徐 濤

（武夷學院，福建 武夷山 354300）

傳統(tǒng)的人工分揀方式不僅效率低下，而且錯誤率較高，導致茶葉制作環(huán)節(jié)的成本居高不下。為了解決這一問題，相關研究人員積極嘗試建立茶葉雜質自動化分揀系統(tǒng)。目前，市面上常見的茶葉雜質自動分揀系統(tǒng)以茶葉的顏色作為主要區(qū)分對象，依據(jù)目標圖像的閾值對其進行分類與判定。這種自動化分揀模式存在一定的局限性，如果雜質與茶葉的顏色相近，則自動分揀系統(tǒng)無法準確識別雜質，需要再利用人工分揀的方式去除雜質。而圖像處理技術的不斷成熟，為優(yōu)化茶葉雜質分揀系統(tǒng)提供了技術支撐。借助圖像處理技術，茶葉雜質分揀系統(tǒng)能夠實現(xiàn)對于茶葉與雜質外形特征的分類，在不依靠顏色閾值的情況下，實現(xiàn)對于雜質的準確識別，顯著提升茶葉雜質分揀系統(tǒng)工作效率，擁有廣闊的應用前景。

1 圖像處理技術分析

圖像處理技術在多個領域發(fā)揮著重要作用，初級圖像處理技術可以對圖像邊緣進行銳化，并執(zhí)行簡單的降噪預處理。中級圖像處理技術能夠對圖像進行智能分割，并對物體外形進行描述。高級圖像處理技術，能夠對物體進行精準識別。采集圖像過程中，由于攝影器材、光線以及物體表面特征存在差異，因此圖像會出現(xiàn)噪聲，令采集到的圖像與原始圖像不相符，因此需要利用圖像處理技術對采集到的圖像進行降噪預處理[1]。

1.1 圖像灰度化

基于計算機視覺的茶葉雜質分揀系統(tǒng)運行過程中，需要對圖像進行灰度化處理，將彩色圖片轉化為灰度圖。以笛卡爾坐標系作為基礎，由紅色（R）、綠色（G）、藍色（B）作為基礎原色組成不同顏色，則每一個RGB分量都擁有28的灰度等級（如圖1所示）。

圖1 RGB色彩模型空間示意圖

每一個分量代表一種顏色的灰度值，也可以將其稱之為亮度值、強度值。目前，計算機主要通過平均值法、分量法以及最大值法對圖像進行灰度化處理。

平均值法的原理是通過計算彩色圖像三個分量強度值的平均數(shù)，確定圖像的灰度值。

分量法是提取圖像某一個分量的亮度值，將其作為該圖像的灰度值，依據(jù)實際需求選擇不同的分量。

最大值法是將圖像亮度值中的最大值，視為該圖像的灰度值。

公式（1）（2）（3）中，f為圖像的灰度值，(i,j)為像素點坐標。

在實際識別過程中，如果想要得到質量更高的灰度圖像，可以使用不同的權值對三個分量進行加權平均計算。本次設計中，工作人員對茶葉彩色圖像進行加權平均處理，得到了相應的灰度圖像（如圖2所示）。

圖2 茶葉雜質分揀圖像灰度圖

1.2 圖像平滑

拍攝圖像過程中，在各種外界因素的影響下，圖像會產生噪聲，要通過平滑處理消除噪聲的影響，為后期圖像處理工作打好基礎。目前常用的圖像平滑技術包括均值濾波法以及加權平均值濾波法等。

1.2.1 均值濾波法

利用均值濾波器，將彩色圖像上的目標像素點 (x,y)以及與該像素點相鄰的像素點灰度平均值，視為當前的像素點。例如，目標像素點為f(x,y)，圖像平滑處理后的像素點為g(x,y)，則均值濾波計算公式為：

公式（4）中，變量M為鄰域像素點總和，S為目標像素點(x,y)的鄰域。

如果將平滑濾波模板設定為3×3，則可以得到：

1.2.2 加權平均值濾波法

均值濾波法的弊端在于對于所有的像素點進行統(tǒng)一處理，因此會導致圖像變得模糊。為了提升圖像的清晰度，可以通過加權平均的方式對均值濾波法進行優(yōu)化，即加權平均值濾波法。

公式（6）中，w(s,t)為掩膜系數(shù)。通過加權平均計算，可以對公式（5）進行優(yōu)化：

觀察公式（7）可以發(fā)現(xiàn)，與中心點越接近的像素點，其權值越高，對于中心點的影響越明顯，是一種經常被使用的平滑模板，經過該模板處理的圖像較均值濾波法處理的圖像更為清晰。

1.3 邊緣檢測

在分析圖像過程中，邊緣信息有著很高的使用價值，且圖像邊緣區(qū)域像素灰度值變化很大，計算圖像邊緣灰度值梯度，確定圖像邊緣的方向以及強度。

邊緣檢測算子：常用的邊緣檢測算子包括Robert算子、perwitt算子等。前者屬于一階微分算子，可以利用差分法計算梯度值[2]。

其對應的2×2模板如下（如圖3所示）。

圖3 Robert算子模板

后者是一種一階微分算子，在經過邊界檢測之后，其圖像可以表示為：

其對應的3×3模板如下（如圖4所示）。

圖4 perwitt算子模板

通過對圖像進行邊緣檢測，最終得到目標圖像邊緣的清晰圖像（如圖5所示）。

圖5 目標圖像邊緣示意圖

2 霍夫直線變換

針對直線的識別，是茶葉雜質分揀中的一項重要內容，通過對圖像中呈現(xiàn)出直線形狀的物體進行精準識別，提升雜質分揀準確率。目前，直線檢測已經在多個領域得到了廣泛應用，特別是在交通、缺陷檢測等方面，發(fā)揮了巨大的作用。直線檢測技術多種多樣，一種霍夫直線變換是較為可靠的一種技術。該技術的優(yōu)勢在于能夠忽略圖像中的噪聲，針對局部被覆蓋或者遮擋的目標也能有效識別。霍夫直線變換是一種窮盡式搜索技術，因此其計算較為復雜，為了提升圖像識別效率，需要對該技術進行優(yōu)化。

2.1 兩點組合表決算法

基于霍夫變換原理，圖像中目標像素點與參數(shù)空間中的某一條曲線對應，同時參數(shù)空間中的點，也對應著圖像中的一條直線，二者之間存在映射關系。因此，在運用霍夫變換時，需要計算圖片像素點對應參數(shù)空間曲線的函數(shù)值，這種計算方式涉及龐大的計算量，會影響運算效率。

在平面圖像中，在確定了兩個點之后就可以得到一條確定的直線，該直線對應參數(shù)空間中的某一個點，立刻該映射關系就可以省去對于參數(shù)空間中其他參數(shù)的計算，即兩點組合表決算法。而在實際計算過程中，如果直接使用該計算方式，并不會顯著降低計算量，因此需要將圖像分割為多個子圖像塊，具體流程如下：

①將圖像分割為Ns個子圖像。

②在子圖像中任意選取兩點，標定為(xi,yi)(xj,yj)，運用兩點組合表決算法進行計算，根據(jù)公式（9）得出兩個點之間的空間參數(shù)ρ、θ，同時對累加單元 Q(ρ,θ)進行投票，得到參數(shù)累加峰值，以此來計算每一個子圖像中直線參數(shù)ρ、θ的數(shù)值。

③所有子圖片處理完畢之后，對子圖片進行綜合處理，得出原始圖像的變換結果，判斷原始圖像中是否存在直線。

設定原始圖像中的特征點個數(shù)為Ne，且圖像變換次數(shù)為NT，則可以得到公式：

分析公式（10）可以發(fā)現(xiàn)，圖像變換次數(shù)與子圖像個數(shù)成反比，子圖像越多則圖像變換次數(shù)越少，子圖像所包含的特征點越多，直線判斷精度就會越高。考慮到計算精度與計算效率的平衡，本次設計中將子圖像設定為32×32，通過這種方式減少計算次數(shù)，并縮小峰值表決范圍。

2.2 概率霍夫變換

普通的霍夫變換，只能檢測圖像中存在的線段中是否含有直線，無法檢測線段的兩個端點，針對這一問題，可以通過概率統(tǒng)計的方式檢測圖像線段的端點，在確定直線部位之后，將直線部分去除，計算剩下的線段中是否含有直線，其具體流程為：

①計算圖像中非零點的個數(shù)。

②對獲取到的所有非零點進行霍夫變換，并對經過變換得到的參數(shù)進行累加，得到霍夫變換最大值。

③比較霍夫變換最大值與設定閾值的大小，如果霍夫變換最大值小于閾值，則判斷其不為直線，并將計算目標錨定至下一個點重復上一步驟，如果霍夫變換最大值大于閾值，則判斷其為新直線。

④判斷直線上線段的端點并計算其長度，如果符合分揀條件就保留該線段，并對該線段上的點進行標記，在后續(xù)進行霍夫變換計算時，會自動跳過被標記的點，減少計算量。

概率霍夫變換是對普通霍夫變換的一種升級，能夠顯著減少參與變換的特征點個數(shù)，且可以檢測到線段的端點，提升茶葉雜質分揀效率[3]。

2.3 直線檢測實驗結果

為了驗證霍夫變換直線檢測的有效性，工作人員在實驗室進行茶葉雜質分揀模擬測試（如圖6所示）。

圖6 茶葉雜質分揀直線檢測實驗結果

圖像（a）為茶葉雜質分揀原始圖像，茶葉中摻雜了木棍類雜物，且木棍與茶葉的顏色較為相似。通過霍夫變換計算捕捉到木棍邊緣形狀。但受限于相機角度以及光照等因素，圖像中存在少量陰影，為了提升直線檢測的準確率，需要在進行霍夫變換之前對圖像進行降噪預處理。圖像（b）是在沒有處理陰影的情況下直接進行霍夫變換，可以發(fā)現(xiàn)出現(xiàn)了明顯的誤判斷。因此，工作人員先對原始圖像進行去陰影處理，而后得到二值圖像，再將二值圖像進行霍夫變換，得到圖像（e），可以發(fā)現(xiàn)，此時圖像中的直線被準確識別了出來。

3 分類器設計

作為模式識別的核心，模式分類一直以來都是圖像識別與計算機視覺研究領域的重點研究方向。本次設計中，工作人員選擇Support Vector Machine分類法，簡稱SVM分類法。該方法建立在結構風險最小理論以及統(tǒng)計學習理論基礎上，SVM分類法在解決小樣本以及高維度模式識別等方面具有一定優(yōu)勢，并且支持監(jiān)督分類算法，在多個領域中得到了廣泛的應用。SVM分類法的原理就是找到最為適宜的分類平面，確保分屬于不同類型的數(shù)據(jù)，與該平面的距離保持最大。將實驗數(shù)據(jù)分為兩組，第一組數(shù)據(jù)的作用是對分類器進行訓練，第二組數(shù)據(jù)的作用是驗證分類器的正確性[4]。

本次設計中，需要分揀的物體分為“茶葉”與“雜質”兩大類，將茶葉標定為 ω1類，類別標識為+1，將雜質標定為ω2類，類別標識為-1，在此基礎上運用SVM分類法，將判斷函數(shù)設定為f(x)，其中變量x為樣本數(shù)據(jù)的向量，則可以得到公式：

如果系統(tǒng)判定函數(shù)結果為+1，則目標為茶葉，如果函數(shù)判定結果為-1，則目標為雜質。

4 設計茶葉雜質分類系統(tǒng)

為了提高茶葉雜質分揀效率，要根據(jù)雜質的不同形狀選擇不同的分類方式，如果雜質為棍狀則使用霍夫變換法進行檢測，如果雜質為球狀則運用基于SVM分類法的分類器進行檢測。

4.1 搭建雜質分揀平臺

本次設計中，工作人員以常見的PC機作為系統(tǒng)的硬件，采用2.0GB內存，CPU使用2.10GHzAMD處理器，并搭載視窗操作系統(tǒng)，利用C/C++編程語言，基于VisualC++6.0開發(fā)環(huán)境設計系統(tǒng)，同時搭載OpenCV視覺函數(shù)庫，該視覺函數(shù)庫中的數(shù)據(jù)可以隨意調取，可以依據(jù)實際需要編寫功能，顯著降低程序開發(fā)難度，壓縮系統(tǒng)開發(fā)與調試周期[5]。

4.2 設計系統(tǒng)功能模塊

該系統(tǒng)中，負責圖像處理的部分包括圖像灰度化模塊、平滑濾波預處理模塊、圖像分割模塊以及邊緣檢測模塊等。通過圖像處理模塊將原始圖像轉化為二值圖像，有效去除原始圖像中的陰影，并突出圖像邊緣輪廓。得到二值圖像之后就可以開始識別雜質，如果雜質為棍狀，利用霍夫交換就可以判斷其直線輪廓，將雜質篩除。如果雜質為球狀，則要對其特征進行提取，再利用SVM分類法完成對于雜質的分類。

5 結語

如何提升茶葉雜質分揀效率，一直以來都是茶葉制作領域的重點難題，傳統(tǒng)的人工分揀方式以及基于顏色閾值的自動化分揀方式，已經無法滿足市場需求。因此，設計人員嘗試運用圖像處理技術以及霍夫變換算法，將計算機視覺進入茶葉雜質分揀工作之中，設計出高效、準確的茶葉雜質分揀系統(tǒng)，為提升茶葉制作效率提供技術基礎。