基于机器视觉的茶叶微波杀青中品质变化与预测研究

吴鑫，宋飞虎，裴永胜，朱冠宇，姜乐兵，宁文楷，李臻峰*，刘本英

基于机器视觉的茶叶微波杀青中品质变化与预测研究

吴鑫1,3，宋飞虎1，裴永胜1，朱冠宇1，姜乐兵1，宁文楷1,3，李臻峰1*，刘本英2*

1. 江南大学机械工程学院/江苏省食品先进制造装备技术重点实验室，江苏 无锡 214122；2. 云南省农业科学院茶叶研究所，云南 勐海 666201；3. 常州太烨传感科技有限公司，江苏 常州 213000

茶多酚、氨基酸、含水率是茶叶品质的重要指标，传统检测方法周期长且过程复杂。本研究利用机器视觉对微波杀青过程中茶叶的色泽和纹理特征实时监测，在线检测含水率，同时检测茶多酚和氨基酸含量。结果表明，色泽、纹理特征与含水率、茶多酚、氨基酸含量均呈规律性变化且显著相关。对色泽和纹理特征进行主成分分析，以前3个主成分为输入建立极限学习机（ELM）、遗传神经网络（GA-BP）、卷积神经网络（CNN）模型对品质成分含量进行预测。结果表明，ELM、GA-BP、CNN模型分别适用于含水率、茶多酚含量和氨基酸含量的预测，精度均在0.99以上。研究表明，通过实时监测茶叶的色泽和纹理特征来预测其在杀青过程中含水率、茶多酚和氨基酸含量是可行的。

机器视觉；微波杀青；茶多酚；氨基酸；含水率；预测模型

茶叶作为一种天然的保健饮料，既可食用又可药用，深受人们欢迎，在我国经济作物中占有十分重要的地位[1]。

杀青是绿茶加工过程中一项最关键的工序，对茶叶的品质起到决定性作用[2]。现阶段，杀青效果主要靠人体感官评价，存在一定的局限性。为精确评价杀青效果，还需检测茶多酚、氨基酸等含量，检测周期长且过程复杂，无法满足自动化生产需要。

机器视觉技术可以快速、无损地检测样品的外观特征，已在农产品加工方面得到了广泛地应用[3-5]。李颀等[6]通过计算机视觉提取了玉米种穗的色泽和纹理特征，利用极限学习机（ELM）实现了异常种穗的识别。Golpour等[7]利用机器视觉结合人工神经网络预测了薄层干燥中稻谷的含水率。Laddi等[8]利用机器视觉提取了茶叶色泽和纹理特征，结合主成分分析区分了茶叶等级。汤哲等[9]通过机器视觉提取茶叶的纹理特征，利用支持向量机建立了茶叶快速分类模型。Pereira等[10]利用数字图像技术提取了木瓜果皮的色泽特征，利用随机森林建立了其成熟阶段的预测模型。徐海霞[11]利用机器视觉提取了菠菜的颜色特征，分别结合神经网络和偏最小二乘法模型实现了对叶绿素含量的预测。Zhu等[12]利用机器视觉提取茶叶色泽和纹理特征，结合神经网络实现了成品茶的感官质量预测。

本研究探讨机器视觉在杀青叶品质含量预测中的应用，以微波杀青过程中的茶叶为研究对象，分析色泽、纹理、茶多酚和氨基酸含量与含水率的变化以及相关性；对色泽和纹理特征进行主成分分析并结合ELM、遗传神经网络（GA-BP）和卷积神经网络（CNN）算法建立对含水率、茶多酚和氨基酸含量的预测模型，旨在为杀青过程中茶叶品质的在线快速监测提供理论参考。

1 材料与方法

1.1 试验材料与仪器

以茶鲜叶为原料，嫩度为一芽一叶，采摘于浙江衢州。茶叶初始湿基含水率为(80±0.2)%（烘干法，105℃烘干至质量恒定）。试验前茶叶冷藏于(4±1)℃冰箱中。仪器：M1-L202B型微波炉（美的集团股份有限公司）；RS-500C型工业相机（深圳市锐视时代科技有限公司）；ES5000型电子秤（天津德安特传感技术有限公司）；I4A01型光纤测温仪（西安和其光电科技有限公司）；NI USB-6008型数据采集卡（National Instruments，Texas，美国）；LSA-H3P50YB型晶闸管（深圳市博得电子科技有限公司）；UV-1800型紫外分光光度计（岛津公司，日本）。

1.2 试验设备

基于机器视觉的茶叶微波杀青系统如图1所示，主要由温度控制单元、重量监测单元和视觉监测单元构成，实现了茶叶温度的实时监测与控制、茶叶重量的实时监测与含水率计算以及图像的在线采集与处理。监测、控制与处理程序均用NI-LabVIEW 2015编写。

光纤探头检测到茶叶温度后，将温度信号在光纤主机中转换为0～5 V电压，并利用NI-DAQ插件将电压通过数据采集卡输入到程序中；再由程序中设置好的温度与电压换算公式将电压转换为实际温度值；然后程序中的PID控制器根据温度实际值与设定值的差值输出2～4 V电压，并通过数据采集卡传递给晶闸管作为输入电压；最后晶闸管将输入电压转换为微波炉的工作电压调节功率，从而实现对茶叶温度的控制，完成在线反馈调控。重量由电子秤在线监测并利用NI-VISA插件导入程序，实时计算含水率；工业相机在线采集杀青过程中的茶叶图像并导入计算机，利用NI-Vison插件对其实时处理。

图1 试验系统示意图

1.3 试验方法

1.3.1 样品制备

茶鲜叶先在室内摊放[温度(26℃±2)℃，相对湿度(70±5)%]1 h再进行杀青处理。试验时，在线监测其含水率，含水率每降1%取样1次，直至含水率降为55%。重复试验4次，共104个样品。

1.3.2 茶多酚和氨基酸检测

按照GB/T 8313—2018福林酚比色法检测茶多酚含量，GB/T 8314—2013茚三酮比色法检测氨基酸含量，重复检测3次求平均值。

1.3.3 特征提取

图像采集的过程中由于硬件和环境的原因，得到的图像会出现噪声。如表1所示，本研究对比多种滤波方法，其中均方误差（Mean-square error，MSE）越大表示滤波后图像的失真度越高；峰值信噪比（Peak signal-to-noise ratio，PSNR）越大表示滤波后图像的质量越好[13]。本研究依据MSE最小和PSNR最大选用自适应中值滤波对原图进行处理，滤波重建后进行特征提取，流程如图2所示。

色泽特征首先提取R、G、B像素均值，再计算L、a、b分量。红（R）、绿（G）、蓝（B）的取值范围均为[0,255]，所有颜色均可由这三分量叠加而成。Lab是一种基于生理特征与设备无关的颜色系统，L代表从黑到白，取值范围为[0,100]；a代表从红到绿，b表示从黄到蓝，取值范围均为[127,–128]，可由RGB分量计算得出[14]。

纹理特征提取是对物体表面的一种重要表达方法，可以定量地描述图像的纹理内容。本研究通过建立灰度共生矩阵，提取0°方向上，像素距离为10的6个Haralick纹理特征（包括差异性、熵、对比度、同质性、相关性、能量）。差异性代表局部纹理变化的多少；熵代表复杂程度和灰度分布的非均匀程度；对比度代表清晰度和纹理的沟纹深浅；同质性代表纹理局部的规则程度；相关性代表灰度线性关系；能量代表灰度分布的均匀程度和纹理的粗细程度[15-16]。

本研究综合色泽和纹理特征来预测茶叶的理化品质。特征提取与品质预测流程如图3所示。

1.4 数据处理与分析

1.4.1 特征降维

特征之间存在一定的相关性和信息冗余，会加大模型的计算量并导致过拟合现象，因此特征降维对提高模型的效率和准确率具有重要意义[17]。本研究采用SPSS 25.0进行主成分分析（Principal component analysis，PCA），通过特征分解、降维获得相互独立的虚拟主成分。

表1 不同滤波方法比较

图2 特征提取流程

图3 特征提取与品质预测流程

1.4.2 数据标准化

PCA得到的各主成分不属于同一数量级，需做标准化处理。本研究利用MATLAB 2020b对数据采用离差标准化（Min-Max normalization，Min-Max）处理，将其转换到同一数量级。

1.4.3 建模方法与性能评价

PCA得到的主成分采用Min-Max处理后结合ELM、GA-BP、CNN算法建立含水率、茶多酚和氨基酸含量的预测模型。以校正均方根误差（Root mean square error of calibration，）、校正集决定系数（R）、预测均方根误差（Root mean square error of prediction，）、预测集决定系数（R）作为模型的评价指标。和越低且相近，R、R越高，则稳定性越强、预测能力越好。

建模之前，104个样品按照2∶1的比例随机划分训练集和预测集，其中70个样品作为训练集，剩余34个样品作为预测集。以上模型分析均在MATLAB 2020b平台进行。

2 结果与分析

2.1 特征与品质含量变化

色泽特征成分在开始时有短暂的上升，随后各自呈规律性变化（图4）。如图4-A所示，R分量先升后降，是因为随着温度的升高，多酚氧化酶（PPO）活力增强，导致多酚类物质发生酶促反应生成茶色素，这也是茶多酚在前期急剧下降的原因；随着温度上升，PPO迅速失活，茶色素又因结构不稳定而遭到破坏，从而R分量逐渐下降[18]。同时，在升温过程中，低分子蛋白质和肽类化合物会发生酶促水解作用生成氨基酸，这是氨基酸含量在前期快速上升的原因[19]。G分量在反光现象后逐渐下降，是因为随着含水率的降低和叶温的升高，叶绿素发生了脱镁反应、氧化反应和水解反应[20]。B分量在反光现象后基本保持不变。如图4-B所示，L、|a|、b值同样先升后降，而峰值到达时间有所差异，这与滑金杰等[21]研究结果一致。

如图5-A所示，纹理特征的差异性先升后降，熵值先升后降，对比度先升后降。说明杀青前期，差异性增大，局部邻近区域表现出不同的灰度值，纹理清晰；而杀青后期，灰度值均匀性增加，沟纹不明显。如图5-B所示，能量、对比度和差异性有相同的变化趋势，存在一定的相关性。这与李晓斌等[22]研究一致。同质性先降后升；相关性先降后升；能量与熵的变化呈相反的趋势，能量先随含水率下降而下降，并在65%时达到最低值，然后又呈现上升的趋势。由此说明，杀青前期，能量较大，局部灰度值差异增大，图像趋于杂乱；到杀青后期，灰度值均匀性增加、差异性降低，同质性也相应上升。

2.2 相关性分析

2.2.1 特征间的相关性分析

如表2所示，部分色泽与纹理特征之间具有显著的相关性。说明在杀青过程中，部分特征有一致的变化趋势，与前文研究（图4、图5）一致。

注：A：RGB成分与品质变化；B：Lab分量与品质变化

注：A：对比度、差异性、熵与品质变化；B：能量、同质性、相关性与品质变化

表2 特征间的相关性

Note: RV: R value. GV: G value. BV: B value. LV: L value. AV: |a| value. DV: b value. DS: dissimilarity. ET: entropy. CT: contrast. HO: Homogeneity. CO: correlation. EN: energy. *represents significant correlation (<0.05), **represents highly significant correlation (<0.01)

2.2.2 特征与品质的相关性分析

如表3所示，除了B值和同质性，其余色泽与纹理特征与茶多酚均有显著的相关性；氨基酸与|a|值和纹理特征有显著的相关性；除了B值，其余特征与含水率均有显著的相关性，与前文研究（图4、图5）一致。

2.3 特征降维

由表2可知，部分色泽与纹理特征之间具有显著的相关性，为消除这些冗余信息，本研究对其进行PCA分析，得到各主成分贡献率如表4所示。前3个主成分贡献率累计为97.484%，能代表特征的绝大部分信息。因此，选择前3个主成分作为模型的输入变量。

2.4 模型的建立

2.4.1 ELM模型的建立

极限学习机是一种基于前馈神经网络（SLFN）构建的机器学习方法，克服了SLFN网络速度慢、容易陷入局部极小点以及对学习率的选择敏感等缺点。ELM模型只需随机产生输入层与隐含层之间的连接权值和隐含层神经元的阈值，无须调整，在训练过程中，只需设置隐含层个数，即可获得唯一的最优解[23]，目前已在回归预测[24]与分类识别[6]等领域取得了很好的应用效果。

本研究选择“Sigmoid”函数作为核函数，根据预测效果，隐含层个数设置为30。

2.4.2 GA-BP模型的建立

遗传算法（Genetic algorithms）是一种通过模拟自然进化过程在全局中搜索最优解的方法。针对BP神经网络训练速度慢，全局搜索能力差等缺点，将遗传算法与神经网络结合，根据遗传算法对神经网络的初始权值和阈值快速优化，再利用BP神经网络局部搜索能力强的特点搜索出最优解，克服了传统神经网络容易陷入局部极小的缺点[25]。目前该算法已在含量预测[26]与分类识别[27]等领域取得了良好的应用效果。

本研究选择“['tansig','purelin']”函数作为激活函数，“trainlm”函数作为训练函数。在繁殖过程中对于非最优个体，需进行交叉操作和变异操作；对于最优个体，只需直接复制进去下一代。根据预测效果，设置模型的参数：进化代数为25，种群规模为50，交叉概率为0.3，变异算子为0.1，隐含层个数为9，迭代次数为100，学习率为0.1，目标误差为0.000 1。

2.4.3 CNN模型的建立

卷积神经网络是一类包含卷积计算且具有深度结构的有监督式前馈神经网络，也是第一个真正意义上成功训练多层神经网络的学习算法，是深度学习的代表算法之一。其基本架构由输入层、卷积层、池化层、全连接层和输出层5部分组成，其中，连续的卷积、池化结构和全连接层构成了卷积神经网络的隐含层[28]。目前CNN模型已在回归预测[29]与分类判别[30]等领域具有很好的应用效果。

本研究选择“relu”函数作为激活函数，根据预测效果，设置16个大小为3×3的卷积核，全连接层神经元为300，输出层神经元为1，最大迭代次数为20，批量大小为20，学习率为0.01，梯度阈值为1。

表3 特征与品质的相关性

Note: RV: R value. GV: G value. BV: B value. LV: L value. AV: |a| value. DV: b value. DS: dissimilarity. ET: entropy. CT: contrast. HO: Homogeneity. CO: correlation. EN: energy. TP: tea polyphenols. AA: amino acids. MC: moisture content. *represents significant correlation (<0.05), **represents highly significant correlation (<0.01)

表4 主成分贡献率

2.5 品质预测与评价

2.5.1 茶多酚的预测与评价

3种模型对预测集样本茶多酚含量的预测值与实测值散点图如图6所示。从图中可以清晰的看出，以前3个主成分作为输入建立的模型中，GA-BP模型的散点最集中于中线，对茶多酚含量的预测精度最高，CNN模型次之，ELM模型的散点最偏离中线，预测精度最低。

3种模型对样本茶多酚含量的校正与预测精度均在0.97以上，精度较高。其中ELM模型相对于GA-BP、CNN模型预测性能较差，其校正精度较高，R为0.999 0，但其预测精度最低，R为0.976 3，且、分别为0.186 7、1.072 0，差值最大，最不稳定。CNN模型的预测性能较好，R为0.993 7，校正精度较低，预测精度R为0.986 7，高于ELM模型但低于GA-BP模型，预测精度适中；、分别为0.535 2、0.694 7，差值较小，比较稳定。GA-BP模型的预测性能最好，、分别为0.365 6、0.466 9，差值最小，最稳定；R、R分别为0.997 0、0.994 6，预测精度最高。因此，GA-BP模型更适用于对茶多酚含量的预测。

2.5.2 氨基酸的预测与评价

3种模型对预测集样本氨基酸含量的预测值与实测值散点图如图7所示。可以看出，以前3个主成分作为输入建立的模型中，CNN模型的散点最集中于中线，对氨基酸含量的预测精度最高，GA-BP模型次之，ELM模型的散点最偏离于中线，预测精度最低。

图6 3种模型对茶多酚含量的预测散点图

图7 3种模型对氨基酸含量的预测散点图

3种模型对样本氨基酸含量的校正与预测精度均在0.96以上，精度较高。其中，ELM模型的预测性能相对较差，其校正精度较高，R为0.999 2，但预测精度最低，R为0.969 0，且、分别为0.031 0、0.174 9，差值最大，最不稳定。GA-BP模型的预测性能较好，校正和预测精度适中，R和R分别为0.995 9、0.976 4，预测精度高于ELM模型但低于CNN模型；、分别为0.072 2、0.156 0，差值较小，比较稳定。CNN模型的预测性能最好，、分别为0.086 2、0.090 8，差值最小，最稳定；R、R分别为0.992 8、0.994 3，预测精度最高。因此，CNN模型更适用于对氨基酸含量的预测。

2.5.3 含水率的预测与评价

3种模型对预测集样本含水率的预测值与实测值散点图如图8所示。可以看出，以前3个主成分作为输入建立的模型中，ELM模型的散点最集中于中线，对含水率的预测精度最高，CNN模型次之，GA-BP模型的散点最偏离于中线，预测精度最低。

3种模型对样本含水率的校正与预测精度均在0.98以上，精度较高。其中，GA-BP模型的预测性能相对较差，R、R分别为0.993 7、0.981 9，预测精度最低，且、分别为0.578 9、1.151 2，差值最大，最不稳定。CNN模型的预测性能较好，校正精度较低，R为0.993 0，预测精度R为0.987 7，高于GA-BP模型但低于ELM模型，预测精度适中；、分别为0.678 9、0.915 6，差值较小，比较稳定。ELM模型的预测性能最好，、最低，分别为0.322 3、0.553 7，分别比GA-BP模型减小44.33%和51.9%，差值最小，最稳定；R、R分别为0.998 1、0.995 7，校正与预测精度最高。因此，ELM模型更适用于对含水率的预测。

3 结论

本研究以微波杀青过程中的茶叶为研究对象，利用机器视觉实时监测其色泽和纹理共12个特征，在线称重检测其含水率，同时检测其茶多酚和氨基酸含量，探讨了特征与品质的变化并分析其相关性，建立含水率、茶多酚和氨基酸含量的预测模型，提高了杀青过程中对茶叶品质特征成分的检测效率。

检测结果表明，R、G、B、L、|a|、b色泽特征均先升后降，而各分量峰值到达时间有所差异；纹理特征中对比度、差异性和熵先升后降，能量、同质性和相关性先降后升；茶多酚含量在含水率为77%～74%时下降速度最快，随后下降速度减缓，杀青结束后含量为16.58%；氨基酸含量在含水率为78%～72%时迅速升高，随后上升缓慢，杀青结束后含量为6.03%。相关性分析结果表明，色泽、纹理特征与含水率、茶多酚和氨基酸含量具有显著的相关性。

图8 3种模型对含水率的预测散点图

预测结果表明，对色泽、纹理做PCA分析后，以前3个主成分为输入建立的ELM、GA-BP、CNN模型对品质均有较好的预测效果。其中，ELM模型对含水率的预测精度最高，预测集决定系数R为0.995 7；GA-BP模型对茶多酚含量的预测精度最高，预测集决定系数R为0.994 6；CNN模型对氨基酸含量的预测精度最高，预测集决定系数R为0.994 3。

研究表明，利用机器视觉实时监测色泽和纹理特征可以有效地预测茶叶杀青过程中含水率、茶多酚和氨基酸含量，解决了传统检测方法周期长且过程复杂的问题，弥补了传统杀青效果判断主观性强、效率低等不足，该方法在快速检测茶叶品质和茶叶自动化加工研究方面具有很好的应用前景。

[1] 尹惠玲. 茶叶对人体的保健作用[J]. 饮食科学, 2017, 10(20): 109.

Yin H L. The health effect of tea on the human body [J]. Diet Science, 2017, 10(20): 109.

[2] 祁丹丹, 戴伟东, 谭俊峰, 等. 杀青方式对夏季绿茶化学成分及滋味品质的影响[J]. 茶叶科学, 2016, 36(1): 18-26.

Qi D D, Dai W D, Tan J F, et al. Study on the effects of the fixation methods on the chemical components and taste quality of summer green tea [J]. Journal of Tea Science, 2016, 36(1): 18-26.

[3] Patel K K, Kar A, Jha S N, et al. Machine vision system: a tool for quality inspection of food and agricultural products [J]. Journal of Food Science & Technology, 2012, 49(2): 123-141.

[4] Aghbashlo M, Hosseinpour S, Ghasemi-Varnamkhasti M. Computer vision technology for real-time food quality assurance during drying process [J]. Trends in Food Science & Technology, 2014, 39(1): 76-84.

[5] Zhu L, Spachos P, Pensini E, et al. Deep learning and machine vision for food processing: a survey [J]. Current Research in Food Science, 2021, 4(3): 233-249.

[6] 李颀, 王康, 强华, 等. 基于颜色和纹理特征的异常玉米种穗分类识别方法[J]. 江苏农业学报, 2020, 36(1): 24-31.

Li Q, Wang K, Qiang H, et al. Classification and recognition method of abnormal corn ears based on color and texture features [J]. Jiangsu Journal of Agricultural Sciences, 2020, 36(1): 24-31.

[7] Golpour I, Chayjan R A, Parian J A, et al. Prediction of paddy moisture content during thin layer drying using machine vision and artificial neural networks [J]. Journal of Agricultural Science & Technology, 2018, 17(2): 287-298.

[8] Laddi A, Prakash N R, Sharma S, et al. Significant physical attributes affecting quality of Indian black (CTC) tea [J]. Journal of Food Engineering, 2012, 113(1): 69-78.

[9] 汤哲, 江才华, 张立, 等. 基于纹理分析的茶青在线分类[J]. 高技术通讯, 2014, 24(6): 651-656.

Tang Z, Jiang C H, Zhang L, et al. Online classification of tea greens based on texture analysis [J]. Chinese High Technology Letters, 2014, 24(6): 651-656.

[10] Pereira L S, Barbon S, Valous N A, et al. Predicting the ripening of papaya fruit with digital imaging and random forests [J]. Computers and Electronics in Agriculture, 2018, 145(1): 76-82.

[11] 徐海霞. 基于机器视觉和电子鼻技术的菠菜新鲜度无损检测研究[D]. 镇江: 江苏大学, 2016.

Xu H X. Study on Nondestructive detection of freshness of post-harvest spinach based on machine vision and electronic nose [D]. Zhenjiang: Jiangsu University, 2016.

[12] Zhu H, Yang Y, He H, et al. Evaluation of green tea sensory quality via process characteristics and image information [J]. Food and Bioproducts Processing, 2017, 102(4): 116-122.

[13] 刘勍, 温志贤, 杨筱平, 等. 现代数字图像噪声滤除技术及其评价[J]. 自动化与仪器仪表, 2012, 3(2): 146-148.

Liu Q, Wen Z X, Yang X P, et al. Modern digital image noise filtering technology and its evaluation [J]. Automation & Instrumentation, 2012, 3(2): 146-148.

[14] Shahabi M, Rafiee S, Mohtasebi S S, et al. Image analysis and green tea color change kinetics during thin-layer drying [J]. Food Science and Technology International, 2013, 20(6): 465-76.

[15] 叶鹏, 王永芳, 夏雨蒙, 等. 一种融合深度基于灰度共生矩阵的感知模型[J]. 计算机科学, 2019, 46(3): 92-96.

Ye P, Wang Y F, Xia Y M, et al. Perceptual model based on GLCM combined with depth [J]. Computer Science, 2019, 46(3): 92-96.

[16] 党满意, 孟庆魁, 谷芳, 等. 基于机器视觉的马铃薯晚疫病快速识别[J]. 农业工程学报, 2020, 36(2): 193-200.

Dang M Y, Meng Q K, Gu F, et al. Rapid recognition of potato late blight based on machine vision [J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(2): 193-200.

[17] Dong C, Zhu H, Wang J, et al. Prediction of black tea fermentation quality indices using NIRS and nonlinear tools [J]. Food Science and Biotechnology, 2017, 26(4): 853-860.

[18] Gao Z J, Liu J B, Xiao X G. Purification and characterisation of polyphenol oxidase from leaves ofL. [J]. Food Chemistry, 2011, 129(3): 1012-1018.

[19] 马思蕊, 康玉梅, 田晓静. 茶叶氨基酸的影响因素与检测方法研究进展[J]. 农产品加工, 2019, 489(19): 61-63.

Ma S R, Kang Y M, Tian X J. Research progress on influencing factors and detection methods of amino acids in tea [J]. Farm Products Processing, 2019, 489(19): 61-63.

[20] 莫婷, 张婉璐, 李平. 茶叶加工中品质关键组分的变化与调控机制[J]. 中国食品学报, 2011, 11(9): 176-180.

Mo T, Zhang W L, Li P. The change and regulation mechanism of key components during tea processing [J]. Journal of Chinese Institute of Food Science and Technology, 2011, 11(9): 176-180.

[21] 滑金杰, 袁海波, 王近近, 等. 微波杀青对茶在制品物理特性影响的初探[J]. 茶叶科学, 2017, 37(5): 476-482.

Hua J J, Yuan H B, Wang J J, et al. Effect of microwave fixation on the physical characteristics of tea fresh leaves [J]. Journal of Tea Science, 2017, 37(5): 476-482.

[22] 李晓斌, 郭玉明, 付丽红. 应用纹理分析方法在线监测苹果冻干含水率[J]. 农业工程学报, 2012, 28(21): 229-235.

Li X B, Guo Y M, Fu L H. On-line monitoring of moisture ratio for apple during vacuum freeze-drying based on image texture analysis [J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(21): 229-235.

[23] Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: theory and applications [J]. Neurocomputing, 2006, 70(1/3): 489-501.

[24] 张海东, 李贵荣, 李若诚, 等. 近红外光谱结合极限学习机和GA-PLS算法检测普洱茶茶多酚含量[J]. 激光与光电子学进展, 2013, 50(4): 180-186.

Zhang H D, Li G R, Li R C, et al. Determination of tea polyphenols content in Puerh tea using near infrared spectroscopy combined with extreme learning machine and GA-PLS algorithm [J]. Laser & Optoelectronics Progress, 2013, 50(4): 180-186.

[25] 陈远玲, 王肖, 孙英杰, 等. 基于GA-BP神经网络的甘蔗收获质量预测[J]. 农机化研究, 2022, 44(2): 187-191.

Chen Y L, Wang X, Sun Y J, et al. Sugarcane harvest quality prediction based on GA-BP neural network [J]. Journal of Agricultural Mechanization Research, 2022, 44(2): 187-191.

[26] 邱丽媛, 梁泽华, 吴鑫雨, 等. 基于模式识别和遗传神经网络算法的醋香附近红外光谱等级评价和含量预测模型研究[J]. 中草药, 2021, 52(13): 3818-3830.

Qiu L Y, Liang Z H, Wu X Y, et al. Study on near infrared spectrum grade evaluation and content prediction model of vinegar-processed Cyperi Rhizoma based on pattern recognition and GA-BPNN [J]. Chinese Traditional and Herbal Drugs, 2021, 52(13): 3818-3830.

[27] 汪建, 杜世平. 基于颜色和形状的茶叶计算机识别研究[J]. 茶叶科学, 2008, 28(6): 420-424.

Wang J, Du S P. Identification investigation of tea based on HSI color space and figure [J]. Journal of Tea Science, 2008, 28(6): 420-424.

[28] 周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[J]. 计算机学报, 2017, 40(6): 1229-1251.

Zhou F Y, Jin L P, Dong J. Review of convolutional neural network [J]. Chinese Journal of Computers, 2017, 40(6): 1229-1251.

[29] 李英超. 基于卷积神经网络的电力市场电价预测[J]. 机械设计与制造工程, 2021, 50(1): 101-104.

Li Y C. The electricity market price forecast based on the convolutional neural network [J]. Machine Design and Manufacturing Engineering, 2021, 50(1): 101-104.

[30] 杜剑, 胡炳樑, 刘永征, 等. 基于卷积神经网络与光谱特征的夏威夷果品质鉴定研究[J]. 光谱学与光谱分析, 2018, 38(5): 1514-1519.

Du J, Hu B L, Liu Y Z, et al. Study on quality identification of macadamia nut based on convolutional neural networks and spectral features [J]. Spectroscopy and Spectral Analysis, 2018, 38(5): 1514-1519.

Study on the Tea Quality Changes and Predictions during the Microwave Fixation Process by Machine Vision

WU Xin1,3, SONG Feihu1, PEI Yongsheng1, ZHU Guanyu1, JIANG Lebing1, NING Wenkai1,3, LI Zhenfeng1*, LIU Benying2*

1. School of Mechanical Engineering, Jiangsu Key Laboratory of Advanced Food Manufacturing Equipment and Technology, Jiangnan University, Wuxi 214122, China; 2. Tea Research Institute, Yunnan Academy of Agricultural Sciences, Menghai 666201, China; 3. Changzhou Table Sensing Technology Co., Ltd, Changzhou 213000, China

Tea polyphenol, amino acid and moisture contents are important indicators of tea quality. Traditional detection methods have long cycles and complex processes. In this paper, machine vision was used to monitor the color and texture of tea leaves in real time during the microwave fixation process. The moisture content was detected online and the tea polyphenol and amino acid contents were also measured. The results show that the color, texture features and moisture content, tea polyphenol, amino acid contents all showed regular changes during the fixation process and had significant correlations. The principal component analysis was used to analyze the color and texture features and the first 3 principal components were taken to establish extreme learning machine (ELM), genetic neural network (GA-BP), and convolutional neural network (CNN) models to predict the quality. The results show that ELM, GA-BP and CNN models were more suitable for the prediction of moisture, tea polyphenol and amino acid contents, respectively, and their accuracies were all above 0.99. The research results show that it is feasible to predict the moisture, tea polyphenol and amino acid contents during the fixation process by monitoring the color and texture features of tea in real time.

machine vision, microwave fixation, tea polyphenols, amino acids, moisture content, prediction model

S571.1

A

1000-369X(2021)06-854-11

2021-06-22

2021-10-14

国家自然科学基金（51508229）、江苏省普通高校自然科学研究计划项目（KYCX19_1862）、云南省茶学重点实验室开放基金（2021YNCX004）

吴鑫，男，硕士研究生，主要从事茶叶加工与质量控制研究。*通信作者：1736691239@qq.com；liusuntao@126.com

（责任编辑：赵锋）