CN114878567A - 一种茶青外观品质在线检测装置及方法 - Google Patents

一种茶青外观品质在线检测装置及方法 Download PDF

Info

Publication number
CN114878567A
CN114878567A CN202210347137.9A CN202210347137A CN114878567A CN 114878567 A CN114878567 A CN 114878567A CN 202210347137 A CN202210347137 A CN 202210347137A CN 114878567 A CN114878567 A CN 114878567A
Authority
CN
China
Prior art keywords
tea leaves
tea
conveying
module
appearance quality
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
Application number
CN202210347137.9A
Other languages
English (en)
Inventor
吕恩利
谢伯铭
马成英
郭嘉明
乔小燕
曾志雄
何晓龙
黄涵
梁建华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China Agricultural University
Tea Research Institute Guangdong Academy of Agricultural Sciences
Original Assignee
South China Agricultural University
Tea Research Institute Guangdong Academy of Agricultural Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China Agricultural University, Tea Research Institute Guangdong Academy of Agricultural Sciences filed Critical South China Agricultural University
Priority to CN202210347137.9A priority Critical patent/CN114878567A/zh
Publication of CN114878567A publication Critical patent/CN114878567A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
    • G01N5/04—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder
    • G01N5/045—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder for determining moisture content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/90—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in food processing or handling, e.g. food conservation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Evolutionary Biology (AREA)
  • Immunology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Physiology (AREA)
  • Quality & Reliability (AREA)
  • Genetics & Genomics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Tea And Coffee (AREA)

Abstract

本发明公开了一种茶青外观品质在线检测装置及方法，其中，所述检测装置包括设置在检测平台上的用于将茶青平铺在检测平台上的平铺装置、用于对平铺后的茶青进行图像采集的图像采集装置以及用于驱动所述平铺装置和所述图像采集装置沿着所述检测平台的长度方向运动的驱动装置；所述检测平台上设置有萎凋槽，所述萎凋槽的下方设置有称重模块；所述平铺装置包括用于盛放待检测的茶青的存放机构以及设置在所述存放机构内的用于定量输送茶青至所述萎凋槽上的茶青输送机构；所述图像采集装置包括箱体、设置在箱体内的相机模块和红外检测模块。本发明的茶青外观品质在线检测装置可以自动将待检测的茶青平铺在检测平台上，自动化程度更高。

Description

一种茶青外观品质在线检测装置及方法
技术领域
本发明涉及一种茶叶检测装置，具体涉及一种茶青外观品质在线检测装置及方法。
背景技术
茶叶含有茶多酚、茶色素、茶多糖等多种有益于人体健康的成分，因而茶叶是我国备受欢迎的天然保健饮料。茶叶生长受到多种内在因素和外在因素的影响，保证茶叶品质、提升其经济效应，科学高效的生产技术对提高茶叶生产效率具有重要意义。
茶青品质检测主要是由内部品质和外部品质进行检测，但是现阶段大部分的茶青品质检测是通过化学方法对茶青其内含物进行测定，根据茶青内含物对其进行品质的评判，这种检测内含物的方法耗时，耗材，不利于大规模进行。根据企业标准，茶叶的外部品质主要是通过含水率的大小和芽叶比例对茶叶品质进行检验，不同的芽叶比例对应了原料的均匀度和老嫩度，而且许多名优茶要求是1芽1-2叶，因此不同的芽叶比例也决定了该生产出的成品茶的品质等级；含水率对茶叶品质也有着至关重要的作用，在实际生产中茶叶伴随着水分的散失,萎凋叶细胞失去膨压、叶质变柔软、叶面积缩小和细胞膜选择性透性丧失的同时,内含化学成分也发生了一系列变化,对茶叶物质基础及后续加工品质的形成产生重要的影响。但是在生产过程中利用外部品质对茶青进行品质检测的方法主要是通过人工进行操作，并不适合大规模检测且误差较大。
近几年来，得益于计算机得到快速的发展，机器视觉技术也开始广泛应用于军事，医学，车辆以及农业等各种领域。针对这些问题，采用机器视觉技术可以实现无损检测，快速分析以及实时分析的功能，也可以弥补传统品质检测的不足，机器视觉主要通过茶叶外形进行判断，通过提取纹理、颜色特征进行分析，茶叶的感官检测中对表征茶叶等级的特征也可以起到定量描述的作用。而近几年来深度学习技术更是对这种传统特征提取技术进行了改进，通过卷积的方式提取图像的内部特征，并且维持了图像的空间信息，适用性更广，精度更高。
然而在对茶青进行检测时，需要将茶青平铺在检测平台上，但是现有的平铺方式多由人工将待检测的茶青平铺在检测平台上，自动化程度不高。
发明内容
本发明的目的在于克服现有技术的不足，提供一种茶青外观品质在线检测装置，所述茶青外观品质在线检测装置可以自动将待检测的茶青平铺在检测平台上，自动化程度更高。
本发明的第二个目的在于提供一种茶青外观品质在线检测方法。
本发明解决上述技术问题的技术方案是：
一种茶青外观品质在线检测装置，包括设置在检测平台上的用于将待检测的茶青平铺在检测平台上的平铺装置、用于对检测平台上的平铺后的茶青进行图像采集的图像采集装置以及用于驱动所述平铺装置和所述图像采集装置沿着所述检测平台的长度方向运动的驱动装置，其中，
所述检测平台上设置有萎凋槽，所述萎凋槽的下方设置有称重模块，所述称重模块用于对位于所述萎凋槽上的茶青进行称重；
所述平铺装置包括用于盛放待检测的茶青的存放机构以及设置在所述存放机构内的用于定量输送茶青至所述检测平台的萎凋槽上的茶青输送机构；
所述图像采集装置包括箱体、设置在箱体内的相机模块以及红外检测模块。
优选的，所述存放机构由进料部、输送部以及平铺部构成，其中，所述进料部为漏斗状，所述输送部内设置有输送通道，所述输送通道上端与所述进料部下端的出料口连通，下端与所述平铺部的一端连通；所述平铺部的另一端水平倾斜向下延伸。
优选的，所述竖直部的输送通道的两侧均设置有气孔，所述气孔为多个，且呈阵列排布；多个气孔均通过气管与气泵连通。
优选的，所述平铺部的底部设置有传感器。
优选的，所述茶青输送机构包括输送滚轮以及用于驱动所述输送滚轮转动的输送电机，其中，所述输送滚轮包括转轴以及设置在所述转轴上的多组隔板，其中，所述转轴设置在所述输送部内，且沿着所述输送部的宽度方向延伸；该转轴的一端转动连接在所述输送部上，另一端自所述输送部的内部穿出；所述输送部在与所述转轴接触的部位设置有转动轴承；多组隔板径向设置在所述转轴上，且均沿着所述转轴的轴线方向延伸；相邻两组隔板之间的夹角均相等；所述输送电机安装在所述输送部的外部，且与所述转轴连接。
优选的，所述平铺装置还包括升降驱动机构，所述升降驱动机构设置在所述箱体上，用于驱动所述存放机构做升降运动；所述升降驱动机构采用电机与丝杆传动机构结合的驱动方式，或者采用电动推杆。
优选的，所述驱动装置包括移动架以及用于驱动所述移动架运动的移动驱动机构，其中，所述移动架上设置有两组行走轮，两组行走轮分别设置在所述移动架的前后两侧，每组行走轮为两个，两个行走轮分别设置在所述移动架的左右两侧；其中，位于前后两侧的行走轮之间通过同步带传动机构连接，而位于左右两侧的行走轮之间则通过连接轴连接；所述移动驱动机构包括移动电机，所述移动电机安装在所述移动架上，且该移动电机的输出轴通过同步带传动机构或者齿轮传动机构与其中一根连接轴连接。
优选的，还包括控制装置，所述控制装置安装在所述移动架上，包括安装在所述移动架上的支架、设置在支架上的控制模块、指纹模块以及操作指令输入模块，其中，所述指纹模块和所述操作指令输入模块与所述控制模块连通；所述控制模块与所述图像采集装置中的红外检测模块、相机模块以及位于所述检测平台上的称重模块连通。
一种茶青外观品质在线检测方法，包括以下步骤：
S10、在开始检测茶青之前需要对茶青进行红外标定和颜色标定，通过红外标定计算出茶青的厚度，通过颜色标定来减小图像特征提取时所产生的误差；
S20、提取茶青含水率、芽叶比例以及图像的颜色、纹理以及物理特征构建训练集，测试集和验证集；其中，包括以下步骤：
S21、获取茶青图像的图像数据，且必须保证茶青图像充满整张图像，并且看不到任何背景；
S22、将一芽二叶和一芽三叶按照比例进行混合，配成不同的芽叶比例的图像；
S23、采用精度为0.1g的电子称重仪器，每5min拍摄一张茶青图像的同时记录茶青的实时重量信息；
S24、在持续10个小时的水分散失后将茶青进行烘干后称重；假设G鲜为茶青的重量，G烘为茶青烘干后的干重重量，W表示含水率,t表示时间，则t时刻茶青的含水率为：
Figure BDA0003577002380000041
S25、读取t时刻时红外检测模块到茶青表面的距离，根据开始时标定的距离，得出在t时刻时茶青的厚度，且结合萎凋槽的体积和t时刻茶青的重量计算出茶青的实时密度，作为茶青的物理特征；
S26、输入正常完整的茶青图片，提取ROI感兴趣区域去除边框信息；
S27、在不同的色彩空间域中提取图像的RGB，HSV，Lab六个颜色的特征值；
S28、建立图像的灰度直方图，根据直方图的信息可以得出二阶矩、灰度均值、一致性以及熵值，令zi表示茶青灰度的随机变量，p表示茶青对应的归一化直方图，l表示灰度最大值，u表示二阶矩，e表示熵值，U表示一致性，则纹理特征可表示为：
Figure BDA0003577002380000051
Figure BDA0003577002380000052
Figure BDA0003577002380000053
Figure BDA0003577002380000054
S30、构建多输入两输出的含多个隐藏层的BP网络模型，利用PCA的降维特性，将收集到的数据信息进行降维；
S40、利用GA遗传算法对BP网络模型进行训练寻找到解空间的最优的区域和PCA降维的维度个数，最终确定其参数；
S50、基于最优个体的权值和阈值对PCA-BP网络模型进行训练，最终确定该PCA-BP网络模型的参数；
S60、将茶青的颜色、纹理以及物理特征信息输入到PCA-GA-BP网络模型中，输出含水率和芽叶比例。
优选的，在步骤S30中，将数据信息进行PCA降维,保证少量的参数包含绝大部分参数的相关信息；构建BP网络模型，设y为含水率的真实值，z为含水率的预测值，E为误差，设置损失函数为：
Figure BDA0003577002380000061
采用梯度下降法进行误差的回传，设w为权重，b为偏置参数，η为学习率可表示为：
Figure BDA0003577002380000062
Figure BDA0003577002380000063
激活函数采用relu函数，设a为激活后的神经元，l为网络层数其表示为：
Figure BDA0003577002380000064
其中，δ在输出层的表示方式为：
Figure BDA0003577002380000065
δ在隐藏层的表示方式为：
Figure BDA0003577002380000066
本发明与现有技术相比具有以下的有益效果：
1、本发明的茶青外观品质在线检测装置可以将待检测的茶青平铺到检测平台上的萎凋槽中，自动化程度更高。
2、本发明的茶青外观品质在线检测装置可以实现对检测平台上的萎凋槽中的茶青进行称重，用于实时计算检测平台上的萎凋槽中的茶青的重量。
3、本发明的茶青外观品质在线检测装置通过相机模块来收集茶青的图像，然后可通过红外检测模块来对茶青进行标定，测量平铺在检测平台上的萎凋槽中的茶青的厚度。
4、本发明的茶青外观品质在线检测方法通过将深度学习技术和机器视觉技术相结合，通过对茶叶外形进行判断，通过提取茶青含水率、芽叶比例以及图像的颜色、纹理以及物理特征来构建PCA-BP网络模型，通过将采集到的茶青的颜色、纹理以及物理特征信息输入到PCA-GA-BP网络模型中，从而快速获得含水率和芽叶比例，以此来判断茶青的外观品质。
附图说明
图1-图2为本发明的茶青外观品质在线检测装置的第一个具体实施方式的两个不同视角的立体结构示意图。
图3-图4为平铺装置、图像采集装置、控制装置和驱动装置的两个不同视角的立体结构示意图。
图5-图6为平铺装置的两个不同视角的立体结构示意图。
图7为平铺装置的结构简图。
图8为本发明的茶青外观品质在线检测装置的结构简图。
图9为本发明的茶青外观品质在线检测方法的流程示意图。
图10为PCA-GA-BP网络模型的结构图。
图11为PCA-GA-BP网络模型的流程图。
图12为本发明的茶青外观品质在线检测装置的第二个具体实施方式的驱动装置的立体结构示意图。
图13为本发明的茶青外观品质在线检测装置的第三个具体实施方式的存放机构的立体结构示意图。
图14为图13中存放机构的结构简图。
图15为本发明的茶青外观品质在线检测装置的第四个具体实施方式的立体结构示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
参见图1-图8，本发明的茶青外观品质在线检测装置包括设置在检测平台2上的用于将待检测的茶青平铺在检测平台2上的平铺装置、用于对检测平台2上的平铺后的茶青进行图像采集的图像采集装置4以及用于驱动所述平铺装置和所述图像采集装置4沿着所述检测平台2的长度方向运动的驱动装置6。
参见图1-图8，所述检测平台2上设置有萎凋槽3，所述萎凋槽3的下方设置有称重模块404，所述称重模块404用于对位于所述萎凋槽3上的茶青进行称重，例如是电子秤或压力传感器。
参见图1-图8，所述平铺装置包括用于盛放待检测的茶青的存放机构1以及设置在所述存放机构1内的用于定量输送茶青至所述检测平台2的萎凋槽3上的茶青输送机构；其中，
所述存放机构1由进料部101、输送部103以及平铺部104构成，其中，所述进料部101为漏斗状，所述输送部103内设置有输送通道，所述输送通道上端与所述进料部101下端的出料口连通，下端与所述平铺部104的一端连通；所述平铺部104的另一端水平倾斜向下延伸；
所述茶青输送机构包括输送滚轮102以及用于驱动所述输送滚轮102转动的输送电机，其中，所述输送滚轮102包括转轴以及设置在所述转轴上的多组隔板，其中，所述转轴设置在所述输送部103内，且沿着所述输送部103的宽度方向延伸；该转轴的一端转动连接在所述输送部103上，另一端自所述输送部103的内部穿出；所述输送部103在与所述转轴接触的部位设置有转动轴承；多组隔板径向设置在所述转轴上，且均沿着所述转轴的轴线方向延伸；相邻两组隔板之间的夹角均相等；所述输送电机安装在所述输送部103的外部，且与所述转轴连接；而在本实施例中，所述隔板为四组，相邻两组隔板之间的夹角为90度；其中，所述隔板的形状可以是长方形，也可以是圆弧状，这样有利于将茶青拨送到输送通道内。
通过上述设置，在检测前，检测人员先将待检测的茶青放入到进料部101处，接着，在驱动装置6驱动平铺装置沿着检测平台2的长度方向移动时，所述输送电机带动所述输送滚轮102转动，所述输送滚轮102转动的同时，位于两组隔板之间的茶青则被拨送到输送部103的输送通道内，且沿着所述输送通道经过所述平铺部104后均匀平铺到所述检测平台2的萎凋槽3内。由于相邻两组隔板之间的夹角相等，因此可以较为均匀地将茶青定量输送到所述平铺部104上，以此将茶青平铺到所述萎凋槽3内。
参见图1-图8，所述平铺装置还包括升降驱动机构7，所述升降驱动机构7设置在所述箱体上，用于驱动所述存放机构1做升降运动；所述升降驱动机构7采用电机与丝杆传动机构结合的驱动方式，或者采用电动推杆；通过上述设置，当所述平铺装置将茶青平铺在所述上时，所述升降驱动机构7驱动所述存放机构1升起，从而使得平铺装置可以在所述萎凋槽3中的茶青上再次平铺茶青。另外，由于所述平铺部104的底部设置有传感器，可以保证所述平铺部104的底部不会挂到已经平铺好的茶青，从而保证平铺工作可以顺利进行；而所述传感器可以采用非接触传感器，例如红外传感器，以此来保证所述平铺部104的底部与所述茶青不接触。
参见图1-图8，所述图像采集装置4包括箱体、设置在箱体内的相机模块401以及红外检测模块402，其中，所述相机模块401包括相机支架和摄像机；所述红外检测模块402可以采用红外检测探头，另外也可以在箱体内设置光源403，以此来增加亮度。
参见图1-图8，所述驱动装置6包括移动架601以及用于驱动所述移动架601运动的移动驱动机构，其中，所述移动架601上设置有两组行走轮602，两组行走轮602分别设置在所述移动架601的前后两侧，每组行走轮602为两个，两个行走轮602分别设置在所述移动架601的左右两侧，每个行走轮602上也可以单独设置一组移动电机603，用于单独驱动该行走轮602运动；通过移动电机603带动行走轮602运动，从而带动平铺装置和图像采集装置4沿着检测平台2的长度方向来回做往复运动；另外，所述行走轮602上设置有与所述检测平台2的边沿配合的凹槽604，所述凹槽604可构成用于对移动架601的直线运动进行导向的导向槽，以此来提高运动精度。
参见图1-图8，本发明的茶青外观品质在线检测装置还包括控制装置5，所述控制装置5安装在所述移动架601上，包括安装在所述移动架601上的支架、设置在支架上的控制模块、指纹模块以及操作指令输入模块，其中，所述指纹模块和所述操作指令输入模块与所述控制模块连通；所述控制模块与所述图像采集装置4中的红外检测模块、相机模块以及位于所述检测平台2上的称重模块404连通。
参见图9-图11，本发明的茶青外观品质在线检测方法的流程为：
S10、在本发明的茶青外观品质在线检测装置开始检测茶青之前需要进行红外标定和颜色标定；
S20、提取茶青含水率、芽叶比例以及图像的颜色、纹理以及物理特征构建训练集，测试集和验证集；
S30、构建多输入两输出的含多个隐藏层的BP模型，利用PCA的降维特性，将大量的信息进行降维，使得可以用更少的参数去表达更多的图像信息，增加了模型的鲁棒性；
S40、利用GA遗传算法对BP网络进行训练寻找到解空间的最优的区域和PCA降维的维度个数，最终确定其参数；
S50、基于最优个体的权值和阈值对PCA-BP网络进行训练，最终确定模型的参数；
S60、将茶青的颜色、纹理以及物理特征信息输入到PCA-GA-BP模型，输出含水率和芽叶比例；
其中，在开始检测茶青之前需要进行红外标定和颜色标定，进行红外标定的目的是可以准确计算出茶青的厚度，而进行颜色标定的目的是为了减小图像特征提取的时候所产生的误差。
而在提取茶青含水率以及图像的颜色纹理特征构建训练集，测试集和验证集的过程中，首先获取茶青图像的图像数据，且必须保证茶青图像充满整张图像，并且看不到任何背景。采用精度为0.1g的电子称重仪器，每5min拍摄一张茶青图像的同时记录茶青的实时重量信息。在持续10个小时的水分散失后将茶青进行烘干后称重。假设G鲜为茶青的重量，G烘为茶青烘干后的干重重量，W表示含水率,t表示时间，则有：
Figure BDA0003577002380000111
读取t时刻时红外探头到茶青表面的距离，根据一开始标定的距离，可以得出在t时刻时茶青的厚度，由于萎凋槽3的体积是已知的，t时刻的重量是已知的，所以可以计算出茶青的实时密度，作为茶青的物理特征。
输入正常完整的茶青图片，提取ROI感兴趣区域去除边框信息。在不同的色彩空间域中提取图像的RGB，HSV，Lab六个颜色的特征值。建立图像的灰度直方图，根据直方图的信息可以得出二阶矩(standard)、灰度均值(mean)、一致性(consistency)以及熵值(entropy)，令zi表示茶青灰度的随机变量，p茶青对应的归一化直方图，l表示灰度最大值，u表示二阶矩，e表示熵值，U表示一致性则纹理特征可表示为：
Figure BDA0003577002380000121
Figure BDA0003577002380000122
Figure BDA0003577002380000123
Figure BDA0003577002380000124
构建多输入一输出的含多个隐藏层的BP模型，利用PCA的降维特性，将大量的信息进行降维，增加了模型的鲁棒性，其中包括：将数据进行PCA降维,保证少量的参数包含绝大部分参数的相关信息。构建BP网络，设y含水率的真实值，z含水率的预测值，E为误差，设置损失函数为：
Figure BDA0003577002380000125
采用梯度下降法进行误差的回传，设w为权重，b为偏置参数，η为学习率可表示为：
Figure BDA0003577002380000126
Figure BDA0003577002380000127
激活函数采用relu函数，将神经元加上非线性的属性，使其鲁棒性更强，设a为激活后的神经元，l为网络层数其表示为：
Figure BDA0003577002380000128
其中，δ在输出层的表示方式为：
Figure BDA0003577002380000131
δ在隐藏层的表示方式为：
Figure BDA0003577002380000132
GA遗传算法对BP网络进行训练寻找到解空间的最优的区域和PCA降维的维度个数，最终确定其参数，其中包括：BP的阈值，PCA维度个数，BP网络的拓扑结构信息进行编码，作为GA算法的优化对象。构建GA算法的样本个数，染色体数，交叉变异的概率根据BP的损失函数E计算适应度函数A：
Figure BDA0003577002380000133
选出最差的个体替换成前一代最优的个体，保证GA算法的收敛性。
在最终计算出最优的阈值和权值，神经元个数以及PCA的个数，将图像的纹理信息和颜色信息进行输入后预测出茶青的含水率。
实施例2
参见图12，本实施例与实施例1的不同之处在于：位于前侧或/和后侧中的左右两个的行走轮602通过连接轴606连接，而位于左右两侧的前后两个行走轮602则通过同步带传动机构603连接；所述移动驱动机构包括移动电机，所述移动电机安装在所述移动架601上，且该移动电机的输出轴直接与其中一根连接轴连接，或者通过同步带传动机构或者齿轮传动机构与其中一根连接轴连接。
其余结构参照实施例1实施。
实施例3
参见图13-图14，本实施例与实施例1的不同之处在于：所述竖直部103的输送通道的两侧均设置有气孔106，所述气孔106为多个，且呈阵列排布；多个气孔106均通过气管与气泵连通。通过设置上述气孔106对输送通道内吹风，可以防止茶青粘在输送通道内壁，其中，105为本实施例中的存放机构的出青口，出青口105的方向可与所述图像采集装置位于同一侧，即朝向所述图像采集装置，所述移动架上也可以设置供所述出青口中的茶青穿过的避让槽，或者将存放机构的出青口的高度设置在所述移动架下方，这样在平铺茶青的过程中，位于后方的图像采集装置即可对平铺好的茶青进行图像采集，而无需等茶青平铺好后，所述驱动装置再驱动所述图像采集装置反向运动来采集茶青数据，这样有利于提高图像采集精度。
其余结构参照实施例1实施。
实施例4
参见图15，本实施例与实施例1的不同之处在于，本实施例结合了实施例2和实施例3的区别点。
上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种茶青外观品质在线检测装置，其特征在于，包括设置在检测平台上的用于将待检测的茶青平铺在检测平台上的平铺装置、用于对检测平台上的平铺后的茶青进行图像采集的图像采集装置以及用于驱动所述平铺装置和所述图像采集装置沿着所述检测平台的长度方向运动的驱动装置，其中，
所述检测平台上设置有萎凋槽，所述萎凋槽的下方设置有称重模块，所述称重模块用于对位于所述萎凋槽上的茶青进行称重；
所述平铺装置包括用于盛放待检测的茶青的存放机构以及设置在所述存放机构内的用于定量输送茶青至所述检测平台的萎凋槽上的茶青输送机构；
所述图像采集装置包括箱体、设置在箱体内的相机模块以及红外检测模块。
2.根据权利要求1所述的茶青外观品质在线检测装置，其特征在于，所述存放机构由进料部、输送部以及平铺部构成，其中，所述进料部为漏斗状，所述输送部内设置有输送通道，所述输送通道上端与所述进料部下端的出料口连通，下端与所述平铺部的一端连通；所述平铺部的另一端水平倾斜向下延伸。
3.根据权利要求2所述的茶青外观品质在线检测装置，其特征在于，所述竖直部的输送通道的两侧均设置有气孔，所述气孔为多个，且呈阵列排布；多个气孔均通过气管与气泵连通。
4.根据权利要求2所述的茶青外观品质在线检测装置，其特征在于，所述平铺部的底部设置有传感器。
5.根据权利要求2所述的茶青外观品质在线检测装置，其特征在于，所述茶青输送机构包括输送滚轮以及用于驱动所述输送滚轮转动的输送电机，其中，所述输送滚轮包括转轴以及设置在所述转轴上的多组隔板，其中，所述转轴设置在所述输送部内，且沿着所述输送部的宽度方向延伸；该转轴的一端转动连接在所述输送部上，另一端自所述输送部的内部穿出；所述输送部在与所述转轴接触的部位设置有转动轴承；多组隔板径向设置在所述转轴上，且均沿着所述转轴的轴线方向延伸；相邻两组隔板之间的夹角均相等；所述输送电机安装在所述输送部的外部，且与所述转轴连接。
6.根据权利要求5所述的茶青外观品质在线检测装置，其特征在于，所述平铺装置还包括升降驱动机构，所述升降驱动机构设置在所述箱体上，用于驱动所述存放机构做升降运动；所述升降驱动机构采用电机与丝杆传动机构结合的驱动方式，或者采用电动推杆。
7.根据权利要求1所述的茶青外观品质在线检测装置，其特征在于，所述驱动装置包括移动架以及用于驱动所述移动架运动的移动驱动机构，其中，所述移动架上设置有两组行走轮，两组行走轮分别设置在所述移动架的前后两侧，每组行走轮为两个，两个行走轮分别设置在所述移动架的左右两侧；其中，位于前后两侧的行走轮之间通过同步带传动机构连接，而位于左右两侧的行走轮之间则通过连接轴连接；所述移动驱动机构包括移动电机，所述移动电机安装在所述移动架上，且该移动电机的输出轴通过同步带传动机构或者齿轮传动机构与其中一根连接轴连接。
8.根据权利要求7所述的茶青外观品质在线检测装置，其特征在于，还包括控制装置，所述控制装置安装在所述移动架上，包括安装在所述移动架上的支架、设置在支架上的控制模块、指纹模块以及操作指令输入模块，其中，所述指纹模块和所述操作指令输入模块与所述控制模块连通；所述控制模块与所述图像采集装置中的红外检测模块、相机模块以及位于所述检测平台上的称重模块连通。
9.一种用于权利要求1-8任一项所述的茶青外观品质在线检测装置的茶青外观品质在线检测方法，其特征在于，包括以下步骤：
S10、在开始检测茶青之前需要对茶青进行红外标定和颜色标定，通过红外标定计算出茶青的厚度，通过颜色标定来减小图像特征提取时所产生的误差；
S20、提取茶青含水率、芽叶比例以及图像的颜色、纹理以及物理特征构建训练集，测试集和验证集；其中，包括以下步骤：
S21、获取茶青图像的图像数据，且必须保证茶青图像充满整张图像，并且看不到任何背景；
S22、将一芽二叶和一芽三叶按照比例进行混合，配成不同的芽叶比例的图像；
S23、采用精度为0.1g的电子称重仪器，每5min拍摄一张茶青图像的同时记录茶青的实时重量信息；
S24、在持续10个小时的水分散失后将茶青进行烘干后称重；假设G鲜为茶青的重量，G烘为茶青烘干后的干重重量，W表示含水率,t表示时间，则t时刻茶青的含水率为：
Figure FDA0003577002370000031
S25、读取t时刻时红外检测模块到茶青表面的距离，根据开始时标定的距离，得出在t时刻时茶青的厚度，且结合萎凋槽的体积和t时刻茶青的重量计算出茶青的实时密度，作为茶青的物理特征；
S26、输入正常完整的茶青图片，提取ROI感兴趣区域去除边框信息；
S27、在不同的色彩空间域中提取图像的RGB，HSV，Lab六个颜色的特征值；
S28、建立图像的灰度直方图，根据直方图的信息可以得出二阶矩、灰度均值、一致性以及熵值，令zi表示茶青灰度的随机变量，p表示茶青对应的归一化直方图，l表示灰度最大值，u表示二阶矩，e表示熵值，U表示一致性，则纹理特征可表示为：
Figure FDA0003577002370000041
Figure FDA0003577002370000042
Figure FDA0003577002370000043
Figure FDA0003577002370000044
S30、构建多输入两输出的含多个隐藏层的BP网络模型，利用PCA的降维特性，将收集到的数据信息进行降维；
S40、利用GA遗传算法对BP网络模型进行训练寻找到解空间的最优的区域和PCA降维的维度个数，最终确定其参数；
S50、基于最优个体的权值和阈值对PCA-BP网络模型进行训练，最终确定该PCA-BP网络模型的参数；
S60、将茶青的颜色、纹理以及物理特征信息输入到PCA-GA-BP网络模型中，输出含水率和芽叶比例。
10.根据权利要求9所述的茶青外观品质在线检测方法、其特征在于，在步骤S30中，将数据信息进行PCA降维,保证少量的参数包含绝大部分参数的相关信息；构建BP网络模型，设y为含水率的真实值，z为含水率的预测值，E为误差，设置损失函数为：
Figure FDA0003577002370000045
采用梯度下降法进行误差的回传，设w为权重，b为偏置参数，η为学习率可表示为：
Figure FDA0003577002370000046
Figure FDA0003577002370000051
激活函数采用relu函数，设a为激活后的神经元，l为网络层数其表示为：
Figure FDA0003577002370000052
其中，δ在输出层的表示方式为：
δ(out)＝-(y-z(out))；
δ在隐藏层的表示方式为：
δ(in)＝(w(out)δ(out))⊙f’(z(in))。
CN202210347137.9A 2022-04-01 2022-04-01 一种茶青外观品质在线检测装置及方法 Pending CN114878567A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210347137.9A CN114878567A (zh) 2022-04-01 2022-04-01 一种茶青外观品质在线检测装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210347137.9A CN114878567A (zh) 2022-04-01 2022-04-01 一种茶青外观品质在线检测装置及方法

Publications (1)

Publication Number Publication Date
CN114878567A true CN114878567A (zh) 2022-08-09

Family

ID=82670017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210347137.9A Pending CN114878567A (zh) 2022-04-01 2022-04-01 一种茶青外观品质在线检测装置及方法

Country Status (1)

Country Link
CN (1) CN114878567A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117491672A (zh) * 2023-12-29 2024-02-02 佳木斯市中心医院 一种儿科尿液采集检测设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117491672A (zh) * 2023-12-29 2024-02-02 佳木斯市中心医院 一种儿科尿液采集检测设备
CN117491672B (zh) * 2023-12-29 2024-03-15 佳木斯市中心医院 一种儿科尿液采集检测设备

Similar Documents

Publication Publication Date Title
CN108663339B (zh) 基于光谱和图像信息融合的霉变玉米在线检测方法
CN102495005B (zh) 高光谱图像技术诊断作物水分亏缺的方法
CN102323221B (zh) 烟叶成熟度检测方法及检测装置
CN207516257U (zh) 一种基于机器视觉的小麦籽粒图像采集平台
CN111011471B (zh) 一种多光谱-射频-热风果蔬干燥检测装置及方法
CN114878567A (zh) 一种茶青外观品质在线检测装置及方法
CN103472031A (zh) 一种基于高光谱成像技术的脐橙糖度检测方法
CN110479635B (zh) 基于神经网络自动分拣烟叶的方法及装置
CN108956545B (zh) 一种水果内部品质无损检测模型建立方法及系统
CN103234487A (zh) 植物叶片面积及叶片表面病斑面积的测量方法
Li et al. Nondestructive assessment of beef-marbling grade using hyperspectral imaging technology
CN106650823A (zh) 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法
CN102876816A (zh) 基于多传感器信息融合的发酵过程状态监测与控制方法
CN107860316A (zh) 玉米籽粒三维参数测量装置及其测量方法
CN112634237A (zh) 一种基于YOLOv3改进网络的长竹条表面缺陷检测方法及系统
CN111751376A (zh) 一种基于冠层图像特征衍生的水稻氮素营养估算方法
CN104949927A (zh) 一种干贝水分含量的高光谱检测方法
CN111713440A (zh) 基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法
CN111289997A (zh) 一种基于激光雷达传感器的田间作物冠层稠密度检测方法
Chen et al. Hyperspectral detection of sugar content for sugar-sweetened apples based on sample grouping and SPA feature selecting methods
CN114858984A (zh) 厚皮甜瓜种质资源商品性数据采集装置及采集与分析方法
CN106556602A (zh) 一种鱼体新鲜度的检测方法及其装置
CN106338488A (zh) 一种转基因豆奶粉的快速无损鉴别方法
CN111707194A (zh) 基于深度相机的金针菇整齐度检测方法及装置
CN116843743A (zh) 一种基于三视角图像轮廓拟合的柚果体积测量方法

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