基于機器視覺的工夫紅茶萎凋葉水分檢測方法

胡宗華，梁高震，安霆，董春旺*

1.東南大學(xué)江北新區(qū)創(chuàng)新研究院，211500；2.中國農(nóng)業(yè)科學(xué)院茶葉研究所，310008

萎凋是紅茶加工的首道工序，水分是評價萎凋程度的重要指標[1-3]，目前主要的萎凋方法為自然萎凋和設(shè)備萎凋[4]。萎凋機作為萎凋加工的主要設(shè)備[5]，通過控制風(fēng)量、溫度和濕度，來實現(xiàn)快速、均勻萎凋，但不能實現(xiàn)萎凋過程中水分的在線檢測。萎凋適度性的判斷主要通過測量在制品含水率和人工感官感受兩種方式。常用的水分檢測方法有熱干燥法和水分測定儀法[6-7]，其中熱干燥法試驗步驟復(fù)雜，水分測定儀法抽樣誤差大、效率低，且存在滯后性。生產(chǎn)中主要依賴于人工感官感受來判斷萎凋是否適度，此方法受限于人的經(jīng)驗、光線、主觀和心理影響，難以精準把握萎凋葉水分狀態(tài)。本文以萎凋葉為研究對象，旨在通過機器視覺和圖像處理技術(shù)，實現(xiàn)萎凋葉水分的快速和智能感知。

機器視覺是一種非破壞性、可感知的無損檢測技術(shù)。借助機器視覺系統(tǒng)獲取茶葉圖像，將其顏色和紋理特征數(shù)字化提取，能實現(xiàn)茶葉表面特征的量化和準確描述，該技術(shù)在茶葉品質(zhì)評價上已有應(yīng)用[8-9]。Wang等[10]提出了一種利用紋理特征和支持向量機對茶樹鮮葉嫩度進行識別的方法。吳正敏等[11]基于Labview vision、圖像處理技術(shù)和神經(jīng)網(wǎng)絡(luò)算法，分析了機采綠茶成品的形態(tài)特征并對樣本進行分類，實現(xiàn)從機采大宗綠茶中分選出名優(yōu)綠茶。袁海波等[12]研究不同環(huán)境濕度條件下，紅茶萎凋過程中鮮葉的色差（Lab值）動態(tài)變化，并分析其內(nèi)在規(guī)律。李潔等[13]利用相機和暗箱搭建了圖像采集裝置，采用photoshop濾鏡模糊算法提取茶鮮葉圖像RGB、Lab和HSV顏色通道的均值，明確色澤隨萎凋程度的變化；賈廣松[14]基于開化龍頂茶的攤青工藝，對單個葉片進行圖像采集，建立茶葉攤青含水率預(yù)測模型，準確率達到90%以上。Dong等[15]基于機器視覺技術(shù)和非線性建模算法，建立了一種無損、快速的紅茶發(fā)酵中茶色素和感官品質(zhì)指標的定量檢測方法。通過圖像的色彩空間變換，提取紅色通道均值（R）、綠色通道均值（G）、藍色通道均值（B）、色調(diào)均值（H）、飽和度均值（S）、亮度均值（L）、明度分量均值（L*）、a*分量均值（a*）、和b*分量（b*）作為評價發(fā)酵品質(zhì)的特征參數(shù)，分析了圖像色澤與品質(zhì)指標的變化規(guī)律、差異性和其相關(guān)性。

綜上所述，已有研究中缺少對萎凋葉圖像、紋理特征參數(shù)與水分的量化解析，且多基于單個葉片的圖像采集，對于萎凋機智能化水分檢測系統(tǒng)的開發(fā)借鑒意義不強。本文基于機器視覺技術(shù)，采集不同時序下的萎凋在制品圖像信息，提取圖像色澤和紋理特征，建立了預(yù)測水分的線性回歸方程。為實現(xiàn)萎凋機中萎凋葉水分含量直觀、在線監(jiān)測奠定了理論基礎(chǔ)和科學(xué)依據(jù)，并對智能化萎凋設(shè)備的研制具有重要意義。

一、材料與方法

1.試驗設(shè)備

2018年9月27日于宜賓川紅茶業(yè)集團有限公司慶符茶廠，采用長沙湘豐智能裝備股份有限公司的多層式紅茶萎凋機開展試驗，該萎凋機鮮葉處理量120～130 kg/h，采用控溫、控時、間歇鼓風(fēng)等技術(shù)，萎凋控制均勻。其他試驗設(shè)備包括水分測定儀（MA35M-000230V1，德國賽多利斯）、機器視覺采集系統(tǒng)、孔篩等。

2.試驗原料與方法

采用的茶樹品種為福鼎大白茶，以一芽二葉的茶鮮葉作為原料。紅茶萎凋機中鮮葉攤放厚度為2 cm，萎凋11 h，溫度設(shè)置為35℃，相對濕度設(shè)置為50%[16-17]。萎凋中每間隔1 h取樣1次，每次取21組樣品進行圖像采集，并采用快速水分測定儀同步測定3組樣品的含水率，以均值作為該時間節(jié)點下的含水率。萎凋11 h后，水分由最初的78.46%降至58.51%，共采集到12個時間節(jié)點的252個樣本圖像。

3.機器視覺采集系統(tǒng)

根據(jù)工夫紅茶萎凋過程中葉面色澤、外形和紋理等視覺特征發(fā)生顯著變化的特點[18]，搭建一套機器視覺采集系統(tǒng)，主要由圖像傳感器、樣品池、均勻光源、茶葉視覺圖像軟件處理系統(tǒng)組成，圖1為機器視覺系統(tǒng)圖像采集與分析流程圖。圖像傳感器選用單反相機（Canon EOS 600D，日本佳能公司）；光源選用均勻光源（Sphere100，杭州晶飛科技有限公司），光源強度為100 lx；茶葉視覺圖像軟件處理系統(tǒng)（軟件著作權(quán)號：2014SR149549）基于Matlab GUI模塊開發(fā)，軟件可自動分析圖像的色澤和紋理特征，通過機器視覺采集系統(tǒng)對萎凋在制品進行圖像采集，采集時光源、相機鏡頭的距離均保持不變，保證每次采集到的圖像具有一致性。

4.顏色特征提取

軟件系統(tǒng)自動分割出1 000像素×1 000像素區(qū)域，提取該區(qū)域的色澤和紋理特征。通過RGB、HSL和CIE 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）、藍色通道均值（B）、色調(diào)均值（H）、飽和度均值（S）、亮度均值（L）、明度分量均值（L*）、a*分量均值（a*）和b*分量（b*）、超綠變換（2G-R-B）、紅色通道均值和綠色通道均值的比值（R/G）及顏色角（hab*）[12-13]，共得到12個色澤特征變量[16,19-20]。

紋理是一種反映像素灰度空間分布屬性的圖像特征，通常表現(xiàn)為局部不規(guī)則但是宏觀有規(guī)律的特征，基于灰度直方圖的統(tǒng)計屬性計算6個紋理特征變量，即平均灰度值（m）、標準差（δ）、平滑度（r）、三階矩（μ）、一致性（U）和熵（e）[13,17]，共計得到18個圖像特性（色澤和紋理）變量。

圖1 圖像采集與分析流程圖

二、數(shù)據(jù)處理與分析

1.萎凋葉水分和顏色的變化

不同時序下所測得的萎凋葉水分含量變化如圖2。水分基本呈線性變化，在0～5 h和10～11 h，水分下降趨勢較快。在5～6 h和10～11 h，水分下降趨勢變緩。在萎凋過程中，茶樹鮮葉水分主要是通過葉背的氣孔和表皮角質(zhì)層蒸發(fā)，水分散失前期0～10 h以自由水為主，鮮葉的生命活動仍然存在，梗中的水分通過運輸?shù)饺~片中進行蒸發(fā)，處于快速失水階段，而后期10～11 h主要是結(jié)合水散失，結(jié)合水失水過程伴隨多種化學(xué)變化，失水速率較慢[21]。通過鐘江等[22]已有研究可知，在5～6 h之間，鮮葉表面的水蒸氣壓與空氣中的水蒸氣壓基本相等，水分的蒸發(fā)與吸收速率處于動態(tài)平衡。

圖2 不同時序下的萎凋葉水分含量變化

為了更好地觀察萎凋過程中鮮葉顏色的變化規(guī)律，可以從視覺上做整體分析。從各個萎凋取樣時序下隨機抽取一張圖像，將圖像按照萎凋時間排序，并提取圖像的平均色，結(jié)果如圖3所示。各個萎凋時序下的色澤存在一定的差異，且能為人的視覺感知，從0～11 h，鮮葉平均色變化順序為：嫩亮綠色—暗綠色—灰綠色—灰褐色。

圖3 萎凋時序圖像（A）與平均色（B）

2.色澤和紋理特征的變化

計算各萎凋時序下圖像特征的均值，從微觀視角描述葉面色澤和紋理特征的變化規(guī)律，結(jié)果如圖4、圖5。

圖4（A）中，RGB顏色空間中，R、G、B均呈現(xiàn)整體下降趨勢，R、G隨鮮葉萎凋程度的加深呈明顯下降趨勢，B數(shù)值變化范圍區(qū)間較小。圖4（B）中，HSL顏色空間中，H呈現(xiàn)“下降—上升—下降”波動變化，S和L整體呈下降趨勢。CIE Lab顏色模型中，圖4（C）中a*取值范圍為-128～+127[23]，對應(yīng)顏色從綠色變到紅色，隨著萎凋鮮葉顏色加深，a*呈現(xiàn)明顯的上升趨勢，L*下降，表征黃藍度的b*呈現(xiàn)整體下降趨勢。圖4（D）中，2G-R-B值呈現(xiàn)持續(xù)下降趨勢，因通過增大G值減少R和B值，其更加清晰地展現(xiàn)了G通道值的變化；R/G值在波動中整體呈現(xiàn)上升趨勢，hab*出現(xiàn)明顯的波動變化，且在4 h時出現(xiàn)峰值。圖5紋理特征中m呈現(xiàn)下降趨勢，r和μ呈現(xiàn)波動上升且兩者變化趨勢基本一致。

3.色澤和紋理特征與水分的相關(guān)性分析

使用SPSS軟件對各萎凋時序下的圖像特征值與水分值Y進行皮爾遜相關(guān)性分析，結(jié)果見表1。通過分析可知，在色澤特征中除H變量（色調(diào)H是用來表示顏色類別的參數(shù)）與水分相關(guān)性不顯著外，其余圖像指標均與水分顯著相關(guān)（P＜0.05），與hab*相關(guān)性不高。水分與R、G、B、S、L、L*、b*、2G-R-B和R/G正相關(guān)，相關(guān)性極顯著（P＜0.01），與a*極顯著負相關(guān)（P＜0.01），均表示水分越高，葉面越亮、越綠，色彩的飽和度越高。在紋理與水分的關(guān)聯(lián)分析中發(fā)現(xiàn)水分與μ、U、e等參數(shù)相關(guān)性不顯著，而與m、δ、r等參數(shù)顯著相關(guān)，其中與m極顯著正相關(guān)，表明萎凋過程中葉面的內(nèi)在信息和結(jié)構(gòu)發(fā)生了復(fù)雜的變化。

圖4 萎凋過程中RGB特征值（A），HSL特征值（B），Lab特征值(C)，2G-R-B、R/G和hab*品質(zhì)指標（D）的變化規(guī)律

圖5 萎凋過程中平均灰度值（m）、標準差（δ）、平滑度（r）和三階矩（μ）、一致性（U）及熵（e）的變化規(guī)律

三、線性回歸分析

1.線性回歸方程

選取與水分存在顯著相關(guān)性的色澤與紋理特征變量，因為δ和r變化規(guī)律基本一致，故選取其中一個δ作為變量，則 R、G、B、S、L、L*、a*、b*、2G-R-B、R/G、hab*、m、δ，共13個圖像特征參數(shù)作為自變量，水分值Y作為因變量，假定線性回歸方程[24]為：

表1 水分與圖像特征參數(shù)的相關(guān)分析

其中Y表示水分值，a0…an為方程系數(shù)，x1…xn為變量，ε代表隨機誤差。

運用SPSS進行線性回歸分析，去除存在共線性的變量，確定預(yù)測水分的線性回歸方程的方程系數(shù)和變量。估測和驗證模型精度均選擇相關(guān)系數(shù)（R2）、均方根誤差（RMSE）作為評價標準。一般而言，均方根誤差越小，R2越大，表明模型的精度越高。

2.線性回歸分析

回歸方程的系數(shù)如表2，特征B表示未標準化系數(shù)，是指帶有常量時，經(jīng)SPSS擬合后所得各變量系數(shù)。含水率Y與綠色通道均值G的回歸方程為：

Y=0.732+0.837R-0.291B+1.660S-0.043b*+1.503(2G-R-B)-0.005hab*+1.608δ

模型預(yù)測值與實測值的相關(guān)系數(shù)R為0.997，決定系數(shù)R2為0.995，修正后的R2為0.986，均方誤差根RMSE為0.0077，表明擬合效果較好，可以用來表征萎凋葉水分變化。

四、問題與討論

線性回歸方程中，確定的變量為R、B、S、b*、（2G-R-B）、hab*和δ。色澤特征包括：紅色通道均值（R）、藍色通道均值（B）、飽和度均值（S）、b*分量（b*）、超綠變換（2G-R-B）、顏色角（hab*）。R、B和b*主要表征了紅色、藍色和黃色分量的變化；綠色通道均值（G）被去除，由超綠變換（2G-R-B）代替，可見在回歸分析中，超綠變換（2G-R-B）對于綠色分量的表征能力更好；飽和度均值（S）與顏色的白光光量剛好成反比，表示顏色鮮明與深淺，解釋了萎凋鮮葉顏色從亮綠色—暗綠色—灰綠色—灰褐色的變化。

本文與針對單個葉片進行水分預(yù)測的模型有不同之處，主要是對工夫紅茶萎凋機萎凋鮮葉的色澤和紋理特征均值變化的反映。由于影響萎凋的外在因素較多，包括原料的來源、萎凋機類型、鮮葉的攤放厚度等，后續(xù)可開展進一步的實驗優(yōu)化模型。

五、結(jié)論

本研究通過搭建機器視覺采集系統(tǒng)，提取工夫紅茶萎凋鮮葉的圖像特征，進而與不同萎凋時序下測定的水分值進行關(guān)聯(lián)分析，明確了能較好表征水分的圖像特征參數(shù)，主要包括：色澤特征的紅色通道均值（R）、藍色通道均值（B）、飽和度均值（S）、b*分量 (b*)、超綠變換 （2G-R-B）、顏色角（hab*）、紋理特征的標準差（δ）和平滑度（r）。

基于篩選的圖像特征參數(shù)，建立了萎凋葉水分的預(yù)測方程，方程的相關(guān)系數(shù)達到0.986，標準估算的誤差為0.0077，能夠較好地表征圖像信息與水分之間的量化解析關(guān)系。

本研究采用機器視覺技術(shù)檢測紅茶萎凋中的水分變化，為萎凋葉水分含量在線感知技術(shù)和“機器換人”裝備的實現(xiàn)，奠定了理論基礎(chǔ)和科學(xué)依據(jù)，具有重要科學(xué)意義和產(chǎn)業(yè)應(yīng)用價值。