?

基于機器視覺的茶葉品種識別研究

2024-03-04 03:03江會權
福建茶葉 2024年2期
關鍵詞:嫩芽子集像素點

江會權

(浙江農林大學,浙江 杭州 200030)

1 引言

近十幾年來,隨著對名優茶研究與提升的不斷深入,我們所面臨的挑戰在于如何更進一步地確保茶葉品質,而這種品質的提升離不開中國得天獨厚的地理位置和數千年的茶葉文化,尤其是在采摘環節,現代化、高效、高質量的采摘和加工制造成為了至關重要的環節。本文從我國茶類發展現狀出發,針對其存在的問題提出一些改進建議,希望可以為今后相關方面提供參考意見。只有在解決這些問題的前提下,中國的茶葉行業才能邁向更高的發展階段,讓全球目光聚焦于我們國家的茶文化,同時也能驚嘆于更加先進的茶葉處理技術。因此本文將從茶葉采摘和加工兩個方面進行分析探討,希望能為新時期下我國名優茶生產提供一些參考意見。茶葉的品質取決于其采摘和加工的時間,因此在特定的時間內高效地采摘和加工是至關重要的,若采摘不及時,將會導致嫩芽老化。

2 茶葉識別系統構建及預處理

2.1 機器視覺系統組成

2.1.1 相機的選擇。茶葉自主采摘機器人的機器視覺系統,專注于茶樹嫩芽的識別和精準定位,是本課題研發的核心技術。由于茶園環境比較復雜,為了提高定位精度,必須選擇合適的傳感器來采集圖像數據,而傳統的基于雙目攝像頭的方法存在一定的局限性[1]。單目相機系統之所以備受青睞,是因為其價格親民、系統結構簡潔,同時還能節省大量安裝空間。

通過可調節的基線(雙目中心距),USB3.0可變基線的雙目視覺相機能夠根據工作環境的差異進行相應的調整。通過對攝像機參數和圖像采集算法的分析與研究,確定了系統所需要的標定方法。因此,我們所選用的相機型號為HNY-CV-002,其實物圖如圖1所示,可供參考。

圖1 雙目攝像頭示意圖

圖2 中值濾波效果

圖3 周長的計算示意

2.2 圖像平滑處理

中值濾波是一種將圖像中各個像素的灰度值進行升序排列的技術,通過將中間的像素點替換為經過處理的像素點,從而實現圖像處理的高效化。在圖像處理中經常要用到中值濾波器來去除噪聲。為了消除圖像中的模糊和噪聲干擾,我們采用了中值濾波的方法。

2.3 圖像邊緣檢測

Sobel算子是一種離散差分工具,可用于近似計算圖像中各個點的灰度值。通過對不同大小、位置及方向上灰度差值進行統計,得到其概率分布曲線。通過運用該算法對圖像中的點進行計算,將會得到相應的灰度向量或其法向量。利用這些信息可得到像素點的梯度或斜率等參數,從而對一幅圖像進行分割、特征提取以及目標識別。在像素圖像邊緣檢測中,Sobel算子是一項至關重要的操作,它由兩組3x3的矩陣組成,分別為橫向和縱向,通過將其與圖像進行平面卷積,我們可以得到橫向和縱向亮度差分的近似值。

所有像素點在圖片中的橫向和縱向灰度值均由以下公式計算得出,具體的計算方式如下所示:

在實際的工程運算中,我們也可以采用Gx和Gy的絕對值相加等算法來近似計算它們的數值。本文主要研究了用一種新方法來實現邊緣檢測,即通過引入一個加權因子來提高圖像質量。Sobel算子的獨特之處在于,它能夠通過計算權重差來處理像素點直接相鄰的四個方向,從而實現在邊緣出現峰值的情況下保留邊緣的目的。該算子應用于圖像分割時,能很好地把背景區域與目標區域分開來,并且保留了原始信息。除了邊緣提取之外,該方法還具備一定的平滑性,能夠精準地計算出邊緣方向向量。本文提出了一種新方法—基于梯度法的圖像邊緣檢測方法。該方法存在一個缺陷,即在全局范圍內提取邊界的精度不盡如人意。

3 茶葉葉片識別與定位

3.1 幾何特征與形狀特征

3.1.1 周長。對于周長所分割的小圖像,其邊緣所包含的像素數量是多少呢。它是衡量周長大小是否準確和合理的一個重要指標[2]。通常情況下,周長的計算方式有三種,如圖4-1所呈現。第一種是在原圖上截取一個寬度大于原尺寸的矩形作為初始圖片。其中圖(a)是初始圖像;圖(b)所示為一幅圖像,其周長由一條加重線條所構成的隙碼計算而得,該隙碼通過線條長度的反饋來反映圖像的周長;圖(c)由鏈碼來計算圖像周長,鏈碼是圖邊界上的一條連線,若發生45度連線,則其距離以2為單位;圖中每一行都有一個像素對應于該位置上的線段,每個線段代表一條邊。圖像(c)的統計基于對圖像邊緣的像素點數量進行分析。對于一些復雜形狀的物體或紋理結構的區域可以用這三種方法來實現周長的提取與分析。雖然周長的計算相對簡單,但其效果卻主要取決于二值化所帶來的影響。

圖4 基于HSI空間的嫩芽分割效果

3.1.2 面積。計算面積是一種簡單而實用的邊界計算方法,它通過計算面積相當于統計區域內像素點的數量,從而推導出嫩芽的面積規律[3]。對于學生來說掌握起來并不容易,因此在教學中教師可以借助幾何畫板來幫助學生理解和記憶這一公式,提高教學質量和效率。以下是具體的數學公式的計算方式:

3.2 特征提取算法

在特征提取流程的設計中,我們需要考慮兩個關鍵因素:一是采用適當的方法,在一定的時間復雜度內對特征子集進行優化,以確定最適合的特征子集;二則通過分析特征集合之間存在的聯系來選擇最佳特征集。對于特征子集的最優狀態,我們需要進行評估和判斷,以得出最佳結果。傳統上,特征提取流程的構建通常采用“一次掃描”方式,即從數據庫中提取出一組數據作為訓練集,然后利用這些訓練集來完成后續的特征選擇工作[4]。在實際的特征判斷過程中,我們需要不斷地重復前兩個步驟,直到找到最優方案為止。該方法不僅可以避免人工選擇特征向量的主觀性,同時還能夠減少計算量。在搜索的過程中,需要同時考慮到算法的時間復雜度和計算精度,以確保最終結果的準確性和可靠性。

3.3 基于色彩空間的分割

3.3.1 圖像分割流程。HSI變換后,圖像呈現出明顯的分界線,使得閾值的設定變得更加容易,從而更容易地將嫩芽分離出來。

通過對實際嫩芽在圖像中的顏色表現進行實際調試,并在不同通道中選擇多個閾值進行綜合判定,我們成功地獲得了相對理想的嫩芽區域判定結果。

3.3.2 嫩芽特征分類。經過圖像分割后的效果如圖4所示。

基于HSI和HSV色彩空間的比較,我們發現HSV色彩空間更適用于茶葉嫩芽的分割。在此基礎上,我們提取了嫩芽的幾種特征,并初步將其分為全開面、半開面、未開面和不可采摘4種,具體情況見圖5。

圖5 自然環境下茶葉嫩芽四種狀態圖像

通過收集大量不同類型的芽葉數據,我們可以建立一個茶葉嫩芽狀態的識別模型,從而為提取嫩芽的幾何和形狀特征提供數據,并為實現茶葉嫩芽的自動分割奠定基礎。

3.3.3 對特征子集進行鑒別。特征子集的評價標準是基于對其貢獻參數的度量,這是一種用于判斷子集優劣的指標。本文提出了一種新的基于模糊綜合評判法的茶葉品質評價模型。茶葉的品質可以通過測量茶葉的距離和散布矩陣來判斷,這是兩種主要的判斷方法。散布矩陣測度是將不同產地的茶葉在空間上分布的差異性作為一個重要因素考慮在內的一種評價方式。一種用于比較茶葉子集相似度的算法是距離測度,它利用了茶葉子集之間的距離來進行度量。在對茶樣品進行分析時,可以用這些距離來確定各茶樣中差異較大的部分。隨著茶葉子集之間的差異逐漸擴大,它們之間的距離也會隨之增加,從而更有利于進行分解。在對數據集中所有樣本的分類時,可以用一個概率函數去衡量其類別間差異程度。當特征子集A和B之間的距離逐漸增大時,它們將被歸類為異類樣本,呈現出明顯的差異。在本文中,我們提出了利用概率距離測度對茶飲料的差異程度進行度量的思想,并給出相應的計算步驟。此外,概率距離度量也是一種相似度比較技術,它通過對各個子集之間的概率分布進行分析,以反映它們的交叉和背離狀態。因此,在分類問題中可以用概率距離測度進行區分。常見的度量概率距離的方法包括散布、Bhattacharyya、Chernoff和Mahalanobis等。在生物信息學中,我們可以使用這些距離測度對目標進行分類。在本文中,我們將探討距離測度的概念,并詳細闡述其推導過程;以下所示為其運算的數學公式:

其中ωA、ωB都是等待進一步判斷的兩類、na、nb為兩類的樣本數,d(x_i,y_i)為兩個向量之間的距離。使用較多的距離計算有歐式距離和S階Minkowski測度。其計算公式為:

歐式距離公式:

通過上式可見,歐式距離計算其實是2階Minkowski測度。

3.4 茶葉自動分割的設計與實現

在進行圖像預處理的過程中,我們對彩色圖像進行了轉換,將其轉化為灰度圖像和HSI色彩圖像,并對其進行了輪廓檢測。在提取出輪廓后,我們使用閾值法分割出原圖像中的目標物體,即獲取茶顆粒的三維模型。接著我們刪除背景,得到3D距離(300mm~1000mm),此處的距離采用我們使用英特爾Real SenseD435進行拍攝時得到的最佳距離,再對圖像進行輪廓檢測和Mask矩陣計算,從而得到輪廓中的區域點并將其拆分。

4 總結與展望

考慮到茶葉人工采摘過程的費時費力,本文運用機器視覺技術對茶葉嫩芽進行識別和定位,成功實現了嫩芽圖像的分割和采摘識別。該方法能夠實現對茶葉進行自動分級和精確定位,為后續的茶葉加工奠定基礎。

猜你喜歡
嫩芽子集像素點
由一道有關集合的子集個數題引發的思考
小嫩芽
拓撲空間中緊致子集的性質研究
嫩芽
嫩芽的面積
關于奇數階二元子集的分離序列
基于5×5鄰域像素點相關性的劃痕修復算法
基于canvas的前端數據加密
基于逐像素點深度卷積網絡分割模型的上皮和間質組織分割
希望的嫩芽
91香蕉高清国产线观看免费-97夜夜澡人人爽人人喊a-99久久久无码国产精品9-国产亚洲日韩欧美综合