CN103389255A - 基于近红外高光谱纹理特征建模的预测茶叶含水率的方法 - Google Patents

Abstract

本发明涉及计算机图像处理技术，公开了一种基于近红外高光谱纹理特征建模的预测茶叶含水率的方法，通过对茶叶叶片进行高光谱数据采集，并对采集后的数据提取其纹理特征和光谱特征，从而亮丽预测模型，并最终得到茶叶叶片的预测含水率。本发明的优点在于，计算方便快捷，步骤简化，相比传统的测定方法，具有更高的准确率和测定速度，具有较高的应用价值。

Description

基于近红外高光谱纹理特征建模的预测茶叶含水率的方法

技术领域

本发明涉及计算机图像处理技术，特别涉及一种基于近红外高光谱纹理特征建模的预测茶叶含水率的方法。

背景技术

近年来，茶叶含水率的预测方法在茶叶自动化、信息化生产中起到了关键性的作用，对提高茶叶品质，降低高品质茶叶生产成本产生了巨大推进作用。两千多年前，茶叶起源于中国，是丝绸之路上的一种重要商品。今天，全中国范围内种植有超过600种不同品种的茶叶。龙井茶是中国十大茶叶之一，以“西湖龙井”为商品，西湖龙井中又以“狮峰龙井”为最，是一种非常昂贵的茶叶。龙井茶的炒制过程非常复杂，通常只能由有多年炒茶经验的熟练炒茶师傅手工完成，在炒制过程中对水分的含量要求分厂严苛，各个过程的水分含量直接决定了最后龙井茶叶产品的品质。当前对茶叶水分的测量有两大类方法，即实验室方法和传统方法。其中，实验室方法包括烘烤法，电磁波法以及电容法等，这类方法测量结果比较准确，但是普遍存在测量周期长，损坏样品，污染环境等特点。传统方法主要依赖炒茶工人对茶叶的主观感知评价，如触感，颜色等信息对含水率进行大致的估计，这类型的方法虽然具有快速，无损，环保等优势，但是过于主观，过于依赖炒茶工人的经验，无法进行工业化自动化的应用推广。因此有必要研究一种可以对茶叶叶片的含水率进行准确测量的方法。

发明内容

本发明针对现有技术中无法对茶叶叶片含水率进行快速、无损测定的缺点，提供了一种新型基于近红外高光谱纹理特征建模的预测茶叶含水率的方法。

为实现上述目的，本发明可采取下述技术方案：

基于近红外高光谱纹理特征建模的预测茶叶含水率的方法，包括以下具体步骤：

1）数据采集：

1.1）使用精密电子天平对茶叶叶片质量进行称量，记为W_i,j，其中，i为称量次数，j为茶叶叶片的顺序标号；

1.2）使用推帚式高光谱成像系统对茶叶叶片进行高光谱数据采集，采集过程中，使用一个可以调节速度的传送带对茶叶叶片进行传输从而令茶叶叶片产生位移，该位移垂直于所述推帚式高光谱成像系统的线性扫描，其中，以所述位移的距离为y轴，以线性扫描的采样距离为x轴，以采样时得到的光谱波长为z轴，得到一组高光谱数据立方，记为D_i,j；

1.3）使用烘干炉对茶叶叶片进行烘干，烘干温度为55℃，使茶叶叶片脱去部分水分；

1.4）将烘干后的茶叶叶片置于预置有变色硅胶干燥剂的干燥器内，冷却至室温后取出；

1.5）重复上述步骤1.1）-1.4）直至对茶叶叶片的两次称量所得改变小于3%wt，记最后一次称量所得茶叶叶片的重量为茶叶叶片的干重W₀，分别计算每次称量时的茶叶叶片的含水率，记为C_i,j；

2）光谱特征提取：在高光谱数据立方D_i,j范围内，计算该高光谱数据立方D_i，j所有像素点的平均波长，记为光谱向量S_i,j；

3）纹理特征提取：将茶叶叶片的叶面分割成大小均匀的多个正方形区域，对分割后的正方形区域所对应的高光谱数据立方D_i,j应用GLCM算法提取用于代表该区域的纹理特征的特征值向量，所述特征值向量包括能量、对比度、相关性、熵值以及逆差距，所述能量为灰度共生矩阵元素值的平方和，所述对比度为图像的清晰度和纹理沟纹深浅的程度，所述相关性为空间灰度共生矩阵元素在行或列方向上的相似程度，所述熵值为空间共生矩阵中图像纹理的非均匀程度，逆差距为图像纹理的同质性，记所述特征值为T_i,j；

4）数据降维与特征选取：应用连续投影法分别对光谱向量S和特征值向量T进行特征变量选取，选取后的特征变量分别为S′和T′；

5）特征变量建模：分别将茶叶叶片的含水量C、光谱向量S′和特征值向量T′作为PLS算法的输入变量，即X＝[S′T′]^T，Y=C，建立回归模型M，所述回归模型M包括一个系统向量A，令所有的X_i,j与Y_i,j均符合Y_i,j=AX_i,j；通过该回归模型M即可求得茶叶叶片的含水率。

作为优选，还包括对高光谱数据立方D_i,j的校正步骤：在进行高光谱数据立方D_i,j的采集过程时，使用白板采集100%反射率向量W，使用黑采集0%反射率向量I₀，其中W与I₀均沿x轴采集，对高光谱数据立方D_i,j中沿x轴方向的每一行像素进行校正，得到校正后的像素

作为优选，还包括对高光谱数据立方D_i,j的去噪步骤：对高光谱数据立方D_i,j内的所有像素点应用平滑过滤器去除噪声，所述平滑过滤器包括高光谱数据立方D_i,j内的任意像素点，令c₅为任一像素点及其周围邻接像素的平均波长，令c₅为任一像素点及其周围邻接像素的非零像素的平均波长，b₅为所述任一像素过滤后的波长，如果3c>a₅，则b₅＝c₅，否则b₅＝a₅；使用高斯拉普拉斯过滤器强化高光谱数据立方D_i,j的边缘特征，所述高斯拉普拉斯过滤器 $\mathrm{LoG}(x,y)=$ $-\frac{1}{{\mathrm{\π\σ}}^4}[1-\frac{x^2+y^2}{2{\mathrm{\σ}}^2}]\exp (-\frac{x^2+y^2}{2{\mathrm{\σ}}^2}).$

作为优选，所述步骤1.3）中，烘干时间为T_i分钟，T_i依次为{5,10,15,20,25,35,45,360,360,……}。

高光谱技术是一种以纳米级光谱分辨率产生被观测物体数百上千个波段影响的技术，近年来，高光谱技术以其“图谱合一”的特征，使人类在遥感技术领域上又向前迈进了一大步。近红外高光谱的产生主要由于不同物质的化学构成和物理性质对这一波长内的电磁波的反射和吸收存在差异特征才。近红外高光谱被广泛应用于食品、医药、石油化工等行业，如运用于酸奶新鲜程度检测，苹果内部损伤无损评估，癌细胞拉曼光谱判定，石油品质检测等。尽管传统光谱方法能够提供一定的叶片含水率预测，但是应用传统的光谱方法测定茶叶叶片的含水率，其准确率较低。相比传统光谱方法，本发明所述方法将纹理方法与光谱结合，能够更有效的利用高光谱“图谱合一”的数据信息，从而得到更高的准确率，更高的预测速度。

本发明由于采用了以上技术方案，具有显著的技术效果：

本发明所述的基于近红外高光谱纹理特征建模的预测茶叶含水率的方法，具有测定步骤少，测定速度快的优点，可以准确地得到茶叶叶片的含水率，同时检测结果更为稳定，对于茶叶叶片含水率的测定准确率不超过+/-0.04的范围，尤其适应于工业化应用。

附图说明

图1为茶叶叶片含水率与烘干次数的对比示意图。

图2为茶叶叶片含水率的实测值与预测值的对比示意图。

图3为茶叶叶片含水率预测值的误差对比示意图。

具体实施方式

下面结合实施例对本发明作进一步的详细描述。

实施例1

本发明首次提出了一种从高光谱数据中同时提取光谱和纹理特征变量用于建立回归模型，并对茶叶叶片的含水率进行预测的方法。

所述方法的具体实施步骤如下：

1）茶叶叶片材料准备：

对一种茶叶品种整植株进行随机叶片采样，随机获得30片大小长度各异的，分布在植株各个部位的不同叶龄的叶片。使用干燥洁净的毛巾轻轻拭去叶片表面的泥土灰尘，去出表面杂质对采集高光谱的影响。将叶片编号，分别的放入30个干燥的信封中，存放在23摄氏度的恒温箱中备用。

2）含水率实验数据采集：

2.1）叶片平均质量测量：使用精密电子天平，依照精密电子天平使用手册所述操作规程依次称量所有叶片的质量，对每一片叶子独立重复称量3次，计算平均值，精确到0.01g。记第i次称量第j片叶片得到的平均质量为W_i,j。

2.2）高光谱数据的采集：使用一套推帚式的高光谱成像系统进行高光谱数据的采集，该系统每次可以采集一个直线上（x轴）的数百个波段（z轴）的光谱数据，波段范围在325nm-1075nm之间，使用一个150W的钨丝卤素灯提供照明条件，使用一个可以调节速度的传送带使物体产生y轴方向的位移，最后生成出x×y×z的高光谱数据立方D_i,j。根据实际光谱系统需要，根据高光谱采集器的采样频率以及镜头到被测物体之间的距离调节传送带的速度，一般传送带速度为21mm/s，使得可以采集到的像素点不发生畸变，能够如实的反应物体原本特征。记第i次采集的第j片叶片的光谱数据立方为D_i,j。采集结束后，将叶片按编号顺序放回原本信封中。

2.3）烘干脱水：将烘干炉初始化并维持在55摄氏度。将带叶片的信封平铺在烘干炉内，对叶片进行烘干。烘干时间为T_i分钟(第i次烘干)，使得叶片脱去一定量的水分，T_i={5,10,15,20,25,35,45,360,360,…}。

2.4）冷却：脱水完成后将装有叶片的信封小心取出，避免损坏叶片（干燥的叶片轻压易碎），将所有信封保存在预置有变色硅胶干燥干燥器中，冷却至室温后才可取出进行后续步骤。冷却至室温的目的是防止叶片暴露在空气中时吸收过多的空气中的水分，影响试验结果的准确性。

2.5）重复基本步骤直至恒重：重复2.1）至2.4）直至满足

对所有j成立。记最后一次测得的W_max(i),j为该叶片干重W₀，由含水率公式

计算每个茶叶叶片W_i,j对应的含水率C_i,j即为第i次测量试验中第j叶片的含水率。其中图1显示了不同的叶片在经过若干次的烘干后，其含水率的变化。

3）高光谱数据的预处理

3.1）黑白平衡校正

在采集高光谱数据的同时采用白板采集100%反射率向量W（沿X轴），用黑板采集0%反射率向量D（沿X轴），使用公式

对每个D_i,j中的X轴方向的每一行内的所有像素I₀进行校正，得到校正后的行像素I。

3.2）去除噪声

去噪过滤过程为可选过程，由于不影响该方法的应用成功与否，在此不做详细陈述，但对数据进行去噪过滤有利于提取纹理特征，更容易得到精确的预测。

3.2.1）对所有像素点使用平滑过滤器（Smoothing Filter）去噪，去除单个像素的噪声。假定对D_i,j中每一个像素a₅，该像素四周邻接的8个像素分别为a₁至a₉，过滤后的结果为b₅。假定图像边缘以外的像素点反射值均为0，令其中n为a₁至a₉中不为0的像素点的个数。若3c₅>a₅则b₅=c₅，否则b₅=a₅。

3.2.2）使用高斯拉普拉斯过滤器（Laplacian of Gaussian Filter，LoG）强化边缘特征。LoG过滤器过滤后的图像特点是1）在距离边缘足够远的地方值为0；2）在边缘的一侧值为正，另外一侧为负值；3）在边缘上为0。LoG过滤器由以下公式产生： $\mathrm{LoG}(x,y)=-\frac{1}{{\mathrm{\π\σ}}^4}[1-\frac{x^2+y^2}{2{\mathrm{\σ}}^2}]\exp (-\frac{x^2+y^2}{2{\mathrm{\σ}}^2}).$

4）高光谱数据光谱特征提取

使用专业高光谱处理软件ENVI软件（完整的遥感图像处理平台ENVI，TheEnvironment for Visualizing Images是美国Exelis Visual Information Solutions公司的旗舰产品）选取感兴趣区域（ROI）工具，选取整片叶面像素点，对所有像素点的光谱的每一个波段求算术平均值，得到代表整片叶片在这个采样时刻的平均光谱。记第i片叶片在第j个采样时刻采集得到的平均光谱向量为S_i,j。

5）高光谱数据纹理特征提取

同样使用ENVI软件的ROI选取工具在叶片正中间选取正方形感兴趣区域，切割该区域并且保存成新的高光谱图像文件。使用GLCM算法对该感兴趣区域的图像提取常用的5个特征值：能量，对比度，相关性，熵值，逆差距，代表这个叶片的纹理特征。记第i片叶片在第j个采样时刻采集后提取出的纹理特征向量为T_i,j，T_i,j=（能量，对比度，相关性，熵值，逆差距）。其中，

能量（ASM）：

是灰度共生矩阵元素值的平方和，所以也称能量，反映了图像灰度分布均匀程度和纹理粗细度。如果共生矩阵的所有值均相等，则ASM值小；相反，如果其中一些值大而其它值小，则ASM值大。当共生矩阵中元素集中分布时，此时ASM值大。ASM值大表明一种较均一和规则变化的纹理模式。

对比度（CON）：

反映了图像的清晰度和纹理沟纹深浅的程度。纹理沟纹越深，其对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊。灰度差即对比度大的象素对越多，这个值越大。灰度公生矩阵中远离对角线的元素值越大，CON越大。

相关性（COR）：

它度量空间灰度共生矩阵元素在行或列方向上的相似程度，因此，相关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时，相关值就大;相反，如果矩阵像元值相差很大则相关值小。如果图像中有水平方向纹理，则水平方向矩阵的COR大于其余矩阵的COR值。

熵值：

是图像所具有的信息量的度量，纹理信息也属于图像的信息，是一个随机性的度量，当共生矩阵中所有元素有最大的随机性、空间共生矩阵中所有值几乎相等时，共生矩阵中元素分散分布时，熵较大。它表示了图像中纹理的非均匀程度或复杂程度。

逆差距：

反映图像纹理的同质性，度量图像纹理局部变化的多少。其值大则说明图像纹理的不同区域间缺少变化，局部非常均匀。

6）数据降维与特征选取

使用连续投影法（SPA）。分别对S和T进行特征变量选取，得到选取后的特征变量S′和T′。

7）特征变量建模

使用PLS算法以S′和T′为输入变量，即X＝[S′T′]^T，并参照实测含水率矩阵C,也即Y=C，对每一组预测值C_i,j与观测值S_i,j和T_i,j建立片最小二乘法（PLS），建立回归模型M。其中，回归模型M包含一个系数向量A，使得对一组X_i,j与Y_i,j，计算Y_cap(i),j=AX_i,j，均有Y_cap(i),j既是对Y_i,j的一个预测。

8）实际操作实现

实际操作中如下图所示，通常会将将建模时采集到的数据划分成测试数据集与验证数据集，对建模数据集使用SPA选取的特征变量也同样被用于测试数据集的变量选取，保留同样的特征变量，用于检验和评价所建模型的效果。

含水率预测实验：

在实际应用中只需要对一个叶片进行含水率的预测，只需要遵循以上所述步骤，对于一个样本叶片采集得到光谱数据（步骤1），并进行数据校正与去噪（步骤3），并且提取光谱数据S₀（步骤4）和纹理数据T₀（步骤5），并进行特征变量选取（步骤6），得到特征变量X＝[S′T′]^T。由含水率C=Y=AX=A[S′T′]^T即可求得预测含水率y。其中，图2显示了预测值与实际的测定值之间的差异，图3则显示了预测值的预测误差，从图3可得，本发明的预测值的准确率在正负0.04之间。

总之，以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所作的均等变化与修饰，皆应属本发明专利的涵盖范围。

Claims (4)

1.一种基于近红外高光谱纹理特征建模的预测茶叶含水率的方法，其特征在于，包括以下具体步骤：

1）数据采集：

1.1）使用精密电子天平对茶叶叶片质量进行称量，记为W_i,j，其中，i为称量次数，j为茶叶叶片的顺序标号；

1.2）使用推帚式高光谱成像系统对茶叶叶片进行高光谱数据采集，采集过程中，使用一个可以调节速度的传送带对茶叶叶片进行传输从而令茶叶叶片产生位移，该位移垂直于所述推帚式高光谱成像系统的线性扫描，其中，以所述位移的距离为y轴，以线性扫描的采样距离为x轴，以采样时得到的光谱波长为z轴，得到一组高光谱数据立方，记为D_i,j；

1.3）使用烘干炉对茶叶叶片进行烘干，烘干温度为55℃，使茶叶叶片脱去部分水分；

1.4）将烘干后的茶叶叶片置于预置有变色硅胶干燥剂的干燥器内，冷却至室温后取出；

1.5）重复上述步骤1.1）-1.4）直至对茶叶叶片的两次称量所得改变小于3%wt，记最后一次称量所得茶叶叶片的重量为茶叶叶片的干重W₀，分别计算每次称量时的茶叶叶片的含水率，记为C_i,j；

2）光谱特征提取：在高光谱数据立方D_i,j范围内，计算该高光谱数据立方D_i,j所有像素点的平均波长，记为光谱向量S_i,j；

3）纹理特征提取：将茶叶叶片的叶面分割成大小均匀的多个正方形区域，对分割后的正方形区域所对应的高光谱数据立方D_i,j应用GLCM算法提取用于代表该区域的纹理特征的特征值向量，所述特征值向量包括能量、对比度、相关性、熵值以及逆差距，所述能量为灰度共生矩阵元素值的平方和，所述对比度为图像的清晰度和纹理沟纹深浅的程度，所述相关性为空间灰度共生矩阵元素在行或列方向上的相似程度，所述熵值为空间共生矩阵中图像纹理的非均匀程度，逆差距为图像纹理的同质性，记所述特征值为T_i,j；

4）数据降维与特征选取：应用连续投影法分别对光谱向量S和特征值向量T进行特征变量选取，选取后的特征变量分别为S′和T′；

5）特征变量建模：分别将茶叶叶片的含水量C、光谱向量S′和特征值向量T′作为PLS算法的输入变量，即X＝[S′T′]^T，Y=C，建立回归模型M，所述回归模型M包括一个系统向量A，令所有的X_i,j与Y_i,j均符合U_i,j=AX_i,j；通过该回归模型M即可求得茶叶叶片的含水率。

2.根据权利要求1所述基于近红外高光谱纹理特征建模的预测茶叶含水率的方法，其特征在于，还包括对高光谱数据立方D_i,j的校正步骤：在进行高光谱数据立方D_i,j的采集过程时，使用白板采集100%反射率向量W，使用黑采集0%反射率向量I₀，其中W与I₀均沿x轴采集，对高光谱数据立方D_i,j中沿x轴方向的每一行像素进行校正，得到校正后的像素

3.根据权利要求1所述基于近红外高光谱纹理特征建模的预测茶叶含水率的方法，其特征在于，还包括对高光谱数据立方D_i,j的去噪步骤：对高光谱数据立方D_i,j内的所有像素点应用平滑过滤器去除噪声，所述平滑过滤器包括高光谱数据立方D_i,j内的任意像素点，令c₅为任一像素点及其周围邻接像素的非零像素的平均波长，令高光谱数据立方D_i,j边缘以外的像素点的反射值为0，a₅为所述任一像素的波长，b₅为所述任一像素过滤后的波长，如果3c₅>a₅，则b₅＝c₅，否则b₅＝a₅；使用高斯拉普拉斯过滤器强化高光谱数据立方D_i,j的边缘特征，所述高斯拉普拉斯过滤器

$\mathrm{LoG}(x,y)=-\frac{1}{{\mathrm{\π\σ}}^4}[1-\frac{x^2+y^2}{2{\mathrm{\σ}}^2}]\exp (-\frac{x^2+y^2}{2{\mathrm{\σ}}^2}).$

4.根据权利要求1所述基于近红外高光谱纹理特征建模的预测茶叶含水率的方法，其特征在于，所述步骤1.3）中，烘干时间为T_i分钟，T_i依次为{5,10,15,20,25,35,45,360,360,……}。

Images