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(guò)茶葉在槽鍋中往復(fù)運(yùn)動(dòng)，并對(duì)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(shí)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(shí)，就會(huì)造成過(guò)度理?xiàng)l或理?xiàng)l不足的情況。
近年來(lái)，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(guò)雙模糊控制算法實(shí)現(xiàn)了自動(dòng)對(duì)理?xiàng)l參數(shù)的工藝調(diào)節(jié)，減少了制茶過(guò)程中的人為因素干擾，王小勇等通過(guò)人工神經(jīng)網(wǎng)絡(luò)程序得出理?xiàng)l溫度93 ℃，理?xiàng)l時(shí)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(guò)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(dòng)化改進(jìn)。而在機(jī)器視覺技術(shù)和預(yù)測(cè)模型的運(yùn)用方面，陳念等和陳榮等都通過(guò)SVM支持向量機(jī)算法分別對(duì)茶葉品質(zhì)和茶葉病蟲害監(jiān)測(cè)方面進(jìn)行預(yù)測(cè)分析，精確度均達(dá)到了90%以上，劉自強(qiáng)等通過(guò)機(jī)器視覺技術(shù)對(duì)茶葉顏色和形狀進(jìn)行提取識(shí)別，來(lái)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(duì)茶葉理?xiàng)l作業(yè)效果的檢測(cè)系統(tǒng)，通過(guò)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(guò)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(duì)不同樣本的理?xiàng)l程度預(yù)測(cè)。采用機(jī)器視覺技術(shù)對(duì)茶葉在殺青理?xiàng)l作業(yè)過(guò)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(guò)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(zhǎng)的長(zhǎng)度為3~5 cm的一芽一葉樣本，采摘時(shí)間為2022年7月上旬，這一環(huán)境下生長(zhǎng)的茶葉樣本含水量適中，葉片較大，葉形舒展，適合對(duì)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(guò)程中的重要工藝，通過(guò)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(guò)電熱絲加熱和高頻次的左右移動(dòng)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(lái)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(dòng)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(gè)樣本)，分別在同一個(gè)鍋槽中理?xiàng)l作業(yè)2 min(理?xiàng)l時(shí)間不足)、4 min(理?xiàng)l時(shí)間適宜)、6 min(理?xiàng)l時(shí)間過(guò)長(zhǎng))，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(tái)上進(jìn)行圖像采集，后將各個(gè)理?xiàng)l程度的樣本圖像，通過(guò)圖像處理程序經(jīng)過(guò)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(duì)茶葉樣本圖像的預(yù)處理過(guò)程，使圖像中的各個(gè)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(gè)像素點(diǎn)之間的距離來(lái)計(jì)算長(zhǎng)度，連通域中的實(shí)際像素點(diǎn)個(gè)數(shù)為面積，葉片橢圓主軸為長(zhǎng)軸，次軸為短軸進(jìn)行參數(shù)計(jì)算，共讀取9個(gè)形態(tài)特征參數(shù)(直徑D、矩形度R、圓形度E、對(duì)角線長(zhǎng)L、最小外接矩形的長(zhǎng)軸Ls、最小外接矩形的短軸S、邊界周長(zhǎng)C、細(xì)長(zhǎng)度T、緊湊度J)。
茶葉樣本在理?xiàng)l環(huán)節(jié)中處于一個(gè)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(guò)程序處理獲得HSV顏色空間的特征參數(shù)，獲取各個(gè)顏色特征的一階矩(Mean)、二階矩(Variance)和三階矩(Skewness)來(lái)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(gè)顏色平面內(nèi)的二階矩;C7、C8和C9分別代表三個(gè)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(gè)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(dòng)和高溫失水的作用下會(huì)不斷變化，系統(tǒng)通過(guò)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(jì)算了小梯度優(yōu)勢(shì)T1、大梯度優(yōu)勢(shì)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(jì)15個(gè)紋理特征參數(shù)。
總計(jì)42個(gè)外觀特征參數(shù)，能夠完整描述茶葉在各個(gè)理?xiàng)l作業(yè)程度下的效果。
4、多數(shù)據(jù)模型測(cè)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(duì)茶葉樣本參數(shù)進(jìn)行分析處理，并對(duì)比各個(gè)預(yù)測(cè)模型的品質(zhì)預(yù)測(cè)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(shí)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(cè)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(lái)的，通過(guò)多棵決策樹并組和形成隨機(jī)森林，利用多個(gè)決策樹模型共同作用進(jìn)行參數(shù)的分類、預(yù)測(cè)、決策等工作，本質(zhì)是對(duì)決策樹算法的一種改進(jìn);支持向量機(jī)算法(SVM)可將識(shí)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(guò)“超平面”的劃定區(qū)分不同參數(shù)范圍，以此實(shí)現(xiàn)了對(duì)不同參數(shù)分類預(yù)測(cè)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(gè)于同一區(qū)域生長(zhǎng)、梗尖長(zhǎng)度統(tǒng)一、含水量適中的農(nóng)抗早一芽一葉樣本，200個(gè)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(gè)樣本為一組放入實(shí)驗(yàn)臺(tái)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(tái)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(duì)比效果如圖4所示，使其便于識(shí)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(lái)，計(jì)算其平均值整理如表1~表3所示，簡(jiǎn)要分析后發(fā)現(xiàn)三類特征參數(shù)隨著理?xiàng)l作業(yè)時(shí)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(shì)變化符合程度為88.9%，顏色特征參數(shù)的趨勢(shì)變化符合程度為94.4%，紋理特征參數(shù)的趨勢(shì)變化符合程度為86.7%，表明通過(guò)顏色特征參數(shù)評(píng)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(guò)決策樹模型處理得到?jīng)Q策樹可視化圖像，前4級(jí)的決策樹分支均是通過(guò)顏色特征參數(shù)的劃分形成多級(jí)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(gè)理?xiàng)l加工時(shí)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(píng)判茶葉理?xiàng)l作業(yè)樣本品質(zhì)的最顯著的特征。將42個(gè)外觀特征參數(shù)進(jìn)行顯著性分析排序，比較每個(gè)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(gè)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(guò)上述實(shí)驗(yàn)說(shuō)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(duì)理?xiàng)l效果進(jìn)行分類的物理特征。
4、算法測(cè)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(cè)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(gè)形態(tài)特征參數(shù)、18個(gè)顏色特征參數(shù)、15個(gè)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(cè)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(jí)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(shí)實(shí)驗(yàn)比較了訓(xùn)練集與測(cè)試集的比例為9∶1和8∶2時(shí)對(duì)分類準(zhǔn)確度的影響，最終結(jié)果表明9∶1的訓(xùn)練、測(cè)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(duì)茶葉理?xiàng)l環(huán)節(jié)作業(yè)效果快速識(shí)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(shí)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(duì)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(shí)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(shì)會(huì)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(duì)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(lái)源：中國(guó)茶葉加工
如涉及版權(quán)問(wèn)題請(qǐng)聯(lián)系刪除
