基于機器視覺形狀特征參數(shù)的祁門紅茶等級識別

宋 彥，謝漢壘，寧井銘，張正竹

?

基于機器視覺形狀特征參數(shù)的祁門紅茶等級識別

宋 彥1，謝漢壘1，寧井銘2※，張正竹2

（1. 安徽農(nóng)業(yè)大學工學院，合肥 230000；2. 安徽農(nóng)業(yè)大學茶樹生物學與資源利用國家重點實驗室，合肥 230000）

外形是評價茶葉質(zhì)量的重要指標之一，目前主要依賴人工審評的方法，客觀、準確的評價外形指標對茶葉加工、銷售有重要的意義。該研究提出了一種基于形狀特征直方圖結(jié)合支持向量機的茶葉等級識別方法。以7個等級的祁門工夫紅茶為研究對象，構(gòu)建圖像采集系統(tǒng)，標定相機參數(shù)，采集各等級的茶葉圖像。對圖像進行灰度化、二值化處理，提取葉片的6個絕對形狀特征：長度、寬度、面積、周長、最小外接矩長、寬，在此基礎(chǔ)上計算狹長度，矩形度2個相對形狀特征，生成形狀特征的直方圖。以直方圖分布為特征向量，構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)，極限學習機（extreme learning machine，ELM），支持向量機（support vector machine，SVM），最小二乘支持向量機（least squares support vector machine，LS-SVM）的等級識別模型，并對比了不同模型的識別效果。結(jié)果表明，該文構(gòu)建的圖像采集系統(tǒng)測量精度<0.3 mm，能夠準確提取形狀特征參數(shù)；基于形狀特征直方圖的LS-SVM模型識別效果最好，識別精度為95.71%，測試集決定系數(shù)為96.2%，具有算法復(fù)雜度低，易于求解的優(yōu)點。研究結(jié)果為實現(xiàn)茶葉的客觀、數(shù)字化等級鑒定，提供了試驗數(shù)據(jù)和參考方法。

圖像處理；模型；神經(jīng)網(wǎng)絡(luò)；祁門紅茶；外形；等級識別；支持向量機

0 前 言

祁門紅茶（Keemun black tea）主產(chǎn)于安徽省祁門縣，是中國歷史名茶。按照安徽省地方標準《祁門紅茶》DB34/T1086-2009[1]，將祁門工夫紅茶分為7個等級：特茗、特級、一級、二級、三級、四級、五級。準確、客觀、定量地鑒定茶葉等級在茶葉加工、銷售過程中是不可缺少的。傳統(tǒng)的等級鑒定往往依靠人工的感官判斷，這一方法缺乏客觀的量化依據(jù)，影響了茶葉的質(zhì)量穩(wěn)定性，而且技術(shù)人員培養(yǎng)困難。

目前，基于機器視覺[2-3]和波譜分析[4-5]的方法在農(nóng)產(chǎn)品類別/真?zhèn)舞b別、化學成分檢測[6]等領(lǐng)域得到了廣泛應(yīng)用。這一類方法相對于氣相[7]和液相色譜[8]方法，具有快速、無損、簡便的特點。

在茶葉類別識別領(lǐng)域，Huo等[9]采用電子舌鼻的技術(shù)方法，實現(xiàn)了對9種中國綠茶產(chǎn)地與等級的區(qū)分；Cai等[10]采用近紅外光譜數(shù)據(jù)，建立了用于茶葉分類的自組織神經(jīng)網(wǎng)絡(luò)PLS（partial least squares）模型，相對于經(jīng)典PLS模型，顯著提高了分類準確率。李曉麗等[11]基于多光譜圖像紋理特征識別4種不同種類的綠茶。在茶葉等級識別領(lǐng)域，Chen等[12]綜述了常用的無損檢測技術(shù)在茶葉等級、營養(yǎng)成分分析中的研究進展情況。王曼等[13]提出了基于近紅外光譜的黃山毛峰鮮葉等級評價模型，基于該模型開發(fā)了茶葉品質(zhì)分析儀。Dong等[14]構(gòu)建了LED誘導(dǎo)熒光系統(tǒng)，提出了基于茶湯熒光光譜數(shù)據(jù)的等級識別方法。相對于茶葉類別識別，同類不同級別的茶葉外形、成分較為接近，識別難度顯著增加，目前的研究成果大多基于光譜分析方法。但是，單純基于光譜分析無法對茶葉外形做出準確評價。目前，也有一些學者采用茶葉的可見光圖像或高光譜圖像開展研究工作[15]，如董春旺等[16]采用了顏色、紋理特征評價針芽型綠茶的外形品質(zhì)，Gill等[17]采用了紋理信息識別紅茶的等級，上述研究工作大多采用了顏色、紋理等圖像特征，而忽略了葉片的形狀特征。在紅茶加工過程中，常采用篩分工藝，不同等級茶樣外形、尺寸等參數(shù)分布在同一等級內(nèi)部應(yīng)該具有相似性，各等級之間應(yīng)該具有差異性。基于這一假設(shè)，本文采用機器視覺為技術(shù)手段，構(gòu)建祁門工夫紅茶的形狀特征空間，采用機器學習方法建立識別模型，這為茶葉等級的量化識別提供了新的方法。

1 材料與方法

1.1 試驗材料

試驗茶樣來源于安徽省黃山市祁門源生茶葉有限公司提供的祁門工夫紅茶，包含全部7個等級：特茗、特級、一級、二級、三級、四級和五級。

1.2 試驗設(shè)計

本研究的試驗設(shè)計：從每個等級茶樣中，取出約150~200片的葉片作為樣本，采用本文構(gòu)建的圖像采集系統(tǒng)，采集葉片在相互無遮擋條件下的圖像，并提取若干形狀特征的直方圖，設(shè)計識別模型，實現(xiàn)對祁門工夫紅茶的等級識別。每個等級茶葉采集80幅圖像作為樣本，以3∶1的比例隨機選擇其中的60幅作為訓練集，20幅作為預(yù)測集。

1.3 圖像采集系統(tǒng)和相機標定

1.3.1 圖像采集系統(tǒng)構(gòu)建

圖像采集系統(tǒng)的結(jié)構(gòu)如圖1a所示，包括：工業(yè)相機、背光源、滾筒篩、直線位移模組、載物平臺。滾筒篩結(jié)構(gòu)如圖1b所示，為單側(cè)開孔，由電機驅(qū)動進行旋轉(zhuǎn)，可以通過控制滾筒轉(zhuǎn)動的角度、速度，調(diào)節(jié)茶葉的下落形式。載物平臺由直線位移模組的電機驅(qū)動，平臺上裝有一塊高透光率光學玻璃。系統(tǒng)工作流程如下：首先將茶樣裝入滾筒中，啟動直線位移模組，載物平臺從左向右運動，并控制滾筒篩轉(zhuǎn)動使葉片從篩孔處下落。這樣可以使大部分葉片以相互無遮擋的狀態(tài)均勻散布在光學玻璃上，并分離少數(shù)重疊的葉片。最后控制載物平臺運動到背光源上方，啟動工業(yè)相機采集樣本圖像。相機選用的是型號為MV-U500的工業(yè)相機，其分辨率為2 592× 1 944，像元尺寸為2.2×2.2（m×m）。

圖1 圖像采集系統(tǒng)

1.3.2 相機標定

為測量葉片的形狀參數(shù)，首先對相機進行幾何標定。本文采用的標定方法為“張正友標定法”[18]，標定板采用標準的30′30黑白棋盤格。標定后可得相機的內(nèi)參矩陣。

（1）式中為相機焦距；d、d為像元尺寸；0、0為圖像中心坐標。世界坐標系到圖像坐標系[18]的計算公式如（2）所示。

為了檢測圖像采集系統(tǒng)的測量精度，設(shè)計了尺寸已知的2組測試圖形—矩形組、不規(guī)則多邊形組，對矩形組預(yù)設(shè)其長寬尺寸，不規(guī)則多邊形組預(yù)設(shè)其外接矩形的長寬尺寸，采用本文構(gòu)建的機器視覺系統(tǒng)測量測試圖形的尺寸，分析機器視覺系統(tǒng)的測量精度。

1.4 圖像預(yù)處理和形狀特征提取

為準確識別茶葉等級，需要提取葉片的形狀特征，本文提取的葉片特征有：寬度，長度，面積，周長，狹長度，矩形度。采用葉片的平均寬度作為葉寬，葉片圖像的骨架線長度作為葉片長度，葉片所占像素點個數(shù)作為葉片面積，葉片外輪廓所占像素個數(shù)作為葉片周長。狹長度和矩形度為2個相對形狀特征。

葉片特征提取算法的流程圖如圖2所示。相機采集的圖像為JPG格式，需要對圖像進行預(yù)處理[19-20]。將RGB圖像轉(zhuǎn)化為灰度圖像，通過最大類間方差法[21]選取閾值，將灰度圖像轉(zhuǎn)化為二值圖像，并通過中值濾波減少噪聲[22]。通過上述處理，實現(xiàn)圖像中葉片與背景的分離。

圖2 圖像處理算法流程

以狹長度=/表征單個葉片矩形程度，矩形度=/min表征對外接矩形填充程度，式中為葉片面積，min為葉片最小外接矩形面積。本文采用間隔旋轉(zhuǎn)法求取葉片的最小面積外接矩形[24]（minimum area bounding rectangle，MABR），其基本步驟[25]如下

1）對二值圖像進行輪廓提取，得到由葉片形成的封閉區(qū)域；

2）構(gòu)建圖像中封閉區(qū)域輪廓的外接矩形，并記錄外接矩形長度、寬度和面積；

3）將封閉區(qū)域逆時針旋轉(zhuǎn)1°，重復(fù)步驟2，并在90°范圍完成遍歷后，轉(zhuǎn)入步驟4；

4）比較每次旋轉(zhuǎn)后的外接矩形面積值，得到最小外接矩形面積min=min×min，式中min為最小外接矩形的長度，mm;min為最小外接矩形的寬度, mm。

完成形狀特征參數(shù)提取后，劃分每個特征量的取值區(qū)間，并計算落在每個區(qū)間的頻率[26]，如表1所示，進一步生成形狀特征的直方圖，并將其作為樣本特征。

表1 葉片形狀特征區(qū)間劃分

注：為區(qū)間上下邊界。

Note：is boundaries of interval.

1.5 識別模型

本文設(shè)計了基于核函數(shù)的識別模型—支持向量機（support vector machine，SVM）、最小二乘支持向量機（least squares support vector machine，LS-SVM）、基于神經(jīng)網(wǎng)絡(luò)的識別模型—多層前饋神經(jīng)網(wǎng)絡(luò)[27]和極限學習機[28]（extreme learning machine，ELM）。通過比較4種模型的識別效果，選取最優(yōu)模型。

SVM[29]方法基于統(tǒng)計學習理論構(gòu)建，在很多模式分類問題中表現(xiàn)出了良好的性能。其原理是尋找一個滿足分類要求的最優(yōu)超平面，其數(shù)學描述如下

對上述優(yōu)化問題的求解可以轉(zhuǎn)化為對應(yīng)的對偶問題，該問題的解如（5）所示。

求解SVM問題是一個凸優(yōu)化問題，當數(shù)據(jù)量大且維數(shù)高時，求解速度較慢。Suykens等[30]在標準SVM基礎(chǔ)上提出了LS-SVM模型，該模型中的約束是等式約束，在目標函數(shù)中采用了誤差平方和的形式。其數(shù)學描述如下

2 結(jié)果與分析

2.1 測量精度標定

將制作好的矩形組、不規(guī)則多邊形組作為測試例，每組測試例包含10個圖形，圖像采集系統(tǒng)的測量誤差分布如圖3所示，矩形組和不規(guī)則多邊形組的誤差分布具有較高的一致性。矩形組在世界坐標系的方向和方向的誤差均值分別是0.28和0.33 mm，如圖3a、3b所示；而不規(guī)則多邊形組在方向和方向的平均誤差分別是0.30和0.28 mm，如圖3c、3d所示。

綜合上述誤差分析，在和方向上的測量平均誤差分別是0.29和0.30 mm，故當計算葉片的特征參數(shù)時，可在和方向進行誤差補償，使之具有更高的測量精度。

圖3 矩形組和不規(guī)則形狀組誤差

2.2 圖像預(yù)處理與形狀特征提取

7個等級茶葉樣本圖像如圖4所示。從圖像中可以看出茶葉外形高度相似，均呈條索狀。相鄰等級的茶樣之間表現(xiàn)出較高的近似度，但就單片茶葉而言，難以判斷其所屬等級。

根據(jù)圖像預(yù)處理流程，將RGB圖像轉(zhuǎn)化為灰度圖像，通過最大類間方差法計算閾值為0.75，將灰度圖像轉(zhuǎn)化為二值圖像，并通過一個中值濾波器模板對二值圖像進行降噪處理。降噪后，采用本文提出的特征提取方法，計算葉片的形狀特征。

葉片寬度分布范圍為0~5 mm，以0.5 mm為步長進行劃分；葉片長度分布范圍為0~21 mm，以1.5 mm為步長進行劃分；葉片面積在0~3 500（像素）的范圍內(nèi)，以250像素為步長進行劃分；葉片周長在0~480（像素）的范圍內(nèi)，以間隔30像素為步長進行劃分；狹長度在1~25的范圍內(nèi)，以1.5為步長進行劃分；矩形度在0~1的范圍內(nèi)，以0.1為步長進行劃分。

劃分特征量區(qū)間后，計算樣本在各區(qū)間的頻率，如圖5所示，可以看出不同等級茶樣在各個區(qū)間的分布均表現(xiàn)出一定的差異性，但是相鄰等級在部分區(qū)間的差異性極小，難以采用在單一特征區(qū)間設(shè)定閾值的方法區(qū)分等級，若采用多個不同特征區(qū)間進行聯(lián)合判斷，隨著特征的增加，會導(dǎo)致“維數(shù)災(zāi)”問題，需要調(diào)試的邏輯和閾值會變得極為復(fù)雜。

2.3 不同模型識別結(jié)果與比較

2.3.1 基于BP神經(jīng)網(wǎng)絡(luò)的識別結(jié)果

采用BP神經(jīng)網(wǎng)絡(luò)的識別結(jié)果如表2所示，首先從2個等級識別開始，逐漸增加待識別等級數(shù)量。采用遍歷尋優(yōu)的方法確定隱含層網(wǎng)絡(luò)節(jié)點個數(shù)。對全部7個等級識別的混淆矩陣如表3所示。

a. 特茗 a. Super fineb. 特級 b. Special grade c. 一級 c. First graded. 二級 d. Second grade e. 三級 e. Third gradef. 四級 f. Fourth grade g. 五級 g. Fifth grade

綜合表2~表3的結(jié)果可以發(fā)現(xiàn)：待識別等級數(shù)量低于5個等級時，BP神經(jīng)網(wǎng)絡(luò)能夠保證一定的識別精度，但是需要識別7個等級時，識別精度迅速降低到50%左右，已不具備應(yīng)用的可能。由混淆矩陣可以發(fā)現(xiàn)，誤識別主要發(fā)生在相鄰等級，主要原因是相鄰等級的茶葉形態(tài)相似性很大。

2.3.2 基于極限學習機的識別結(jié)果

采用ELM做識別模型時，首先進行不同等級數(shù)量的識別試驗，仍然采用遍歷尋優(yōu)的方法確定隱含層網(wǎng)絡(luò)節(jié)點個數(shù)，激活函數(shù)采用Sigmoid函數(shù)，結(jié)果如表4所示。預(yù)試驗對比了采用不同激活函數(shù)的識別效果，識別全部7個等級時，采用Sigmoid，Sine，Hardlim作為激活函數(shù)，識別精度分別為87.86%，85.71%，75.71%，可見采用Sigmoid作為激活函數(shù)的識別精度最高。采用Sigmoid函數(shù)識別7個等級茶樣的識別混淆矩陣如表5所示。

圖5 不同等級葉片形狀特征直方圖

綜合表4~表5可以發(fā)現(xiàn)：隨著識別等級數(shù)量的增加，ELM模型的識別性能有所下降，但并不明顯。當識別等級數(shù)量為7個等級時，其識別精度達到了87.86%，相對于BP網(wǎng)絡(luò)有顯著提高。和BP神經(jīng)網(wǎng)絡(luò)類似，誤識別主要發(fā)生在相鄰等級。

2.3.3 基于SVM和LS-SVM的識別結(jié)果

對比BP和ELM模型的識別結(jié)果，SVM和LS-SVM模型的識別精度得到了很大的提高，其中LS-SVM的識別效果最好，正確率達到了95.71%。沒有出現(xiàn)隨著待識別等級數(shù)量的增加，識別模型的精度出現(xiàn)了下降的情況，模型誤識別仍然發(fā)生在相鄰等級。

表2 識別等級數(shù)量遞增時BP神經(jīng)網(wǎng)絡(luò)的分級結(jié)果

表3 采用BP神經(jīng)網(wǎng)絡(luò)識別7個等級茶樣的混淆矩陣

表4 識別等級數(shù)量遞增時ELM模型的分級結(jié)果

2.4 識別模型比較

針對祁門工夫紅茶的等級識別問題，SVM，LS-SVM模型的識別效果優(yōu)于ELM模型的識別效果，ELM模型的識別效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型，其中線性LS-SVM模型的識別精度最高，接近96%。由上述結(jié)果可以發(fā)現(xiàn)2點共性問題：1）隨著待識別等級數(shù)量的增加，模型識別精度逐漸下降；2）通過觀察各識別模型的混淆矩陣，發(fā)現(xiàn)識別錯誤大概率發(fā)生在相鄰等級。上述問題出現(xiàn)的可能原因是：BP，ELM這一類神經(jīng)網(wǎng)絡(luò)識別方法，采用非線性函數(shù)形成的超平面在輸入空間內(nèi)進行分割。而各等級茶樣在形狀特征空間的分布是較為接近的，尤其是相鄰等級的茶樣，因此識別的難度較大，這也是誤識別大概率出現(xiàn)在相鄰等級的原因。而基于核函數(shù)的識別方法，將原始數(shù)據(jù)映射到一個更高維的數(shù)據(jù)空間，降低了構(gòu)造超平面的難度，使得識別的正確率顯著提高。LS-SVM方法相對于經(jīng)典的SVM方法，都有較高的識別精度，且具有算法復(fù)雜度低，易于求解的優(yōu)點，具備了開展應(yīng)用研究的價值。

表5 采用ELM模型識別7個等級茶樣的混淆矩陣

表6 采用SVM，LS-SVM模型的分級結(jié)果

注：s為核函數(shù)方差；為懲罰系數(shù)。

Note：sis variance of kernel function；is penalty coefficient.

表7 采用SVM模型識別7個等級茶樣的混淆矩陣

表8 采用LS-SVM模型識別7個等級茶樣的混淆矩陣

3 結(jié) 論

本文針對祁門工夫紅茶等級識別問題，采用機器視覺的技術(shù)手段，提出了基于形狀特征直方圖的等級識別方法，研究結(jié)論如下：

1）提出一種基于茶葉形狀特征直方圖的祁門工夫紅茶等級識別方法，采用葉片的6個形狀特征：寬度、長度、面積、周長、狹長度和矩形度，描述葉片的外形，結(jié)果表明采用上述6個特征識別祁門工夫紅茶的等級是有效的。

2）相對于神經(jīng)網(wǎng)絡(luò)識別模型，基于核函數(shù)的識別模型能夠獲得較高的識別率，其中LS-SVM的識別率最高為95.71%。這一方法克服了隨著待識別等級數(shù)量的增加，模型識別精度下降、相鄰等級易發(fā)生誤識別的缺點，且具有模型求解簡單的優(yōu)點，表現(xiàn)出了較好的應(yīng)用前景。

本研究為茶葉等級的客觀、數(shù)字化鑒定提供了一種新的方法，在茶葉加工、銷售領(lǐng)域具有較大的應(yīng)用前景。

[1] 黃山市質(zhì)量技術(shù)監(jiān)督局，安徽省農(nóng)業(yè)科學院茶葉研究所. 祁門紅茶DB34/T1086—2009[S]. 合肥：安徽省質(zhì)量監(jiān)督局，2009：12

[2] 王紅軍，熊俊濤，黎鄒鄒，等. 基于機器視覺圖像特征參數(shù)的馬鈴薯質(zhì)量和形狀分級方法[J]. 農(nóng)業(yè)工程學報，2016，32(8)：272－277. Wang Hongjun, Xiong Juntao, Li Zouzou, et al. Potato grading method of weight and shape based on imaging characteristics parameters in machine vision system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(8): 272－277. (in Chinese with English abstract)

[3] Sabzi S, Abbaspour-Gilandeh Y, Javadikia H. Machine vision system for the automatic segmentation of plants under different lighting conditions[J]. Biosystems Engineering, 2017, 161: 157－173.

[4] 劉燕德，肖懷春，孫旭東，等. 柑桔葉片黃龍病光譜特征選擇及檢測模型[J]. 農(nóng)業(yè)工程學報，2018，34(3)：180－187. Liu Yande, Xiao Huaichun, Sun Xudong, et al. Spectral feature selection and discriminant model building for citrus leaf Huanglongbing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(3): 180－187. (in Chinese with English abstract)

[5] 張筱蕾，劉飛，聶鵬程，等. 高光譜成像技術(shù)的油菜葉片氮含量及分布快速檢測[J]. 光譜學與光譜分析，2014，34(9)：2513－2518. Zhang Xiaolei, Liu Fei, Nie Pengcheng, et al. Rapid detection of nitrogen content and distribution in oilseed rape leaves based on hyper spectral imaging[J]. Spectroscopy and Spectral Analysis, 2014, 34(9): 2513－2518. (in Chinese with English abstract)

[6] Maji S, Chakraborty P, Bhowmick M, et al. Diurnal variation in spectral properties of potato under different dates of planting and N-doses[J]. Environment & Ecology, 2015, 33(1): 478－483.

[7] Zhu Jiancai, Wang Lingying, Zuo Bingxiao, et al. Characterization of the key aroma compounds in mulberry fruits by application of gas chromatography–olfactometry (GC-O), odor activity value(OAV), gas chromatography- mass spectrometry (GC–MS) and flame photometric detection (FPD)[J]. Food Chemistry, 2017, 245 (15): 775－785.

[8] Asghari A, Fahimi E, Bazregar M, et al. Rapid determination of some psychotropic drugs in complex matrices by tandem dispersive liquid–liquid micro extraction followed by high performance liquid chromatography[J]. Journal of Chromatography B, 2017, 1052(1): 51－59.

[9] Huo Danqun, Wu Yu, Yang Mei, et al. Discrimination of Chinese green tea according to varieties and grade levels using artificial nose and tongue based on colorimetric sensor arrays[J]. Food Chemistry, 2013, 145 (15): 639－645.

[10] Cai Jianxiong, Wang Yuanfeng, Xi Xionggang, et al. Using FTIR spectra and pattern recognition for discrimination of tea varieties[J]. International Journal of Biological Macromolecules, 2015, 78: 439－446.

[11] 李曉麗，何勇，裘正軍，等. 基于多光譜圖像的不同品種綠茶的紋理識別[J]. 浙江大學學報：工學版，2008，42(12)：2133－2138. Li Xiaoli, He Yong, Qiu Zhengjun, et al. Texture discrimination of different kinds of green tea based on multi-spectral imaging technique[J]. Journal of Zhejiang University Engineering Science, 2008, 42(12): 2133－2138. (in Chinese with English abstract)

[12] Chen Quansheng, Zhang Dongliang, Pan Wenxiu, et al. Recent developments of green analytical techniques in analysis of tea's quality and nutrition[J]. Trends in Food Science & Technology, 2015, 43(1): 63－82.

[13] 王曼，張正竹，寧井銘，等. 基于近紅外光譜的黃山毛峰茶鮮葉品質(zhì)分析及等級快速評價[J]. 食品工業(yè)科技，2014，35(22)：57－64. Wang Man, Zhang Zhengzhu, Ning Jingming, et al. Study on quality analysis and class rapid evaluation of tea leaf materials based on near infrared technology[J]. Science and Technology of Food Industry. 2014, 35(22): 57－64. (in Chinese with English abstract)

[14] Dong Yongjiang, Liu Xuan, Mei Liang, et al. LED-induced fluorescence system for tea classification and quality assessment[J]. Journal of Food Engineering, 2014, 137(8): 95－100.

[15] Sandasi M, Chen Weiyang, Vermaak I, et al. Non-destructive quality assessment of herbal tea blends using hyper spectral imaging[J]. Phytochemistry Letters, 2018, 24: 94－101.

[16] 董春旺，朱宏凱，周小芬，等. 基于機器視覺和工藝參數(shù)的針芽形綠茶外形品質(zhì)評價[J]. 農(nóng)業(yè)機械學報，2017，48(9)：38－45. Dong Chunwang, Zhu Hongkai, Zhou Xiaofen, et al. Quality evaluation for appearance of needle green tea based on machine vision and process parameters[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(9): 38－45. (in Chinese with English abstract)

[17] Gill G S, Kumar A, Agarwal R. Nondestructive grading of black tea based on physical parameters by texture analysis[J]. Biosystems Engineering, 2013, 116(2): 198－204.

[18] Zhang Zhengyou. A flexible new technique for camera calibration[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22(11): 1330－1334.

[19] Gonzalez R C, Woods R E. Digital Image Processing, Third Edition[M]. Upper Saddle River: Prentice Hall, 2001.

[20] Forsyth D A, Ponce J. Computer Vision: A Modern Approach, Second Edition[M]. Upper Saddle River: Prentice Hall, 2012.

[21] 李擎，唐歡，遲健男，等. 基于改進最大類間方差法的手勢分割方法研究[J]. 自動化學報，2017，43(4)：528－537. Li Qing, Tang Huan, Chi Jiannan, et al. Gesture segmentation with improved maximum between-cluster variance algorithm[J]. Acta Automatica Sinica, 2017, 43(4): 528－537. (in Chinese with English abstract)

[22] 王風云，封文杰，鄭紀業(yè)，等. 基于機器視覺的雙孢蘑菇在線自動分級系統(tǒng)設(shè)計與試驗[J]. 農(nóng)業(yè)工程學報，2018，34(7)：256－263. Wang Fengyun, Feng Wenjie, Zheng Jiye, et al. Design and experiment of automatic sorting and grading system based on machine vision for white agaricusbisporus[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(7): 256－263. (in Chinese with English abstract)

[23] Sujaritha M, Annadurai S, Satheeshkumar J, et al. Weed detecting robot in sugarcane fields using fuzzy real time classifier[J]. Computers and Electronics in Agriculture, 2017, 134: 160－171.

[24] 張旭明，徐濱士，董世運. 用于圖像處理的自適應(yīng)中值濾波[J]. 計算機輔助設(shè)計與圖形學學報，2005，17(2)：295－299. Zhang Xuming, Xu Binshi, Dong Shiyun. Adaptive median filtering for image processing[J]. Journal of computer-aided design & computer graphics, 2005, 17(2): 295－299. (in Chinese with English abstract)

[25] 程鵬飛，閆浩文，韓振輝. 一個求解多邊形最小面積外接矩形的算法[J]. 工程圖學學報，2008,29(1)：122－125. Cheng Pengfei, Yan Haowen, Han Zhenhui. An algorithm for computing the minimum area bounding rectangle of an arbitrary polygon[J]. Journal of Engineering Graphics, 2008,29(1): 122－125.

[26] 趙杰文，林顥. 食品、農(nóng)產(chǎn)品檢測中的數(shù)據(jù)處理和分析方法[M]. 北京：科學出版社，2012.

[27] 張德豐. MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M]. 北京：機械工業(yè)出版社，2009.

[28] Huang Guangbin, Zhu Qinyu, Siew C K. Extreme learning machine: Theory and applications[J]. Neurocomputing, 2006, 70(1): 489－501.

[29] 周志華. 機器學習[M]. 北京：清華大學出版社，2016.

[30] Suykens J A K, Vandewalle J. Least squares support vector machine classifiers[J]. Neural Processing Letters, 1999, 9(3): 293－300.

Grading Keemun black tea based on shape feature parameters of machine vision

Song Yan1, Xie Hanlei1, Ning Jingming2※, Zhang Zhengzhu2

(1.230000,; 2.230000,

Objective and accurate identification of tea grades is indispensable in tea processing and sales. Traditional grade identification often depends on human sensory judgments. This method is subjective, difficult to quantify, and has a certain error probability. The objective of this paper was to establish an objective and accurate method to identify the appearance grade of tea. In this paper, Keemun congou black tea was taken as the research object, and a SVM recognition method based on shape feature histogram multi-feature fusion was proposed. Firstly, the tea image acquisition system was built and the camera parameters were calibrated. Rectangular groups and irregular polygon groups of fix dimensions were used to test the measurement accuracy of the image acquisition system. The RGB image of tea leaves was greyed and its binary image was obtained. In order to obtain uniform shape feature parameters, the rotation of tea image was carried out with the minimum area of the leaf's outer rectangle as the constraint. Secondly, 6 absolute shape features - leaf length, leaf width, leaf area, leaf perimeter, the length and width of minimum area bounding rectangle, were extracted. On this basis, 2 relative shape features of length-width ratio and rectangularity were calculated. The histograms of different tea samples in different interval were further obtained, and the histogram distribution of the above characteristics was used as classifier inputs. Finally, the BP neural network, extreme learning machine (ELM), support vector machine (SVM) and least squares support vector machine (LS-SVM) were used as classifiers to classify tea samples. This result showed that the measurement accuracy of the image acquisition system constructed in this paper was less than 0.3 mm, and the shape feature parameters could be accurately extracted. When identifying all seven grades of tea samples, the recognition accuracy of BP neural network was 53.6%, the recognition accuracy of ELM was 87.86%, the recognition accuracy of SVM was 94.29% and the recognition accuracy of LS-SVM was 95.71%. The details of BP neural network classifier were as below: When 2 grades were classified, the recognition accuracy was 100% and the determination coefficient of the test set was 100.00%. When four grades were classified, the recognition accuracy was 97.5% and the determination coefficient of the test set was 93.19%. When all 7 classes were classified, the determination coefficient of test set was 53.6%. The details of ELM classifier were as below: When three grades were classified, the recognition accuracy was 90.00% When five grades were classified, the recognition accuracy was 88.00%.When SVM classifier with linear kernel function was used to identify 7 grades, the determination coefficient of test set was 86.10%. When LS-SVM classifier with linear kernel function was used to identify 7 grades, the determination coefficient of test set was 96.20%. It could be seen that the classifier based on LS-SVM had higher recognition accuracy and the best effect. There were two types of problems in the classification process: One was as the misidentification rate increased with samples amount increasing in the classification model, the second was the misidentification largely happened in adjacent classes. These problems were discussed in this paper. Through the above research, it was verified that the shape feature could be used to identify the appearance grade of Keemun congou black tea. This paper provided detailed experimental data and reference methods for the objective and digital grade identification of Keemun congou black tea.

image processing; models; neural networks; keemun black tea; appearance; identify grade; support vector machine

宋 彥，謝漢壘，寧井銘，張正竹. 基于機器視覺形狀特征參數(shù)的祁門紅茶等級識別[J]. 農(nóng)業(yè)工程學報，2018，34(23)：279－286.doi：10.11975/j.issn.1002-6819.2018.23.036 http://www.tcsae.org

Song Yan, Xie Hanlei, Ning Jingming, Zhang Zhengzhu. Grading Keemun black tea based on shape feature parameters of machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(23): 279－286. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.23.036 http://www.tcsae.org

2018-06-21

2018-10-11

國家重點研發(fā)計劃項目（2017YFD0400800）；國家自然科學基金-青年基金項目（61503363）；國家重點實驗室開放基金項目（安徽農(nóng)業(yè)大學茶樹生物學與資源利用國家重點實驗室開放基金資助項目SKLTOF20170118）聯(lián)合資助

宋彥，副教授，研究方向為智能農(nóng)業(yè)技術(shù)與裝備。 Email：songyan@ahau.edu.cn

寧井銘，教授，研究方向為茶葉加工與品質(zhì)分析及光譜技術(shù)在茶葉品質(zhì)分析中應(yīng)用。Email：ningjm@ahau.edu.cn

10.11975/j.issn.1002-6819.2018.23.036

TP391.4

A

1002-6819(2018)-23-0279-08