摘 要

本课题意在设计一个基于机器视觉的鲜茶新叶识别软件，以鲜茶新叶和大叶老叶作为研究对象，在 HALCON 平台上对拍摄出的图像进行处理，根据大小、形状、颜色进行识别。

一共采集新老叶片84枚，鲜茶鲜叶27枚大叶老叶57枚作为样本。在拍摄距离拍摄条件相同的情况下拍摄采集图像,利用 HALCON程序来分割图像，然后用HALCON软件提取特征值进行识别程序编写。从研究结果显示，用大小特征值识别准确率为100%，用形状特征值识别准确率为87%，用颜色特征值峰值peak识别准确率为94%。通过对采集的图像新老叶片的特征进行分类识别，可以成功的识别鲜茶新叶。大大提高了鲜茶新叶的自动化程度，提高了工作效率。

关键词：鲜茶新叶识别；机器视觉；颜色识别；特征值

Machine vision-based classification of new leaf and fresh tea leaves

Abstract

This paper is intended to design a machine vision-based recognition software fresh tea leaves to fresh tea leaves and large leaf old leaves as the research object, the HALCON image capture platform for processing, depending on the size, shape, color recognition.

A total collection of old and new blade 84, fresh tea leaves 27 large leaves old leaves 57 as a sample. At the same shooting distance shooting conditions to capture images shot using HALCON image segmentation program, then extract characteristic values HALCON software to identify programming. The results from the study showed that the size of the feature value for identification accuracy rate of 100%, the shape characteristic value recognition accuracy was 87%, with peak values of the color characteristic peak recognition accuracy was 94%. Through the acquisition of images of old and new blade features classification, can successfully identify the fresh tea leaves. Greatly improve the automation of fresh tea leaves, improve work efficiency.

Keywords: fresh tea leaves identification; machine vision; color recognition; eigenvalues

目 录

摘要 I

Abstract II

1 绪论 1

1.1 茶叶行业市场及采摘概况 1

1.2 茶叶分类识别 1

1.3 机器视觉检测的相关运用 3

1.4 研究内容和技术 6

2 图像处理基本知识及HALCON软件 8

2.1 图像的概念 8

2.2 图像获取 8

2.3 图像处理基本原理 8

2.4图像增强 8

2.5图像的分割与特征提取 9

2.5.1图像的分割 9

2.5.2图像的预处理 9

2.5.3图像的特征 10

2.5.4图像的特征提取 10

2.6图像的识别 11

2.7 HALCON 图像处理软件 11

2.7.1HALCON 简介 11

2.7.2HALCON 特点 12

3 茶树叶图像的采集和分割 13

3.1 图像的采集 14

3.2 图像分割 16

4 图像的分析识别 22

4.1观察分析 22

4.2 图像数据分析 23

4.3图像识别 26

4.3.1大小特征识别 26

4.3.2形状特征识别 28

4.3.3颜色特征识别 31

结论 40

致谢 42

参考文献 43

附录 45

1 绪论

1.1茶叶行业市场及采摘概况

茶叶是我国传统的农产品之一,茶叶的种植、加工以及出口都具有很悠久的历史。茶叶产品出口也是我国出口创汇的主要产品。2010年时,世界茶叶生产总量为406.7万吨,我国出口茶叶30.24万吨,以145万吨的总产量位居世界第一位,出口茶叶30.24万吨,仅次于肯尼亚,排名世界第二位。作为长期的茶叶生产以及茶出口大国,中国茶叶的自然资源禀赋优势还有传统技术优势在一定的历史时期中都起着非常重要的作用。^[1]

目前主要的采摘方法是人工手采，效率低下，费用高昂，且在采茶的高峰时期务工难的现象时有发生,使用机械采摘代替人工手采虽然能加快采摘效率，缓解劳动力不足，但是该方法一方面缺乏选择性，会把老叶嫩叶嫩芽一起采，另一方面，部分茶叶的嫩叶和嫩芽遭到了破坏，降低了茶叶的采摘品质。因此，需要研制出一种高效、具有选择性、低损伤率的自动采摘识别来实现茶叶的标准化规模生产。^[2]

1.2茶叶分类识别

茶树栽培和品种研究有利于茶树优良品种的保护。针对不同茶树品种间的鲜茶新叶图像,主要从图像中获取与预处理、特征提取以及筛选、多种分类器分类识别等各方面作系统研究,提出了一种快速准确识别茶树品种的新方法。（1）详细介绍10种茶树品种鲜茶叶图像样本采集的过程,并利用B通道灰度化、Otsu法分割背景、数学形态学处理等各种方法,清除指定区域外的信息,对原始目标图像来进行了预处理。（2）研究鲜茶叶图像颜色、形态、纹理特征的提取方法,并首次将多重分形特征来应用于鲜茶叶图像识别。来提取颜色、形态、纹理及分形一共四种类型特征,共计46个特征。通过对所有特征来进行单因素方差分析及相关性分析,来发现所选特征对茶叶类别会有显著影响,但部分特征之间会存在关联。利用多轮末尾淘汰法来进行特征因子汰选,筛选得到了包括颜色、形态、纹理和分形四种类型的27个特征。3.针对每一类特征和四类特征的所有组合,分别用SVMKM、k近邻、随机森林、贝叶斯、极限学习机、Fisher六种分类器来训练建模,并比较各模型中的预测精度。结果表明,SVMKM及随机森林以所有中四类特征建模,10折交叉来验证,独立预测分类精度最高,能达到91%。表明本文所提出的方法能很有效识别茶叶所属的品种。^[3]用人工神经网络技术来对鲜茶叶进行分类鲜茶新叶进行分类的“智能鲜茶叶分选机”。利用茶叶图像的面积、周长、短轴长度、等二阶距椭圆长等几何特征及图像的对比度、平滑度等纹理特征来进行BP网络的训练则可以将茶叶分类,并可获得较好的茶叶分类效果。把智能鲜茶叶分选机的分选工作放在一个旋转水平圆盘上完成,摄像机能采集到圆盘上的茶叶图像,用计算机神经网络图像分析程序来对茶叶进行种类识别,并把计算结果通知分选机的执行装置来完成分类。试验表明,这种鲜茶叶分选机来分类的正确率可达到90%。^[4]采集来自试验基地鲜茶叶的近红外光谱数据,来结合茶叶中的氨基酸、茶多酚含量差异呈现出来的不同光谱特性,应用近红外光谱技术在线来对鲜茶叶的品质进行检测,还利用多元线性回归、最小二乘法来建立了茶多酚和氨基酸的校正模型。所以结果表明:用最小二乘法检测的精度更高,氨基酸和茶多酚测量模型的真实值与预测值的决定系数R²分别得到0.92与0.94,相对误差平均值是1.60%与2.99%。^[5]国外也有相类似研究，介绍了机器视觉检测系统,使用归纳学习法。系统采用是RULES-3归纳学习算法来提取必要的规则集及模板匹配技术来处理图像。用二十3×3面具来表示一幅图像。每个例子中包括20频率的面具。系统测试了五个不同类型的茶或水杯子为区分好的和坏的物品。结果系统被训练使用五杯好,然后检测出113看不见的例子。获得的结果是显示系统的高性能:正确分类的效率系统中看不见的例子是100%。该系统可以决定什么类型的杯子会被处理。^[6]椭圆傅里叶(EF)和判别分析用来确定年轻大豆(大豆(l)美林)、向日葵向日葵、短小,世界性反枝苋(落叶)植物,根据叶子形状。链编码,椭圆傅里叶谐波函数成基于叶边界。叶子形状复杂性指数计算使用连续EF功能之间差异。主成分分析是用于选择最好傅里叶系数歧视性的权力。典型判别分析用于开发物种识别模型基叶形状从植物中提取彩色图像在第二、第三周后萌发。分类结果表明,植物物种在第三周成功与平均正确分类率为89.4%。判别模型平均正确分类:世界性的77.9%,93.8%的向日葵,89.4%的和96.5%的大豆。使用所有的叶子从第二和第三周,总体分类精度为89.2%。判别模型的分类正确世界性的76.4%,93.6%的向日葵,的81.6%,93.6%的大豆叶片中提取的有三小叶的和90.9%的大豆树叶。椭圆傅里叶形状特征分析可能是一个重要的和准确的工具对杂草物种识别和映射。^[7]无花果是一个园艺产品采后阶段需要排序的销售。在这项研究中,基于机器视觉的分级系统是为分级开发无花果。系统硬件组成的给料机、皮带输送机、CCD摄像头、照明系统和分离单元。三种质量指标,即颜色、大小和分裂的大小,首先由fig-processing专家分为五类。然后,无花果的图像样本使用了机器视觉系统。首先,在每个图像像素的长度和纵向重心的坐标图像素提取计算喷嘴喷射时间。每个类中提取的三个质量指标的,机器视觉算法。该算法确定颜色强度和每个图的直径作为其颜色和大小的指标,分别。首先计算分割区域,图像通过使用颜色强度的关键区别的分割和其他水果为了确定的面积分割部分。分级算法也在Lab-VIEW编码基于其质量指标的排序无花果的图像处理算法提取到五个定性的成绩。分级算法,这些特性的值与预定的阈值由一个专家。结果表明,开发的系统改善了所有类的分类精度高达95.2%。系统的平均率为90 kg / h为处理和分级无花果。^[8]

1.3 机器视觉检测的相关运用