计算机视觉技术在茶叶等级检测中的应用研究

茶叶富含多种具有营养价值和保健功能的化学物质,是世界上三大饮料之一。我国的茶叶种植面积和产量都位居世界第一,但近年来茶叶产业的效益徘徊不前,原因在于茶叶分级技术落后,影响了产品在国际市场的竞争力。计算机视觉是一种较为新型的技术,在茶叶品质检测中得到广泛应用,其检测范围集中在茶叶色泽和外部形态上,取得了较好的分级效果。为此,通过计算机视觉技术获取茶叶形状和茶水颜色特征,利用神经网络对检测数据进行分析后判别茶叶的等级。结果表明:计算机视觉能有效地判别各等级的茶叶,检测的总体准确率达到88.8%,可以应用于茶叶的实时等级检测。     

名优绿茶的审评

评定茶叶品质好坏的方法有感官审评和理化检验2种。感官审评是以人的感觉器官来评定茶叶品质的好坏,如用眼睛观察茶叶的外形、色泽;鼻子嗅辨香气;舌头品尝滋味;用手感触身骨的轻重等。理化检验就是通过物理和化学进行分析与测定,以测量的数据反映茶叶品质的好坏。通过感官审评,看出茶叶品质好坏,查找制茶工艺上存在的毛病,为生产服务,不断提高茶叶品质,改进制茶技术。     

基于多尺度注意力机制和知识蒸馏的茶叶嫩芽分级方法

相较于人工感官评审法,基于深度学习和计算机技术进行茶叶嫩芽分级可以降低时间成本并大幅提高精度,但常用的识别模型存在着冗余计算量多和模型规格大的问题。为此以采摘自贵州红枫山韵茶场的茶叶嫩芽为研究对象,根据人工经验将茶样划分为3个等级;在ShuffleNet-V2 0.5x基本单元中嵌入多尺度卷积块注意力模块(MCBAM)与多尺度深度捷径(MDS),提出一种茶叶嫩芽分级模型(ShuffleNet-V2 0.5x-SMAU),聚焦茶样中有利于分级的特征信息;以在两个不同源域上预训练后的模型作为教师和学生模型,提出一种结合双迁移和知识蒸馏的茶叶嫩芽分级方法,借助暗知识的传授进一步增强分级模型分类性能与抵抗过拟合的能力。结果表明,本文方法能在保证模型轻量性的条件下,对测试集各级样本的分级准确率达到100%、92.70%、89.89%,表现出优于采用复杂网络模型的综合性能,在储存资源有限和硬件水平低的生产场景中应用具有优越性。     

基于高光谱图谱融合技术的英德红茶等级快速无损判别

茶叶等级评价是检测茶叶品质的一项重要技术指标。通过提取红茶高光谱成像技术下的图像特征和光谱特征,构建一种基于图谱融合方法、适用于英德红茶等级评价的快速无损判别模型。首先制备3种不同等级的红茶样本,采用t分布-随机近邻嵌入和主成分分析对光谱数据进行降维可视化分析,然后从影响内在品质角度用连续投影法提取每种化学值的特征波长,通过多模型共识策略和竞争性自适应重加权算法-连续投影法筛选得出表征其内在品质的最佳特征波长组合,并建立基于遗传算法优化支持向量机的等级判别模型;其模型的训练集准确率为88%,预测集准确率为78.33%。为了融合外形纹理差异,先提取最佳特征波长组合对应的高光谱图像;采用图像掩膜消除背景的干扰和采用图像主成分分析消除多波长图像间的冗余信息,然后采用灰度共生矩阵和局部二值化算法提取主成分前三维主成分图像与特征光谱融合,并建立基于特征融合的遗传算法优化支持向量机等级判别模型,且基于第三主成分图像特征融合模型判别效果最佳,训练集准确率提升至98%,预测集准确率提升至96.67%。     

基于颜色和形状特征的茶叶嫩芽识别方

与人工采摘茶叶相比,现有采茶机械虽能提高采摘速度,但采摘时老叶、嫩叶一起采,缺乏选择性,并有部分叶片遭破损,降低了原料品质.为此,需要研究具有选择性、低损伤率的自动采摘方法.本文采用基于颜色和形状特征的图像处理方法,实现茶叶嫩芽的计算机识别和检测.针对清明期陕西名茶"午子仙豪"茶叶,首先在RGB颜色空间中提取茶叶图像的G分量,并采用双阈值方法对图像进行分割;然后根据茶叶嫩芽的形状特征,检测茶叶嫩芽的边缘.实验结果表明:基于颜色和形状特征的识别方法能有效分辨出茶叶嫩芽,识别准确率为94%,为实现茶叶嫩芽的自动采摘提供了一种有效方法.     

基于机器视觉的石榴品质自动分级方法

采用人工检测的石榴外观品质等级分级方法存在准确率和效率低的问题,提出一种基于机器视觉的石榴品质分级方法。首先,采用机器视觉系统采集石榴样本图像,进行去噪处理与获取掩模图像;其次,提取去噪图像的红、绿、蓝分量,用蓝色分量减去红、绿色分量得到色差图像,并对色差图像进行阈值分割;然后,对分割图像采用数学形态学处理获得连通的疑似缺陷区域的边界,提取纹理特征并根据缺陷与非缺陷区域纹理特征的不同来标记缺陷区域;最后,将缺陷面积与总面积之比和缺陷数目作为划分等级的依据,对石榴品质等级进行划分。试验结果表明：本方法总体分级准确率达到92.9%,能够高效、准确地识别石榴表面缺陷并进行品质分级,为实现自动分级的产业化提供思路。     

基于小波的色度空间图像增强算法--以处理茶叶样本图像为例

茶叶的色泽是评定茶叶等级的一个重要指标。通过计算机分析茶叶样本图像的茶叶色泽,可以不受人为因素的干扰,客观评定茶叶等级。为此,介绍了色度空间与基于小波的图像增强算法,并将二者结合,用来分析茶叶色泽,评定茶叶等级。与传统方法比较,此方法在人眼视觉对亮度和颜色不同的敏感特性方面具有明显的优越性。     

茶叶外形特征数字化及不同等级茶叶鉴别研究

茶叶是世界三大饮料中最具有生命力、最受消费者欢迎的饮料。随着人们生活水平的提高、健康意识的增强和茶文化的兴起,人们对茶叶数量的需求不断增加,对质量的要求逐渐提高。进入21世纪后,我国茶叶虽然经历了几年的快速增长,但由于国内茶叶品质检测及分级技术比较落后,茶叶品质参差不齐,同时受欧盟、日本等国家和地区绿色技术壁垒的影响,我国茶叶出口难以维持快速增长势头[1-3]。因此亟须提高我国茶叶品质的检测和分级手段,促进茶叶行业的标准化,才能与国际接轨,健全茶叶质量安全体系,实施绿色品牌战略,提高企业的竞争力。     

茶叶色选机的技术创新和发展趋势——以梅州市为例

茶是中国人的"国饮",是最普遍、最基本的饮料。茶叶的质量会影响到茶的口感,随着人们对茶叶质量要求的提升以及人们健康意识的形成,科研人员开始积极研发可以筛选茶叶差异品质的设备。色选机将物料光学存在的特性差异作为理论基础,使用光机电探测手段对物料中的异色粒以及异色物进行自动分拣,对茶叶检测和品质分级。茶叶色选机在我国制茶中有着广泛的应用,为有效提高茶叶的品质,笔者分析了茶叶色选机技术创新的必要性和技术创新方式,展望了茶叶色选机未来的发展趋势。     

农畜产品品质安全高光谱无损检测技术进展和趋势

高光谱成像技术作为光学无损检测的一种新技术在农畜产品品质安全检测中被广泛关注和应用.综述了高光谱无损检测技术的研发现状.在果蔬品质安全检测上,高光谱成像技术可用于组成分分析、食用指标测定、质量分级评定等内部品质检测和外部形态特征识别、表面缺陷及污染物检测、冻伤检验等外部品质判定,以及农药残留、致病菌污染等安全评定.在生鲜肉检测应用方面,包括营养品质的组成成分分析、食用品质如嫩度、大理石花纹、新鲜度等指标评价以及生鲜肉在微生物污染等安全品质的评定.分析了高光谱无损检测技术的现状及问题,并针对目前农畜产品无损检测的发展趋势进行前景展望.     

利用计算机视觉定量描述茶叶色泽

选择ＨＩＳ颜色系统描述茶叶颜色,并对颜色描述系统模型进行了改进,使之能更好地模拟理想颜色模型。在此基础上对自然存储条件下不同年份生产的龙井茶的茶叶色泽和汤色进行定量测量,测量结果：利用计算机视觉能定量地茶叶色泽随储藏时间的变化。     

基于机器视觉和工艺参数的针芽形绿茶外形品质评价

外形是针芽形绿茶的关键感官评价指标,通常依据色泽、条形、嫩度和匀整度等表象特征进行人工评审,难以做到精准、客观和量化评价。本文以自动化生产线机制的针芽形绿茶为研究对象,基于茶叶品质、形成工艺和视觉形态等内外因素,构建了外形品质的智能感官评价方法。首先,在线采集在制品的17个机制工艺参数和成品茶的图像,进行图像特征提取,选取9个颜色特征和6个纹理特征。进而,通过与专家感官评分进行关联分析,明确了与感官品质显著相关的特征变量。为获取高效的评价模型,采用偏最小二乘法(PLS)、极限学习机(ELM)和强预测器集成算法(ELM-Ada Boost)3种多元校正方法,分别建立了基于工艺或图像特征的针芽形绿茶外形感官的量化评价模型。建模结果表明,基于图像特征建立的ELM-Ada Boost模型(Rp=0.892,RPD大于2),其预测性能优于其他模型,且具有更小的RMSEP(0.874)、Bias(-0.148)、SEP(0.226)和CV(0.018)值。同时,非线性模型的预测性能均高于PLS线性模型,能更好地表征工艺参数、图像信息与感官评分之间的解析关系,且建模速度更快(0.014~0.281 s)。而Ada Boost法作为一种混合迭代算法,能进一步提升ELM模型的精度和泛化能力。结果表明,基于机器视觉和工艺评价针芽形绿茶外形品质是可行的,为拓展茶叶感官品质评价方法和专家工艺决策支持系统研制,提供理论依据和数据支撑。     

鸭蛋蛋心颜色模型的试验研究

应用机器视觉技术研究鸭蛋蛋壳、蛋心颜色与颜色信息R、G、B和H、I、S之间的关系,建立鸭蛋蛋心颜色等级模型,为实现鸭蛋品质的无损自动检测与分级提供依据。试验结果表明:鸭蛋蛋心颜色等级模型具有较高的回归精度,可以用于指导在线生产。     

基于机器视觉的半干枣病害和裂纹识别研究

研究提出了一种基于机器视觉的病害和裂纹的识别方法。在H分量图中,依据半干枣在病害和非病害区域色调值差异提取病害区域,以提取的病害区域与枣表面积的比作为阈值确定较高的病害面积识别精度,可正确识别的感兴趣病害面积为16.87mm2,占枣投影面积的3.3%。为进一步提高在该病害面积识别精度的正确率,依据已确定的病害面积比阈值,将病害面积比值二值化,结合红枣区域颜色特征值H的均值和均方差,用SVM方法建立枣病害的识别模型,训练集和测试集的识别正确率分别为9 5.7 7%和9 5.7 9%。在I分量图中,对红枣区域进行Otsu’s阈值分割、图像局部属性统计和形态学处理,提取裂纹二值图像,依据裂纹图像不变距方法建立裂纹识别模型,训练集和测试集的识别正确率分别为94.90%和94.55%。     

基于计算机视觉的番茄营养元素亏缺识别研究

针对番茄种植中营养元素的亏缺,肉眼不易进行识别判断的问题,以番茄亏缺氮、镁营养元素为研究对象,利用CDD摄像机采集研究图像,将图像进行处理后,提取分割出可以表现亏缺氮、镁的特征图像,提取颜色特征和纹理特征,并通过遗传算法进行优化。同时,将优化的特征进行组合分析,以此建立特征模型,并确定特征向量用于分析提取出来的特征参数,建立的特征模型,并采用二叉树形式对番茄缺素识别进行研究。仿真试验结果表明:番茄种植中,采用计算机视觉技术识别亏缺氮、镁营养元素,识别准确率可以满足生产需要。种植户可以根据检测结果对番茄进行区别施肥,既能满足番茄生长的需要,又不会造成资源的浪费,符合农业可持续发展的要求。     

基于计算机视觉的土壤镉胁迫生菜叶片污染响应分析

为了实现无损检测生菜叶片中重金属镉的污染程度,以计算机视觉技术为研究手段,结合图像处理方法和特征选择方法,对4个梯度重金属镉胁迫的生菜叶片进行识别。首先利用数码相机获取生菜叶片图像,然后使用K-means聚类算法分割图像,对分割出的目标图像提取图像颜色、形状和纹理特征,共获取46个图像特征。为了使模型更简便和减少数据量,利用基于变量组合的变量重要性分析(VIAVC)和竞争性自适应重加权算法(CARS)对图像特征进行降维。采用偏最小二乘法判别分析(PLS-DA)和随机森林(RF)构建模型,用于生菜镉胁迫程度的识别。结果表明,在7个组合特征模型中,颜色形状纹理融合特征所建立的模型给出了最优结果,测试集分类正确率为92%。用VIAVC和CARS对颜色形状纹理融合特征进行特征选择,发现VIAVC的降维效果优于CARS。使用特征选择的变量建立模型,RF模型的训练集分类正确率和预测集分类正确率均高于PLS-DA,其中,基于VIAVC的RF模型的训练集和预测集分类正确率分别为98.0%和96.0%。可见,基于VIAVC的RF模型在大大降低了特征维数的前提下,能够较好地对不同镉胁迫程度的生菜叶片进行识别。     

基于卷积神经网络的鲜茶叶智能分选系统研究

机采鲜茶叶中混有各种等级的茶叶,针对风选、筛选等分选方法难以做到精确细分的问题,结合计算机视觉技术和深度学习方法,设计了一套鲜茶叶智能分选系统,搭建了基于7层结构的卷积神经网络识别模型,通过共享权值和逐渐下降的学习速率,提高了卷积神经网络的训练性能。经过实验验证,该分选系统可以实现鲜茶叶的自动识别和分选,识别正确率不低于90%,可对鲜茶叶中的单芽、一芽一叶、一芽二叶、一芽三叶、单片叶、叶梗进行有效的类别分选。