基于机器视觉的工夫红茶萎凋叶水分检测

萎凋是工夫红茶加工的首道工序,萎凋叶水分检测主要依赖于人工经验判断,难以做到精准、客观和量化评价。本文针对萎凋叶摊放工艺,以工夫红茶萎凋在制品为研究对象,基于机器视觉技术获取萎凋叶图像的色泽和纹理特征信息,分析图像特征变量的变化规律及其与水分的关联;采用偏最小二乘法PLS(Partial least squares)、极限学习机ELM(Exterme learning machine)和支持向量机回归SVR(Support vector machine regression)方法,分别建立萎凋叶水分定量预测模型。结果表明:3种预测方法预测值和实际值的相关系数均大于0.95,非线性SVR模型明显优于PLS模型和ELM模型,其预测集的相关系数Rp(Correlation coefficient of predication set)和预测均方根RMSEP(Root-mean-square error of prediction)分别为0.9904和0.0118,预测集绝对误差均小于0.05,相对标准偏差RPD(Relative percent deviation)值为6.6264。这说明SVR方法能够更好表征图像信息与水分之间的量化解析关系,具有更优的泛化性和鲁棒性,为萎凋加工中水分含量快速无损检测提供了解决方案,为工夫红茶水分在线检测装置的开发提供理论基础,对茶叶机械智能化的发展具有重要意义。