基于機器視覺的茶葉微波殺青中品質變化與預測研究

吳鑫，宋飛虎，裴永勝，朱冠宇，姜樂兵，寧文楷，李臻峰*，劉本英

基于機器視覺的茶葉微波殺青中品質變化與預測研究

吳鑫1,3，宋飛虎1，裴永勝1，朱冠宇1，姜樂兵1，寧文楷1,3，李臻峰1*，劉本英2*

1. 江南大學機械工程學院/江蘇省食品先進制造裝備技術重點實驗室，江蘇 無錫 214122；2. 云南省農業科學院茶葉研究所，云南 勐海 666201；3. 常州太燁傳感科技有限公司，江蘇 常州 213000

茶多酚、氨基酸、含水率是茶葉品質的重要指標，傳統檢測方法周期長且過程復雜。本研究利用機器視覺對微波殺青過程中茶葉的色澤和紋理特征實時監測，在線檢測含水率，同時檢測茶多酚和氨基酸含量。結果表明，色澤、紋理特征與含水率、茶多酚、氨基酸含量均呈規律性變化且顯著相關。對色澤和紋理特征進行主成分分析，以前3個主成分為輸入建立極限學習機（ELM）、遺傳神經網絡（GA-BP）、卷積神經網絡（CNN）模型對品質成分含量進行預測。結果表明，ELM、GA-BP、CNN模型分別適用于含水率、茶多酚含量和氨基酸含量的預測，精度均在0.99以上。研究表明，通過實時監測茶葉的色澤和紋理特征來預測其在殺青過程中含水率、茶多酚和氨基酸含量是可行的。

機器視覺；微波殺青；茶多酚；氨基酸；含水率；預測模型

茶葉作為一種天然的保健飲料，既可食用又可藥用，深受人們歡迎，在我國經濟作物中占有十分重要的地位[1]。

殺青是綠茶加工過程中一項最關鍵的工序，對茶葉的品質起到決定性作用[2]。現階段，殺青效果主要靠人體感官評價，存在一定的局限性。為精確評價殺青效果，還需檢測茶多酚、氨基酸等含量，檢測周期長且過程復雜，無法滿足自動化生產需要。

機器視覺技術可以快速、無損地檢測樣品的外觀特征，已在農產品加工方面得到了廣泛地應用[3-5]。李頎等[6]通過計算機視覺提取了玉米種穗的色澤和紋理特征，利用極限學習機（ELM）實現了異常種穗的識別。Golpour等[7]利用機器視覺結合人工神經網絡預測了薄層干燥中稻谷的含水率。Laddi等[8]利用機器視覺提取了茶葉色澤和紋理特征，結合主成分分析區分了茶葉等級。湯哲等[9]通過機器視覺提取茶葉的紋理特征，利用支持向量機建立了茶葉快速分類模型。Pereira等[10]利用數字圖像技術提取了木瓜果皮的色澤特征，利用隨機森林建立了其成熟階段的預測模型。徐海霞[11]利用機器視覺提取了菠菜的顏色特征，分別結合神經網絡和偏最小二乘法模型實現了對葉綠素含量的預測。Zhu等[12]利用機器視覺提取茶葉色澤和紋理特征，結合神經網絡實現了成品茶的感官質量預測。

本研究探討機器視覺在殺青葉品質含量預測中的應用，以微波殺青過程中的茶葉為研究對象，分析色澤、紋理、茶多酚和氨基酸含量與含水率的變化以及相關性；對色澤和紋理特征進行主成分分析并結合ELM、遺傳神經網絡（GA-BP）和卷積神經網絡（CNN）算法建立對含水率、茶多酚和氨基酸含量的預測模型，旨在為殺青過程中茶葉品質的在線快速監測提供理論參考。

1 材料與方法

1.1 試驗材料與儀器

以茶鮮葉為原料，嫩度為一芽一葉，采摘于浙江衢州。茶葉初始濕基含水率為(80±0.2)%（烘干法，105℃烘干至質量恒定）。試驗前茶葉冷藏于(4±1)℃冰箱中。儀器：M1-L202B型微波爐（美的集團股份有限公司）；RS-500C型工業相機（深圳市銳視時代科技有限公司）；ES5000型電子秤（天津德安特傳感技術有限公司）；I4A01型光纖測溫儀（西安和其光電科技有限公司）；NI USB-6008型數據采集卡（National Instruments，Texas，美國）；LSA-H3P50YB型晶閘管（深圳市博得電子科技有限公司）；UV-1800型紫外分光光度計（島津公司，日本）。

1.2 試驗設備

基于機器視覺的茶葉微波殺青系統如圖1所示，主要由溫度控制單元、重量監測單元和視覺監測單元構成，實現了茶葉溫度的實時監測與控制、茶葉重量的實時監測與含水率計算以及圖像的在線采集與處理。監測、控制與處理程序均用NI-LabVIEW 2015編寫。

光纖探頭檢測到茶葉溫度后，將溫度信號在光纖主機中轉換為0～5?V電壓，并利用NI-DAQ插件將電壓通過數據采集卡輸入到程序中；再由程序中設置好的溫度與電壓換算公式將電壓轉換為實際溫度值；然后程序中的PID控制器根據溫度實際值與設定值的差值輸出2～4?V電壓，并通過數據采集卡傳遞給晶閘管作為輸入電壓；最后晶閘管將輸入電壓轉換為微波爐的工作電壓調節功率，從而實現對茶葉溫度的控制，完成在線反饋調控。重量由電子秤在線監測并利用NI-VISA插件導入程序，實時計算含水率；工業相機在線采集殺青過程中的茶葉圖像并導入計算機，利用NI-Vison插件對其實時處理。

圖1 試驗系統示意圖

1.3 試驗方法

1.3.1 樣品制備

茶鮮葉先在室內攤放[溫度(26℃±2)℃，相對濕度(70±5)%]1?h再進行殺青處理。試驗時，在線監測其含水率，含水率每降1%取樣1次，直至含水率降為55%。重復試驗4次，共104個樣品。

1.3.2 茶多酚和氨基酸檢測

按照GB/T 8313—2018福林酚比色法檢測茶多酚含量，GB/T 8314—2013茚三酮比色法檢測氨基酸含量，重復檢測3次求平均值。

1.3.3 特征提取

圖像采集的過程中由于硬件和環境的原因，得到的圖像會出現噪聲。如表1所示，本研究對比多種濾波方法，其中均方誤差（Mean-square error，MSE）越大表示濾波后圖像的失真度越高；峰值信噪比（Peak signal-to-noise ratio，PSNR）越大表示濾波后圖像的質量越好[13]。本研究依據MSE最小和PSNR最大選用自適應中值濾波對原圖進行處理，濾波重建后進行特征提取，流程如圖2所示。

色澤特征首先提取R、G、B像素均值，再計算L、a、b分量。紅（R）、綠（G）、藍（B）的取值范圍均為[0,255]，所有顏色均可由這三分量疊加而成。Lab是一種基于生理特征與設備無關的顏色系統，L代表從黑到白，取值范圍為[0,100]；a代表從紅到綠，b表示從黃到藍，取值范圍均為[127,–128]，可由RGB分量計算得出[14]。

紋理特征提取是對物體表面的一種重要表達方法，可以定量地描述圖像的紋理內容。本研究通過建立灰度共生矩陣，提取0°方向上，像素距離為10的6個Haralick紋理特征（包括差異性、熵、對比度、同質性、相關性、能量）。差異性代表局部紋理變化的多少；熵代表復雜程度和灰度分布的非均勻程度；對比度代表清晰度和紋理的溝紋深淺；同質性代表紋理局部的規則程度；相關性代表灰度線性關系；能量代表灰度分布的均勻程度和紋理的粗細程度[15-16]。

本研究綜合色澤和紋理特征來預測茶葉的理化品質。特征提取與品質預測流程如圖3所示。

1.4 數據處理與分析

1.4.1 特征降維

特征之間存在一定的相關性和信息冗余，會加大模型的計算量并導致過擬合現象，因此特征降維對提高模型的效率和準確率具有重要意義[17]。本研究采用SPSS 25.0進行主成分分析（Principal component analysis，PCA），通過特征分解、降維獲得相互獨立的虛擬主成分。

表1 不同濾波方法比較

圖2 特征提取流程

圖3 特征提取與品質預測流程

1.4.2 數據標準化

PCA得到的各主成分不屬于同一數量級，需做標準化處理。本研究利用MATLAB 2020b對數據采用離差標準化（Min-Max normalization，Min-Max）處理，將其轉換到同一數量級。

1.4.3 建模方法與性能評價

PCA得到的主成分采用Min-Max處理后結合ELM、GA-BP、CNN算法建立含水率、茶多酚和氨基酸含量的預測模型。以校正均方根誤差（Root mean square error of calibration，）、校正集決定系數（R）、預測均方根誤差（Root mean square error of prediction，）、預測集決定系數（R）作為模型的評價指標。和越低且相近，R、R越高，則穩定性越強、預測能力越好。

建模之前，104個樣品按照2∶1的比例隨機劃分訓練集和預測集，其中70個樣品作為訓練集，剩余34個樣品作為預測集。以上模型分析均在MATLAB 2020b平臺進行。

2 結果與分析

2.1 特征與品質含量變化

色澤特征成分在開始時有短暫的上升，隨后各自呈規律性變化（圖4）。如圖4-A所示，R分量先升后降，是因為隨著溫度的升高，多酚氧化酶（PPO）活力增強，導致多酚類物質發生酶促反應生成茶色素，這也是茶多酚在前期急劇下降的原因；隨著溫度上升，PPO迅速失活，茶色素又因結構不穩定而遭到破壞，從而R分量逐漸下降[18]。同時，在升溫過程中，低分子蛋白質和肽類化合物會發生酶促水解作用生成氨基酸，這是氨基酸含量在前期快速上升的原因[19]。G分量在反光現象后逐漸下降，是因為隨著含水率的降低和葉溫的升高，葉綠素發生了脫鎂反應、氧化反應和水解反應[20]。B分量在反光現象后基本保持不變。如圖4-B所示，L、|a|、b值同樣先升后降，而峰值到達時間有所差異，這與滑金杰等[21]研究結果一致。

如圖5-A所示，紋理特征的差異性先升后降，熵值先升后降，對比度先升后降。說明殺青前期，差異性增大，局部鄰近區域表現出不同的灰度值，紋理清晰；而殺青后期，灰度值均勻性增加，溝紋不明顯。如圖5-B所示，能量、對比度和差異性有相同的變化趨勢，存在一定的相關性。這與李曉斌等[22]研究一致。同質性先降后升；相關性先降后升；能量與熵的變化呈相反的趨勢，能量先隨含水率下降而下降，并在65%時達到最低值，然后又呈現上升的趨勢。由此說明，殺青前期，能量較大，局部灰度值差異增大，圖像趨于雜亂；到殺青后期，灰度值均勻性增加、差異性降低，同質性也相應上升。

2.2 相關性分析

2.2.1 特征間的相關性分析

如表2所示，部分色澤與紋理特征之間具有顯著的相關性。說明在殺青過程中，部分特征有一致的變化趨勢，與前文研究（圖4、圖5）一致。

注：A：RGB成分與品質變化；B：Lab分量與品質變化

注：A：對比度、差異性、熵與品質變化；B：能量、同質性、相關性與品質變化

表2 特征間的相關性

Note: RV: R value. GV: G value. BV: B value. LV: L value. AV: |a| value. DV: b value. DS: dissimilarity. ET: entropy. CT: contrast. HO: Homogeneity. CO: correlation. EN: energy. *represents significant correlation (<0.05), **represents highly significant correlation (<0.01)

2.2.2 特征與品質的相關性分析

如表3所示，除了B值和同質性，其余色澤與紋理特征與茶多酚均有顯著的相關性；氨基酸與|a|值和紋理特征有顯著的相關性；除了B值，其余特征與含水率均有顯著的相關性，與前文研究（圖4、圖5）一致。

2.3 特征降維

由表2可知，部分色澤與紋理特征之間具有顯著的相關性，為消除這些冗余信息，本研究對其進行PCA分析，得到各主成分貢獻率如表4所示。前3個主成分貢獻率累計為97.484%，能代表特征的絕大部分信息。因此，選擇前3個主成分作為模型的輸入變量。

2.4 模型的建立

2.4.1 ELM模型的建立

極限學習機是一種基于前饋神經網絡（SLFN）構建的機器學習方法，克服了SLFN網絡速度慢、容易陷入局部極小點以及對學習率的選擇敏感等缺點。ELM模型只需隨機產生輸入層與隱含層之間的連接權值和隱含層神經元的閾值，無須調整，在訓練過程中，只需設置隱含層個數，即可獲得唯一的最優解[23]，目前已在回歸預測[24]與分類識別[6]等領域取得了很好的應用效果。

本研究選擇“Sigmoid”函數作為核函數，根據預測效果，隱含層個數設置為30。

2.4.2 GA-BP模型的建立

遺傳算法（Genetic algorithms）是一種通過模擬自然進化過程在全局中搜索最優解的方法。針對BP神經網絡訓練速度慢，全局搜索能力差等缺點，將遺傳算法與神經網絡結合，根據遺傳算法對神經網絡的初始權值和閾值快速優化，再利用BP神經網絡局部搜索能力強的特點搜索出最優解，克服了傳統神經網絡容易陷入局部極小的缺點[25]。目前該算法已在含量預測[26]與分類識別[27]等領域取得了良好的應用效果。

本研究選擇“['tansig','purelin']”函數作為激活函數，“trainlm”函數作為訓練函數。在繁殖過程中對于非最優個體，需進行交叉操作和變異操作；對于最優個體，只需直接復制進去下一代。根據預測效果，設置模型的參數：進化代數為25，種群規模為50，交叉概率為0.3，變異算子為0.1，隱含層個數為9，迭代次數為100，學習率為0.1，目標誤差為0.000?1。

2.4.3 CNN模型的建立

卷積神經網絡是一類包含卷積計算且具有深度結構的有監督式前饋神經網絡，也是第一個真正意義上成功訓練多層神經網絡的學習算法，是深度學習的代表算法之一。其基本架構由輸入層、卷積層、池化層、全連接層和輸出層5部分組成，其中，連續的卷積、池化結構和全連接層構成了卷積神經網絡的隱含層[28]。目前CNN模型已在回歸預測[29]與分類判別[30]等領域具有很好的應用效果。

本研究選擇“relu”函數作為激活函數，根據預測效果，設置16個大小為3×3的卷積核，全連接層神經元為300，輸出層神經元為1，最大迭代次數為20，批量大小為20，學習率為0.01，梯度閾值為1。

表3 特征與品質的相關性

Note: RV: R value. GV: G value. BV: B value. LV: L value. AV: |a| value. DV: b value. DS: dissimilarity. ET: entropy. CT: contrast. HO: Homogeneity. CO: correlation. EN: energy. TP: tea polyphenols. AA: amino acids. MC: moisture content. *represents significant correlation (<0.05), **represents highly significant correlation (<0.01)

表4 主成分貢獻率

2.5 品質預測與評價

2.5.1 茶多酚的預測與評價

3種模型對預測集樣本茶多酚含量的預測值與實測值散點圖如圖6所示。從圖中可以清晰的看出，以前3個主成分作為輸入建立的模型中，GA-BP模型的散點最集中于中線，對茶多酚含量的預測精度最高，CNN模型次之，ELM模型的散點最偏離中線，預測精度最低。

3種模型對樣本茶多酚含量的校正與預測精度均在0.97以上，精度較高。其中ELM模型相對于GA-BP、CNN模型預測性能較差，其校正精度較高，R為0.999?0，但其預測精度最低，R為0.976?3，且、分別為0.186?7、1.072?0，差值最大，最不穩定。CNN模型的預測性能較好，R為0.993?7，校正精度較低，預測精度R為0.986?7，高于ELM模型但低于GA-BP模型，預測精度適中；、分別為0.535?2、0.694?7，差值較小，比較穩定。GA-BP模型的預測性能最好，、分別為0.365?6、0.466?9，差值最小，最穩定；R、R分別為0.997?0、0.994?6，預測精度最高。因此，GA-BP模型更適用于對茶多酚含量的預測。

2.5.2 氨基酸的預測與評價

3種模型對預測集樣本氨基酸含量的預測值與實測值散點圖如圖7所示。可以看出，以前3個主成分作為輸入建立的模型中，CNN模型的散點最集中于中線，對氨基酸含量的預測精度最高，GA-BP模型次之，ELM模型的散點最偏離于中線，預測精度最低。

圖6 3種模型對茶多酚含量的預測散點圖

圖7 3種模型對氨基酸含量的預測散點圖

3種模型對樣本氨基酸含量的校正與預測精度均在0.96以上，精度較高。其中，ELM模型的預測性能相對較差，其校正精度較高，R為0.999?2，但預測精度最低，R為0.969?0，且、分別為0.031?0、0.174?9，差值最大，最不穩定。GA-BP模型的預測性能較好，校正和預測精度適中，R和R分別為0.995?9、0.976?4，預測精度高于ELM模型但低于CNN模型；、分別為0.072?2、0.156?0，差值較小，比較穩定。CNN模型的預測性能最好，、分別為0.086?2、0.090?8，差值最小，最穩定；R、R分別為0.992?8、0.994?3，預測精度最高。因此，CNN模型更適用于對氨基酸含量的預測。

2.5.3 含水率的預測與評價

3種模型對預測集樣本含水率的預測值與實測值散點圖如圖8所示。可以看出，以前3個主成分作為輸入建立的模型中，ELM模型的散點最集中于中線，對含水率的預測精度最高，CNN模型次之，GA-BP模型的散點最偏離于中線，預測精度最低。

3種模型對樣本含水率的校正與預測精度均在0.98以上，精度較高。其中，GA-BP模型的預測性能相對較差，R、R分別為0.993?7、0.981?9，預測精度最低，且、分別為0.578?9、1.151?2，差值最大，最不穩定。CNN模型的預測性能較好，校正精度較低，R為0.993?0，預測精度R為0.987?7，高于GA-BP模型但低于ELM模型，預測精度適中；、分別為0.678?9、0.915?6，差值較小，比較穩定。ELM模型的預測性能最好，、最低，分別為0.322?3、0.553?7，分別比GA-BP模型減小44.33%和51.9%，差值最小，最穩定；R、R分別為0.998?1、0.995?7，校正與預測精度最高。因此，ELM模型更適用于對含水率的預測。

3 結論

本研究以微波殺青過程中的茶葉為研究對象，利用機器視覺實時監測其色澤和紋理共12個特征，在線稱重檢測其含水率，同時檢測其茶多酚和氨基酸含量，探討了特征與品質的變化并分析其相關性，建立含水率、茶多酚和氨基酸含量的預測模型，提高了殺青過程中對茶葉品質特征成分的檢測效率。

檢測結果表明，R、G、B、L、|a|、b色澤特征均先升后降，而各分量峰值到達時間有所差異；紋理特征中對比度、差異性和熵先升后降，能量、同質性和相關性先降后升；茶多酚含量在含水率為77%～74%時下降速度最快，隨后下降速度減緩，殺青結束后含量為16.58%；氨基酸含量在含水率為78%～72%時迅速升高，隨后上升緩慢，殺青結束后含量為6.03%。相關性分析結果表明，色澤、紋理特征與含水率、茶多酚和氨基酸含量具有顯著的相關性。

圖8 3種模型對含水率的預測散點圖

預測結果表明，對色澤、紋理做PCA分析后，以前3個主成分為輸入建立的ELM、GA-BP、CNN模型對品質均有較好的預測效果。其中，ELM模型對含水率的預測精度最高，預測集決定系數R為0.995?7；GA-BP模型對茶多酚含量的預測精度最高，預測集決定系數R為0.994?6；CNN模型對氨基酸含量的預測精度最高，預測集決定系數R為0.994?3。

研究表明，利用機器視覺實時監測色澤和紋理特征可以有效地預測茶葉殺青過程中含水率、茶多酚和氨基酸含量，解決了傳統檢測方法周期長且過程復雜的問題，彌補了傳統殺青效果判斷主觀性強、效率低等不足，該方法在快速檢測茶葉品質和茶葉自動化加工研究方面具有很好的應用前景。

[1] 尹惠玲. 茶葉對人體的保健作用[J]. 飲食科學, 2017, 10(20): 109.

Yin H L. The health effect of tea on the human body [J]. Diet Science, 2017, 10(20): 109.

[2] 祁丹丹, 戴偉東, 譚俊峰, 等. 殺青方式對夏季綠茶化學成分及滋味品質的影響[J]. 茶葉科學, 2016, 36(1): 18-26.

Qi D D, Dai W D, Tan J F, et al. Study on the effects of the fixation methods on the chemical components and taste quality of summer green tea [J]. Journal of Tea Science, 2016, 36(1): 18-26.

[3] Patel K K, Kar A, Jha S N, et al. Machine vision system: a tool for quality inspection of food and agricultural products [J]. Journal of Food Science & Technology, 2012, 49(2): 123-141.

[4] Aghbashlo M, Hosseinpour S, Ghasemi-Varnamkhasti M. Computer vision technology for real-time food quality assurance during drying process [J]. Trends in Food Science & Technology, 2014, 39(1): 76-84.

[5] Zhu L, Spachos P, Pensini E, et al. Deep learning and machine vision for food processing: a survey [J]. Current Research in Food Science, 2021, 4(3): 233-249.

[6] 李頎, 王康, 強華, 等. 基于顏色和紋理特征的異常玉米種穗分類識別方法[J]. 江蘇農業學報, 2020, 36(1): 24-31.

Li Q, Wang K, Qiang H, et al. Classification and recognition method of abnormal corn ears based on color and texture features [J]. Jiangsu Journal of Agricultural Sciences, 2020, 36(1): 24-31.

[7] Golpour I, Chayjan R A, Parian J A, et al. Prediction of paddy moisture content during thin layer drying using machine vision and artificial neural networks [J]. Journal of Agricultural Science & Technology, 2018, 17(2): 287-298.

[8] Laddi A, Prakash N R, Sharma S, et al. Significant physical attributes affecting quality of Indian black (CTC) tea [J]. Journal of Food Engineering, 2012, 113(1): 69-78.

[9] 湯哲, 江才華, 張立, 等. 基于紋理分析的茶青在線分類[J]. 高技術通訊, 2014, 24(6): 651-656.

Tang Z, Jiang C H, Zhang L, et al. Online classification of tea greens based on texture analysis [J]. Chinese High Technology Letters, 2014, 24(6): 651-656.

[10] Pereira L S, Barbon S, Valous N A, et al. Predicting the ripening of papaya fruit with digital imaging and random forests [J]. Computers and Electronics in Agriculture, 2018, 145(1): 76-82.

[11] 徐海霞. 基于機器視覺和電子鼻技術的菠菜新鮮度無損檢測研究[D]. 鎮江: 江蘇大學, 2016.

Xu H X. Study on Nondestructive detection of freshness of post-harvest spinach based on machine vision and electronic nose [D]. Zhenjiang: Jiangsu University, 2016.

[12] Zhu H, Yang Y, He H, et al. Evaluation of green tea sensory quality via process characteristics and image information [J]. Food and Bioproducts Processing, 2017, 102(4): 116-122.

[13] 劉勍, 溫志賢, 楊筱平, 等. 現代數字圖像噪聲濾除技術及其評價[J]. 自動化與儀器儀表, 2012, 3(2): 146-148.

Liu Q, Wen Z X, Yang X P, et al. Modern digital image noise filtering technology and its evaluation [J]. Automation & Instrumentation, 2012, 3(2): 146-148.

[14] Shahabi M, Rafiee S, Mohtasebi S S, et al. Image analysis and green tea color change kinetics during thin-layer drying [J]. Food Science and Technology International, 2013, 20(6): 465-76.

[15] 葉鵬, 王永芳, 夏雨蒙, 等. 一種融合深度基于灰度共生矩陣的感知模型[J]. 計算機科學, 2019, 46(3): 92-96.

Ye P, Wang Y F, Xia Y M, et al. Perceptual model based on GLCM combined with depth [J]. Computer Science, 2019, 46(3): 92-96.

[16] 黨滿意, 孟慶魁, 谷芳, 等. 基于機器視覺的馬鈴薯晚疫病快速識別[J]. 農業工程學報, 2020, 36(2): 193-200.

Dang M Y, Meng Q K, Gu F, et al. Rapid recognition of potato late blight based on machine vision [J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(2): 193-200.

[17] Dong C, Zhu H, Wang J, et al. Prediction of black tea fermentation quality indices using NIRS and nonlinear tools [J]. Food Science and Biotechnology, 2017, 26(4): 853-860.

[18] Gao Z J, Liu J B, Xiao X G. Purification and characterisation of polyphenol oxidase from leaves ofL. [J]. Food Chemistry, 2011, 129(3): 1012-1018.

[19] 馬思蕊, 康玉梅, 田曉靜. 茶葉氨基酸的影響因素與檢測方法研究進展[J]. 農產品加工, 2019, 489(19): 61-63.

Ma S R, Kang Y M, Tian X J. Research progress on influencing factors and detection methods of amino acids in tea [J]. Farm Products Processing, 2019, 489(19): 61-63.

[20] 莫婷, 張婉璐, 李平. 茶葉加工中品質關鍵組分的變化與調控機制[J]. 中國食品學報, 2011, 11(9): 176-180.

Mo T, Zhang W L, Li P. The change and regulation mechanism of key components during tea processing [J]. Journal of Chinese Institute of Food Science and Technology, 2011, 11(9): 176-180.

[21] 滑金杰, 袁海波, 王近近, 等. 微波殺青對茶在制品物理特性影響的初探[J]. 茶葉科學, 2017, 37(5): 476-482.

Hua J J, Yuan H B, Wang J J, et al. Effect of microwave fixation on the physical characteristics of tea fresh leaves [J]. Journal of Tea Science, 2017, 37(5): 476-482.

[22] 李曉斌, 郭玉明, 付麗紅. 應用紋理分析方法在線監測蘋果凍干含水率[J]. 農業工程學報, 2012, 28(21): 229-235.

Li X B, Guo Y M, Fu L H. On-line monitoring of moisture ratio for apple during vacuum freeze-drying based on image texture analysis [J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(21): 229-235.

[23] Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: theory and applications [J]. Neurocomputing, 2006, 70(1/3): 489-501.

[24] 張海東, 李貴榮, 李若誠, 等. 近紅外光譜結合極限學習機和GA-PLS算法檢測普洱茶茶多酚含量[J]. 激光與光電子學進展, 2013, 50(4): 180-186.

Zhang H D, Li G R, Li R C, et al. Determination of tea polyphenols content in Puerh tea using near infrared spectroscopy combined with extreme learning machine and GA-PLS algorithm [J]. Laser & Optoelectronics Progress, 2013, 50(4): 180-186.

[25] 陳遠玲, 王肖, 孫英杰, 等. 基于GA-BP神經網絡的甘蔗收獲質量預測[J]. 農機化研究, 2022, 44(2): 187-191.

Chen Y L, Wang X, Sun Y J, et al. Sugarcane harvest quality prediction based on GA-BP neural network [J]. Journal of Agricultural Mechanization Research, 2022, 44(2): 187-191.

[26] 邱麗媛, 梁澤華, 吳鑫雨, 等. 基于模式識別和遺傳神經網絡算法的醋香附近紅外光譜等級評價和含量預測模型研究[J]. 中草藥, 2021, 52(13): 3818-3830.

Qiu L Y, Liang Z H, Wu X Y, et al. Study on near infrared spectrum grade evaluation and content prediction model of vinegar-processed Cyperi Rhizoma based on pattern recognition and GA-BPNN [J]. Chinese Traditional and Herbal Drugs, 2021, 52(13): 3818-3830.

[27] 汪建, 杜世平. 基于顏色和形狀的茶葉計算機識別研究[J]. 茶葉科學, 2008, 28(6): 420-424.

Wang J, Du S P. Identification investigation of tea based on HSI color space and figure [J]. Journal of Tea Science, 2008, 28(6): 420-424.

[28] 周飛燕, 金林鵬, 董軍. 卷積神經網絡研究綜述[J]. 計算機學報, 2017, 40(6): 1229-1251.

Zhou F Y, Jin L P, Dong J. Review of convolutional neural network [J]. Chinese Journal of Computers, 2017, 40(6): 1229-1251.

[29] 李英超. 基于卷積神經網絡的電力市場電價預測[J]. 機械設計與制造工程, 2021, 50(1): 101-104.

Li Y C. The electricity market price forecast based on the convolutional neural network [J]. Machine Design and Manufacturing Engineering, 2021, 50(1): 101-104.

[30] 杜劍, 胡炳樑, 劉永征, 等. 基于卷積神經網絡與光譜特征的夏威夷果品質鑒定研究[J]. 光譜學與光譜分析, 2018, 38(5): 1514-1519.

Du J, Hu B L, Liu Y Z, et al. Study on quality identification of macadamia nut based on convolutional neural networks and spectral features [J]. Spectroscopy and Spectral Analysis, 2018, 38(5): 1514-1519.

Study on the Tea Quality Changes and Predictions during the Microwave Fixation Process by Machine Vision

WU Xin1,3, SONG Feihu1, PEI Yongsheng1, ZHU Guanyu1, JIANG Lebing1, NING Wenkai1,3, LI Zhenfeng1*, LIU Benying2*

1. School of Mechanical Engineering, Jiangsu Key Laboratory of Advanced Food Manufacturing Equipment and Technology, Jiangnan University, Wuxi 214122, China; 2. Tea Research Institute, Yunnan Academy of Agricultural Sciences, Menghai 666201, China; 3. Changzhou Table Sensing Technology Co., Ltd, Changzhou 213000, China

Tea polyphenol, amino acid and moisture contents are important indicators of tea quality. Traditional detection methods have long cycles and complex processes. In this paper, machine vision was used to monitor the color and texture of tea leaves in real time during the microwave fixation process. The moisture content was detected online and the tea polyphenol and amino acid contents were also measured. The results show that the color, texture features and moisture content, tea polyphenol, amino acid contents all showed regular changes during the fixation process and had significant correlations. The principal component analysis was used to analyze the color and texture features and the first 3 principal components were taken to establish extreme learning machine (ELM), genetic neural network (GA-BP), and convolutional neural network (CNN) models to predict the quality. The results show that ELM, GA-BP and CNN models were more suitable for the prediction of moisture, tea polyphenol and amino acid contents, respectively, and their accuracies were all above 0.99. The research results show that it is feasible to predict the moisture, tea polyphenol and amino acid contents during the fixation process by monitoring the color and texture features of tea in real time.

machine vision, microwave fixation, tea polyphenols, amino acids, moisture content, prediction model

S571.1

A

1000-369X(2021)06-854-11

2021-06-22

2021-10-14

國家自然科學基金（51508229）、江蘇省普通高校自然科學研究計劃項目（KYCX19_1862）、云南省茶學重點實驗室開放基金（2021YNCX004）

吳鑫，男，碩士研究生，主要從事茶葉加工與質量控制研究。*通信作者：1736691239@qq.com；liusuntao@126.com

（責任編輯：趙鋒）