槽式殺青理?xiàng)l機(jī)是兼具殺青和理?xiàng)l功能的茶葉炒制機(jī)械，適用于針形茶和扁形茶，也是茶葉初加工階段的常用設(shè)備。槽式殺青理?xiàng)l機(jī)的工作原理是通過茶葉在槽鍋中往復(fù)運(yùn)動，并對鍋槽進(jìn)行傳導(dǎo)加熱，使茶葉快速失水做形，達(dá)到干茶炒制的要求。由于茶葉在槽式殺青理?xiàng)l機(jī)中作用時間短、變化快，當(dāng)鍋溫和往復(fù)頻率不符合茶鮮葉的理?xiàng)l要求時，就會造成過度理?xiàng)l或理?xiàng)l不足的情況。
近年來，智能技術(shù)已在茶葉理?xiàng)l工序中有所應(yīng)用，曹成茂等和傅杰等通過雙模糊控制算法實(shí)現(xiàn)了自動對理?xiàng)l參數(shù)的工藝調(diào)節(jié)，減少了制茶過程中的人為因素干擾，王小勇等通過人工神經(jīng)網(wǎng)絡(luò)程序得出理?xiàng)l溫度93 ℃，理?xiàng)l時間5 min，投葉量為1.0 kg，為最佳工藝組合，劉青和尹凌鵬通過基于PLC的邏輯控制器的控制程序?qū)崿F(xiàn)了理?xiàng)l機(jī)的自動化改進(jìn)。而在機(jī)器視覺技術(shù)和預(yù)測模型的運(yùn)用方面，陳念等和陳榮等都通過SVM支持向量機(jī)算法分別對茶葉品質(zhì)和茶葉病蟲害監(jiān)測方面進(jìn)行預(yù)測分析，精確度均達(dá)到了90%以上，劉自強(qiáng)等通過機(jī)器視覺技術(shù)對茶葉顏色和形狀進(jìn)行提取識別，來實(shí)現(xiàn)茶樹品種的分類。
文章基于機(jī)器視覺與圖像處理技術(shù)，提出了一套對茶葉理?xiàng)l作業(yè)效果的檢測系統(tǒng)，通過采集不同理?xiàng)l程度的茶樣圖像，獲取其外觀形態(tài)、顏色特征和紋理特征，再通過基于Python3.6環(huán)境中開發(fā)的決策樹、隨機(jī)森林和支持向量機(jī)三種算法進(jìn)行模型訓(xùn)練，最終實(shí)現(xiàn)對不同樣本的理?xiàng)l程度預(yù)測。采用機(jī)器視覺技術(shù)對茶葉在殺青理?xiàng)l作業(yè)過程中進(jìn)行取樣分析，判斷茶葉的形態(tài)效果是否達(dá)到預(yù)期程度，能夠避免茶葉欠理?xiàng)l或過理?xiàng)l，提高茶葉加工效率。
01
材料與方法
實(shí)驗(yàn)選擇由安徽農(nóng)業(yè)大學(xué)自主選育并栽培的農(nóng)抗早品種進(jìn)行理?xiàng)l，實(shí)驗(yàn)用樣本均是在正常室外環(huán)境下生長的長度為3~5 cm的一芽一葉樣本，采摘時間為2022年7月上旬，這一環(huán)境下生長的茶葉樣本含水量適中，葉片較大，葉形舒展，適合對比不同理?xiàng)l程度下茶樣的形態(tài)變化，便于特征參數(shù)讀取和分析。
1、樣本處理
理?xiàng)l是針形茶和扁形茶加工過程中的重要工藝，通過加熱失水和外力作用使茶葉均勻塑造成形，常用的理?xiàng)l機(jī)是通過電熱絲加熱和高頻次的左右移動代替鍋溫加熱和手工外力作用，在茶葉加工領(lǐng)域有很廣泛的應(yīng)用。
實(shí)驗(yàn)采用浙江君來茶葉機(jī)械有限公司生產(chǎn)的6CMD40/3型茶葉理?xiàng)l機(jī)，在鍋槽溫度150 ℃、振動頻率150次/min的條件下進(jìn)行理?xiàng)l作業(yè);將采摘的農(nóng)抗早茶葉樣本分為三組(每組200個樣本)，分別在同一個鍋槽中理?xiàng)l作業(yè)2 min(理?xiàng)l時間不足)、4 min(理?xiàng)l時間適宜)、6 min(理?xiàng)l時間過長)，制得三組不同理?xiàng)l程度的茶樣。分別收集并迅速進(jìn)行拍照取樣，以防止茶葉受潮吸水影響作業(yè)效果。
2、圖像采集及處理
采用Basler相機(jī)在圖1所示的實(shí)驗(yàn)平臺上進(jìn)行圖像采集，后將各個理?xiàng)l程度的樣本圖像，通過圖像處理程序經(jīng)過灰度化處理、二值化處理、形態(tài)學(xué)處理、區(qū)域分割的處理方法完成對茶葉樣本圖像的預(yù)處理過程，使圖像中的各個茶葉樣本可以實(shí)現(xiàn)參數(shù)提取流程。
3、構(gòu)建特征提取算法
預(yù)處理工序完成之后的圖像效果如圖2所示，根據(jù)預(yù)處理后的圖像提取外觀物理特征信息，采用區(qū)域邊界內(nèi)的每個像素點(diǎn)之間的距離來計算長度，連通域中的實(shí)際像素點(diǎn)個數(shù)為面積，葉片橢圓主軸為長軸，次軸為短軸進(jìn)行參數(shù)計算，共讀取9個形態(tài)特征參數(shù)(直徑D、矩形度R、圓形度E、對角線長L、最小外接矩形的長軸Ls、最小外接矩形的短軸S、邊界周長C、細(xì)長度T、緊湊度J)。
茶葉樣本在理?xiàng)l環(huán)節(jié)中處于一個不斷失水的狀態(tài)，其色澤、紋理特征也在不斷發(fā)生變化。圖像處理的常用顏色空間有RGB、HSV、HSI等。不同顏色空間特征參數(shù)有不同的描述效果，本系統(tǒng)選擇采集RGB圖像，并通過程序處理獲得HSV顏色空間的特征參數(shù)，獲取各個顏色特征的一階矩(Mean)、二階矩(Variance)和三階矩(Skewness)來表示茶葉樣本的顏色特征，其中C1、C2和C3分別代表紅色、綠色、藍(lán)色平面內(nèi)的一階矩;C4、C5和C6分別代表三個顏色平面內(nèi)的二階矩;C7、C8和C9分別代表三個顏色平面內(nèi)的三階矩;C10、C11和C12分別代表色調(diào)、飽和度和明亮度的一階矩;C13、C14和C15分別代表色調(diào)、飽和度和明亮度的二階矩;C16、C17和C18分別代表色調(diào)、飽和度和明亮度的三階矩。共讀取18個顏色特征參數(shù)。
茶葉的紋理特性隨著葉片在槽鍋中的不斷運(yùn)動和高溫失水的作用下會不斷變化，系統(tǒng)通過將圖像信息輸入至灰度-梯度共生矩陣(GGCM)中，使其能夠讀取茶葉樣本圖像的紋理基元和排列信息，計算了小梯度優(yōu)勢T1、大梯度優(yōu)勢T2、灰度分布不均勻性T3、梯度分布不均勻性T4、能量T5、灰度T6、梯度T7、灰度均方差T8、梯度均方差T9、相關(guān)度T10、灰度熵T11、梯度熵T12、混合熵T13、慣性度T14和逆差矩T15，共計15個紋理特征參數(shù)。
總計42個外觀特征參數(shù)，能夠完整描述茶葉在各個理?xiàng)l作業(yè)程度下的效果。
4、多數(shù)據(jù)模型測試
為了實(shí)現(xiàn)在理?xiàng)l階段的茶葉理?xiàng)l作業(yè)品質(zhì)的準(zhǔn)確分析，實(shí)驗(yàn)采用了三種不同數(shù)據(jù)模型算法對茶葉樣本參數(shù)進(jìn)行分析處理，并對比各個預(yù)測模型的品質(zhì)預(yù)測準(zhǔn)確度，為茶葉理?xiàng)l作業(yè)的品質(zhì)分析選擇出最合適的數(shù)據(jù)分析模型。
決策樹模型是根據(jù)識別出的茶葉參數(shù)數(shù)據(jù)集中不同理?xiàng)l作業(yè)程度的參數(shù)差異劃定區(qū)域，創(chuàng)立分支，當(dāng)參數(shù)的數(shù)據(jù)種類越多、決策樹分支越多，所能達(dá)到的分類效果和預(yù)測準(zhǔn)確度就越高;隨機(jī)森林算法是在決策樹算法的基礎(chǔ)上演變出來的，通過多棵決策樹并組和形成隨機(jī)森林，利用多個決策樹模型共同作用進(jìn)行參數(shù)的分類、預(yù)測、決策等工作，本質(zhì)是對決策樹算法的一種改進(jìn);支持向量機(jī)算法(SVM)可將識別到的參數(shù)以坐標(biāo)點(diǎn)的形式廣泛分布于坐標(biāo)系中，再在坐標(biāo)系中通過“超平面”的劃定區(qū)分不同參數(shù)范圍，以此實(shí)現(xiàn)了對不同參數(shù)分類預(yù)測的目的。
02
結(jié)果與分析
1、理?xiàng)l實(shí)驗(yàn)
選擇并采摘600個于同一區(qū)域生長、梗尖長度統(tǒng)一、含水量適中的農(nóng)抗早一芽一葉樣本，200個樣本為一組，共分為三組，三組樣本分別在槽式殺青理?xiàng)l機(jī)的同一鍋槽中進(jìn)行2、4、6 min的理?xiàng)l作業(yè)，然后以20個樣本為一組放入實(shí)驗(yàn)臺上分別進(jìn)行樣本圖像采集，實(shí)驗(yàn)所用的理?xiàng)l機(jī)和圖像采集平臺如圖3所示。
2、數(shù)據(jù)集建立
將所采集的樣本圖像分類保存并完成圖像預(yù)處理并對比效果如圖4所示，使其便于識別參數(shù)，用外觀特征提取算法進(jìn)行批量讀取，并建立特征數(shù)據(jù)集。
特征數(shù)據(jù)集建立完成后，將三種理?xiàng)l作業(yè)程度的茶葉樣本外觀特性參數(shù)按照形態(tài)特征、顏色特征和紋理特征劃分開來，計算其平均值整理如表1~表3所示，簡要分析后發(fā)現(xiàn)三類特征參數(shù)隨著理?xiàng)l作業(yè)時間的變化大多均呈遞增或遞減，其中形態(tài)特征參數(shù)的趨勢變化符合程度為88.9%，顏色特征參數(shù)的趨勢變化符合程度為94.4%，紋理特征參數(shù)的趨勢變化符合程度為86.7%，表明通過顏色特征參數(shù)評判區(qū)分理?xiàng)l作業(yè)效果最為準(zhǔn)確。
3、特征參數(shù)顯著性分析
將讀取的茶葉樣本數(shù)據(jù)通過決策樹模型處理得到?jīng)Q策樹可視化圖像，前4級的決策樹分支均是通過顏色特征參數(shù)的劃分形成多級分支，分別為C14(飽和度二階矩)、C8(綠色平面的三階矩)、C9(藍(lán)色平面的三階矩)、C7(紅色平面的三階矩)、C3(藍(lán)色平面的一階矩)、C16(色調(diào)三階矩)、C5(綠色平面的二階矩)、C10(色調(diào)一階矩)、C1(紅色平面的一階矩)。
將讀取到的三個理?xiàng)l加工時段茶葉特征參數(shù)用顯著性分析模型進(jìn)行讀取，進(jìn)一步驗(yàn)證顏色特征參數(shù)是否是評判茶葉理?xiàng)l作業(yè)樣本品質(zhì)的最顯著的特征。將42個外觀特征參數(shù)進(jìn)行顯著性分析排序，比較每個參數(shù)在分類模型中所占的權(quán)重，最終得到如圖6所示的顯著性分析圖表，實(shí)驗(yàn)發(fā)現(xiàn)42個特征參數(shù)中在分類模型中所占權(quán)重最高的均是顏色特征參數(shù)，分別是C17(飽和度三階矩)、C15(明亮度二階矩)、C10(色調(diào)一階矩)、C4(紅色平面內(nèi)的二階矩)、C14(飽和度二階矩)、C13(色調(diào)二階矩)、C18(明亮度三階矩)、C7(紅色平面內(nèi)的三階矩)、C9(藍(lán)色平面內(nèi)的三階矩)、C16(色調(diào)三階矩)。
通過上述實(shí)驗(yàn)說明外觀顏色特征中是茶葉理?xiàng)l環(huán)節(jié)中變化最為顯著且最易于對理?xiàng)l效果進(jìn)行分類的物理特征。
4、算法測試結(jié)果
分別將建立所得的特征數(shù)據(jù)集輸入至決策樹、隨機(jī)森林、支持向量機(jī)三種訓(xùn)練模型中，分別將數(shù)據(jù)集樣本按照訓(xùn)練集與測試集的比例為9∶1和8∶2輸出理?xiàng)l作業(yè)效果分類的準(zhǔn)確度，比較不同數(shù)據(jù)模型的分類效果。
選擇9個形態(tài)特征參數(shù)、18個顏色特征參數(shù)、15個紋理特征參數(shù)建立樣本數(shù)據(jù)集，在決策樹、隨機(jī)森林、支持向量機(jī)三種算法模型下的準(zhǔn)確度指標(biāo)如表4所示。
實(shí)驗(yàn)結(jié)果表明，3種不同分類算法的分類測試準(zhǔn)確度均達(dá)到了90%左右，其中決策樹算法的分類準(zhǔn)確度達(dá)到了100%，這是因?yàn)闆Q策樹算法在樣本數(shù)量較少且參數(shù)種類多的情況下衍生出了多級分支，因此達(dá)到了較好的分類效果。而大量數(shù)據(jù)集下的分類算法中支持向量機(jī)算法的準(zhǔn)確度顯著高于隨機(jī)森林算法。同時實(shí)驗(yàn)比較了訓(xùn)練集與測試集的比例為9∶1和8∶2時對分類準(zhǔn)確度的影響，最終結(jié)果表明9∶1的訓(xùn)練、測試比例更好。
03
討論
文章基于機(jī)器視覺技術(shù)和數(shù)據(jù)模型構(gòu)建，建立了一種針對茶葉理?xiàng)l環(huán)節(jié)作業(yè)效果快速識別并分析的方法，驗(yàn)證了決策樹、隨機(jī)森林和支持向量機(jī)三種分類算法在農(nóng)抗早樣本數(shù)據(jù)集的處理分析準(zhǔn)確性上的分析效果，最終的結(jié)果表明：
(1)機(jī)器視覺技術(shù)可以精確識別茶葉在理?xiàng)l環(huán)節(jié)中的形態(tài)變化、顏色變化和紋理變化，并且讀取出的參數(shù)種類越多，對數(shù)據(jù)模型的分類準(zhǔn)確度的幫助越大，其中顏色特征參數(shù)是三類外觀特征參數(shù)中變化最為顯著的特征參數(shù)。
(2)三種算法模型中，決策樹模型的分類效果達(dá)到了100%，這是因?yàn)闃颖緮?shù)據(jù)量少，同時參數(shù)種類多，使得決策樹分支眾多，得以實(shí)現(xiàn)少量數(shù)據(jù)下的高精確度分類。而大量數(shù)據(jù)下支持向量機(jī)算法的分類準(zhǔn)確度顯著高于隨機(jī)森林算法，而隨著數(shù)據(jù)集的進(jìn)一步擴(kuò)大支持向量機(jī)算法的優(yōu)勢會更顯著。
(3)該方法也可以用于不同類型的茶葉在不同加工流程中的作業(yè)效果分析，文章采用了一芽一葉的農(nóng)抗早品種在理?xiàng)l環(huán)節(jié)的作業(yè)分析，而針對實(shí)際情況可以運(yùn)用到更多不同的加工環(huán)節(jié)中去。
來源：中國茶葉加工
如涉及版權(quán)問題請聯(lián)系刪除
