計算機視覺技術(shù)在茶葉領(lǐng)域中的應(yīng)用現(xiàn)狀及展望

黃藩，劉飛，王云，羅凡

四川省農(nóng)業(yè)科學(xué)院茶葉研究所，四川 成都，610066

茶產(chǎn)業(yè)是中國農(nóng)業(yè)增效、農(nóng)民增收、鄉(xiāng)村增綠的重要產(chǎn)業(yè)。雖然近年來取得了長足的進步[1-2]，但隨著消費者對茶葉產(chǎn)品多樣、安全、優(yōu)質(zhì)的要求提升，發(fā)展高效、精準、環(huán)保、智能的現(xiàn)代化茶產(chǎn)業(yè)已經(jīng)成為供給側(cè)結(jié)構(gòu)性改革的必然要求[3-4]。在生產(chǎn)鏈中，實時狀態(tài)下茶葉的視覺屬性（又稱外觀屬性，主要包括顏色、形狀、紋理等）對于栽培、植保、加工、審評等來說，是一項非常重要的基礎(chǔ)信息，不僅直接反映了茶葉的物理特性，也是采摘標準、加工程度、感官評價中重要的判斷依據(jù)。但傳統(tǒng)的檢測方法都是采用肉眼觀察、手工接觸等方式進行，這些方法易受經(jīng)驗、習(xí)慣、偏好等主觀因素和外部環(huán)境的影響，致使檢測過程耗時費力，檢測結(jié)果主觀性強、一致性差、差錯率高、量化難[5]。因此，研發(fā)高效、實時、動態(tài)、無損的檢測方法，在現(xiàn)代化茶產(chǎn)業(yè)發(fā)展中至關(guān)重要。

計算機視覺技術(shù)，是一門涉及圖像處理、圖像分析、模式識別和人工智能等多種技術(shù)的新興交叉學(xué)科，具有快速、實時、經(jīng)濟、一致、客觀、無損等檢測特點。在田間雜草識別和作物病蟲害監(jiān)測診斷[6-8]、作物生長量和營養(yǎng)信息監(jiān)測[9-10]、作物智能收獲和果蔬智能采摘[11-12]、農(nóng)產(chǎn)品品質(zhì)無損檢測和分級[13-15]等農(nóng)業(yè)領(lǐng)域，取得了良好的效果。但計算機視覺技術(shù)在茶葉領(lǐng)域的應(yīng)用起步較晚，還具有較大的發(fā)展空間。本文簡述了計算機視覺技術(shù)在茶產(chǎn)業(yè)應(yīng)用的可行性、現(xiàn)狀和發(fā)展前景，為計算機視覺技術(shù)在茶葉領(lǐng)域中的應(yīng)用提供參考。

1 計算機視覺技術(shù)在產(chǎn)業(yè)中的應(yīng)用

1.1 計算機視覺技術(shù)檢測原理

計算機視覺技術(shù)（Computer vision，CV）的基本原理是利用圖像傳感器來代替人的視覺，獲得目標對象的圖像信號，然后傳輸給專用的圖像處理系統(tǒng)，將像素分布、顏色、亮度等圖像信息轉(zhuǎn)換成數(shù)字信號，并對這些信號進行多種運算與處理，提取出目標的特征信息進行分析和理解，最終實現(xiàn)對目標的識別、檢測和控制等[16]。

計算機視覺技術(shù)首先由CCD攝像頭采集高質(zhì)量圖像，實現(xiàn)高精度測量，然后通過圖像數(shù)字化模塊、數(shù)字圖像處理模塊、智能判斷決策模塊等軟件模塊的精確數(shù)理統(tǒng)計運算和分析，包括參數(shù)經(jīng)過線性回歸（Linear Regression）、主成分分析方法（Principal Component Analysis）[17]、學(xué)習(xí)型矢量法、貝葉斯決策（Bayesian Decision Theory）[18]、支持向量機（Support Vector Machine）[19]、遺傳算法（Genetic Algorithm）[20]、BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network）、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network）[21]等，構(gòu)建判別模型，為圖像目標某一方面的判斷提供依據(jù)。

1.2 茶葉的計算機視覺特征

顏色特征是基于顏色空間分割方法和顏色坐標的一種表達方式；形狀特征是對單個嫩芽、葉片或者整株冠層的邊緣、區(qū)域的描述；紋理特征是將數(shù)字圖像中相鄰像素的灰度或顏色的空間相關(guān)性，或是圖像灰度和顏色隨空間位置變化的視覺表現(xiàn)。顏色、形狀、紋理等視覺屬性是計算機視覺技術(shù)檢測應(yīng)用的原始數(shù)據(jù)，而茶鮮葉、在制品、茶產(chǎn)品的圖像特征參數(shù)受多種因素影響。由于品種、輪次、生長周期等內(nèi)因和光照、水肥、病害、蟲害等外因的影響，茶鮮葉的葉色深淺和亮度、茶樹長勢、葉片形狀和質(zhì)感、茶樹冠層和葉片的紋理等都會發(fā)生相關(guān)改變；茶葉在加工過程中，由于水分散失、外力擠壓、酶促反應(yīng)、高溫加熱等一系列條件作用，伴隨著劇烈的生理、化學(xué)、物理變化，在制品的顏色、形狀、紋理等圖像特征參數(shù)隨之變化；而采用不同茶鮮葉原料，通過不同工藝加工制成的茶產(chǎn)品，在最終的產(chǎn)品外觀特征上也千差萬別。

2 計算機視覺技術(shù)在茶產(chǎn)業(yè)中應(yīng)用的現(xiàn)狀

2.1 茶園作業(yè)的應(yīng)用

目前計算機視覺技術(shù)主要應(yīng)用于茶葉機采。采茶機器人的茶園作業(yè)，首先要識別茶行和茶垅，才能及時、準確規(guī)劃行走路徑，實現(xiàn)茶園的自動化采摘需求。茶行和茶垅在亮度上存在的明顯區(qū)別，茶行和土壤的顏色也有較大不同。機器人在茶園工作時，首先通過高斯濾波處理減少圖像噪聲，再通過計算機視覺系統(tǒng)采集茶園圖像，將RGB顏色參數(shù)通過不同的算法，實現(xiàn)圖像灰度化處理來分離作物和背景；根據(jù)茶行、茶垅、土壤在亮度和顏色上的不同，記錄茶垅左右邊緣點，并判別壟間還是壟頭，最終通過最小二乘法或基本蟻群算法擬合導(dǎo)航線來規(guī)劃采茶路徑的流程[22-24]。

采茶機器人進入茶園后，執(zhí)行作業(yè)的首要任務(wù)是利用計算機視覺系統(tǒng)根據(jù)芽葉在顏色、形狀和紋理上的明顯區(qū)別對目標芽葉的識別與定位。由于芽葉嫩度的不同，其顏色差異最大。韋佳佳等[25]和張浩等[26]利用自然環(huán)境下茶樹嫩梢與背景（土壤、老葉、莖等）之間的顏色差異，在不同的顏色空間分別選擇R-B、I、b、S、Cb因子對圖像進行灰度化，并根據(jù)灰度化結(jié)果對比采用OTSU、迭代閾值或固定閾值法中進行圖像分割，運用面積濾波、腐蝕膨脹的方法去除噪聲，得到嫩芽的二值圖像，并采用質(zhì)心法求取嫩梢的中心位置，提供水平方向坐標，實現(xiàn)了茶葉嫩梢的自動識別。楊福增等[27]在利用顏色不同區(qū)分嫩葉和老葉的同時，根據(jù)邊緣輪廓提取茶葉的形狀特征，從圖像左上角開始逐行掃描，直至檢測到老葉葉片的上邊緣，記錄下所有老葉上邊緣點坐標值后，經(jīng)過計算勾勒出老葉和嫩葉的分割線，區(qū)別老葉和嫩葉，使采摘更準確。

2.2 病蟲害監(jiān)測的應(yīng)用

目前茶園病蟲害防治主要依靠農(nóng)技人員的肉眼監(jiān)測，但隨著全球氣候變暖、新品種推廣、種植制度改革等變化，病蟲害發(fā)生種類趨于增加，農(nóng)技人員的經(jīng)驗已經(jīng)不能滿足現(xiàn)實需求。用計算機視覺技術(shù)將茶樹病蟲害的診斷防治技術(shù)固化在儀器中，發(fā)展先進和全面的病蟲害監(jiān)測技術(shù)與手段，將能滿足現(xiàn)代化茶園建設(shè)的需要。計算機視覺在茶園病蟲害的監(jiān)測上起步較晚。李潔[28]掃描了茶赤葉斑病的茶樹病葉，根據(jù)受害部位顏色的不同進行圖像分割，記錄直方圖中的像素值，并換算成葉面積，進而計算受害面積百分率，雖然較傳統(tǒng)人工測定法效率提高10倍以上，但并沒有建立計算機視覺識別模型。陳晶等[29]將計算機視覺技術(shù)引入到了茶小綠葉蟬的自動識別領(lǐng)域，通過Lab顏色空間來準確描述顏色深淺以及亮度的變化，體現(xiàn)色相間的差異，進而實現(xiàn)茶園中茶小綠葉蟬的準確及時預(yù)報，但圖像的閾值分割方法要根據(jù)茶園環(huán)境和蟲害情況人為選擇，目前還沒有通用模式。相比計算機視覺技術(shù)在玉米[30]、大麥[31]、水稻[32]、葡萄[33]、番茄[34]、黃瓜[35]等植物上通過對植物病斑圖像進行分割，提取顏色、紋理、形狀等特征參數(shù)，對病蟲害種類及危害程度進行識別，進而采取相應(yīng)的農(nóng)業(yè)綜合防治措施而言，在茶園病蟲害的監(jiān)測方面，計算機視覺技術(shù)的應(yīng)用相對落后，還需要進一步探索。

2.3 茶葉加工中的應(yīng)用

2.3.1 鮮葉分級

鮮葉采后分級是加工的首道工序，也是提高茶葉品質(zhì)的關(guān)鍵步驟。目前利用計算機視覺分級分類方法的研究集中在實驗室，通過拍攝無重疊的芽葉圖像，提取RGB顏色參數(shù)[36-37]，面積、周長、等二階矩橢圓長、短軸長度等形狀特征參數(shù)[38]，圖像的對比度/平滑度等紋理特征[39]，然后搭建神經(jīng)網(wǎng)絡(luò)識別模型，實現(xiàn)芽葉識別及分選。由于實驗室和生產(chǎn)線環(huán)境的不同，應(yīng)用效率較低，但為生產(chǎn)線的應(yīng)用提供了理論依據(jù)。江才華等[40]通過對生產(chǎn)線機制茶葉進行研究，其基于灰度共生矩陣（GLCM）方法，提取鮮葉的方向為 0°、像素距離為 10的紋理能量、對比度、相關(guān)性、逆差距4個特征值，再應(yīng)用支持向量機（SVM）來實現(xiàn)茶鮮葉的在線分類。這種基于鮮葉表面紋理特征進行分類的識別方法，需要進一步結(jié)合生產(chǎn)線的工藝參數(shù)，完成茶鮮葉的嫩度情況和工藝參數(shù)的映射組合，實現(xiàn)多目標靶向的鮮葉處理，更好地制作茶葉產(chǎn)品。

2.3.2 初加工監(jiān)測

在毛茶制作過程中，通過含水量、顏色、成條率等常用的監(jiān)測指標，判斷某種工序進程。例如，通過含水量監(jiān)測萎凋和干燥工序，顏色特征變化監(jiān)測紅茶發(fā)酵工序，成條率監(jiān)測茶葉揉捻工序。但是傳統(tǒng)的手摸法或快速水分測定儀測定在制品的含水量，肉眼觀察法既定顏色變化，肉眼觀察法估計成條率等對監(jiān)測指標測定的方法均較為粗放。計算機視覺技術(shù)利用采集到的在制品圖像信息，提取顏色、形狀、紋理特征參數(shù)，分析各個參數(shù)的變化規(guī)律，結(jié)合主成分分析，建立圖像特征參數(shù)與含水量的回歸方程，與在制品含水量相關(guān)性最大的圖像特征參數(shù)即可來監(jiān)測萎凋或干燥的工序進程[41-45]。李文萃等[46]利用計算機視覺技術(shù)對貴州綠茶連續(xù)化生產(chǎn)線加工中的在制品進行色澤在線監(jiān)測，發(fā)現(xiàn)顏色參數(shù) G變動幅度較大，能較好地反映綠茶加工中的色澤變化，且與含水量、茶多酚總量、水浸出物3種品質(zhì)成分的相關(guān)系數(shù)分別達到 0.953、-0.925和0.931。Borah等[47-48]和楊龍[49]對紅茶發(fā)酵圖像進行處理后，提取圖像的 RGB均值、HSI均值以及3類顏色的區(qū)域大小，結(jié)合紅茶品質(zhì)特征值（茶多酚、茶黃素、茶湯Lab值）對茶樣進行了感官審評，利用BP神經(jīng)網(wǎng)絡(luò)的方法對提取的圖像顏色特征值進行了訓(xùn)練，得到了神經(jīng)網(wǎng)絡(luò)預(yù)測茶葉發(fā)酵程度的判別模型。李莎莎等[50]采集紅茶不同發(fā)酵時間的在制品和發(fā)酵適度的標準品的圖像信息，計算在制品圖像R、G、B 3種顏色分量直方圖與標準品圖像的Manhattan距離，當 Manhattan距離小于設(shè)定閾值時，則判斷為發(fā)酵適度。結(jié)合感官審評結(jié)果，認為這種基于RGB直方圖對比算法判別紅茶發(fā)酵適度的方法判別準確率達到93.2%。揉捻中在制品的成條率跟圖像特征參數(shù)存在密切關(guān)系，劉飛[51]在紅茶揉捻中發(fā)現(xiàn)紋理特征參數(shù)中的平均周長和平均面積，均隨成條率的升高而逐漸降低；色澤特征參數(shù)中的G值、2G-R-B值、HUE值、Hab*值隨成條率的升高而減小，而 R/G值隨成條率的升高而增大，但是沒有建立基于計算機視覺技術(shù)的揉捻工序監(jiān)測方法。

2.3.3 毛茶分級

計算機視覺系統(tǒng)通過毛茶茶葉和茶梗的形狀、含水量及顏色的不同，進行分選分級，提高了毛茶精制的效率和茶葉品質(zhì)。計算機視覺分級分選系統(tǒng)的研發(fā)，一直是農(nóng)產(chǎn)品行業(yè)研究的熱點[52-54]，但在茶產(chǎn)業(yè)起步較晚。吳正敏等[55]針對機采大宗綠茶的形狀特征進行試驗，對無重疊擺放的干茶進行圖像采集，提取出干茶樣品凸包面積、凸包周長、長軸長度、短軸長度等圖像特征參數(shù)，同時設(shè)計三級的BP神經(jīng)網(wǎng)絡(luò)算法對提取的參數(shù)進行分析，實現(xiàn)了干茶的全芽、一芽一葉和一芽二葉共3類等級的分選，但效率極低。陳筍[56]對采集的圖像進行處理（矩陣分析、特征降維）、比對后得到了茶葉茶梗的1個顏色特征和4個幾何特征，結(jié)合支持向量機和最小風(fēng)險貝葉斯分類器兩者各自優(yōu)勢，組合成多分類器分揀方法，初步探索了提高茶葉色選精度的方法。胡焦[57]通過綜合茶葉顏色和形狀特征以及貝葉斯分類器等技術(shù)，開發(fā)出上位機人機交互軟件，提高了茶葉色選機的智能化水平。雖然計算機視覺毛茶分級技術(shù)有更高的精度，也更加的智能，但還處于轉(zhuǎn)化階段，需要進一步研究。

2.4 茶葉審評的應(yīng)用

在茶葉生產(chǎn)和貿(mào)易流通領(lǐng)域，感官審評是茶葉品質(zhì)和價格評判的重要手段，但是對審評人員的專業(yè)能力要求高，且受審評人員的嗜好性和環(huán)境影響較大。為了克服感官審評技術(shù)的隨機性大、主觀性強、重復(fù)性差等弊端，科技工作者通過尋找感官品質(zhì)與視覺特征的相關(guān)性，區(qū)別不同類型和等級的茶葉，拓展茶葉感官審評定量分析的方法。計算機視覺技術(shù)采集干茶的圖像信息，提取 RGB、HSI、Lab等顏色特征，長、寬、面積等形狀特征和粗糙度、對比度、方向度、平滑度、一致性等紋理特征[58-60]，再利用主成分分析、多層神經(jīng)網(wǎng)絡(luò)、支持向量機等方法對圖像特征進行分類，實現(xiàn)茶葉等級的區(qū)分。

計算機視覺技術(shù)定量化分析最早是根據(jù)茶葉色澤上的差異進行區(qū)分。張景林[61]在白色背景下，采集了無重疊的鐵觀音干茶圖像，分析了R、G、B、H、S、V、(R-G)、(R-B) 8個顏色特征的分布情況，依據(jù)Fisher判別分析理論構(gòu)建特征向量函數(shù)并使用 K-means聚類算法，最終完成對鐵觀音干茶色澤上的定量化分析。蔡健榮[62]采集不同年份生產(chǎn)的龍井茶的干茶色澤圖像，發(fā)現(xiàn)可以通過HSI顏色系統(tǒng)參數(shù)定量地描述茶葉色澤隨儲藏時間的變化規(guī)律。吳瑞梅[63]在碧螺春審評中，不僅提取了12個顏色特征，而且提取了28個紋理特征，同時進行感官審評，建立這些圖像特征變量與名優(yōu)綠茶外觀感官評分之間的 BP神經(jīng)網(wǎng)絡(luò)（BP-ANN）模型，該模型對預(yù)測集樣本的預(yù)測均方根誤差（RMSEP）為2.396，相關(guān)系數(shù)（Rp）為0.937。俞輝[64]通過“扁條形茶及芽茶色形品質(zhì)指標分析軟件”，能直接讀出掃描范圍內(nèi)的每片茶葉的長度L、寬度W、周長P、面積A、紅R、綠G、藍B指標，以及所有葉片各參數(shù)的平均值及標準差，通過對以上圖像特征參數(shù)的分析，實現(xiàn)扁條形茶及芽茶的品質(zhì)判斷和分級。董春旺等[65]在采集機制綠茶的干茶顏色、紋理特征以及外觀感官評分的同時，采集樣品制作中的17個工藝參數(shù)，通過聯(lián)合線性的偏最小二乘法（PLS）和非線性的極限學(xué)習(xí)機神經(jīng)網(wǎng)絡(luò)（ELM），建立的綠茶外觀品質(zhì)的儀器化表征方法，同時可以為智能化生產(chǎn)中的工藝決策提供理論依據(jù)。

3 展望

開展計算機視覺技術(shù)的研究，實現(xiàn)茶產(chǎn)業(yè)全過程的自動控制及精細化調(diào)控管理，對于保證茶產(chǎn)業(yè)的高產(chǎn)、高效、優(yōu)質(zhì)、安全、健康，實現(xiàn)可持續(xù)發(fā)展具有重要意義。綜合前期研究現(xiàn)狀不難發(fā)現(xiàn)，計算機視覺技術(shù)僅在茶樹蟲害、嫩芽識別、色選技術(shù)、初加工在線監(jiān)測、感官審評量化分析等方面有初步探索，但是在應(yīng)用的廣度和深度上，還存在很多問題。例如圖像信息在復(fù)雜背景條件下的穩(wěn)定性、可獲取性變差；圖像處理技術(shù)與田間精準農(nóng)具結(jié)合欠佳，精準定位效果差；圖像特征參數(shù)與內(nèi)含物質(zhì)成分的關(guān)系，缺乏深入細致的研究；計算機對圖像信息的處理和傳輸速度慢，結(jié)果滯后等都限制了實時監(jiān)測的應(yīng)用效果。以上都是計算機視覺技術(shù)從單一靜態(tài)的實驗室應(yīng)用到實踐生產(chǎn)中，需要解決的實際問題。

目前，傳統(tǒng)的基于灰度圖像的算法已難以勝任復(fù)雜圖像處理的需要，為了提高計算機視覺技術(shù)檢測應(yīng)用的深度，模糊邏輯、人工元神經(jīng)元網(wǎng)絡(luò)以及遺傳進化計算等智能算法已在計算機視覺領(lǐng)域獲得廣泛應(yīng)用，故以智能理論與技術(shù)為手段，能夠適合農(nóng)業(yè)復(fù)雜環(huán)境、處理復(fù)雜圖像、具有啟發(fā)式的且高效的彩色圖像處理技術(shù)將會成為計算機視覺技術(shù)應(yīng)用于農(nóng)業(yè)領(lǐng)域的研究熱點[66]。為了實現(xiàn)對茶葉種植、加工、質(zhì)檢、流通等執(zhí)行全方位、全角度、全流程的品質(zhì)檢測，需要進一步增強計算機視覺技術(shù)與電子鼻、電子舌、近紅外技術(shù)、高光譜成像技術(shù)、太赫茲技術(shù)和遙感技術(shù)等檢測技術(shù)的有機結(jié)合，實現(xiàn)多種圖像技術(shù)、圖像模式和非成像傳感器技術(shù)等的集成應(yīng)用，通過不同的信息源對某一性狀進行檢測，不僅能提高檢測結(jié)果的客觀性和準確度，還能提高檢測系統(tǒng)的穩(wěn)健性。在提升圖像處理技術(shù)和融合多種檢測技術(shù)的基礎(chǔ)上，更需要結(jié)合植物生理學(xué)、病理學(xué)、食品化學(xué)等多種知識，根據(jù)拍攝對象的多元特征參數(shù)，建立科學(xué)、完整、系統(tǒng)的數(shù)據(jù)圖像特征參數(shù)組合模型，組成特征矢量，提高識別的準確性，才能更好地為農(nóng)業(yè)的精準化和智能化服務(wù)。另外，通過互補信息提高計算機視覺系統(tǒng)檢測的廣度，提高系統(tǒng)性狀評判的綜合性，便于實現(xiàn)茶園和茶廠的數(shù)字化信息管理，形成品質(zhì)信息流，實現(xiàn)茶葉質(zhì)量的可追溯性，從而保證種植、加工、質(zhì)檢、流通等各環(huán)節(jié)的產(chǎn)品供給質(zhì)量，優(yōu)化整個產(chǎn)業(yè)鏈的生產(chǎn)流程，提高產(chǎn)品質(zhì)量，增加產(chǎn)業(yè)鏈經(jīng)濟效益[67]。