徐 濤

（武夷學(xué)院，福建 武夷山 354300）

傳統(tǒng)的人工分揀方式不僅效率低下，而且錯誤率較高，導(dǎo)致茶葉制作環(huán)節(jié)的成本居高不下。為了解決這一問題，相關(guān)研究人員積極嘗試建立茶葉雜質(zhì)自動化分揀系統(tǒng)。目前，市面上常見的茶葉雜質(zhì)自動分揀系統(tǒng)以茶葉的顏色作為主要區(qū)分對象，依據(jù)目標(biāo)圖像的閾值對其進行分類與判定。這種自動化分揀模式存在一定的局限性，如果雜質(zhì)與茶葉的顏色相近，則自動分揀系統(tǒng)無法準(zhǔn)確識別雜質(zhì)，需要再利用人工分揀的方式去除雜質(zhì)。而圖像處理技術(shù)的不斷成熟，為優(yōu)化茶葉雜質(zhì)分揀系統(tǒng)提供了技術(shù)支撐。借助圖像處理技術(shù)，茶葉雜質(zhì)分揀系統(tǒng)能夠?qū)崿F(xiàn)對于茶葉與雜質(zhì)外形特征的分類，在不依靠顏色閾值的情況下，實現(xiàn)對于雜質(zhì)的準(zhǔn)確識別，顯著提升茶葉雜質(zhì)分揀系統(tǒng)工作效率，擁有廣闊的應(yīng)用前景。

1 圖像處理技術(shù)分析

圖像處理技術(shù)在多個領(lǐng)域發(fā)揮著重要作用，初級圖像處理技術(shù)可以對圖像邊緣進行銳化，并執(zhí)行簡單的降噪預(yù)處理。中級圖像處理技術(shù)能夠?qū)D像進行智能分割，并對物體外形進行描述。高級圖像處理技術(shù)，能夠?qū)ξ矬w進行精準(zhǔn)識別。采集圖像過程中，由于攝影器材、光線以及物體表面特征存在差異，因此圖像會出現(xiàn)噪聲，令采集到的圖像與原始圖像不相符，因此需要利用圖像處理技術(shù)對采集到的圖像進行降噪預(yù)處理[1]。

1.1 圖像灰度化

基于計算機視覺的茶葉雜質(zhì)分揀系統(tǒng)運行過程中，需要對圖像進行灰度化處理，將彩色圖片轉(zhuǎn)化為灰度圖。以笛卡爾坐標(biāo)系作為基礎(chǔ)，由紅色（R）、綠色（G）、藍(lán)色（B）作為基礎(chǔ)原色組成不同顏色，則每一個RGB分量都擁有28的灰度等級（如圖1所示）。

圖1 RGB色彩模型空間示意圖

每一個分量代表一種顏色的灰度值，也可以將其稱之為亮度值、強度值。目前，計算機主要通過平均值法、分量法以及最大值法對圖像進行灰度化處理。

平均值法的原理是通過計算彩色圖像三個分量強度值的平均數(shù)，確定圖像的灰度值。

分量法是提取圖像某一個分量的亮度值，將其作為該圖像的灰度值，依據(jù)實際需求選擇不同的分量。

最大值法是將圖像亮度值中的最大值，視為該圖像的灰度值。

公式（1）（2）（3）中，f為圖像的灰度值，(i,j)為像素點坐標(biāo)。

在實際識別過程中，如果想要得到質(zhì)量更高的灰度圖像，可以使用不同的權(quán)值對三個分量進行加權(quán)平均計算。本次設(shè)計中，工作人員對茶葉彩色圖像進行加權(quán)平均處理，得到了相應(yīng)的灰度圖像（如圖2所示）。

圖2 茶葉雜質(zhì)分揀圖像灰度圖

1.2 圖像平滑

拍攝圖像過程中，在各種外界因素的影響下，圖像會產(chǎn)生噪聲，要通過平滑處理消除噪聲的影響，為后期圖像處理工作打好基礎(chǔ)。目前常用的圖像平滑技術(shù)包括均值濾波法以及加權(quán)平均值濾波法等。

1.2.1 均值濾波法

利用均值濾波器，將彩色圖像上的目標(biāo)像素點 (x,y)以及與該像素點相鄰的像素點灰度平均值，視為當(dāng)前的像素點。例如，目標(biāo)像素點為f(x,y)，圖像平滑處理后的像素點為g(x,y)，則均值濾波計算公式為：

公式（4）中，變量M為鄰域像素點總和，S為目標(biāo)像素點(x,y)的鄰域。

如果將平滑濾波模板設(shè)定為3×3，則可以得到：

1.2.2 加權(quán)平均值濾波法

均值濾波法的弊端在于對于所有的像素點進行統(tǒng)一處理，因此會導(dǎo)致圖像變得模糊。為了提升圖像的清晰度，可以通過加權(quán)平均的方式對均值濾波法進行優(yōu)化，即加權(quán)平均值濾波法。

公式（6）中，w(s,t)為掩膜系數(shù)。通過加權(quán)平均計算，可以對公式（5）進行優(yōu)化：

觀察公式（7）可以發(fā)現(xiàn)，與中心點越接近的像素點，其權(quán)值越高，對于中心點的影響越明顯，是一種經(jīng)常被使用的平滑模板，經(jīng)過該模板處理的圖像較均值濾波法處理的圖像更為清晰。

1.3 邊緣檢測

在分析圖像過程中，邊緣信息有著很高的使用價值，且圖像邊緣區(qū)域像素灰度值變化很大，計算圖像邊緣灰度值梯度，確定圖像邊緣的方向以及強度。

邊緣檢測算子：常用的邊緣檢測算子包括Robert算子、perwitt算子等。前者屬于一階微分算子，可以利用差分法計算梯度值[2]。

其對應(yīng)的2×2模板如下（如圖3所示）。

圖3 Robert算子模板

后者是一種一階微分算子，在經(jīng)過邊界檢測之后，其圖像可以表示為：

其對應(yīng)的3×3模板如下（如圖4所示）。

圖4 perwitt算子模板

通過對圖像進行邊緣檢測，最終得到目標(biāo)圖像邊緣的清晰圖像（如圖5所示）。

圖5 目標(biāo)圖像邊緣示意圖

2 霍夫直線變換

針對直線的識別，是茶葉雜質(zhì)分揀中的一項重要內(nèi)容，通過對圖像中呈現(xiàn)出直線形狀的物體進行精準(zhǔn)識別，提升雜質(zhì)分揀準(zhǔn)確率。目前，直線檢測已經(jīng)在多個領(lǐng)域得到了廣泛應(yīng)用，特別是在交通、缺陷檢測等方面，發(fā)揮了巨大的作用。直線檢測技術(shù)多種多樣，一種霍夫直線變換是較為可靠的一種技術(shù)。該技術(shù)的優(yōu)勢在于能夠忽略圖像中的噪聲，針對局部被覆蓋或者遮擋的目標(biāo)也能有效識別?；舴蛑本€變換是一種窮盡式搜索技術(shù)，因此其計算較為復(fù)雜，為了提升圖像識別效率，需要對該技術(shù)進行優(yōu)化。

2.1 兩點組合表決算法

基于霍夫變換原理，圖像中目標(biāo)像素點與參數(shù)空間中的某一條曲線對應(yīng)，同時參數(shù)空間中的點，也對應(yīng)著圖像中的一條直線，二者之間存在映射關(guān)系。因此，在運用霍夫變換時，需要計算圖片像素點對應(yīng)參數(shù)空間曲線的函數(shù)值，這種計算方式涉及龐大的計算量，會影響運算效率。

在平面圖像中，在確定了兩個點之后就可以得到一條確定的直線，該直線對應(yīng)參數(shù)空間中的某一個點，立刻該映射關(guān)系就可以省去對于參數(shù)空間中其他參數(shù)的計算，即兩點組合表決算法。而在實際計算過程中，如果直接使用該計算方式，并不會顯著降低計算量，因此需要將圖像分割為多個子圖像塊，具體流程如下：

①將圖像分割為Ns個子圖像。

②在子圖像中任意選取兩點，標(biāo)定為(xi,yi)(xj,yj)，運用兩點組合表決算法進行計算，根據(jù)公式（9）得出兩個點之間的空間參數(shù)ρ、θ，同時對累加單元 Q(ρ,θ)進行投票，得到參數(shù)累加峰值，以此來計算每一個子圖像中直線參數(shù)ρ、θ的數(shù)值。

③所有子圖片處理完畢之后，對子圖片進行綜合處理，得出原始圖像的變換結(jié)果，判斷原始圖像中是否存在直線。

設(shè)定原始圖像中的特征點個數(shù)為Ne，且圖像變換次數(shù)為NT，則可以得到公式：

分析公式（10）可以發(fā)現(xiàn)，圖像變換次數(shù)與子圖像個數(shù)成反比，子圖像越多則圖像變換次數(shù)越少，子圖像所包含的特征點越多，直線判斷精度就會越高?？紤]到計算精度與計算效率的平衡，本次設(shè)計中將子圖像設(shè)定為32×32，通過這種方式減少計算次數(shù)，并縮小峰值表決范圍。

2.2 概率霍夫變換

普通的霍夫變換，只能檢測圖像中存在的線段中是否含有直線，無法檢測線段的兩個端點，針對這一問題，可以通過概率統(tǒng)計的方式檢測圖像線段的端點，在確定直線部位之后，將直線部分去除，計算剩下的線段中是否含有直線，其具體流程為：

①計算圖像中非零點的個數(shù)。

②對獲取到的所有非零點進行霍夫變換，并對經(jīng)過變換得到的參數(shù)進行累加，得到霍夫變換最大值。

③比較霍夫變換最大值與設(shè)定閾值的大小，如果霍夫變換最大值小于閾值，則判斷其不為直線，并將計算目標(biāo)錨定至下一個點重復(fù)上一步驟，如果霍夫變換最大值大于閾值，則判斷其為新直線。

④判斷直線上線段的端點并計算其長度，如果符合分揀條件就保留該線段，并對該線段上的點進行標(biāo)記，在后續(xù)進行霍夫變換計算時，會自動跳過被標(biāo)記的點，減少計算量。

概率霍夫變換是對普通霍夫變換的一種升級，能夠顯著減少參與變換的特征點個數(shù)，且可以檢測到線段的端點，提升茶葉雜質(zhì)分揀效率[3]。

2.3 直線檢測實驗結(jié)果

為了驗證霍夫變換直線檢測的有效性，工作人員在實驗室進行茶葉雜質(zhì)分揀模擬測試（如圖6所示）。

圖6 茶葉雜質(zhì)分揀直線檢測實驗結(jié)果

圖像（a）為茶葉雜質(zhì)分揀原始圖像，茶葉中摻雜了木棍類雜物，且木棍與茶葉的顏色較為相似。通過霍夫變換計算捕捉到木棍邊緣形狀。但受限于相機角度以及光照等因素，圖像中存在少量陰影，為了提升直線檢測的準(zhǔn)確率，需要在進行霍夫變換之前對圖像進行降噪預(yù)處理。圖像（b）是在沒有處理陰影的情況下直接進行霍夫變換，可以發(fā)現(xiàn)出現(xiàn)了明顯的誤判斷。因此，工作人員先對原始圖像進行去陰影處理，而后得到二值圖像，再將二值圖像進行霍夫變換，得到圖像（e），可以發(fā)現(xiàn)，此時圖像中的直線被準(zhǔn)確識別了出來。

3 分類器設(shè)計

作為模式識別的核心，模式分類一直以來都是圖像識別與計算機視覺研究領(lǐng)域的重點研究方向。本次設(shè)計中，工作人員選擇Support Vector Machine分類法，簡稱SVM分類法。該方法建立在結(jié)構(gòu)風(fēng)險最小理論以及統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上，SVM分類法在解決小樣本以及高維度模式識別等方面具有一定優(yōu)勢，并且支持監(jiān)督分類算法，在多個領(lǐng)域中得到了廣泛的應(yīng)用。SVM分類法的原理就是找到最為適宜的分類平面，確保分屬于不同類型的數(shù)據(jù)，與該平面的距離保持最大。將實驗數(shù)據(jù)分為兩組，第一組數(shù)據(jù)的作用是對分類器進行訓(xùn)練，第二組數(shù)據(jù)的作用是驗證分類器的正確性[4]。

本次設(shè)計中，需要分揀的物體分為“茶葉”與“雜質(zhì)”兩大類，將茶葉標(biāo)定為 ω1類，類別標(biāo)識為+1，將雜質(zhì)標(biāo)定為ω2類，類別標(biāo)識為-1，在此基礎(chǔ)上運用SVM分類法，將判斷函數(shù)設(shè)定為f(x)，其中變量x為樣本數(shù)據(jù)的向量，則可以得到公式：

如果系統(tǒng)判定函數(shù)結(jié)果為+1，則目標(biāo)為茶葉，如果函數(shù)判定結(jié)果為-1，則目標(biāo)為雜質(zhì)。

4 設(shè)計茶葉雜質(zhì)分類系統(tǒng)

為了提高茶葉雜質(zhì)分揀效率，要根據(jù)雜質(zhì)的不同形狀選擇不同的分類方式，如果雜質(zhì)為棍狀則使用霍夫變換法進行檢測，如果雜質(zhì)為球狀則運用基于SVM分類法的分類器進行檢測。

4.1 搭建雜質(zhì)分揀平臺

本次設(shè)計中，工作人員以常見的PC機作為系統(tǒng)的硬件，采用2.0GB內(nèi)存，CPU使用2.10GHzAMD處理器，并搭載視窗操作系統(tǒng)，利用C/C++編程語言，基于VisualC++6.0開發(fā)環(huán)境設(shè)計系統(tǒng)，同時搭載OpenCV視覺函數(shù)庫，該視覺函數(shù)庫中的數(shù)據(jù)可以隨意調(diào)取，可以依據(jù)實際需要編寫功能，顯著降低程序開發(fā)難度，壓縮系統(tǒng)開發(fā)與調(diào)試周期[5]。

4.2 設(shè)計系統(tǒng)功能模塊

該系統(tǒng)中，負(fù)責(zé)圖像處理的部分包括圖像灰度化模塊、平滑濾波預(yù)處理模塊、圖像分割模塊以及邊緣檢測模塊等。通過圖像處理模塊將原始圖像轉(zhuǎn)化為二值圖像，有效去除原始圖像中的陰影，并突出圖像邊緣輪廓。得到二值圖像之后就可以開始識別雜質(zhì)，如果雜質(zhì)為棍狀，利用霍夫交換就可以判斷其直線輪廓，將雜質(zhì)篩除。如果雜質(zhì)為球狀，則要對其特征進行提取，再利用SVM分類法完成對于雜質(zhì)的分類。

5 結(jié)語

如何提升茶葉雜質(zhì)分揀效率，一直以來都是茶葉制作領(lǐng)域的重點難題，傳統(tǒng)的人工分揀方式以及基于顏色閾值的自動化分揀方式，已經(jīng)無法滿足市場需求。因此，設(shè)計人員嘗試運用圖像處理技術(shù)以及霍夫變換算法，將計算機視覺進入茶葉雜質(zhì)分揀工作之中，設(shè)計出高效、準(zhǔn)確的茶葉雜質(zhì)分揀系統(tǒng)，為提升茶葉制作效率提供技術(shù)基礎(chǔ)。