茶葉圖像特征提取及其應用研究進展

劉自強,周紫英

(湖南交通工程學院,湖南 衡陽 421001)

1 引言

近年來，隨著計算機科學技術快速發展，圖像處理技術在諸多領域已有廣泛應用研究。機器視覺圖像檢測技術具有簡單、快速和客觀等特點，已在農業生產及農產品品質檢測方面有較廣的應用。研究者利用數字圖像處理技術對成品茶葉或植物葉片提取顏色、形狀大小和紋理等特征，對其進行分類識別并得到較好結果。不同品種的茶葉葉片大小、形狀、顏色差異較小，利用計算機視覺圖像識別方法對茶葉種類進行識別，從葉片圖像中挖掘具有顯著性差異的特征參數，成為基于圖像識別茶葉品種過程中的關鍵問題。

2 特征提取

數字圖像處理是對目標圖像進行去噪、檢測、分割及特征提取等處理的技術和方法。研究者利用此技術對成品茶葉或相關植物葉片預處理后，提取傳統的顏色、形狀等特征進行研究，分析能夠區分不同種成品茶葉及植物葉片的特征因子，并建立相應識別模型進行預測分析識別。其中一些研究成果為識別不同茶樹品種的鮮茶葉圖像種類，提供技術理論依據[1]。

2.1 基于顏色和形狀特征

陸江鋒等[7]介紹了茶葉圖像預處理的方法，如對茶葉圖像的中值濾波、閾值變換、圖像標記及邊界輪廓跟蹤等。并對徑山茶、龍谷麗人和覺農龍井三種商品茶葉圖像提取包括茶葉周長、面積、圓形度、形狀復雜性等17項外形特征，并建立基于BP神經網絡的茶葉預測模型，預測準確率達80%，表明視覺圖像技術對于鑒別商品茶葉外形品質及類別方法可行。吳正敏等[8]利用邏輯回歸、決策樹、支持向量機以及均值計算大紅袍的品質指標，選取圓形度、矩形度、線性度、周長和緊湊度五種特征向量作為指標，通過多種算法選出最佳分類算法，最終達到較高的分類準確率，實現茶葉精選。武斌等[9]選取安徽岳西翠蘭，六安瓜片，施集毛峰和黃山毛峰4種茶葉的樣本進行實驗，提出可能模糊鑒別C均值聚類算法并且利用近紅外光譜對數據進行處理，PFDCM聚類準確率最高為98.84%，研究表明FTNIR技術結合MSC，PCA，LDA和PFDCM為茶葉品種的分類與鑒別提供了可行方案。黃藩等[10，11]由于傳統的感官檢測茶葉的品質易受到茶葉審評人員的個人因素以及環境因素的帶來的誤差較大，因此利用計算機視覺技術，提取茶葉圖像顏色、形狀等特征對茶葉品質進行檢查，研究表明該技術能有效保證茶葉各個生產過程中的品質，從而提高茶葉生產質量。

鮮茶葉圖像特征提取方面，陳怡群等[12]對包含鮮茶葉全芽、一芽一葉和一芽多葉的嫩芽圖像提取茶葉周長、面積、短軸、等二階距橢圓長軸等7個幾何外形特征和RGB分量均值、標準偏差等12個顏色、形狀特征，并基于神經網絡對3種不同嫩芽分類，并達到90%的識別率。Camilla Pandolfi等[13]用聚類等方法對植物葉片進行分析歸類，用分類器預測識別，以鮮茶葉葉片作為例子來說明方法的可靠性。對分屬越南，菲律賓，中國的17種鮮茶葉，提取茶葉圖像的面積、周長、長軸、短軸、圓形度、伸長率等9個傳統幾何形狀特征及5個顏色灰度值特征，并以顏色灰度值做聚類分析歸為兩類，再用BP神經網絡建模預測識別區分，并達到較好識別效果。高震宇等[14～16]針對機采茶葉品種的精選問題，選取顏色、形狀等特征利用反向傳播和學習速率的方法提高卷積神經網絡對茶葉的訓練成效，經過對數據的整理和計算，測試茶葉分選準確率為92.24%。毛騰躍等[17]基于鮮茶葉圖形的開關和紋理特征利用SVM和支持向量機分類器進行分類并且結合特殊角點及距離矩陣從而提高鮮茶葉分類準確率，準確率達94.24%。徐泰燕[18]基于茶葉外形顏色和形狀特征、香氣和口感，利用人工神經網絡技術的精密儀器設備對茶葉大量數據和信息加工處理，提高對茶葉檢測的精準度。

學者利用計算機視覺技術，提取茶葉圖像的顏色、形狀等特征，建立網絡神經模型，在模式識別上具有較好高準確性，能無損、快速識別。未來將可在食品安全、病蟲害防治、農業發展中發揮重要作用。隨著大數據時代發展進步，計算機視覺技術在圖像和多維數據的處理和信息獲取等功能上有著快、大、多的特點，因此對茶葉圖像和數據的處理中也可使信息簡潔化，并且還可以解決茶葉采摘中嫩梢定位問題[19]，未來將在5G技術、數據監管和安防等領域的作用更加突出。

2.2 基于紋理和分形特征

對于植物葉片圖像識別研究，S.Mugnai等[20]對生長于日本的山茶花，提取其葉片圖像的面積、周長等9個傳統特征及5個顏色灰度值特征，依據各顏色通道的分形維數值做聚類分析歸類，最后用BP神經網絡建模預測識別，達到較好分類效果。同樣，Camilla Pandolfi等[21]運用與S.Mugnai相類似的方法，對斑克木葉片進行分類識別研究。隨著分形理論與應用的發展，有學者將分形理論應用于植物葉片圖像識別領域。袁津生等[22]提出把分形維度作為紋理特征，提取植物葉片圖像的分形維度，并另外提取葉片8個周長、面積等傳統特征參數建模分類識別。試驗結果表明，對于9種不同的植物葉片，加入分形維度的特征數據集有更高的識別精度。同時，基于分形理論的特征提取，也為植物葉片圖像特征提取提供新的思路。蘆兵等[23，24]對病害茶葉進行了相關實驗研究，基于高光譜圖像提取LBP值，由于茶葉樣本數據間存在大量相關性，造成信息冗余，增大特征維數，反而降低識別精度，因此通過Uniform模型對多且雜的LBP數據值進行處理，從而更加精準和清晰的提取LBP值，利用灰度共生矩陣(GLCM)對病害茶葉的對比度等5個相關量計算提取病變茶葉的紋理信息，最后用Softplus函數優化使得病變茶葉分類準確率達92.73%。林麗惠等[25]結合茶葉邊緣的紋理信息進行細化分析，提取紋理特征建立CNN模型，并利用IGL-CNN模型研究武夷巖茶的9個品種，通過茶葉全局的信息來研究分類準確率，研究表明整體和局部綜合研究得來的準確率更高。燕婭等[26]基于圖像紋理特征，將SVM和KNN算法結合成SVM-KNN算法，避免了臨界紋理間識別誤差，此方法識別準確率最高達90%。張程等[27]提取葉片圖像的顏色和紋理特征，利用支持向量機訓練識別，準確率達97.36%，且結果發現多種特征信息共同識別準確率明顯高于單個特征識別準確率。

提取葉片圖像的顏色、形狀、紋理、分形等特征，利用多種分類器訓練建模識別，能顯著提高識別率。伴隨茶葉加工工藝提高，研究者更注重茶葉加工和商品茶制作，而不同種類茶葉葉片大小、形狀、顏色區別細微，光憑肉眼難以分辨鮮茶葉所屬品種，因此需要借助數學方法輔以計算機為工具來提高模式識別精度。

3 結語與展望

傳統識別鮮茶葉品種主要有專家感官評定和化學分析方法。其中感官評定受評定者個人經驗、心理與生理等因素影響，此方法效率較低、工作量大、主觀性強，難以達到客觀評審結果。化學分析方法雖能準確鑒別茶葉，但步驟繁瑣、機器設備昂貴，難以快速識別，很難滿足科研需要。提取多種茶葉品種圖像的顏色、形狀、紋理、多重分形特征，利用分類器訓練建模識別，能識別不同茶樹品種。為快速、無損、客觀識別茶樹品種提出一種新的思路與方法，這對茶樹名優品種的發展保護及茶樹品種的認知有重大現實意義。

提取茶葉圖像有效特征，結合模式識別方法，可實現對茶葉的種植、加工和生產等方面進行全面的品質檢測，對病蟲害監測、茶樹栽培和植保、茶葉加工和審評等領域有重要意義。另外，提高茶葉優良品種篩選精度，能給消費者帶來更好的品茶體驗感，保證消費者權益。提高茶葉的篩選分類準確率，也會給茶葉生產商帶來口碑和品牌等有益效應。未來可通過數據圖像處理提取更多有效特征結合多種高性能檢測技術，在農作物實時、無損、快速在線營養檢測與病蟲害防治方面將大有發展前景。