利用高光譜圖像技術(shù)鑒別廬山云霧茶產(chǎn)地

艾施榮，吳瑞梅，吳彥紅，嚴(yán)霖元

(1.同濟(jì)大學(xué) 軟件學(xué)院，上海 200096;2.江西農(nóng)業(yè)大學(xué) 軟件學(xué)院，江西 南昌 330045;3.江西農(nóng)業(yè)大學(xué) 工學(xué)院，江西 南昌 330045)

廬山云霧茶原產(chǎn)地為江西廬山，是綠茶中的精品，以“味醇、色秀、香馨、液清”而久負(fù)盛名。但目前廬山云霧茶的狀態(tài)是產(chǎn)品魚目混珠、假冒偽劣、以次充好、售價(jià)混亂，導(dǎo)致廬山云霧茶在茶業(yè)界的地位逐漸下降，如2008年廬山云霧茶落選中國(guó)十大名茶，2010年又錯(cuò)失“世博十大名茶”之稱。長(zhǎng)期以來(lái)，茶葉品質(zhì)鑒別主要有感官評(píng)判和理化分析方法。感官審評(píng)方法相對(duì)簡(jiǎn)單，能對(duì)茶葉的品質(zhì)特征進(jìn)行鑒別和描述，但感官審評(píng)結(jié)果取決于評(píng)茶員的經(jīng)驗(yàn)，主觀性強(qiáng)，一致性差，不利于茶葉流通過(guò)程中的快速鑒別。理化分析方法是一種化學(xué)檢測(cè)手段，檢測(cè)步驟繁瑣、耗時(shí)長(zhǎng)、費(fèi)用高。因此，為便于規(guī)范廬山云霧茶市場(chǎng)秩序，重新打造其名優(yōu)茶品牌，有必要建立一種快速、準(zhǔn)確的廬山云霧茶產(chǎn)地溯源技術(shù)。

茶葉產(chǎn)地鑒別的研究多集中在近紅外光譜技術(shù)［1－2］、電子鼻和電子舌技術(shù)［3］、X 射線技術(shù)［4］。近紅外光譜技術(shù)、電子鼻和電子舌技術(shù)通過(guò)獲取茶葉的內(nèi)部成分特征來(lái)鑒別其產(chǎn)地，X射線技術(shù)是通過(guò)獲取茶葉的外部品質(zhì)特征來(lái)鑒別其產(chǎn)地。不同產(chǎn)地茶葉，其內(nèi)部和外部品質(zhì)特征都會(huì)存在細(xì)微差異，利用以上技術(shù)鑒別其產(chǎn)地會(huì)失去茶葉的部分特征信息。高光譜圖像技術(shù)是一種既能獲取待測(cè)物的外部信息又可獲取其內(nèi)部信息的快速無(wú)損檢測(cè)技術(shù)［5－8］，利用高光譜圖像技術(shù)可同時(shí)獲取茶葉的外部形狀特征又可獲取其內(nèi)部成分特征，可大大提高檢測(cè)的準(zhǔn)確度。陳全勝等［9－10］利用高光譜圖像技術(shù)快速鑒別茶葉等級(jí)，提取了基于灰度矩的6個(gè)紋理特征，建立了茶葉的快速鑒別模型，模型預(yù)測(cè)識(shí)別率達(dá)到94%。吳瑞梅等［11］利用高光譜圖像技術(shù)量化分析茶葉的外形感官品質(zhì)。本文針對(duì)地理標(biāo)志廬山云霧茶和廣西、四川、福建產(chǎn)云霧茶，采用高光譜成像技術(shù)分別獲取4個(gè)產(chǎn)地的高光譜數(shù)據(jù)，分別利用基于灰度矩法和灰度共生矩陣法提取特征圖像的紋理特征，結(jié)合BP神經(jīng)網(wǎng)絡(luò)技術(shù)，研究快速鑒別云霧茶產(chǎn)地的方法。

1 試驗(yàn)材料與方法

1.1 儀器設(shè)備

試驗(yàn)采用基于成像光譜儀的高光譜圖像系統(tǒng)采集高光譜圖像，由CMOS相機(jī)(BCi4－U－M－20－LP，vector international，belgium)、光纖鹵素?zé)粝到y(tǒng)(Fiber－Lite DC950 Illuminator，dolan－jenner industries Inc，MA，USA)、高光譜攝像機(jī)(ImSpector，V10E，specim spectral image Ltd.，Oulu，F(xiàn)inland)、移動(dòng)平臺(tái)輸送裝置(Zolix，SC30021A，北京)等部件組成。光譜儀的測(cè)量光譜范圍為400～1050 nm，分辨率為2.8 nm，平均間隔為1.22 nm。高光譜數(shù)據(jù)分析采用ENVI4.6(ITT，USA)和Math Works(Natick，USA)完成。

1.2 樣本來(lái)源及圖像獲取

試驗(yàn)材料采用江西九江市場(chǎng)收集不同產(chǎn)地(江西廬山、福建、廣西、四川等)云霧茶樣本，其中江西廬山是廬山云霧茶的產(chǎn)地標(biāo)志，每個(gè)產(chǎn)地30個(gè)樣本，共120個(gè)樣本。

圖像采集在暗室環(huán)境中進(jìn)行，以減少其他光照影響。對(duì)每個(gè)樣本，分別稱取(10±0.5)g茶葉，將茶葉均勻平鋪到自制正方體盒子中(6 cm×6 cm×1 cm)，盒子里面貼上黑色襯底防止反光。調(diào)整攝像機(jī)曝光時(shí)間為30 ms，以確保采集過(guò)程中圖像清晰不失真，輸送裝置線速度為1.25mm/s，以避免圖像尺寸失真。共采集到512個(gè)波長(zhǎng)下的圖像，每個(gè)波長(zhǎng)下的圖像分辨率為500×1280，則每個(gè)樣本獲得500×1280×512的高光譜圖像數(shù)據(jù)塊。

1.3 高光譜圖像標(biāo)定

高光譜圖像在采集過(guò)程中，因攝像頭傳感器中存在暗電流以及各波段下的光源強(qiáng)度分布不均勻，會(huì)使高光譜圖像數(shù)據(jù)存在較大噪音，不同波長(zhǎng)下的圖像亮度值也存在較大差異。在數(shù)據(jù)分析前，需對(duì)茶葉高光譜圖像進(jìn)行標(biāo)定，標(biāo)定過(guò)程如下［11］:在設(shè)定的圖像采集參數(shù)條件下，采集標(biāo)準(zhǔn)白色校正板(99%光照反射的白板)的標(biāo)定圖像(W);隨后，關(guān)閉攝像機(jī)快門，采集全黑的標(biāo)定圖像(B);再按公式(1)對(duì)高光譜圖像數(shù)據(jù)進(jìn)行標(biāo)定校正，將采集的絕對(duì)圖像(I)轉(zhuǎn)換成相對(duì)圖像R。

(1)式中，R為標(biāo)定后的高光譜圖像，I為原始高光譜圖像，B為全黑標(biāo)定圖像，W為全白標(biāo)定圖像。

2 結(jié)果與討論

圖1為4個(gè)產(chǎn)地茶樣在400～1050 nm內(nèi)的光譜曲線，由圖可看出，4種產(chǎn)地云霧茶在450 nm以上的光譜曲線存在差異，在450 nm以下波段有明顯尖峰噪音。選擇450～1050 nm，共464個(gè)波數(shù)點(diǎn)的高光譜圖像數(shù)據(jù)進(jìn)行研究。

2.1 特征波段的選取

采集的高光譜圖像數(shù)據(jù)塊比二維圖像和一維光譜信息的數(shù)據(jù)量大，且相鄰波段下的兩幅圖像之間相關(guān)性較強(qiáng)。在數(shù)據(jù)分析前，利用ENVI軟件截取450～1050 nm波段下的高光譜圖像數(shù)據(jù)，共提取464張圖像，每張圖像大小為500×500，得到一個(gè)500×500×464 的三維數(shù)據(jù)塊，再用主成分分析法(principal component analysis，PCA)在此三維數(shù)據(jù)塊中優(yōu)選高光譜圖像的特征波長(zhǎng)。將4種產(chǎn)地云霧茶的原始高光譜圖像經(jīng)主成分分析后，得到前4個(gè)主成分圖像PC1、PC2、PC3和 PC4(圖2)。圖中 PC1圖像最接近真實(shí)圖像，且該主成分圖像的方差貢獻(xiàn)率占所有原始圖像信息的93.13%，能解釋原始高光譜圖像的大部分信息，而從PC2圖像開始出現(xiàn)噪音信息。因此根據(jù)PC1圖像來(lái)尋找特征波段圖像。

圖1 廬山、福建、四川、廣西4個(gè)產(chǎn)地茶葉高光譜圖像在不同區(qū)域的光譜曲線Fig.1 The hyper－spectral curves of teas from Lushan，F(xiàn)ujian，Sichuan and Guangxi regions

圖2 由主成分分析獲取的前4個(gè)主成分圖像Fig.2 The first four principle component images by PCA

各個(gè)主成分圖像是由原始高光譜圖像數(shù)據(jù)中所有波段下的圖像經(jīng)線性組合而形成的新圖像:

(2)式中，PCm為第m個(gè)主成分圖像，αi為該主成分的權(quán)重系數(shù)，Ii為第i個(gè)波段下的原始圖像。在該線性組合中，絕對(duì)值最大的權(quán)重系數(shù)αi所對(duì)應(yīng)波長(zhǎng)下的圖像貢獻(xiàn)也大，則該波段下的圖像為特征圖像［9］。在 PC1 圖像的 464 個(gè)權(quán)重系數(shù)中，792.20，831.47，870.97 nm 波長(zhǎng)處的權(quán)重系數(shù)最大，選擇此3個(gè)波長(zhǎng)為特征波長(zhǎng)。利用ENVI軟件，提取這些波長(zhǎng)下的特征圖像，見圖3所示。

2.2 特征提取

從圖3可看出，廬山、廣西和四川產(chǎn)云霧茶的外形很相似，而福建產(chǎn)地云霧茶的外形與其他3個(gè)產(chǎn)地差異較大，可通過(guò)提取茶葉的紋理特征來(lái)鑒別其產(chǎn)地。利用基于灰度統(tǒng)計(jì)方法中的灰度直方圖和灰度共生矩陣法提取特征圖像的紋理特征。隨機(jī)截取每個(gè)特征波段圖像中的300×300像素區(qū)域，采用灰度統(tǒng)計(jì)矩法提取茶葉的平均灰度值(m)、標(biāo)準(zhǔn)差(δ)、平滑度(R)、三階矩(μ3)、一致性(U)和熵(e)，共6個(gè)紋理特征參數(shù)值，各參數(shù)的計(jì)算公式參照文獻(xiàn)［12］。3個(gè)特征波長(zhǎng)下共提取了18個(gè)基于灰度統(tǒng)計(jì)矩的紋理特征變量。

灰度共生矩陣反映了圖像灰度在方向、相距間隔、在相距間隔上變化幅度的綜合信息。在基于灰度共生矩陣法提取的紋理特征參數(shù)中，同質(zhì)性、慣性矩、相關(guān)性和能量是最重要的4個(gè)紋理特征［13］，這些特征參數(shù)值跟相鄰兩點(diǎn)間的距離和角度有關(guān)。同樣隨機(jī)截取每個(gè)特征波段圖像中的300×300像素區(qū)域，設(shè)定相鄰間距為1，分別在0°、45°、90°和 135°方向上，共提取 16 個(gè)特征參數(shù)值:0°同質(zhì)性、0°慣性矩、0°相關(guān)性、0°能量;45°同質(zhì)性、45°慣性矩、45°相關(guān)性、45°能量;90°同質(zhì)性、90°慣性矩、90°相關(guān)性、90°能量;135°同質(zhì)性、135°慣性矩、135°相關(guān)性、135°能量，計(jì)算公式參照文獻(xiàn)［13］，3 個(gè)特征波長(zhǎng)下共提取48個(gè)基于灰度共生矩陣的紋理特征參數(shù)。這樣每個(gè)茶樣共提取66個(gè)紋理特征變量。

圖3 由主成分分析法提取的3個(gè)特征波長(zhǎng)下的4個(gè)產(chǎn)地茶葉灰度圖像Fig.3 Gray images of Lushan，Guangxi，Sichuan and Fujian teas from three feature wavelengths extracted by PCA

2.3 模型建立與結(jié)果

從每種產(chǎn)地茶樣中隨機(jī)選20個(gè)作為校正集，剩余10個(gè)為預(yù)測(cè)集，則有80個(gè)茶樣進(jìn)行訓(xùn)練建立識(shí)別模型，40個(gè)茶樣用來(lái)驗(yàn)證模型性能。選用BP神經(jīng)網(wǎng)絡(luò)方法建立識(shí)別模型，網(wǎng)絡(luò)模型的參數(shù)設(shè)計(jì)為:模型的作用函數(shù)為Sigmoid型函數(shù)，初始權(quán)重為0.3，權(quán)重修正動(dòng)量為0.1，學(xué)習(xí)速率為0.1，目標(biāo)誤差為0.001，最大訓(xùn)練次數(shù)為2000。

圖4 不同主成分?jǐn)?shù)下訓(xùn)練集和預(yù)測(cè)集的識(shí)別結(jié)果Fig.4 Discrimination results in training set and prediction set with different PCs

由于從每個(gè)茶樣提取的特征變量之間存在一定的相關(guān)性，采用主成分分析法消除各變量間的冗余信息，該網(wǎng)絡(luò)模型的輸入層單元數(shù)為特征變量個(gè)數(shù)。現(xiàn)有研究表明［14－15］，用于訓(xùn)練網(wǎng)絡(luò)模型的主成分?jǐn)?shù)對(duì)網(wǎng)絡(luò)模型的穩(wěn)定性影響很大，需優(yōu)化出最佳主成分?jǐn)?shù)。圖4為采用不同主成分?jǐn)?shù)作為網(wǎng)絡(luò)模型的輸入時(shí)網(wǎng)絡(luò)模型的訓(xùn)練和預(yù)測(cè)結(jié)果，圖中顯示，隨著主成分?jǐn)?shù)的增加，訓(xùn)練集和預(yù)測(cè)集中的識(shí)別率越來(lái)越高，當(dāng)主成分?jǐn)?shù)為8時(shí)，模型識(shí)別率變化不大，主成分?jǐn)?shù)繼續(xù)增大，模型識(shí)別率反而降低。前8個(gè)主成分的累計(jì)方差貢獻(xiàn)率達(dá)到98.45%，解釋了所有變量的絕大部分信息。因此，選用前8個(gè)主成分?jǐn)?shù)作為網(wǎng)絡(luò)模型的輸入變量，最終網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為8－8－1。

表1和表2是主成分?jǐn)?shù)為8時(shí)，網(wǎng)絡(luò)模型對(duì)各產(chǎn)地樣本的回判和預(yù)測(cè)結(jié)果。從表1可知，模型訓(xùn)練時(shí)，1個(gè)廬山產(chǎn)云霧茶錯(cuò)判為四川產(chǎn)地，1個(gè)廣西產(chǎn)云霧茶錯(cuò)判為廬山產(chǎn)地，總體回判率為97.5%。從表2可知，1個(gè)廬山產(chǎn)云霧茶錯(cuò)判為四川產(chǎn)地，1個(gè)廬山產(chǎn)地錯(cuò)判為廣西產(chǎn)地，1個(gè)廣西產(chǎn)地錯(cuò)判為四川產(chǎn)地，總體回判率為95%。說(shuō)明該模型對(duì)廬山云霧茶產(chǎn)地鑒別是可行的。從圖3可看出，廬山、四川和廣西3個(gè)產(chǎn)地的云霧茶紋理較接近，分析表1和表2結(jié)果也得出是廬山、四川和廣西3個(gè)產(chǎn)地的茶樣之間錯(cuò)判，這主要是由于這3個(gè)產(chǎn)地云霧茶的外形差異較小，造成錯(cuò)判現(xiàn)象。

表1 訓(xùn)練集中4個(gè)產(chǎn)地云霧茶的差別結(jié)果Tab.1 Discriminating results of four origins of tea in training set

表2 預(yù)測(cè)集中4個(gè)產(chǎn)地云霧茶的差別結(jié)果Tab.2 Discriminating results of four origins of tea in prediction set

3 結(jié)論

各種名優(yōu)茶的偽品茶的外形與真品相似，普通消費(fèi)者難以識(shí)別。本文探討了基于高光譜圖像技術(shù)的地理標(biāo)記廬山云霧茶和廣西、四川、福建其他3個(gè)產(chǎn)地云的快速無(wú)損鑒別方法，利用主成分分析方法優(yōu)選了最能表達(dá)云霧茶產(chǎn)地的3個(gè)特征波段，通過(guò)提取各個(gè)特征波長(zhǎng)圖像的紋理特征，建立了識(shí)別廬山云霧茶的BP神經(jīng)網(wǎng)絡(luò)模型，模型訓(xùn)練時(shí)的總體回判率為97.5%，預(yù)測(cè)時(shí)的總體識(shí)別率為95%，說(shuō)明利用高光譜圖像技術(shù)能快速追溯廬山云霧茶產(chǎn)地。

由于高光譜圖像數(shù)據(jù)量大，處理時(shí)間長(zhǎng)，不適合實(shí)時(shí)在線檢測(cè)。在今后研究中，由本試驗(yàn)方法優(yōu)選的特征波長(zhǎng)，根據(jù)相應(yīng)特征波長(zhǎng)設(shè)計(jì)出用于茶葉原產(chǎn)地鑒別的多光譜成像裝置，以實(shí)現(xiàn)茶葉原產(chǎn)地鑒別的快速實(shí)時(shí)檢測(cè)裝置。

［1］Chen Q S，Zhao J W，Lin H.Study on discrimination of green tea(Camellia sinensis L.)according to geographical origin by FT－NIR spectroscopy and supervised pattern recognition［J］.Spectrochemica Acta Part A，2009，72(4):845－850.

［2］張龍，王飛娟，潘家榮，等.近紅外光譜和模式識(shí)別技術(shù)在西湖龍井與浙江龍井茶葉鑒別中的應(yīng)用［J］.紅外，2012，33(3):44－48.

［3］Kovács Z，Dalmadi I，Lukács L，et al.Geographical origin identification of pure Sri Lanka tea infusions with electronic nose，electronic tongue and sensory profile analysis［J］.Journal of Chemometrics，2010，24(3):121－130.

［4］Rao X Q，Ying Y B，Shi Z，et al.Identification of tea from different regions using X－ray fluorescence［J］.Spectrosc Spectral Anal，2009，29(3):837－839.

［5］吳彥紅，嚴(yán)霖元，吳瑞梅，等.利用熒光高光譜圖像技術(shù)無(wú)損檢測(cè)獼猴桃糖度［J］.江西農(nóng)業(yè)大學(xué)學(xué)報(bào)，2010，32(6):1297－1230.

［6］趙杰文，陳全勝，林顥.現(xiàn)代成像技術(shù)及其在食品、農(nóng)產(chǎn)品檢測(cè)中的應(yīng)用［M］.北京:機(jī)械工業(yè)出版社，2010:63.

［7］Naganathan G K，Grimes L M，Subbiah J，et al.Visible/near－infrared hyperspectral imaging for beef tenderness prediction［J］.Computers and Electronics in Agriculture，2008，64(20):225－233.

［8］Boldrini B，Kessler W，Rebner K，et al.Hyperspectral imaging:a review of best practice，performance and pitfalls for in－line and on－line applications［J］.Journal of Near Infrared Spectroscopy，2012，20(5):483－508.

［9］陳全勝，趙杰文，蔡健榮，等.利用高光譜圖像技術(shù)評(píng)判茶葉的質(zhì)量等級(jí)［J］.光學(xué)學(xué)報(bào)，2008，28(4):669－674.

［10］Zhao J W，Chen Q S，Cai J R，et al.Automated tea quality classification by hyperspectral imaging［J］.Applied Optics，2009，48(19):3557－3564.

［11］吳瑞梅，吳彥紅，艾施榮，等.茶葉外形品質(zhì)的高光譜圖像量化分析［J］.江西農(nóng)業(yè)大學(xué)學(xué)報(bào)，2013，35(2):413－418.

［12］岡薩雷斯.數(shù)字圖像處理［M］.2 版.北京:電子工業(yè)出版社，2008:224－275.

［13］Dobrowski S Z，Greenberg J A，Ramirez C M，et al.Improving image derived vegetation maps with regression based distribution modeling［J］.Ecological Modelling，2006，192(1):126－142.

［14］Barma S D，Das B，Giri A，et al.Back propagation artificial neural network(BPANN)based performance analysis of diesel engine using biodiesel［J］.Journal of Renewable and Sustainable Energy，2011，3(1):1－12

［15］Balabin R M，Safieva R Z，Lomakina E I.Comparison of linear and nonlinear calibration models based on near infrared(NIR)spectroscopy data for gasoline properties prediction［J］.Chemometric and Intelligent Laboratory Systems，2007，88(2):183－188.