茶叶外形感官品质的计算机视觉分级研究

详细信息    查看全文 | 推荐本文 |

英文篇名：Sensory evaluation of tea appearance using computer vision classification 作者：童阳 ; 艾施荣 ; 吴瑞梅 ; 何国泉 ; 虞文俊 ; 刘鹏 ; 胡潇 ; 裴刚 英文作者：Tong Yang; 关键词：计算机视觉 ; 茶叶感官品质 ; 小波变换 ; 神经网络 ; 遗传算法 中文刊名：JSNY 英文刊名：Jiangsu Agricultural Sciences 机构：江西农业大学计算机与信息工程学院;江西农业大学软件学院;江西农业大学工学院; 出版日期：2019-04-01 10:18 出版单位：江苏农业科学 年：2019 期：v.47 基金：国家自然科学基金(编号:31460315);; 江西省重点研发计划(编号:20171ACF60004) 语种：中文; 页：JSNY201905043 页数：4 CN：05 ISSN：32-1214/S 分类号：178-181

摘要

为摒弃茶叶品质感官评审方法存在的主观性和经验性等缺陷,研究采用计算机视觉技术快速评价茶叶感官品质。依据碧螺春茶行业标准及茶叶评审师的评审结果,将20个不同品质碧螺春绿茶样本分成4个等级。采用小波变换和灰度共生矩阵提取茶叶图像的纹理特征,采用RGB[R表示红色(red),G表示绿色(green),B表示蓝色(blue)]和HIS[H表示色调(hue),I表示亮度(intensity),S表示色饱和度(saturation)]颜色模型提取图像的颜色特征,利用遗传算法优化神经网络参数,建立茶叶感官品质的BP(back propagation,逆向传播)神经网络分级模型,并与其他模型结果进行比较。结果表明,当选用前5个主成分时,所建立的模型识别精度最高,该模型总体识别率为93.8%,Kappa系数为0.933,较PCA-BP、GA-BP、BP识别精度分别提高10.0、6.3、18.8百分点,Kappa系数分别提高0.133、0.066、0.233,模型稳定性得到提高。
        

引文

[1]Laddi A,Sharma S,Kumar A,et al. Classification of tea grains based upon image texture feature analysis under different illumination conditions[J]. Journal of Food Engineering,2013,115(2):226-231.
    [2]Dong C W,Zhu H K,Zhao J W,et al.Sensory quality evaluation for appearance of needle-shaped green tea based on computer vision and nonlinear tools[J]. Journal of Zhejiang University-Science B:Biomedicine & Biotechnology,2017,18(6):544-548.
    [3]余洪,吴瑞梅,艾施荣,等. 基于PCA-PSO-LSSVM的茶叶品质计算机视觉分级研究[J]. 激光杂志,2017,38(1):51-54.
    [4]常春,陈怡群,肖宏儒,等. 基于神经网络图像分析的智能鲜茶叶分选机[J]. 中国农机化学报,2013,34(1):137-141.
    [5]肖志云,刘洪. 小波域马铃薯典型虫害图像特征选择与识别[J]. 农业机械学报,2017,48(9):24-31.
    [6]彭庆涛,吴水才,高宏建,等. 基于小波分析和灰度纹理特征的乳腺X线图像微钙化点区域的提取[J]. 北京生物医学工程,2015,34(5):462-467,488.
    [7]孔喜梅,木拉提·哈米提,严传波,等. 基于小波变换的新疆地方性肝包虫CT图像分类研究[J]. 生物医学工程研究,2016,35(3):162-167,174.
    [8]Wang S H,Phillips P,Liu A J,et al. Tea category identification using computer vision and generalized eigenvalue proximal SVM[J]. Fundamenta Informaticae,2017,151(1/2/3/4):325-339.
    [9]Borah S,Hines E L,Bhuyan M. Wavelet transform based image texture analysis for size estimation applied to the sorting of tea granules[J]. Journal of Food Engineering,2007,79(2):629-639.
    [10]Lowe D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision,2004,60(2):91-110.
    [11]Tang Z,Su Y C,Er M J,et al. A local binary pattern based texture descriptors for classification of tea leaves[J]. Neurocomputing,2015,168:1011-1023.
    [12]吴瑞梅,吴彦红,艾施荣,等. 茶叶外形品质的高光谱图像量化分析[J]. 江西农业大学学报,2013,35(2):413-418.
    [13]孙丽. 基于遗传算法BP神经网络的多目标优化方法[J]. 激光杂志,2016,37(8):123-128.
    [14]徐树良,王俊红. 基于Kappa系数的数据流分类算法[J]. 计算机科学,2016,43(12):173-178.