基于神經網絡茶葉的品質分析

徐泰燕

（武昌工學院，湖北武漢430065）

近些來看，我國茶葉種植面積、茶葉產量以及經濟產值，呈現出快速增長的趨勢。根據相關機構公布的數據來看，2019 年我國茶園面積4597.87萬畝，同比增長4.60%，產量高達279.34萬噸，同比增長6.78%，行業產值2396 億人民幣。為保持茶葉產業的穩步發展，更好地規范市場秩序，構建完善的種植、生產、銷售機制，有必要從茶葉品質管控的角度入手，通茶葉品質的分析評估以及科學掌控，帶動現有茶葉產業的轉型。基于這種認知，需要依托人工神經網絡等技術手段，對現有的茶葉品質分析與評估方式作出相應的調整，逐步形成完備的茶葉品質分析體系。

1 人工神經網絡技術概述

對人工神經網絡技術原理、技術特點的梳理，準確把握人工神經網絡技術應用的相關要求，為后續人工神經網絡技術的應用、注意事項的梳理，有著極大的裨益，保證了研究方向的準確性。

1.1 人工神經網絡技術原理

人工神經網絡又被稱為神經網絡，其作為人工智能的重要分支，著眼于現代神經生物學的研究結果，對邏輯方式與運行原則作出針對性的調整，逐步模擬人腦的信息處理方式，實現信息處理的有效性與科學性[1]。人工神經網絡涉及多個技術領域，涵蓋了醫學、神經生理學、人工智能、計算機學等多個科學領域，表現出較強的非線性動力特性，從而形成一種信息處理、自我學習以及記憶反思功能。隨著人工神經網絡技術的逐步完善與發展，形成了多元化的技術機制，例如無反饋前向網絡、有反饋前向網絡、層內結合前向網絡等人工神經網絡技術，促進了拓撲結構的完善，使得人工神經網絡可以根據環境的變化，依據學習規則，開展信息識別、自動控制、組合優化等相關活動。近些年來，人工神經網絡在生產、生活等諸多領域發揮著關鍵性作用，成為模式識別、智能機器人、自動控制、預測估計的主要技術途徑。

1.2 人工神經網絡技術特點

與傳統的人工智能技術與信息處理方案不同，人工神經網絡采用分布式系統，彌補了人工智能在非結構性信息處理方面的技術缺陷，強化了信息分析、處理以及應用能力。人工神經網絡網技術表現出非線性、非局限性、非常定性以及非凸性等特點，具體來看，人工神經網絡以人腦的功能性模擬作為主要目標，因此其在信息處理、模式識別的過程中，表現出較為明顯的非線性特征，即不需要建立經驗公式或者相關數學模型，通過對樣本數據的處理，實現數據的深度發掘與整合，并且人工神經網絡的這種非線性，大大增強了自身的容錯率，能夠在較短時間內，快速完成數據的處理。人工神經網絡技術的非局限性，將多個模擬神經元進行連接，使得各個神經元可以通過彼此之間的相互關系，實現對人腦個功能聯想記憶功能的有效模擬[2]。人工神經網絡技術在應用過程中，具有機較強的組織能力與學習能力，可以根據實際情況的變化，采取更為靈活多變的方式，開展信息的多線程處理，這種非常定性，使得人工神經網絡具備對復雜場景的應對能力。

2 人工神經網絡在茶葉品質分析中的應用路徑

人工神經網絡在茶葉品質分析中的應用，要求技術人員立足于人工神經網絡的技術特征，統籌兼顧茶葉品質基本要點，針對性地開展茶葉色澤、形狀、口感等分析評估機制的創建工作，確保人工神經網絡在茶葉品種分析中的科學化應用。

2.1 人工神經網絡在茶葉品質分析中應用價值

在較長的一段時間內，茶葉品質的分析，主要通過感官評審法來實現，這種茶葉品質評價方式，成本較低，周期較短，具有加強的實用性，但是茶葉品質的評價結果收到主觀因素的影響相對較大，例如對于同一款茶葉，不同的評茶師由于自身的品味以及感官靈敏度的差異，難以進行客觀、全面的評價。為盡可能地消除人為因素對于茶葉品質分析活動的干擾，部分機構嘗試同儀器設備進行茶葉品質的測定，但是茶葉品質涉及到的因素眾多，如果采用現有的數學模型，難以有效對大量的數據進行精準、快速地分析，尤其茶葉品質受到自身品種、種植環境、加工方式等條件的影響，因此傳統技術思路與技術方案，無法滿足茶葉品質分析的相關要求[3]。人工神經網絡作為一種成熟的人工智能技術，不僅具有較強的數據整合、分析能力，還表現出較好的環境適應性以及抗干擾能力，通過人工神經網絡來分析影響茶葉品質的因素的非線性對應關系，可以達到對茶葉品質分析評價的目的。由于人工神經網絡技術操作難度較低，可操作性較強，具備實踐推廣與應用的價值。

2.2 人工神經網絡在茶葉品質分析中的應用路徑

人工神經網絡在茶葉品質分析中的應用，要求技術人員將茶葉外形、香氣、口感作為分析評估的出發點與立足點，借助視覺圖像處理技術、電子鼻技術、電子舌技術，完成對相關分析項目的信息采集與評估，實現對茶葉品質的準確評價。

2.2.1 人工神經網絡在茶葉外形分析中的應用

人工神經網絡對于茶葉外形分析評價，主要依托機器視覺圖像處理技術來實現。機器視覺圖像處理技術通過計算機模擬人眼的視覺功能，將茶葉的色澤、外形等基本數據，采取映射的方式，形成數字圖像，并按照人眼對圖像的判定規律，對獲取的數字圖像進行解讀與識別。機器視覺圖像處理技術對于茶葉顏色、形狀等外形參數的獲取精確更高，對茶葉外形的分析結果也更為貼合實際。在實際操作環節，技術人員可以通過相關設備，獲取茶葉的高光譜圖像，在此基礎上，利用成分分析法，進行茶葉特征圖像的提取，并舉例提取特征圖像的顏色、紋理等情況。技術人員通過數碼攝像機等設備，獲取待測茶葉的外形圖像，通過圖像處理技術、計算機視覺技術，對獲取的圖像信息進轉換等預處理，然后將獲得圖像信息與特征圖像進行對比，獲得最終的茶葉形狀參數，完成茶葉顏色、形狀的評價，實現了對茶葉外形的高精度檢測。

2.2.2 人工神經網絡在茶葉香氣分析中的應用

茶葉的香氣是影響茶葉品質的重要因素，通常情況下，茶葉的香氣與口感有著密切的聯系，茶葉越香，口感越好，其原因在于茶葉中含有大量的芳香物質，這些物質對人體的感官系統會產生一定的刺激作用，產生香的感覺。但是茶葉的芳類物質含量較少，并且組成復雜，容易揮發，在進行提取的過程中，往往容易發生各類反應，造成提取、分析結果失真。電鼻子技術作為一種生物嗅覺模擬技術，能夠通過氣體傳感器陣列對氣味進行識別，并且其對氣味的感知靈敏度較高，具備進行茶葉香氣分析的能力[4]。在實際分析過程中，技術人員需要認真做好氣味提取元件、傳感器陣列、信號處理系統的調試工作，通過必要的調試，電子鼻中的傳感器，可以對茶葉的香氣類型、濃烈程度進行客觀的反應，以達到氣味十倍的目的。

2.2.3 人工神經網絡在茶葉口感分析中的應用

茶葉的口感是影響茶葉品質分析結果的重要因素，人工神經網絡在進行茶葉口感分析的過程中，可以借助于電子舌技術，開展系列的評估。電子舌主要依托味覺傳感器、數字信號識別基礎，完成對人體味覺的仿真模擬，在實際的檢測分析過程中，電子舌與茶葉發生接觸后，其味覺感受器表面分布的電勢由于較為敏感，因此會發生較為明顯的變化，引發味覺響應，同步檢測出不同味覺物質之間的相互慣性力。與傳統的味覺檢測、分析技術相比，電子舌技術靈敏度較高、可靠性較強，逐步成為現階段茶葉口感分析的主要技術方式。

機械視覺圖像處理技術、電子鼻技術、電子舌技術的應用，可以有效模擬人類感官下茶葉的外形、香氣以及口感等評價結果，具有較強的實用性。通過對三種技術的聯動使用，人工神經網絡技術可以完成茶葉品質的評估與分析，更為精準地掌握茶葉品質，為種植、銷售等等活動的開展提供了技術支撐，實現了產業的優化升級。

3 人工神經網絡在茶葉品質分析中應用的注意事項

人工神經網絡在茶葉品種分析中的應用涉及諸多領域，為保證分析工作的有效性，技術人員在分析過往經驗的基礎上，明確人工神經網絡應用過程中的相關注意事項，規避應用誤區，確保應用方案的可行性與針對性。

人工神經網絡在茶葉品質分析過程中，需要認識我國茶葉種類繁多，成分構成較為復雜，同一茶葉品種由于種植區域、栽培方式、加工工藝以及存儲環境的不同，也會造成品質的差異[5]。這就要求，技術人員在利用人工神經網絡技術進行茶葉品質品質分析的過程中，需要采取更為靈活的方式，最大程度地擴大適用范圍。例如在人工神經網絡建模的過程中，應當盡可能地增加學習樣本的體量，增加樣本數據的內容，以此來保證人工神經網絡模型的可靠性與穩定性。這就要求技術人員，需要從實際出發，做好學習樣本的篩選工作，通過樣本意義的保障，使得人工神經網絡可以實現對茶葉品質的科學、客觀分析，全面反應茶葉的品質。茶葉品質特征因子的提取過程中，要求技術人員可以更加系統地明確特征因子與品質之間的相關性，在相關性的框架下，借助于相應的分析方法，對特征因子與茶葉品質之間的內在聯系以及相關規律進行總結，逐步實現人工神經網絡的升級，使其通過聯想記憶，實現人工神經網絡技術適用范圍的延伸。人工神經網絡系統的運行效能，受到神經元特征、神經元的連接形式以及學習規則等要素的影響，這就要求，技術人員在利用人工神經網絡進行茶葉品質評估分析的過程中，需要確立神經元特征，建立完整、高效的神經元連接方式，明確學習規則，以此來保障人工神經網絡的學習能力、分析能力，使其滿足茶葉品質評估的相關要求。

4 案例分析

通過對茶葉品質分析人工神經網絡應用案例的全面分析與梳理，通過對應用經驗的總結，明確人工神經網絡應用的重點，避免了茶葉品質分析偏差，實現分析的有效性與合理性。

西湖龍井作為我國十大名茶之首，其知名度高、經濟價值高，在為種植戶、茶廠帶來巨大經濟收益的同時，也遭受了假冒偽劣產品的威脅，影響了其市場形象。為實現西湖龍井品質的把控，規范市場秩序，相關技術團隊以及生產企業，聯合進行了西湖龍井茶茶葉品質的分析與評估工作。為確保整個茶葉品質評估的客觀性與準確性，其采用人工神經網絡技術，開展系列分析與評估工作。在茶葉外形的評估分析過程中，依托機械圖像視覺技術，使用高光譜成像儀、光源、圖像采集卡、處理軟件等硬件設備，進行樣品茶葉的圖像特征的獲取。在特征參數提取過程中，考慮到高光譜圖像涉及到的波段較多，因此技術人員需要開展冗余信息的篩選操作。例如在西湖龍井茶葉外觀特征的獲取過程，主要針對茶葉的顏色、形狀以及紋理來進行，技術人員通過MATLAB 圖像處理工具，將外觀的18 個特征參數開展提取，同時借助于灰度共生矩陣，進行慣性矩、同質矩等相關紋理特征的獲取，實現對整個茶葉外觀特征的分析。完成特征因子的獲取后，技術人員需要系統開展人工神經網絡的設計工作，結合現有的西湖龍井茶的等級分類，確立4 個神經元，分別代表不同的茶葉等級，借助于人工神經網絡系統的強大的問題描述能力、分析能力，實現對非線性關系的驗證，從而快速、準確地判定西湖龍井茶葉的品質等級。為增強人工神經網絡技術的成長性，技術人員應當系統開展人工神經網絡的訓練工作，借助于訓練活動，促進人工神經網絡技術升級，實現數據分析能力的迭代升級，增強人工神經網絡對于茶葉外觀、香氣、口感的識別能力。例如技術人員對市場主要的龍井茶進行匯總，共獲取30個樣本，將20 個樣本作為訓練集，10 個樣本組預測集，開展針對性的迭代訓練，訓練的次數保持在3000 次。并通過確定的10 個樣本組預測集，對人工神經網絡技術的迭代效果開展系統性評估。

5 結語

人工神經網絡在茶葉品質分析中的應用，實現茶葉品質分析的智能化、規范化以及標準化，對于茶葉種植、生產以及銷售等活動的開展提供了數據支撐。文章從實際出發，積極探討人工神經網絡的技術應用方案，強化對茶葉主要性狀參數的獲取能力，打造完備、成熟的茶葉品質分析模式。