一种基于图像特征的绿茶杀青程度判别方法与流程

本发明涉及茶叶智能化加工，尤其是一种基于图像特征的绿茶杀青程度判别方法。

背景技术：

1、杀青是绿茶生产中最重要的环节，而绿茶杀青状态以人工监测为主。现有茶叶杀青机主要是把温度、时间和投叶量控制在某一范围，来保证茶叶的杀青品质。滚筒转速和滚筒倾角间接决定了杀青时间，投叶量影响杀青温度和杀青效率，所以还可以从杀青温度、滚筒转速、滚筒倾角和投叶量上进行优化控制。人为判断杀青程度主要通过看颜色、闻香气和触摸手感来实现，存在判断标准不统一、主观性太强等问题，从而导致杀青叶质量参差不齐，降低经济收益。因此，研究绿茶杀青状态的在线监测技术对推动我国绿茶加工的标准化、数字化和智能化具有重要意义。

2、目前绿茶杀青状态在线监测主要以近红外光谱检测含水率为主。例如，cn115610899a公开了一种茶叶杀青加工过程的智能控制方法、电子设备及存储介质，该方法包括茶叶嫩度等级，构建茶叶杀青时干燥模型，计算初始投叶量并调整杀青机倾角，利用区间二型模糊控制器调整投叶量。cn113424875a公开了一种条形绿茶智能化杀青装置及连续自动化加工工艺，包括流量控制装置和杀青机构均安装有水分检测机构，该发明使条形绿茶在杀青过程中自主判断茶青的杀青完成度，并根据杀青完成度自主进行反馈调节杀青工艺参数。

3、上述技术方案都是通过近红外光谱检测茶叶含水率来实现对杀青机的反馈控制，但近红外光谱价格昂贵，操作繁琐，不利于杀青机的实时反馈调节。针对上述现有技术存在的问题或缺陷，急需一种仅基于茶叶图像特征信息就可对其状态进行准确判断的方法，能够解决现有茶叶杀青过程中大多依靠经验或多次试错而无法快速确定茶叶杀青过程中杀青程度状态判断的技术问题。

技术实现思路

1、本发明解决了现有技术依靠经验或多次试错而无法快速确定茶叶杀青过程的问题，提出一种基于图像特征的绿茶杀青程度判别方法，实现了绿茶杀青过程中杀青程度的数字化判别，具有成本低、效率高、智能化等特点。

2、为实现上述目的，提出以下技术方案：

3、一种基于图像特征的绿茶杀青程度判别方法，包括以下步骤：

4、s1，获取不同时间段内的若干杀青图像；

5、s2，对不同时间段内的杀青图像进行预处理得到训练样本集；

6、s3，构造决策函数，并利用训练样本集进行训练得到杀青程度判别模型；

7、s4，获取待判别绿茶的图像，并将待判别绿茶的图像进行与s2一致的预处理后输入到杀青程度判别模型，得到绿茶杀青程度。

8、不同种类、嫩度、采摘季节、时间的茶叶一般都有各自固定适宜杀青状态。从茶叶图像中有用信息的提取，图像状态的准确的数学模型表达是杀青程度判断的前提。数学模型的获得，要基于杀青茶叶状态特征在图像中的反映，同时也要具有一定的泛化能力，才能满足实际的生产需求。本发明提出了一种基于杀青叶图像特征的绿茶杀青程度判断的方法，主要包含的步骤有：杀青叶能量的定义、能量的提取、自适应滤除背景干扰、能量的注意力机制、数据重映射、监督机制的引入、训练以及杀青状态的判断。本发明实现了绿茶杀青过程中杀青程度的数字化判别，具有成本低、效率高、智能化等特点。

9、作为优选，所述s1具体包括以下步骤：设置图像能量和能量抽取器，所述图像能量定义为杀青图像内不同颜色通道中像素点对应的灰度值，所述能量抽取器通过遍历整个杀青图像所有颜色通道，并计算灰度值对应的像素数。

10、如果单通道图像越白，相应的总能量就越高。能量抽取作为获取和量化杀青图像原始数据的方法，是茶叶状态分析的必要前提。设计的能量抽取器通过遍历整个图像所有颜色通道，并计算灰度值对应的像素数，进而提取出有用的茶叶信息，能量求解过程涉及统计256个灰度级别在三个颜色通道中每个灰度级别对应像素的数量。

11、作为优选，所述对不同时间段内的杀青图像进行预处理包括以下步骤：

12、s201，设置自适应滤波器对杀青图像进行滤波处理；

13、s202，引入图像能量的注意机制对杀青图像进行茶叶凸出特征识别；

14、s203，映射函数对杀青图像进行映射得到不同时间段内的若干杀青图像的映射数据作为训练样本集。

15、本发明采用自适应过滤算法自动过滤掉无效信息，使用能量抽取器，提取每个杀青图像的完整能量信息，利用图像能量注意力机制识别突出特征，并在此基础上对能量数据进行映射，生成数据点作为训练数据。

16、作为优选，所述s3具体包括以下步骤：训练样本集输入到特征训练器，不同颜色的通道生成茶叶杀青能量聚类的趋势中心数据，基于聚类中心距离构造决策函数，通过决策函数测量每个监测图像集的杀青程度。

17、作为优选，所有所述杀青图像的拍摄背景均设置为白色。

18、作为优选，所述滤波处理具体包括以下步骤：对比每幅图像中不同颜色通道形成的能量响应谱中谷位所对应的灰度级，去除背景和重叠的阴影区域的图像信息，得到茶叶区域图像信息。

19、采集到的茶叶图像有无用的背景和重叠的阴影区域，这对茶叶特征分析结果的会产生一定的干扰。对于单通道杀青图像，可以得到能量分布图像中的两个波峰和两个波谷，第一峰位对应茶叶信息，第二峰位对应背景信息；第一个波谷是重叠区域与茶叶信息的过渡区，第二个波谷是背景与茶叶信息的过渡区。这两点对应的灰度值就是两个阈值点，针对每幅图像对应的两点位置不同，设计自适应滤波器，原理是对比每幅图像中不同颜色通道形成的能量响应谱中谷位所对应的灰度级。

20、作为优选，所述图像能量的注意机制的工作原理如下：凸出杀青图像中的颜色特征，得到每个通道中最大像素数对应的灰度值。

21、滤波得到的数据维数很高，不便于对茶叶特征进行分析，为了降低数据的维数，反映降维后数据的主要特征，设计图像能量注意机制。注意机制的原理是，图像中更突出的颜色特征是关注的焦点，即能量提取后，反射到数据上的是每个通道中最大像素数对应的灰度值。

22、作为优选，所述映射函数的变量是灰度值和对应灰度值中像素数的统计值。从能量和注意力机制得到的数据不能直接反映出每幅图像的识别差异，为了使结果更加直观、易于训练和便于后续的处理和分析，必须进行数据映射。映射方法是构造一个映射函数f(*)，其对应的变量是灰度值和对应灰度值中像素数的统计值。通过映射函数可以得到三个通道的数据点，并以此作为训练数据。

23、作为优选，所述决策函数的构造过程如下：通过对标准时间点或时间段的杀青图像进行训练得到标准聚类中心，由标准杀青时间内所有训练样本集对应的三个聚类中心之间的距离值构造出决策函数。通过对标准时间点或时间段的杀青图像进行训练，得到标准聚类中心，进而得到状态决策函数f(*)。决策函数由标准杀青时间内所有训练样本对应的三个聚类中心之间的距离值构造。处于不同时间段内的杀青图像可以得到不同的结果，将监测样本的聚类中心数据代入决策函数中，准确判断注视状态是否正常。

24、作为优选，所述标准聚类中心基于监督能量迭代聚类，根据k-means聚类中心的思想计算平均值得到。本发明提出的算法基于监督能量迭代聚类，根据k-means聚类中心的思想，可以通过平均来实现特征聚类中心。为了使测试结果更加准确，在训练过程中应该获取尽可能多的标准图像。

25、本发明的有益效果是：

26、本发明提出了一种基于杀青叶图像特征的绿茶杀青程度判断的方法，主要包含的步骤有：杀青叶能量的定义、能量的提取、自适应滤除背景干扰、能量的注意力机制、数据重映射、监督机制的引入、训练以及杀青状态的判断；通过利用一种基于能量注意力机制有监督迭代聚类的茶叶杀青过程控制算法，实现了准确判断杀青程度的技术效果，提高了茶叶杀青的质量和工作效率。

27、本发明提出的算法具有旋转不变性，不会因为角度的差异使检测的结果受到影响。鲁棒性更强，去除了单个样本对结果的决策，而是考虑一组测试集中所有样本的特征，使结果更加的准确。使用图像信息监控与光谱相比可以显着降低成本，并且可以更快速、方便地集成到自动化生产线中。相比于深度学习，训练数据集只需要最适杀青的样本图像，大大降低了对训练数据集的需要，让算法实现快速部署成为了可能，提高了生产的效率。对于杀青状态监测，一个测试集中包含样本数越多，受单个样本带来的随机不确定性越小，单个测试样本由多张杀青图片组成，减少了随机性和噪声的干扰，从而保证杀青状态监测的准确性，可连续采集图像信息，计算量小，可满足在线监测需求。本发明实现了绿茶杀青过程中杀青程度的数字化判别，具有成本低、效率高、智能化等特点。