基于機(jī)器視覺和工藝參數(shù)的針芽形綠茶外形品質(zhì)評(píng)價(jià)

董春旺 朱宏凱 周小芬 袁海波 趙杰文 陳全勝

(1.江蘇大學(xué)食品科學(xué)與食品工程學(xué)院， 鎮(zhèn)江 212013; 2.中國農(nóng)業(yè)科學(xué)院茶葉研究所， 杭州 310008；3.哥本哈根大學(xué)食品科學(xué)系, 菲特烈堡 999017; 4.武義縣農(nóng)業(yè)局， 武義 321200)

基于機(jī)器視覺和工藝參數(shù)的針芽形綠茶外形品質(zhì)評(píng)價(jià)

董春旺1,2朱宏凱2,3周小芬2,4袁海波2趙杰文1陳全勝1

(1.江蘇大學(xué)食品科學(xué)與食品工程學(xué)院， 鎮(zhèn)江 212013; 2.中國農(nóng)業(yè)科學(xué)院茶葉研究所， 杭州 310008；3.哥本哈根大學(xué)食品科學(xué)系, 菲特烈堡 999017; 4.武義縣農(nóng)業(yè)局， 武義 321200)

外形是針芽形綠茶的關(guān)鍵感官評(píng)價(jià)指標(biāo)，通常依據(jù)色澤、條形、嫩度和勻整度等表象特征進(jìn)行人工評(píng)審，難以做到精準(zhǔn)、客觀和量化評(píng)價(jià)。本文以自動(dòng)化生產(chǎn)線機(jī)制的針芽形綠茶為研究對(duì)象，基于茶葉品質(zhì)、形成工藝和視覺形態(tài)等內(nèi)外因素，構(gòu)建了外形品質(zhì)的智能感官評(píng)價(jià)方法。首先，在線采集在制品的17個(gè)機(jī)制工藝參數(shù)和成品茶的圖像，進(jìn)行圖像特征提取，選取9個(gè)顏色特征和6個(gè)紋理特征。進(jìn)而，通過與專家感官評(píng)分進(jìn)行關(guān)聯(lián)分析，明確了與感官品質(zhì)顯著相關(guān)的特征變量。為獲取高效的評(píng)價(jià)模型，采用偏最小二乘法(PLS)、極限學(xué)習(xí)機(jī)(ELM)和強(qiáng)預(yù)測器集成算法(ELM-AdaBoost)3種多元校正方法，分別建立了基于工藝或圖像特征的針芽形綠茶外形感官的量化評(píng)價(jià)模型。建模結(jié)果表明，基于圖像特征建立的ELM-AdaBoost模型(Rp=0.892，RPD大于2)，其預(yù)測性能優(yōu)于其他模型，且具有更小的RMSEP(0.874)、Bias(-0.148)、SEP(0.226)和CV(0.018)值。同時(shí)，非線性模型的預(yù)測性能均高于PLS線性模型，能更好地表征工藝參數(shù)、圖像信息與感官評(píng)分之間的解析關(guān)系，且建模速度更快(0.014～0.281 s)。而AdaBoost法作為一種混合迭代算法，能進(jìn)一步提升ELM模型的精度和泛化能力。結(jié)果表明，基于機(jī)器視覺和工藝評(píng)價(jià)針芽形綠茶外形品質(zhì)是可行的，為拓展茶葉感官品質(zhì)評(píng)價(jià)方法和專家工藝決策支持系統(tǒng)研制，提供理論依據(jù)和數(shù)據(jù)支撐。

針芽形綠茶； 機(jī)器視覺； 外形； 感官品質(zhì)； 智能算法； 非線性

引言

茶葉是世界三大功能飲料之一，綠茶是中國消費(fèi)量最大的茶類，針芽形綠茶是綠茶的典型代表(如雀舌茶、開化龍頂茶等)[1-2]。外形是評(píng)價(jià)綠茶品質(zhì)的重要指標(biāo)之一，尤其是在市場交易中，茶葉價(jià)格主要取決于外形特征。根據(jù)針芽形綠茶的制茶原理可知，鮮葉經(jīng)過攤青、殺青、理?xiàng)l、干燥等工序逐步失水成型，加工中葉溫和水分的組合變化直接影響了內(nèi)質(zhì)成分含量的變化[3]，并最終決定成品茶的外形品質(zhì)和風(fēng)味特征。目前，茶葉品質(zhì)的評(píng)價(jià)仍以傳統(tǒng)的人工感官審評(píng)方式為主[4]。

顏色是圖像的一種重要視覺性質(zhì)，是人識(shí)別圖像的主要感知特征之一[5-6]。紋理是圖像灰度和顏色隨空間位置變化的視覺表現(xiàn)，可用來描述物體表面的粗糙度和方向性[7]。已有研究者利用機(jī)器視覺圖像技術(shù)用于茶葉的種類、品質(zhì)等級(jí)鑒別和產(chǎn)地溯源[6,8-10]，研究結(jié)果表明借助計(jì)算機(jī)視覺系統(tǒng)獲取茶葉外形的可見光圖像,將其顏色和紋理特征數(shù)字化提取,能實(shí)現(xiàn)茶葉外在品質(zhì)特征的量化和準(zhǔn)確評(píng)價(jià)[9]。此外，還有研究者采用近紅外、高光譜成像技術(shù)和非線性建模方法，建立了不同茶類的判別模型、茶葉內(nèi)部品質(zhì)和感官品質(zhì)的定量分析模型[11-14]。上述文獻(xiàn)可為本文研究提供借鑒，但其研究對(duì)象多為紅碎茶(如CTC茶)、不同發(fā)酵茶(烏龍茶、紅茶和黑茶)、卷曲型綠茶(如碧螺春茶、炒青綠茶)和扁形綠茶(如龍井茶)，且以成品茶、茶湯、發(fā)酵茶或加工過程樣品為信息源，鮮有以針芽形綠茶為研究對(duì)象，特別是涉及機(jī)械制茶工藝參數(shù)的外形品質(zhì)量化評(píng)價(jià)模型的研究[2,8,15]。

尤為值得關(guān)注的是，人工感官評(píng)審是一種專家行為，易受到光線、經(jīng)驗(yàn)、心理和視覺生理等因素影響，相近的顏色和紋理人眼或許能夠察覺出細(xì)微的差異，但較難明確具體的量化等級(jí)，人對(duì)顏色和紋理的描述是定性的，故難以實(shí)現(xiàn)對(duì)茶葉感官品質(zhì)的精準(zhǔn)、標(biāo)準(zhǔn)和客觀評(píng)價(jià)[16]。不同的制茶工藝參數(shù)組合，對(duì)成品茶品質(zhì)的形成存有一定的內(nèi)在傳遞關(guān)系，并最終呈現(xiàn)出不同的外部形態(tài)和表象。因此，基于茶葉品質(zhì)形成的內(nèi)外兩種因素，構(gòu)建精準(zhǔn)、客觀和量化的外形品質(zhì)評(píng)價(jià)方法，可彌補(bǔ)傳統(tǒng)感官審評(píng)方法的不足，并為今后在規(guī)模化、智能化生產(chǎn)線中專家工藝決策支持系統(tǒng)和標(biāo)準(zhǔn)化加工技術(shù)的研發(fā)提供理論依據(jù)和數(shù)據(jù)支撐。

綜上，本研究以自主研制的國內(nèi)首條針芽形綠茶自動(dòng)化生產(chǎn)線為載體，采集加工中關(guān)鍵工序的在制品溫度、水分和時(shí)間等工藝參數(shù)信息，并利用機(jī)器視覺系統(tǒng)獲取成品茶外形的可見光圖像,提取其紋理和顏色特征，探討工藝、圖像信息和專家感官評(píng)分間的關(guān)聯(lián)作用關(guān)系。進(jìn)而聯(lián)合線性的偏最小二乘法(PLS)和非線性的極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)(ELM)，分別建立基于機(jī)器視覺和工藝參數(shù)的針芽形綠茶外形品質(zhì)智能表征方法,并進(jìn)行模型性能比較。

1 針芽形綠茶自動(dòng)化生產(chǎn)線組成及實(shí)驗(yàn)

1.1 生產(chǎn)線結(jié)構(gòu)原理

根據(jù)茶產(chǎn)業(yè)自動(dòng)化生產(chǎn)的需要，研制了針芽形綠茶自動(dòng)化生產(chǎn)線，實(shí)現(xiàn)產(chǎn)品緊、圓、直和勻的外形品質(zhì)要求。針對(duì)單芽、一芽一葉的茶青原料，設(shè)計(jì)攤青葉處理能力為100～200 kg/h，從攤青葉流入到成品茶流出的周期為1.5～2.0 h，針芽形綠茶制作工藝分為12個(gè)步驟，各工序裝備組成及工藝流程如圖1所示。基于芽形茶的制茶學(xué)理論和做形工藝特點(diǎn)，將整個(gè)生產(chǎn)線劃分成6個(gè)功能模塊：攤青、殺青、二次理?xiàng)l、二次干燥，每一個(gè)功能模塊設(shè)有獨(dú)立進(jìn)、出料輸送機(jī)構(gòu)和功能主機(jī)，并單獨(dú)構(gòu)建成一個(gè)下位機(jī)系統(tǒng)。生產(chǎn)線集成了過程數(shù)據(jù)采集與監(jiān)控系統(tǒng)(SCADA)，具有現(xiàn)場控制、工序集中監(jiān)控和管理服務(wù)3大功能。其中現(xiàn)場控制層PLC、傳感器(紅外溫度、濕度、稱量、時(shí)間、行程、位置傳感器等)、智能儀表(如變頻器、溫控儀等)和觸屏交互機(jī)共同實(shí)現(xiàn)各模塊的分布數(shù)據(jù)采集與控制功能。工序集中監(jiān)控層以組態(tài)界面形式呈現(xiàn)現(xiàn)場的工況狀態(tài)，并可通過上位機(jī)的SCADA操控執(zhí)行機(jī)構(gòu)、修改和記錄工況參數(shù)。

圖1 針芽形綠茶自動(dòng)化生產(chǎn)線總體結(jié)構(gòu)Fig.1 Overall structure for automatic production line of needle green tea

1.2 工藝實(shí)驗(yàn)與感官評(píng)審

圖2 干茶圖像采集與分析流程圖Fig.2 Flow chart of image acquisition and analysis for dry tea

實(shí)驗(yàn)在浙江省更香有機(jī)茶有限公司(浙江省武義縣)和江蘇鑫品茶業(yè)有限公司(江蘇省金壇市)實(shí)施，針芽形綠茶加工的關(guān)鍵工序?yàn)椋乎r葉攤放、攤?cè)~殺青、一次理?xiàng)l、二次理?xiàng)l、毛火和足火。共收集針芽形綠茶140個(gè)茶樣，其中1級(jí)品質(zhì)茶樣40個(gè)，2級(jí)品質(zhì)茶樣77個(gè)，3級(jí)品質(zhì)茶樣23個(gè)，每個(gè)樣本100 g。

工藝實(shí)驗(yàn)參數(shù)設(shè)定：將茶鮮葉原料(含水率為72.3%～76.5%)自然攤放在萎凋室內(nèi)(20～24℃)，攤?cè)~厚度為1～2 cm，攤放周期為6～12 h；電熱殺青機(jī)筒壁溫度為180～200℃；一次理?xiàng)l機(jī)鍋底溫度為180～200℃; 二次理?xiàng)l機(jī)鍋底溫度為145～160℃;毛火溫度110～130℃，足火溫度95～110℃。

在針芽形綠茶制作過程中，連續(xù)采集在制品在各工序的工藝技術(shù)參數(shù)，主要有：攤青工序后茶青含水率(x1)，殺青工序中投葉量(x2)、殺青時(shí)間(x3)、殺青溫度(x4)、殺青后含水率(x5),一次理?xiàng)l工序中的理?xiàng)l時(shí)間(x6)、理?xiàng)l溫度(x7)、理?xiàng)l后含水率(x8)和二次理?xiàng)l工序中的理?xiàng)l時(shí)間(x9)、理?xiàng)l溫度(x10)、理?xiàng)l后含水率(x11)，毛火干燥工序中毛火時(shí)間(x12)、毛火溫度(x13)、毛火后含水率(x14)，足火干燥工序中足火時(shí)間(x15)、足火溫度(x16)、足火后含水率(x17)共17組參數(shù)。

在制品葉面溫度(葉溫)檢測方法:每個(gè)工序完成時(shí)，保持紅外測溫儀與樣品垂直距離10 cm，快速測定樣品溫度，重復(fù)測定3次，取平均值。水分?jǐn)?shù)據(jù)采集方法：在每個(gè)工序環(huán)節(jié)結(jié)束后，將樣品自然冷卻至室溫，采用5點(diǎn)隨機(jī)取樣法取樣，每次取樣3 g測定含水率，連續(xù)測定3次，取平均值。

制成的成品茶樣分別委托農(nóng)業(yè)部茶葉質(zhì)量監(jiān)督檢驗(yàn)測試中心、中國茶葉學(xué)會(huì)和浙江大學(xué)茶學(xué)系的3位感官專家進(jìn)行外形審評(píng)，3位評(píng)茶專家按照茶葉感官審評(píng)方法(GB/T 23776—2009)，采用密碼審評(píng)形式評(píng)定各茶樣的外形品質(zhì)，取平均得分作為最終評(píng)分值。

2 計(jì)算機(jī)圖像采集及處理系統(tǒng)

2.1 圖像采集系統(tǒng)組成

設(shè)計(jì)一套機(jī)器視覺采集系統(tǒng)，主要由圖像傳感器、樣品池、均勻光源、GUI軟件處理系統(tǒng)組成，按圖2所示技術(shù)路徑實(shí)現(xiàn)圖像的采集和數(shù)據(jù)分析。傳感器選用單反相機(jī)(Canon DS60D, 日本,18MP)，采集參數(shù)設(shè)置如表1所示；光源選用Sphere100均勻光源(杭州晶飛科技有限公司)，光源強(qiáng)度為100 lx；GUI軟件處理系統(tǒng)(軟件著作權(quán)號(hào)：2013SR122179)用Matlab 2012b編寫,軟件可自動(dòng)提取圖像的色澤和紋理特征。

表1 圖像采集參數(shù)設(shè)置Tab.1 Parameters setting of image acquisition

2.2 圖像采集及特征提取

分別從每個(gè)茶樣中稱取(30±0.5) g干茶，均勻平鋪在規(guī)格為Φ70 mm的樣品池中，并將樣品池嵌入均勻光源下進(jìn)行圖像采集。軟件系統(tǒng)(圖2)以圖像中坐標(biāo)點(diǎn)(1 728,1 152)為中心點(diǎn)，自動(dòng)分割出1 000像素×1 000像素區(qū)域，提取該興趣區(qū)域的色澤和紋理特征。通過RGB、HSV和Lab間的顏色模型變換，分別提取紅色通道均值(R)、綠色通道均值(G)、藍(lán)色通道均值(B)、色調(diào)均值(H)、亮度均值(V)、飽和度均值(S)、明度分量均值(L*)、紅綠分量均值(a*)和黃藍(lán)分量均值(b*)共9個(gè)色澤指標(biāo)[16]。基于灰度直方圖的統(tǒng)計(jì)屬性計(jì)算6個(gè)紋理特征，即平均灰度值(m)、標(biāo)準(zhǔn)差(δ)、平滑度(r)、三階矩(μ)、一致性(U)和熵(e)[16-17]，共計(jì)得到15個(gè)圖像特性(色澤和紋理)變量。

3 芽形茶感官評(píng)價(jià)方法建立與結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)處理方法

分別采用偏最小二乘法(Partial least squares method，PLS)、極限學(xué)習(xí)機(jī)(Extreme learning machine，ELM)進(jìn)行線性和非線性定量建模。Zscore法用于原始數(shù)據(jù)的預(yù)處理，通過主成分分析法(Principal component analysis，PCA)從原始數(shù)據(jù)中提取特征變量，作為模型的輸入自變量。

參照文獻(xiàn)[14-16]中應(yīng)用的參數(shù)：相關(guān)系數(shù)(Rc、Rp)、相對(duì)分析誤差(RPD)、均方根誤差(RMSEC/RMSEP)、偏差(Bias)、標(biāo)準(zhǔn)偏差(SEP)、變異系數(shù)(CV)作為模型性能的評(píng)價(jià)指標(biāo)[18-19]。通常RMSEP、SEP、CV和Bias越小，Rp和RPD值越高，模型的精度和泛化性越高[20]。所有的數(shù)據(jù)處理在 Matlab 2014b和Microsoft Windows 7 (64位)平臺(tái)完成。

3.2 外形感官審評(píng)結(jié)果分析

140個(gè)針芽形綠茶的外形感官評(píng)分范圍為79.5～92.5，所有茶樣感官評(píng)分的平均值為88.13，標(biāo)準(zhǔn)偏差為2.33，方差為5.44。對(duì)3位評(píng)茶專家的評(píng)分進(jìn)行相關(guān)分析可知(表2)，評(píng)分之間存在顯著相關(guān)性(P<0.01)，各評(píng)茶師的評(píng)分與評(píng)分均值之間也存在顯著相關(guān)性(P<0.01)，說明各評(píng)茶專家的評(píng)分具有較好的一致性，外形評(píng)分的真實(shí)性和準(zhǔn)確性較高。

表2 各組間外形評(píng)分的相關(guān)性分析Tab.2 Correlation analysis among shape score

注: ** 表示P<0.01。

3.3 工藝參數(shù)、視覺特征與外形感官關(guān)聯(lián)分析

對(duì)實(shí)驗(yàn)樣本的外形感官評(píng)分、工藝參數(shù)和視覺特征變量進(jìn)行相關(guān)性分析, 然后采用 Cytoscape 3.4對(duì)顯著相關(guān)的數(shù)據(jù)作可視化處理，獲得反映三者交互規(guī)律的網(wǎng)絡(luò)關(guān)系(圖3)。由圖3可知，工藝參數(shù)、圖像特征與外形品質(zhì)間存在著復(fù)雜的、直接或間接的傳遞和關(guān)聯(lián)關(guān)系。直接影響外形品質(zhì)的工序參數(shù)有：殺青時(shí)間(x3)、理?xiàng)l時(shí)間(x6)、理?xiàng)l溫度(x7)和理?xiàng)l后含水率(x11)、毛火時(shí)間(x12)、毛火后含水率(x14)和足火后含水率(x17)，說明溫度、水分和時(shí)間是針芽形綠茶加工中影響感官品質(zhì)的最重要工藝指標(biāo)。各工序階段的含水率均與外形品質(zhì)呈正相關(guān)，溫度與時(shí)間呈負(fù)相關(guān)，表明高溫或長時(shí)間加工會(huì)造成含水率過低，易引起焦邊和高火味，進(jìn)而影響外形品質(zhì)。x1、x10、x13、x15和x16等參數(shù)則通過間接影響在制品的色澤和紋理特征，將作用傳遞至感官品質(zhì)。

圖像特征中除R、G、V、L*、m和U值以外，所有圖像特征參數(shù)均與外形評(píng)分顯著相關(guān)，其中綠茶的感官評(píng)分分別與B、H、a*、δ、r和e值呈極顯著正相關(guān)(P<0.01)，與S、b*和μ值呈極顯著負(fù)相關(guān)(P<0.01)，并與b*值的相關(guān)系數(shù)最高(相關(guān)系數(shù)為-0.740)。綜合分析可知，外形感官得分并非葉面色澤越綠越好或越黃越好，也并非越濃郁越好，而是色澤呈現(xiàn)出黃綠色或嫩綠時(shí)評(píng)分最高，這與綠茶感官審評(píng)標(biāo)準(zhǔn)相符[21-22]。

圖3 感官評(píng)分、圖像特征和工藝參數(shù)間的網(wǎng)絡(luò)關(guān)系圖Fig.3 Network relationships diagram for sensory score, image characteristics and process parameters

3.4 樣品集劃分分析

圖4 不同方法所建PLS模型的最優(yōu)主成分?jǐn)?shù)和預(yù)測集實(shí)際值、預(yù)測值散點(diǎn)圖Fig.4 Optimum PCs and scatter plots of actual and predicted values of sensory scoring of PLS models

140個(gè)茶樣的外形感官評(píng)分值作為本研究模型建立的參考值，采用基于馬氏距離的Kennard-Stone (K-S)法[23]，有效選出95個(gè)作為校正集，用于建立校正模型，余下的45個(gè)作為預(yù)測集，用來評(píng)價(jià)模型性能。經(jīng)K-S法劃分后的外形感官評(píng)分分布如表3所示，可以看出校正集中評(píng)分范圍大于預(yù)測集的范圍，這樣有利于建立普適性的模型，保證預(yù)測性能的泛化性及穩(wěn)健性。

3.5 PLS線性關(guān)聯(lián)模型

本文擬分別建立針芽形綠茶工藝參數(shù)、圖像特征與感官評(píng)分間的關(guān)聯(lián)模型，以實(shí)現(xiàn)對(duì)外形品質(zhì)的監(jiān)控和快速無損評(píng)價(jià)。在PLS模型建立過程中，由于提取的工藝參數(shù)和茶樣圖像特征變量為多元高維數(shù)組，各變量的量綱和數(shù)量級(jí)不同，故先在Matlab環(huán)境里調(diào)用Zscore算法對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化變換處理[22]，以消除量綱和數(shù)量級(jí)限制。同時(shí)，各樣本的工藝參數(shù)和圖像特征變量之間存在一定的相關(guān)性,即這些變量之間的信息有一定的重疊,使變量間產(chǎn)生冗余信息;這些冗余信息參與模型建立，會(huì)降低模型性能。因此，在建立預(yù)測模型前，對(duì)特征變量數(shù)組進(jìn)行主成分分析，以消除各特征變量間的共線性，取10組獨(dú)立的主成分得分作為模型輸入變量。

表3 各樣品集合中感官評(píng)分的分布情況Tab.3 Reference values for sensory score in calibration and prediction set

圖4a和圖4c分別為基于工藝參數(shù)和圖像特征建模時(shí)，不同主成分因子數(shù)(PCs)所建PLS線性模型對(duì)應(yīng)的RMSEC(橫坐標(biāo)中“0”表示基于原始數(shù)據(jù)所建模型結(jié)果，即未采用主成分因子為輸入的對(duì)照模型)。圖4a中，當(dāng)主成分?jǐn)?shù)為3時(shí)，RMSEC最小(1.424)，其預(yù)測集Rp和RPD分別為0.754和1.131，其RMSEP、Bias、SEP、CV分別為1.439、-0.594、0.238和0.018 4。由圖4c可看出，當(dāng)主成分?jǐn)?shù)為7時(shí)，RMSEC最小(1.387)，其預(yù)測集Rp和RPD分別為0.777和1.271，其RMSEP、Bias、SEP、CV分別為1.215、-0.148、0.226和0.017。預(yù)測值和實(shí)測值之間的關(guān)系如圖4b、4d所示，感官評(píng)分最優(yōu)和最差的樣品，其預(yù)測點(diǎn)距45°線較遠(yuǎn)，表明2種方法的PLS模型預(yù)測精度均不高。

3.6 ELM-AdaBoost非線性關(guān)聯(lián)模型

極限學(xué)習(xí)機(jī)(Extreme learning machine, ELM)是種新型的單隱層前饋神經(jīng)網(wǎng)絡(luò)(SLFN)算法[24]，其運(yùn)算速度和魯棒性好于經(jīng)典的BP神經(jīng)網(wǎng)絡(luò)(Backpropagation neuronal network, BP-ANN)[25-26]。AdaBoost(Adaptive boosting)作為有效的迭代學(xué)習(xí)集成算法，其原理是將多個(gè)“弱”學(xué)習(xí)算法組合為一個(gè)“強(qiáng)”學(xué)習(xí)算法，從而提高辨識(shí)率[27]。為達(dá)到此效果，AdaBoost算法首先對(duì)原始樣本空間賦予相同的權(quán)值，然后根據(jù)每個(gè)弱學(xué)習(xí)算法的誤差率提高預(yù)測失敗樣本的權(quán)重，通過反復(fù)迭代，最終結(jié)果由弱預(yù)測函數(shù)加權(quán)得到。本研究中以ELM作為弱預(yù)測器構(gòu)成ELM-AdaBoost強(qiáng)預(yù)測器[28]，以主成分作為ELM-AdaBoost強(qiáng)預(yù)測器的輸入項(xiàng)，從而構(gòu)成ELM-AdaBoost混合建模方法，其結(jié)構(gòu)原理如圖5所示。

圖6 不同方法所建ELM-AdaBoost模型的參數(shù)優(yōu)選和預(yù)測集實(shí)際值、預(yù)測值散點(diǎn)圖Fig.6 Parameters preferred and scatter plots of actual values as well as predicted values of ELM-AdaBoost models in different methods

圖5 ELM-AdaBoost算法原理圖Fig.5 Principle diagram of ELM-AdaBoost algorithm

Ada-ELM非線性模型中弱分類器數(shù)T設(shè)為10，隱含層節(jié)點(diǎn)數(shù)設(shè)為15。因預(yù)測誤差閾值(Φ)和主成分因子數(shù)(PCs)對(duì)模型的預(yù)測精度影響較大，故在選取范圍內(nèi)將參數(shù)Φ和PCs一起進(jìn)行進(jìn)一步尋優(yōu)處理。分別選取20個(gè)Φ值(0.01～1，步長為0.05)和10個(gè)PCs數(shù)(1～10，步長為1)，以模型的RMSEC來優(yōu)選參數(shù)，優(yōu)化結(jié)果如圖6a、6c所示。

由圖6a可看出，基于工藝參數(shù)的ELM-AdaBoost模型，當(dāng)PCs為3，Φ為0.21時(shí)， RMSEC最小(0.865)，其預(yù)測集Rp和RPD分別為0.932和1.647，其RMSEP、Bias、SEP、CV分別為1.053、-0.308、0.254和0.019?；趫D像特征的ELM-AdaBoost模型(圖6c)，當(dāng)PCs為6，Φ為0.061時(shí)，模型的RMSEC最小(0.547)，其預(yù)測集的Rp、RMSEP、Bias、SEP、CV和RPD分別為0.892、0.874、-0.148、0.226、0.018和2.014。預(yù)測值和實(shí)測值之間的關(guān)系如圖6b、6d所示，各樣品的預(yù)測點(diǎn)距45°線較近，表明2種方法的ELM-AdaBoost模型預(yù)測精度較高，尤其是基于圖像特征的非線性模型，散點(diǎn)的收斂性明顯高于其他3種方法。

3.7 模型對(duì)比和討論

對(duì)PLS線性模型和非線性模型(ELM、ELM-AdaBoost)性能進(jìn)行對(duì)比(表4)。結(jié)果表明，非線性模型預(yù)測集的Rc、RMSEP和Bias均明顯優(yōu)于線性模型，且建模速度更快(0.014～0.281 s)，適用于生產(chǎn)實(shí)際中對(duì)品質(zhì)的實(shí)時(shí)監(jiān)控?；趫D像特征的ELM-AdaBoost模型的預(yù)測性能最佳,其RPD大于2，說明模型具有良好的預(yù)測效果，可用于定量分析。較小的SEP、CV表明樣本偏差、離散變異程度小，模型具有較好的精度和預(yù)測能力[29]。同時(shí)，AdaBoost法作為一種混合迭代算法[30]，能進(jìn)一步提升ELM模型的預(yù)測精度，更好地逼近非線性連續(xù)函數(shù)，提高了模型的預(yù)測能力與泛化能力。

芽形綠茶加工中溫度、含水率和時(shí)間直接影響著內(nèi)質(zhì)生化成分和外形的變化，進(jìn)而決定成品茶的最終感官品質(zhì)，感官與工藝技術(shù)參數(shù)間存在線性和非線性的傳遞、交互關(guān)系。而感官評(píng)審是人靠肉眼先觀察茶樣的色澤、勻整度、條索的粗細(xì)、含雜情況、整齊度和嫩度等特征，進(jìn)而通過復(fù)雜的人腦神經(jīng)網(wǎng)絡(luò)系統(tǒng)，對(duì)視覺信息進(jìn)行整合和作出綜合評(píng)價(jià)，較工藝參數(shù)傳遞至品質(zhì)的信息更為直接和客觀，故基于圖像特征的預(yù)測模型其性能較優(yōu)。

正是感官品質(zhì)與工藝參數(shù)組合、色澤和形狀間非線性關(guān)系的存在，PLS方法只處理變量與結(jié)果間的線性關(guān)系，忽略了存在的非線性關(guān)系，而ELM作為一種非線性的人工神經(jīng)網(wǎng)絡(luò)建模方法，具有更強(qiáng)的自適應(yīng)和一定的推廣、概括能力，因此相對(duì)于PLS模型能得到更好的預(yù)測精度。

表4 不同方法所建模型的性能比較Tab.4 Performance comparison of different models

4 結(jié)論

(1)提出一種針芽形綠茶自動(dòng)化生產(chǎn)線，并以該生產(chǎn)線的針芽形綠茶為研究對(duì)象，在線采集了在制品的17個(gè)機(jī)制工藝參數(shù)和成品茶的15個(gè)圖像特征(顏色和紋理)，通過關(guān)聯(lián)網(wǎng)絡(luò)分析，明確了工藝參數(shù)、圖像特征與外形感官品質(zhì)間的關(guān)聯(lián)關(guān)系，為智能感官評(píng)價(jià)模型提供了有效信息源。結(jié)果表明，殺青時(shí)間(x3)、理?xiàng)l時(shí)間(x6)、理?xiàng)l溫度(x7)和理?xiàng)l后含水率(x11)、毛火時(shí)間(x12)、毛火后含水率(x14)和足火后含水率(x17)是影響感官品質(zhì)的重要工藝指標(biāo)，圖像特征b*(R=-0.740)是對(duì)外形感官最為敏感的特征參數(shù)。

(2)基于茶葉品質(zhì)形成工藝和視覺形態(tài)等內(nèi)外因素，采用偏最小二乘法(PLS)、極限學(xué)習(xí)機(jī)(ELM)和強(qiáng)預(yù)測器集成優(yōu)化算法(ELM-AdaBoost)3種多元校正建模方法，構(gòu)建了外形感官品質(zhì)的定量評(píng)價(jià)模型，并對(duì)ELM-AdaBoost模型的2個(gè)重要參數(shù)進(jìn)行了優(yōu)化。結(jié)果表明，2種方法的ELM-AdaBoost模型預(yù)測精度(RPD值分別為1.647和2.014)，均高于ELM和PLS模型。尤其是基于圖像特征的非線性模型(Rp=0.892，RPD大于2)，具有最小的RMSEP(0.874)、Bias(-0.148)、SEP(0.226)和CV(0.018)值，說明AdaBoost法作為一種混合集成算法，能進(jìn)一步提升模型的精度和泛化能力。

(3)非線性模型的預(yù)測性能均高于線性模型，表明ELM和ELM-AdaBoost等非線性機(jī)器學(xué)習(xí)算法能更好表征工藝、圖像與感官之間的潛在影響和非線性映射關(guān)系，且建模速度更快(0.014～0.281 s)，適用于規(guī)模化生產(chǎn)中對(duì)品質(zhì)的實(shí)時(shí)監(jiān)控。

(4)本研究對(duì)拓展茶葉感官品質(zhì)評(píng)價(jià)方法，提供了一種有效的技術(shù)途徑和思路，為今后在智能化生產(chǎn)中專家工藝決策支持系統(tǒng)和標(biāo)準(zhǔn)化加工技術(shù)的研發(fā)，提供理論依據(jù)和數(shù)據(jù)支撐，并在茶葉加工、貿(mào)易和精制拼配技術(shù)上具有較大的產(chǎn)業(yè)前景。

1 KHAN N, MUKHTAR H. Tea and health: studies in humans [J]. Current Pharmaceutical Design, 2013, 19(34): 6141-6147.

2 ZHU H, DONG C, ZHANG J, et al. Optimization of the rotary continuous fixation parameters of needle-type premium green tea processing [J]. Chinese Agricultural Science Bulletin, 2014, 30(18): 308-314.

3 朱宏凱, 董春旺, 張堅(jiān)強(qiáng), 等. 葉溫、含水率對(duì)針芽綠茶感官品質(zhì)的影響 [J]. 中國食品學(xué)報(bào), 2016, 16(4): 224-236. ZHU Hongkai, DONG Chunwang, ZHANG Jianqiang, et al. Effect of evin and moisture content on sensory quality of needlebud green tea[J]. Journal of Chinese Institute of Food Science and Technology, 2016, 16(4): 224-236. (in Chinese)

4 陳根生, 袁海波, 許勇泉, 等. 針芽形綠茶連續(xù)化生產(chǎn)線設(shè)計(jì)與工藝參數(shù)優(yōu)化 [J]. 茶葉科學(xué), 2016, 36(2): 139-148. CHEN Gensheng, YUAN Haibo, XU Yongquan, et al.Design and process optimization of a continuous production lineon needle-type premium green tea [J].Journal of Tea Science, 2016, 36(2): 139-148. (in Chinese)

5 YAHAYA O K M, MATJAFRI M Z, AZIZ A A, et al. Non-destructive quality evaluation of fruit by color based on RGB LEDs system[C]∥Proceedings of the International Conference on Electronic Design, 2015:230-233.

6 XIE C, LI X, SHAO Y, et al. Color measurement of tea leaves at different drying periods using hyperspectral imaging technique [J]. Plos One, 2013, 9(12): e113422.

7 CHEN Q, ZHANG D, PAN W, et al. Recent developments of green analytical techniques in analysis of tea’s quality and nutrition [J]. Trends in Food Sci Technol, 2015, 43(1): 63-82.

8 ZHU D S, ZHANG H L, HE Y, et al. Classification of Chinese famous tea base on visible and near infrared hyperspectra imaging [C]∥Proceedings of the International Conference on Intelligent Systems Design & Engineering Applications, 2013:208-211.

9 CHEN Q, ZHAO J, CAI J. Identification of tea varieties using computer vision [J]. Transactions of the ASABE, 2008, 51(2): 623-628.

10 JIANG H, CHEN Q. Chemometric models for the quantitative descriptive sensory properties of green tea (CamelliasinensisL.) using fourier transform near infrared (FT-NIR) spectroscopy [J]. Food Analytical Methods, 2015, 8(4): 954-962.

11 李曉麗,何勇.基于多光譜圖像及組合特征分析的茶葉等級(jí)區(qū)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009,40(增刊):113-118. LI Xiaoli, HE Yong. Classification of tea grades by multi-spectral image and combined features [J].Transactions of the Chinese Society for Agricultural Machinery , 2009, 40(Supp.): 113-118. (in Chinese)

12 LI X, NIE P, QIU Z J, et al. Using wavelet transform and multi-class least square support vector machine in multi-spectral imaging classification of Chinese famous tea [J]. Expert Systems with Applications, 2011, 38(9): 11149-11159.

13 吳瑞梅, 岳鵬翔, 趙杰文,等. 特征變量篩選在近紅外光譜測定綠茶湯中茶多酚的應(yīng)用[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2011, 42(12): 154-157. WU Ruimei, YUE Pengxiang, ZHAO Jiewen, et al. Application of characteristic variables selection in determination of polyphenols content green tea infusion by near-infrared spectroscopy[J]. Transactions of the Chinese Society for Agricultural Machinery , 2011, 42(12): 154-157.(in Chinese)

14 劉洪林. 基于近紅外光譜技術(shù)(NIRS)對(duì)工夫紅茶審評(píng)品質(zhì)客觀評(píng)價(jià)研究 [J]. 食品工業(yè)科技, 2016, 37(5):311-314. LIU Honglin. Research of evalution the quality of congou black tea by near infrared spectroscopy[J]. Science and Technology of Food Industry, 2016, 37(5):311-314. (in Chinese)

15 ZHOU X, YE Y, ZHOU Z, et al. Study on quality evaluation of Dafo Longjing tea based on near infrared spectroscopy [J]. Spectroscopy and Spectral Analysis, 2012, 32(11): 2971-2975.

16 SANAEIFAR A, BAKHSHIPOUR A, DE L G M. Prediction of banana quality indices from color features using support vector regression [J]. Talanta, 2016, 148:54-61.

17 LIN H, ZHAO J, CHEN Q, et al. Nondestructive measurement of total volatile basic nitrogen (TVB-N) in pork meat by integrating near infrared spectroscopy, computer vision and electronic nose techniques [J]. Food Chemistry, 2014, 145(7): 228-236.

18 COPPA M, REVELLO-CHION A, GIACCONE D, et al. Comparison of near and medium infrared spectroscopy to predict fatty acid composition on fresh and thawed milk [J]. Food Chemistry, 2014, 150: 49-57.

19 SZIGEDI T, FODOR M, PEREZMARIN D, et al. Fourier transform near-infrared spectroscopy to predict the gross energy content of food grade legumes [J]. Food Analytical Methods, 2013, 6(4): 1205-1211.

20 LI J, HUANG W, CHEN L, et al. Variable selection in visible and near-infrared spectral analysis for noninvasive determination of soluble solids content of ‘Ya’ pear [J]. Food Analytical Methods, 2014, 7(9): 1891-1902.

21 KRASZEWSKI B. Determination of the impact of RGB points cloud attribute quality on color-based segmentation process [J]. Biuletyn Wojskowej Akademii Technicznej,2015,64(2):111-121.

22 SAAD A G, IBRAHIM A, EL-BIALEE N. Internal quality assessment of tomato fruits using image color analysis [J]. Agricultural Engineering International CIGR Journal, 2016, 18(1):339-352.

23 MIR-MARQUES A, ELVIRA-SAEZ C, CERVERA M L, et al. Authentication of protected designation of origin artichokes by spectroscopy methods[J]. Food Control, 2016, 59: 74-81.

24 MATIAS T, SOUZA F, RUI A, et al. Learning of a single-hidden layer feedforward neural network using an optimized extreme learning machine[J]. Neurocomputing, 2014, 129:428-436.

25 HUANG G B, ZHOU H, DING X, et al. Extreme learning machine for regression and multiclass classification [J]. IEEE Transactions on Systems, Man, and Cybernetics, 2012, 42(2): 513-529.

26 HUANG G B, ZHU Q Y, SIEW C K. Extreme learning machine: theory and applications [J]. Neurocomputing, 2006, 70(1): 489-501.

27 OUYANG Q, ZHAO J, CHEN Q. Measurement of non-sugar solids content in Chinese rice wine using near infrared spectroscopy combined with an efficient characteristic variables selection algorithm [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2015, 151:280-285.

28 TIAN H X, MAO Z Z. An ensemble ELM based on modified AdaBoost.RT algorithm for predicting the temperature of molten steel in ladle furnace [J]. IEEE Transactions on Automation Science and Engineering, 2010, 7(1): 73-80.

29 KHULAL U, ZHAO J, HU W, et al. Nondestructive quantifying total volatile basic nitrogen (TVB-N) content in chicken using hyperspectral imaging (HSI) technique combined with different data dimension reduction algorithms [J]. Food Chemistry, 2016, 197:1191-1199.

30 HE Y, LI X, DENG X. Discrimination of varieties of tea using near infrared spectroscopy by principal component analysis and BP model [J]. Journal of Food Engineering, 2007, 79(4): 1238-1242.

QualityEvaluationforAppearanceofNeedleGreenTeaBasedonMachineVisionandProcessParameters

DONG Chunwang1,2ZHU Hongkai2,3ZHOU Xiaofen2,4YUAN Haibo2ZHAO Jiewen1CHEN Quansheng1

(1.SchoolofFoodandBiologicalEngineering，JiangsuUniversity，Zhenjiang212013，China2.TeaResearchInstitute,ChineseAcademyofAgriculturalSciences,Hangzhou310008,China3.DepartmentofFoodScience,UniversityofCopenhagen,Frederiksberg999017,Denmark4.AgriculturalBureau,WuyiCounty,Wuyi321200,China)

Green tea has the largest consumption in China, and needle-shaped green tea is a typical type of green tea. The appearance of green tea is the key sensory evaluation index of green tea. However, it is hard to realize an accurate, objective and quantitative evaluation of green tea through manual evaluation on the characteristics as the color, stripe, tenderness and uniformity, etc. Based on internal and external factors such as quality forming process and visual morphology of tea, an intelligent sensory evaluation method of the appearance quality of tea was established. Firstly, collecting the process parameters of tea products and image characteristics of made tea, totally 17 process parameters, nine color features and six texture features were selected, conducting correlation analysis with expert sensory evaluation, and screening out remarkably correlated characteristic variables. In order to obtain an efficient evaluation model, based on process parameters and image characteristic parameters respectively, multiple quantitative evaluation models were established for needle-shaped green tea appearance senses by using three multivariate correction methods such as partial least squares (PLS), extreme learning machine (ELM) and strong predictor integration algorithm (ELM-AdaBoost). The comparison of the results showed that the ELM-AdaBoost model based on image characteristics had the best performance (RPD was more than 2). Its predictive performance was superior to other models, with smaller RMSEP (0.874), Bias (-0.148), SEP (0.226), andCV(0.018) values of the prediction set, respectively. Meanwhile, non-linear model had better predictive performance than linear model, which can better represent the analytic relationship between process parameters, image information and sensory scores, and modeling faster (0.014～0.281 s). AdaBoost method, which was a hybrid integrated algorithm, can further promote the accuracy and generalization capability of the model. The above conclusions indicated that it was feasible to evaluate the quality of appearance of needle green tea based on machine vision and process. This study provided an effective technical method and idea for developing tea sensory quality evaluation methods, and laid theoretical basis and data supports on the development of expert process strategy supporting systems of tea quality, which had a broad industry prospect in tea processing, trading and refined blend technology.

needle green tea； machine vision; appearance; sensory quality; intelligent algorithm； non-linearity

TS272.4; TP183

A

1000-1298(2017)09-0038-08

10.6041/j.issn.1000-1298.2017.09.005

2016-12-19

2017-02-13

國家自然科學(xué)基金項(xiàng)目(31271875)、浙江省自然科學(xué)基金項(xiàng)目(Y16C160009)和中央級(jí)公益性科研院所基本科研業(yè)務(wù)費(fèi)專項(xiàng)(1610212016018)

董春旺(1980—)，男，博士生，中國農(nóng)業(yè)科學(xué)院助理研究員，主要從事茶葉加工技術(shù)研究，E-mail： dongchunwang@tricaas.com

陳全勝(1973—)，男，教授，博士生導(dǎo)師，主要從事現(xiàn)代食品無損檢測技術(shù)研究，E-mail： qschen@ujs.edu.cn