神经网络技术在茶叶分级中的应用研究

王岩（海南经贸职业技术学院，海南 海口 571127）



神经网络技术在茶叶分级中的应用研究

王岩
（海南经贸职业技术学院，海南 海口 571127）

摘要：茶叶分级是茶叶生产加工环节上的重要组成部分，传统的感官检验方法容易受到外部因素的制约和干扰，无法准确将茶叶按品质分级，从而影响评定的准确性。随着计算机技术的不断成熟，通过建立茶叶样本图像的计算机视觉系统，并利用人工神经网络技术来对茶叶进行分级，提高了评定分析结果的准确性。本文对神经网络技术在茶叶分级中的应用进行了探讨。

关键词：神经网络技术；茶叶分级；计算机视觉系统

1　茶叶分级技术的重要性

中国茶叶种类繁多、各具特色，同一种茶叶也有优有劣，在外形、口感上有着较大差异，因此如何将茶叶进行评定分级来准确衡量其价值，一直是茶叶生产加工中的难点所在。我国在很早之前就开始对茶进行品质审评，《茶录》中详细记载了如何通过色、香、味等方面来评定茶叶的质量。随着茶叶花色和品种的日益增多，茶叶品质评价方法有了进一步的完善，但终究离不开感官评定的窠臼。但人的感官容易受到外部环境的影响，会大大影响茶叶评级的准确性。随着技术的进步，茶叶采摘由过去的人力作业变成机械采茶，在提高采摘效率的同时，也不可避免地将不同等级的茶叶混合在一起，如何寻求一种科学的、稳定的，以仪器代替感官的茶叶评定分级方法显得尤为重要。

2　神经网络技术及其在茶叶分级中的应用

随着计算机软硬件技术的发展，计算机图像分析技术越来越成熟，并在现代农业生产中得到广泛的应用，例如用于农作物害虫的识别和稻米质量的检测等，其根本原理都是依据物体的形状和颜色特征，通过计算机识别系统来并模拟人的判别准则去理解和识别图像，对物体进行自动分级。计算机图像分析和处理技术排除了外界的干扰，远远优于人的视觉精度，因此被广泛用于茶叶评定分级之中，并以此为基础发明了各种评定方法，例如色差技法、色卡法、分光光度法等。然而与其他物体不同的是，茶叶中经常混有与其颜色、形状相类似的物体，茶叶图像之间的特征差异相对较小，其不同等级之间的规律和关系很难进行准确的描述，例如利用电脑茶叶拣梗机就是利用计算机图像识别技术，通过光电传感器来对茶叶颜色和形状等特征进行分类，但仅仅能够剔除茶梗等物质，并不能对茶叶有效的进行分级。

近年来，研究者们开始利用神经网络技术进行茶叶的分类评级，所谓神经网络技术是通过模仿真实人脑神经网络的功能，来完成某种运算、识别或者过程控制。神经网络技术不需要设定固定的程序，有很好的容错性。它的原理和功能十分接近人脑，尤其适合处理不能直接用数字方法来准确描述的问题，因此可以对一些看似杂乱无章的实验数据整理出内在规律，适合于茶叶的品质分级。神经网络技术应用于茶叶分类时，先选择对茶叶分类相关性较大的茶叶形状和纹理特征参数作为输入向量，以评定分类结果作为输出向量，并采集有代表性的茶叶图像样木进行训练，建立茶叶样本图像获取和分析的视觉系统，获得全面图像信息，从而准确的评定茶叶的品质。

3　神经网络在茶叶分级中的应用实验

3.1选择神经网络类型

利用神经网络技术解决茶叶分类的问题，首先要选择适用的神经网络类型，我们选用了BP人工神经网络，BP网络属于反向网络，主要内容由网络层数、神经元数、训练样本、输入数据和输出数据等构成，主要任务就是确定网络层数、每层的神经元数、期望误差以及训练样本。据此可以设计两种BP人工神经网络，两种网络都只设置了一层中间层，第一种是中间层和输出层的神经元数量均为1的网络，第二种是中间层神经元数量为6，输出层的神经元数量为3的网络。

图1　 三层BP网络结构

3.2茶叶分级参数选择与提取

影响茶叶品质的因素有很多，例如形状、色泽、香气、口感等等，对于形状和色泽可以通过计算图像识别技术来测量和识别，但香气和口感等变量只能通过人为测定。神经网络技术用于茶叶品质分类主要依据干茶、茶汤、湿茶在形状与色泽方面所表现出的特征进行识别。一是干茶特性。对于干茶而言，影响其品质的因素包括面积、短径、周长、幅宽等等。一般而言，面积和幅宽与干茶品质的相关性最高，这两个因素数值较大通常意味着茶叶嫩、条索紧结，是高档茶的代表；反之则意味着茶叶粗松，口感不好，也就是低档茶。二湿茶特性。所谓湿茶就是泡过茶叶的茶底，通过茶底的外形与颜色也可以反映鲜茶的品质。三是茶汤特性。对于茶汤而言，其颜色因素是反映鲜茶品质的重要特征，操作时先将茶汤定容倒于烧杯中，利用数码相机获取图像，通常提取色度、透明度和饱和度三个颜色特征参数加以识别。四是化学特性。茶叶的化学指标与颜色、气味和味道有很大的关系。与传统的感官评定不同，茶叶化学指标检验是更客观的获取茶叶化学特性的参数，例如蛋白质、氨基酸、咖啡碱、儿茶素、纤维素、灰分和叶绿素等，通过对这些特性参数的分析来反映茶叶在色泽、香气、滋味方面的品质。

设计BP网络时，用茶叶的若干个特征值作为输入神经元，中间层设定为一层，如何设定输出层是解决问题的关键。常规做法是，将3种茶叶的输出神经元的值分别设定为0和1，运算求解后，某类神经元值最大，则判定该片茶叶属于此类。另一种方法是输出神经元为单神经元，将3种茶叶的值分别设定为1、2、3，运算求解后的值最接近哪类茶叶的值，则判定该片茶叶属于此类。

3.3茶叶分选的方法与步骤

茶叶分选分为两步，第一步是将茶叶图像从照片背景中分离，第二步是根据茶叶特征参数获取茶叶特征值。

3.3.1从照片背景中分离茶叶

为使茶叶更容易从照片背景中分离，在相机拍照或茶叶分选机进行拍照时，应尽量使茶叶背景为单色背景。分离茶叶图像时，可以采用简单的彩色图像调整色彩灰度，取得灰度图像，之后分离茶叶前景图像，这种方法简单易行，效率高。

3.3.2获取茶叶几何特征和文理特征

通过第一步获取茶叶前景图像后，再进行前景图像边界搜索，从而计算出茶叶图像的凸壳面积、凸壳周长、椭圆偏心率等几何特征值，以及平滑度、RGB颜色均值、标准偏差等茶叶图像纹理特征值。通过多次录入单片茶叶图像的特征值，获取多个训练向量，用生成的训练向量进行训练后得到的网络，即可进行茶叶分选。

3.4 构建MATHEMATICA试验程序

根据上面的茶叶分选的基本过程，结合人工神经网络的三层结构，我们用MATHEMATICA编写了人工神经网络训练程序，和茶叶分选识别的程序，程序流程图如图2所示。

图2　程序流程图

在进行人工神经网络训练和茶叶分选识别的过程中，每一次只导入一幅茶叶图像，并且要求茶叶图像中只有一片茶叶，茶叶类型要包括全芽、一芽一叶和一芽多叶等多种类型。在输入茶叶图像，进行前景图像和背景分离后，取得茶叶特征值，在此基础上，生成训练向量，代入到训练网络中，进行多次训练后，即可获得茶叶分选识别网络。如果计算次数偏少，可能会导致分选识别网络的精度不够，因此可以通过多次训练，取计算精度最高者为最终的分选识别网络。

通过实验对比分析后我们发现：（1）神经元数量多的模型准确率高，达到90%以上，但是稳定性差，采用一个神经元数量的网络稳定性更好，更适合用于实际分选。（2）BP网络神经网络技术改变了传统的单一依据颜色和形状进行分析的弊端，大大提高了品质分级效率。实验表明，BP网络神经网络技术在茶叶分类应用中的准确率达到了95%以上。BP网络相比其他网络类型更适合用于鲜茶叶的分类。

参考文献

［1］陈怡群，常春，肖宏儒等.人工神经网络技术在鲜茶叶分选中的应用［J］，农业网络信息，2010（7）：37-40，43.

［2］王宏伟.BP神经网络和电子舌技术在茶叶品质分级中的应用［J］，湖北理工学院学报，2014（4）：33-35，50.

［3］潘玉成，人工神经网络在茶叶领域中的应用进展 ［J］，贵州茶叶，2015（3）：8-12

［4］陈全胜，赵杰文，蔡健荣等.基于近红外光谱和机器视觉的多信息融合技术评判茶叶品质［J］.农业工程学报，2008（3）：5-10.

［5］张兰兰，董迹芬，唐萌等.名优茶机采鲜叶分级技术研究，浙江大学学报（农业与生命科学版），2012（5）：593-598.

［6］张星海，周晓红，唐德松等.浙江名茶品质特征及评鉴新技术应用现状［J］.安徽农业科学，2010（34）：19561-19563.

作者简介：王岩（1967-），男，湖北襄阳人，硕士，讲师，研究方向：物联网、智能化技术。