基于感興趣區域圖像分割的紅茶茶毫品質數字化評價研究

中圖分類號：S571.1；S126文獻標識碼：A

文章編號：1000-369X（2025）04-0655-16

Digital Evaluation of Black Tea Hairs Quality Based on Region of Interest Image Segmentation

TONG Chen1， LIANG Xiuhua2，WANG Zhouli1， FAN Dongmei1，LIN Zhaoshui ³ WU Xiaomei4， QUE Yangzhan4， JIN Minli1，5*，LIN Jie1*

1.CollgeofTea SienceandTa Culture，ZhejiangAamp;FUniversity，Lin'an31130o，China;2.ShaoxingEconomicCropTechology ExtensionCenter，Shaoxing320o，China;3.ZhejiangLong'eVolcanoTeaCo.，Ltd.Taizhou376o，China;4.LishuiTchician CollegeofAgricultureandForestry，Lishui3234oo，China;5.CollegeofLandseapeArchitecture，ZhejiangAamp;FUniversity

Lin'an，China

Abstract：Tea hairsare an important indicator for evaluating the appearance qualityof black tea.Curently，the evaluation mainly relies on the sensory assessment of professionals， which is highly subjectiveand abstract，lacking objective and digital quality evaluation methods.To construct a digital evaluation method for the quality of tea hairs， this study collcted images of Qimen black tea samples with three different tea hairs quality grades.The HSVcolor image segmentation technique was used to extract the HSV color space component features of the region of interest （ROI），and a segmentation index （SI） wasconstructed toretrieve the optimal segmentation thresholds forteahairs， tea body，and shadows.The image segmentation efect was qualitativelyand quantitatively evaluated using the masking method and pixel point discrimination，and a quantification method for the proportion of tea hairs was established.The results show that the average segmentation acuracy of tea hairs，tea body，and shadow areas reached 98.70% .Furthermore， through the quantification of the proportion of tea hairs， the recommended hairs proportion thresholds for the three tea hairs quality grades of Qimen black tea（\"Prominent golden hairs”， “\"Observable hairs”，，and “Less hairs\"） were obtained.The linear regression analysis of diferent hairs gradient blended tea samples （ R²=0.958 ， Plt;0.01 ） and the generalization application effects on‘Dianhong’and‘Jinjunmei' indicate that the digital evaluation method of tea hairs quality constructed in this study has good adaptability in different hairs quantity intervals and different black tea categories.

Keywords： black tea， region of interest （ROI），tea hairs， HSV color space， image segmentation， thresholds

茶葉是世界三大飲料之一，具有獨特的風味品質和營養健康功能。茶毫，是茶樹鮮葉芽頭表面細小的茸毛[1]，毫量的多少是評判茶葉原料嫩度的指標[2]。茶毫含有豐富的功能成分（如茶氨酸），對茶葉風味品質和營養價值有著重要的影響[3]。作為紅茶、白茶等茶類的關鍵外形評價指標之一，當前茶毫品質評價主要采用感官審評和理化分析方法[4-5]。在茶葉感官審評中，常用“顯毫”“多毫”“披毫”“茸毫密布”“茸毫披覆”“茸毫遍布”等評語評價干茶茶毫，且常以毫量多作為茶葉品質佳的表現[。然而，感官評語描述較為抽象、各等級間缺乏明顯的界限劃分，且感官審評依賴于專業從業人員的個人經驗及感覺器官，不僅有較強的主觀性，也易受到環境干擾[7]；理化分析方法相對客觀，但需專業檢測設備及專業人員操作，成本較高[8]。因此，探索快速、準確的茶毫品質評價方法對于提高茶葉外形品質鑒定水平、規范茶葉等級劃分標準、控制茶葉品質檢測成本等具有重要意義。

當前，針對茶毫研究主要是對組織構成、生化成分的研究[9-10]，缺乏利用計算機視覺技術對其色澤構成等方面進行基礎研究。計算機視覺技術可以模擬人類視覺，捕獲目標對象的圖像信號和特征信息并進行分析和理解，從而實現對目標的識別和檢測[11]。因其在農產品質量評價上的高效、無損和客觀性，已廣泛應用于農產品品種分類、品質分級等方面的研究[12-13]，在茶葉外形品質評價上也有一定應用，主要聚焦于茶葉整體圖像顏色、紋理、度量特征與品質的關聯性分析[14-15]等，尚未應用于茶毫等特定感興趣區域（Regionof interest，ROI）的數字化評價研究。

茶毫附著在茶葉表面，從采集的茶葉圖像中準確分割茶毫是茶毫量計算及茶毫品質數字化評價的前提。圖像分割是圖像處理的基礎，可區分圖像中具有特定意義和一致區域的不同區域[16]。相比研究和應用廣泛的灰度圖像分割方法，彩色圖像分割技術能提取更多的圖像特征信息，能更高效地捕捉到ROI。HSV（Hue色相，Saturation飽和度，Value明度）作為當前廣泛應用的顏色空間模型之一，由H（Hue）、S（Saturation）和V（Value）3個通道分量構成，其色彩描述方式更貼合人類視覺系統（Humanvisualsystem）的色彩感知特性。基于HSV顏色空間的多通道圖像分割可實現茶葉感興區域和背景干擾的精準分割，在多茶類識別[17]、茶葉色選分級[18]、干茶色澤特征可視化[15]等研究中已得到初步應用，然而，其在茶葉外形品質客觀評價方面的研究中仍舊較少，缺乏對茶毫等特定ROI的分割與分割效果評價的研究。

本研究采集不同茶毫品質的紅茶干茶圖像，利用計算機視覺技術，提取HSV顏色空間特征，分析ROI（茶毫、茶身和陰影）的顏色通道閾值檢索規律。基于彩色圖像分割技術構建了分割指數（Segmentationindex，SI），獲取茶毫、茶身和陰影的最佳分割閾值，進一步建立紅茶毫量計算及茶毫品質數字化評價方法體系，并對方法的準確性和泛化能力進行評估。

1材料與方法

1.1圖像采集和樣品制備

1.1.1圖像采集系統

本研究自主搭建的茶葉圖像采集設備由工業相機 .MV-CA060-10GC6MP （海康威視數字技術有限公司，杭州）、環形光源、光源控制器、計算機等硬件設備組成（圖1A）。工業相機箱體大小為 50cm×45cm×32cm 有效像素為600萬，曝光時間為 8000μs ，光強設置為 600lx ，以匹配光源并確保所采集的茶圖像質量穩定可靠。由于茶樣的相互堆疊，因此獲得的圖像由三部分組成：茶毫、茶身和陰影（圖1B）。

1.1.2樣品采集和制備

祁門紅茶樣品來源于安徽省祁門茶葉交易中心，采集時間為2022年4月，樣品采用真空包裝并于 -20^°C 存放。根據安徽省祁門紅茶的地方標準（DB34/T1086—2009），將樣品根據茶毫量分為3個等級：顯毫（GH）、多毫（OH）以及少毫（LH）（圖2）。每個等級15個樣品，共45個茶樣。

利用自制圖像采集系統采集45個祁門紅茶樣品圖像，每個茶樣重復3次，共采集圖像135張，按4：1的比例構建訓練集（108張）和驗證集（27張）。用于訓練的108張祁門紅茶圖像通過Photoshop軟件（版本19.0，Adobe）進行裁剪處理，從每張圖像中分別裁剪出茶毫、茶身和陰影圖像各3張，由于各ROI形狀大小不規則，裁剪的圖像尺寸略有不同，大小在16KB以下。構建出茶毫圖像集（324張）、茶身圖像集（324張）和陰影圖像集（324張）。

從祁門紅茶茶樣中選取1個毫量最多的樣品和1個無毫的樣品，按不同的比例（ ω₀：ω₁₀1：9， 2：8， 4：6， 5：5， 6：4， 8：2， 9：1， 10：0） 進行拼配，得到9個梯度毫量水平的祁門紅茶拼配茶樣，每個茶樣重復取樣并采集圖像12次，以驗證茶毫品質數字化評價方法對于不同毫量水平茶樣的準確性和可靠性。同時，為驗證此評價方法對于其他類別紅茶的泛化性，于2022年4月采集了分別來自云南省臨滄市和福建省武夷山市的滇紅、金駿眉的不同等級茶葉樣品。根據滇紅工夫紅茶團體標準（T/CTSS38—2021）和金駿眉茶行業標準（GH/T1118—2015）的相關描述，3個毫量等級各采集1個茶葉樣品，對采集的茶葉樣品進行圖像采集，每個茶樣重復3次。

圖1茶葉圖像采集系統示意圖（A）及茶樣圖像的組成（B）

Fig.1 Schematic diagram of the collection box （A） and diagram of diferent parts of a black tea image （B）

注：A，顯毫（金毫顯露，GH）； B，多毫（茶毫可觀，OH）； C，少毫（茶毫極少，LH）。

Note：A，prominent golden hairs. B，observablehairs.C，less hairs.

圖2祁門紅茶干茶不同毫量的示意圖

Fig.2Diagram of the different amount of tea hairs of Qimen black tea

1.2圖像預處理

使用開源計算機視覺（OpenCV）中的轉換代碼將RGB圖像轉換為HSV圖像，以進行后續的圖像分割。顏色空間是1種數學模型，它將顏色信息表示為3個或4個不同的顏色分量[19]。相較于RGB這一基礎且廣泛使用的空間，HSV描述彩色圖像更接近人類的視覺感知，且比其他顏色空間如RGB和 L^*a^*b^* 更便于進行顏色比較[20-21]。進一步生成茶樣3個組成部分（茶毫、茶身和陰影）的顏色直方圖，并基于3個通道分量進行計算，用于每個組成部分顏色分布的可視化，以找出茶毫、茶身和陰影的像素占比和分布特征。

1.3圖像分割

在獲取圖像HSV顏色空間各通道的直方圖后，對圖像進行閾值分割。一般來說，直方圖閾值法假設背景和ROI像素有一些平均值，實際像素值圍繞這些平均值會發生變化，并且圖像直方圖可能沒有明確定義的谷值點，難以選擇一個準確的分割閾值。因此，為了找到谷值點并確定最優的分割閾值，本研究構建分割指數（SI）作為選擇標準。

式中， LR_ROI 為目標區域內被錯誤分類為背景的像素比例，而 ER_??? 指的是背景區域內被錯誤分類為目標的像素比例。S指數是結合直方圖目標區域的損失率和背景區域的排除率，是一個相對平衡的評估指數。通過窮舉法檢索得到使SI值最小的H、S、V3個通道閾值范圍組合，基于此閾值范圍組合的目標區域圖像分割，其像素損失、背景排除率整體最小。

1.4分割效果評估

1.4.1掩膜定性評估

從驗證集中選取顯毫、多毫、少毫3個毫量品質的祁門紅茶圖像各1張，對茶毫、茶身和陰影進行掩膜。掩膜后，各分割區域都能被清晰觀察，可直接與原始圖像中的相應區域進行比較，準確地發現分割過程中存在的問題。掩膜后，請多位茶葉審評專家對茶毫分割效果進行評估。

1.4.2像素定量評價

進一步利用像素判別效果進行分割方法的量化評價，利用OpenCV選點代碼從驗證集的茶毫、茶身和陰影圖像集中每張圖像分別隨機選取像素點20個，共540個像素點，獲得每個像素點對應的H、S和V值。利用獲得的最佳分割閾值對這540個像素點進行判別，統計正確分類的像素點在參考像素總數中的占比，獲得茶毫、茶身和陰影的像素點區分準確率。以像素精度（Pixelaccuracy，PA）指數來評價分割性能（公式2）[22]。

其中， P_A 標識像素精度指數， k 表示前景目標的類別數，共有 （k+1） 個類別（含目標和背景）； i ， j 均表示類別號； P_ii 表示分類正確的像素； P_ij 表示參考像素總數。

1.5茶毫比例計算

紅茶的外形品質評價，通常是取一定量的茶樣（如 50g ），搖盤、鋪放后進行評價。然而，這樣的樣本往往包含數千片茶葉，茶葉間相互重疊、遮擋，形成堆疊陰影，使得肉眼感知的紅茶外形畫面變得復雜，這一畫面由茶毫（若存在）、茶身以及堆疊陰影共同構成，導致準確評估變得困難[23]。利用HSV顏色空間與人類肉眼對顏色的感知高度一致這一特性來區分紅茶圖像中的茶毫、茶身和陰影。圖像中茶毫、茶身和陰影區域的總像素值進行分別統計，可以較準確地計算出紅茶的茶毫比例，進而實現茶毫品質的客觀、量化評價。綜合考慮紅茶干茶圖像中茶毫、茶身和堆疊陰影的特點，本研究構建了紅茶茶毫比例計算方法，計算公式如下：

R_T=P_Tt+P_Tb……………………………

式（3）為茶毫比例計算公式，其中 R_Tt 表示茶毫的比例， P_Tt 表示茶毫的像素比例，P_T 表示茶葉的像素比例， P_S 表示陰影的像素比例。式（4）表示茶葉的像素比例計算公式，其中 P_Tb 表示茶身的像素比例。

2結果與討論

2.1祁門紅茶顏色分布及圖像特征提取

從茶毫、茶身和陰影的圖像集中隨機選取100張進行拼接（圖3A），以直觀地展現祁門紅茶茶毫、茶身和陰影的顏色差異。主觀視覺感知下，茶毫以橙黃色為主（描述為金毫）、略帶灰黑色，茶身以灰黑色為主，陰影則幾乎全部為黑色。采用計算機視覺技術可實現ROI區域顏色構成的客觀化、數字化分析。基于HSV顏色空間的顏色比例構成分析（圖3B）表明，祁門紅茶樣的茶毫主要由橙色（ 57.33% ）和黃色（ 41.75% ）組成，帶少量灰色（推測為混淆的茶身帶來）；茶身主體為灰色 （89.63%） ）帶少量黑色（ 2.99% ），陰影部分則幾乎全部由黑色（ 99.95% ）構成。主觀視覺感知和顏色比例分析都表明，祁門紅茶的茶毫、茶身和陰影在顏色構成方面存在明顯差異，因此，基于顏色特征進行圖像分割具有較大的可行性。

進一步提取并分析ROI區域的3個通道的顏色空間特征信息，并以顏色分量直方圖的形式進行可視化（如圖4）。顏色空間直方圖的橫坐標和縱坐標分別表示顏色分量值和該分量的像素比例，揭示了茶毫、茶身和陰影分別在3個通道的像素分布特征，并提供了H通道181個分量、S通道256個分量、V通道256個分量的多維度的大數據信息。顏色空間直方圖顯示，在單個顏色通道上，茶毫、茶身和陰影仍可能存在一定的像素重疊，如茶身和陰影在H[90，120]、S[5，50]范圍內，茶毫與陰影在H[20，30]、S[50，100]范圍內存在明顯重疊，但3個顏色通道不存在同時重疊的現象，為茶毫、茶身和陰影的彩色圖像分割提供了依據。

過往關于紅茶干茶色澤的研究主要是對整體色澤的分析，在通過色差儀評定干茶色澤的研究中將紅茶干茶色類分為烏黑、烏黑帶毫、烏黑有毫、烏黑多金毫、烏褐顯金毫、金黃，缺乏對茶毫、茶身分別進行色澤研究[24]，在利用計算機視覺使用量化的HSV顏色直方圖法提取指標對干茶色澤進行數據分析的研究中，HSV顏色空間各通道分量的數值未被充分利用，也缺少對整體干茶顏色構成及茶毫、茶身局部的色澤分析[25]。本研究通過量化HSV顏色空間各通道中像素比率展現出茶毫、茶身和陰影顏色分布差異，得到祁門紅茶茶毫、茶身和堆疊陰影的構成特點。其中，紅茶茶毫的金色主要由橙色和黃色共同構成，干茶除去茶毫外則以灰色為主，干茶具有黑色的視覺感知印象，推測可能是由茶片之間的堆疊陰影（黑色）造成。此外，本研究充分利用HSV顏色空間各通道分量的數值，實現了多通道、多維度（共693維）的特征信息采集和茶毫、茶身特定ROI顏色構成的準確測算，為紅茶外形色澤的數字化評價提供數據支撐。

2.2最佳分割閾值檢索

為了實現茶毫、茶身和陰影區域的準確圖像分割，本研究在獲取H、S、V3個通道、多維度的顏色特征信息的基礎上，進一步檢索ROI（茶毫、茶身和陰影）的彩色圖像分割閥值。通過遍歷H/S/V中3個顏色通道所有1186萬個顏色分量組合的圖像分割結果，檢索得到最佳分割閾值組合。利用圖像直方圖選擇分割閾值的關鍵是確定峰點和谷點。由于不同ROI在不同通道的分布范圍不同（圖4），在H通道，茶毫更易從茶身和陰影中分割出來，而在V通道下，茶身和陰影更易分割，因此在相應通道下對3個ROI進行最佳分割閾值檢索。結果表明，茶毫最佳分割閾值為H[20，28]，在此閾值下， 97.2% 的陰影和 98.87% 的茶身被排除在外，僅 3.2% 的茶毫區域未被準確分割；在V注：A，祁門紅茶茶毫、茶身和陰影的拼接圖；B，祁門紅茶茶毫、茶身和陰影的顏色比例。Note：A，Jigsawpuzzleofteahairs，teabodyandshadeofQimenblacktea.B，thecolorratiooftea hairs，teabodyand shadow ofQimenblack tea.

圖3祁門紅茶茶毫、茶身和陰影顏色的分布統計

Fig. 3 Distribution statistics of tea hairs，tea body and shadow color of Qimen black tea通道下進行閾值檢索，茶身和陰影的分割閾值分別為V[41，106]和V[0，38]（圖5A～5C）。

圖4茶毫、茶身和陰影的像素比率與HSV各通道值的直方圖

Fig.4Histogram of pixel ratio versus H/S/V value of tea hairs，tea body and shadow

表1列出了3個目標區域的最終分割結果及各目標區域的損失率和背景排除率。其中，H[20，28]、S[33，255]和V[78，255]是茶毫區域在各通道的分割閾值，分割指數（SI）為0.018。在該分割條件下， 100% 的陰影和 99.77% 的茶身被精確排除，僅 1.62% 的茶毫未被準確分割。在茶身區域的分割結果中，H[30，180]、S[0，83]和V[41，106]被選為分割閾值，SI值為0.048。在此條件下，有 4.54% 的茶身丟失，但99.92% 的陰影和 99.77% 的茶毫被正確排除。在陰影區域的分割結果中，H[0，180]、S[0，255]和V0，38]被選為分割閾值，該分割方法下SI值為0.010，僅 0.26% 的陰影被錯誤地分類為背景， 99.22% 的茶身和 100% 的茶毫被準確排除。

傳統的閾值分割法通常僅考慮像素的灰度信息，容易忽略像素的其他信息，如視覺信息、空間信息等[26]，而彩色圖像分割技術能提取更多的圖像特征信息。目前，基于顏色特征的閾值分割方法在農業、食品質量、茶葉等領域已得到初步應用，在茶葉外形品質評價上的相關研究仍舊較少。在茶類識別的系統研究中，采用全局閾值分割方法對茶樹鮮葉圖像中的目標進行分割，通過將整個圖像分為目標和背景兩個部分來實現圖像的分割，雖然計算量較小，運算簡單，但是無法滿足復雜情況下的圖像分割[27]；在對茶樹芽葉采摘點的研究中，使用采用H-S手動閾值圖像分割法尋找合適表1祁門紅茶茶毫、茶身及堆疊陰影圖像的多通道分割閾值及分割效果的手動分割閾值提取出芽葉主體輪廓，能夠有效克服自然光照的影響，將芽葉主體輪廓從背景中完整分割，但會不可避免地產生白噪聲區域，仍需對分割后的圖像進一步處理[28]。本研究提出的閾值分割方法無需通過人工經驗的方法選擇合適的閾值，而是基于HSV顏色空間三通道，引入目標區域損失率和排除率，構建了更加平衡的分割指數進行最佳分割閾值檢索。通過遍歷1186萬個顏色分量組合的圖像分割結果，運算簡單，僅需要少量的時間即可完成遍歷檢索，得到最佳而非相對較優的分割閾值組合，可同時實現茶毫、茶身和陰影多個區域的復雜分割，無需對分割后的圖像做進一步處理。通過最佳分割閾值檢索確定分割閾值，進一步對各個ROI進行圖像分割的結果表明，陰影區域的分割效果最好，僅通過V通道即可達到較好的圖像分割效果；茶身的分割效果相對較差，這可能是由于部分茶身顏色空間特征非常接近陰影，導致分割錯誤；最感興趣的茶毫區域圖像分割效果較滿意，僅有 1.62% 的茶毫信息未被準確分割。

圖5茶身、茶毫和陰影的HSV直方圖與閾值檢索

Fig.5HSVhistogramand threshold valueof teabody，teahairs，and shadow

Table1Multi-channel segmentationthresholdand segmentation effect of tea hairs，tea bodyand stacked shadow images of Qimen black tea

2.3分割效果評估

在檢索得到最佳圖像分割HSV閾值后，利用掩膜法和像素評價法分別對茶毫、茶身、陰影三部分的圖像分割效果進行定性和定量評估。從驗證集隨機選取3種不同毫量等級（顯毫、多毫以及少毫）的祁門紅茶圖像各1張，并以檢索得到的最佳圖像分割HSV閾值生成3個目標區域的掩膜圖像（圖6）。掩膜圖像定性評估表明，基于HSV顏色空間的祁門紅茶圖像分割方法對不同毫量等級、不同目標區域的圖像分割都達到了滿意效果，大多數目標區域都得到了正確及精細的圖像分割。在茶毫量稀少的圖像中也能準確地分割出茶毫區域，在交疊的茶葉中也能準確地分割出不同的目標區域（茶毫、茶身和陰影），表明本研究圖像分割算法具有良好的適應性和魯棒性。

進一步利用像素評價法進行圖像分割方法的量化評價，以檢索得到的最佳圖像分割HSV閾值對540個像素點進行判別，得到茶毫、茶身和陰影的像素點判別準確率，以驗證最佳分割閾值的分割效果（表2）。結果表明，茶毫、茶身和陰影的準確率（PAs）分別為97.04% 、 99.44% 和 99.63% ，說明本研究的圖像分割算法對祁門紅茶茶毫、茶身和陰影區域具有良好分割效果。茶毫的判別準確率略低于茶身和陰影，這可能是因為低等級祁門紅茶中茶毫量相對較少，無法獲得精細的像素點，在像素點提取過程中產生了一定的誤差。

圖6不同茶毫品質祁門紅茶的茶毫、茶身和陰影的HSV掩膜圖

Fig. 6 HSV-mask diagram of tea hairs， tea body and shadow of Qimen back tea with diferent tea hairs quality

表2茶身、茶毫、陰影的像素點判別準確率

Table2Pixel accuracy of teabody，tea hairsand shadow

圖像分割效果通常使用掩膜法、像素法等方法進行評估。掩膜法可以給出一張圖像中某個特定類的所在區域，能夠提取出ROI，直觀地體現圖像分割細節，廣泛應用于各個領域的圖像分割效果研究[29]。近年來，像素法也開始應用于茶類識別、茶葉采摘等茶葉領域圖像分割的效果評估，如在茶葉病害分類識別研究中提出的高精度的茶葉圖像分割方法像素準確率為 94.24%^[30] ，在名優茶采摘點的精確分割的研究中，茶葉嫩芽數據集的平均像素準確率為 97.25%^[31] 。本研究對3個ROI的分割效果進行的評估結果表明，祁門紅茶3個目標區域的掩膜圖像展現了清晰的分割效果，與實際觀測基本一致，平均像素準確率也達到了98.70% ，準確率優于當前茶葉相關研究的圖像分割效果[30]，在食品、農產品的圖像分割研究中也達到較高水平[32-33]。

2.4祁門紅茶茶毫品質數字化客觀評價策略

2.4.1茶毫比例計算

在實現目標區域（茶毫、茶身和陰影）的準確圖像分割后，扣除陰影面積，即可測算祁門紅茶干茶中的茶毫比例。基于茶毫、茶身和陰影的最佳分割閾值，計算出3個不同毫量等級祁門紅茶樣品的茶毫比例，其中顯毫、多毫、少毫茶樣的茶毫比例分別為 25.25% 、 11.85% 和 1.17% （表3），毫量大小與其毫量等級排序一致。此外，利用分割閾值，可生成精確的茶毫掩膜圖像。

茶毫品質評價通常以審評術語描述不同毫量等級，難以量化，如在工夫紅茶現行標準中以“略有毫”“稍有毫”“有金毫”“多金毫”“金毫顯露”描述大葉種工夫紅茶毫量等級，以“有鋒苗”“多鋒苗”來描述中小葉種工夫紅茶毫量等級[34]，在祁門工夫紅茶現行標準中則以“金毫顯露”“露毫”“顯鋒苗”“有鋒苗”來描述不同毫量等級[35]，各個感官審評評語界限劃分模糊，評語抽象、主觀性強，易造成混淆。本研究基于茶毫、茶身和陰影的準確圖像分割，通過茶毫比例計算得到祁門紅茶樣品對應的茶毫比例具體數值，將毫量相關評語以具體數值量化，解決了評語之間界限劃分的難題，可為下一步明確祁門紅茶茶毫毫量等級的界限劃分提供數據支撐。

2.4.2祁門紅茶茶毫等級推薦毫量區間

在實現祁門紅茶茶毫比例定量測算的基礎上，通過計算3個茶毫品質等級共45個茶樣的茶毫比例，進一步估算3個祁門紅茶茶毫品質等級（“顯毫”“多毫”和“少毫”）的毫量比例推薦閾值區間（表4）。其中“顯毫”“多毫”和“少毫”的推薦閾值區間分別為gt;14.78%～100% 、 gt;6.05%～14.7% 和 0%～6.05% 基于推薦閾值區間的茶毫品質等級判別正確率整體達到 91.11% （41/45）。其中，茶毫比例 lt;6.05% 時，茶毫等級為“少毫”，判別正確率為 100% ；“多毫”對應的茶毫比例為 gt;6.05%～

14.78% ，判別正確率同樣達到 100% ；“顯毫”等級對應的茶毫比例大于 14.78% ，判別正確率為 73.33% ，多數顯毫茶樣仍然能得到正確判斷。在茶毫比例準確估算的基礎上，本研究首次得到了不同茶毫品質等級的茶毫比例閾值范圍，為實現紅茶茶毫品質等級的數字化評價和茶毫品質評語的客觀化輸出提供了基礎。

Table 3 Calculation of the tea hairs ratio in different tea hairs quality ofQimen black tea

表3不同茶毫品質的祁門紅茶中茶毫比例的計算

表4祁門紅茶茶毫品質評級標準

以感官審評對茶毫進行品質評價的方法，依賴于主觀評價和專家經驗，在實操中不同年份、不同場地、不同專家的茶樣毫量評價結果都可能造成評語的不一致，尤其是毫量介于兩個評語之間的茶樣，往往難以界定[36]。各研究中用于描述不同毫量的評語等級數量設置不一致，評語等級數量越多，越難保證對茶毫品質評價的真實性和準確性。在紅茶色澤分類的研究中，以“帶毫”“有毫”“多金毫”“顯金毫”4個評語劃分毫量等級[24]；在紅茶品質特征的研究中，則以“帶毫”“有毫”“毫尚顯”“金毫稍顯”“金毫較顯”“金毫顯”6個評語來說明干茶毫量的多少[37]。本研究根據茶毫比例計算的準確數值得出3個不同毫量等級，準確地推薦毫量區間，可實現不同空間、不同時間茶樣茶毫品質評語的標準化、數字化準確輸出，并輔以準確的毫量比例值供參考。在判別正確率上，由于受限于樣本量，本研究估算的茶毫品質等級的毫量比例推薦閾值仍然不夠精準，未來可通過采集更多批次、不同茶毫品質等級的祁門紅茶樣本來估算更加準確的推薦閾值。此外，其他紅茶類別的茶毫品質評語同樣也可借鑒本研究的方法對評語對應的茶毫比例閾值范圍進行測算，以實現更多紅茶茶毫品質評語的客觀化。

2.4.3茶毫比例計算方法的適應性評估

在構建茶毫比例測算方法的基礎上，進一步利用“顯毫”與“無毫”茶樣拼配得到9個不同毫量梯度（各12個重復）的祁門紅茶樣，對茶毫比例計算方法在不同毫量區間的適應性進行評價。以“顯毫”茶樣拼配比例為自變量，估測茶毫比例為響應量，進行線性回歸分析，如圖7所示。結果表明，本研究所構建的祁門紅茶茶毫比例計算方法所得的茶毫比例評估值與拼配比例間呈極顯著的線性回歸關系（ R²=0.958 ， Plt;0.01 ），表明本研究構建的茶毫比例計算方法在不同毫量區間整體上表現出較好的適應性。

圖7基于茶毫比例算法的茶毫比例評估值與實際茶毫比例的線性回歸圖 Fig. 7 Linear regressions of tea hairs ratio and blending ratio of three types of Qimen black tea

拼配工藝應用廣泛，旨在通過調節茶樣中各原料茶的比例，調和茶樣整體品質，使茶葉外形和內質方面符合標準[38]。紅茶毫量的多少與茶葉品質密切相關，本研究通過拼配調整茶葉樣品的茶毫比例，構建出9個等間隔梯度的毫量比例的茶葉樣品，有利于實現茶毫比例計算方法的適應性評估驗證，在未來可應用于任一祁門紅茶樣品的毫量評估及品質評價。通過定性觀測不同拼配比例的表現發現，盡管0% 和 80% 拼配比例存在少量的偏差，但多數拼配比例的茶毫比例評估值都能準確地落在回歸直線上，表明本研究所構建的祁門紅茶茶毫比例計算方法在高毫量、中毫量和低毫量區間都能保持較好的穩定性。不足的是，本研究通過拼配對茶毫比例計算方法在不同毫量區間的適應性評價僅針對祁門紅茶，由于產區不同，茶樹品種不同，不同類別的紅茶毫量等級區間設置應有所不同，本研究基于拼配技術構建的適應性評估方法在不同類別紅茶上的表現有待進一步研究。

2.5茶毫品質數字化評價方法的泛化效果

由于茶毫是大部分名優紅茶的重要外形品質特征[39]，為進一步驗證本研究中所構建的基于ROI的茶毫品質數字化評價方法的泛化效果，以滇紅、金駿眉兩種名優紅茶進行了泛化驗證。分別選取兩種紅茶各3個茶毫品質等級的茶樣，利用掩膜法可視化茶毫區域的圖像分割效果，并進行了毫量比例的測算，如圖8所示。結果表明，本研究所構建的茶毫品質數字化評價方法在滇紅和金駿眉的茶毫圖像分割方面同樣表現出色，并可實現不同茶毫品質等級的茶毫比例量化計算。本研究構建的基于ROI的祁門紅茶茶毫品質數字化評價方法，在其他紅茶類別（如滇紅和金駿眉）上也具備不錯的泛化效果，在紅茶外形品質的數字化評價上具備一定的實用性。

當前在茶葉數字化評價領域的泛化驗證主要是對基于同一茶類構建的不同模型的驗證[38，40]，針對不同茶葉類別的同一評價方法或模型的泛化驗證較少，少數研究以不同茶樹品種的鮮葉對模型進行泛化驗證，如在工夫紅茶萎凋機水分在線感知系統的研究中，以不同嫩度的‘福鼎大白茶’鮮葉原料為研究對象，構建了水分含量智能感知模型，又以‘金觀音’為試驗原料，對所建立的最優模型算法進行了泛化驗證。本研究以祁門紅茶為研究對象，先聚焦于這一單類紅茶的茶毫品質數字化評價研究，達到了較好的評價結果。進一步將此評價方法進行泛化驗證，觀測到顯毫的滇紅、金駿眉樣品，茶毫比例高達 80% 以上，遠高于祁門紅茶，推測茶毫的密度、長度與茶樹品種、葉序、葉位密切相關[1，41]，導致不同類別紅茶的茶毫品質等級對應的茶毫比例相差較大（如祁門紅茶的毫量明顯少于滇紅）。因此更多茶類的加入，將增加數據復雜性，后續可采集更多紅茶類別、不同茶毫品質等級的茶樣，對其茶毫品質等級的比例范圍進行劃分，使方法和模型的泛化性得到改良，最終達到更好的應用效果。

圖8滇紅和金駿眉不同茶毫品質的圖像分割和茶毫比例

Fig.8 Image segmentation and tea hairsratio for different tea hairs quality ofDianhong and Jinjunmei

3結論

本研究首次開展了紅茶茶毫品質等級的數字化評價研究，構建了祁門紅茶的ROI（茶毫、茶身和陰影）的HSV彩色圖像閾值分割法，進而實現茶毫比例量化計算及茶毫品質等級的數字化評價。在對祁門紅茶的ROI的顏色構成分析中發現，祁門紅茶茶毫主要由橙色（ 57.33% ）和黃色（ 41.75% ）組成，帶少量灰色，茶身主體為灰色（ 89.63% ）、帶少量黑色（ 2.99% ），陰影部分則幾乎全部由黑色（ 99.95% ）構成。本研究構建了分割指數作為閾值分割指標，準確地從1186萬個顏色分量組合中檢索得到茶毫、茶身和陰影的最佳圖像分割閾值。通過掩膜定性評估和像素定量評價，對ROI的圖像分割效果進行了定性和定量評價，不同毫量等級、不同目標區域的圖像分割都達到了滿意效果，大多數目標區域都得到了正確及精細的圖像分割；茶毫、茶身和陰影的準確率（PAs）分別為 97.04% 、 99.44% 和99.63% ，說明本研究的圖像分割算法對祁門紅茶茶毫、茶身和陰影區域具有良好分割效果。

在實現ROI的準確圖像分割后，進而構建了祁門紅茶干茶茶毫比例的測算方法。通過計算3個茶毫品質等級共45個茶樣的茶毫比例，進一步估算3個祁門紅茶茶毫品質等級（“顯毫”“多毫”和“少毫”）的毫量比例推薦閾值區間（表4），基于推薦閾值區間的茶毫品質等級判別正確率整體達到 91.11% （41/45）。通過9個不同毫量梯度拼配茶樣的線性回歸驗證（ R² 為0.958， Plt;0.01 ），表明本研究構建的茶毫比例計算方法在不同毫量區間整體上表現出較好的適應性。本研究構建的基于ROI的祁門紅茶茶毫品質數字化評價方法，在其他紅茶類別（如滇紅和金駿眉）上也具備不錯的泛化效果，在紅茶外形品質的數字化評價上具備一定的實用性。為進一步完善和提高研究的深度和廣度，未來還可建立公共的、標準化的紅茶茶毫圖像數據庫，采集更多品種、更多生產條件下的紅茶茶毫圖像，解決目前缺乏大數據的、多品種的紅茶茶毫公共數據庫的問題。此外，計算機視覺技術等新興技術發展迅猛，未來可進一步嘗試運用更多的顏色空間、分割方法或融合多種技術來提高茶毫圖像分割的準確性和效率。除了顏色特征外，還可以針對茶毫的紋理特征、形狀和分布情況等進行深入研究，以更全面地解析紅茶茶毫的品質特征，為茶葉品質提供更準確的數字化評價方法。

參考文獻

[1]郭元超．茶樹茸毛的形態特征與演化特點[J]．茶葉科學簡 報，1993（3）： 1-4. GuoYC.The morphological characteristics and evolution characteristics of tea tree trichomes [J].Chaye Kexue Jianbao，1993（3）：1-4.

[2]CaoHL，LiJM，YeYJ，et al. Integrative transcriptomic and metabolic analyses provide insights into the role of trichomes in tea plant （Camellia Sinensis）[J].Biomolecules， 2020，10（2）： 311. doi：10.3390/biom10020311.

[3]LiPH，XuYJ，ZhangYR，etal.Metabolite profiling and transcriptome analysis revealed the chemical contributions of tea trichomes to tea flavors and tea plant defenses [J]. Journal of Agricultural and Food Chemistry， 2020， 68（41）： 11389-11401.

[4]張明露，雷睿勇，鄧春梅．茶毫對茶葉品質的影響分析 [J].貴茶，2023（1）：28-31. ZhangML，LeiRY，DengCM.Analysis oftheinfluence of Tea Hairs on the quality of tea [J].Journal of Guizhou Tea， 2023（1）： 28-31.

[5]王舒婷，曲鳳鳳，張新富，等.基于電子鼻技術的白茶毫 香研究[J].青島農業大學學報（自然科學版），2020，37（4）： 258-263. Wang ST，QuFF，ZhangXF，et al. Study on the fragrance of white tea hairs based on electronic nose technology [J]. Journal of Qingdao Agricultural University （Natural Science），2020，37（4）：258-263.

[6]中華人民共和國國家質量監督檢驗檢疫總局、中國國家標 準化管理委員會．茶葉感官審評術語：GB/T14487— 2017[S].北京：中國標準出版社，2017. General Administration of Quality Supervision， Inspection and Quarantine of the People's Republic of China （AQSIQ）， Standardization Administration of China （SAC）.Tea vocabulary for sensory evaluation： GB/T 14487—2017 [S]. Beijing：China Standard Press， 2015.

[7]Zhu H K，YeY， He H F， et al.Evaluation of green tea sensory quality via process characteristicsand image information [J].Food and Bioproducts Processing，2017， 102： 116-222.

[8]Galmarini M V.The role of sensory science in the evaluation of food pairing [J].Current Opinion in Food Science，2020， 33：149-155.

[9]胡夢芹．茶毫發育調控的分子基礎研究[D].長沙：湖南 農業大學，2021. Hu M Q. Studies on molecular basis of the regulation of trichome formation in tea plant （Camellia sinensis L.） [D]. Changsha： Hunan Agricultural University， 2021.

[10]宋亞康，張群峰，張潔，等．茶毫氨基酸組成及礦質元素 分析[J]．茶葉科學，2017，37（4）：339-346. Song Y K，ZhangQF， Zhang J， et al. Study on amino acids composition and mineral elements of tea hairs [J]. Journal of Tea Science，2017，37（4）：339-346.

[11] Morrs T. Computer vision and image processing [J]. ISPRS Journal of Photogrammetry and Remote Sensing，1992， 48（2）： 24-25.

[12] Borianne P， Sarron J，Borne F， etal.Deep mango cultivars： cultivar detection by classification method with maximum misidentification rate estimation [J].Precision Agriculture， 2023， 24（4）： 1619-1637.

[13]Hou LX，Liu ZY，YouJX，etal.Tomato sortingsystem based on machine vision [J].Electronics，2024，13（11）： 2114.doi： 10.3390/electronics13112114.

[14] Gill G S， Kumar A， Agarwal R. Monitoring and grading of tea by computer vision：a review [J].Journal of Food Engineering，2011，106（1）：13-19.

[15]邱曉瑩，曹思宇，陳昊東，等．黃金芽與群體種制成條形、 螺形紅茶的顏色空間數字化分析[J].浙江農業科學， 2024， 65（6）： 1445-1450. QiuXY，CaoSY，ChenHD，etal.Digitalanalysisof the color space of strip and spiral-shaped black tea made from Huangjinya and population resources [J].Journalof Zhejiang Agricultural Sciences， 2024， 65（6）： 1445-1450.

[16] Pal N R，Pal SK.A review on image segmentation techniques [J].Pattern Recognit，1993，26（9）： 1277-1294.

[17] 章展熠，張寶荃，王周立，等．多茶類CNN圖像識別的數 據增強優化及類激活映射量化評價[I]茶葉科學2023 43（3）： 411-423. Zhang Z Y， Zhang B Q，Wang Z L， et al. Data enhancement optimization and class activation mapping quantitative evaluation for cnn image recognition of multiple tea categorie[J].Journal of Tea Science，2023，43（3）： 411-423.

[18]甘密，汪飛，沈強，等．基于圖像處理的茶葉識別方法研 究[J].貴茶，2022（2）：28-32. Gan M，WangF，Shen Q，et al.Research on tea recognition method based on image processing [J]. Journal of Guizhou Tea，2022（2）： 28-32.

[19]DingL， Zhang Y P，Zhang XY， et al. A survey of image segmentation techniques and performance evaluation [J]. Computer Engineering and Software，2010，31（12）：78-83.

[20] Chen W，Shi YQ， Xuan GR.Identifying computer graphics using HSV color model and statistical moments of characteristic functions [C]//IEEE.Proceedings of the IEEE International Conference on Multimedia and Expo，2007： 1123-1126.

[21] Zhao B J，Wei D， Sun W Z，et al.Research on tea bud identification technologybasedon HSI/HsVcolor transformation [C]/IEEE. Proceedings of the International ConferenceonInformationScienceandControl Engineering，2019：511-515.

[22] Shelhamer E，Long J，Darrell T.Fully convolutional networks for semantic segmentation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（4）： 640-651.

[23]熊俊濤，卜榕彬，郭文韜，等．自然光照條件下采摘機器 人果實識別的表面陰影去除方法[J]．農業工程學報， 2018，34（22）： 147-154. XiongJT，BuRB，Guo W T，et al.Shadow removal method offruits recognized by picking robot under natural environment [J].Nongye Gongcheng Xuebao/Transactions of the Chinese Society of Agricultural Engineering，2018， 34（22）： 147-154.

[24]周兵，譚卓昆，段紅星，等．基于GA-BP算法的紅茶色澤 分類研究[J]．福建茶葉，2022，44（2）：15-17. Zhou B，Tan Z K，Duan H X，et al.Study on color classification of black tea based on GA-BP algorithm [J] Tea in Fujian，2022，44（2）：15-17.

[25]金美霞，陳曉陽，王霆，等．木禾種紅茶不同工藝色澤品 質的多維度比較[J].浙江農業科學，2021，62（8）： 1603-1607. Jin M X，Chen X Y，Wang T，et al. Multi-dimensional comparative study on color quality of‘Muhezhong’black tea produced by diffrent processes [J]. Journal of Zhejiang Agricultural Sciences，2021，62（8）：1603-1607.

[26]馮云叢．基于信息融合的醫學圖像閾值分割及評價方法 研究[D].長春：吉林大學，2017. FengY C. Research onmedical image threshold segmentation and evaluation methods based on information fusion[D]. Changchun： Jilin University，2017.

[27]楊會芳．基于計算機視覺的鮮茶葉識別與分類系統研究 [D]．重慶：重慶三峽學院，2024. Yang H F. Research on fresh tea leaf recognition and classification system based on computer vision [D]. Chongqing： Chongqing Three Gorges University， 2024

[28]張昆明．基于YOLOv4的自然環境下猴魁茶樹芽葉采摘點 的三維定位[D].合肥：安徽農業大學，2022. Zhang K M. Three-Dimensional localization of Monkey King Tea shoot picking points in natural environment based on YOLOv4 [D]. Hefei： Anhui Agricultural University， 2022.

[29]鄭明君.基于機器學習的雪茄煙草種植數字化關鍵技術 研究[D].泰安：山東農業大學，2024. Zheng M J. Research on digital key technologies for cigar tobacco cultivation based on machine learning [D]. Tai'an： Shandong Agricultural University，2024.

[30] Zhang L， ZouL， Wu C Y， et al. Method of famous tea sprout identification and segmentation based on improved watershed algorithm[J]. Computers and Electronics in Agriculture，2021， 184（1）：106108. doi： 10.1016/j.compag.2021.106108.

[31]胡程喜，譚立新，王文胤，等．基于改進DeepLabV3+的輕 量化茶葉嫩芽采摘點識別模型[J].智慧農業（中英文）， 2024，6（5）： 119-127. HuCX，TanL X，WangWY，et al.Lightweight tea bud picking point recognition model based on improved DeepLabV3 + [J].Smart Agriculture， 2024，6（5）：119-127.

[32] Zou K， Ge L， Zhou H， et al. An apple image segmentation method based on a color index obtained by a genetic algorithm [J].Multimedia Toolsand Applications，2022， 81（6）： 8139-8153.

[33]周任虎，席家新，丁以紓，等．基于K-means聚類算法的 烘烤煙葉圖像分割研究[J].安徽農業科學，2024，52（19）： 232-237. Zhou R H， Xi J X， Ding Y S， et al. Research on image segmentation of flue-cured tobacco leaf based on K-means clustering algorithm [J].Journal of Anhui Agricultural Sciences，2024，52（19）：232-237.

[34]中華人民共和國國家質量監督檢驗檢疫總局、中國國家標 準化管理委員會．紅茶第2部分：工夫紅茶：GB/T 13738.2—2017[S].北京：中國標準出版社，2017. General Administration of Quality Supervision， Inspection and Quarantine of the People's Republic of China （AQSIQ）， Standardization Administration of China （SAC）.Black tea—Part 2：Congou black tea：GB/T 13738.2—2017 [S]. Beijing： China Standard Pres，2017.

[35]中華全國供銷合作總社．祁門工夫紅茶：GH/T 1178- 2019[S].北京：中國標準出版社，2019. All ChinaFederationofSupplyand Marketing Cooperatives.KEEMUN Congou Black tea：GH/T1178— 2019[S].Beijing：China Standard Press，2019.

[36] Zhu H，YeY， He H，et al.Evaluation of green tea sensory quality via process characteristics and image information [J].Food and Bioproducts Processing，2017，102：116-222.

[37]李晶．福建紅茶品質特征研究與綜合評價[D]．福州：福 建農林大學，2023. Li J. Research and comprehensive evaluation of quality characteristics of Fujian black tea [D].Fuzhou ∵ Fujian Agriculture and Forestry University， 2023.

[38]趙磊．茶葉拼配過程中的若干機器學習方法研究[D].合 肥：安徽農業大學，2023. Zhao L.Research on several machine learning methods in the process of tea blending [D]. Hefei： Anhui Agricultural University， 2023.

[39]孫彬妹，劉少群，劉任堅，等．茶樹茸毛的研究進展[J]. 茶葉通訊，2018，45（4）：3-6. Sun B M，Liu SQ，Liu R J，et al.Research progressof tea tree hairs [J].Journal of Tea Communication，2018，45（4）： 3-6.

[40]圣陽．基于紅外光譜和拉曼光譜技術的茶葉品質研究[D]. 南京：南京林業大學，2022. Sheng Y. Research on tea quality based on infrared and ramanspectroscopy techniques [D]. Nanjing：Nanjing Forestry University，2022.

[41]尹鵬，劉威，王廣銘，等．茶樹芽葉茸毛及茶毫研究進展 [J]．河南農業，2016（27）：44-46. Yin P，Liu W，WangG M， et al.Research progress of tea bud leaf hair and tea hair [J]. Agriculture of Henan， 2016（27）： AAA6