茶葉茶梗的計(jì)算機(jī)在線(xiàn)識(shí)別技術(shù)及其應(yīng)用

黃留鎖，宋　艷（河南教育學(xué)院，河南鄭州 450046）

?

茶葉茶梗的計(jì)算機(jī)在線(xiàn)識(shí)別技術(shù)及其應(yīng)用

黃留鎖，宋艷
（河南教育學(xué)院，河南鄭州 450046）

本文重點(diǎn)介紹茶葉茶梗的計(jì)算機(jī)在線(xiàn)識(shí)別技術(shù)以及在整個(gè)系統(tǒng)中的應(yīng)用，首先通過(guò)對(duì)茶葉茶梗的在線(xiàn)識(shí)別技術(shù)RGB顏色模型、最小錯(cuò)誤率的貝葉斯決策模型的詳細(xì)介紹，從而為茶葉茶梗的計(jì)算機(jī)在線(xiàn)識(shí)別技術(shù)提供理論依據(jù)，然后通過(guò)整個(gè)茶葉的自動(dòng)化采摘和分揀系統(tǒng)的介紹，對(duì)在線(xiàn)識(shí)別技術(shù)的應(yīng)用進(jìn)行詳細(xì)說(shuō)明，從而實(shí)現(xiàn)茶葉茶梗的自動(dòng)化分揀。

RGB模型；最小錯(cuò)誤率貝葉斯決策模型；茶葉分揀

1　概述

自古以來(lái)，我國(guó)就是茶葉的重要生產(chǎn)國(guó)和銷(xiāo)售國(guó)，茶葉和瓷器都是中國(guó)特色的產(chǎn)業(yè)輸出，一直在國(guó)際上享有盛名。作為我國(guó)特色的產(chǎn)業(yè)之一，茶葉在國(guó)內(nèi)的銷(xiāo)售市場(chǎng)也非常龐大，催生出的茶文化以及相關(guān)的附屬產(chǎn)業(yè)，都為我國(guó)的社會(huì)發(fā)展和經(jīng)濟(jì)水平提升作出不可磨滅的貢獻(xiàn)。在我國(guó)茶葉生產(chǎn)過(guò)程中，傳統(tǒng)的茶葉生產(chǎn)方式都是通過(guò)人工手工作業(yè)的方式，通過(guò)采摘、篩選、揀別的前期作業(yè)方式以及后期的炒茶、干燥等基本流程來(lái)完成茶葉的生產(chǎn)過(guò)程。整個(gè)過(guò)程全部是人工手工作業(yè)，嚴(yán)重影響了茶葉生產(chǎn)的效率。隨著科學(xué)技術(shù)水平的不斷提升，計(jì)算機(jī)應(yīng)用技術(shù)快速發(fā)展，視頻圖像處理和計(jì)算機(jī)視覺(jué)技術(shù)的廣泛應(yīng)用，使得農(nóng)業(yè)機(jī)械自動(dòng)化得到快速發(fā)展，茶葉的采摘工作也逐步向半自動(dòng)化和全自動(dòng)化的方向快速發(fā)展，這對(duì)于我國(guó)茶葉生產(chǎn)來(lái)說(shuō)，是一次非常大的技術(shù)提升。但是由于整個(gè)自動(dòng)采摘的智能化水平相對(duì)較低，采摘的茶葉中混有很多茶梗、黃葉等雜質(zhì)，這對(duì)高等級(jí)茶葉的生產(chǎn)來(lái)說(shuō)，是非常不利的。如果單純地依靠手工作業(yè)篩選茶梗、黃葉等雜質(zhì)，那么作業(yè)效率仍舊是非常低下，所以通過(guò)計(jì)算機(jī)技術(shù)來(lái)實(shí)現(xiàn)茶葉茶梗自動(dòng)識(shí)別和分離的自動(dòng)化設(shè)備對(duì)于茶葉生產(chǎn)效率的提升來(lái)說(shuō)，是非常重要的。利用RGB顏色模型、最小錯(cuò)誤率的貝葉斯決策模型等多種分類(lèi)模型來(lái)設(shè)計(jì)相應(yīng)的算法，通過(guò)圖像采集器來(lái)收集采摘的茶葉的實(shí)時(shí)圖像，并對(duì)其進(jìn)行特殊處理和在線(xiàn)識(shí)別，從而驅(qū)動(dòng)后面的分揀器對(duì)茶葉、茶梗、黃葉等進(jìn)行分離操作，從而實(shí)現(xiàn)嫩芽與茶梗黃葉等雜質(zhì)的分離，實(shí)現(xiàn)高等級(jí)茶葉嫩芽的識(shí)別和分揀，提升茶葉生產(chǎn)效率，進(jìn)而促進(jìn)茶葉行業(yè)良好地、可持續(xù)地發(fā)展。

2　在線(xiàn)識(shí)別的分類(lèi)模型算法

對(duì)于茶葉茶梗的在線(xiàn)識(shí)別技術(shù)，理論上是采用各種分類(lèi)模型來(lái)實(shí)現(xiàn)，在分類(lèi)模型的基礎(chǔ)上，實(shí)現(xiàn)各種算法過(guò)程，對(duì)實(shí)時(shí)圖像采集的采摘茶的圖片進(jìn)行圖像采集并處理，然后經(jīng)過(guò)核心分類(lèi)算法對(duì)其進(jìn)行分類(lèi)，最終驅(qū)動(dòng)后面的機(jī)械分類(lèi)設(shè)備來(lái)對(duì)茶葉中的茶梗、黃葉等雜質(zhì)進(jìn)行分揀，從而實(shí)現(xiàn)對(duì)茶葉茶梗的分揀操作。常見(jiàn)的圖像處理分類(lèi)模型包括RGB顏色模型、最小錯(cuò)誤貝葉斯決策模型等，在此對(duì)著三種模型進(jìn)行研究。

2.1RGB顏色模型

在通過(guò)自動(dòng)化設(shè)備采摘的茶葉中，主要是包含的是嫩綠的嫩芽嫩葉，而老葉黃葉和茶梗在顏色上與茶葉嫩芽有著非常大的區(qū)別，所以通過(guò)對(duì)其顏色的判斷，來(lái)實(shí)現(xiàn)茶葉茶梗的識(shí)別和分離操作。

RGB模型就是常見(jiàn)的顏色模型，是將現(xiàn)實(shí)世界中的顏色轉(zhuǎn)化成可存儲(chǔ)、可對(duì)比的計(jì)算機(jī)數(shù)字值的模型。我們知道，在對(duì)整個(gè)顏色體系中，所有的顏色都是可以其他顏色調(diào)配出來(lái)的，而最基礎(chǔ)的顏色，則是紅、綠、藍(lán)三種，又稱(chēng)為三原色，通過(guò)對(duì)三原色不同比例的設(shè)定和勾兌，則可以配出自然界中顏色體系中所有的顏色。按照這種思想，我們就可以將黑色、白色作為整個(gè)色系中的兩個(gè)極端顏色，而三原色紅（Red）、綠（Green）、藍(lán)（Blue）則構(gòu)成了R，G，B三個(gè)數(shù)據(jù)軸，黑色處在三個(gè)數(shù)據(jù)軸的原點(diǎn)，而白色則處在三個(gè)數(shù)據(jù)軸的最大值的交匯點(diǎn)。假如我們?cè)O(shè)定最大值交匯點(diǎn)三個(gè)數(shù)據(jù)軸取值各位1，那么所有的顏色則是在R，G，B三個(gè)數(shù)據(jù)軸從0到1取值時(shí)的交匯點(diǎn)，不同的交互點(diǎn)表示不同的顏色，所有的交匯點(diǎn)，表示了自然界中所有的顏色。如圖1所示，為RGB顏色模型中的原理結(jié)構(gòu)圖。

圖1　RGB顏色模型數(shù)據(jù)原理示意圖

通過(guò)RGB顏色模型可以知道，自然界中的顏色都可以通過(guò)三個(gè)不同的值來(lái)表示，那么在對(duì)自然界中的任何一種顏色，都可以使用計(jì)算機(jī)對(duì)其進(jìn)行對(duì)比、區(qū)分、存儲(chǔ)、識(shí)別、處理、顯示等數(shù)字操作。

對(duì)于RGB顏色模型對(duì)茶葉茶梗在線(xiàn)識(shí)別對(duì)應(yīng)，可以通過(guò)視頻圖像處理的方法，將實(shí)時(shí)采集到圖像進(jìn)行前期預(yù)處理后，對(duì)核心區(qū)域內(nèi)的圖像的顏色進(jìn)行獲取和對(duì)比，從而得到核心區(qū)域的顏色，然后與期望的值進(jìn)行對(duì)比，如果在期望值以?xún)?nèi)，則說(shuō)明是滿(mǎn)足茶葉等級(jí)采摘要求的，可以將其作為嫩芽，分類(lèi)到茶葉嫩芽中；相反，如果超過(guò)期望值，則說(shuō)明該核心區(qū)表示的物品應(yīng)該屬于茶梗、黃葉的雜質(zhì)一類(lèi)，應(yīng)該將其去除。

2.2最小錯(cuò)誤率的貝葉斯決策模型

最小錯(cuò)誤率的貝葉斯決策模型是利用概率學(xué)的基本理論，對(duì)分類(lèi)的最小錯(cuò)誤率進(jìn)行統(tǒng)計(jì)來(lái)建立的分類(lèi)模型。在對(duì)茶葉以及茶梗、黃葉等雜質(zhì)的分類(lèi)中，我們迫切希望識(shí)別出的茶葉嫩芽以及黃葉、茶梗等雜質(zhì)的正確率最高，發(fā)生錯(cuò)誤的的概率最低，那么就可以為茶葉茶梗的在線(xiàn)識(shí)別構(gòu)建最小錯(cuò)誤率的貝葉斯決策模型。

在固定時(shí)間段內(nèi)，采摘到茶葉中，混有茶葉嫩芽和茶梗、黃葉等雜質(zhì)的概率是一定的，那么在對(duì)茶葉、茶梗的在線(xiàn)識(shí)別中，假設(shè)茶葉嫩芽概率為P1，茶梗、黃葉等雜質(zhì)的發(fā)生概率為P2，則有P1+P2=1。如果僅僅是按照之前的經(jīng)驗(yàn)來(lái)決定內(nèi)容中的所屬類(lèi)別，那么則會(huì)導(dǎo)致很多錯(cuò)誤發(fā)生，所以，需要對(duì)待分類(lèi)的對(duì)象的各種特征進(jìn)行提取，然后得到更多的有用信息。在構(gòu)建最小錯(cuò)誤率的貝葉斯決策模型，首先要對(duì)采集到的信息進(jìn)行d維的特征提取，從而得到相關(guān)的測(cè)量向量值，M=［M1，M2，M3，……，Md］T。假設(shè)，P（M|w1）為w1類(lèi)別在M測(cè)量對(duì)象中的概率，P（M| w2）為w2類(lèi)別在M測(cè)量對(duì)象中的概率。根據(jù)實(shí)際情況可知，在某個(gè)實(shí)際測(cè)量對(duì)象中，類(lèi)別發(fā)生概率呈正態(tài)分布，那么對(duì)于不同的wi類(lèi)別，其在M測(cè)量對(duì)象中發(fā)生的概率P（M|wi）為

通過(guò)貝葉斯公式可以知道，P（M|w1）為

那么在最小錯(cuò)誤率的貝葉斯決策模型中，就可以根據(jù)此類(lèi)算法對(duì)茶葉、茶梗的圖像進(jìn)行處理之后，對(duì)核心圖像進(jìn)行分類(lèi)，然后驅(qū)動(dòng)操作設(shè)備完成二者之間的分類(lèi)，實(shí)現(xiàn)茶葉茶梗的在線(xiàn)識(shí)別過(guò)程。

除此之外，還有基于向量空間的最小距離的最小距離分類(lèi)模型，都可以對(duì)茶葉茶梗的在線(xiàn)識(shí)別提供理論算法。

3　在線(xiàn)識(shí)別技術(shù)對(duì)茶葉茶梗的識(shí)別

利用計(jì)算機(jī)系統(tǒng)完成茶葉茶梗的在線(xiàn)識(shí)別，屬于一個(gè)茶葉自動(dòng)化采摘和分揀系統(tǒng)的一個(gè)子系統(tǒng)，而整個(gè)系統(tǒng)的應(yīng)用，則是完成對(duì)茶葉自動(dòng)化甄選、采摘、分?jǐn)?、篩選的工作流程。如圖2所示，為茶葉自動(dòng)化采摘和分揀系統(tǒng)的結(jié)構(gòu)示意圖。

圖2　茶葉自動(dòng)化采摘和分揀系統(tǒng)結(jié)構(gòu)示意圖

對(duì)于茶葉茶梗的計(jì)算機(jī)在線(xiàn)識(shí)別，是在上述整個(gè)系統(tǒng)中的一個(gè)中間環(huán)節(jié)。在整個(gè)自動(dòng)化采摘和分揀系統(tǒng)中，處于前端部分的為茶葉的自動(dòng)采摘識(shí)別系統(tǒng)，通過(guò)圖像采集器1的采集到的圖像，經(jīng)過(guò)圖像的預(yù)處理之后，經(jīng)過(guò)茶葉等級(jí)選擇系統(tǒng)對(duì)預(yù)處理之后的采集圖像進(jìn)行選擇之后，即可驅(qū)動(dòng)自動(dòng)采摘系統(tǒng)中的相關(guān)設(shè)備來(lái)對(duì)茶葉進(jìn)行采摘。然后將采摘后的系統(tǒng)經(jīng)分?jǐn)傁到y(tǒng)將其均勻鋪平，然后進(jìn)入到茶葉自動(dòng)化采摘和分揀系統(tǒng)的后部門(mén)茶葉茶梗分揀系統(tǒng)，這也是茶葉茶梗在線(xiàn)識(shí)別技術(shù)主要應(yīng)用的環(huán)節(jié)。首先通過(guò)圖像采集器2對(duì)分?jǐn)偟牟杉枞~進(jìn)行圖像采集，然后進(jìn)行過(guò)相關(guān)的圖像預(yù)處理之后，進(jìn)入到在線(xiàn)識(shí)別系統(tǒng)中，最后得到相應(yīng)的結(jié)果，驅(qū)動(dòng)茶葉分揀系統(tǒng)的相關(guān)設(shè)備來(lái)對(duì)分?jǐn)偟牟枞~進(jìn)行茶葉和茶梗、黃葉等雜質(zhì)的分離。

對(duì)于圖像采集器2采集到的圖像，首先要經(jīng)過(guò)圖像預(yù)處理的操作。對(duì)于圖像預(yù)處理的過(guò)程，包括傳統(tǒng)意義上的圖像優(yōu)化的過(guò)程以及圖像分割的過(guò)程。圖像優(yōu)化的過(guò)程是對(duì)采集到的分?jǐn)偛枞~的圖像進(jìn)行優(yōu)化處理，一般是采用傅里葉變換將圖像轉(zhuǎn)變成的不同頻段的頻率信號(hào)數(shù)據(jù)，并且采用相關(guān)的濾波器模型來(lái)進(jìn)行圖像濾波的過(guò)濾技術(shù)，或者采用灰度映射函數(shù)來(lái)對(duì)圖像灰度直方圖進(jìn)行修正的技術(shù)，來(lái)對(duì)對(duì)采集到的整個(gè)圖像進(jìn)行視覺(jué)增強(qiáng)，從而消除圖像采集器2設(shè)備采集到的圖像中存在的視覺(jué)斑點(diǎn)或者一些模糊的噪聲數(shù)據(jù)。

在得到清晰的圖像之后，即可采用圖像分割技術(shù)，來(lái)將圖像內(nèi)的核心區(qū)域進(jìn)行分割。一般的理解，在一張完整的茶葉茶梗圖像中，包括了茶葉嫩芽、茶梗、黃葉等物質(zhì)，而彼此之間在顏色等特征方面存在很大的差異。例如在顏色特征方面，圖像內(nèi)茶葉嫩芽與茶梗接觸處，兩邊存在不同的顏色，那么在圖像的RGB顏色模型來(lái)定位此處的圖像色值時(shí)，就會(huì)發(fā)現(xiàn)兩邊的色值發(fā)生了巨變，此時(shí)就可認(rèn)定為此處為分界線(xiàn)。通過(guò)對(duì)整個(gè)圖像中的色值方面的分析，即可得到圖片中的所有物品的輪廓，從而可以得到輪廓內(nèi)的核心圖片內(nèi)容。那么就可以采用圖像二值化的方法，將圖像進(jìn)行分割處理，從而得到了茶葉嫩芽、茶梗、黃葉以及其他物品在內(nèi)的所有核心圖片。然后將這些核心圖片送入到茶葉茶梗在線(xiàn)識(shí)別系統(tǒng)中，通過(guò)RGB分類(lèi)模型、最小錯(cuò)誤率的貝葉斯決策模型、最小距離分類(lèi)模型或者多種模型的組合分類(lèi)器來(lái)對(duì)各個(gè)圖片進(jìn)行分類(lèi)，通過(guò)各種算法來(lái)對(duì)茶葉嫩芽以及其他雜質(zhì)進(jìn)行識(shí)別，然后將識(shí)別結(jié)果傳輸?shù)秸麄€(gè)系統(tǒng)的分揀系統(tǒng)，驅(qū)動(dòng)相關(guān)的設(shè)備對(duì)整個(gè)茶葉茶梗進(jìn)行分類(lèi)操作，最終得到優(yōu)質(zhì)的茶葉嫩芽。

4　總結(jié)

茶葉茶梗的計(jì)算機(jī)在線(xiàn)識(shí)別技術(shù)主要是利用對(duì)茶葉茶梗自身特性而構(gòu)建的RGB顏色模型、或者利用概率統(tǒng)計(jì)學(xué)構(gòu)建的最小錯(cuò)誤率的貝葉斯決策模型，亦或是通過(guò)形態(tài)學(xué)構(gòu)建的最小距離分類(lèi)模型，在茶葉自動(dòng)采摘之后，對(duì)整個(gè)茶葉進(jìn)行分類(lèi)，從而自動(dòng)篩選出茶葉嫩芽，最終提升整個(gè)茶葉生產(chǎn)的效率，推動(dòng)茶葉的自動(dòng)化生產(chǎn)。

［1］陳筍，張春燕.一種茶葉茶梗色選機(jī)圖像快速分揀方法［J］.合肥學(xué)院學(xué)報(bào)（自然科學(xué)版）.2013（4）：36-41

［2］張春燕，陳筍，張俊峰等.基于最小風(fēng)險(xiǎn)貝葉斯分類(lèi)器的茶葉茶梗分類(lèi)［J］.計(jì)算機(jī)工程與應(yīng)用.2012（28）：187-192，239.

［3］吳哲，劉孝星，鄭力新等.一種L-M優(yōu)化BP網(wǎng)絡(luò)的茶葉茶梗分類(lèi)方法［J］.計(jì)算機(jī)技術(shù)與發(fā)展.2016（4）

［4］林茂先，江東，馬俊.茶葉色選技術(shù)的發(fā)展現(xiàn)狀及展望［J］.糧食與食品工業(yè).2011（3）：28-30.

宋艷（1979-），女，實(shí)驗(yàn)師，碩士，研究方向：計(jì)算機(jī)應(yīng)用技術(shù)。

黃留鎖（1974-），男，講師，本科，研究方向：計(jì)算機(jī)應(yīng)用技術(shù)。