基于機器視覺和工藝參數的針芽形綠茶外形品質評價

董春旺 朱宏凱 周小芬 袁海波 趙杰文 陳全勝

(1.江蘇大學食品科學與食品工程學院， 鎮江 212013; 2.中國農業科學院茶葉研究所， 杭州 310008；3.哥本哈根大學食品科學系, 菲特烈堡 999017; 4.武義縣農業局， 武義 321200)

基于機器視覺和工藝參數的針芽形綠茶外形品質評價

董春旺1,2朱宏凱2,3周小芬2,4袁海波2趙杰文1陳全勝1

(1.江蘇大學食品科學與食品工程學院， 鎮江 212013; 2.中國農業科學院茶葉研究所， 杭州 310008；3.哥本哈根大學食品科學系, 菲特烈堡 999017; 4.武義縣農業局， 武義 321200)

外形是針芽形綠茶的關鍵感官評價指標，通常依據色澤、條形、嫩度和勻整度等表象特征進行人工評審，難以做到精準、客觀和量化評價。本文以自動化生產線機制的針芽形綠茶為研究對象，基于茶葉品質、形成工藝和視覺形態等內外因素，構建了外形品質的智能感官評價方法。首先，在線采集在制品的17個機制工藝參數和成品茶的圖像，進行圖像特征提取，選取9個顏色特征和6個紋理特征。進而，通過與專家感官評分進行關聯分析，明確了與感官品質顯著相關的特征變量。為獲取高效的評價模型，采用偏最小二乘法(PLS)、極限學習機(ELM)和強預測器集成算法(ELM-AdaBoost)3種多元校正方法，分別建立了基于工藝或圖像特征的針芽形綠茶外形感官的量化評價模型。建模結果表明，基于圖像特征建立的ELM-AdaBoost模型(Rp=0.892，RPD大于2)，其預測性能優于其他模型，且具有更小的RMSEP(0.874)、Bias(-0.148)、SEP(0.226)和CV(0.018)值。同時，非線性模型的預測性能均高于PLS線性模型，能更好地表征工藝參數、圖像信息與感官評分之間的解析關系，且建模速度更快(0.014～0.281 s)。而AdaBoost法作為一種混合迭代算法，能進一步提升ELM模型的精度和泛化能力。結果表明，基于機器視覺和工藝評價針芽形綠茶外形品質是可行的，為拓展茶葉感官品質評價方法和專家工藝決策支持系統研制，提供理論依據和數據支撐。

針芽形綠茶； 機器視覺； 外形； 感官品質； 智能算法； 非線性

引言

茶葉是世界三大功能飲料之一，綠茶是中國消費量最大的茶類，針芽形綠茶是綠茶的典型代表(如雀舌茶、開化龍頂茶等)[1-2]。外形是評價綠茶品質的重要指標之一，尤其是在市場交易中，茶葉價格主要取決于外形特征。根據針芽形綠茶的制茶原理可知，鮮葉經過攤青、殺青、理條、干燥等工序逐步失水成型，加工中葉溫和水分的組合變化直接影響了內質成分含量的變化[3]，并最終決定成品茶的外形品質和風味特征。目前，茶葉品質的評價仍以傳統的人工感官審評方式為主[4]。

顏色是圖像的一種重要視覺性質，是人識別圖像的主要感知特征之一[5-6]。紋理是圖像灰度和顏色隨空間位置變化的視覺表現，可用來描述物體表面的粗糙度和方向性[7]。已有研究者利用機器視覺圖像技術用于茶葉的種類、品質等級鑒別和產地溯源[6,8-10]，研究結果表明借助計算機視覺系統獲取茶葉外形的可見光圖像,將其顏色和紋理特征數字化提取,能實現茶葉外在品質特征的量化和準確評價[9]。此外，還有研究者采用近紅外、高光譜成像技術和非線性建模方法，建立了不同茶類的判別模型、茶葉內部品質和感官品質的定量分析模型[11-14]。上述文獻可為本文研究提供借鑒，但其研究對象多為紅碎茶(如CTC茶)、不同發酵茶(烏龍茶、紅茶和黑茶)、卷曲型綠茶(如碧螺春茶、炒青綠茶)和扁形綠茶(如龍井茶)，且以成品茶、茶湯、發酵茶或加工過程樣品為信息源，鮮有以針芽形綠茶為研究對象，特別是涉及機械制茶工藝參數的外形品質量化評價模型的研究[2,8,15]。

尤為值得關注的是，人工感官評審是一種專家行為，易受到光線、經驗、心理和視覺生理等因素影響，相近的顏色和紋理人眼或許能夠察覺出細微的差異，但較難明確具體的量化等級，人對顏色和紋理的描述是定性的，故難以實現對茶葉感官品質的精準、標準和客觀評價[16]。不同的制茶工藝參數組合，對成品茶品質的形成存有一定的內在傳遞關系，并最終呈現出不同的外部形態和表象。因此，基于茶葉品質形成的內外兩種因素，構建精準、客觀和量化的外形品質評價方法，可彌補傳統感官審評方法的不足，并為今后在規模化、智能化生產線中專家工藝決策支持系統和標準化加工技術的研發提供理論依據和數據支撐。

綜上，本研究以自主研制的國內首條針芽形綠茶自動化生產線為載體，采集加工中關鍵工序的在制品溫度、水分和時間等工藝參數信息，并利用機器視覺系統獲取成品茶外形的可見光圖像,提取其紋理和顏色特征，探討工藝、圖像信息和專家感官評分間的關聯作用關系。進而聯合線性的偏最小二乘法(PLS)和非線性的極限學習機神經網絡(ELM)，分別建立基于機器視覺和工藝參數的針芽形綠茶外形品質智能表征方法,并進行模型性能比較。

1 針芽形綠茶自動化生產線組成及實驗

1.1 生產線結構原理

根據茶產業自動化生產的需要，研制了針芽形綠茶自動化生產線，實現產品緊、圓、直和勻的外形品質要求。針對單芽、一芽一葉的茶青原料，設計攤青葉處理能力為100～200 kg/h，從攤青葉流入到成品茶流出的周期為1.5～2.0 h，針芽形綠茶制作工藝分為12個步驟，各工序裝備組成及工藝流程如圖1所示。基于芽形茶的制茶學理論和做形工藝特點，將整個生產線劃分成6個功能模塊：攤青、殺青、二次理條、二次干燥，每一個功能模塊設有獨立進、出料輸送機構和功能主機，并單獨構建成一個下位機系統。生產線集成了過程數據采集與監控系統(SCADA)，具有現場控制、工序集中監控和管理服務3大功能。其中現場控制層PLC、傳感器(紅外溫度、濕度、稱量、時間、行程、位置傳感器等)、智能儀表(如變頻器、溫控儀等)和觸屏交互機共同實現各模塊的分布數據采集與控制功能。工序集中監控層以組態界面形式呈現現場的工況狀態，并可通過上位機的SCADA操控執行機構、修改和記錄工況參數。

圖1 針芽形綠茶自動化生產線總體結構Fig.1 Overall structure for automatic production line of needle green tea

1.2 工藝實驗與感官評審

圖2 干茶圖像采集與分析流程圖Fig.2 Flow chart of image acquisition and analysis for dry tea

實驗在浙江省更香有機茶有限公司(浙江省武義縣)和江蘇鑫品茶業有限公司(江蘇省金壇市)實施，針芽形綠茶加工的關鍵工序為：鮮葉攤放、攤葉殺青、一次理條、二次理條、毛火和足火。共收集針芽形綠茶140個茶樣，其中1級品質茶樣40個，2級品質茶樣77個，3級品質茶樣23個，每個樣本100 g。

工藝實驗參數設定：將茶鮮葉原料(含水率為72.3%～76.5%)自然攤放在萎凋室內(20～24℃)，攤葉厚度為1～2 cm，攤放周期為6～12 h；電熱殺青機筒壁溫度為180～200℃；一次理條機鍋底溫度為180～200℃; 二次理條機鍋底溫度為145～160℃;毛火溫度110～130℃，足火溫度95～110℃。

在針芽形綠茶制作過程中，連續采集在制品在各工序的工藝技術參數，主要有：攤青工序后茶青含水率(x1)，殺青工序中投葉量(x2)、殺青時間(x3)、殺青溫度(x4)、殺青后含水率(x5),一次理條工序中的理條時間(x6)、理條溫度(x7)、理條后含水率(x8)和二次理條工序中的理條時間(x9)、理條溫度(x10)、理條后含水率(x11)，毛火干燥工序中毛火時間(x12)、毛火溫度(x13)、毛火后含水率(x14)，足火干燥工序中足火時間(x15)、足火溫度(x16)、足火后含水率(x17)共17組參數。

在制品葉面溫度(葉溫)檢測方法:每個工序完成時，保持紅外測溫儀與樣品垂直距離10 cm，快速測定樣品溫度，重復測定3次，取平均值。水分數據采集方法：在每個工序環節結束后，將樣品自然冷卻至室溫，采用5點隨機取樣法取樣，每次取樣3 g測定含水率，連續測定3次，取平均值。

制成的成品茶樣分別委托農業部茶葉質量監督檢驗測試中心、中國茶葉學會和浙江大學茶學系的3位感官專家進行外形審評，3位評茶專家按照茶葉感官審評方法(GB/T 23776—2009)，采用密碼審評形式評定各茶樣的外形品質，取平均得分作為最終評分值。

2 計算機圖像采集及處理系統

2.1 圖像采集系統組成

設計一套機器視覺采集系統，主要由圖像傳感器、樣品池、均勻光源、GUI軟件處理系統組成，按圖2所示技術路徑實現圖像的采集和數據分析。傳感器選用單反相機(Canon DS60D, 日本,18MP)，采集參數設置如表1所示；光源選用Sphere100均勻光源(杭州晶飛科技有限公司)，光源強度為100 lx；GUI軟件處理系統(軟件著作權號：2013SR122179)用Matlab 2012b編寫,軟件可自動提取圖像的色澤和紋理特征。

表1 圖像采集參數設置Tab.1 Parameters setting of image acquisition

2.2 圖像采集及特征提取

分別從每個茶樣中稱取(30±0.5) g干茶，均勻平鋪在規格為Φ70 mm的樣品池中，并將樣品池嵌入均勻光源下進行圖像采集。軟件系統(圖2)以圖像中坐標點(1 728,1 152)為中心點，自動分割出1 000像素×1 000像素區域，提取該興趣區域的色澤和紋理特征。通過RGB、HSV和Lab間的顏色模型變換，分別提取紅色通道均值(R)、綠色通道均值(G)、藍色通道均值(B)、色調均值(H)、亮度均值(V)、飽和度均值(S)、明度分量均值(L*)、紅綠分量均值(a*)和黃藍分量均值(b*)共9個色澤指標[16]。基于灰度直方圖的統計屬性計算6個紋理特征，即平均灰度值(m)、標準差(δ)、平滑度(r)、三階矩(μ)、一致性(U)和熵(e)[16-17]，共計得到15個圖像特性(色澤和紋理)變量。

3 芽形茶感官評價方法建立與結果分析

3.1 實驗數據處理方法

分別采用偏最小二乘法(Partial least squares method，PLS)、極限學習機(Extreme learning machine，ELM)進行線性和非線性定量建模。Zscore法用于原始數據的預處理，通過主成分分析法(Principal component analysis，PCA)從原始數據中提取特征變量，作為模型的輸入自變量。

參照文獻[14-16]中應用的參數：相關系數(Rc、Rp)、相對分析誤差(RPD)、均方根誤差(RMSEC/RMSEP)、偏差(Bias)、標準偏差(SEP)、變異系數(CV)作為模型性能的評價指標[18-19]。通常RMSEP、SEP、CV和Bias越小，Rp和RPD值越高，模型的精度和泛化性越高[20]。所有的數據處理在 Matlab 2014b和Microsoft Windows 7 (64位)平臺完成。

3.2 外形感官審評結果分析

140個針芽形綠茶的外形感官評分范圍為79.5～92.5，所有茶樣感官評分的平均值為88.13，標準偏差為2.33，方差為5.44。對3位評茶專家的評分進行相關分析可知(表2)，評分之間存在顯著相關性(P<0.01)，各評茶師的評分與評分均值之間也存在顯著相關性(P<0.01)，說明各評茶專家的評分具有較好的一致性，外形評分的真實性和準確性較高。

表2 各組間外形評分的相關性分析Tab.2 Correlation analysis among shape score

注: ** 表示P<0.01。

3.3 工藝參數、視覺特征與外形感官關聯分析

對實驗樣本的外形感官評分、工藝參數和視覺特征變量進行相關性分析, 然后采用 Cytoscape 3.4對顯著相關的數據作可視化處理，獲得反映三者交互規律的網絡關系(圖3)。由圖3可知，工藝參數、圖像特征與外形品質間存在著復雜的、直接或間接的傳遞和關聯關系。直接影響外形品質的工序參數有：殺青時間(x3)、理條時間(x6)、理條溫度(x7)和理條后含水率(x11)、毛火時間(x12)、毛火后含水率(x14)和足火后含水率(x17)，說明溫度、水分和時間是針芽形綠茶加工中影響感官品質的最重要工藝指標。各工序階段的含水率均與外形品質呈正相關，溫度與時間呈負相關，表明高溫或長時間加工會造成含水率過低，易引起焦邊和高火味，進而影響外形品質。x1、x10、x13、x15和x16等參數則通過間接影響在制品的色澤和紋理特征，將作用傳遞至感官品質。

圖像特征中除R、G、V、L*、m和U值以外，所有圖像特征參數均與外形評分顯著相關，其中綠茶的感官評分分別與B、H、a*、δ、r和e值呈極顯著正相關(P<0.01)，與S、b*和μ值呈極顯著負相關(P<0.01)，并與b*值的相關系數最高(相關系數為-0.740)。綜合分析可知，外形感官得分并非葉面色澤越綠越好或越黃越好，也并非越濃郁越好，而是色澤呈現出黃綠色或嫩綠時評分最高，這與綠茶感官審評標準相符[21-22]。

圖3 感官評分、圖像特征和工藝參數間的網絡關系圖Fig.3 Network relationships diagram for sensory score, image characteristics and process parameters

3.4 樣品集劃分分析

圖4 不同方法所建PLS模型的最優主成分數和預測集實際值、預測值散點圖Fig.4 Optimum PCs and scatter plots of actual and predicted values of sensory scoring of PLS models

140個茶樣的外形感官評分值作為本研究模型建立的參考值，采用基于馬氏距離的Kennard-Stone (K-S)法[23]，有效選出95個作為校正集，用于建立校正模型，余下的45個作為預測集，用來評價模型性能。經K-S法劃分后的外形感官評分分布如表3所示，可以看出校正集中評分范圍大于預測集的范圍，這樣有利于建立普適性的模型，保證預測性能的泛化性及穩健性。

3.5 PLS線性關聯模型

本文擬分別建立針芽形綠茶工藝參數、圖像特征與感官評分間的關聯模型，以實現對外形品質的監控和快速無損評價。在PLS模型建立過程中，由于提取的工藝參數和茶樣圖像特征變量為多元高維數組，各變量的量綱和數量級不同，故先在Matlab環境里調用Zscore算法對數據進行標準化變換處理[22]，以消除量綱和數量級限制。同時，各樣本的工藝參數和圖像特征變量之間存在一定的相關性,即這些變量之間的信息有一定的重疊,使變量間產生冗余信息;這些冗余信息參與模型建立，會降低模型性能。因此，在建立預測模型前，對特征變量數組進行主成分分析，以消除各特征變量間的共線性，取10組獨立的主成分得分作為模型輸入變量。

表3 各樣品集合中感官評分的分布情況Tab.3 Reference values for sensory score in calibration and prediction set

圖4a和圖4c分別為基于工藝參數和圖像特征建模時，不同主成分因子數(PCs)所建PLS線性模型對應的RMSEC(橫坐標中“0”表示基于原始數據所建模型結果，即未采用主成分因子為輸入的對照模型)。圖4a中，當主成分數為3時，RMSEC最小(1.424)，其預測集Rp和RPD分別為0.754和1.131，其RMSEP、Bias、SEP、CV分別為1.439、-0.594、0.238和0.018 4。由圖4c可看出，當主成分數為7時，RMSEC最小(1.387)，其預測集Rp和RPD分別為0.777和1.271，其RMSEP、Bias、SEP、CV分別為1.215、-0.148、0.226和0.017。預測值和實測值之間的關系如圖4b、4d所示，感官評分最優和最差的樣品，其預測點距45°線較遠，表明2種方法的PLS模型預測精度均不高。

3.6 ELM-AdaBoost非線性關聯模型

極限學習機(Extreme learning machine, ELM)是種新型的單隱層前饋神經網絡(SLFN)算法[24]，其運算速度和魯棒性好于經典的BP神經網絡(Backpropagation neuronal network, BP-ANN)[25-26]。AdaBoost(Adaptive boosting)作為有效的迭代學習集成算法，其原理是將多個“弱”學習算法組合為一個“強”學習算法，從而提高辨識率[27]。為達到此效果，AdaBoost算法首先對原始樣本空間賦予相同的權值，然后根據每個弱學習算法的誤差率提高預測失敗樣本的權重，通過反復迭代，最終結果由弱預測函數加權得到。本研究中以ELM作為弱預測器構成ELM-AdaBoost強預測器[28]，以主成分作為ELM-AdaBoost強預測器的輸入項，從而構成ELM-AdaBoost混合建模方法，其結構原理如圖5所示。

圖6 不同方法所建ELM-AdaBoost模型的參數優選和預測集實際值、預測值散點圖Fig.6 Parameters preferred and scatter plots of actual values as well as predicted values of ELM-AdaBoost models in different methods

圖5 ELM-AdaBoost算法原理圖Fig.5 Principle diagram of ELM-AdaBoost algorithm

Ada-ELM非線性模型中弱分類器數T設為10，隱含層節點數設為15。因預測誤差閾值(Φ)和主成分因子數(PCs)對模型的預測精度影響較大，故在選取范圍內將參數Φ和PCs一起進行進一步尋優處理。分別選取20個Φ值(0.01～1，步長為0.05)和10個PCs數(1～10，步長為1)，以模型的RMSEC來優選參數，優化結果如圖6a、6c所示。

由圖6a可看出，基于工藝參數的ELM-AdaBoost模型，當PCs為3，Φ為0.21時， RMSEC最小(0.865)，其預測集Rp和RPD分別為0.932和1.647，其RMSEP、Bias、SEP、CV分別為1.053、-0.308、0.254和0.019。基于圖像特征的ELM-AdaBoost模型(圖6c)，當PCs為6，Φ為0.061時，模型的RMSEC最小(0.547)，其預測集的Rp、RMSEP、Bias、SEP、CV和RPD分別為0.892、0.874、-0.148、0.226、0.018和2.014。預測值和實測值之間的關系如圖6b、6d所示，各樣品的預測點距45°線較近，表明2種方法的ELM-AdaBoost模型預測精度較高，尤其是基于圖像特征的非線性模型，散點的收斂性明顯高于其他3種方法。

3.7 模型對比和討論

對PLS線性模型和非線性模型(ELM、ELM-AdaBoost)性能進行對比(表4)。結果表明，非線性模型預測集的Rc、RMSEP和Bias均明顯優于線性模型，且建模速度更快(0.014～0.281 s)，適用于生產實際中對品質的實時監控。基于圖像特征的ELM-AdaBoost模型的預測性能最佳,其RPD大于2，說明模型具有良好的預測效果，可用于定量分析。較小的SEP、CV表明樣本偏差、離散變異程度小，模型具有較好的精度和預測能力[29]。同時，AdaBoost法作為一種混合迭代算法[30]，能進一步提升ELM模型的預測精度，更好地逼近非線性連續函數，提高了模型的預測能力與泛化能力。

芽形綠茶加工中溫度、含水率和時間直接影響著內質生化成分和外形的變化，進而決定成品茶的最終感官品質，感官與工藝技術參數間存在線性和非線性的傳遞、交互關系。而感官評審是人靠肉眼先觀察茶樣的色澤、勻整度、條索的粗細、含雜情況、整齊度和嫩度等特征，進而通過復雜的人腦神經網絡系統，對視覺信息進行整合和作出綜合評價，較工藝參數傳遞至品質的信息更為直接和客觀，故基于圖像特征的預測模型其性能較優。

正是感官品質與工藝參數組合、色澤和形狀間非線性關系的存在，PLS方法只處理變量與結果間的線性關系，忽略了存在的非線性關系，而ELM作為一種非線性的人工神經網絡建模方法，具有更強的自適應和一定的推廣、概括能力，因此相對于PLS模型能得到更好的預測精度。

表4 不同方法所建模型的性能比較Tab.4 Performance comparison of different models

4 結論

(1)提出一種針芽形綠茶自動化生產線，并以該生產線的針芽形綠茶為研究對象，在線采集了在制品的17個機制工藝參數和成品茶的15個圖像特征(顏色和紋理)，通過關聯網絡分析，明確了工藝參數、圖像特征與外形感官品質間的關聯關系，為智能感官評價模型提供了有效信息源。結果表明，殺青時間(x3)、理條時間(x6)、理條溫度(x7)和理條后含水率(x11)、毛火時間(x12)、毛火后含水率(x14)和足火后含水率(x17)是影響感官品質的重要工藝指標，圖像特征b*(R=-0.740)是對外形感官最為敏感的特征參數。

(2)基于茶葉品質形成工藝和視覺形態等內外因素，采用偏最小二乘法(PLS)、極限學習機(ELM)和強預測器集成優化算法(ELM-AdaBoost)3種多元校正建模方法，構建了外形感官品質的定量評價模型，并對ELM-AdaBoost模型的2個重要參數進行了優化。結果表明，2種方法的ELM-AdaBoost模型預測精度(RPD值分別為1.647和2.014)，均高于ELM和PLS模型。尤其是基于圖像特征的非線性模型(Rp=0.892，RPD大于2)，具有最小的RMSEP(0.874)、Bias(-0.148)、SEP(0.226)和CV(0.018)值，說明AdaBoost法作為一種混合集成算法，能進一步提升模型的精度和泛化能力。

(3)非線性模型的預測性能均高于線性模型，表明ELM和ELM-AdaBoost等非線性機器學習算法能更好表征工藝、圖像與感官之間的潛在影響和非線性映射關系，且建模速度更快(0.014～0.281 s)，適用于規模化生產中對品質的實時監控。

(4)本研究對拓展茶葉感官品質評價方法，提供了一種有效的技術途徑和思路，為今后在智能化生產中專家工藝決策支持系統和標準化加工技術的研發，提供理論依據和數據支撐，并在茶葉加工、貿易和精制拼配技術上具有較大的產業前景。

1 KHAN N, MUKHTAR H. Tea and health: studies in humans [J]. Current Pharmaceutical Design, 2013, 19(34): 6141-6147.

2 ZHU H, DONG C, ZHANG J, et al. Optimization of the rotary continuous fixation parameters of needle-type premium green tea processing [J]. Chinese Agricultural Science Bulletin, 2014, 30(18): 308-314.

3 朱宏凱, 董春旺, 張堅強, 等. 葉溫、含水率對針芽綠茶感官品質的影響 [J]. 中國食品學報, 2016, 16(4): 224-236. ZHU Hongkai, DONG Chunwang, ZHANG Jianqiang, et al. Effect of evin and moisture content on sensory quality of needlebud green tea[J]. Journal of Chinese Institute of Food Science and Technology, 2016, 16(4): 224-236. (in Chinese)

4 陳根生, 袁海波, 許勇泉, 等. 針芽形綠茶連續化生產線設計與工藝參數優化 [J]. 茶葉科學, 2016, 36(2): 139-148. CHEN Gensheng, YUAN Haibo, XU Yongquan, et al.Design and process optimization of a continuous production lineon needle-type premium green tea [J].Journal of Tea Science, 2016, 36(2): 139-148. (in Chinese)

5 YAHAYA O K M, MATJAFRI M Z, AZIZ A A, et al. Non-destructive quality evaluation of fruit by color based on RGB LEDs system[C]∥Proceedings of the International Conference on Electronic Design, 2015:230-233.

6 XIE C, LI X, SHAO Y, et al. Color measurement of tea leaves at different drying periods using hyperspectral imaging technique [J]. Plos One, 2013, 9(12): e113422.

7 CHEN Q, ZHANG D, PAN W, et al. Recent developments of green analytical techniques in analysis of tea’s quality and nutrition [J]. Trends in Food Sci Technol, 2015, 43(1): 63-82.

8 ZHU D S, ZHANG H L, HE Y, et al. Classification of Chinese famous tea base on visible and near infrared hyperspectra imaging [C]∥Proceedings of the International Conference on Intelligent Systems Design & Engineering Applications, 2013:208-211.

9 CHEN Q, ZHAO J, CAI J. Identification of tea varieties using computer vision [J]. Transactions of the ASABE, 2008, 51(2): 623-628.

10 JIANG H, CHEN Q. Chemometric models for the quantitative descriptive sensory properties of green tea (CamelliasinensisL.) using fourier transform near infrared (FT-NIR) spectroscopy [J]. Food Analytical Methods, 2015, 8(4): 954-962.

11 李曉麗,何勇.基于多光譜圖像及組合特征分析的茶葉等級區[J].農業機械學報,2009,40(增刊):113-118. LI Xiaoli, HE Yong. Classification of tea grades by multi-spectral image and combined features [J].Transactions of the Chinese Society for Agricultural Machinery , 2009, 40(Supp.): 113-118. (in Chinese)

12 LI X, NIE P, QIU Z J, et al. Using wavelet transform and multi-class least square support vector machine in multi-spectral imaging classification of Chinese famous tea [J]. Expert Systems with Applications, 2011, 38(9): 11149-11159.

13 吳瑞梅, 岳鵬翔, 趙杰文,等. 特征變量篩選在近紅外光譜測定綠茶湯中茶多酚的應用[J].農業機械學報,2011, 42(12): 154-157. WU Ruimei, YUE Pengxiang, ZHAO Jiewen, et al. Application of characteristic variables selection in determination of polyphenols content green tea infusion by near-infrared spectroscopy[J]. Transactions of the Chinese Society for Agricultural Machinery , 2011, 42(12): 154-157.(in Chinese)

14 劉洪林. 基于近紅外光譜技術(NIRS)對工夫紅茶審評品質客觀評價研究 [J]. 食品工業科技, 2016, 37(5):311-314. LIU Honglin. Research of evalution the quality of congou black tea by near infrared spectroscopy[J]. Science and Technology of Food Industry, 2016, 37(5):311-314. (in Chinese)

15 ZHOU X, YE Y, ZHOU Z, et al. Study on quality evaluation of Dafo Longjing tea based on near infrared spectroscopy [J]. Spectroscopy and Spectral Analysis, 2012, 32(11): 2971-2975.

16 SANAEIFAR A, BAKHSHIPOUR A, DE L G M. Prediction of banana quality indices from color features using support vector regression [J]. Talanta, 2016, 148:54-61.

17 LIN H, ZHAO J, CHEN Q, et al. Nondestructive measurement of total volatile basic nitrogen (TVB-N) in pork meat by integrating near infrared spectroscopy, computer vision and electronic nose techniques [J]. Food Chemistry, 2014, 145(7): 228-236.

18 COPPA M, REVELLO-CHION A, GIACCONE D, et al. Comparison of near and medium infrared spectroscopy to predict fatty acid composition on fresh and thawed milk [J]. Food Chemistry, 2014, 150: 49-57.

19 SZIGEDI T, FODOR M, PEREZMARIN D, et al. Fourier transform near-infrared spectroscopy to predict the gross energy content of food grade legumes [J]. Food Analytical Methods, 2013, 6(4): 1205-1211.

20 LI J, HUANG W, CHEN L, et al. Variable selection in visible and near-infrared spectral analysis for noninvasive determination of soluble solids content of ‘Ya’ pear [J]. Food Analytical Methods, 2014, 7(9): 1891-1902.

21 KRASZEWSKI B. Determination of the impact of RGB points cloud attribute quality on color-based segmentation process [J]. Biuletyn Wojskowej Akademii Technicznej,2015,64(2):111-121.

22 SAAD A G, IBRAHIM A, EL-BIALEE N. Internal quality assessment of tomato fruits using image color analysis [J]. Agricultural Engineering International CIGR Journal, 2016, 18(1):339-352.

23 MIR-MARQUES A, ELVIRA-SAEZ C, CERVERA M L, et al. Authentication of protected designation of origin artichokes by spectroscopy methods[J]. Food Control, 2016, 59: 74-81.

24 MATIAS T, SOUZA F, RUI A, et al. Learning of a single-hidden layer feedforward neural network using an optimized extreme learning machine[J]. Neurocomputing, 2014, 129:428-436.

25 HUANG G B, ZHOU H, DING X, et al. Extreme learning machine for regression and multiclass classification [J]. IEEE Transactions on Systems, Man, and Cybernetics, 2012, 42(2): 513-529.

26 HUANG G B, ZHU Q Y, SIEW C K. Extreme learning machine: theory and applications [J]. Neurocomputing, 2006, 70(1): 489-501.

27 OUYANG Q, ZHAO J, CHEN Q. Measurement of non-sugar solids content in Chinese rice wine using near infrared spectroscopy combined with an efficient characteristic variables selection algorithm [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2015, 151:280-285.

28 TIAN H X, MAO Z Z. An ensemble ELM based on modified AdaBoost.RT algorithm for predicting the temperature of molten steel in ladle furnace [J]. IEEE Transactions on Automation Science and Engineering, 2010, 7(1): 73-80.

29 KHULAL U, ZHAO J, HU W, et al. Nondestructive quantifying total volatile basic nitrogen (TVB-N) content in chicken using hyperspectral imaging (HSI) technique combined with different data dimension reduction algorithms [J]. Food Chemistry, 2016, 197:1191-1199.

30 HE Y, LI X, DENG X. Discrimination of varieties of tea using near infrared spectroscopy by principal component analysis and BP model [J]. Journal of Food Engineering, 2007, 79(4): 1238-1242.

QualityEvaluationforAppearanceofNeedleGreenTeaBasedonMachineVisionandProcessParameters

DONG Chunwang1,2ZHU Hongkai2,3ZHOU Xiaofen2,4YUAN Haibo2ZHAO Jiewen1CHEN Quansheng1

(1.SchoolofFoodandBiologicalEngineering，JiangsuUniversity，Zhenjiang212013，China2.TeaResearchInstitute,ChineseAcademyofAgriculturalSciences,Hangzhou310008,China3.DepartmentofFoodScience,UniversityofCopenhagen,Frederiksberg999017,Denmark4.AgriculturalBureau,WuyiCounty,Wuyi321200,China)

Green tea has the largest consumption in China, and needle-shaped green tea is a typical type of green tea. The appearance of green tea is the key sensory evaluation index of green tea. However, it is hard to realize an accurate, objective and quantitative evaluation of green tea through manual evaluation on the characteristics as the color, stripe, tenderness and uniformity, etc. Based on internal and external factors such as quality forming process and visual morphology of tea, an intelligent sensory evaluation method of the appearance quality of tea was established. Firstly, collecting the process parameters of tea products and image characteristics of made tea, totally 17 process parameters, nine color features and six texture features were selected, conducting correlation analysis with expert sensory evaluation, and screening out remarkably correlated characteristic variables. In order to obtain an efficient evaluation model, based on process parameters and image characteristic parameters respectively, multiple quantitative evaluation models were established for needle-shaped green tea appearance senses by using three multivariate correction methods such as partial least squares (PLS), extreme learning machine (ELM) and strong predictor integration algorithm (ELM-AdaBoost). The comparison of the results showed that the ELM-AdaBoost model based on image characteristics had the best performance (RPD was more than 2). Its predictive performance was superior to other models, with smaller RMSEP (0.874), Bias (-0.148), SEP (0.226), andCV(0.018) values of the prediction set, respectively. Meanwhile, non-linear model had better predictive performance than linear model, which can better represent the analytic relationship between process parameters, image information and sensory scores, and modeling faster (0.014～0.281 s). AdaBoost method, which was a hybrid integrated algorithm, can further promote the accuracy and generalization capability of the model. The above conclusions indicated that it was feasible to evaluate the quality of appearance of needle green tea based on machine vision and process. This study provided an effective technical method and idea for developing tea sensory quality evaluation methods, and laid theoretical basis and data supports on the development of expert process strategy supporting systems of tea quality, which had a broad industry prospect in tea processing, trading and refined blend technology.

needle green tea； machine vision; appearance; sensory quality; intelligent algorithm； non-linearity

TS272.4; TP183

A

1000-1298(2017)09-0038-08

10.6041/j.issn.1000-1298.2017.09.005

2016-12-19

2017-02-13

國家自然科學基金項目(31271875)、浙江省自然科學基金項目(Y16C160009)和中央級公益性科研院所基本科研業務費專項(1610212016018)

董春旺(1980—)，男，博士生，中國農業科學院助理研究員，主要從事茶葉加工技術研究，E-mail： dongchunwang@tricaas.com

陳全勝(1973—)，男，教授，博士生導師，主要從事現代食品無損檢測技術研究，E-mail： qschen@ujs.edu.cn