Bayes決策理論在茶葉分類分級中的應(yīng)用

王宏偉

(湖北理工學(xué)院，湖北 黃石 435003)

Bayes決策理論在茶葉分類分級中的應(yīng)用

王宏偉

(湖北理工學(xué)院，湖北 黃石 435003)

針對茶葉感官審評當(dāng)中存在的問題，提出了一種新的茶葉分類分級方法，首先對茶葉顏色特征進(jìn)行定量描述，再根據(jù)Bayes決策理論對茶葉進(jìn)行識別，識別率在91%以上，具有較好的效果。實驗結(jié)果表明，利用計算機視覺技術(shù)和Bayes決策理論對茶葉進(jìn)行分類和分級是可行的。

茶葉分類分級；計算機視覺技術(shù)； Bayes決策理論

0 前言

目前，國內(nèi)外茶葉的品質(zhì)和等級大多數(shù)是通過感官審評方法來評定的，感官審評是利用眼、舌、鼻、手等人體各種感覺器官，依靠個人經(jīng)驗和規(guī)范的操作技術(shù)來鑒別茶葉色香味形的優(yōu)劣幷評定其等級。

但是，人的感覺器官的靈敏度易受外界因素如環(huán)境變化、精神狀態(tài)及身體狀況的干擾，而且不同的人員面對相同的茶葉，由于感覺器官的靈敏度不一致，得到的結(jié)果，往往存在一定的偏差，最終都會影響感官審評結(jié)果的準(zhǔn)確性。

隨著計算機技術(shù)的發(fā)展，可以利用計算機視覺技術(shù)對茶葉的顏色進(jìn)行量化檢測，進(jìn)而對所檢測對象進(jìn)行分類和分級，使結(jié)果更具客觀性和一致性[1～3]。

1 實驗材料和圖像采集方法

1.1 實驗材料

實驗所用茶葉分別為碧螺春、龍井、英山毛尖等三種綠茶，所有樣本均購自湖北黃石當(dāng)?shù)爻校枞~初產(chǎn)地分布于江蘇蘇州、浙江杭州和湖北英山三地。

1.2 圖像的采集

本實驗采用一套基于漫反射的光源系統(tǒng)，如圖1所示。

1. 光源 2.樣品臺 3.光源箱 4.CCD攝像頭 5.圖像采集卡 6.串行接口 7.計算機

實驗時，將茶葉樣本放在樣品臺上，利用攝像頭對茶葉樣本進(jìn)行圖像采集，所有采集到的原始數(shù)據(jù)均以RGB顏色格式保存。

2 茶葉圖像顏色特征提取

2.1 圖像顏色格式轉(zhuǎn)換

為了便于用計算機視覺技術(shù)來定量描述茶葉顏色，必須把原始的RGB顏色格式轉(zhuǎn)換成HIS顏色格式，轉(zhuǎn)換公式如下[4][5]：

式中：R、G、B分別是攝像頭拍攝到的圖像RGB顏色格式中紅、綠、藍(lán)三原色的值，H、I、S分別為轉(zhuǎn)換后HIS顏色格式中圖像的色度、亮度和飽和度，其中色度H用角度表示，其取值范圍在0～2π之間。

2.2 茶葉顏色特征參數(shù)提取

茶葉顏色是一個視覺多要素綜合作用的效果，包括茶葉的基本色度、飽和度、光澤、亮度和紋理等多個特征參數(shù)，本文通過多次試驗，選擇干茶的6個顏色特征參數(shù)，3個紋理特征參數(shù)， 3個茶湯顏色特征參數(shù)共12個參數(shù)進(jìn)行分析[6]。

3個紋理特征參數(shù)分別是：熵e、能量Q和相關(guān)性T。公式表示為[7]：

式中p(zi)是一個區(qū)域中的灰度直方圖。熵e是茶葉圖像中灰度隨機性的度量。

相關(guān)性T是用來描述灰度共生矩陣的元素在列方向或行方向上的相關(guān)程度。

由于這12個選中的特征參數(shù)具有各自不同的數(shù)量級和量綱，為了使這些特征參數(shù)具有可比性，必須將這些數(shù)據(jù)進(jìn)行初始化處理。

3 模式識別中的Bayes決策理論

3.1 統(tǒng)計模式識別

統(tǒng)計模式識別對于需要通過已知類別的樣本特征參數(shù)值來建立一個分類的預(yù)測模式比較實用，是一種根據(jù)特征參數(shù)判斷樣本分類的多參數(shù)統(tǒng)計方法。常見的統(tǒng)計模式識別有判別函數(shù)法(又稱決策理論方法)和聚類分析法[8]。 判別函數(shù)法是從已知類別的樣本中推斷出判別函數(shù)，然后用判別函數(shù)預(yù)測未知類別的相關(guān)樣本的類別歸屬，判別函數(shù)法的關(guān)鍵是判別函數(shù)的確立。按照所采用的判別規(guī)則劃分，常用的判別函數(shù)法有Fisher判別、Bayes判別和最小距離判別等。本實驗采用Bayes判別法。

3.2 Bayes決策理論的算法[9]

設(shè)有一批M類的訓(xùn)練樣本：

1) 計算各類樣本的先驗概率p(ωi)，i=1,2,…,M；

2) 計算各類樣本的均值、協(xié)方差，得到協(xié)方差矩陣和逆矩陣；

3) 由均值、協(xié)方差矩陣和逆矩陣計算出類條件概率密度函數(shù)p(x|ωi)；

4)由先驗概率和類條件概率密度函數(shù)得到Bayes判別函數(shù)：

5)對于任一待分類樣本X，代入M個判別函數(shù)Gi(x)=p(x|ωi)p(ωi)中，看哪個判別函數(shù)最大，就把X歸于這一類。

4 采用Bayes判別法對茶葉進(jìn)行分類識別

茶葉樣本共分3個類別(碧螺春、龍井、英山毛尖)，每個類別各取40個樣本，將其中20個樣本作為訓(xùn)練樣本，剩下的20個樣本作為測試樣本，總共有120個樣本。使用電子天平每次稱取20g茶葉作為一個樣本，用白紙托著，置于樣品臺上，在CCD下采集圖像。

然后依次在各樣本中稱取10g茶葉，用90度開水沖泡，濾去茶葉之后，將茶湯放在同一個燒杯中，置于樣品臺上，在CCD下采集圖像。

采用Bayes判別法進(jìn)行分類判別，結(jié)果如下：

由表1可以看出，采用Bayes判別法對三種茶葉進(jìn)行分類，96.7%的訓(xùn)練樣本可以被準(zhǔn)確分類，91.7%的測試樣本可以被準(zhǔn)確分類。

表1 分類判別結(jié)果

5 采用Bayes判別法對茶葉進(jìn)行分級識別

分別選取3個類別的茶葉一級、二級、三級各40個樣本，總共360個樣本。其中每一個類別每一個級別取20個樣本作為訓(xùn)練樣本(共180個)，剩余20個樣本作為測試樣本(共180個)。使用電子天平每次稱取20g茶葉作為一個樣本，用白紙托著，置于樣品臺上，在CCD下采集圖像。

然后依次在各樣本中稱取10g茶葉，用90度開水沖泡，濾去茶葉之后，將茶湯放在同一個燒杯中，置于樣品臺上，在CCD下采集圖像。

采用Bayes判別法進(jìn)行分級判別，結(jié)果如表2：

表2 分級判別結(jié)果

由表2可以看出，采用Bayes判別法對三種茶葉進(jìn)行分級，98.0%的訓(xùn)練樣本可以被準(zhǔn)確分級，94.8%的測試樣本可以被準(zhǔn)確分級。

6 結(jié)論

[1]高 華，周 林.計算機視覺及模式識別技術(shù)在農(nóng)業(yè)領(lǐng)域中的應(yīng)用[J].山東農(nóng)業(yè)大學(xué)學(xué)報，2003,34(4)：590～593.

[2]陳全勝，趙文杰，張海東，等.利用計算機視覺識別茶葉的色澤類型[J].江蘇大學(xué)學(xué)報，2005，(11)：461～464.

[3]Sarkar N,Wolfe R R.Computer vision based system for puality separation of fresh market tomatoes[J].Trans of the ASAE,1985b,28(5):1714～1718.

[4]蔡健榮.利用計算機視覺定量描述茶葉色澤[J].農(nóng)業(yè)機械學(xué)報，2000,(7):67～70.

[5]Tao Y,Heinemann P H.Machine vision for color inspection of potaaoes and apples[J].amerrican Society of Agricaltural Engineers.1995,38(5):1555～1561.

[6]嚴(yán) 峻，林 剛.測色技術(shù)在茶葉色澤及品質(zhì)評價中的應(yīng)用研究[J].茶業(yè)通報，1995，(1)：7～9.

[7]王新宇.基于計算機視覺和電子舌技術(shù)的綠茶分類分級研究[M].蘇州：江蘇大學(xué)，2007.

[8]沈庭芝，王衛(wèi)江，閆雪梅.數(shù)字圖像處理與模式識別[M].北京：北京理工大學(xué)出版社，2007.

[9]盛立東.模式識別導(dǎo)論[M].北京：北京郵電大學(xué)出版社，2010.

ApplicationofBayesdecisiontheoryinteaclassification

WANG Hong-wei

(Hubei Polytechnic University, Hube Huangshi 435003)

To overcome the problem in tea Sensory Evaluation , a new method of tea classification was proposed. Based on quantitative description to tea color features through computer vision, the tea identification rate can reach above 91% by applying Bayes decision theory. The experimental result showes the good effect to tea classification by the application of computer vision and Bayes decision theory.

tea classification;computer vision; Bayes decision theory

TP312

A

2096-3149(2017)04- 0006-05

10.3969/j.issn.2096-3149.2017.04.002

2017—03—11

湖北省自科基金科研項目(項目編號：2009CDZ004) ;湖北省教育廳科研項目(項目編號：B20104403)

王宏偉(1968— )，男，湖北黃岡人，副教授，主要從事計算機模式識別、信息安全的教學(xué)與研究工作.