圖像處理在茶葉嫩芽智能采摘中的應用進展

夏華鵾 史必高 黃海霞 吳曉盼

摘? 要：茶葉嫩芽智能采摘是茶葉生產(chǎn)智能化、信息化的重要前提，基于圖像的茶葉智能采摘已成為國內外研究熱點。該文綜述了圖像處理技術在茶葉嫩芽分割、定位和智能采摘中的應用，比較了各方法的優(yōu)缺點，并對圖像處理技術在茶葉智能化采摘上的應用前景提出了展望。

關鍵詞：圖像處理;嫩芽分割;智能采摘;自動定位

中圖分類號 TP391.4? ?文獻標識碼 A? ?文章編號 1007-7731（2019）09-0133-2

Abstract：Intelligent picking of tea sprouts is an important prerequisite for tea production intelligence and informationization. Intelligent picking of tea sprouts has become a research hotspot at home and abroad. In this paper，the application of image processing technology in tea sprouts segmentation，localization and intelligent picking were reviewed. The advantages and disadvantages of each method were compared，and the application prospect of image processing technology in tea intelligent picking was prospected.

Key words：Image processing;Sprouts segmentation;Intelligent picking;Automatic positioning

茶葉生產(chǎn)加工主要包括采摘、曬青、殺青、揉捻、焙火等幾道工序，采摘是茶葉生產(chǎn)的首道工序，嫩芽采摘的好壞直接影響后期成品茶質量。隨著“互聯(lián)網(wǎng)+農(nóng)業(yè)”的不斷推進與應用，智能化采摘成為茶學領域研究熱點。為此，筆者綜述了數(shù)字圖像處理技術在茶葉嫩芽智能采摘中的應用，旨在為茶葉生產(chǎn)加工智能化應用[1]和發(fā)展提供參考。

1 圖像處理在茶葉嫩芽分割中的應用

利用茶葉嫩芽與老葉、土壤、枝條等背景在顏色特征上具有差異性，楊福增[2]、劉志杰[3]均通過提取“午子仙毫”茶葉的G分量進行嫩芽分割。針對單一色彩因子易受到光照的影響，韋佳佳[4]、唐仙[5]、吳雪梅[6]和袁加紅[7]分析不同顏色空間下各色彩因子間的線性組合，提出了基于色差因子的茶葉嫩芽圖像分割方法。

自然條件下茶葉分割不僅易受到環(huán)境、老葉、茶梗和土壤的影響，而且茶葉遮擋和重疊等也增大了嫩芽分割難度。汪建[8]以H和S分量作為種子區(qū)域，提出基于顏色相似性和區(qū)域鄰接性的區(qū)域生長合并方法，實現(xiàn)了茶葉嫩芽分割。由于嫩芽目標與背景相對固定，吳雪梅[9]、張可[10]等提出基于Lab顏色模型的K-means聚類方法，實現(xiàn)了嫩芽與其他背景的分割，但該方法往往通過人工設定聚類數(shù)目，且易出現(xiàn)過分割問題。方坤禮[11]提出基于超綠2R-G-B特征的改進JSEG分割技術，邵明[12]設計一種級聯(lián)的茶葉圖像分割方法，首先利用茶葉圖像的超綠-超紅顏色特征、自適應二值化和數(shù)學形態(tài)學變換等對茶葉圖像進行初始分割，然后通過基于統(tǒng)計學的快速區(qū)域合并算法實現(xiàn)茶葉嫩芽的有效分割，且避免過分割現(xiàn)象。

2 圖像處理在茶葉嫩芽定位中的應用

茶葉嫩芽識別是實現(xiàn)鮮茶智能采摘的前提，嫩芽識別后對其采摘位置信息的提取也是實現(xiàn)智能采摘的關鍵技術。楊福增[1]、劉志杰[2]、姚波[13]在確定了茶葉“兩瓣一心”區(qū)域的基礎上，分別利用邊緣檢測、逐行掃描法和形態(tài)腐蝕法實現(xiàn)了嫩芽位置的標記。裴偉[14]提出基于茶葉圖像的二維采摘坐標提取方法，首先獲取茶葉嫩芽區(qū)域，然后提取嫩芽圖像外輪廓和最小外接矩形，以最小外接矩形的中心點為嫩芽的采摘點。相對于質心法確定的采摘點，裴偉等提取的采摘點更能反映茶葉嫩芽的莖根部所在位置。張浩[15]提出基于光柵投影輪廓技術的茶葉嫩梢定位系統(tǒng)，該系統(tǒng)可以一次性實現(xiàn)整個工作面的嫩梢定位，同時有效獲取嫩梢三維信息，為名優(yōu)茶智能采摘機解決了茶葉嫩梢定位問題。

3 圖像處理技術在智能采茶機研發(fā)中的應用

目前市場上推廣使用的有手提式或背負式采茶機，這類采茶機雖然在一定程度上能提升采摘效率，但仍需人力攜帶操作，且對茶葉嫩芽缺乏選擇性，采摘出的茶葉參差不齊，對茶樹損害較大。針對這一問題，湯一平[16]設計了一種基于機器視覺的乘用式采茶機，提出了嫩芽自動識別與采茶機割刀的自動調平調高控制方法。王偉羊[17]提出了一種基于機器視覺的乘用型采茶機導航方法，修繕了乘用式采茶機容易出現(xiàn)割刀與茶行在對準上出現(xiàn)偏差的問題。王財盛[18]提出了基于機器視覺的采茶機割刀控制方法，首先用間接定位法定位割刀，以有效降低計算復雜度，然后利用動態(tài)閾值分割法和顏色分類器能準確地識別嫩芽區(qū)域。裴偉[19]設計了三維快速驅動式采茶機系統(tǒng)，優(yōu)化了茶葉采摘定位坐標的提取以及路徑，滿足了名優(yōu)茶鮮葉選擇性和高品質采摘的需求。

4 結語

隨著農(nóng)業(yè)生產(chǎn)智能化、數(shù)字化發(fā)展，將圖像處理技術應用到茶葉生產(chǎn)已取得一定進展，但在鮮茶智能采摘上仍有一些問題需要進一步研究與探討。

（1）基于圖像處理的茶葉嫩芽分割、定位等研究主要針對特定環(huán)境或茶葉種類，但茶葉種類多且生長環(huán)境受到地域和天氣等影響較大，導致算法普適性和穩(wěn)定性較差。因此，需要通過增加樣本數(shù)據(jù)（來自不同地域、不同環(huán)境的茶葉種類和數(shù)量）以提高算法的普適性，融合多種分割方法提高算法的穩(wěn)定性，以促進其在實際應用中發(fā)揮有效作用。

（2）深度學習[20]在智能采摘中的應用：作為機器學習領域的新興方向，深度學習可以直接將圖像作為輸入，通過卷積層、池化層等自學習特征，最后實現(xiàn)目標檢測或者分割?；谏疃葘W習的茶葉智能化[21]生產(chǎn)研究相對較少，可建立多種深度卷積神經(jīng)網(wǎng)絡嫩芽檢測模型，以減小人工特征提取、外界環(huán)境對嫩芽分割定位的影響。

（3）智能采茶機設計與實現(xiàn)：智能采茶機主要包括采茶機機械設計、智能采摘識別與定位和控制軟硬件的通信等模塊。設計能夠適應多種場地且與茶葉智能采摘系統(tǒng)相協(xié)調的采茶機，仍需要加強機械設計、嵌入式控制、通信和人工智能等多學科交叉研究。

參考文獻

[1]Adel Bakhshipour，Alireza Sanaeifar，Sayed Hossein Payman1，et al. Evaluation of Data Mining Strategies for Classification of Black Tea Based on Image-Based Features[J].Food Anal. Methods，2018，11：1041-1050.

[2]楊福增，楊亮亮，田艷娜，等.基于顏色和形狀特征的茶葉嫩芽識別方法[J].農(nóng)業(yè)機械學報，2009，40（s1）：119-123.

[3]劉志杰，田艷娜，楊亮亮，等.重疊條件下茶葉嫩芽的自動檢測方法[J].中國體視學與圖像分析，2009（2）：129-132.

[4]韋佳佳.名優(yōu)茶機械化采摘中嫩芽識別方法的研究[D]. 南京：南京林業(yè)大學，2012.

[5]唐仙，吳雪梅，張富貴，等.基于閾值分割法的茶葉嫩芽識別研究[J].農(nóng)業(yè)裝備技術，2013（6）：10-14.

[6]吳雪梅，張富貴，呂敬堂.基于圖像顏色信息的茶葉嫩葉識別方法研究[J].茶葉科學，2013（6）：584-589.

[7]袁加紅，張中正，朱德泉，等.名優(yōu)綠茶嫩芽識別與定位方法研究[J].安徽農(nóng)業(yè)大學學報，2016，43（5）：676-681.

[8]汪建.結合顏色和區(qū)域生長的茶葉圖像分割算法研究[J].茶葉科學，2011，31（1）：72-77.

[9]吳雪梅，唐仙，張富貴，等.基于K-means聚類法的茶葉嫩芽識別研究[J].中國農(nóng)機化學報，2015，36（5）：161-164.

[10]張可，呂軍.自然條件下茶葉嫩芽圖像分割方法的研究[J].黑龍江八一農(nóng)墾大學學報，2016，28（2）：100-104.

[11]方坤禮，廖建平，劉曉輝.基于改進JSEG技術的茶葉圖像嫩芽分割與識別研究[J].食品工業(yè)，2017（4）：134-138.

[12]邵明.基于計算機視覺的龍井茶葉嫩芽識別方法研究[D]. 北京：中國計量學院，2013.

[13]姚波，汪洋，李小瑞，等.自然環(huán)境下嫩芽與茶梗自動分割方法的研究[J].黑龍江八一農(nóng)墾大學學報，2017，29（2）：114-117.

[14]裴偉，王曉林.基于圖像信息的茶葉二維采摘坐標的提取[J].浙江農(nóng)業(yè)學報，2016，28（3）：522-527.

[15]張浩，陳勇，汪巍，等.基于主動計算機視覺的茶葉采摘定位技術[J]. 農(nóng)業(yè)機械學報，2014，45（9）：61-65.

[16]湯一平，韓旺明，胡安國，等.基于機器視覺的乘用式智能采茶機設計與試驗[J].農(nóng)業(yè)機械學報，2016，47（7）：15-20.

[17]王偉羊.基于計算機視覺的采茶機導航技術研究[D]. 杭州：浙江工業(yè)大學，2016.

[18]王財盛，朱威，徐召飛，等.基于機器視覺的采茶機割刀控制方法[J].計算機測量與控制，2017，25（4）：70-74.

[19]裴偉. 三維快速驅動式采茶機的關鍵技術研究[D]. 北京：中國計量大學，2016.

[20]GE Hinton，Simon Osindero，and YW Teh. A fast learning algorithm for deep belief nets[J]. Neural computation，2006.

[21]王琨，劉大茂. 基于深度學習的茶葉狀態(tài)智能識別方法[J].重慶理工大學學報（自然科學），2015，29（12）：120-126.

（責編：徐世紅）

基金項目：安徽省高校自然科學研究項目（KJHS2018B11）;國家級大學生創(chuàng)新訓練計劃項目（201810375015）;國家級大學生創(chuàng)新訓練計劃項目（201710375006）;安徽省大學生創(chuàng)新訓練計劃項目（201710375040）。

作者簡介：夏華鵾（1998—），男，安徽馬鞍山人，本科，研究方向：圖像識別。? ?*通訊作者? ? 收稿日期：2019-04-23