图像处理在茶叶嫩芽智能采摘中的应用进展

作者:未知

  摘  要:茶叶嫩芽智能采摘是茶叶生产智能化、信息化的重要前提,基于图像的茶叶智能采摘已成为国内外研究热点。该文综述了图像处理技术在茶叶嫩芽分割、定位和智能采摘中的应用,比较了各方法的优缺点,并对图像处理技术在茶叶智能化采摘上的应用前景提出了展望。
  关键词:图像处理;嫩芽分割;智能采摘;自动定位
  中图分类号 TP391.4   文献标识码 A   文章编号 1007-7731(2019)09-0133-2
  Abstract:Intelligent picking of tea sprouts is an important prerequisite for tea production intelligence and informationization. Intelligent picking of tea sprouts has become a research hotspot at home and abroad. In this paper,the application of image processing technology in tea sprouts segmentation,localization and intelligent picking were reviewed. The advantages and disadvantages of each method were compared,and the application prospect of image processing technology in tea intelligent picking was prospected.
  Key words:Image processing;Sprouts segmentation;Intelligent picking;Automatic positioning
  茶葉生产加工主要包括采摘、晒青、杀青、揉捻、焙火等几道工序,采摘是茶叶生产的首道工序,嫩芽采摘的好坏直接影响后期成品茶质量。随着“互联网+农业”的不断推进与应用,智能化采摘成为茶学领域研究热点。为此,笔者综述了数字图像处理技术在茶叶嫩芽智能采摘中的应用,旨在为茶叶生产加工智能化应用[1]和发展提供参考。
  1 图像处理在茶叶嫩芽分割中的应用
  利用茶叶嫩芽与老叶、土壤、枝条等背景在颜色特征上具有差异性,杨福增[2]、刘志杰[3]均通过提取“午子仙毫”茶叶的G分量进行嫩芽分割。针对单一色彩因子易受到光照的影响,韦佳佳[4]、唐仙[5]、吴雪梅[6]和袁加红[7]分析不同颜色空间下各色彩因子间的线性组合,提出了基于色差因子的茶叶嫩芽图像分割方法。
  自然条件下茶叶分割不仅易受到环境、老叶、茶梗和土壤的影响,而且茶叶遮挡和重叠等也增大了嫩芽分割难度。汪建[8]以H和S分量作为种子区域,提出基于颜色相似性和区域邻接性的区域生长合并方法,实现了茶叶嫩芽分割。由于嫩芽目标与背景相对固定,吴雪梅[9]、张可[10]等提出基于Lab颜色模型的K-means聚类方法,实现了嫩芽与其他背景的分割,但该方法往往通过人工设定聚类数目,且易出现过分割问题。方坤礼[11]提出基于超绿2R-G-B特征的改进JSEG分割技术,邵明[12]设计一种级联的茶叶图像分割方法,首先利用茶叶图像的超绿-超红颜色特征、自适应二值化和数学形态学变换等对茶叶图像进行初始分割,然后通过基于统计学的快速区域合并算法实现茶叶嫩芽的有效分割,且避免过分割现象。
  2 图像处理在茶叶嫩芽定位中的应用
  茶叶嫩芽识别是实现鲜茶智能采摘的前提,嫩芽识别后对其采摘位置信息的提取也是实现智能采摘的关键技术。杨福增[1]、刘志杰[2]、姚波[13]在确定了茶叶“两瓣一心”区域的基础上,分别利用边缘检测、逐行扫描法和形态腐蚀法实现了嫩芽位置的标记。裴伟[14]提出基于茶叶图像的二维采摘坐标提取方法,首先获取茶叶嫩芽区域,然后提取嫩芽图像外轮廓和最小外接矩形,以最小外接矩形的中心点为嫩芽的采摘点。相对于质心法确定的采摘点,裴伟等提取的采摘点更能反映茶叶嫩芽的茎根部所在位置。张浩[15]提出基于光栅投影轮廓技术的茶叶嫩梢定位系统,该系统可以一次性实现整个工作面的嫩梢定位,同时有效获取嫩梢三维信息,为名优茶智能采摘机解决了茶叶嫩梢定位问题。
  3 图像处理技术在智能采茶机研发中的应用
  目前市场上推广使用的有手提式或背负式采茶机,这类采茶机虽然在一定程度上能提升采摘效率,但仍需人力携带操作,且对茶叶嫩芽缺乏选择性,采摘出的茶叶参差不齐,对茶树损害较大。针对这一问题,汤一平[16]设计了一种基于机器视觉的乘用式采茶机,提出了嫩芽自动识别与采茶机割刀的自动调平调高控制方法。王伟羊[17]提出了一种基于机器视觉的乘用型采茶机导航方法,修缮了乘用式采茶机容易出现割刀与茶行在对准上出现偏差的问题。王财盛[18]提出了基于机器视觉的采茶机割刀控制方法,首先用间接定位法定位割刀,以有效降低计算复杂度,然后利用动态阈值分割法和颜色分类器能准确地识别嫩芽区域。裴伟[19]设计了三维快速驱动式采茶机系统,优化了茶叶采摘定位坐标的提取以及路径,满足了名优茶鲜叶选择性和高品质采摘的需求。
  4 结语
  随着农业生产智能化、数字化发展,将图像处理技术应用到茶叶生产已取得一定进展,但在鲜茶智能采摘上仍有一些问题需要进一步研究与探讨。
  (1)基于图像处理的茶叶嫩芽分割、定位等研究主要针对特定环境或茶叶种类,但茶叶种类多且生长环境受到地域和天气等影响较大,导致算法普适性和稳定性较差。因此,需要通过增加样本数据(来自不同地域、不同环境的茶叶种类和数量)以提高算法的普适性,融合多种分割方法提高算法的稳定性,以促进其在实际应用中发挥有效作用。   (2)深度学习[20]在智能采摘中的应用:作为机器学习领域的新兴方向,深度学习可以直接将图像作为输入,通过卷积层、池化层等自学习特征,最后实现目标检测或者分割。基于深度学习的茶叶智能化[21]生产研究相对较少,可建立多种深度卷积神经网络嫩芽检测模型,以减小人工特征提取、外界环境对嫩芽分割定位的影响。
  (3)智能采茶机设计与实现:智能采茶机主要包括采茶机机械设计、智能采摘识别与定位和控制软硬件的通信等模块。设计能够适应多种场地且与茶叶智能采摘系统相协调的采茶机,仍需要加强机械设计、嵌入式控制、通信和人工智能等多学科交叉研究。
  参考文献
  [1]Adel Bakhshipour,Alireza Sanaeifar,Sayed Hossein Payman1,et al. Evaluation of Data Mining Strategies for Classification of Black Tea Based on Image-Based Features[J].Food Anal. Methods,2018,11:1041-1050.
  [2]楊福增,杨亮亮,田艳娜,等.基于颜色和形状特征的茶叶嫩芽识别方法[J].农业机械学报,2009,40(s1):119-123.
  [3]刘志杰,田艳娜,杨亮亮,等.重叠条件下茶叶嫩芽的自动检测方法[J].中国体视学与图像分析,2009(2):129-132.
  [4]韦佳佳.名优茶机械化采摘中嫩芽识别方法的研究[D]. 南京:南京林业大学,2012.
  [5]唐仙,吴雪梅,张富贵,等.基于阈值分割法的茶叶嫩芽识别研究[J].农业装备技术,2013(6):10-14.
  [6]吴雪梅,张富贵,吕敬堂.基于图像颜色信息的茶叶嫩叶识别方法研究[J].茶叶科学,2013(6):584-589.
  [7]袁加红,张中正,朱德泉,等.名优绿茶嫩芽识别与定位方法研究[J].安徽农业大学学报,2016,43(5):676-681.
  [8]汪建.结合颜色和区域生长的茶叶图像分割算法研究[J].茶叶科学,2011,31(1):72-77.
  [9]吴雪梅,唐仙,张富贵,等.基于K-means聚类法的茶叶嫩芽识别研究[J].中国农机化学报,2015,36(5):161-164.
  [10]张可,吕军.自然条件下茶叶嫩芽图像分割方法的研究[J].黑龙江八一农垦大学学报,2016,28(2):100-104.
  [11]方坤礼,廖建平,刘晓辉.基于改进JSEG技术的茶叶图像嫩芽分割与识别研究[J].食品工业,2017(4):134-138.
  [12]邵明.基于计算机视觉的龙井茶叶嫩芽识别方法研究[D]. 北京:中国计量学院,2013.
  [13]姚波,汪洋,李小瑞,等.自然环境下嫩芽与茶梗自动分割方法的研究[J].黑龙江八一农垦大学学报,2017,29(2):114-117.
  [14]裴伟,王晓林.基于图像信息的茶叶二维采摘坐标的提取[J].浙江农业学报,2016,28(3):522-527.
  [15]张浩,陈勇,汪巍,等.基于主动计算机视觉的茶叶采摘定位技术[J]. 农业机械学报,2014,45(9):61-65.
  [16]汤一平,韩旺明,胡安国,等.基于机器视觉的乘用式智能采茶机设计与试验[J].农业机械学报,2016,47(7):15-20.
  [17]王伟羊.基于计算机视觉的采茶机导航技术研究[D]. 杭州:浙江工业大学,2016.
  [18]王财盛,朱威,徐召飞,等.基于机器视觉的采茶机割刀控制方法[J].计算机测量与控制,2017,25(4):70-74.
  [19]裴伟. 三维快速驱动式采茶机的关键技术研究[D]. 北京:中国计量大学,2016.
  [20]GE Hinton,Simon Osindero,and YW Teh. A fast learning algorithm for deep belief nets[J]. Neural computation,2006.
  [21]王琨,刘大茂. 基于深度学习的茶叶状态智能识别方法[J].重庆理工大学学报(自然科学),2015,29(12):120-126.
  (责编:徐世红)
  基金项目:安徽省高校自然科学研究项目(KJHS2018B11);国家级大学生创新训练计划项目(201810375015);国家级大学生创新训练计划项目(201710375006);安徽省大学生创新训练计划项目(201710375040)。
  作者简介:夏华鵾(1998—),男,安徽马鞍山人,本科,研究方向:图像识别。   *通讯作者    收稿日期:2019-04-23
转载注明来源:https://www.xzbu.com/1/view-14836131.htm

服务推荐