槽式殺青理條機是兼具殺青和理條功能的茶葉炒制機械，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。槽式殺青理條機的工作原理是通過茶葉在槽鍋中往復運動，并對鍋槽進行傳導加熱，使茶葉快速失水做形，達到干茶炒制的要求。由于茶葉在槽式殺青理條機中作用時間短、變化快，當鍋溫和往復頻率不符合茶鮮葉的理條要求時，就會造成過度理條或理條不足的情況。
近年來，智能技術(shù)已在茶葉理條工序中有所應用，曹成茂等和傅杰等通過雙模糊控制算法實現(xiàn)了自動對理條參數(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)絡程序得出理條溫度93 ℃，理條時間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)了理條機的自動化改進。而在機器視覺技術(shù)和預測模型的運用方面，陳念等和陳榮等都通過SVM支持向量機算法分別對茶葉品質(zhì)和茶葉病蟲害監(jiān)測方面進行預測分析，精確度均達到了90%以上，劉自強等通過機器視覺技術(shù)對茶葉顏色和形狀進行提取識別，來實現(xiàn)茶樹品種的分類。
文章基于機器視覺與圖像處理技術(shù)，提出了一套對茶葉理條作業(yè)效果的檢測系統(tǒng)，通過采集不同理條程度的茶樣圖像，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、隨機森林和支持向量機三種算法進行模型訓練，最終實現(xiàn)對不同樣本的理條程度預測。采用機器視覺技術(shù)對茶葉在殺青理條作業(yè)過程中進行取樣分析，判斷茶葉的形態(tài)效果是否達到預期程度，能夠避免茶葉欠理條或過理條，提高茶葉加工效率。
01
材料與方法
實驗選擇由安徽農(nóng)業(yè)大學自主選育并栽培的農(nóng)抗早品種進行理條，實驗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，適合對比不同理條程度下茶樣的形態(tài)變化，便于特征參數(shù)讀取和分析。
1、樣本處理
理條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，常用的理條機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)域有很廣泛的應用。
實驗采用浙江君來茶葉機械有限公司生產(chǎn)的6CMD40/3型茶葉理條機，在鍋槽溫度150 ℃、振動頻率150次/min的條件下進行理條作業(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條作業(yè)2 min(理條時間不足)、4 min(理條時間適宜)、6 min(理條時間過長)，制得三組不同理條程度的茶樣。分別收集并迅速進行拍照取樣，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相機在圖1所示的實驗平臺上進行圖像采集，后將各個理條程度的樣本圖像，通過圖像處理程序經(jīng)過灰度化處理、二值化處理、形態(tài)學處理、區(qū)域分割的處理方法完成對茶葉樣本圖像的預處理過程，使圖像中的各個茶葉樣本可以實現(xiàn)參數(shù)提取流程。
3、構(gòu)建特征提取算法
預處理工序完成之后的圖像效果如圖2所示，根據(jù)預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)的每個像素點之間的距離來計算長度，連通域中的實際像素點個數(shù)為面積，葉片橢圓主軸為長軸，次軸為短軸進行參數(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、細長度T、緊湊度J)。
茶葉樣本在理條環(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條作業(yè)程度下的效果。
4、多數(shù)據(jù)模型測試
為了實現(xiàn)在理條階段的茶葉理條作業(yè)品質(zhì)的準確分析，實驗采用了三種不同數(shù)據(jù)模型算法對茶葉樣本參數(shù)進行分析處理，并對比各個預測模型的品質(zhì)預測準確度，為茶葉理條作業(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)集中不同理條作業(yè)程度的參數(shù)差異劃定區(qū)域，創(chuàng)立分支，當參數(shù)的數(shù)據(jù)種類越多、決策樹分支越多，所能達到的分類效果和預測準確度就越高;隨機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森林，利用多個決策樹模型共同作用進行參數(shù)的分類、預測、決策等工作，本質(zhì)是對決策樹算法的一種改進;支持向量機算法(SVM)可將識別到的參數(shù)以坐標點的形式廣泛分布于坐標系中，再在坐標系中通過“超平面”的劃定區(qū)分不同參數(shù)范圍，以此實現(xiàn)了對不同參數(shù)分類預測的目的。
02
結(jié)果與分析
1、理條實驗
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條機的同一鍋槽中進行2、4、6 min的理條作業(yè)，然后以20個樣本為一組放入實驗臺上分別進行樣本圖像采集，實驗所用的理條機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，將三種理條作業(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)隨著理條作業(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)分理條作業(yè)效果最為準確。
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(藍色平面的三階矩)、C7(紅色平面的三階矩)、C3(藍色平面的一階矩)、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)。
將讀取到的三個理條加工時段茶葉特征參數(shù)用顯著性分析模型進行讀取，進一步驗證顏色特征參數(shù)是否是評判茶葉理條作業(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，實驗發(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(藍色平面內(nèi)的三階矩)、C16(色調(diào)三階矩)。
通過上述實驗說明外觀顏色特征中是茶葉理條環(huán)節(jié)中變化最為顯著且最易于對理條效果進行分類的物理特征。
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、隨機森林、支持向量機三種訓練模型中，分別將數(shù)據(jù)集樣本按照訓練集與測試集的比例為9∶1和8∶2輸出理條作業(yè)效果分類的準確度，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、隨機森林、支持向量機三種算法模型下的準確度指標如表4所示。
實驗結(jié)果表明，3種不同分類算法的分類測試準確度均達到了90%左右，其中決策樹算法的分類準確度達到了100%，這是因為決策樹算法在樣本數(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算法的準確度顯著高于隨機森林算法。同時實驗比較了訓練集與測試集的比例為9∶1和8∶2時對分類準確度的影響，最終結(jié)果表明9∶1的訓練、測試比例更好。
03
討論
文章基于機器視覺技術(shù)和數(shù)據(jù)模型構(gòu)建，建立了一種針對茶葉理條環(huán)節(jié)作業(yè)效果快速識別并分析的方法，驗證了決策樹、隨機森林和支持向量機三種分類算法在農(nóng)抗早樣本數(shù)據(jù)集的處理分析準確性上的分析效果，最終的結(jié)果表明：
(1)機器視覺技術(shù)可以精確識別茶葉在理條環(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到了100%，這是因為樣本數(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)下支持向量機算法的分類準確度顯著高于隨機森林算法，而隨著數(shù)據(jù)集的進一步擴大支持向量機算法的優(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)抗早品種在理條環(huán)節(jié)的作業(yè)分析，而針對實際情況可以運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
