基于多光譜圖像參數的茶葉攤青評價模型研究

張 憲，賈廣松，趙章風，鐘 江，喬 欣(浙江工業大學 機械工程學院，浙江 杭州 310014)

基于多光譜圖像參數的茶葉攤青評價模型研究

張 憲，賈廣松，趙章風，鐘 江，喬 欣
(浙江工業大學 機械工程學院，浙江 杭州 310014)

茶葉加工過程中，第一道攤青工藝的處理是提高茶葉品質的關鍵環節，其中水分含量多少直接影響茶葉加工品質，含水率傳統檢測方法損壞樣品且檢測速度較慢，所以建立一套準確、無損和快速的茶葉葉片水分檢測方法對于評價茶葉加工質量有著現實意義.利用高精度數碼相機，對攤青過程中10個含水率梯度600個樣本進行數據采集，通過研究茶葉葉片形狀、紋理及顏色的變化，實時監測攤青過程中含水率的變化，利用與含水率相關性大于0.92的特征參數，通過回歸值驗證與BP神經網絡建立含水率非線性預測模型，準確度在90%以上.證明此模型對于研究茶葉葉片含水率和指導茶葉生產具有一定準確度和可靠性.

圖像處理；參數提取；茶葉含水率；BP神經網絡

對茶葉加工企業來說，要提高茶葉加工質量，第一道攤青工藝的處理是關鍵環節，其中水分含量多少直接影響茶葉品質[1].茶鮮葉攤青過程的含水率變化由內因和外因決定，內因有茶鮮葉的嫩度、品種和采摘季節等；外因包括攤青的濕度、溫度、光照以及時間等.在生產中，茶葉生產環節中水分檢測非常重要，因為鮮葉的含水率變化規律性不強，攤青環境溫度和濕度參數的變化、攤放葉片厚度的均勻程度和翻葉等因素都會對鮮葉含水率產生影響.傳統的水分檢測方法準確度不高，易破壞葉片的內部結構，茶葉生產過程中可以根據實際情況，利用模型評價[2]茶葉葉片含水率變化情況，更好地保證茶葉品質.經過研究發現：果蔬采摘之后的水分散失符合指數數學模型，鄧云等研究了葡萄在擺放和存儲期間的品質，建立了葡萄在存儲過程中含水率隨溫度和時間變化的數學模型；王相友等建立了關于雙孢菇采摘之后的品質指數函數模型，但是沒有建立鮮葉失水率的預測模型.

筆者主要研究利用多光譜圖像技術實時監測茶鮮葉在攤青[3]過程中，含水率和茶鮮葉各形態參數的變化情況，分析關鍵光譜數據進行處理[4]，建立含水率診斷模型，從而達到在線精確控制攤青工藝，提高茶葉生產加工的質量的目的.通過茶葉葉片形狀及顏色的變化[5]，研究攤青過程含水率的變化，利用matlab技術[6]對茶葉葉片進行圖像進行處理[7]，獲得各種參數，如面積、周長、長度、寬度和紋理等參數[8]，從而建立茶葉攤青過程的含水率預測模型模型[9]，并進一步驗證其適合性，從而達到有效、科學的控制茶葉攤青[10]的目的.此方法可用在其它茶類的等級評定以及鮮葉品質分析，還可將模型進一步擴充，使其適應多數茶葉的等級評估.除此之外，也可嘗試應用在干茶的等級評價[11]和品質分析.

1 圖像獲取及含水率計算

1.1 試驗設備與測量

茶葉葉片參數的測量系統硬件部分主要有成像設備、計算機、參照物以及測量所用工具.試驗儀器圖像采集利用高精度數碼相機(型號：佳能EOS760D)，水分標定采用茶葉水分檢測儀(型號：SartoriusMA150).每次稱取5～6g的茶葉作為一個樣本，將其均勻地平鋪在規格為φ10cm×1cm的培養皿中，對攤青過程的茶葉進行隨機采樣(圖1).

圖1 茶葉攤青Fig.1 The tea green airing

隨機選取攤青過程的茶葉葉片，記錄茶葉攤青各個參數的變化，利用數碼相機對茶葉樣本進行圖像采集.圖2是攤青過程某一時間點采集到的圖像.

圖2 茶葉圖像Fig.2 The tea image

1.2 試驗材料與方法

試驗于2015年9月21號在浙江省開化省級示范茶廠生產車間進行.試驗材料隨機采自該公司的茶葉生產基地，鮮葉嫩度為1芽2葉的龍頂茶，無明顯病蟲害.隨機挑選6 g左右鮮葉記為第1組，攤青工序開始后，每20 min取樣1次，用茶葉水分檢測儀標定每組鮮葉的含水率.連續8 h，跟蹤處理鮮葉的含水率.鮮葉含水率計算方法：用每次稱得的鮮葉質量與初始質量之差和初始質量的百分比為

(1)

式中：W為含水率；G0為鮮葉在開始攤青時的質量，g；Gt表示鮮葉在攤青過程中任一時刻的質量，g.表1為根據式(1)計算的含水率.

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

2 試驗結果與分析

2.1 圖像參數提取

利用Matlab對采集到的圖像進行分析，提取葉片的各圖像參數值，以下是各參數提取過程的主要步驟.

2.1.1 目標區域獲取

差值法是從背景中獲取目標的常用方法.差值法，即圖像的相減運算，把同一景物在不同波段的圖像相減，或同一物體在不同時間獲取的圖像，除去相同內容.利用差值運算提供圖像之間的不同信息，從而用來跟蹤和檢測運動目標、動態檢測、目標識別和消除圖像背景等.算法流程圖如圖3所示.

圖3 去除背景流程圖Fig.3 Removal of background flow chart

2.1.2 圖像二值化

圖像二值化是數字圖像處理技術中一項最基本的變換方法，即選擇一個閾值，把圖像轉換為黑白二值圖像，如圖4所示，將所需要的目標從圖像背景中分離出來，從而對圖像進行分割以及圖像邊緣跟蹤等預處理.通常，用二值圖像中的1用來表示目標，0用來表示背景.若圖像中某個像素的灰度值小于該閾值，則該像素的灰度值置為0，否則其灰度值為1.

圖4 圖像二值化Fig.4 Binarization image

2.1.3 邊緣檢測

如圖5，6所示，邊緣檢測技術對于數字圖像是非常重要的，通過對幾個常用的算子進行對比之后，用Canny算子進行提取.通過輪廓提取和邊界跟蹤得到葉片邊緣，且邊緣相當連續清晰，這樣為后面利用葉片輪廓提取葉片幾何特征奠定基礎.

圖5 Canny算子檢測圖像Fig.5 The Canny operator to detect image

圖6 邊界跟蹤圖像Fig.6 Edge tracking image

對相關紋理值的提取，筆者采用的統計法：統計法是利用圖像灰度直方圖的特性來對紋理進行描述，灰度均值m的n階矩計算式為

(2)

式中：L為圖像可能的灰度級數；zi為代表灰度的隨機數；p(zi)為區域灰度直方圖.

U，e分別為一致性和熵的值，其計算式為

(3)

(4)

利用參考物法求得葉片的各個參數，并對多個葉片進行標記，如圖7所示.

圖7 多個葉片標記圖像Fig.7 Multiple leaf marker image

2.2 各參數與含水率相關分析

經過分析，面積均值與含水率兩變量的相關系數R為0.947，R2為0.896.

表2是面積均值與含水率回歸分析的方差分析表，從表2可以看出：回歸的均方為32.673，剩余的均方為0.210，F檢驗統計量的觀察值為155.344，相應的概率值ρ為0.000，小于0.05，所以含水率與葉片面積存在線性關系.

表2 面積與含水率回歸分析的方差分析

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

參數平方和df均方FSig.回歸值32.673132.673150.3440.000殘差值3.786180.210總計36.4591932.883

表3給出線性回歸方程中的參數和常數項的估計值，90.444和12.464是對“常量”“葉片面積值”兩個參數的T檢驗的值，對應的概率分別是0.000和0.000，小于0.05，所以回歸系數具有顯著意義.根據表3得y=63.203+0.702x，回歸方程的顯著性檢驗：回歸方程的方差分析表明，F=155.344，顯著水平為0.000，相關系數平方R=0.947，可以得出模型擬合程度是很好的，能很好地描述含水率x對葉片面積y的相關關系.如圖8所示，同理，得到其他參數與含水率之間的關系.

表3 面積與含水率回歸方程參數Table 3 Experimental value and return values

圖8 面積與含水率關系Fig.8 Relationship between area and water content

2.3 含水率定量檢測模型

通過以上分析可知：葉片面積、周長、長、寬、S值、一致性和熵7個參數的各均值與含水率相關性顯著，設葉片面積、周長、長、寬、S值、一致性和熵分別用x1，x2，x3，x4，x5，x6，x7表示，茶葉含水率用y表示.

表4的回歸模型統計量：R為相關系數；R2為相關系數的平方，又稱判定系數，用來判定線性回歸擬合程度，該R2=0.924，說明擬合效果還是非常好的，調整R2是調整后的判定系數.預測變量：常量，面積，周長，長寬，S，一致性和熵的各均值，因變量是含水率.

表4 模型匯總Table 4 Model summary

各參數與含水率回歸模型之間的方差如表5所示，B和標準誤差為未標準化系數，Beta是標準化系數，F值為20.848，顯著性概率0.000，表明回歸極其顯著.

表5 各參數與含水率回歸分析的方差分析

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

參數平方和df均方FSig.回歸33.68974.81320.8480.000殘差2.770120.2310總計36.459195.04420.848

如表6所示，根據回歸分析原理計算回歸系數，各系數置信區間都在95%以上，從而得到茶葉含水率與葉片面積、周長、長、寬、S值、一致性和熵7個試驗因素的回歸方程為

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

(5)

其擬合優度R2=0.924，具有一定準確性.

表6 各參數系數Table 6 Coefficient of each parameter

2.4 驗 證

通過計算葉片面積、周長、長、寬、HSV值和紋理值等各參數均值，提取與含水率相關性比較好的參數，并建立相應線性模型.利用方差分析和殘差正態性檢驗證明模型適合性，殘差是指預測出的值與實際值間的差距，殘差的正態性檢驗方法多種多樣，其中最直觀、最方便的方法是殘差的直方圖和累計概率圖.殘差圖是散點圖，如圖9所示.

圖9 殘差圖Fig.9 Residual plot

從圖9可看出：各散點近似成線性分布，相關系數R=0.913，還有一種殘差正態概率圖(Rankit圖)可以直觀判斷殘差是否符合正態分布，證明了模型適合性，如圖10，11所示.

利用BP神經網絡技術進行含水率預測，并分析回歸值與預測值之間的誤差，驗證模型的準確性，如圖12所示，該算法能實現自變量與因變量的非線性映射，能夠避免非線性帶來的誤差，具有比較很強的學習能力，能用來提高分析的精度.

圖10 回歸標準化殘差的標準P-P圖Fig.10 Standard P-P diagrams for regression of standardized residuals

圖11 回歸標準化殘差Fig.11 Normalized residuals

圖12 神經網絡結構圖Fig.12 Neural network structure

由表7可知：回歸值與預測值之間的最大誤差分別是2.61%，在允許的誤差(±5%)范圍內，進一步驗證了模型的準確性，各誤差的關系曲線如圖13所示.誤差的計算式為

(6)

圖13 回歸值與預測值間的誤差關系Fig.13 Return value relationship with error between the predicted value

表7 誤差分析1)Table 7 Error analysis

注：1) 誤差a為預測值與回歸值的誤差.

3 結 論

通過對茶葉攤青過程進行研究，建立了茶鮮葉含水率與面積、周長、葉片長寬、S值、一致性和熵各均值的預測模型式(5)，經過方差分析和殘差的正態性檢驗，驗證了模型的適合性，利用茶葉攤青過程含水率回歸值與試驗值對比，該模型預測含水率準確率能夠達到90%以上.由此證明：通過監測茶葉在攤青過程中葉片各參數的變化，能夠有效判斷鮮葉含水率的變化，為茶葉攤青過程自動化提供理論依據，對于實現茶葉智能化、標準化生產具有重要意義.

[1] 李傳忠，高士偉.攤青時間與茶葉品質(續)[J]．蠶桑茶葉通訊，2008(4)：36.

[2] 李小娟．新型綠茶加工關鍵工藝技術的研究[D]．杭州：浙江大學，2012.

[3] 李志輝，羅平．SPSS統計分析教程[M]．北京：電子工業出版社，2005：213-245.

[4] 蔣建東，陳培余，童一玨，等．基于機器視覺的輕觸開關引腳缺陷檢測算法研究[J]．浙江工業大學學報，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] 黃藩，董春旺，高明珠，等．工夫紅茶萎凋中溫度對鮮葉失水率影響的預測模型[J]．中國農學通報，2014，34：193-198.

[7] 岳利軍，汪仁煌，黃穎怡.植物葉片特征參數的機器視覺提取方法[J]．農機化研究，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] 鮑官軍，荀一，戚利勇，等．機器視覺在黃瓜采摘機器人中的應用研究[J].浙江工業大學學報，2010，38(1)：114-118.

[10] 魏少峰，張威.對計算機圖像處理技術應用研究[J]．科技風，2012(5)：81.

[11] 楊慶華，占偉濤，吳海偉，等．基于正交試驗、BP神經網絡和遺傳算法的冷擠壓模具優化設計方法[J]．浙江工業大學學報，2015，43(3)：251-256.

(責任編輯：陳石平)

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

浙江省自然科學基金資助項目(LQ12C13004)；國家“十二五”科技支撐計劃項目(2014BAD06B06)；浙江省重大科技專項重大農業項目(2013C02024-2)；國家自然科學青年基金資助項目(31201138)

張 憲(1956—)，男，浙江杭州人，教授，研究方向為工程裝備及其自動化，E-mail：xianzh@zjut.edu.cn.

S571.1

A

1006-4303(2017)02-0125-05