基于多光谱图像参数的茶叶摊青评价模型研究

张 宪，贾广松，赵章风，钟 江，乔 欣(浙江工业大学 机械工程学院，浙江 杭州 310014)

基于多光谱图像参数的茶叶摊青评价模型研究

张 宪，贾广松，赵章风，钟 江，乔 欣
(浙江工业大学 机械工程学院，浙江 杭州 310014)

茶叶加工过程中，第一道摊青工艺的处理是提高茶叶品质的关键环节，其中水分含量多少直接影响茶叶加工品质，含水率传统检测方法损坏样品且检测速度较慢，所以建立一套准确、无损和快速的茶叶叶片水分检测方法对于评价茶叶加工质量有着现实意义.利用高精度数码相机，对摊青过程中10个含水率梯度600个样本进行数据采集，通过研究茶叶叶片形状、纹理及颜色的变化，实时监测摊青过程中含水率的变化，利用与含水率相关性大于0.92的特征参数，通过回归值验证与BP神经网络建立含水率非线性预测模型，准确度在90%以上.证明此模型对于研究茶叶叶片含水率和指导茶叶生产具有一定准确度和可靠性.

图像处理；参数提取；茶叶含水率；BP神经网络

对茶叶加工企业来说，要提高茶叶加工质量，第一道摊青工艺的处理是关键环节，其中水分含量多少直接影响茶叶品质[1].茶鲜叶摊青过程的含水率变化由内因和外因决定，内因有茶鲜叶的嫩度、品种和采摘季节等；外因包括摊青的湿度、温度、光照以及时间等.在生产中，茶叶生产环节中水分检测非常重要，因为鲜叶的含水率变化规律性不强，摊青环境温度和湿度参数的变化、摊放叶片厚度的均匀程度和翻叶等因素都会对鲜叶含水率产生影响.传统的水分检测方法准确度不高，易破坏叶片的内部结构，茶叶生产过程中可以根据实际情况，利用模型评价[2]茶叶叶片含水率变化情况，更好地保证茶叶品质.经过研究发现：果蔬采摘之后的水分散失符合指数数学模型，邓云等研究了葡萄在摆放和存储期间的品质，建立了葡萄在存储过程中含水率随温度和时间变化的数学模型；王相友等建立了关于双孢菇采摘之后的品质指数函数模型，但是没有建立鲜叶失水率的预测模型.

笔者主要研究利用多光谱图像技术实时监测茶鲜叶在摊青[3]过程中，含水率和茶鲜叶各形态参数的变化情况，分析关键光谱数据进行处理[4]，建立含水率诊断模型，从而达到在线精确控制摊青工艺，提高茶叶生产加工的质量的目的.通过茶叶叶片形状及颜色的变化[5]，研究摊青过程含水率的变化，利用matlab技术[6]对茶叶叶片进行图像进行处理[7]，获得各种参数，如面积、周长、长度、宽度和纹理等参数[8]，从而建立茶叶摊青过程的含水率预测模型模型[9]，并进一步验证其适合性，从而达到有效、科学的控制茶叶摊青[10]的目的.此方法可用在其它茶类的等级评定以及鲜叶品质分析，还可将模型进一步扩充，使其适应多数茶叶的等级评估.除此之外，也可尝试应用在干茶的等级评价[11]和品质分析.

1 图像获取及含水率计算

1.1 试验设备与测量

茶叶叶片参数的测量系统硬件部分主要有成像设备、计算机、参照物以及测量所用工具.试验仪器图像采集利用高精度数码相机(型号：佳能EOS760D)，水分标定采用茶叶水分检测仪(型号：SartoriusMA150).每次称取5～6g的茶叶作为一个样本，将其均匀地平铺在规格为φ10cm×1cm的培养皿中，对摊青过程的茶叶进行随机采样(图1).

图1 茶叶摊青Fig.1 The tea green airing

随机选取摊青过程的茶叶叶片，记录茶叶摊青各个参数的变化，利用数码相机对茶叶样本进行图像采集.图2是摊青过程某一时间点采集到的图像.

图2 茶叶图像Fig.2 The tea image

1.2 试验材料与方法

试验于2015年9月21号在浙江省开化省级示范茶厂生产车间进行.试验材料随机采自该公司的茶叶生产基地，鲜叶嫩度为1芽2叶的龙顶茶，无明显病虫害.随机挑选6 g左右鲜叶记为第1组，摊青工序开始后，每20 min取样1次，用茶叶水分检测仪标定每组鲜叶的含水率.连续8 h，跟踪处理鲜叶的含水率.鲜叶含水率计算方法：用每次称得的鲜叶质量与初始质量之差和初始质量的百分比为

(1)

式中：W为含水率；G0为鲜叶在开始摊青时的质量，g；Gt表示鲜叶在摊青过程中任一时刻的质量，g.表1为根据式(1)计算的含水率.

表1 含水率值Table 1 The moisture content value %

2 试验结果与分析

2.1 图像参数提取

利用Matlab对采集到的图像进行分析，提取叶片的各图像参数值，以下是各参数提取过程的主要步骤.

2.1.1 目标区域获取

差值法是从背景中获取目标的常用方法.差值法，即图像的相减运算，把同一景物在不同波段的图像相减，或同一物体在不同时间获取的图像，除去相同内容.利用差值运算提供图像之间的不同信息，从而用来跟踪和检测运动目标、动态检测、目标识别和消除图像背景等.算法流程图如图3所示.

图3 去除背景流程图Fig.3 Removal of background flow chart

2.1.2 图像二值化

图像二值化是数字图像处理技术中一项最基本的变换方法，即选择一个阈值，把图像转换为黑白二值图像，如图4所示，将所需要的目标从图像背景中分离出来，从而对图像进行分割以及图像边缘跟踪等预处理.通常，用二值图像中的1用来表示目标，0用来表示背景.若图像中某个像素的灰度值小于该阈值，则该像素的灰度值置为0，否则其灰度值为1.

图4 图像二值化Fig.4 Binarization image

2.1.3 边缘检测

如图5，6所示，边缘检测技术对于数字图像是非常重要的，通过对几个常用的算子进行对比之后，用Canny算子进行提取.通过轮廓提取和边界跟踪得到叶片边缘，且边缘相当连续清晰，这样为后面利用叶片轮廓提取叶片几何特征奠定基础.

图5 Canny算子检测图像Fig.5 The Canny operator to detect image

图6 边界跟踪图像Fig.6 Edge tracking image

对相关纹理值的提取，笔者采用的统计法：统计法是利用图像灰度直方图的特性来对纹理进行描述，灰度均值m的n阶矩计算式为

(2)

式中：L为图像可能的灰度级数；zi为代表灰度的随机数；p(zi)为区域灰度直方图.

U，e分别为一致性和熵的值，其计算式为

(3)

(4)

利用参考物法求得叶片的各个参数，并对多个叶片进行标记，如图7所示.

图7 多个叶片标记图像Fig.7 Multiple leaf marker image

2.2 各参数与含水率相关分析

经过分析，面积均值与含水率两变量的相关系数R为0.947，R2为0.896.

表2是面积均值与含水率回归分析的方差分析表，从表2可以看出：回归的均方为32.673，剩余的均方为0.210，F检验统计量的观察值为155.344，相应的概率值ρ为0.000，小于0.05，所以含水率与叶片面积存在线性关系.

表2 面积与含水率回归分析的方差分析

Table 2 Variance analysis of regression analysis of area and water content

参数平方和df均方FSig.回归值32.673132.673150.3440.000残差值3.786180.210总计36.4591932.883

表3给出线性回归方程中的参数和常数项的估计值，90.444和12.464是对“常量”“叶片面积值”两个参数的T检验的值，对应的概率分别是0.000和0.000，小于0.05，所以回归系数具有显著意义.根据表3得y=63.203+0.702x，回归方程的显著性检验：回归方程的方差分析表明，F=155.344，显著水平为0.000，相关系数平方R=0.947，可以得出模型拟合程度是很好的，能很好地描述含水率x对叶片面积y的相关关系.如图8所示，同理，得到其他参数与含水率之间的关系.

表3 面积与含水率回归方程参数Table 3 Experimental value and return values

图8 面积与含水率关系Fig.8 Relationship between area and water content

2.3 含水率定量检测模型

通过以上分析可知：叶片面积、周长、长、宽、S值、一致性和熵7个参数的各均值与含水率相关性显著，设叶片面积、周长、长、宽、S值、一致性和熵分别用x1，x2，x3，x4，x5，x6，x7表示，茶叶含水率用y表示.

表4的回归模型统计量：R为相关系数；R2为相关系数的平方，又称判定系数，用来判定线性回归拟合程度，该R2=0.924，说明拟合效果还是非常好的，调整R2是调整后的判定系数.预测变量：常量，面积，周长，长宽，S，一致性和熵的各均值，因变量是含水率.

表4 模型汇总Table 4 Model summary

各参数与含水率回归模型之间的方差如表5所示，B和标准误差为未标准化系数，Beta是标准化系数，F值为20.848，显著性概率0.000，表明回归极其显著.

表5 各参数与含水率回归分析的方差分析

Table 5 Analysis of variance of regression analysis with different parameters and moisture content

参数平方和df均方FSig.回归33.68974.81320.8480.000残差2.770120.2310总计36.459195.04420.848

如表6所示，根据回归分析原理计算回归系数，各系数置信区间都在95%以上，从而得到茶叶含水率与叶片面积、周长、长、宽、S值、一致性和熵7个试验因素的回归方程为

y=55.544+0.764x1+0.254x2-1.004x3+2.741x4+7.568x5+39.076x6+0.207x7

(5)

其拟合优度R2=0.924，具有一定准确性.

表6 各参数系数Table 6 Coefficient of each parameter

2.4 验 证

通过计算叶片面积、周长、长、宽、HSV值和纹理值等各参数均值，提取与含水率相关性比较好的参数，并建立相应线性模型.利用方差分析和残差正态性检验证明模型适合性，残差是指预测出的值与实际值间的差距，残差的正态性检验方法多种多样，其中最直观、最方便的方法是残差的直方图和累计概率图.残差图是散点图，如图9所示.

图9 残差图Fig.9 Residual plot

从图9可看出：各散点近似成线性分布，相关系数R=0.913，还有一种残差正态概率图(Rankit图)可以直观判断残差是否符合正态分布，证明了模型适合性，如图10，11所示.

利用BP神经网络技术进行含水率预测，并分析回归值与预测值之间的误差，验证模型的准确性，如图12所示，该算法能实现自变量与因变量的非线性映射，能够避免非线性带来的误差，具有比较很强的学习能力，能用来提高分析的精度.

图10 回归标准化残差的标准P-P图Fig.10 Standard P-P diagrams for regression of standardized residuals

图11 回归标准化残差Fig.11 Normalized residuals

图12 神经网络结构图Fig.12 Neural network structure

由表7可知：回归值与预测值之间的最大误差分别是2.61%，在允许的误差(±5%)范围内，进一步验证了模型的准确性，各误差的关系曲线如图13所示.误差的计算式为

(6)

图13 回归值与预测值间的误差关系Fig.13 Return value relationship with error between the predicted value

表7 误差分析1)Table 7 Error analysis

注：1) 误差a为预测值与回归值的误差.

3 结 论

通过对茶叶摊青过程进行研究，建立了茶鲜叶含水率与面积、周长、叶片长宽、S值、一致性和熵各均值的预测模型式(5)，经过方差分析和残差的正态性检验，验证了模型的适合性，利用茶叶摊青过程含水率回归值与试验值对比，该模型预测含水率准确率能够达到90%以上.由此证明：通过监测茶叶在摊青过程中叶片各参数的变化，能够有效判断鲜叶含水率的变化，为茶叶摊青过程自动化提供理论依据，对于实现茶叶智能化、标准化生产具有重要意义.

[1] 李传忠，高士伟.摊青时间与茶叶品质(续)[J]．蚕桑茶叶通讯，2008(4)：36.

[2] 李小娟．新型绿茶加工关键工艺技术的研究[D]．杭州：浙江大学，2012.

[3] 李志辉，罗平．SPSS统计分析教程[M]．北京：电子工业出版社，2005：213-245.

[4] 蒋建东，陈培余，童一珏，等．基于机器视觉的轻触开关引脚缺陷检测算法研究[J]．浙江工业大学学报，2015，43(1)：30-33.

[5] USHADA M，FUKUDA H．Non-destructive sensing and its inverse model for canopy parameters using texture analysis andartificial neural network[J]．Computers and electronics in agriculture，2007，57：149-165.

[6] 黄藩，董春旺，高明珠，等．工夫红茶萎凋中温度对鲜叶失水率影响的预测模型[J]．中国农学通报，2014，34：193-198.

[7] 岳利军，汪仁煌，黄颖怡.植物叶片特征参数的机器视觉提取方法[J]．农机化研究，2009(5)：170-173.

[8] ZHANG Y，ZENG J, ZHANG S， et al．Experimental study of interaction between fluid and alkaline feldspar[J]．Journal of geochemical exploration，2009，101(1)：126-126.

[9] 鲍官军，荀一，戚利勇，等．机器视觉在黄瓜采摘机器人中的应用研究[J].浙江工业大学学报，2010，38(1)：114-118.

[10] 魏少峰，张威.对计算机图像处理技术应用研究[J]．科技风，2012(5)：81.

[11] 杨庆华，占伟涛，吴海伟，等．基于正交试验、BP神经网络和遗传算法的冷挤压模具优化设计方法[J]．浙江工业大学学报，2015，43(3)：251-256.

(责任编辑：陈石平)

The model research of tea green airing evaluation based on imaging technology

ZHANG Xian, JIA Guangsong, ZHAO Zhangfeng, ZHONG Jiang, QIAO Xin
(College of Mechanical Engineering, Zhejiang University of Technology, Hangzhou 310014, China)

Traditional detection method of water content includes drying and weighing method and sensor changed into electric quantity detection method. Although it is more accurate, but it will damage the samples, and the detection rate is slow. Establishing a nondestructive, accurate and rapid detection of biochemical parameters of tea leaf method to evaluate the quality of tea processing has important practical significance. By studying the change of the tea leaf shape, texture and color, the change of moisture content, the change of moisture content in the process of spreading green is real time monitored. And according to the parameters which correlation with moisture content is greater than 0.92, the nonlinear prediction model is established and verified using BP neural network. The accuracy is above 90% which could prove that this model piece of moisture content research and guidance for tea production has a certain accuracy and reliability.

image processing; leaf parameter measurement; rate of water content; BP neural network

2016-06-16

浙江省自然科学基金资助项目(LQ12C13004)；国家“十二五”科技支撑计划项目(2014BAD06B06)；浙江省重大科技专项重大农业项目(2013C02024-2)；国家自然科学青年基金资助项目(31201138)

张 宪(1956—)，男，浙江杭州人，教授，研究方向为工程装备及其自动化，E-mail：xianzh@zjut.edu.cn.

S571.1

A

1006-4303(2017)02-0125-05