鄭曉玲

福建泉州安溪縣系“中國烏龍茶之鄉(xiāng)”，茶產(chǎn)業(yè)已經(jīng)成為區(qū)域經(jīng)濟的一個重要特色產(chǎn)業(yè).茶葉品質(zhì)的分類可以讓不同的客戶類型根據(jù)他們自己的喜好以及經(jīng)濟條件選擇相應(yīng)的茶品類，因此它在茶葉市場中有著非常重要的作用.目前在茶產(chǎn)業(yè)中，茶品質(zhì)檢測主要是由“品茶者”通過視覺、嗅覺和味覺感官來進行的，這種方法會受到“品茶者”心理（如心理狀態(tài)）、生理（如年齡、性別等）因素的影響，因此，檢測結(jié)果是主觀的，有時會產(chǎn)生不可靠的結(jié)果［1］.儀器分析方法檢測茶葉品質(zhì)［2］準確、可靠、可重復(fù)性好，但是設(shè)備昂貴，操作繁瑣，設(shè)備生產(chǎn)時間長.因此尋找一種低成本、客觀的茶葉品質(zhì)自動檢測方法尤為重要.

計算機視覺系統(tǒng)以其成本效益高、一致性好、速度快、精度高等優(yōu)點，在質(zhì)量檢測領(lǐng)域有廣泛應(yīng)用.在茶葉的質(zhì)量檢測方面，GAGANDEEP S G等［3］概述各種基于計算機視覺的顏色和紋理分析算法，對茶葉的監(jiān)控和分級進行介紹.ARVIND K等［4］提出一種基于直方圖顏色匹配技術(shù)的基于L*a*b*顏色模型的茶飲料圖像分析系統(tǒng).HSIAO H Y等［5］利用機器視覺技術(shù)來定量評價茶葉的外觀品質(zhì)，探討不同的光源對視覺系統(tǒng)檢測結(jié)果的影響.馬建紅等［6］提出多智能體的茶葉圖像等級鑒定技術(shù)，可對茶葉模糊圖像等級有效鑒定.目前對茶葉品質(zhì)分類的研究主要集中在對不同種類名優(yōu)茶的分類，對同種茶葉的系統(tǒng)研究較少.因此，本文提出利用機器視覺技術(shù)自動檢測同品種茶葉品質(zhì)的新方法.

1 茶葉樣品圖像獲取

茶葉樣品圖像的采集系統(tǒng)由光箱、CCD相機、LED燈構(gòu)成，實驗所用光源為維視數(shù)字圖像技術(shù)有限公司的LED環(huán)形光源，垂直照射在待測茶葉樣品上，光源距離測試樣品高25 cm，茶葉樣品圖像由分辨率為1 300像素×1 024像素的攝像頭采集，采用USB 2.0接口，終端數(shù)據(jù)處理單元為華碩計算機，處理器操作系統(tǒng)為Window 2010，采集的茶葉彩色圖像由Matlab 2017a軟件進行處理分析，采集系統(tǒng)如圖1所示.

圖1 茶葉圖像采集系統(tǒng)

2 圖像特征提取

2.1 顏色特征

顏色特征對圖像來說是一種很重要的視覺特征，是人識別圖像最直觀的感知特征之一.HSI是由MUNSEU H A在1915年提出的一種顏色模型，該模型采用H、S和I三種基本特征量描述顏色.常見的描述顏色的RBG模型中的R、G和B分別代表圖像中的紅色、綠色和藍色分量值［7］，HSI與RGB顏色模型對比的優(yōu)點主要在于：RGB顏色模型容易受環(huán)境光線變化的影響，HSI顏色模型基本上不受環(huán)境光線變化的影響，更與人的視覺對顏色的感知相近似［8］.本文將采集到的以RGB形式表征的茶葉原始圖像轉(zhuǎn)換到HSI空間，計算圖像H分量、S分量、I分量的平均值和方差.因樣本數(shù)量較大，本文無法羅列出所有特征值，故只列出特征值的數(shù)值分布范圍如表1所示.可以看出，茶葉樣品良品與次品的顏色特征分布范圍有一定的差異性，尤其是S分量平均值、H分量方差、I分量方差，良品與次品的特征值分布在無交集的數(shù)值區(qū)間內(nèi).

2.2 紋理特征

紋理特征在自然圖像中廣泛存在，其能夠給人以明確的視覺效果，但由于紋理的復(fù)雜性，很難對其進行準確的描述.20世紀60年代，JULESZ等對紋理特征展開系統(tǒng)的研究［9］.灰度共生矩陣方法是建立在估計圖像的二階組合條件概率密度函數(shù)基礎(chǔ)上的一種紋理特征分析方法.本文根據(jù)茶葉樣本圖像的紋理特點，選取灰度共生矩中的能量、對比度、同質(zhì)性、相關(guān)性等4個特征用以提取茶葉圖像的紋理特征，然后利用Matlab 2017a分別提取每幅茶樣圖像能量、慣性矩、同質(zhì)性和相關(guān)性的4個方向上（0°，45°，90°，135°）共計16個紋理特征參數(shù).提取的特征值分布范圍如表2所示.可以看出，茶葉樣品良品與次品圖像的紋理特征分布范圍有一定的差異性，可將紋理特征作為自動檢測茶葉品質(zhì)的特征.

表1 茶葉外形圖像的顏色特征變量值的分布范圍

表2 茶葉外形圖像的紋理特征變量值的分布范圍

3 特征降維

主成分分析法是統(tǒng)計學中進行數(shù)據(jù)分析的一種有效方法，利用統(tǒng)計方差，去除統(tǒng)計變量之間的相關(guān)性，使數(shù)據(jù)得到降維和壓縮，并保留全部或絕大部分的信息.

本文對提取出來的茶葉樣本圖像的特征進行降維處理，見圖2.可以看出，前3項的貢獻率累計超過90%，表明選取這三種特征可以反映不同品質(zhì)茶葉的區(qū)別，實現(xiàn)茶葉品質(zhì)的自動識別，所以樣本特征矢量壓縮為3個不相關(guān)的主分量.這樣，降維率達到了3/22=13.6%，而信息保持率為90%.

圖2 試驗樣本特征矢量對區(qū)分整個樣本的貢獻率

4 人工神經(jīng)網(wǎng)絡(luò)框架的選擇

對于任意、復(fù)雜和非線性的輸入-輸出映射，使用多層感知器的人工神經(jīng)網(wǎng)絡(luò)（ANN）分類方法的性能常常超過其他分類方法，本文考慮以下幾種人工神經(jīng)網(wǎng)絡(luò)框架.

4.1 反向傳播多層感知器（BPMLP）

BP-MLP模型具有輸入層、輸出層和一個隱藏層.輸入層連接了圖像特征（3個輸入節(jié)點），輸出層輸出茶葉品質(zhì)等級.在試驗中觀察到隱藏層的神經(jīng)元個數(shù)為35的時候準確率最高，本文的研究中考慮了隱藏層的學習率為0.5，并且使用“TANSIG”作為隱藏層out put上的激活函數(shù).“PURELIN”用作輸出層的激活函數(shù)，輸出層的學習速率為1，迭代次數(shù)為1 500次.

4.2 廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）

GRNN是一種基于監(jiān)督學習過程的前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu).他有四層——輸入層、模式（高斯函數(shù)）層、求和層和輸出層.輸入層接收輸入信號并將其傳遞給模式層進行進一步處理.模式層計算輸入向量與訓(xùn)練向量之間的歐氏距離，并將該值傳遞給求和層作為激活函數(shù)（該函數(shù)為高斯函數(shù)）.求和層有分子、分母兩個神經(jīng)元.分子神經(jīng)元計算與訓(xùn)練樣本輸出相對應(yīng)的加權(quán)和，分母神經(jīng)元計算模式層輸出的非加權(quán)和.輸出層通過分子除以分母來計算輸出.在我們的例子中，GRNN有3個輸入節(jié)點，對應(yīng)于3個圖像特征.由于本文的研究是函數(shù)逼近問題，輸出層只有一個節(jié)點，傳播常數(shù)的值為1.0.

4.3 徑向基函數(shù)網(wǎng)絡(luò)（RBFN）

RBFN由輸入層、隱藏層和輸出層組成.隱藏層中被稱為徑向中心的隱藏節(jié)點，實現(xiàn)徑向基函數(shù)即高斯函數(shù)，輸出層則實現(xiàn)線性求和函數(shù).在訓(xùn)練過程中，將隱藏層的權(quán)值更新到輸出層并最終確定.RBFNN在徑向基網(wǎng)絡(luò)的隱藏層中不斷增加神經(jīng)元，通過最小化平均平方誤差達到可接受的精度.對于基于RBF的人工神經(jīng)網(wǎng)絡(luò)的開發(fā)，考慮了由30個神經(jīng)元組成的輸入層和單神經(jīng)元的輸出層.

5 結(jié)果與分析

5.1 校準和測試準備數(shù)據(jù)采集

在標準的實驗室條件下，使用開發(fā)的圖像采集視覺系統(tǒng)對36個茶葉樣品（18個良品，18個次品）進行實驗.每個樣品取不同角度的圖像5次.因此，采集了180幅圖像，使用圖像分析程序?qū)D像進行初步處理，然后進行特征提取.數(shù)據(jù)集的30%作為訓(xùn)練集，70%作為測試集.應(yīng)用K-階（在本例中為K=10）交叉驗證技術(shù)來驗證神經(jīng)網(wǎng)絡(luò)模型.

5.2 性能參數(shù)的選擇

本研究使用以上三種類型的神經(jīng)網(wǎng)絡(luò).因此，為了比較BPMLP、RBF和GRNN的性能，考慮MPPA（預(yù)測精度平均百分比）、MinPE（預(yù)測誤差最小值）、SDPE（預(yù)測誤差的標準差）、MSPE（預(yù)測誤差均方差）、MaxPE（預(yù)測誤差的最大值）5個性能參數(shù).

這些性能參數(shù)是在執(zhí)行10階交叉驗證后得到的結(jié)果.其中最重要的性能指示參數(shù)依次為MPPA、MSPE和MaxPE.MPPA表示神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度，MSPE表示神經(jīng)網(wǎng)絡(luò)模型的預(yù)測最優(yōu)表現(xiàn)，MaxPE表示神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度的下限.SDPE和MSPE則能反映神經(jīng)網(wǎng)絡(luò)模型預(yù)測茶葉品質(zhì)的魯棒性.

表3 10階交叉驗證預(yù)測茶葉品質(zhì)分級平均準確率（%）

5.3 茶葉品質(zhì)檢測的神經(jīng)網(wǎng)絡(luò)模型比較

使用180張茶葉樣品的圖像對所提出的茶葉品質(zhì)自動檢測技術(shù)進行測試.利用10階交叉驗證技術(shù)對整個數(shù)據(jù)集進行了三種模型的驗證.表3分別用BPMLP、RBFN和GRNN預(yù)測茶葉品質(zhì)等級，給出了10階交叉驗證后的結(jié)果.

5.4 定預(yù)測模型的性能分析

神經(jīng)網(wǎng)絡(luò)模型（BPMLP、RBFN和GRNN）預(yù)測茶葉品質(zhì)等級的性能總結(jié)如表4所示.以看出，三種模型都能獲得較高的識別率，預(yù)測精度平均百分比MPPA的數(shù)值都能在90%左右.另一方面，BP-MLP和GRNN的預(yù)測誤差最大值（MaxPE）分別為17.06%和12.99%，低于RBNF的9.12%，表示RBNF的預(yù)測精度下限高于GRNN和BP-ML.BP-MLP和GRNN標準差分別為2.23和2.08，方差分別為4.95和4.34，RBNF的標準差為1.33，方差為1.76，均低于其他兩種模型，表示RBNF的檢測穩(wěn)定性高于其他兩者.因此，對于茶葉品質(zhì)的自動檢測可以清楚地觀察到RBFN的性能優(yōu)于BP-MLP和GRNN，故選用RBFN作為檢測系統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型.

表4 三種神經(jīng)網(wǎng)絡(luò)模型預(yù)測茶葉品質(zhì)等級的性能總結(jié)

6 結(jié)語

本文提出一種利用低成本工業(yè)相機和光照條件建立的計算機視覺系統(tǒng)來自動檢測茶葉品質(zhì).10倍交叉驗證結(jié)果顯示三種神經(jīng)網(wǎng)絡(luò)模型都能得到90%左右的識別準確率，RBFN算法性能要優(yōu)于其他神經(jīng)網(wǎng)絡(luò)算法，而且性能更好，預(yù)測精度的下限較高.機器視覺技術(shù)可以用來自動檢測茶葉的品質(zhì)，能夠得到準確、穩(wěn)定的茶葉品質(zhì)分級結(jié)果，實際應(yīng)用價值較高.目前茶葉分類只有2類，對茶葉品質(zhì)檢測率尚未達到100%，未來可以通過優(yōu)化神經(jīng)網(wǎng)絡(luò)模型和增加特征參數(shù)等來提高檢測準確率，并對茶葉的等級分級進行細化.