CN109782007A - 一种基于集成算法的茶叶鲜叶等级评定方法 - Google Patents
一种基于集成算法的茶叶鲜叶等级评定方法 Download PDFInfo
- Publication number
- CN109782007A CN109782007A CN201910167740.7A CN201910167740A CN109782007A CN 109782007 A CN109782007 A CN 109782007A CN 201910167740 A CN201910167740 A CN 201910167740A CN 109782007 A CN109782007 A CN 109782007A
- Authority
- CN
- China
- Prior art keywords
- fresh
- grade
- image
- batch
- leaf
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于集成算法的茶叶鲜叶等级评定方法,每一批次茶叶鲜叶通过输送带均匀输送至检测系统,测试鲜叶含水率参数并随机采样获取一定量的图片上传至处理器;对获取的图像进行分割并从每张图像中获取完整的鲜叶样本,从每个鲜叶样本中提取出特征参数,采用支持向量机算法(SVM)判定每张图像中获取的鲜叶样本所属等级。本发明利用每张图像中获取完整的鲜叶样本所属等级作为特征,运用支持向量机分类算法判定每张取样图像所属的等级,综合该批次取样图像的等级情况综合判定该批次鲜叶等级,再将鲜叶等级和平均含水率特征参数输入至智能加工系统,自适应匹配茶叶加工工艺参数,实现茶叶智慧加工。
Description
技术领域
本发明涉及茶叶鲜叶等级评定方法技术领域,尤其涉及一种基于集成算法的茶叶鲜叶等级评定方法。
背景技术
茶叶智能化、标准化加工是茶叶产业发展的必然方向,但茶叶鲜叶物理特性受茶树品种、地形地貌、采摘方式及环境等因素的综合影响,一个茶叶加工厂每一批次的茶叶鲜叶特征如大小、老嫩程度及含水率往往不尽相同,如果按照相同的加工工艺参数设定,成品茶品质必然参差不齐。传统的解决方法都是操作人员根据以往总结出来的经验进行设定,不仅随意性很大,也无法实现茶叶的智能化加工。只有找出影响茶叶加工工艺参数的鲜叶物理特性参数,建立一套标准化的茶叶鲜叶等级评定系统,根据评定的结果自动匹配茶叶加工工艺参数,才能真正实现茶叶智能化加工。
发明内容
本发明提供了一种基于集成算法的茶叶鲜叶等级评定方法,测试鲜叶含水率参数并随机采样获取一定量的图片上传至处理器,对获取的图像进行分割并从每张图像中获取完整的鲜叶样本,从每个鲜叶样本中提取出特征参数,采用支持向量机算法(SVM)判定每张图像中获取的鲜叶样本所属等级,利用每张图像中获取完整的鲜叶样本所属等级作为特征,运用支持向量机分类算法判定每张取样图像所属的等级,综合该批次取样图像的等级情况综合判定该批次鲜叶等级。再将鲜叶等级和平均含水率特征参数输入至智能加工系统,实现茶叶加工工艺参数自适应匹配。
本发明的目的在于提供一种用于茶叶智能化加工的茶叶鲜叶等级评定方法,该方法实现所需依托装置包括:供料机构、含水率检测系统、成像系统、鲜叶老嫩程度等级评定系统、模糊控制器输入系统。
供料机构,包括电磁式振动给料机和输送带,用于调节给料速度和鲜叶的平铺厚度;
含水率检测系统,包括含水率传感器、变送器、模拟量输入模块、上位机显示模块,所述含水率传感器检测到含水率信号,经变送器转换成0-10V电压信号,传输至模拟量输入模块;
成像系统,包括可调光源、相机、图像采集卡、遮光罩和固定导轨,可调光源、相机均固定在可调支架上,所述可调支架固定在两条水平导轨上,可以根据实际情况调整光源和镜头,以及与输送带的相对位置,所述镜头和图像处理器用于采集所述的鲜叶物料图像,并将采集到的图像数据传输给所述的鲜叶老嫩程度等级评定系统;
鲜叶老嫩程度等级评定系统,包括图像处理算法和集成算法,所述图像处理算法将成像系统获取的每一批茶叶图片预处理得到多个样本的形状和颜色特征,所述多个样本的特征数据输入到支持向量机分类算法模型实现鲜叶老嫩程度的十级评定,多个样本的鲜叶老嫩程度等级再输入到支持向量机分类算法,确定该批鲜叶的最终老嫩程度等级;
模糊控制器输入系统,所述含水率特征参数和所述鲜叶老嫩程度等级作为智能化加工生产线的输入,实现茶叶加工工艺参数的自动配置。
进一步,所述含水率传感器分别在输送带的两侧布置,实现多点采样,采集数据传输到所述上位机后,采用LABVIEW开发多通道模拟量数据采集程序进行数据读取,信号调理后取均值作为模糊控制器输入;
进一步,所述图像处理算法包括图像预处理、形态特征获取和颜色特征获取,
将获取到的图片进行分割,二值化、去除小粒子、提取边缘、确定边缘和区域连通域,获取到多个样本图片形状特征参数,其中,面积A指茶叶图像边界线内包含的所有像素个数,周长C指茶叶样本图像边界像素点的总和,长轴L指区域最小外接矩形的长,短轴S指区域最小外接矩形的宽,复杂形状特征参数计算方法如下:
获取到多个样本图片的颜色特征参数,其中包括颜色基本特征参数R、G、B,复杂颜色特征参数H、I、S、H、S、V计算方法如下:
其中,色调H是指人眼所能感知的颜色范围,这些颜色分布在一个平面的色相换上;饱和度S是指色彩的饱和度,它用0%至100%的值描述了相同色相、明度下色彩纯度的变化;亮度L指的是色彩的明度,作用是控制色彩的明暗变化。
计算公式如下:
HSV是根据颜色的直观特性而建立的一种颜色空间。其中H是色调,用角度衡量取值范围为0°-360°;S为饱和度,取值范围为0.0-1.0值越大,颜色越饱和;V是亮度。计算公式分别如下:
v=max
进一步,所述集成算法设计如下:
1、每批次茶叶图片分割得到多个样本的特征数据输入到支持向量机分类算法模型实现鲜叶老嫩程度的十级评定,具体步骤如下:
(1)输入样本数据:Data,其中特征向量个数为17,类别标签为1-10;
(2)将多个样本的形状和颜色特征原始数据进行归一化处理,预处理后的特征向量进行随机分割;
(3)采用10折交叉验证,随机将训练数据集划分为10份,其中9份用于训练,剩下的1份用于验证。以准确率作为参数优化的评价参数,得到最优支持向量机多分类模型;
(4)输入多个批次的多个样本特征参数,利用最优支持向量机多分类模型进行等级判定,得到每个批次多个样本的老嫩程度等级。
2、利用每个批次多个样本的老嫩程度等级综合判定每个批次的老嫩程度等级
(1)输入每个批次多个样本的老嫩程度数据:Out_data,其中特征向量个数为50,类别标签为1-10;
(2)将每个批次多个样本的老嫩程度数据进行归一化处理,预处理后的特征向量进行随机分割;
(3)采用10折交叉验证,随机将训练数据集划分为10份,其中9份用于训练,剩下的1份用于验证。以准确率作为参数优化的评价参数,得到最优支持向量机多分类模型;
(4)输入每个批次的多个样本老嫩程度的等级数据,利用最优支持向量机多分类模型进行每个批次的综合等级判定,得到每个批次老嫩程度等级。
本发明提供了一种基于机器视觉和集成算法的茶叶鲜叶等级评定方法,创造性地提出基于集成算法的鲜叶等级自动判定方法,集成SVM算法,采用多张图像多个样本综合判定每一批次的茶叶鲜叶等级,有效减少了鲜叶分布差异带来的误差。通过将含水率特征参数和所述鲜叶等级作为智能化加工生产线的输入,实现茶叶加工工艺参数的自动配置,有效解决了茶叶智能化加工的关键问题,也为茶叶加工工艺专家决策系统的建立提供了便利条件;此外,针对不同品质的茶叶建立一一对应的统一标准的茶叶生产工艺,在源头实现生产智能化,可以有效改善茶叶的品质。
附图说明
图1是本发明实施方案中提供的茶叶鲜叶等级评定方法的硬件构成图;
图2是本发明实施方案中提供的成像系统的硬件构成图;
图3是本发明实施方案中提供的茶叶鲜叶等级评定方法系统框架;
图4是本发明实施方案中提供的茶叶鲜叶等级评定方法的特征提取流程图;
图5是本发明实施方案中提供的茶叶鲜叶等级评定方法的特征提取程序;
图6是本发明实施方案中提供的茶叶鲜叶等级评定方法的支持向量机分级算法框架。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定发明。
图1示出了本发明实施例提供的基于集成算法的茶叶鲜叶等级评定方法的硬件构成。该装置的结构包括:支架1、振动筛2、含水率传感器3、传送带4、成像系统5、工控机6、上位机7、试验平台8、导轨9。其中支架1、振动筛2和传送带4共同组成了供料系统用于将所述的茶叶鲜叶均匀传送至检测系统;含水率传感器3,用于实现多点采样,并将含水率信号输至模拟量输入模块。
图2示出了本发明实施例提供的成像系统,该系统包括相机51、可调光源52、可调支架53,所述可调支架53固定在两条水平导轨9上,可以根据实际情况调整光源52和相机51,以及与输送带4的相对位置,所述相机51用于采集所述的鲜叶物料图像,并将采集到的图像数据传输给所述的鲜叶老嫩程度等级评定系统;
图3示出了本发明实施方案中提供的茶叶鲜叶等级评定方法系统框架。茶叶鲜叶通过供料用含水率传感器采集含水率信号,经变送器转换成0-10V电压信号,传输至模拟量输入模块;相机传感器采集所述的鲜叶物料图像,并将采集到的图像数据传输给所述的鲜叶老嫩程度等级评定系统,最终,将所述含水率特征参数和所述鲜叶老嫩程度等级作为智能化加工生产线的输入,实现茶叶加工工艺参数的自动配置。
图4、5示出了本发明实施方案中提供的茶叶鲜叶等级评定方法的特征提取流程图和程序,所述图像处理算法包括图像预处理、形态特征获取和颜色特征获取,将获取到的图片进行分割,二值化、去除小粒子、提取边缘、确定边缘和区域连通域,获取到多个样本图片形状特征参数,其中,面积A指茶叶图像边界线内包含的所有像素个数,周长C指茶叶样本图像边界像素点的总和,长轴L指区域最小外接矩形的长,短轴S指区域最小外接矩形的宽;获取到多个样本图片的颜色特征参数,其中包括颜色基本特征参数R、G、B,复杂颜色特征参数H、I、S、H、S、V。
图6示出了本发明实施方案中提供的茶叶鲜叶等级评定方法的支持向量机分级算法框架。基本流程如下:
(1)输入样本数据:Data,其中特征向量个数为17,类别标签为1-10;
(2)将多个样本的形状和颜色特征原始数据进行归一化处理,预处理后的特征向量进行随机分割;
(3)采用10折交叉验证,随机将训练数据集划分为10份,其中9份用于训练,剩下的1份用于验证。以准确率作为参数优化的评价参数,得到最优支持向量机多分类模型;
(4)输入多个批次的多个样本特征参数,利用最优支持向量机多分类模型进行等级判定,得到每个批次多个样本的老嫩程度等级。
(5)输入每个批次多个样本的老嫩程度数据:Out_data,其中特征向量个数为50,类别标签为1-10;
(6)将每个批次多个样本的老嫩程度数据进行归一化处理,预处理后的特征向量进行随机分割;
(7)采用10折交叉验证,随机将训练数据集划分为10份,其中9份用于训练,剩下的1份用于验证。以准确率作为参数优化的评价参数,得到最优支持向量机多分类模型;
(8)输入每个批次的多个样本老嫩程度的等级数据,利用最优支持向量机多分类模型进行每个批次的综合等级判定,得到每个批次老嫩程度等级。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于集成算法的茶叶鲜叶等级评定方法,其特征在于:该方法基于集成算法实现,获取一定时间内的图片并测试鲜叶含水率参数上传至处理器,对获取的图像进行分割并从每张图像中得到完整的鲜叶样本,从每个鲜叶样本中提取出特征参数,采用支持向量机算法(SVM)判定每张图像中完整的鲜叶样本所属等级,利用每张图像中获取完整的鲜叶样本所属等级作为特征,运用支持向量机分类算法判定每张取样图像所属的等级,综合该批次取样图像的等级情况综合判定该批次鲜叶等级,再将鲜叶等级和平均含水率特征参数输入至智能加工系统,自适应匹配茶叶加工工艺参数。
2.如权利要求1所述的一种基于集成算法的茶叶鲜叶等级评定方法,其特征在于:所述图像处理算法包括图像预处理、形态特征获取和颜色特征获取,将获取到的图片进行分割,二值化、去除小粒子、提取边缘、确定边缘和区域连通域,获取到多个样本图片形状特征参数,其中,面积A指茶叶图像边界线内包含的所有像素个数,周长C指茶叶样本图像边界像素点的总和,长轴L指区域最小外接矩形的长,短轴S指区域最小外接矩形的宽,复杂形状特征参数计算方法如下:
获取到多个样本图片的颜色特征参数,其中包括颜色基本特征参数R、G、B,复杂颜色特征参数H、I、S、H、S、V计算方法如下:
计算公式如下:
HSV是根据颜色的直观特性而建立的一种颜色空间;计算公式分别如下:
v=max。
3.如权利要求1所述的一种基于集成算法的茶叶鲜叶等级评定方法,其特征在于:所述集成算法设计如下:
(1)、每批次茶叶图片分割得到多个样本的特征数据输入到支持向量机分类算法模型实现鲜叶老嫩程度的十级评定,具体步骤如下:
1)输入样本数据:Data,其中特征向量个数为17,类别标签为1-10;
2)将多个样本的形状和颜色特征原始数据进行归一化处理,预处理后的特征向量进行随机分割;
3)采用10折交叉验证,随机将训练数据集划分为10份,其中9份用于训练,剩下的1份用于验证。以准确率作为参数优化的评价参数,得到最优支持向量机多分类模型;
4)输入多个批次的多个样本特征参数,利用最优支持向量机多分类模型进行等级判定,得到每个批次多个样本的老嫩程度等级。
(2)、利用每个批次多个采样图像的等级综合判定每个批次的老嫩程度等级;
1)输入每个批次多个采样图像的等级数据:Out_data,其中特征向量个数为50,类别标签为1-10;
2)将Out_data进行归一化处理,预处理后的特征向量进行随机分割;
3)采用10折交叉验证,随机将训练数据集划分为10份,其中9份用于训练,剩下的1份用于验证,以准确率作为参数优化的评价参数,得到最优支持向量机多分类模型;
4)输入归一化后的数据,利用最优支持向量机多分类模型进行每个批次的综合等级判定,得到每个批次老嫩程度等级。
4.如权利要求1所述的一种基于集成算法的茶叶鲜叶等级评定方法,其特征在于:该方法实现依托装置包括供料机构、含水率检测系统、成像系统、鲜叶老嫩程度等级评定系统、模糊控制器输入系统。
5.如权利要求4所述的一种基于集成算法的茶叶鲜叶等级评定方法,其特征在于:还设置有支架、工控机、试验平台,所述的供料系统、含水率检测系统、成像系统、模糊控制器输入系统,所述的试验平台上还设置有上位机。
6.如权利要求4所述的一种基于集成算法的茶叶鲜叶等级评定方法,其特征在于:所述供料系统包括电磁式振动给料机,输送带和可调支架;所述的电磁式振动给料机和输送带用于调节给料速度和鲜叶的平铺厚度。
7.如权利要求4所述的一种基于集成算法的茶叶鲜叶等级评定方法,其特征在于:所述含水率检测系统包括含水率传感器、变送器、模拟量输入模块、上位机显示模块;所述含水率传感器分别在输送带的两侧布置,实现多点采样,采集数据传输到所述上位机后,采用LABVIEW开发多通道模拟量数据采集程序进行数据读取,信号调理后取均值作为模糊控制器输入。
8.如权利要求4所述的一种基于集成算法的茶叶鲜叶等级评定方法,其特征在于:所述成像系统包括:可调光源、相机、图像采集卡、遮光罩和固定导轨,可调光源、相机均固定在可调支架上,所述可调支架固定在两条水平导轨上,可以根据实际情况调整光源和镜头,以及与输送带的相对位置,所述镜头和图像处理器用于采集所述的鲜叶物料图像,并将采集到的图像数据传输给所述的鲜叶老嫩程度等级评定系统。
9.如权利要求1所述的一种基于集成算法的茶叶鲜叶等级评定方法,其特征在于:所述模糊控制系统包括模糊控制器输入系统,所述含水率特征参数和所述鲜叶老嫩程度等级作为智能化加工生产线的输入,实现茶叶加工工艺参数的自动配置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910167740.7A CN109782007A (zh) | 2019-03-06 | 2019-03-06 | 一种基于集成算法的茶叶鲜叶等级评定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910167740.7A CN109782007A (zh) | 2019-03-06 | 2019-03-06 | 一种基于集成算法的茶叶鲜叶等级评定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109782007A true CN109782007A (zh) | 2019-05-21 |
Family
ID=66487399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910167740.7A Pending CN109782007A (zh) | 2019-03-06 | 2019-03-06 | 一种基于集成算法的茶叶鲜叶等级评定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109782007A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110133204A (zh) * | 2019-06-19 | 2019-08-16 | 武汉东湖学院 | 一种茶叶质量等级对比评定装置 |
CN111524092A (zh) * | 2020-03-16 | 2020-08-11 | 中国农业科学院茶叶研究所 | 一种红茶萎凋程度指标的无损检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104543064A (zh) * | 2015-01-28 | 2015-04-29 | 四川中测量仪科技有限公司 | 一种茶叶理条智能化控制模式 |
CN104914105A (zh) * | 2015-06-09 | 2015-09-16 | 中国农业科学院茶叶研究所 | 一种基于图像识别技术的茶叶等级鉴定方法 |
CN105759772A (zh) * | 2016-04-21 | 2016-07-13 | 安徽农业大学 | 一条双模糊控制的智能化绿茶生产线 |
CN108664927A (zh) * | 2018-05-10 | 2018-10-16 | 林丽惠 | 基于全自动支持向量机的武夷岩茶叶片图像分类方法 |
-
2019
- 2019-03-06 CN CN201910167740.7A patent/CN109782007A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104543064A (zh) * | 2015-01-28 | 2015-04-29 | 四川中测量仪科技有限公司 | 一种茶叶理条智能化控制模式 |
CN104914105A (zh) * | 2015-06-09 | 2015-09-16 | 中国农业科学院茶叶研究所 | 一种基于图像识别技术的茶叶等级鉴定方法 |
CN105759772A (zh) * | 2016-04-21 | 2016-07-13 | 安徽农业大学 | 一条双模糊控制的智能化绿茶生产线 |
CN108664927A (zh) * | 2018-05-10 | 2018-10-16 | 林丽惠 | 基于全自动支持向量机的武夷岩茶叶片图像分类方法 |
Non-Patent Citations (2)
Title |
---|
余洪等: "基于PCA-PSO-LSSVM的茶叶品质计算机视觉分级研究", 《激光杂志》 * |
宋彦等: "基于机器视觉形状特征参数的祁门红茶等级识别", 《农业工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110133204A (zh) * | 2019-06-19 | 2019-08-16 | 武汉东湖学院 | 一种茶叶质量等级对比评定装置 |
CN111524092A (zh) * | 2020-03-16 | 2020-08-11 | 中国农业科学院茶叶研究所 | 一种红茶萎凋程度指标的无损检测方法 |
CN111524092B (zh) * | 2020-03-16 | 2024-03-12 | 中国农业科学院茶叶研究所 | 一种红茶萎凋程度指标的无损检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A machine vision system for identification of micro-crack in egg shell | |
Liu et al. | Identification of rice seed varieties using neural network | |
CN105139404B (zh) | 一种可检测拍摄质量的证照相机及拍摄质量检测方法 | |
Dai et al. | Optic disc segmentation based on variational model with multiple energies | |
Momin et al. | Machine vision based soybean quality evaluation | |
CN105849274B (zh) | 用于显微图像中的单独细胞的分类和识别的方法和系统 | |
CN110389127A (zh) | 一种金属陶瓷零件识别及表面缺陷检测系统和方法 | |
CN103902962B (zh) | 一种遮挡或光源自适应人脸识别方法和装置 | |
CN109840565A (zh) | 一种基于眼部轮廓特征点纵横比的眨眼检测方法 | |
CN109782007A (zh) | 一种基于集成算法的茶叶鲜叶等级评定方法 | |
CN105427275B (zh) | 大田环境麦穗计数方法及装置 | |
Liu et al. | Rice and wheat grain counting method and software development based on Android system | |
CN105973904B (zh) | 一种基于图像背景概率图的食用油杂质检测方法 | |
CN110403232A (zh) | 一种基于二级算法的烟支质量检测方法 | |
CN106326834B (zh) | 人体性别自动识别方法及装置 | |
CN107590458A (zh) | 垂直式影像人流计数的性别与年龄辨识方法 | |
CN113686869A (zh) | 一种绝缘毯微缺陷识别装置 | |
CN113706461A (zh) | 一种基于图像识别的绝缘毯微缺陷识别系统 | |
Jiang et al. | Convolutional neural networks in automatic recognition of trans-differentiated neural progenitor cells under bright-field microscopy | |
CN113887389A (zh) | 一种基于图像识别的中药饮片质检与分级方法 | |
CN109299633A (zh) | 皱纹检测方法、系统、设备及介质 | |
CN109028237A (zh) | 基于双区域图像采集进行风速调节的油烟机 | |
Galdran et al. | Retinal image quality assessment by mean-subtracted contrast-normalized coefficients | |
CN112907516B (zh) | 一种用于穴盘育苗的甜玉米种子识别方法及装置 | |
Dubosclard et al. | Automated visual grading of grain kernels by machine vision |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190521 |
|
RJ01 | Rejection of invention patent application after publication |