基于圖像處理技術和神經網絡實現機采茶分級

吳正敏，曹成茂，謝承健，吳佳勝，胡汪洋，汪天宇

安徽農業大學工學院，安徽 合肥 230036

基于圖像處理技術和神經網絡實現機采茶分級

吳正敏，曹成茂*，謝承健，吳佳勝，胡汪洋，汪天宇

安徽農業大學工學院，安徽 合肥 230036

為解決名優綠茶采摘環節的瓶頸問題，提出對機采大宗綠茶進行分級的思路?，F有綠茶機采設備采摘的鮮葉一般只能制作普通的大宗綠茶，鮮葉存在混雜、破碎率高和老梗葉等問題，本文基于Labview vision、圖像處理技術和神經網絡算法分析機采綠茶成品的凸包面積、 凸包周長、長軸長度、短軸長度等形態特征并對樣本進行分類，實現從機采大宗綠茶中分選出名優綠茶。其中樣本的形態特征采用工業CCD攝像頭獲?。挥脩艚缑嬗?Labview自定義開發設計，數據交互方便，開發周期短。茶葉樣本試驗結果表明：該方案機采綠茶成品的分級正確率可以穩定在90%以上。本研究為進一步研究機采茶分級設備提供了良好的理論基礎。

機采綠茶；分級；神經網絡；圖像處理技術

名優綠茶采摘環節是制約我國綠茶產業發展的重要因素，受到茶園管理水平、茶樹品種、地形地貌、設備等因素的影響，現有機采設備采摘的鮮葉往往存在長短不齊、老嫩不均、莖梗含量高、勻凈度低等問題[1]，優質綠茶特別是級別較高的名優綠茶，還得靠人工采摘，加上近幾年勞動力逐漸短缺和勞動力成本不斷上漲，名優茶的采摘問題日漸突出。

為解決名優綠茶機采問題，本文提出了基于圖像處理技術和神經網絡算法對機采綠茶成品進行分級處理。傳統的茶葉分級方法主要有滾篩分級、圓篩分級和風選分級等，這些方法可以使機采鮮葉原料在一定程度上按大小歸類，有效地將正常芽葉與斷碎芽葉和雜物等進行分離，但分級效果離優質茶鮮葉的要求還有一定的差距[2-3]。圖像處理技術和分類算法在茶葉加工領域的應用主要集中在茶葉品質鑒定、茶葉色選、鮮葉分級3個方面[4-6]，國外基于圖像處理技術對茶葉領域的研究多集中在茶葉機理和品質鑒定中，對茶葉分級特別是機采茶的分級研究較少[7-9]。國內張春燕等[10]提出最小外接圓外徑與最大內切圓半徑比形狀特征，依據最小錯誤率貝葉斯分類器對茶葉、茶梗圖像的類別判斷，從而實現茶葉茶梗圖像快速分類；常春等[11]設計了一種基于神經網絡圖像分析的智能鮮茶葉分選機，可以很好地實現手采鮮葉的分選，但機采綠茶的特征較為復雜，這從一定程度上加大了分級的難度。

本文基于Labview vision、圖像處理技術分析機采綠茶成品的凸包面積、凸包周長、長軸長度、短軸長度特征并利用神經網絡算法對特征進行分級，實現從機采大宗綠茶中分選出名優綠茶（全芽、一芽一葉和一芽二葉）。

1 機采茶樣本的選擇與圖像預處理

1.1 樣本選擇

選擇谷雨前機采綠茶加工成品作為樣本，機采綠茶中有全芽、一芽一葉、一芽二葉，以及一芽多葉并混雜有茶梗、老茶碎片和嫩茶碎片，具體特征如圖1所示，從機采茶樣本中選出優質茶樣本如圖2所示。

1.2 圖像采集

采用索尼數字 CCD相機配合 NI的Labview vision模塊進行圖像采集，CCD相機用來獲取訓練樣本、測試樣本以及標定板圖像，采用上位機軟件進行圖像處理和顯示，照明采用暖白色光源，設計圖像采集試驗臺如圖3所示。

1.3 圖像預處理

運用 Labview圖像處理技術將采集到的干茶樣品彩色圖像轉換為灰度圖像，進而轉換為二值圖像，再對二值圖像進行形態學處理，最后提取二值圖像的參數特征進行分析，具體工作流程如圖4所示。

圖1 機采茶樣本Fig. 1 The machine plucked tea samples

圖2 優質茶樣本Fig. 2 The high quality tea samples

圖3 圖像采集試驗臺Fig. 3 The test platform for image acquisition

圖4 圖像預處理流程圖Fig. 4 The flow chart of image preprocessing

1.3.1 提亮處理

對于獲取到的機采茶圖片，利用Brightness函數改變亮度，增強對比度，改變伽瑪值，改善圖像質量[12]，實驗樣本圖像預處理過程將 Brightness值設為 115、Contrast值設為87、Gamma值設為1.06，效果如圖5-b所示。

1.3.2 二值化處理

通過設置 Red、Green、Blue 3個參數的閾值，將綠色茶葉提取出來，二值化分閾值分割的計算公式如式（1）所示[6]。

其中f(x,y)和g(x,y)分別代表原始灰度圖像和二值化閾值處理后的圖像，T為閾值，大于T的像素置為白，小于T的像素置為黑。如圖5-c所示，在該試驗環境下，當閾值T為68時，目標圖像和背景得到了很好的分割。

1.3.3 形態學處理

圖像經過二值化處理之后得到的二值圖像與原來的圖像相比有很多的細節信息在處理過程中被丟失了，形態學處理可以有效消除圖像中的小粒子，填補空洞，有效減少對粒子分析結果的干擾。

圖5 二值圖像與原來的圖像對比圖Fig. 5 Comparison of two value image and original image

1.3.4 圖像標定

利用機器視覺系統得到的茶葉圖像信息是以像素為單位，為了統計茶葉形態描述的實際值，須建立數字圖像像素與實際尺寸的對應關系，通過反向映射，掃描輸出像素的位置，并在每一個位置計算輸入圖像中相應的位置，計算公式如式（2）所示[13-14]。

采用網格標定法，標定模板中的黑色圓點半徑為2 mm，相鄰圓點圓心間的距離為1 cm。同時在相機、鏡頭工作距離不變的情況下獲取樣品圖像信息，用模板進行標定。試驗中就可以得到樣品實際的形態特征參數。

1.3.5 粒子分析

根據GB/T 23776—2009中名優綠茶品質劃分標準，品質最優的一檔名優綠茶以單芽到一芽二葉初展或相當嫩度的單片為原料加工而成，分析滿足該條件的名優綠茶的凸包面積、凸包周長、長軸長度、短軸長度等特征，采用Labview vision中的粒子分析函數對經過預處理的圖像進行參數統計，統計了全芽、一芽一葉、一芽二葉優質綠茶成品樣本各30個，處理后各參數均值如表1所示。

由表1和圖6可知，優質綠茶成品樣本中的全芽、一芽一葉和一芽二葉的形態特征參數值有著明顯的區別，特別是凸包周長、長軸長度、凸包面積這幾個參數值相差較大，可以作為分級的重要參考指標。

1.4 圖像采集與預處理程序設計

圖像采集與預處理程序設計主要由程序框圖和用戶界面兩部分組成，通過 USB攝像頭進行圖像獲取，Labview vision模塊編寫圖像采集和處理程序，程序框圖中 IMAQdx Snap.vi用以打開攝像頭，IMAQ Create.vi創建圖像緩沖區來存儲獲得的圖像，再用提亮、二值化、形態學處理等VI進行圖像的預處理，最后用IMAQ Particle Analysis.vi進行茶葉的特征分析；用戶界面可以進行參數設置和圖像顯示，并可以直觀顯示粒子分析的結果，本文中所設計的程序框圖如圖7、圖8所示，用戶界面如圖9所示。

2 分類算法

表1 茶葉樣本形態特征均值統計Table 1 The statistic analysis of morphology features of tea samples

圖6 茶葉樣本形態特征均值統計圖Fig. 6 The statistical chart of morphology features of tea samples

圖7 圖像采集程序Fig. 7 Image acquisition program

圖8 圖像處理程序Fig. 8 Image processing program

圖9 用戶界面Fig. 9 User interface

2.1 BP神經網絡

BP神經網絡是一個3層的前饋神經網絡，主要包括輸入層、隱藏層和輸出層，其中輸入層的作用是將刺激傳遞給隱藏層，隱藏層通過神經元之間聯系的權重和激活函數將刺激傳到輸出層[15]，其結構如圖10所示。

神經網絡的第一層神經元的輸出為：Out1=F1(XW1),第 二 層 的 輸 出 為 ：Out2=F2(F1(XW1)W2)，輸出層的輸出為：Out3=F3(F2(F1(XW1)W2)W3)，其中X表示網絡的輸入向量，W1～W3表示網絡各層的連接權向量，F1～F3表示神經網絡3層的激活函數。

綜合模糊控制算法、貝葉斯分類器以及神經網絡的特點，考慮到機采綠茶的圖像特征與最終需要的分類結果之間關系較為模糊，故選擇非線性的BP神經網絡作為工具，BP神經網絡首先要以一定的學習準則進行學習，然后才能工作，通過有效的訓練，得到較好的分類結果。

2.2 BP神經網絡進行機采綠茶分類的實現

（1）輸入與輸出層的設計，根據粒子分析的結果，選出適合名優綠茶分類的特征參數凸包面積、凸包周長、長軸長度、短軸長度4個特征作為輸入，并對輸入參數進行歸一化的處理，避免量級差異帶來的影響；輸出層選擇單一向量作為輸出，避免輸出不穩定，根據名優綠茶品質標準，用1～3分別表示單芽、一芽一葉和一芽二葉的情況。

（2）隱層和隱單元的數目，考慮到隱層數目過多會導致計算量過大，結合試驗效果，將隱層和隱單元的數目均確定為1。

（3）網絡訓練，輸入機采綠茶樣本的數據和教師數據并將網絡權值初始化；為每一個樣本計算其隱層和輸出層的輸出以及輸出誤差；判定誤差是否滿足要求，若不滿足誤差要求則更新權值和閾值，并返回輸出計算，直到滿足要求。

圖10 BP神經網絡結構Fig. 10 Neural network architecture

（4）歸類。根據在學習過程中所積累的各層系數進行計算得到輸出結果，并與期望值比較得出最終的分類。

2.3 神經網絡分級程序設計

基于Labview中的Matlab script進行神經網絡的分級程序的設計，用Labview中的讀取電子表格函數讀取訓練數據和測試數據并作為Matlab script的輸入；用premnmx、tramnmx函數對訓練數據和測試數據進行歸一化處理，將數據歸一化到[-1,1]區間；創建神經網絡并設置參數進行訓練、對測試數據進行預測并計算出所設計的神經網絡的識別率。程序設計流程和程序代碼如圖11、圖12所示。

3 分級試驗與結果分析

選擇45個訓練樣本，其中全芽、一芽一葉、一芽二葉各為15個；45個測試樣本，混雜部分非全芽、一芽一葉、一芽二葉，采集圖像并獲取特征參數，并對特征參數進行歸一化處理。

圖11 程序設計流程圖Fig. 11 The flow chart of the software

圖12 神經算法程序Fig. 12 Neural algorithm program

測試時將神經網絡訓練的目標誤差設為0.005，當誤差小于0.005，訓練過程結束；最大迭代次數設為400，迭代次數越多，計算量越大；學習率設為0.05，學習率對BP神經網絡收斂速度有一定的影響，并決定網絡能否收斂，該值設定較小時可以保證網絡收斂，但是收斂較慢，相反，如果該值設置較大則有可能使網絡訓練不收斂。用戶輸入和顯示界面如圖13～圖15所示。

測試結果與分析：程序運行后，當迭代步數達到 400步的時候，學習誤差值最小，為0.012，訓練 150次左右，基本收斂，該系統最終的識別正確率穩定在 95.5556%，能夠達到預期的效果，該結果不僅驗證了分級算法的可靠性，也充分說明了前期對樣本的圖像處理方法切實可行。

圖13 用戶輸入和顯示界面Fig. 13 The user input and display interface

圖14 最佳訓練效果Fig. 14 Best training performance

圖15 訓練狀態Fig. 15 Train state

4 結論

本文試驗研究的是在靜態環境下機采綠茶的分級情況，通過CCD相機獲取樣本圖像并利用 Labview和圖像處理技術對圖像進行分析，獲取機采綠茶成品樣本的形態學參數，設計三級的BP神經網絡算法進行分級，從機采大宗綠茶中分選出名優茶，試驗結果表明分類識別的正確率可以穩定在90%以上，有效實現了對全芽、一芽一葉、一芽二葉名優綠茶成品的分級，對研究機采綠茶分級裝置有很好的參考價值。

[1]唐小林, 李文萃, 范起業. 機采茶鮮葉分類分級技術及相關設備研究進展[J]. 中國茶葉加工, 2015(2): 5-8.

[2]楊娟, 李中林, 袁林穎, 等. 機采茶鮮葉分級技術初步研究[J]. 中國茶葉加工, 2015(2): 41-45.

[3]張蘭蘭, 董跡芬, 唐萌, 等. 名優茶機采鮮葉分級技術研究[J]. 浙江大學學報: 農業與生命科學版, 2012, 38(5): 593-598.

[4]李明珠, 倪超, 張曉, 等. 基于彩色線陣CCD的茶葉分選識別算法研究[J]. 中國農機化學報, 2015, 36(4): 124-129.

[5]Zhe T, Yuancheng S, Meng J. A local binary pattern based texture descriptors for classification of tea leaves [J]. Neurocomputing, 2015, 168(30): 1011-1023.

[6]Shahabi M, Rafiee S, Mohtasebi SS, et al. Image analysis and green tea color change kinetics during thin-layer drying [J]. Food Science and Technology International, 2014, 20(6): 465-476.

[7]Gagandeep SG, Amod K, Ravinder A. Monitoring and grading of tea by computer vision [J]. Journal of Food Engineering, 2011(106): 13-19.

[8]Laddi A, Sharma S, Kumar A，et al. Classification of tea grains based upon image texture feature analysis under different illumination conditions [J]. Journal of Food Engineering, 2013, 115(2): 226-231.

[9]張春燕, 陳筍, 張俊峰. 基于最小風險貝葉斯分類器茶葉茶梗分類[J]. 計算機工程與應用, 2012, 48(28): 187-192.

[10]常春, 陳怡群, 肖宏儒, 等. 基于神經網絡圖像分析的智能鮮茶葉分選機[J]. 中國農機化學報, 2013, 34(1): 137-141.

[11]趙吉文, 高尚, 魏正翠, 等. 基于 FPGA 的西瓜子機器視覺色選系統[J]. 農業機械學報, 2011, 42(8): 173-177.

[12]鄭華軍, 張憲, 喬欣. 蟻群聚類分析算法在茶葉等級分類識別中的應用[J]. 輕工機械, 2011, 25(9): 91-93.

[13]施健, 何建國, 張冬, 等. 基于計算機視覺的鮮棗大小分級系統研究[J]. 食品與機械, 2013, 29(5): 134-137.

[14]孔彥龍, 高曉陽, 李紅玲, 等. 基于機器視覺的馬鈴薯質量和形狀分選方法[J]. 農業工程學報, 2012, 28(17): 143-148.

[15]Kurtulmus F, Alibas I, Kavdir I. Classification of pepper seeds using machine vision based on neural network [J]. Int J Agric and Biol Eng, 2016, 9(1): 51-62.

Grading of Machine Picked Tea Based on Image Processing Technology and Neural Network

WU Zhengmin, CAO Chengmao*, XIE Chengjian, WU Jiasheng, HU Wangyang, WANG Tianyu

College of Engineering, Anhui Agricultural University, Hefei 230036, China

To solve the picking problem of famous green tea, a new technology was proposed to classify machine picked tea in this paper. Fresh tea leaves plucked by machine are often mixed, with tea stalks and have a high broken rate and thereby only suitable for making general green tea. The convex hull area, convex hull perimeter, long axial length, short axial length and other morphological features of machine plucked tea leaves were analyzed by Labview vision, image processing technology and neural network to screen high quality tea. Industrial CCD camera with appropriate optical system was used to collect object classification features. User interface was developed by Labview, which can realize the data interaction, convenient operation, short development cycle and meet different users’ requirements. Finally, sample test showed that the correct rate of tea classification could reach about 90%, which provides a good theoretical basis for further research of tea grading equipment.

machine plucked tea, grading, neural network, image processing technology

TS272.3；S23

A

1000-369X（2017）02-182-09

2016-12-30

2017-02-26

科技部科技型中小企業技術創新基金項目（14C26213401694）

吳正敏，女，碩士，主要從事智能檢測與控制技術研究。*通訊作者：caochengmao@sina.com