茶叶茶梗的计算机在线识别技术及其应用

2016-08-13黄留锁河南教育学院河南郑州450046

福建茶叶 2016年7期

黄留锁，宋　艳（河南教育学院，河南郑州 450046）

茶叶茶梗的计算机在线识别技术及其应用

黄留锁，宋艳
（河南教育学院，河南郑州 450046）

本文重点介绍茶叶茶梗的计算机在线识别技术以及在整个系统中的应用，首先通过对茶叶茶梗的在线识别技术RGB颜色模型、最小错误率的贝叶斯决策模型的详细介绍，从而为茶叶茶梗的计算机在线识别技术提供理论依据，然后通过整个茶叶的自动化采摘和分拣系统的介绍，对在线识别技术的应用进行详细说明，从而实现茶叶茶梗的自动化分拣。

RGB模型；最小错误率贝叶斯决策模型；茶叶分拣

1　概述

自古以来，我国就是茶叶的重要生产国和销售国，茶叶和瓷器都是中国特色的产业输出，一直在国际上享有盛名。作为我国特色的产业之一，茶叶在国内的销售市场也非常庞大，催生出的茶文化以及相关的附属产业，都为我国的社会发展和经济水平提升作出不可磨灭的贡献。在我国茶叶生产过程中，传统的茶叶生产方式都是通过人工手工作业的方式，通过采摘、筛选、拣别的前期作业方式以及后期的炒茶、干燥等基本流程来完成茶叶的生产过程。整个过程全部是人工手工作业，严重影响了茶叶生产的效率。随着科学技术水平的不断提升，计算机应用技术快速发展，视频图像处理和计算机视觉技术的广泛应用，使得农业机械自动化得到快速发展，茶叶的采摘工作也逐步向半自动化和全自动化的方向快速发展，这对于我国茶叶生产来说，是一次非常大的技术提升。但是由于整个自动采摘的智能化水平相对较低，采摘的茶叶中混有很多茶梗、黄叶等杂质，这对高等级茶叶的生产来说，是非常不利的。如果单纯地依靠手工作业筛选茶梗、黄叶等杂质，那么作业效率仍旧是非常低下，所以通过计算机技术来实现茶叶茶梗自动识别和分离的自动化设备对于茶叶生产效率的提升来说，是非常重要的。利用RGB颜色模型、最小错误率的贝叶斯决策模型等多种分类模型来设计相应的算法，通过图像采集器来收集采摘的茶叶的实时图像，并对其进行特殊处理和在线识别，从而驱动后面的分拣器对茶叶、茶梗、黄叶等进行分离操作，从而实现嫩芽与茶梗黄叶等杂质的分离，实现高等级茶叶嫩芽的识别和分拣，提升茶叶生产效率，进而促进茶叶行业良好地、可持续地发展。

2　在线识别的分类模型算法

对于茶叶茶梗的在线识别技术，理论上是采用各种分类模型来实现，在分类模型的基础上，实现各种算法过程，对实时图像采集的采摘茶的图片进行图像采集并处理，然后经过核心分类算法对其进行分类，最终驱动后面的机械分类设备来对茶叶中的茶梗、黄叶等杂质进行分拣，从而实现对茶叶茶梗的分拣操作。常见的图像处理分类模型包括RGB颜色模型、最小错误贝叶斯决策模型等，在此对着三种模型进行研究。

2.1RGB颜色模型

在通过自动化设备采摘的茶叶中，主要是包含的是嫩绿的嫩芽嫩叶，而老叶黄叶和茶梗在颜色上与茶叶嫩芽有着非常大的区别，所以通过对其颜色的判断，来实现茶叶茶梗的识别和分离操作。

RGB模型就是常见的颜色模型，是将现实世界中的颜色转化成可存储、可对比的计算机数字值的模型。我们知道，在对整个颜色体系中，所有的颜色都是可以其他颜色调配出来的，而最基础的颜色，则是红、绿、蓝三种，又称为三原色，通过对三原色不同比例的设定和勾兑，则可以配出自然界中颜色体系中所有的颜色。按照这种思想，我们就可以将黑色、白色作为整个色系中的两个极端颜色，而三原色红（Red）、绿（Green）、蓝（Blue）则构成了R，G，B三个数据轴，黑色处在三个数据轴的原点，而白色则处在三个数据轴的最大值的交汇点。假如我们设定最大值交汇点三个数据轴取值各位1，那么所有的颜色则是在R，G，B三个数据轴从0到1取值时的交汇点，不同的交互点表示不同的颜色，所有的交汇点，表示了自然界中所有的颜色。如图1所示，为RGB颜色模型中的原理结构图。

图1　RGB颜色模型数据原理示意图

通过RGB颜色模型可以知道，自然界中的颜色都可以通过三个不同的值来表示，那么在对自然界中的任何一种颜色，都可以使用计算机对其进行对比、区分、存储、识别、处理、显示等数字操作。

对于RGB颜色模型对茶叶茶梗在线识别对应，可以通过视频图像处理的方法，将实时采集到图像进行前期预处理后，对核心区域内的图像的颜色进行获取和对比，从而得到核心区域的颜色，然后与期望的值进行对比，如果在期望值以内，则说明是满足茶叶等级采摘要求的，可以将其作为嫩芽，分类到茶叶嫩芽中；相反，如果超过期望值，则说明该核心区表示的物品应该属于茶梗、黄叶的杂质一类，应该将其去除。

2.2最小错误率的贝叶斯决策模型

最小错误率的贝叶斯决策模型是利用概率学的基本理论，对分类的最小错误率进行统计来建立的分类模型。在对茶叶以及茶梗、黄叶等杂质的分类中，我们迫切希望识别出的茶叶嫩芽以及黄叶、茶梗等杂质的正确率最高，发生错误的的概率最低，那么就可以为茶叶茶梗的在线识别构建最小错误率的贝叶斯决策模型。

在固定时间段内，采摘到茶叶中，混有茶叶嫩芽和茶梗、黄叶等杂质的概率是一定的，那么在对茶叶、茶梗的在线识别中，假设茶叶嫩芽概率为P1，茶梗、黄叶等杂质的发生概率为P2，则有P1+P2=1。如果仅仅是按照之前的经验来决定内容中的所属类别，那么则会导致很多错误发生，所以，需要对待分类的对象的各种特征进行提取，然后得到更多的有用信息。在构建最小错误率的贝叶斯决策模型，首先要对采集到的信息进行d维的特征提取，从而得到相关的测量向量值，M=［M1，M2，M3，……，Md］T。假设，P（M|w1）为w1类别在M测量对象中的概率，P（M| w2）为w2类别在M测量对象中的概率。根据实际情况可知，在某个实际测量对象中，类别发生概率呈正态分布，那么对于不同的wi类别，其在M测量对象中发生的概率P（M|wi）为

通过贝叶斯公式可以知道，P（M|w1）为

那么在最小错误率的贝叶斯决策模型中，就可以根据此类算法对茶叶、茶梗的图像进行处理之后，对核心图像进行分类，然后驱动操作设备完成二者之间的分类，实现茶叶茶梗的在线识别过程。

除此之外，还有基于向量空间的最小距离的最小距离分类模型，都可以对茶叶茶梗的在线识别提供理论算法。

3　在线识别技术对茶叶茶梗的识别

利用计算机系统完成茶叶茶梗的在线识别，属于一个茶叶自动化采摘和分拣系统的一个子系统，而整个系统的应用，则是完成对茶叶自动化甄选、采摘、分摊、筛选的工作流程。如图2所示，为茶叶自动化采摘和分拣系统的结构示意图。

图2　茶叶自动化采摘和分拣系统结构示意图

对于茶叶茶梗的计算机在线识别，是在上述整个系统中的一个中间环节。在整个自动化采摘和分拣系统中，处于前端部分的为茶叶的自动采摘识别系统，通过图像采集器1的采集到的图像，经过图像的预处理之后，经过茶叶等级选择系统对预处理之后的采集图像进行选择之后，即可驱动自动采摘系统中的相关设备来对茶叶进行采摘。然后将采摘后的系统经分摊系统将其均匀铺平，然后进入到茶叶自动化采摘和分拣系统的后部门茶叶茶梗分拣系统，这也是茶叶茶梗在线识别技术主要应用的环节。首先通过图像采集器2对分摊的采集茶叶进行图像采集，然后进行过相关的图像预处理之后，进入到在线识别系统中，最后得到相应的结果，驱动茶叶分拣系统的相关设备来对分摊的茶叶进行茶叶和茶梗、黄叶等杂质的分离。

对于图像采集器2采集到的图像，首先要经过图像预处理的操作。对于图像预处理的过程，包括传统意义上的图像优化的过程以及图像分割的过程。图像优化的过程是对采集到的分摊茶叶的图像进行优化处理，一般是采用傅里叶变换将图像转变成的不同频段的频率信号数据，并且采用相关的滤波器模型来进行图像滤波的过滤技术，或者采用灰度映射函数来对图像灰度直方图进行修正的技术，来对对采集到的整个图像进行视觉增强，从而消除图像采集器2设备采集到的图像中存在的视觉斑点或者一些模糊的噪声数据。

在得到清晰的图像之后，即可采用图像分割技术，来将图像内的核心区域进行分割。一般的理解，在一张完整的茶叶茶梗图像中，包括了茶叶嫩芽、茶梗、黄叶等物质，而彼此之间在颜色等特征方面存在很大的差异。例如在颜色特征方面，图像内茶叶嫩芽与茶梗接触处，两边存在不同的颜色，那么在图像的RGB颜色模型来定位此处的图像色值时，就会发现两边的色值发生了巨变，此时就可认定为此处为分界线。通过对整个图像中的色值方面的分析，即可得到图片中的所有物品的轮廓，从而可以得到轮廓内的核心图片内容。那么就可以采用图像二值化的方法，将图像进行分割处理，从而得到了茶叶嫩芽、茶梗、黄叶以及其他物品在内的所有核心图片。然后将这些核心图片送入到茶叶茶梗在线识别系统中，通过RGB分类模型、最小错误率的贝叶斯决策模型、最小距离分类模型或者多种模型的组合分类器来对各个图片进行分类，通过各种算法来对茶叶嫩芽以及其他杂质进行识别，然后将识别结果传输到整个系统的分拣系统，驱动相关的设备对整个茶叶茶梗进行分类操作，最终得到优质的茶叶嫩芽。