核函數(shù)和核函數(shù)參數(shù)的選擇。

設(shè)數(shù)據(jù)集為（X,Y），∈ [1,480]、=1,2,3,…,14, X為第個樣本，為X的第個樣本的第個特征；Y={1,2,3}為標(biāo)簽值，其中1為全芽，2為一芽一葉，3為一芽兩葉。超平面方程如式（11）所示。

Figure 6 K-Nearest Neighbor Accuracy Indicator

圖7 K-最近鄰下的特征對比

Figure 7 Characteristic comparison under K-Nearest Neighbor

為了使超平面能準(zhǔn)確的劃分樣本空間，對超平面方程進行約束，約束條件如式（12）和（13）所示。

其中480組為訓(xùn)練集，120組為測試集。根據(jù)不同核函數(shù)的SVM，得到如表3所示。分析多特征和不同數(shù)據(jù)集影響3種不同核函數(shù)SVM的性能，建立不同樣本下和對多特征的模型驗證，得到結(jié)果如圖4和圖5所示。

經(jīng)過訓(xùn)練集和數(shù)據(jù)集的驗證，3種核函數(shù)的平均準(zhǔn)確率為91.85%、92.7%和93.58%?？紤]鮮葉實際情況的復(fù)雜性，選擇二次核函數(shù)（Cubic SVM）模型。且從圖4可知，形態(tài)特征對于分類的影響較大，HOG特征最小。

圖8 試驗曲線

Figure 8 Test curve

圖9 特征對比

Figure 9 Feature comparison

2.2 K-最近鄰算法

K-最近鄰算法是從訓(xùn)練集中找到和新數(shù)據(jù)最接近的k個樣本，根據(jù)其主要分類來決定新數(shù)據(jù)的類別。K-最近鄰算法的主要因素為分類決策規(guī)則、距離度量方式或相似的衡量和k值的選取。本研究采用加權(quán)歐式距離度量法，計算公式如下：

其中w為距離權(quán)重。

輸入訓(xùn)練集T={(1,1), (2,2),…, (n,n)}，其中x=1，2，…，150，y={1,2,3}為標(biāo)簽值，其中1為全芽，2為一芽一葉，3為一芽兩葉。輸出所屬的類別。根據(jù)給定的距離度量，在訓(xùn)練集T中找到與距離最近的個樣本，涵蓋著個點的領(lǐng)域記為N(x)；在N(x)中根據(jù)分類規(guī)則確定的類別y。根據(jù)上述規(guī)則，對分類模型進行優(yōu)化，提高模型準(zhǔn)確率。如圖6和圖7所示。

2.3 隨機森林算法

建立鮮葉3個等級的數(shù)據(jù)集包含全芽、一芽一葉和一芽兩葉各200個樣本。數(shù)據(jù)集包含鮮葉的形態(tài)特征和紋理特征，通過隨機森林模型，確定這些特征和鮮葉之間的關(guān)系，從而實現(xiàn)鮮葉等級。輸出選擇單一標(biāo)簽作為輸出，根據(jù)名優(yōu)綠茶品質(zhì)標(biāo)準(zhǔn)，用1和2分別表示符合條件的鮮葉全芽和一芽一葉，3表示一芽兩葉。學(xué)習(xí)樣本為，各200個，屬性個數(shù)為，14個。

隨機森林算法的設(shè)計規(guī)則如下：利用Boostrap有放回采樣法，隨機產(chǎn)生個訓(xùn)練1，2，3……T；利用每個訓(xùn)練集生成對應(yīng)的決策樹1，2，3……C在每個非葉子節(jié)點上選擇屬性前，從個屬性中隨機抽取（≤）個屬性作為當(dāng)前節(jié)點的分裂屬性集，并以這個屬性中最好的分裂方式對該節(jié)點進行分裂；每棵樹都完整成長，而不進行剪枝；對于數(shù)據(jù)集樣本，利用每個決策樹進行測試，得到對應(yīng)的類別1()，2()，3()……C()；采用投票的方法，將個決策樹中輸出最多的類別作為測試機樣本所屬的類別。將600個樣本隨機產(chǎn)生訓(xùn)練集和測試集共5份，按4∶1的比例進行訓(xùn)練。隨機森林隨機每次抽取的訓(xùn)練集和測試集不同，運行模型5次得到準(zhǔn)確率評價指標(biāo)，提高模型的泛化能力，如圖8所示。并驗證隨機森林模型下，各類參數(shù)對分類效果的影響，準(zhǔn)確率指標(biāo)圖9所示。

表4 3種識別模型的混淆矩陣

表5 3種不同分類算法不同評價指標(biāo)的得分表

表6 HOG特征分類結(jié)果

3 結(jié)果與分析

3.1 識別模型比較

本試驗針對茶葉鮮葉等級識別，提取了形態(tài)和紋理的共14個特征，設(shè)計了SVM、K-最近鄰和隨機森林3種機器學(xué)習(xí)模型，并與HOG特征模型相比較。不同分類模型的分類真實準(zhǔn)確率結(jié)果和3種模型的混淆矩陣如表4和表5所示。

表5以4種不同評價得分表為評價指標(biāo)?？梢钥闯?，隨機森林的4種評價指標(biāo)，識別率較高且誤識率最低，識別性能最好，分類的綜合性能要優(yōu)于SVM和K-最近鄰，最高達(dá)到97.06%。在復(fù)雜特征的情況下，SVM構(gòu)造的超平面難以將數(shù)據(jù)很好地分類開，而K-最近鄰在計算復(fù)雜特征的距離時，也難以提高準(zhǔn)確率。

圖 10 不同算法茶葉等級識別結(jié)果

Figure 10 Different algorithms tea grade recognition result

隨機森林的決策樹之間相互獨立，樣本進入分類模型時，每一顆決策樹進行分類，在針對大樣本和多特征問題時，有一定優(yōu)勢。同時，由表4分類模型可看出，提取的能量特征、熵特征、相關(guān)性及對比度特征提高模型分類的性能，更符合鮮葉本身的復(fù)雜性。

3.2 HOG與分類模型

將上述經(jīng)PCA降維后的HOG特征建立特征數(shù)據(jù)集，在3種分類模型下建立準(zhǔn)確率評價指標(biāo)。如表6所示。

結(jié)果表明，隨機森林下的HOG特征識別率最高，但SVM和K-最近鄰模型下的鮮葉的HOG特征識別效果較差。降維后的HOG特征仍保留22個主成分特征分量，說明特征數(shù)量會影響分類模型的分類效果，同時在多種特征的比較下，隨機森林算法的識別準(zhǔn)確率都優(yōu)于SVM和K-最近鄰，證明了隨機森林的優(yōu)越性。

為分析3種分類模型的性能和分析提取的特征對鮮葉等級識別影響，對鮮葉做等級識別標(biāo)定處理，為實際鮮葉加工生產(chǎn)提供參考。隨機森林模型能夠準(zhǔn)確的識別全芽和一芽兩葉，圖10（b）中存在同片葉遮掩的一芽一葉也被有效的分類。SVM和K-最近鄰模型中存在少量未被標(biāo)記的鮮葉。

4 結(jié)論

本研究對茶葉鮮葉的形態(tài)特征描述子、紋理特征描述子和HOG特征下，全芽、一芽一葉和一芽兩葉的等級進行識別。通過建立SVM、K-最近鄰和隨機森林3種分類模型，選擇最優(yōu)分類結(jié)果。得到研究結(jié)論如下：

（1）本研究針對茶葉鮮葉等級識別問題，提取鮮葉的形態(tài)特征復(fù)雜描述子包括細(xì)長度、緊湊度、圓形度、矩形度、對角線長度等9個形態(tài)特征和對比度、相關(guān)性、能量、熵和逆方差5個紋理特征。經(jīng)過分類模型分析，這14個特征對鮮葉等級識別是有效的。

（2）相比于經(jīng)典的SVM和K最近鄰分類模型，隨機森林算法模型具有較高的優(yōu)越性，識別率最高為97.06%。隨機森林在多特征和識別鮮葉多等級分類問題上能夠計算特征權(quán)重，具有良好分類效果，在后期移植算法到嵌入式設(shè)備中，具有一定應(yīng)用前景。

[1] 李蘇玲. 我國茶葉出口影響因素實證研究 : 基于貝葉斯VAR模型分析[D]. 武漢: 華中師范大學(xué), 2019.

[2] 林昱星, 肖澤豐, 田璧瑞, 等. 安吉白茶愈傷組織增殖培養(yǎng)及茶多酚的積累[J]. 河北大學(xué)學(xué)報(自然科學(xué)版), 2017,37(6): 614-620.

[3] FANG C, HUANG J D, CUAN K X, et al. Comparative study on poultry target tracking algorithms based on a deep regression network[J]. Biosyst Eng, 2020, 190: 176-183.

[4] 陳進, 顧琰, 練毅, 等. 基于機器視覺的水稻雜質(zhì)及破碎籽粒在線識別方法[J]. 農(nóng)業(yè)工程學(xué)報, 2018,34(13): 187-194.

[5] 劉鴻飛, 黃敏敏, 趙旭東, 等. 基于機器視覺的溫室番茄裂果檢測[J]. 農(nóng)業(yè)工程學(xué)報, 2018,34(16): 170-176.

[6] MISRA T, ARORA A, MARWAHA S, et al. SpikeSegNet-a deep learning approach utilizing encoder-decoder network with hourglass for spike segmentation and counting in wheat plant from visual imaging[J]. Plant Methods, 2020, 16: 40.

[7] LIU Z, WANG J, TIAN Y, et al. Deep learning for image-based large-floweredcultivar recognition[J]. Plant Methods, 2019, 15: 146.

[8] KOIRALA A, WALSH K B, WANG Z, et al. Deep learning for real-time fruit detection and orchard fruit load estimation: benchmarking of ‘MangoYOLO’[J]. Precis Agric , 2019, 20(6): 1107-1135.

[9] RAZMJOOY N, MOUSAVI B S, SOLEYMANI F. A real-time mathematical computer method for potato inspection using machine vision[J]. Comput Math Appl , 2012, 63(1): 268-279.

[10] WU A, ZHU J H, YANG Y L, et al. Classification of corn kernels grades using image analysis and support vector machine[J]. Adv Mech Eng , 2018, 10(12): 168781401881764.

[11] SABERIOON M, CíSA? P, LABBé L, et al. Comparative performance analysis of support vector machine, random forest, logistic regression and k-nearest neighbours in rainbow trout () classification using image-based features[J]. Sensors (Basel), 2018, 18(4): E1027.

[12] LIU L, LI Z K, LAN Y F, et al. Design of a tomato classifier based on machine vision[J]. PLoS One, 2019, 14(7): e0219803.

[13] KHAN M A, LALI M I U, SHARIF M, et al. An optimized method for segmentation and classification of apple diseases based on strong correlation and genetic algorithm based feature selection[J]. IEEE Access, 2019, 7: 46261-46277.

[14] LI L, XIE S, NING J, et al. Evaluating green tea quality based on multisensor data fusion combining hyperspectral imaging and olfactory visualization systems[J]. J Sci Food Agric, 2019, 99(4): 1787-1794.

[15] CAI J X, WANG Y F, XI X G, et al. Using FTIR spectra and pattern recognition for discrimination of tea varieties[J]. Int J Biol Macromol , 2015, 78: 439-446.

[16] LI C, GUO H, ZONG B, et al. Rapid and non-destructive discrimination of special-grade flat green tea using Near-infrared spectroscopy[J]. Spectrochim Acta A Mol Biomol Spectrosc, 2019, 206: 254-262.

[17] 董春旺, 朱宏凱, 周小芬, 等. 基于機器視覺和工藝參數(shù)的針芽形綠茶外形品質(zhì)評價[J]. 農(nóng)業(yè)機械學(xué)報, 2017, 48(9): 38-45.

[18] DONG C, LIANG G, HU B, et al. Prediction of congou black tea fermentation quality indices from color features using non-linear regression methods[J]. Sci Rep, 2018, 8(1): 10535.

[19] DONG C W, ZHU H K, ZHAO J W, et al. Sensory quality evaluation for appearance of needle-shaped green tea based on computer vision and nonlinear tools[J]. J Zhejiang Univ Sci B, 2017, 18(6): 544-548.

[20] ZHU H K, LIU F, YE Y, et al. Application of machine learning algorithms in quality assurance of fermentation process of black tea: based on electrical properties[J]. J Food Eng , 2019, 263: 165-172.

[21] 宋彥,謝漢壘,寧井銘,等. 基于機器視覺形狀特征參數(shù)的祁門紅茶等級識別[J].農(nóng)業(yè)工程學(xué)報,2018,34(23): 279-286.

[22] ZHU H K, YE Y, HE H F, et al. Evaluation of green tea sensory quality via process characteristics and image information[J]. Food Bioprod Process , 2017, 102: 116-122.

Study on the method of recognition of fresh leaf grade of tea based on multi-feature fusion

ZHANG Jinyang1,2,3, CAO Chengmao1,2,3, LI Wenbao1,2,3, WANG Errui1,2,3, SUN Yan,LIU Guangzong1,2,3

(1. School of Engineering, Anhui Agricultural University, Hefei 230036;2. Anhui Province Engineering Laboratory of Intelligent Agricultural Machinery Equipment, Hefei 230036;3. Scientific Observing and Experimental Station of Agriculture Equipment for the Southern China Ministry of Agricultural, Hefei 230036)

Tea fresh leaf grade directly affects the grade of high-quality green tea finished products, if the number of buds and leaves of tea in the fresh leaf stage for grade identification, and different grades of fresh leaves separated, the production of different levels of green tea finished products, to a certain extent to solve the high-quality green tea fresh leaf picking link of the problem. In this paper, the fresh leaf grading method based on tea morphological, texture and HOG features is proposed, the fresh leaf sample picture is collected, the sample picture is pre-processed, the features parameters such as fresh leaf morphological and texture feature situ, and the machine learning model supports the vector machine, the random forest and the linear discrimination method K-nearest neighbor to classify the fresh tea sample, and gets the tea recognition results of each grade. The experimental results show that the use of a feature classification alone is not effective and does not conform to the complexity of the tea itself. The fusion of various features has a better classification effect, and among the three algorithms, the random forest algorithm has higher advantages, with an accuracy rate of 97.06%. The multi-featured parameters and classification models extracted in this study provide reference for the identification of the production and processing level of actual fresh leaves.

feature fusion; random forest; machine learning; fresh leaf grade recognition; HOG features

TS272.2；TP181

A

1672-352X (2021)03-0480-08

10.13610/j.cnki.1672-352x.20210706.007

2021-7-7 11:42:52

[URL] https://kns.cnki.net/kcms/detail/34.1162.S.20210706.1641.014.html

2020-05-12

安徽省科技重大專項（18030701195）和安徽農(nóng)業(yè)大學(xué)2020年度研究生創(chuàng)新基金項目（2020ysj-74）共同資助。

張金炎，碩士研究生。E-mail：2285990651@qq.com

曹成茂，博士，教授，博士生導(dǎo)師。E-mail：caochengmao@sina.com