茶葉圖像特征提取及其應(yīng)用研究進展

劉自強,周紫英

(湖南交通工程學(xué)院,湖南 衡陽 421001)

1 引言

近年來，隨著計算機科學(xué)技術(shù)快速發(fā)展，圖像處理技術(shù)在諸多領(lǐng)域已有廣泛應(yīng)用研究。機器視覺圖像檢測技術(shù)具有簡單、快速和客觀等特點，已在農(nóng)業(yè)生產(chǎn)及農(nóng)產(chǎn)品品質(zhì)檢測方面有較廣的應(yīng)用。研究者利用數(shù)字圖像處理技術(shù)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(jié)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(shù)，成為基于圖像識別茶葉品種過程中的關(guān)鍵問題。

2 特征提取

數(shù)字圖像處理是對目標(biāo)圖像進行去噪、檢測、分割及特征提取等處理的技術(shù)和方法。研究者利用此技術(shù)對成品茶葉或相關(guān)植物葉片預(yù)處理后，提取傳統(tǒng)的顏色、形狀等特征進行研究，分析能夠區(qū)分不同種成品茶葉及植物葉片的特征因子，并建立相應(yīng)識別模型進行預(yù)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(shù)理論依據(jù)[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(yù)處理的方法，如對茶葉圖像的中值濾波、閾值變換、圖像標(biāo)記及邊界輪廓跟蹤等。并對徑山茶、龍谷麗人和覺農(nóng)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(fù)雜性等17項外形特征，并建立基于BP神經(jīng)網(wǎng)絡(luò)的茶葉預(yù)測模型，預(yù)測準(zhǔn)確率達80%，表明視覺圖像技術(shù)對于鑒別商品茶葉外形品質(zhì)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(zhì)指標(biāo)，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(biāo)，通過多種算法選出最佳分類算法，最終達到較高的分類準(zhǔn)確率，實現(xiàn)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(shù)據(jù)進行處理，PFDCM聚類準(zhǔn)確率最高為98.84%，研究表明FTNIR技術(shù)結(jié)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(tǒng)的感官檢測茶葉的品質(zhì)易受到茶葉審評人員的個人因素以及環(huán)境因素的帶來的誤差較大，因此利用計算機視覺技術(shù)，提取茶葉圖像顏色、形狀等特征對茶葉品質(zhì)進行檢查，研究表明該技術(shù)能有效保證茶葉各個生產(chǎn)過程中的品質(zhì)，從而提高茶葉生產(chǎn)質(zhì)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(biāo)準(zhǔn)偏差等12個顏色、形狀特征，并基于神經(jīng)網(wǎng)絡(luò)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(yù)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(tǒng)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(jīng)網(wǎng)絡(luò)建模預(yù)測識別區(qū)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(xué)習(xí)速率的方法提高卷積神經(jīng)網(wǎng)絡(luò)對茶葉的訓(xùn)練成效，經(jīng)過對數(shù)據(jù)的整理和計算，測試茶葉分選準(zhǔn)確率為92.24%。毛騰躍等[17]基于鮮茶葉圖形的開關(guān)和紋理特征利用SVM和支持向量機分類器進行分類并且結(jié)合特殊角點及距離矩陣從而提高鮮茶葉分類準(zhǔn)確率，準(zhǔn)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(jīng)網(wǎng)絡(luò)技術(shù)的精密儀器設(shè)備對茶葉大量數(shù)據(jù)和信息加工處理，提高對茶葉檢測的精準(zhǔn)度。

學(xué)者利用計算機視覺技術(shù)，提取茶葉圖像的顏色、形狀等特征，建立網(wǎng)絡(luò)神經(jīng)模型，在模式識別上具有較好高準(zhǔn)確性，能無損、快速識別。未來將可在食品安全、病蟲害防治、農(nóng)業(yè)發(fā)展中發(fā)揮重要作用。隨著大數(shù)據(jù)時代發(fā)展進步，計算機視覺技術(shù)在圖像和多維數(shù)據(jù)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(shù)據(jù)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(shù)、數(shù)據(jù)監(jiān)管和安防等領(lǐng)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(tǒng)特征及5個顏色灰度值特征，依據(jù)各顏色通道的分形維數(shù)值做聚類分析歸類，最后用BP神經(jīng)網(wǎng)絡(luò)建模預(yù)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(yīng)用的發(fā)展，有學(xué)者將分形理論應(yīng)用于植物葉片圖像識別領(lǐng)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(tǒng)特征參數(shù)建模分類識別。試驗結(jié)果表明，對于9種不同的植物葉片，加入分形維度的特征數(shù)據(jù)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(guān)實驗研究，基于高光譜圖像提取LBP值，由于茶葉樣本數(shù)據(jù)間存在大量相關(guān)性，造成信息冗余，增大特征維數(shù)，反而降低識別精度，因此通過Uniform模型對多且雜的LBP數(shù)據(jù)值進行處理，從而更加精準(zhǔn)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(guān)量計算提取病變茶葉的紋理信息，最后用Softplus函數(shù)優(yōu)化使得病變茶葉分類準(zhǔn)確率達92.73%。林麗惠等[25]結(jié)合茶葉邊緣的紋理信息進行細(xì)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(zhǔn)確率，研究表明整體和局部綜合研究得來的準(zhǔn)確率更高。燕婭等[26]基于圖像紋理特征，將SVM和KNN算法結(jié)合成SVM-KNN算法，避免了臨界紋理間識別誤差，此方法識別準(zhǔn)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(xùn)練識別，準(zhǔn)確率達97.36%，且結(jié)果發(fā)現(xiàn)多種特征信息共同識別準(zhǔn)確率明顯高于單個特征識別準(zhǔn)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(xùn)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(qū)別細(xì)微，光憑肉眼難以分辨鮮茶葉所屬品種，因此需要借助數(shù)學(xué)方法輔以計算機為工具來提高模式識別精度。

3 結(jié)語與展望

傳統(tǒng)識別鮮茶葉品種主要有專家感官評定和化學(xué)分析方法。其中感官評定受評定者個人經(jīng)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(jié)果。化學(xué)分析方法雖能準(zhǔn)確鑒別茶葉，但步驟繁瑣、機器設(shè)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(xùn)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(yōu)品種的發(fā)展保護及茶樹品種的認(rèn)知有重大現(xiàn)實意義。

提取茶葉圖像有效特征，結(jié)合模式識別方法，可實現(xiàn)對茶葉的種植、加工和生產(chǎn)等方面進行全面的品質(zhì)檢測，對病蟲害監(jiān)測、茶樹栽培和植保、茶葉加工和審評等領(lǐng)域有重要意義。另外，提高茶葉優(yōu)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(quán)益。提高茶葉的篩選分類準(zhǔn)確率，也會給茶葉生產(chǎn)商帶來口碑和品牌等有益效應(yīng)。未來可通過數(shù)據(jù)圖像處理提取更多有效特征結(jié)合多種高性能檢測技術(shù)，在農(nóng)作物實時、無損、快速在線營養(yǎng)檢測與病蟲害防治方面將大有發(fā)展前景。