一种茶叶加工关键节点的检测方法及装置

摘要

本发明一种茶叶加工关键节点的检测方法及装置，属于茶叶加工过程中无损检测技术领域。采用拱形光源作为输入信号，高分辨率GigE Vision相机捕获样品信号，通过以太网接口线将信号传输至计算机客户端，获取茶叶加工关键节点的样品图像；然后对数据进行预处理，构建判别函数特征变量，作为模式识别模型的输入，建立茶叶加工关键节点检测模型，实现茶叶加工关键节点的快速、客观、准确判别。本发明的方法和装置，能实现对茶叶加工关键节点的检测分析，相比传统分析方法，可显著提高相应的检测效率，更适用于现场快速检测分析。

权利要求

1.一种茶叶加工关键节点的检测方法，其特征在于，按照下述步骤进行：

步骤一，采用拱形光源作为输入信号，高分辨率GigE Vision相机捕获样品信号，通过以太网接口线将信号传输至计算机客户端，获取茶叶加工关键节点的样品图像；

步骤二，先对茶叶加工关键节点的样品图像进行感兴趣区域提取；再对感兴趣区域进行纹理和颜色特征的提取，并进行标准化预处理；然后通过逐步判别分析优选出图像的纹理和颜色特征变量；

步骤三，依据优选出的特征变量构建判别函数，作为模型输入，然后通过模式识别方法构建茶叶加工关键节点判别模型，实现茶叶加工关键节点的检测；所述判别模型，指输入变量为4个函数特征变量，K为1具有最佳识别率的 K最邻近法模型；所述茶叶加工关键节点判别模型的输入变量，即4个函数特征变量，如下：①F1＝-3.067*V1-2.074*V2+0.767*V3+1.475*V4+21.034*V5-24.263*V6+5.282*V7+

3.842*V8+8.573*V9+14.840*V10-1.537*V11-0.112*V12；

②F2＝4.035*V1-0.199*V2+0.587*V3+0.245*V4+13.310*V5-12.661*V6-8.271*V7+

3.274*V8+6.010*V9+4.274*V10-0.603*V11-1.316*V12；

③F3＝7.817*V1-0.603*V2-0.848*V3+0.662*V4+1.155*V5+1.803*V6-2.298*V7-

4.982*V8+2.750*V9-3.431*V10-4.641*V11+2.517*V12；

④F4＝1.318*V1-0.541*V2+1.397*V3+1.483*V4+2.214*V5-2.656*V6+4.005*V7-

1.065*V8+0.553*V9-2.288*V10-0.628*V11-1.412*V12；

步骤二中，所述感兴趣区域，为1301*1301pixels大小的特征图像；所述选出的图像纹理特征变量，为2个基于统计矩阵的纹理特征和2个基于灰度共生矩阵的纹理特征：所述基于统计矩阵的纹理特征，为平滑度V1、三阶矩V2；所述基于灰度共生矩阵的纹理特征，为

135°方向的对比度V3、45°方向的能量V4；所述选出的图像颜色特征变量，为8个基于RGB和HIS颜色空间的特征值，分别为：R平均值V5、B平均值V6、G标准方差V7、B标准方差V8、H平均值V9、S平均值V10、H标准方差V11、S标准方差V12；

执行该检测方法的检测装置，包括把手(1)、暗箱(2)、相机(3)、拱形光源(4)、样品杯(5)；所述检测装置，经以太网接口线与计算机相连；所述暗箱内部置有相机(3)、拱形光源(4)、样品杯(5)；所述相机(3)置于暗箱(2)顶端；所述拱形光源(4)上端固定相机(3)的镜头；所述样品杯(5)，置于拱形光源(4)正下方；

所述把手(1)，置于暗箱(2)前端，且开口大小40cm*70cm，可有效操作样品；所述暗箱(2)，为边长50cm*50cm*90cm的长方体铁箱；所述铁箱，内部具涂有黑漆，以吸收样品杯漏出的光线，防止其反射光线影响相机的取样，将暗箱与外界完全隔离，内部检测不受外界影响；所述相机(3)，尺寸为29mm*29mm*30mm，重量为36g，易于便携，方便操作；

所述拱形光源(4)，其外径210mm，开孔直径35mm，拱形光源(4)距离样品杯(5)为30cm，可有效覆盖样品表面；所述样品杯(5)，为直径75mm、高15mm的玻璃器皿，取样量适中，可使样品更具代表性。

2.根据权利要求1所述的一种茶叶加工关键节点的检测方法，其特征在于，步骤一中，所述茶叶加工，是一种乌牛草的扁形绿茶生产加工过程；所述加工过程，为摊放、杀青、做形、制扁、干燥5个关键节点。

3.根据权利要求1所述的一种茶叶加工关键节点的检测方法，其特征在于，步骤一中，所述拱形光源内壁，采用高反光材料，使光线能从不同角度，均匀照射样品表面；所述拱形光源底部，采用大功率贴片LED灯，置于内部铝基板上；所述LED灯，总数为24*4个，可有效保证样品的受光表面强度。

4.根据权利要求1所述的一种茶叶加工关键节点的检测方法，其特征在于，步骤一中，所述GigE Vision相机，最大分辨率为2448*2048，可有效采集样品表面特征信息；所述以太网接口的传输速率为1000Mbit/s，能保证图像信息实时、稳定的传输至计算机客户端。

说明书

一种茶叶加工关键节点的检测方法及装置

技术领域

[0001] 本发明涉及茶叶加工关键节点的检测技术及装备，具体是利用视觉传感技术，检测茶叶加工关键节点的方法及装置，属于茶叶加工过程中无损检测技术领域。

背景技术

[0002] 绿茶是我国产量最多的一类茶叶，其主要加工工艺包括杀青、做形、干燥等。杀青主要是破坏鲜叶中酶的活性，制止多酚类化合物的酶促氧化，保持翠绿的叶色，显露绿茶的清香气，同时散发鲜叶水分，使之柔软，以便进行揉捻。做形是主要是破坏叶细胞，揉出茶汁，便于冲泡，并使茶叶初步成形。干燥的目的是挥发水分，防止变质，固定形状，发展茶叶香气。可见，叶面色泽、外形及香气变化，是茶叶加工关键节点判断的主要因素。近年来，茶叶生产机械化实现了快速发展，有效地降低了传统人工制茶的劳动强度，提高了生产效率。然而，在我国茶叶机械化生产过程中，依然依靠人工经验判断和控制加工工艺的各个关键节点，不能完全实现茶叶加工自动化和智能化，影响产品质量的稳定性和生产效率。造成这一现状主要原因归于，茶叶加工过程品质智能检测的这一关键问题没有根本性解决。

[0003] 视觉传感器技术可以实现部分人类视觉的功能，模仿人的判别准则去理解和识别图像。在茶叶品质检测中，它可以使被检测的品质指标(如茶叶的外形和色泽等)量化和标准化。申请号201110372162.4“基于颜色和形状识别茶叶的方法”，提取了茶叶的颜色和形状特征参数，其中提取了茶叶周长、面积、中轴长度、平均宽度和弯曲度系数等特征参数，此发明的方法不适合大批量处理茶叶样本；申请号为201310655126.8的专利“基于机器视觉的茶叶级别分选系统”融合近红外光谱和机器视觉判定茶叶等级，但没有对特征数据进行处理和分析；申请号为201510311566.0“一种基于图像识别技术的茶叶等级鉴定方法”，仅仅提取了茶叶了面积作为等级判别指标，不具有全面性；而且茶叶需经过冲泡，步骤比较繁琐。此外，以上发明都是针对茶叶成品品质的视觉传感检测，对茶叶加工关键节点判别的检测还没有视觉传感检测方法相关专利，尤其是基于视觉传感特征变量的茶叶加工关键节点品质判别方法。将视觉传感检测用于茶叶加工过程品质检测，在视觉信号获取装置、信息提取和处理方面均有待改善。

[0004] 鉴于此，本发明提出一种茶叶加工关键节点的检测方法及装置，采用视觉传感技术，克服传统茶叶加工人工经验判别的不稳定性，提高产品加工品质的稳定性，对企业提高生产效率、提高产品质量，具有重要意义。

发明内容

[0005] 针对现有技术的不足，本发明提供了一种茶叶加工关键节点的检测方法及装置，实现了茶叶加工过程样本的图像信息快速获取、特征信号的快速提取，建立精度高、稳定性好的检测模型，提高检测的准确度和可靠性。

[0006] 针对本发明的方法及装置，具体采用的技术方案如下：

[0007] 一种茶叶加工关键节点的检测方法，按照下述步骤进行：

[0008] 步骤一，采用拱形光源作为输入信号，高分辨率千兆以太网接口(GigE Vision)相机捕获样品信号，通过以太网接口线将信号传输至计算机客户端，获取茶叶加工关键节点的样品图像；

[0009] 步骤二，先对茶叶加工关键节点的样品图像进行感兴趣区域提取；再对感兴趣区域进行纹理和颜色特征的提取，并进行标准化预处理；然后通过逐步判别分析优选出图像的纹理和颜色特征变量；

[0010] 步骤三，依据优选出的特征变量构建判别函数，作为模型输入，然后通过模式识别方法构建茶叶加工关键节点判别模型，实现茶叶加工关键节点的检测。

[0011] 进一步，步骤一中，所述茶叶加工，是一种乌牛草的扁形绿茶加工过程；所述加工过程，为摊放、杀青、做形、制扁、干燥等5个关键节点。

[0012] 进一步，步骤一中，所述拱形光源内壁，采用高反光材料，使光线能从不同角度，均匀照射样品表面；所述拱形光源底部，采用大功率贴片发光二极管(LED)，置于内部铝基板上；所述LED灯，总数为24*4个，可有效保证样品的受光表面强度。

[0013] 进一步，步骤一中，所述GigE Vision相机，最大分辨率为2448*2048帧频，可有效采集样品表面特征信息；所述以太网接口，在于传输速率为1000兆位每秒(Mbit/s)，能保证图像信息实时、稳定的传输至计算机客户端。

[0014] 进一步，步骤二中，所述感兴趣区域，为1301*1301像素(pixels)大小的特征图像；所述纹理特征，为2个基于统计矩阵的纹理特征和2个基于灰度共生矩阵的纹理特征：所述基于统计矩阵的纹理特征，为平滑度(V1)、三阶矩(V2)；所述基于灰度共生矩阵的纹理特征，为135°方向的对比度(V3)、45°方向的能量(V4)；所述颜色特征，为8个基于RGB和HIS颜色空间的特征值，分别为：R平均值(V5)、B平均值(V6)、G标准方差(V7)、B标准方差(V8)、H平均值(V9)、S平均值(V10)、H标准方差(V11)、S标准方差(V12)。

[0015] 进一步，步骤三中，所述模式识别方法，在于当模型输入变量为4个函数特征变量，K为1的时候，K最邻近法的模型识别率最佳；所述茶叶加工关键节点判别模型的输入变量，即4个函数特征变量，如下：

[0016] ①F1＝-3.067*V1-2.074*V2+0.767*V3+1.475*V4+21.034*V5-24.263*V6+5.282*V7+3.842*V8+8.573*V9+14.840*V10-1.537*V11-0.112*V12；

[0017] ②F2＝4.035*V1-0.199*V2+0.587*V3+0.245*V4+13.310*V5-12.661*V6-8.271*V7+3.274*V8+6.010*V9+4.274*V10-0.603*V11-1.316*V12；

[0018] ③F3＝7.817*V1-0.603*V2-0.848*V3+0.662*V4+1.155*V5+1.803*V6-2.298*V7-4.982*V8+2.750*V9-3.431*V10-4.641*V11+2.517*V12；

[0019] ④F4＝1.318*V1-0.541*V2+1.397*V3+1.483*V4+2.214*V5-2.656*V6+4.005*V7-1.065*V8+0.553*V9-2.288*V10-0.628*V11-1.412*V12；

[0020] 本发明的装置的技术方案为：

[0021] 一种茶叶加工关键节点的检测装置，所述检测装置，包括把手、暗箱、相机、拱形光源、样品杯；

[0022] 所述检测装置，经以太网接口线与计算机相连；所述暗箱内部置有相机、拱形光源、样品杯；所述相机置于暗箱顶端；所述拱形光源上端固定相机的镜头；所述样品杯，置于拱形光源正下方。

[0023] 进一步，所述把手，置于暗箱前端，且开口大小40cm*70cm，可有效操作样品；所述暗箱，为50cm*50cm*90cm的长方体铁箱；所述铁箱，内部具涂有黑漆，以防吸光现象；所述相机，尺寸为29mm*29mm*30mm，重量为36g，易于便携，方便操作。

[0024] 进一步，所述拱形光源，其外径Φ210mm，开孔直径Φ35mm，可有效覆盖样品表面；所述有效覆盖，在于拱形光源距离样品杯为30cm；所述样品杯，为直径 高15mm的玻璃器皿，取样量适中，可使样品更具代表性。

[0025] 本发明的有益效果，具体如下：

[0026] 其一，对于茶叶加工关键节点图像的采集：采用拱形光源作为输入信号，高分辨率GigE Vision相机捕获样品信号，通过以太网接口线将信号传输至计算机客户端，获取茶叶加工关键节点的样品图像；

[0027] 其二，对于茶叶加工关键节点图像的数据处理：先对茶叶加工关键节点的样品图像进行感兴趣区域提取；再对感兴趣区域进行纹理和颜色特征的提取，优选出图像的纹理和颜色特征变量；

[0028] 其三，对于茶叶加工关键节点模型的优化分析：依据优选出的图像特征变量构建判别函数特征变量，作为模型输入，通过K最邻近法，构建茶叶加工关键节点判别模型，实现茶叶加工关键节点的检测；

[0029] 其四，对于茶叶加工关键节点的检测装置：样品杯置于拱形光源正下方，相机置于拱形光源正上方，可有效覆盖样品表面特征信息；相机经以太网接口线与计算机相连，可将采集的光谱信息实时传送至电脑端，以实现茶叶加工关键节点的检测。

附图说明

[0030] 图1为本发明茶叶加工关键节点的检测装置示意图；

[0031] 图中：1把手、2暗箱、3相机、4拱形光源、5样品杯。

[0032] 图2为输入变量为4个函数特征变量时，不同K值的KNN模型识别率。

具体实施方式

[0033] 以下将结合附图和具体实施方式对本发明的技术方案作进一步详细说明。本发明对茶叶加工关键节点的检测具有通用性。本实施案例所选的目标茶叶为乌牛草的扁形绿茶，其它类型的茶叶可参考此实例进行。

[0034] 本实施案例利用视觉传感技术采集茶叶的图像，进行感兴趣区域提取，构建图像纹理和颜色特征与茶叶加工关键节点判别模型，实现茶叶加工关键节点的检测。具体技术方案如下：

[0035] 步骤一，采用拱形光源作为输入信号，高分辨率GigE Vision相机捕获样品信号，通过以太网接口线将信号传输至计算机客户端，获取茶叶加工关键节点的样品图像；

[0036] 所述茶叶加工，是一种乌牛草的扁形绿茶加工过程；所述加工过程，为摊放、杀青、做形、制扁、干燥等5个关键节点；

[0037] 所述拱形光源内壁，采用高反光材料，使光线能从不同角度，均匀照射样品表面；所述拱形光源底部，采用大功率贴片LED，置于内部铝基板上；所述LED灯，总数为24*4个，可有效保证样品的受光表面强度；

[0038] 所述GigE Vision相机，最大分辨率为2448*2048帧频，可有效采集样品表面特征信息；所述以太网接口，在于传输速率为1000Mbit/s，能保证图像信息实时、稳定的传输至计算机客户端；

[0039] 步骤二，先对茶叶加工关键节点的样品图像进行感兴趣区域提取；再对感兴趣区域进行纹理和颜色特征的提取，并进行标准化预处理；然后通过逐步判别分析优选出图像的纹理和颜色特征变量；

[0040] 所述感兴趣区域，为1301*1301pixels大小的特征图像；所述纹理特征，为2个基于统计矩阵的纹理特征和2个基于灰度共生矩阵的纹理特征：所述基于统计矩阵的纹理特征，为平滑度(V1)、三阶矩(V2)；所述基于灰度共生矩阵的纹理特征，为135°方向的对比度(V3)、45°方向的能量(V4)；所述颜色特征，为8个基于RGB和HIS颜色空间的特征值，分别为：R平均值(V5)、B平均值(V6)、G标准方差(V7)、B标准方差(V8)、H平均值(V9)、S平均值(V10)、H标准方差(V11)、S标准方差(V12)；

[0041] 步骤三，依据优选出的特征变量构建判别函数，作为模型输入，通过模式识别方法构建茶叶加工关键节点判别模型，实现茶叶加工关键节点的检测；

[0042] 所述模式识别方法，在于当模型输入变量为4个函数特征变量，K为1的时候，K最邻近法的模型识别率最佳；所述茶叶加工关键节点判别模型的输入，即4个函数特征变量，如下：

[0043] ①F1＝-3.067*V1-2.074*V2+0.767*V3+1.475*V4+21.034*V5-24.263*V6+5.282*V7+3.842*V8+8.573*V9+14.840*V10-1.537*V11-0.112*V12；

[0044] ②F2＝4.035*V1-0.199*V2+0.587*V3+0.245*V4+13.310*V5-12.661*V6-8.271*V7+3.274*V8+6.010*V9+4.274*V10-0.603*V11-1.316*V12；

[0045] ③F3＝7.817*V1-0.603*V2-0.848*V3+0.662*V4+1.155*V5+1.803*V6-2.298*V7-4.982*V8+2.750*V9-3.431*V10-4.641*V11+2.517*V12；

[0046] ④F4＝1.318*V1-0.541*V2+1.397*V3+1.483*V4+2.214*V5-2.656*V6+4.005*V7-1.065*V8+0.553*V9-2.288*V10-0.628*V11-1.412*V12；

[0047] 图1为本发明的茶叶加工关键节点的检测装置示意图，所述检测装置，经以太网接口线与计算机相连；所述暗箱内部置有相机、拱形光源、样品杯；所述相机置于暗箱顶端；所述拱形光源上端固定相机的镜头；所述样品杯，置于拱形光源正下方。

[0048] 一种茶叶加工关键节点的检测装置，所述检测装置，包括把手(1)、暗箱(2)、相机(3)、拱形光源(4)、样品杯(5)；

[0049] 所述检测装置，经以太网接口线与计算机相连；所述暗箱内部置有相机(3)、拱形光源(4)、样品杯(5)；所述相机(3)置于暗箱(2)顶端；所述拱形光源(4)上端固定相机(3)的镜头；所述样品杯(5)，置于拱形光源(4)正下方。

[0050] 所述把手(1)，置于暗箱(2)前端，且开口大小40cm*70cm，可有效操作样品；所述暗箱(2)，为50cm*50cm*90cm的长方体铁箱；所述铁箱，内部具涂有黑漆，以防吸光现象；所述相机(3)，尺寸为29mm*29mm*30mm，重量为36g，易于便携，方便操作；

[0051] 所述拱形光源(4)，其外径Φ210mm，开孔直径Φ35mm，可有效覆盖样品表面；所述有效覆盖，在于拱形光源(4)距离样品杯(5)为30cm；所述样品杯(5)，为直径Φ75mm、高15mm的玻璃器皿，取样量适中，可使样品更具代表性。

[0052] 下面将结合具体的实施案例对本发明进行详细描述。但这些实施案例并不限制本发明，本领域的普通技术人员根据这些实施案例所做出的结构、方法或功能上的变换均包含在本发明的保护范围内。

[0053] 实施案例：乌牛草的扁形绿茶加工关键节点的检测

[0054] (1)收集摊放、杀青、做形、制扁、干燥等5个关键节点的样本，每个节点的样本为24个，共120个样本。

[0055] (2)将样本平铺在样品杯中，然后通过茶叶加工关键节点的检测装置获取样本图像，提取1301*1301pixels大小的感兴趣区域图像，并提取感兴趣区域图像的纹理和颜色特征变量；对数据进行标准化预处理，然后通过逐步判别分析优选出12个图像纹理和颜色特征变量：平滑度(V1)、三阶矩(V2)、135°方向的对比度(V3)、45°方向能量(V4)、R平均值(V5)、B平均值(V6)、G标准方差(V7)、B标准方差(V8)、H平均值(V9)、S平均值(V10)、H标准方差(V11)、S标准方差(V12)；

[0056] (3)采用K最邻近模型识别方法，以4个函数特征变量作为模型输入，K为1的时候，模型训练集识别率为98.75％，预测集识别率为100％，模型鲁棒性较好。图2为输入变量为4个函数特征变量时，不同K值的KNN模型识别率。模型的输入变量，即4个函数特征变量分别为：

[0057] F1＝-3.067*V1-2.074*V2+0.767*V3+1.475*V4+21.034*V5-24.263*V6+5.282*V7+3.842*V8+8.573*V9+14.840*V10-1.537*V11-0.112*V12；

[0058] F2＝4.035*V1-0.199*V2+0.587*V3+0.245*V4+13.310*V5-12.661*V6-8.271*V7+3.274*V8+6.010*V9+4.274*V10-0.603*V11-1.316*V12；

[0059] F3＝7.817*V1-0.603*V2-0.848*V3+0.662*V4+1.155*V5+1.803*V6-2.298*V7-4.982*V8+2.750*V9-3.431*V10-4.641*V11+2.517*V12；

[0060] F4＝1.318*V1-0.541*V2+1.397*V3+1.483*V4+2.214*V5-2.656*V6+4.005*V7-1.065*V8+0.553*V9-2.288*V10-0.628*V11-1.412*V12。

[0061] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

[0062] 尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。