基于機(jī)器視覺的茶葉微波殺青中品質(zhì)變化與預(yù)測(cè)研究

吳鑫，宋飛虎，裴永勝，朱冠宇，姜樂兵，寧文楷，李臻峰*，劉本英

基于機(jī)器視覺的茶葉微波殺青中品質(zhì)變化與預(yù)測(cè)研究

吳鑫1,3，宋飛虎1，裴永勝1，朱冠宇1，姜樂兵1，寧文楷1,3，李臻峰1*，劉本英2*

1. 江南大學(xué)機(jī)械工程學(xué)院/江蘇省食品先進(jìn)制造裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇 無錫 214122；2. 云南省農(nóng)業(yè)科學(xué)院茶葉研究所，云南 勐海 666201；3. 常州太燁傳感科技有限公司，江蘇 常州 213000

茶多酚、氨基酸、含水率是茶葉品質(zhì)的重要指標(biāo)，傳統(tǒng)檢測(cè)方法周期長且過程復(fù)雜。本研究利用機(jī)器視覺對(duì)微波殺青過程中茶葉的色澤和紋理特征實(shí)時(shí)監(jiān)測(cè)，在線檢測(cè)含水率，同時(shí)檢測(cè)茶多酚和氨基酸含量。結(jié)果表明，色澤、紋理特征與含水率、茶多酚、氨基酸含量均呈規(guī)律性變化且顯著相關(guān)。對(duì)色澤和紋理特征進(jìn)行主成分分析，以前3個(gè)主成分為輸入建立極限學(xué)習(xí)機(jī)（ELM）、遺傳神經(jīng)網(wǎng)絡(luò)（GA-BP）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型對(duì)品質(zhì)成分含量進(jìn)行預(yù)測(cè)。結(jié)果表明，ELM、GA-BP、CNN模型分別適用于含水率、茶多酚含量和氨基酸含量的預(yù)測(cè)，精度均在0.99以上。研究表明，通過實(shí)時(shí)監(jiān)測(cè)茶葉的色澤和紋理特征來預(yù)測(cè)其在殺青過程中含水率、茶多酚和氨基酸含量是可行的。

機(jī)器視覺；微波殺青；茶多酚；氨基酸；含水率；預(yù)測(cè)模型

茶葉作為一種天然的保健飲料，既可食用又可藥用，深受人們歡迎，在我國經(jīng)濟(jì)作物中占有十分重要的地位[1]。

殺青是綠茶加工過程中一項(xiàng)最關(guān)鍵的工序，對(duì)茶葉的品質(zhì)起到?jīng)Q定性作用[2]?，F(xiàn)階段，殺青效果主要靠人體感官評(píng)價(jià)，存在一定的局限性。為精確評(píng)價(jià)殺青效果，還需檢測(cè)茶多酚、氨基酸等含量，檢測(cè)周期長且過程復(fù)雜，無法滿足自動(dòng)化生產(chǎn)需要。

機(jī)器視覺技術(shù)可以快速、無損地檢測(cè)樣品的外觀特征，已在農(nóng)產(chǎn)品加工方面得到了廣泛地應(yīng)用[3-5]。李頎等[6]通過計(jì)算機(jī)視覺提取了玉米種穗的色澤和紋理特征，利用極限學(xué)習(xí)機(jī)（ELM）實(shí)現(xiàn)了異常種穗的識(shí)別。Golpour等[7]利用機(jī)器視覺結(jié)合人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)了薄層干燥中稻谷的含水率。Laddi等[8]利用機(jī)器視覺提取了茶葉色澤和紋理特征，結(jié)合主成分分析區(qū)分了茶葉等級(jí)。湯哲等[9]通過機(jī)器視覺提取茶葉的紋理特征，利用支持向量機(jī)建立了茶葉快速分類模型。Pereira等[10]利用數(shù)字圖像技術(shù)提取了木瓜果皮的色澤特征，利用隨機(jī)森林建立了其成熟階段的預(yù)測(cè)模型。徐海霞[11]利用機(jī)器視覺提取了菠菜的顏色特征，分別結(jié)合神經(jīng)網(wǎng)絡(luò)和偏最小二乘法模型實(shí)現(xiàn)了對(duì)葉綠素含量的預(yù)測(cè)。Zhu等[12]利用機(jī)器視覺提取茶葉色澤和紋理特征，結(jié)合神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了成品茶的感官質(zhì)量預(yù)測(cè)。

本研究探討機(jī)器視覺在殺青葉品質(zhì)含量預(yù)測(cè)中的應(yīng)用，以微波殺青過程中的茶葉為研究對(duì)象，分析色澤、紋理、茶多酚和氨基酸含量與含水率的變化以及相關(guān)性；對(duì)色澤和紋理特征進(jìn)行主成分分析并結(jié)合ELM、遺傳神經(jīng)網(wǎng)絡(luò)（GA-BP）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）算法建立對(duì)含水率、茶多酚和氨基酸含量的預(yù)測(cè)模型，旨在為殺青過程中茶葉品質(zhì)的在線快速監(jiān)測(cè)提供理論參考。

1 材料與方法

1.1 試驗(yàn)材料與儀器

以茶鮮葉為原料，嫩度為一芽一葉，采摘于浙江衢州。茶葉初始濕基含水率為(80±0.2)%（烘干法，105℃烘干至質(zhì)量恒定）。試驗(yàn)前茶葉冷藏于(4±1)℃冰箱中。儀器：M1-L202B型微波爐（美的集團(tuán)股份有限公司）；RS-500C型工業(yè)相機(jī)（深圳市銳視時(shí)代科技有限公司）；ES5000型電子秤（天津德安特傳感技術(shù)有限公司）；I4A01型光纖測(cè)溫儀（西安和其光電科技有限公司）；NI USB-6008型數(shù)據(jù)采集卡（National Instruments，Texas，美國）；LSA-H3P50YB型晶閘管（深圳市博得電子科技有限公司）；UV-1800型紫外分光光度計(jì)（島津公司，日本）。

1.2 試驗(yàn)設(shè)備

基于機(jī)器視覺的茶葉微波殺青系統(tǒng)如圖1所示，主要由溫度控制單元、重量監(jiān)測(cè)單元和視覺監(jiān)測(cè)單元構(gòu)成，實(shí)現(xiàn)了茶葉溫度的實(shí)時(shí)監(jiān)測(cè)與控制、茶葉重量的實(shí)時(shí)監(jiān)測(cè)與含水率計(jì)算以及圖像的在線采集與處理。監(jiān)測(cè)、控制與處理程序均用NI-LabVIEW 2015編寫。

光纖探頭檢測(cè)到茶葉溫度后，將溫度信號(hào)在光纖主機(jī)中轉(zhuǎn)換為0～5?V電壓，并利用NI-DAQ插件將電壓通過數(shù)據(jù)采集卡輸入到程序中；再由程序中設(shè)置好的溫度與電壓換算公式將電壓轉(zhuǎn)換為實(shí)際溫度值；然后程序中的PID控制器根據(jù)溫度實(shí)際值與設(shè)定值的差值輸出2～4?V電壓，并通過數(shù)據(jù)采集卡傳遞給晶閘管作為輸入電壓；最后晶閘管將輸入電壓轉(zhuǎn)換為微波爐的工作電壓調(diào)節(jié)功率，從而實(shí)現(xiàn)對(duì)茶葉溫度的控制，完成在線反饋調(diào)控。重量由電子秤在線監(jiān)測(cè)并利用NI-VISA插件導(dǎo)入程序，實(shí)時(shí)計(jì)算含水率；工業(yè)相機(jī)在線采集殺青過程中的茶葉圖像并導(dǎo)入計(jì)算機(jī)，利用NI-Vison插件對(duì)其實(shí)時(shí)處理。

圖1 試驗(yàn)系統(tǒng)示意圖

1.3 試驗(yàn)方法

1.3.1 樣品制備

茶鮮葉先在室內(nèi)攤放[溫度(26℃±2)℃，相對(duì)濕度(70±5)%]1?h再進(jìn)行殺青處理。試驗(yàn)時(shí)，在線監(jiān)測(cè)其含水率，含水率每降1%取樣1次，直至含水率降為55%。重復(fù)試驗(yàn)4次，共104個(gè)樣品。

1.3.2 茶多酚和氨基酸檢測(cè)

按照GB/T 8313—2018福林酚比色法檢測(cè)茶多酚含量，GB/T 8314—2013茚三酮比色法檢測(cè)氨基酸含量，重復(fù)檢測(cè)3次求平均值。

1.3.3 特征提取

圖像采集的過程中由于硬件和環(huán)境的原因，得到的圖像會(huì)出現(xiàn)噪聲。如表1所示，本研究對(duì)比多種濾波方法，其中均方誤差（Mean-square error，MSE）越大表示濾波后圖像的失真度越高；峰值信噪比（Peak signal-to-noise ratio，PSNR）越大表示濾波后圖像的質(zhì)量越好[13]。本研究依據(jù)MSE最小和PSNR最大選用自適應(yīng)中值濾波對(duì)原圖進(jìn)行處理，濾波重建后進(jìn)行特征提取，流程如圖2所示。

色澤特征首先提取R、G、B像素均值，再計(jì)算L、a、b分量。紅（R）、綠（G）、藍(lán)（B）的取值范圍均為[0,255]，所有顏色均可由這三分量疊加而成。Lab是一種基于生理特征與設(shè)備無關(guān)的顏色系統(tǒng)，L代表從黑到白，取值范圍為[0,100]；a代表從紅到綠，b表示從黃到藍(lán)，取值范圍均為[127,–128]，可由RGB分量計(jì)算得出[14]。

紋理特征提取是對(duì)物體表面的一種重要表達(dá)方法，可以定量地描述圖像的紋理內(nèi)容。本研究通過建立灰度共生矩陣，提取0°方向上，像素距離為10的6個(gè)Haralick紋理特征（包括差異性、熵、對(duì)比度、同質(zhì)性、相關(guān)性、能量）。差異性代表局部紋理變化的多少；熵代表復(fù)雜程度和灰度分布的非均勻程度；對(duì)比度代表清晰度和紋理的溝紋深淺；同質(zhì)性代表紋理局部的規(guī)則程度；相關(guān)性代表灰度線性關(guān)系；能量代表灰度分布的均勻程度和紋理的粗細(xì)程度[15-16]。

本研究綜合色澤和紋理特征來預(yù)測(cè)茶葉的理化品質(zhì)。特征提取與品質(zhì)預(yù)測(cè)流程如圖3所示。

1.4 數(shù)據(jù)處理與分析

1.4.1 特征降維

特征之間存在一定的相關(guān)性和信息冗余，會(huì)加大模型的計(jì)算量并導(dǎo)致過擬合現(xiàn)象，因此特征降維對(duì)提高模型的效率和準(zhǔn)確率具有重要意義[17]。本研究采用SPSS 25.0進(jìn)行主成分分析（Principal component analysis，PCA），通過特征分解、降維獲得相互獨(dú)立的虛擬主成分。

表1 不同濾波方法比較

圖2 特征提取流程

圖3 特征提取與品質(zhì)預(yù)測(cè)流程

1.4.2 數(shù)據(jù)標(biāo)準(zhǔn)化

PCA得到的各主成分不屬于同一數(shù)量級(jí)，需做標(biāo)準(zhǔn)化處理。本研究利用MATLAB 2020b對(duì)數(shù)據(jù)采用離差標(biāo)準(zhǔn)化（Min-Max normalization，Min-Max）處理，將其轉(zhuǎn)換到同一數(shù)量級(jí)。

1.4.3 建模方法與性能評(píng)價(jià)

PCA得到的主成分采用Min-Max處理后結(jié)合ELM、GA-BP、CNN算法建立含水率、茶多酚和氨基酸含量的預(yù)測(cè)模型。以校正均方根誤差（Root mean square error of calibration，）、校正集決定系數(shù)（R）、預(yù)測(cè)均方根誤差（Root mean square error of prediction，）、預(yù)測(cè)集決定系數(shù)（R）作為模型的評(píng)價(jià)指標(biāo)。和越低且相近，R、R越高，則穩(wěn)定性越強(qiáng)、預(yù)測(cè)能力越好。

建模之前，104個(gè)樣品按照2∶1的比例隨機(jī)劃分訓(xùn)練集和預(yù)測(cè)集，其中70個(gè)樣品作為訓(xùn)練集，剩余34個(gè)樣品作為預(yù)測(cè)集。以上模型分析均在MATLAB 2020b平臺(tái)進(jìn)行。

2 結(jié)果與分析

2.1 特征與品質(zhì)含量變化

色澤特征成分在開始時(shí)有短暫的上升，隨后各自呈規(guī)律性變化（圖4）。如圖4-A所示，R分量先升后降，是因?yàn)殡S著溫度的升高，多酚氧化酶（PPO）活力增強(qiáng)，導(dǎo)致多酚類物質(zhì)發(fā)生酶促反應(yīng)生成茶色素，這也是茶多酚在前期急劇下降的原因；隨著溫度上升，PPO迅速失活，茶色素又因結(jié)構(gòu)不穩(wěn)定而遭到破壞，從而R分量逐漸下降[18]。同時(shí)，在升溫過程中，低分子蛋白質(zhì)和肽類化合物會(huì)發(fā)生酶促水解作用生成氨基酸，這是氨基酸含量在前期快速上升的原因[19]。G分量在反光現(xiàn)象后逐漸下降，是因?yàn)殡S著含水率的降低和葉溫的升高，葉綠素發(fā)生了脫鎂反應(yīng)、氧化反應(yīng)和水解反應(yīng)[20]。B分量在反光現(xiàn)象后基本保持不變。如圖4-B所示，L、|a|、b值同樣先升后降，而峰值到達(dá)時(shí)間有所差異，這與滑金杰等[21]研究結(jié)果一致。

如圖5-A所示，紋理特征的差異性先升后降，熵值先升后降，對(duì)比度先升后降。說明殺青前期，差異性增大，局部鄰近區(qū)域表現(xiàn)出不同的灰度值，紋理清晰；而殺青后期，灰度值均勻性增加，溝紋不明顯。如圖5-B所示，能量、對(duì)比度和差異性有相同的變化趨勢(shì)，存在一定的相關(guān)性。這與李曉斌等[22]研究一致。同質(zhì)性先降后升；相關(guān)性先降后升；能量與熵的變化呈相反的趨勢(shì)，能量先隨含水率下降而下降，并在65%時(shí)達(dá)到最低值，然后又呈現(xiàn)上升的趨勢(shì)。由此說明，殺青前期，能量較大，局部灰度值差異增大，圖像趨于雜亂；到殺青后期，灰度值均勻性增加、差異性降低，同質(zhì)性也相應(yīng)上升。

2.2 相關(guān)性分析

2.2.1 特征間的相關(guān)性分析

如表2所示，部分色澤與紋理特征之間具有顯著的相關(guān)性。說明在殺青過程中，部分特征有一致的變化趨勢(shì)，與前文研究（圖4、圖5）一致。

注：A：RGB成分與品質(zhì)變化；B：Lab分量與品質(zhì)變化

注：A：對(duì)比度、差異性、熵與品質(zhì)變化；B：能量、同質(zhì)性、相關(guān)性與品質(zhì)變化

表2 特征間的相關(guān)性

Note: RV: R value. GV: G value. BV: B value. LV: L value. AV: |a| value. DV: b value. DS: dissimilarity. ET: entropy. CT: contrast. HO: Homogeneity. CO: correlation. EN: energy. *represents significant correlation (<0.05), **represents highly significant correlation (<0.01)

2.2.2 特征與品質(zhì)的相關(guān)性分析

如表3所示，除了B值和同質(zhì)性，其余色澤與紋理特征與茶多酚均有顯著的相關(guān)性；氨基酸與|a|值和紋理特征有顯著的相關(guān)性；除了B值，其余特征與含水率均有顯著的相關(guān)性，與前文研究（圖4、圖5）一致。

2.3 特征降維

由表2可知，部分色澤與紋理特征之間具有顯著的相關(guān)性，為消除這些冗余信息，本研究對(duì)其進(jìn)行PCA分析，得到各主成分貢獻(xiàn)率如表4所示。前3個(gè)主成分貢獻(xiàn)率累計(jì)為97.484%，能代表特征的絕大部分信息。因此，選擇前3個(gè)主成分作為模型的輸入變量。

2.4 模型的建立

2.4.1 ELM模型的建立

極限學(xué)習(xí)機(jī)是一種基于前饋神經(jīng)網(wǎng)絡(luò)（SLFN）構(gòu)建的機(jī)器學(xué)習(xí)方法，克服了SLFN網(wǎng)絡(luò)速度慢、容易陷入局部極小點(diǎn)以及對(duì)學(xué)習(xí)率的選擇敏感等缺點(diǎn)。ELM模型只需隨機(jī)產(chǎn)生輸入層與隱含層之間的連接權(quán)值和隱含層神經(jīng)元的閾值，無須調(diào)整，在訓(xùn)練過程中，只需設(shè)置隱含層個(gè)數(shù)，即可獲得唯一的最優(yōu)解[23]，目前已在回歸預(yù)測(cè)[24]與分類識(shí)別[6]等領(lǐng)域取得了很好的應(yīng)用效果。

本研究選擇“Sigmoid”函數(shù)作為核函數(shù)，根據(jù)預(yù)測(cè)效果，隱含層個(gè)數(shù)設(shè)置為30。

2.4.2 GA-BP模型的建立

遺傳算法（Genetic algorithms）是一種通過模擬自然進(jìn)化過程在全局中搜索最優(yōu)解的方法。針對(duì)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度慢，全局搜索能力差等缺點(diǎn)，將遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合，根據(jù)遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值快速優(yōu)化，再利用BP神經(jīng)網(wǎng)絡(luò)局部搜索能力強(qiáng)的特點(diǎn)搜索出最優(yōu)解，克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)容易陷入局部極小的缺點(diǎn)[25]。目前該算法已在含量預(yù)測(cè)[26]與分類識(shí)別[27]等領(lǐng)域取得了良好的應(yīng)用效果。

本研究選擇“['tansig','purelin']”函數(shù)作為激活函數(shù)，“trainlm”函數(shù)作為訓(xùn)練函數(shù)。在繁殖過程中對(duì)于非最優(yōu)個(gè)體，需進(jìn)行交叉操作和變異操作；對(duì)于最優(yōu)個(gè)體，只需直接復(fù)制進(jìn)去下一代。根據(jù)預(yù)測(cè)效果，設(shè)置模型的參數(shù)：進(jìn)化代數(shù)為25，種群規(guī)模為50，交叉概率為0.3，變異算子為0.1，隱含層個(gè)數(shù)為9，迭代次數(shù)為100，學(xué)習(xí)率為0.1，目標(biāo)誤差為0.000?1。

2.4.3 CNN模型的建立

卷積神經(jīng)網(wǎng)絡(luò)是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的有監(jiān)督式前饋神經(jīng)網(wǎng)絡(luò)，也是第一個(gè)真正意義上成功訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，是深度學(xué)習(xí)的代表算法之一。其基本架構(gòu)由輸入層、卷積層、池化層、全連接層和輸出層5部分組成，其中，連續(xù)的卷積、池化結(jié)構(gòu)和全連接層構(gòu)成了卷積神經(jīng)網(wǎng)絡(luò)的隱含層[28]。目前CNN模型已在回歸預(yù)測(cè)[29]與分類判別[30]等領(lǐng)域具有很好的應(yīng)用效果。

本研究選擇“relu”函數(shù)作為激活函數(shù)，根據(jù)預(yù)測(cè)效果，設(shè)置16個(gè)大小為3×3的卷積核，全連接層神經(jīng)元為300，輸出層神經(jīng)元為1，最大迭代次數(shù)為20，批量大小為20，學(xué)習(xí)率為0.01，梯度閾值為1。

表3 特征與品質(zhì)的相關(guān)性

Note: RV: R value. GV: G value. BV: B value. LV: L value. AV: |a| value. DV: b value. DS: dissimilarity. ET: entropy. CT: contrast. HO: Homogeneity. CO: correlation. EN: energy. TP: tea polyphenols. AA: amino acids. MC: moisture content. *represents significant correlation (<0.05), **represents highly significant correlation (<0.01)

表4 主成分貢獻(xiàn)率

2.5 品質(zhì)預(yù)測(cè)與評(píng)價(jià)

2.5.1 茶多酚的預(yù)測(cè)與評(píng)價(jià)

3種模型對(duì)預(yù)測(cè)集樣本茶多酚含量的預(yù)測(cè)值與實(shí)測(cè)值散點(diǎn)圖如圖6所示。從圖中可以清晰的看出，以前3個(gè)主成分作為輸入建立的模型中，GA-BP模型的散點(diǎn)最集中于中線，對(duì)茶多酚含量的預(yù)測(cè)精度最高，CNN模型次之，ELM模型的散點(diǎn)最偏離中線，預(yù)測(cè)精度最低。

3種模型對(duì)樣本茶多酚含量的校正與預(yù)測(cè)精度均在0.97以上，精度較高。其中ELM模型相對(duì)于GA-BP、CNN模型預(yù)測(cè)性能較差，其校正精度較高，R為0.999?0，但其預(yù)測(cè)精度最低，R為0.976?3，且、分別為0.186?7、1.072?0，差值最大，最不穩(wěn)定。CNN模型的預(yù)測(cè)性能較好，R為0.993?7，校正精度較低，預(yù)測(cè)精度R為0.986?7，高于ELM模型但低于GA-BP模型，預(yù)測(cè)精度適中；、分別為0.535?2、0.694?7，差值較小，比較穩(wěn)定。GA-BP模型的預(yù)測(cè)性能最好，、分別為0.365?6、0.466?9，差值最小，最穩(wěn)定；R、R分別為0.997?0、0.994?6，預(yù)測(cè)精度最高。因此，GA-BP模型更適用于對(duì)茶多酚含量的預(yù)測(cè)。

2.5.2 氨基酸的預(yù)測(cè)與評(píng)價(jià)

3種模型對(duì)預(yù)測(cè)集樣本氨基酸含量的預(yù)測(cè)值與實(shí)測(cè)值散點(diǎn)圖如圖7所示。可以看出，以前3個(gè)主成分作為輸入建立的模型中，CNN模型的散點(diǎn)最集中于中線，對(duì)氨基酸含量的預(yù)測(cè)精度最高，GA-BP模型次之，ELM模型的散點(diǎn)最偏離于中線，預(yù)測(cè)精度最低。

圖6 3種模型對(duì)茶多酚含量的預(yù)測(cè)散點(diǎn)圖

圖7 3種模型對(duì)氨基酸含量的預(yù)測(cè)散點(diǎn)圖

3種模型對(duì)樣本氨基酸含量的校正與預(yù)測(cè)精度均在0.96以上，精度較高。其中，ELM模型的預(yù)測(cè)性能相對(duì)較差，其校正精度較高，R為0.999?2，但預(yù)測(cè)精度最低，R為0.969?0，且、分別為0.031?0、0.174?9，差值最大，最不穩(wěn)定。GA-BP模型的預(yù)測(cè)性能較好，校正和預(yù)測(cè)精度適中，R和R分別為0.995?9、0.976?4，預(yù)測(cè)精度高于ELM模型但低于CNN模型；、分別為0.072?2、0.156?0，差值較小，比較穩(wěn)定。CNN模型的預(yù)測(cè)性能最好，、分別為0.086?2、0.090?8，差值最小，最穩(wěn)定；R、R分別為0.992?8、0.994?3，預(yù)測(cè)精度最高。因此，CNN模型更適用于對(duì)氨基酸含量的預(yù)測(cè)。

2.5.3 含水率的預(yù)測(cè)與評(píng)價(jià)

3種模型對(duì)預(yù)測(cè)集樣本含水率的預(yù)測(cè)值與實(shí)測(cè)值散點(diǎn)圖如圖8所示?？梢钥闯?，以前3個(gè)主成分作為輸入建立的模型中，ELM模型的散點(diǎn)最集中于中線，對(duì)含水率的預(yù)測(cè)精度最高，CNN模型次之，GA-BP模型的散點(diǎn)最偏離于中線，預(yù)測(cè)精度最低。

3種模型對(duì)樣本含水率的校正與預(yù)測(cè)精度均在0.98以上，精度較高。其中，GA-BP模型的預(yù)測(cè)性能相對(duì)較差，R、R分別為0.993?7、0.981?9，預(yù)測(cè)精度最低，且、分別為0.578?9、1.151?2，差值最大，最不穩(wěn)定。CNN模型的預(yù)測(cè)性能較好，校正精度較低，R為0.993?0，預(yù)測(cè)精度R為0.987?7，高于GA-BP模型但低于ELM模型，預(yù)測(cè)精度適中；、分別為0.678?9、0.915?6，差值較小，比較穩(wěn)定。ELM模型的預(yù)測(cè)性能最好，、最低，分別為0.322?3、0.553?7，分別比GA-BP模型減小44.33%和51.9%，差值最小，最穩(wěn)定；R、R分別為0.998?1、0.995?7，校正與預(yù)測(cè)精度最高。因此，ELM模型更適用于對(duì)含水率的預(yù)測(cè)。

3 結(jié)論

本研究以微波殺青過程中的茶葉為研究對(duì)象，利用機(jī)器視覺實(shí)時(shí)監(jiān)測(cè)其色澤和紋理共12個(gè)特征，在線稱重檢測(cè)其含水率，同時(shí)檢測(cè)其茶多酚和氨基酸含量，探討了特征與品質(zhì)的變化并分析其相關(guān)性，建立含水率、茶多酚和氨基酸含量的預(yù)測(cè)模型，提高了殺青過程中對(duì)茶葉品質(zhì)特征成分的檢測(cè)效率。

檢測(cè)結(jié)果表明，R、G、B、L、|a|、b色澤特征均先升后降，而各分量峰值到達(dá)時(shí)間有所差異；紋理特征中對(duì)比度、差異性和熵先升后降，能量、同質(zhì)性和相關(guān)性先降后升；茶多酚含量在含水率為77%～74%時(shí)下降速度最快，隨后下降速度減緩，殺青結(jié)束后含量為16.58%；氨基酸含量在含水率為78%～72%時(shí)迅速升高，隨后上升緩慢，殺青結(jié)束后含量為6.03%。相關(guān)性分析結(jié)果表明，色澤、紋理特征與含水率、茶多酚和氨基酸含量具有顯著的相關(guān)性。

圖8 3種模型對(duì)含水率的預(yù)測(cè)散點(diǎn)圖

預(yù)測(cè)結(jié)果表明，對(duì)色澤、紋理做PCA分析后，以前3個(gè)主成分為輸入建立的ELM、GA-BP、CNN模型對(duì)品質(zhì)均有較好的預(yù)測(cè)效果。其中，ELM模型對(duì)含水率的預(yù)測(cè)精度最高，預(yù)測(cè)集決定系數(shù)R為0.995?7；GA-BP模型對(duì)茶多酚含量的預(yù)測(cè)精度最高，預(yù)測(cè)集決定系數(shù)R為0.994?6；CNN模型對(duì)氨基酸含量的預(yù)測(cè)精度最高，預(yù)測(cè)集決定系數(shù)R為0.994?3。

研究表明，利用機(jī)器視覺實(shí)時(shí)監(jiān)測(cè)色澤和紋理特征可以有效地預(yù)測(cè)茶葉殺青過程中含水率、茶多酚和氨基酸含量，解決了傳統(tǒng)檢測(cè)方法周期長且過程復(fù)雜的問題，彌補(bǔ)了傳統(tǒng)殺青效果判斷主觀性強(qiáng)、效率低等不足，該方法在快速檢測(cè)茶葉品質(zhì)和茶葉自動(dòng)化加工研究方面具有很好的應(yīng)用前景。

[1] 尹惠玲. 茶葉對(duì)人體的保健作用[J]. 飲食科學(xué), 2017, 10(20): 109.

Yin H L. The health effect of tea on the human body [J]. Diet Science, 2017, 10(20): 109.

[2] 祁丹丹, 戴偉東, 譚俊峰, 等. 殺青方式對(duì)夏季綠茶化學(xué)成分及滋味品質(zhì)的影響[J]. 茶葉科學(xué), 2016, 36(1): 18-26.

Qi D D, Dai W D, Tan J F, et al. Study on the effects of the fixation methods on the chemical components and taste quality of summer green tea [J]. Journal of Tea Science, 2016, 36(1): 18-26.

[3] Patel K K, Kar A, Jha S N, et al. Machine vision system: a tool for quality inspection of food and agricultural products [J]. Journal of Food Science & Technology, 2012, 49(2): 123-141.

[4] Aghbashlo M, Hosseinpour S, Ghasemi-Varnamkhasti M. Computer vision technology for real-time food quality assurance during drying process [J]. Trends in Food Science & Technology, 2014, 39(1): 76-84.

[5] Zhu L, Spachos P, Pensini E, et al. Deep learning and machine vision for food processing: a survey [J]. Current Research in Food Science, 2021, 4(3): 233-249.

[6] 李頎, 王康, 強(qiáng)華, 等. 基于顏色和紋理特征的異常玉米種穗分類識(shí)別方法[J]. 江蘇農(nóng)業(yè)學(xué)報(bào), 2020, 36(1): 24-31.

Li Q, Wang K, Qiang H, et al. Classification and recognition method of abnormal corn ears based on color and texture features [J]. Jiangsu Journal of Agricultural Sciences, 2020, 36(1): 24-31.

[7] Golpour I, Chayjan R A, Parian J A, et al. Prediction of paddy moisture content during thin layer drying using machine vision and artificial neural networks [J]. Journal of Agricultural Science & Technology, 2018, 17(2): 287-298.

[8] Laddi A, Prakash N R, Sharma S, et al. Significant physical attributes affecting quality of Indian black (CTC) tea [J]. Journal of Food Engineering, 2012, 113(1): 69-78.

[9] 湯哲, 江才華, 張立, 等. 基于紋理分析的茶青在線分類[J]. 高技術(shù)通訊, 2014, 24(6): 651-656.

Tang Z, Jiang C H, Zhang L, et al. Online classification of tea greens based on texture analysis [J]. Chinese High Technology Letters, 2014, 24(6): 651-656.

[10] Pereira L S, Barbon S, Valous N A, et al. Predicting the ripening of papaya fruit with digital imaging and random forests [J]. Computers and Electronics in Agriculture, 2018, 145(1): 76-82.

[11] 徐海霞. 基于機(jī)器視覺和電子鼻技術(shù)的菠菜新鮮度無損檢測(cè)研究[D]. 鎮(zhèn)江: 江蘇大學(xué), 2016.

Xu H X. Study on Nondestructive detection of freshness of post-harvest spinach based on machine vision and electronic nose [D]. Zhenjiang: Jiangsu University, 2016.

[12] Zhu H, Yang Y, He H, et al. Evaluation of green tea sensory quality via process characteristics and image information [J]. Food and Bioproducts Processing, 2017, 102(4): 116-122.

[13] 劉勍, 溫志賢, 楊筱平, 等. 現(xiàn)代數(shù)字圖像噪聲濾除技術(shù)及其評(píng)價(jià)[J]. 自動(dòng)化與儀器儀表, 2012, 3(2): 146-148.

Liu Q, Wen Z X, Yang X P, et al. Modern digital image noise filtering technology and its evaluation [J]. Automation & Instrumentation, 2012, 3(2): 146-148.

[14] Shahabi M, Rafiee S, Mohtasebi S S, et al. Image analysis and green tea color change kinetics during thin-layer drying [J]. Food Science and Technology International, 2013, 20(6): 465-76.

[15] 葉鵬, 王永芳, 夏雨蒙, 等. 一種融合深度基于灰度共生矩陣的感知模型[J]. 計(jì)算機(jī)科學(xué), 2019, 46(3): 92-96.

Ye P, Wang Y F, Xia Y M, et al. Perceptual model based on GLCM combined with depth [J]. Computer Science, 2019, 46(3): 92-96.

[16] 黨滿意, 孟慶魁, 谷芳, 等. 基于機(jī)器視覺的馬鈴薯晚疫病快速識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2020, 36(2): 193-200.

Dang M Y, Meng Q K, Gu F, et al. Rapid recognition of potato late blight based on machine vision [J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(2): 193-200.

[17] Dong C, Zhu H, Wang J, et al. Prediction of black tea fermentation quality indices using NIRS and nonlinear tools [J]. Food Science and Biotechnology, 2017, 26(4): 853-860.

[18] Gao Z J, Liu J B, Xiao X G. Purification and characterisation of polyphenol oxidase from leaves ofL. [J]. Food Chemistry, 2011, 129(3): 1012-1018.

[19] 馬思蕊, 康玉梅, 田曉靜. 茶葉氨基酸的影響因素與檢測(cè)方法研究進(jìn)展[J]. 農(nóng)產(chǎn)品加工, 2019, 489(19): 61-63.

Ma S R, Kang Y M, Tian X J. Research progress on influencing factors and detection methods of amino acids in tea [J]. Farm Products Processing, 2019, 489(19): 61-63.

[20] 莫婷, 張婉璐, 李平. 茶葉加工中品質(zhì)關(guān)鍵組分的變化與調(diào)控機(jī)制[J]. 中國食品學(xué)報(bào), 2011, 11(9): 176-180.

Mo T, Zhang W L, Li P. The change and regulation mechanism of key components during tea processing [J]. Journal of Chinese Institute of Food Science and Technology, 2011, 11(9): 176-180.

[21] 滑金杰, 袁海波, 王近近, 等. 微波殺青對(duì)茶在制品物理特性影響的初探[J]. 茶葉科學(xué), 2017, 37(5): 476-482.

Hua J J, Yuan H B, Wang J J, et al. Effect of microwave fixation on the physical characteristics of tea fresh leaves [J]. Journal of Tea Science, 2017, 37(5): 476-482.

[22] 李曉斌, 郭玉明, 付麗紅. 應(yīng)用紋理分析方法在線監(jiān)測(cè)蘋果凍干含水率[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(21): 229-235.

Li X B, Guo Y M, Fu L H. On-line monitoring of moisture ratio for apple during vacuum freeze-drying based on image texture analysis [J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(21): 229-235.

[23] Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: theory and applications [J]. Neurocomputing, 2006, 70(1/3): 489-501.

[24] 張海東, 李貴榮, 李若誠, 等. 近紅外光譜結(jié)合極限學(xué)習(xí)機(jī)和GA-PLS算法檢測(cè)普洱茶茶多酚含量[J]. 激光與光電子學(xué)進(jìn)展, 2013, 50(4): 180-186.

Zhang H D, Li G R, Li R C, et al. Determination of tea polyphenols content in Puerh tea using near infrared spectroscopy combined with extreme learning machine and GA-PLS algorithm [J]. Laser & Optoelectronics Progress, 2013, 50(4): 180-186.

[25] 陳遠(yuǎn)玲, 王肖, 孫英杰, 等. 基于GA-BP神經(jīng)網(wǎng)絡(luò)的甘蔗收獲質(zhì)量預(yù)測(cè)[J]. 農(nóng)機(jī)化研究, 2022, 44(2): 187-191.

Chen Y L, Wang X, Sun Y J, et al. Sugarcane harvest quality prediction based on GA-BP neural network [J]. Journal of Agricultural Mechanization Research, 2022, 44(2): 187-191.

[26] 邱麗媛, 梁澤華, 吳鑫雨, 等. 基于模式識(shí)別和遺傳神經(jīng)網(wǎng)絡(luò)算法的醋香附近紅外光譜等級(jí)評(píng)價(jià)和含量預(yù)測(cè)模型研究[J]. 中草藥, 2021, 52(13): 3818-3830.

Qiu L Y, Liang Z H, Wu X Y, et al. Study on near infrared spectrum grade evaluation and content prediction model of vinegar-processed Cyperi Rhizoma based on pattern recognition and GA-BPNN [J]. Chinese Traditional and Herbal Drugs, 2021, 52(13): 3818-3830.

[27] 汪建, 杜世平. 基于顏色和形狀的茶葉計(jì)算機(jī)識(shí)別研究[J]. 茶葉科學(xué), 2008, 28(6): 420-424.

Wang J, Du S P. Identification investigation of tea based on HSI color space and figure [J]. Journal of Tea Science, 2008, 28(6): 420-424.

[28] 周飛燕, 金林鵬, 董軍. 卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 計(jì)算機(jī)學(xué)報(bào), 2017, 40(6): 1229-1251.

Zhou F Y, Jin L P, Dong J. Review of convolutional neural network [J]. Chinese Journal of Computers, 2017, 40(6): 1229-1251.

[29] 李英超. 基于卷積神經(jīng)網(wǎng)絡(luò)的電力市場(chǎng)電價(jià)預(yù)測(cè)[J]. 機(jī)械設(shè)計(jì)與制造工程, 2021, 50(1): 101-104.

Li Y C. The electricity market price forecast based on the convolutional neural network [J]. Machine Design and Manufacturing Engineering, 2021, 50(1): 101-104.

[30] 杜劍, 胡炳樑, 劉永征, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)與光譜特征的夏威夷果品質(zhì)鑒定研究[J]. 光譜學(xué)與光譜分析, 2018, 38(5): 1514-1519.

Du J, Hu B L, Liu Y Z, et al. Study on quality identification of macadamia nut based on convolutional neural networks and spectral features [J]. Spectroscopy and Spectral Analysis, 2018, 38(5): 1514-1519.

Study on the Tea Quality Changes and Predictions during the Microwave Fixation Process by Machine Vision

WU Xin1,3, SONG Feihu1, PEI Yongsheng1, ZHU Guanyu1, JIANG Lebing1, NING Wenkai1,3, LI Zhenfeng1*, LIU Benying2*

1. School of Mechanical Engineering, Jiangsu Key Laboratory of Advanced Food Manufacturing Equipment and Technology, Jiangnan University, Wuxi 214122, China; 2. Tea Research Institute, Yunnan Academy of Agricultural Sciences, Menghai 666201, China; 3. Changzhou Table Sensing Technology Co., Ltd, Changzhou 213000, China

Tea polyphenol, amino acid and moisture contents are important indicators of tea quality. Traditional detection methods have long cycles and complex processes. In this paper, machine vision was used to monitor the color and texture of tea leaves in real time during the microwave fixation process. The moisture content was detected online and the tea polyphenol and amino acid contents were also measured. The results show that the color, texture features and moisture content, tea polyphenol, amino acid contents all showed regular changes during the fixation process and had significant correlations. The principal component analysis was used to analyze the color and texture features and the first 3 principal components were taken to establish extreme learning machine (ELM), genetic neural network (GA-BP), and convolutional neural network (CNN) models to predict the quality. The results show that ELM, GA-BP and CNN models were more suitable for the prediction of moisture, tea polyphenol and amino acid contents, respectively, and their accuracies were all above 0.99. The research results show that it is feasible to predict the moisture, tea polyphenol and amino acid contents during the fixation process by monitoring the color and texture features of tea in real time.

machine vision, microwave fixation, tea polyphenols, amino acids, moisture content, prediction model

S571.1

A

1000-369X(2021)06-854-11

2021-06-22

2021-10-14

國家自然科學(xué)基金（51508229）、江蘇省普通高校自然科學(xué)研究計(jì)劃項(xiàng)目（KYCX19_1862）、云南省茶學(xué)重點(diǎn)實(shí)驗(yàn)室開放基金（2021YNCX004）

吳鑫，男，碩士研究生，主要從事茶葉加工與質(zhì)量控制研究。*通信作者：1736691239@qq.com；liusuntao@126.com

（責(zé)任編輯：趙鋒）