茶葉外形特征數字化及不同等級茶葉鑒別研究*

陸江鋒單春芳裘正軍

茶葉外形特征數字化及不同等級茶葉鑒別研究*

陸江鋒1單春芳2裘正軍3

茶葉是世界三大飲料中最具有生命力、最受消費者歡迎的飲料。隨著人們生活水平的提高、健康意識的增強和茶文化的興起，人們對茶葉數量的需求不斷增加，對質量的要求逐漸提高。進入21世紀后，我國茶葉雖然經歷了幾年的快速增長，但由于國內茶葉品質檢測及分級技術比較落后，茶葉品質參差不齊，同時受歐盟、日本等國家和地區綠色技術壁壘的影響，我國茶葉出口難以維持快速增長勢頭[1-3]。因此亟須提高我國茶葉品質的檢測和分級手段，促進茶葉行業的標準化，才能與國際接軌，健全茶葉質量安全體系，實施綠色品牌戰略，提高企業的競爭力。

視覺圖像檢測技術具有快速、無損、客觀等特點，在農產品品質檢測中有很好的應用前景。本文主要研究采用工業攝像頭采集茶葉的圖像，通過圖像處理技術獲得茶葉的外形特征參數，并建立不同等級的茶葉預測鑒別模型，實現茶葉的快速分級。

1 材料與方法

1.1 儀器設備與軟件

試驗裝置由聯想M825E雙核計算機、工業攝像頭、背光源等組成。工業攝像頭采用CMOS傳感器，200萬像素，最高分辨率為1 600×1 200 DPI，最大幀數為30 FPS，采用USB2.0接口。計算機上安裝基于VC++6.0集成開發環境自主研發的外形特征提取軟件，實時采集茶葉圖像，再經過圖像處理，提取茶葉外形特征參數[4]，軟件功能菜單見圖1。

圖1 特征參數提取軟件功能菜單

1.2 實驗材料

從浙江大學紫金港校區教育超市采購浙江龍井四種等級茶葉樣本，分別是特級、一級、二級和三級。各等級茶葉隨機選擇45片共180片作為180個實驗樣本，再從各等級45個樣本中隨機抽取30個共120個作為訓練集，剩下的60個樣本作為預測集。

1.3 圖像處理方法

1.3.1 灰度的閾值變換

灰度的閾值變換可以將一幅灰度圖像轉換成黑白二值圖像。其變換函數表達式如下：

式中T為指定的閾值。

灰度閾值變換的操作過程是由用戶指定一個閾值，如果圖像中某像素的灰度值小于該閾值，則將該像素的灰度設置為0（黑），否則灰度值設置為255（白）。本文研究中設置閾值為50的灰度閾值變換前后的茶葉圖像如圖2所示。

圖2 閾值為50的灰度閾值變換前（左）后（右）的圖像

1.3.2 區域標記

圖3 二值圖像區域標記前（左）后（右）效果圖

二值圖像區域標記的目的是為了對同一幅茶葉圖像中的多片茶葉進行標記，然后根據標記的不同，分別求出各片茶葉的特征參數。茶葉二值圖像的區域標注非常重要，直接關系到提取茶葉特征參數的效率。如果沒有區域標注，只能提取單片茶葉的特征參數，效率非常低；使用了區域標注后，就可以多片茶葉同時提取，極大地提高了提取效率。本文采用八鄰域標記算法區域標記前后圖像見圖3，圖中顯示了茶葉原圖（左）和區域標記后的茶葉效果圖（右），其數字標號即為各片茶葉所在區域像素的灰度值。

1.3.3 邊界跟蹤

邊界跟蹤能夠準確地提取茶葉圖像的輪廓，便于獲得茶葉的周長信息。周長有兩種算法：一種直接以軟件統計出來的像素個數表示，記為周長1；另一種情況考慮到邊界跟蹤法跟蹤出來的邊界難免出現對角黑像素的情況，因此，以個像素作為它們之間的距離，記為周長2。利用邊界跟蹤法進行輪廓跟蹤前后的茶葉圖像見圖4。

圖4 邊界跟蹤法進行輪廓跟蹤前（左）后（右）茶葉圖像

1.3.4 小區域消除

小區域消除是指在計算出一副茶葉圖像中所有區域的面積的基礎上，指定一個面積數值，消除圖像中所有小于該面積的圖像塊，該方法主要用于消除明顯不是茶葉的圖像噪音。小區域消除前后圖像見圖5，原圖（左）中左右各有一黑點噪音，經小區域消除后黑點噪音消除（見右圖）。

圖5 小區域消除前（左）后（右）圖像

2 預測模型建立與結果

2.1 人工神經網絡模型

人工神經網絡是模仿生理學中人的大腦神經處理信息的方式,對信息進行并行處理的一種信息處理網絡系統。利用神經網絡系統具有的強大學習功能,可以對一些看似雜亂無章的實驗數據整理出內在規律,建立分析同類事物的網絡,解決分類、預測、優化等問題[5]。

2.2 基于BP神經網絡的茶葉預測模型建立及預測結果

將120片訓練集茶葉樣本的面積、周長1、周長2、NCI比(周長除以總面積的平方根)、形狀復雜性、圓形度(D)、等價圓直徑、圓的形狀系數、線長、橢圓長軸、橢圓短軸、橢圓形狀系數、長方形度共13項特征參數經標準化變換后作為BP神經網絡的輸入，建立了一個3層的人工神經網絡結構，各層傳遞函數都用S型（Sigmoid）函數。網絡輸入層節點數為13，隱含層節點數為13，輸出層節點數為1，目標誤差為0.000 1，學習速度為0.1，設定訓練迭代次數為1 000次。訓練結果為120個建模樣本的擬合殘差為1.314×10-2，建立了預測模型。

用建立的預測模型對未知的60個樣本進行預測鑒別，結果如表1所示，60個預測樣本中51個樣本預測值經四舍五入取整處理后預測正確，有9個預測樣本 （10、15、27、29、34、38、42、50、57號樣本）預測錯誤，預測準確率達到85%。

表1 BP神經網絡模型對未知樣本預測結果

3 結論與討論

本研究搭建了一套機器視覺系統實現茶葉圖像的實時采集，采用自主研發的軟件提取了13項茶葉外形特征參數，并建立了基于BP神經網絡的茶葉等級預測模型，對特級、一級、二級和三級共四個等級浙江龍井茶葉進行預測鑒別，預測準確率達到85%，誤判的15%也是處于上下等級中模棱兩可之間的茶葉，基本能夠滿足快速分級要求。因此本文研究表明利用機器視覺技術，通過建立基于BP神經網絡的茶葉等級預測模型對浙江龍井茶葉進行快速分級是可行的，如能將其真正應用于茶葉生產中將有利于茶葉行業的標準化，提高企業的競爭力，打破發達國家綠色技術壁壘。

[1]劉華杰.我國茶葉出口遭受技術性貿易壁壘影響的原因分析[J].商,2014（2）：293-293

[2]藍林.淺談我國茶葉出口應對綠色壁壘的生存之道[J].現代商業,2014(11):36

[3]陳虹菲,曹越.淺議中國茶葉出口貿易的現狀問題[J].北方經濟,2014(6):56-57

[4]劉洋,衛洪春,杜誠.VC++6.0在灰度數字圖像增強處理中的應用[J].計算機與信息技術,2006(9):75-79

[5]葛哲學，孫志強.神經網絡理論與MATLAB2007實現[M].北京：電子工業出版社，2007

作者信息：1實驗師，浙江大學生物系統工程與食品科學學院，310058；2軟件設計師，深圳市潮流網絡技術有限公司杭州分公司，310012；3教授、博導，浙江大學生物系統工程與食品科學學院，310058：杭州

浙江省教育科研項目（Y201328805）