神經網絡技術在茶葉分級中的應用研究

王巖（海南經貿職業技術學院，海南 海口 571127）

?

神經網絡技術在茶葉分級中的應用研究

王巖
（海南經貿職業技術學院，海南 海口 571127）

摘要：茶葉分級是茶葉生產加工環節上的重要組成部分，傳統的感官檢驗方法容易受到外部因素的制約和干擾，無法準確將茶葉按品質分級，從而影響評定的準確性。隨著計算機技術的不斷成熟，通過建立茶葉樣本圖像的計算機視覺系統，并利用人工神經網絡技術來對茶葉進行分級，提高了評定分析結果的準確性。本文對神經網絡技術在茶葉分級中的應用進行了探討。

關鍵詞：神經網絡技術；茶葉分級；計算機視覺系統

1　茶葉分級技術的重要性

中國茶葉種類繁多、各具特色，同一種茶葉也有優有劣，在外形、口感上有著較大差異，因此如何將茶葉進行評定分級來準確衡量其價值，一直是茶葉生產加工中的難點所在。我國在很早之前就開始對茶進行品質審評，《茶錄》中詳細記載了如何通過色、香、味等方面來評定茶葉的質量。隨著茶葉花色和品種的日益增多，茶葉品質評價方法有了進一步的完善，但終究離不開感官評定的窠臼。但人的感官容易受到外部環境的影響，會大大影響茶葉評級的準確性。隨著技術的進步，茶葉采摘由過去的人力作業變成機械采茶，在提高采摘效率的同時，也不可避免地將不同等級的茶葉混合在一起，如何尋求一種科學的、穩定的，以儀器代替感官的茶葉評定分級方法顯得尤為重要。

2　神經網絡技術及其在茶葉分級中的應用

隨著計算機軟硬件技術的發展，計算機圖像分析技術越來越成熟，并在現代農業生產中得到廣泛的應用，例如用于農作物害蟲的識別和稻米質量的檢測等，其根本原理都是依據物體的形狀和顏色特征，通過計算機識別系統來并模擬人的判別準則去理解和識別圖像，對物體進行自動分級。計算機圖像分析和處理技術排除了外界的干擾，遠遠優于人的視覺精度，因此被廣泛用于茶葉評定分級之中，并以此為基礎發明了各種評定方法，例如色差技法、色卡法、分光光度法等。然而與其他物體不同的是，茶葉中經常混有與其顏色、形狀相類似的物體，茶葉圖像之間的特征差異相對較小，其不同等級之間的規律和關系很難進行準確的描述，例如利用電腦茶葉揀梗機就是利用計算機圖像識別技術，通過光電傳感器來對茶葉顏色和形狀等特征進行分類，但僅僅能夠剔除茶梗等物質，并不能對茶葉有效的進行分級。

近年來，研究者們開始利用神經網絡技術進行茶葉的分類評級，所謂神經網絡技術是通過模仿真實人腦神經網絡的功能，來完成某種運算、識別或者過程控制。神經網絡技術不需要設定固定的程序，有很好的容錯性。它的原理和功能十分接近人腦，尤其適合處理不能直接用數字方法來準確描述的問題，因此可以對一些看似雜亂無章的實驗數據整理出內在規律，適合于茶葉的品質分級。神經網絡技術應用于茶葉分類時，先選擇對茶葉分類相關性較大的茶葉形狀和紋理特征參數作為輸入向量，以評定分類結果作為輸出向量，并采集有代表性的茶葉圖像樣木進行訓練，建立茶葉樣本圖像獲取和分析的視覺系統，獲得全面圖像信息，從而準確的評定茶葉的品質。

3　神經網絡在茶葉分級中的應用實驗

3.1選擇神經網絡類型

利用神經網絡技術解決茶葉分類的問題，首先要選擇適用的神經網絡類型，我們選用了BP人工神經網絡，BP網絡屬于反向網絡，主要內容由網絡層數、神經元數、訓練樣本、輸入數據和輸出數據等構成，主要任務就是確定網絡層數、每層的神經元數、期望誤差以及訓練樣本。據此可以設計兩種BP人工神經網絡，兩種網絡都只設置了一層中間層，第一種是中間層和輸出層的神經元數量均為1的網絡，第二種是中間層神經元數量為6，輸出層的神經元數量為3的網絡。

圖1　 三層BP網絡結構

3.2茶葉分級參數選擇與提取

影響茶葉品質的因素有很多，例如形狀、色澤、香氣、口感等等，對于形狀和色澤可以通過計算圖像識別技術來測量和識別，但香氣和口感等變量只能通過人為測定。神經網絡技術用于茶葉品質分類主要依據干茶、茶湯、濕茶在形狀與色澤方面所表現出的特征進行識別。一是干茶特性。對于干茶而言，影響其品質的因素包括面積、短徑、周長、幅寬等等。一般而言，面積和幅寬與干茶品質的相關性最高，這兩個因素數值較大通常意味著茶葉嫩、條索緊結，是高檔茶的代表；反之則意味著茶葉粗松，口感不好，也就是低檔茶。二濕茶特性。所謂濕茶就是泡過茶葉的茶底，通過茶底的外形與顏色也可以反映鮮茶的品質。三是茶湯特性。對于茶湯而言，其顏色因素是反映鮮茶品質的重要特征，操作時先將茶湯定容倒于燒杯中，利用數碼相機獲取圖像，通常提取色度、透明度和飽和度三個顏色特征參數加以識別。四是化學特性。茶葉的化學指標與顏色、氣味和味道有很大的關系。與傳統的感官評定不同，茶葉化學指標檢驗是更客觀的獲取茶葉化學特性的參數，例如蛋白質、氨基酸、咖啡堿、兒茶素、纖維素、灰分和葉綠素等，通過對這些特性參數的分析來反映茶葉在色澤、香氣、滋味方面的品質。

設計BP網絡時，用茶葉的若干個特征值作為輸入神經元，中間層設定為一層，如何設定輸出層是解決問題的關鍵。常規做法是，將3種茶葉的輸出神經元的值分別設定為0和1，運算求解后，某類神經元值最大，則判定該片茶葉屬于此類。另一種方法是輸出神經元為單神經元，將3種茶葉的值分別設定為1、2、3，運算求解后的值最接近哪類茶葉的值，則判定該片茶葉屬于此類。

3.3茶葉分選的方法與步驟

茶葉分選分為兩步，第一步是將茶葉圖像從照片背景中分離，第二步是根據茶葉特征參數獲取茶葉特征值。

3.3.1從照片背景中分離茶葉

為使茶葉更容易從照片背景中分離，在相機拍照或茶葉分選機進行拍照時，應盡量使茶葉背景為單色背景。分離茶葉圖像時，可以采用簡單的彩色圖像調整色彩灰度，取得灰度圖像，之后分離茶葉前景圖像，這種方法簡單易行，效率高。

3.3.2獲取茶葉幾何特征和文理特征

通過第一步獲取茶葉前景圖像后，再進行前景圖像邊界搜索，從而計算出茶葉圖像的凸殼面積、凸殼周長、橢圓偏心率等幾何特征值，以及平滑度、RGB顏色均值、標準偏差等茶葉圖像紋理特征值。通過多次錄入單片茶葉圖像的特征值，獲取多個訓練向量，用生成的訓練向量進行訓練后得到的網絡，即可進行茶葉分選。

3.4 構建MATHEMATICA試驗程序

根據上面的茶葉分選的基本過程，結合人工神經網絡的三層結構，我們用MATHEMATICA編寫了人工神經網絡訓練程序，和茶葉分選識別的程序，程序流程圖如圖2所示。

圖2　程序流程圖

在進行人工神經網絡訓練和茶葉分選識別的過程中，每一次只導入一幅茶葉圖像，并且要求茶葉圖像中只有一片茶葉，茶葉類型要包括全芽、一芽一葉和一芽多葉等多種類型。在輸入茶葉圖像，進行前景圖像和背景分離后，取得茶葉特征值，在此基礎上，生成訓練向量，代入到訓練網絡中，進行多次訓練后，即可獲得茶葉分選識別網絡。如果計算次數偏少，可能會導致分選識別網絡的精度不夠，因此可以通過多次訓練，取計算精度最高者為最終的分選識別網絡。

通過實驗對比分析后我們發現：（1）神經元數量多的模型準確率高，達到90%以上，但是穩定性差，采用一個神經元數量的網絡穩定性更好，更適合用于實際分選。（2）BP網絡神經網絡技術改變了傳統的單一依據顏色和形狀進行分析的弊端，大大提高了品質分級效率。實驗表明，BP網絡神經網絡技術在茶葉分類應用中的準確率達到了95%以上。BP網絡相比其他網絡類型更適合用于鮮茶葉的分類。

參考文獻

［1］陳怡群，常春，肖宏儒等.人工神經網絡技術在鮮茶葉分選中的應用［J］，農業網絡信息，2010（7）：37-40，43.

［2］王宏偉.BP神經網絡和電子舌技術在茶葉品質分級中的應用［J］，湖北理工學院學報，2014（4）：33-35，50.

［3］潘玉成，人工神經網絡在茶葉領域中的應用進展 ［J］，貴州茶葉，2015（3）：8-12

［4］陳全勝，趙杰文，蔡健榮等.基于近紅外光譜和機器視覺的多信息融合技術評判茶葉品質［J］.農業工程學報，2008（3）：5-10.

［5］張蘭蘭，董跡芬，唐萌等.名優茶機采鮮葉分級技術研究，浙江大學學報（農業與生命科學版），2012（5）：593-598.

［6］張星海，周曉紅，唐德松等.浙江名茶品質特征及評鑒新技術應用現狀［J］.安徽農業科學，2010（34）：19561-19563.

作者簡介：王巖（1967-），男，湖北襄陽人，碩士，講師，研究方向：物聯網、智能化技術。