基于机器视觉的工夫红茶萎凋叶水分检测方法

胡宗华，梁高震，安霆，董春旺*

1.东南大学江北新区创新研究院，211500；2.中国农业科学院茶叶研究所，310008

萎凋是红茶加工的首道工序，水分是评价萎凋程度的重要指标[1-3]，目前主要的萎凋方法为自然萎凋和设备萎凋[4]。萎凋机作为萎凋加工的主要设备[5]，通过控制风量、温度和湿度，来实现快速、均匀萎凋，但不能实现萎凋过程中水分的在线检测。萎凋适度性的判断主要通过测量在制品含水率和人工感官感受两种方式。常用的水分检测方法有热干燥法和水分测定仪法[6-7]，其中热干燥法试验步骤复杂，水分测定仪法抽样误差大、效率低，且存在滞后性。生产中主要依赖于人工感官感受来判断萎凋是否适度，此方法受限于人的经验、光线、主观和心理影响，难以精准把握萎凋叶水分状态。本文以萎凋叶为研究对象，旨在通过机器视觉和图像处理技术，实现萎凋叶水分的快速和智能感知。

机器视觉是一种非破坏性、可感知的无损检测技术。借助机器视觉系统获取茶叶图像，将其颜色和纹理特征数字化提取，能实现茶叶表面特征的量化和准确描述，该技术在茶叶品质评价上已有应用[8-9]。Wang等[10]提出了一种利用纹理特征和支持向量机对茶树鲜叶嫩度进行识别的方法。吴正敏等[11]基于Labview vision、图像处理技术和神经网络算法，分析了机采绿茶成品的形态特征并对样本进行分类，实现从机采大宗绿茶中分选出名优绿茶。袁海波等[12]研究不同环境湿度条件下，红茶萎凋过程中鲜叶的色差（Lab值）动态变化，并分析其内在规律。李洁等[13]利用相机和暗箱搭建了图像采集装置，采用photoshop滤镜模糊算法提取茶鲜叶图像RGB、Lab和HSV颜色通道的均值，明确色泽随萎凋程度的变化；贾广松[14]基于开化龙顶茶的摊青工艺，对单个叶片进行图像采集，建立茶叶摊青含水率预测模型，准确率达到90%以上。Dong等[15]基于机器视觉技术和非线性建模算法，建立了一种无损、快速的红茶发酵中茶色素和感官品质指标的定量检测方法。通过图像的色彩空间变换，提取红色通道均值（R）、绿色通道均值（G）、蓝色通道均值（B）、色调均值（H）、饱和度均值（S）、亮度均值（L）、明度分量均值（L*）、a*分量均值（a*）、和b*分量（b*）作为评价发酵品质的特征参数，分析了图像色泽与品质指标的变化规律、差异性和其相关性。

综上所述，已有研究中缺少对萎凋叶图像、纹理特征参数与水分的量化解析，且多基于单个叶片的图像采集，对于萎凋机智能化水分检测系统的开发借鉴意义不强。本文基于机器视觉技术，采集不同时序下的萎凋在制品图像信息，提取图像色泽和纹理特征，建立了预测水分的线性回归方程。为实现萎凋机中萎凋叶水分含量直观、在线监测奠定了理论基础和科学依据，并对智能化萎凋设备的研制具有重要意义。

一、材料与方法

1.试验设备

2018年9月27日于宜宾川红茶业集团有限公司庆符茶厂，采用长沙湘丰智能装备股份有限公司的多层式红茶萎凋机开展试验，该萎凋机鲜叶处理量120～130 kg/h，采用控温、控时、间歇鼓风等技术，萎凋控制均匀。其他试验设备包括水分测定仪（MA35M-000230V1，德国赛多利斯）、机器视觉采集系统、孔筛等。

2.试验原料与方法

采用的茶树品种为福鼎大白茶，以一芽二叶的茶鲜叶作为原料。红茶萎凋机中鲜叶摊放厚度为2 cm，萎凋11 h，温度设置为35℃，相对湿度设置为50%[16-17]。萎凋中每间隔1 h取样1次，每次取21组样品进行图像采集，并采用快速水分测定仪同步测定3组样品的含水率，以均值作为该时间节点下的含水率。萎凋11 h后，水分由最初的78.46%降至58.51%，共采集到12个时间节点的252个样本图像。

3.机器视觉采集系统

根据工夫红茶萎凋过程中叶面色泽、外形和纹理等视觉特征发生显著变化的特点[18]，搭建一套机器视觉采集系统，主要由图像传感器、样品池、均匀光源、茶叶视觉图像软件处理系统组成，图1为机器视觉系统图像采集与分析流程图。图像传感器选用单反相机（Canon EOS 600D，日本佳能公司）；光源选用均匀光源（Sphere100，杭州晶飞科技有限公司），光源强度为100 lx；茶叶视觉图像软件处理系统（软件著作权号：2014SR149549）基于Matlab GUI模块开发，软件可自动分析图像的色泽和纹理特征，通过机器视觉采集系统对萎凋在制品进行图像采集，采集时光源、相机镜头的距离均保持不变，保证每次采集到的图像具有一致性。

4.颜色特征提取

软件系统自动分割出1 000像素×1 000像素区域，提取该区域的色泽和纹理特征。通过RGB、HSL和CIE Lab间的颜色模型变换，分别提取红色通道均值（R）、绿色通道均值（G）、蓝色通道均值（B）、色调均值（H）、饱和度均值（S）、亮度均值（L）、明度分量均值（L*）、a*分量均值（a*）和b*分量（b*）、超绿变换（2G-R-B）、红色通道均值和绿色通道均值的比值（R/G）及颜色角（hab*）[12-13]，共得到12个色泽特征变量[16,19-20]。

纹理是一种反映像素灰度空间分布属性的图像特征，通常表现为局部不规则但是宏观有规律的特征，基于灰度直方图的统计属性计算6个纹理特征变量，即平均灰度值（m）、标准差（δ）、平滑度（r）、三阶矩（μ）、一致性（U）和熵（e）[13,17]，共计得到18个图像特性（色泽和纹理）变量。

图1 图像采集与分析流程图

二、数据处理与分析

1.萎凋叶水分和颜色的变化

不同时序下所测得的萎凋叶水分含量变化如图2。水分基本呈线性变化，在0～5 h和10～11 h，水分下降趋势较快。在5～6 h和10～11 h，水分下降趋势变缓。在萎凋过程中，茶树鲜叶水分主要是通过叶背的气孔和表皮角质层蒸发，水分散失前期0～10 h以自由水为主，鲜叶的生命活动仍然存在，梗中的水分通过运输到叶片中进行蒸发，处于快速失水阶段，而后期10～11 h主要是结合水散失，结合水失水过程伴随多种化学变化，失水速率较慢[21]。通过钟江等[22]已有研究可知，在5～6 h之间，鲜叶表面的水蒸气压与空气中的水蒸气压基本相等，水分的蒸发与吸收速率处于动态平衡。

图2 不同时序下的萎凋叶水分含量变化

为了更好地观察萎凋过程中鲜叶颜色的变化规律，可以从视觉上做整体分析。从各个萎凋取样时序下随机抽取一张图像，将图像按照萎凋时间排序，并提取图像的平均色，结果如图3所示。各个萎凋时序下的色泽存在一定的差异，且能为人的视觉感知，从0～11 h，鲜叶平均色变化顺序为：嫩亮绿色—暗绿色—灰绿色—灰褐色。

图3 萎凋时序图像（A）与平均色（B）

2.色泽和纹理特征的变化

计算各萎凋时序下图像特征的均值，从微观视角描述叶面色泽和纹理特征的变化规律，结果如图4、图5。

图4（A）中，RGB颜色空间中，R、G、B均呈现整体下降趋势，R、G随鲜叶萎凋程度的加深呈明显下降趋势，B数值变化范围区间较小。图4（B）中，HSL颜色空间中，H呈现“下降—上升—下降”波动变化，S和L整体呈下降趋势。CIE Lab颜色模型中，图4（C）中a*取值范围为-128～+127[23]，对应颜色从绿色变到红色，随着萎凋鲜叶颜色加深，a*呈现明显的上升趋势，L*下降，表征黄蓝度的b*呈现整体下降趋势。图4（D）中，2G-R-B值呈现持续下降趋势，因通过增大G值减少R和B值，其更加清晰地展现了G通道值的变化；R/G值在波动中整体呈现上升趋势，hab*出现明显的波动变化，且在4 h时出现峰值。图5纹理特征中m呈现下降趋势，r和μ呈现波动上升且两者变化趋势基本一致。

3.色泽和纹理特征与水分的相关性分析

使用SPSS软件对各萎凋时序下的图像特征值与水分值Y进行皮尔逊相关性分析，结果见表1。通过分析可知，在色泽特征中除H变量（色调H是用来表示颜色类别的参数）与水分相关性不显著外，其余图像指标均与水分显著相关（P＜0.05），与hab*相关性不高。水分与R、G、B、S、L、L*、b*、2G-R-B和R/G正相关，相关性极显著（P＜0.01），与a*极显著负相关（P＜0.01），均表示水分越高，叶面越亮、越绿，色彩的饱和度越高。在纹理与水分的关联分析中发现水分与μ、U、e等参数相关性不显著，而与m、δ、r等参数显著相关，其中与m极显著正相关，表明萎凋过程中叶面的内在信息和结构发生了复杂的变化。

图4 萎凋过程中RGB特征值（A），HSL特征值（B），Lab特征值(C)，2G-R-B、R/G和hab*品质指标（D）的变化规律

图5 萎凋过程中平均灰度值（m）、标准差（δ）、平滑度（r）和三阶矩（μ）、一致性（U）及熵（e）的变化规律

三、线性回归分析

1.线性回归方程

选取与水分存在显著相关性的色泽与纹理特征变量，因为δ和r变化规律基本一致，故选取其中一个δ作为变量，则 R、G、B、S、L、L*、a*、b*、2G-R-B、R/G、hab*、m、δ，共13个图像特征参数作为自变量，水分值Y作为因变量，假定线性回归方程[24]为：

表1 水分与图像特征参数的相关分析

其中Y表示水分值，a0…an为方程系数，x1…xn为变量，ε代表随机误差。

运用SPSS进行线性回归分析，去除存在共线性的变量，确定预测水分的线性回归方程的方程系数和变量。估测和验证模型精度均选择相关系数（R2）、均方根误差（RMSE）作为评价标准。一般而言，均方根误差越小，R2越大，表明模型的精度越高。

2.线性回归分析

回归方程的系数如表2，特征B表示未标准化系数，是指带有常量时，经SPSS拟合后所得各变量系数。含水率Y与绿色通道均值G的回归方程为：

Y=0.732+0.837R-0.291B+1.660S-0.043b*+1.503(2G-R-B)-0.005hab*+1.608δ

模型预测值与实测值的相关系数R为0.997，决定系数R2为0.995，修正后的R2为0.986，均方误差根RMSE为0.0077，表明拟合效果较好，可以用来表征萎凋叶水分变化。

四、问题与讨论

线性回归方程中，确定的变量为R、B、S、b*、（2G-R-B）、hab*和δ。色泽特征包括：红色通道均值（R）、蓝色通道均值（B）、饱和度均值（S）、b*分量（b*）、超绿变换（2G-R-B）、颜色角（hab*）。R、B和b*主要表征了红色、蓝色和黄色分量的变化；绿色通道均值（G）被去除，由超绿变换（2G-R-B）代替，可见在回归分析中，超绿变换（2G-R-B）对于绿色分量的表征能力更好；饱和度均值（S）与颜色的白光光量刚好成反比，表示颜色鲜明与深浅，解释了萎凋鲜叶颜色从亮绿色—暗绿色—灰绿色—灰褐色的变化。

本文与针对单个叶片进行水分预测的模型有不同之处，主要是对工夫红茶萎凋机萎凋鲜叶的色泽和纹理特征均值变化的反映。由于影响萎凋的外在因素较多，包括原料的来源、萎凋机类型、鲜叶的摊放厚度等，后续可开展进一步的实验优化模型。

五、结论

本研究通过搭建机器视觉采集系统，提取工夫红茶萎凋鲜叶的图像特征，进而与不同萎凋时序下测定的水分值进行关联分析，明确了能较好表征水分的图像特征参数，主要包括：色泽特征的红色通道均值（R）、蓝色通道均值（B）、饱和度均值（S）、b*分量 (b*)、超绿变换 （2G-R-B）、颜色角（hab*）、纹理特征的标准差（δ）和平滑度（r）。

基于筛选的图像特征参数，建立了萎凋叶水分的预测方程，方程的相关系数达到0.986，标准估算的误差为0.0077，能够较好地表征图像信息与水分之间的量化解析关系。

本研究采用机器视觉技术检测红茶萎凋中的水分变化，为萎凋叶水分含量在线感知技术和“机器换人”装备的实现，奠定了理论基础和科学依据，具有重要科学意义和产业应用价值。