基于GA-BP算法的紅茶色澤分類研究

周 兵，譚卓昆，段紅星，劉 亮，張 競(jìng)，吳文斗

（1.云南農(nóng)業(yè)大學(xué)理學(xué)院，云南 昆明 650201；2.云南大學(xué) 信息學(xué)院，云南 昆明 650500；3.云南農(nóng)業(yè)大學(xué)茶學(xué)院，云南 昆明 650201；4.云南農(nóng)業(yè)大學(xué)大數(shù)據(jù)學(xué)院，云南 昆明 650201）

中國(guó)有源遠(yuǎn)流長(zhǎng)的茶文化，茶禮茶俗等。隨著中國(guó)經(jīng)濟(jì)的發(fā)展，茶的需求量逐步增加，各類茶企發(fā)展迅速，茶產(chǎn)品層出不窮，為了有利于品牌的宣傳，對(duì)茶葉品質(zhì)進(jìn)行評(píng)價(jià)成為必不可少的一環(huán)。傳統(tǒng)評(píng)價(jià)方式易受評(píng)審人員與評(píng)審環(huán)境等諸多因素影響，如何使評(píng)價(jià)過(guò)程更為簡(jiǎn)便科學(xué)，是目前在茶葉評(píng)定領(lǐng)域較為迫切的任務(wù)之一，而色澤作為茶葉品質(zhì)評(píng)審的主要內(nèi)容，對(duì)其進(jìn)行標(biāo)準(zhǔn)且科學(xué)的評(píng)價(jià)便極其重要。

目前對(duì)茶葉色澤的評(píng)價(jià)主要看茶葉外表色澤、茶湯色澤和葉底色澤，以此來(lái)了解茶葉品質(zhì)的高低及制作工藝。但在實(shí)際評(píng)審過(guò)程中，往往因?yàn)椴煌藛T對(duì)色澤的感官?gòu)?qiáng)弱不同，使得評(píng)價(jià)結(jié)果存在一定的主觀誤差。國(guó)外對(duì)茶葉品質(zhì)因子和茶葉質(zhì)量評(píng)定的研究應(yīng)用越來(lái)越多，P Mishra等人在2019年使用近紅外高光譜測(cè)量綠茶數(shù)據(jù)，構(gòu)建綠茶分類模型，實(shí)現(xiàn)了16種綠茶產(chǎn)品的分類。國(guó)內(nèi)大部分仍是采用人工感官審評(píng)的方法進(jìn)行，但也不乏創(chuàng)新性的茶葉品質(zhì)評(píng)價(jià)的研究。2016年，潘玉成等利用人工神經(jīng)網(wǎng)絡(luò)對(duì)綠茶色澤進(jìn)行茶葉品質(zhì)的評(píng)定，對(duì)標(biāo)準(zhǔn)樣和預(yù)測(cè)樣本獲得了較令人滿意的評(píng)判結(jié)果。2019年，帥曉華等人采用計(jì)算機(jī)視覺(jué)技術(shù)，對(duì)拍攝的茶葉和茶水圖片進(jìn)行識(shí)別分類，識(shí)別的準(zhǔn)確率總體達(dá)到90%。兩者的研究中選取的樣本數(shù)較少，條件控制不足，即便是同一種茶類，由于品控因素，如干茶制作時(shí)溫度、干濕度不同，都會(huì)對(duì)茶類的分級(jí)造成極大的影響。

為解決誤差問(wèn)題，本文設(shè)計(jì)的實(shí)驗(yàn)嚴(yán)格控制紅茶干茶光照時(shí)長(zhǎng)，茶湯沖泡的時(shí)間、溫度、水質(zhì)，以及葉底測(cè)量方式，最大限度排除環(huán)境因素帶來(lái)的干擾誤差。利用具有精確色彩識(shí)別能力的色差儀測(cè)定不同色澤類型的 L（亮度值）、a（紅綠色值）、b（黃藍(lán)色值）范圍，基于GA-BP算法將測(cè)量的數(shù)值與人工感官評(píng)價(jià)的結(jié)果建立數(shù)學(xué)模型，找到紅茶不同類型的干茶、茶湯、葉底色差值與人工感官評(píng)價(jià)的相關(guān)性，構(gòu)建茶葉色度值參數(shù)與茶葉色澤類型數(shù)據(jù)評(píng)審模型，較好的實(shí)現(xiàn)了茶葉的分類識(shí)別，為茶葉色澤類型的數(shù)字化評(píng)定提供了科學(xué)依據(jù)。

1 材料與方法

1.1 紅茶數(shù)據(jù)

1.1.1 干茶數(shù)據(jù)。紅茶干茶通過(guò)將嫩葉，經(jīng)發(fā)酵等工藝制作而成。本研究選取了市場(chǎng)上常見(jiàn)種類的紅茶，如：古樹(shù)紅茶、名優(yōu)紅茶等茶種。為了使數(shù)據(jù)豐富，具備科學(xué)性、普適性，又從已選取的紅茶種類中挑選了不同價(jià)位、不同品質(zhì)及規(guī)格的紅茶干茶。實(shí)驗(yàn)用的干茶樣本如圖1所示：

圖1 部分干茶樣本及相應(yīng)色澤人工評(píng)審結(jié)論

通過(guò)篩選、評(píng)估，共選取63份紅茶干茶，用色差儀測(cè)得380組數(shù)據(jù)，可分為烏黑、烏黑帶毫、烏黑有毫、烏黑多金毫、烏褐顯金毫、金黃共計(jì)六個(gè)干茶評(píng)定色類。

1.1.2 茶湯數(shù)據(jù)。用熱水沖泡前述干茶樣本即得茶湯數(shù)據(jù)。對(duì)湯色進(jìn)行L、a、b值測(cè)量時(shí)，發(fā)現(xiàn)同一種茶類在不同溫度、不同水質(zhì)下測(cè)量的色差值不同；不同的溫度、不同水質(zhì)下的不同茶類測(cè)量的數(shù)據(jù)范圍會(huì)相互重疊。所以我們選用同一種類的礦泉水，茶葉稱量5克左右，將水加熱至93℃時(shí)開(kāi)始沖泡。用測(cè)溫槍檢測(cè)茶湯的溫度，當(dāng)茶湯降溫至30℃左右時(shí)，對(duì)不同茶類的茶湯，在封閉式的色差儀中進(jìn)行L、a、b值的測(cè)量。研究所用的紅茶茶湯如圖2所示。

圖2 部分茶湯樣本及相應(yīng)色澤人工評(píng)審結(jié)論

本研究選取了60份紅茶干茶進(jìn)行沖泡，用色差儀測(cè)得400組數(shù)據(jù)，可分為杏黃、橙黃、橙紅、紅亮、紅濃、紅艷、紅暗共計(jì)七種茶湯評(píng)定色類。

1.1.3 葉底數(shù)據(jù)。葉底也叫茶渣，即干茶經(jīng)開(kāi)水沖泡后所展開(kāi)的葉片。紅茶葉底越有光澤，品質(zhì)越好。判斷方法是首先將泡過(guò)的茶葉倒入潔凈的器皿中，再將茶葉拌勻鋪開(kāi)進(jìn)行觀察后給出結(jié)論。由于發(fā)酵程度不一致，相同種類紅茶的葉底色澤也是不同的，為了盡量減少這個(gè)問(wèn)題帶來(lái)的誤差干擾，評(píng)審人員以大面積的茶葉色澤分布作為葉底顏色分類的依據(jù)。

圖3 部分葉底樣本及相應(yīng)色澤人工評(píng)審結(jié)論

在色差儀測(cè)量葉底前，首先用機(jī)器將葉底打碎，收入相應(yīng)容器中，再對(duì)其進(jìn)行L、a、b值的測(cè)量，使數(shù)據(jù)更加穩(wěn)定、可靠。本研究選取了63份紅茶葉底，用色差儀測(cè)得380組數(shù)據(jù)，可分為泛青、泛青稍帶紅、棕紅較勻稍青、棕紅、紅共計(jì)五大葉底評(píng)定色類。

1.2 實(shí)驗(yàn)儀器

本次研究的測(cè)量?jī)x器采用封閉式的色差儀（深圳市三恩時(shí)科技有限公司的 YS6060 色差儀），實(shí)物圖如圖4所示，該儀器能夠減少在不同環(huán)境條件下，給數(shù)據(jù)測(cè)量帶來(lái)的誤差干擾，同時(shí)本研究的色差值數(shù)據(jù)是由專業(yè)人員進(jìn)行專業(yè)測(cè)量、評(píng)估，測(cè)量的 L、a、b值更加準(zhǔn)確。

圖4 色差儀實(shí)物圖

1.3 實(shí)驗(yàn)設(shè)計(jì)

1.3.1 GA-BP網(wǎng)絡(luò)搭建。GA-BP算法就是使用遺傳算法（GA）將BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值作為初始種群，不斷的迭代進(jìn)化，尋找出全局最佳的權(quán)值和閾值，實(shí)現(xiàn)對(duì)BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化。GA-BP算法流程如圖5所示：

圖5 GA-BP算法流程圖

1.3.2 網(wǎng)絡(luò)參數(shù)設(shè)置及測(cè)試。BP神經(jīng)網(wǎng)絡(luò)模型隱含層包含的神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)能反映出整個(gè)網(wǎng)絡(luò)的非線性水平，進(jìn)行參數(shù)設(shè)置時(shí)，找到該網(wǎng)絡(luò)最佳隱含層節(jié)點(diǎn)數(shù)是十分困難的。若隱含層節(jié)點(diǎn)個(gè)數(shù)過(guò)多，不僅會(huì)增加神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間，而且還會(huì)出現(xiàn)“過(guò)擬合”現(xiàn)象；若隱含層節(jié)點(diǎn)個(gè)數(shù)過(guò)少，網(wǎng)絡(luò)甚至無(wú)法訓(xùn)練或使用。我們通過(guò)對(duì)樣本數(shù)據(jù)準(zhǔn)確率結(jié)果分析，判斷各節(jié)點(diǎn)數(shù)對(duì)網(wǎng)絡(luò)模型的影響，確定相關(guān)模型的最優(yōu)隱含層節(jié)點(diǎn)數(shù)。隱含層節(jié)點(diǎn)常用計(jì)算公式如下所示：

式中 H——隱含層節(jié)點(diǎn)數(shù)；

M——輸入層節(jié)點(diǎn)數(shù)；

N——輸出層節(jié)點(diǎn)數(shù)；

A——取1到10的整數(shù)。

紅茶干茶、茶湯、葉底網(wǎng)絡(luò)模型的隱含層節(jié)點(diǎn)范圍如表1所示。

表1 各樣本種類隱含層范圍的確定

依次選取可能的隱含層節(jié)點(diǎn)數(shù)，測(cè)試相應(yīng)數(shù)據(jù)集的準(zhǔn)確率，訓(xùn)練集數(shù)據(jù)的各隱含層節(jié)點(diǎn)數(shù)與各樣本準(zhǔn)確率的分布如表2所示。

表2 各樣本訓(xùn)練集隱含層節(jié)點(diǎn)數(shù)的準(zhǔn)確率

通過(guò)對(duì)比不同隱含層節(jié)點(diǎn)數(shù)對(duì)應(yīng)的訓(xùn)練集識(shí)別的準(zhǔn)確率，將均方誤差最小時(shí)的隱含層節(jié)點(diǎn)數(shù)目確立為最佳。求得紅茶干茶、茶湯、葉底的最佳隱含層節(jié)點(diǎn)數(shù)目分別為13、10、8。另外，在其它網(wǎng)絡(luò)參數(shù)的配置上，本研究設(shè)置網(wǎng)絡(luò)的訓(xùn)練次數(shù)為1000次，顯示頻率為25，即每訓(xùn)練25次顯示1次，學(xué)習(xí)速率為0.01，動(dòng)量因子為0.01，最小性能梯度為10-6，并設(shè)置最高失敗次數(shù)為6次。

1.3.3 學(xué)習(xí)方式的選擇。為尋找最適合本次研究的學(xué)習(xí)方式，選擇紅茶干茶色澤數(shù)據(jù)集對(duì)增加動(dòng)量算法、彈性BP算法、自適應(yīng)學(xué)習(xí)算法、共軛梯度算法、LM算法分別進(jìn)行測(cè)試。通過(guò)網(wǎng)絡(luò)訓(xùn)練，再隨機(jī)選取數(shù)據(jù)對(duì)模型進(jìn)行測(cè)試，比較不同學(xué)習(xí)方式對(duì)測(cè)試數(shù)據(jù)集預(yù)測(cè)的準(zhǔn)確率，結(jié)果如表3所示。

表3 不同學(xué)習(xí)方式對(duì)干茶色澤預(yù)測(cè)的準(zhǔn)確率

測(cè)試的結(jié)果顯示LM算法的效果最好，三次平均準(zhǔn)確率可達(dá)到93.75%，因此后面的研究過(guò)程中選擇該算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

2 結(jié)果與分析

2.1 紅茶干茶數(shù)據(jù)的測(cè)試結(jié)果及分析

為了檢驗(yàn)GA-BP算法應(yīng)用效果，我們選用了100組干茶數(shù)據(jù)對(duì)模型進(jìn)行測(cè)試。同時(shí)，將標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)模型作為對(duì)照組，將兩種模型的測(cè)試結(jié)果進(jìn)行分析。根據(jù)測(cè)試結(jié)果可知標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)對(duì)紅茶干茶色澤數(shù)據(jù)識(shí)別效果一般，準(zhǔn)確率只有85.86%，而且存在少部分識(shí)別結(jié)果和正確結(jié)果誤差較大的數(shù)據(jù)。而GA-BP神經(jīng)網(wǎng)絡(luò)模型分類識(shí)別更為精準(zhǔn)，數(shù)據(jù)準(zhǔn)確率為94.95%。

2.2 紅茶湯色數(shù)據(jù)的測(cè)試結(jié)果及分析

在茶湯數(shù)據(jù)的測(cè)試中，選用了105組紅茶湯色數(shù)據(jù)對(duì)GA-BP模型與標(biāo)準(zhǔn)BP模型進(jìn)行測(cè)試，標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)分類識(shí)別的準(zhǔn)確率為80.95%，使用GA-BP算法的網(wǎng)絡(luò)模型的準(zhǔn)確率可達(dá)到95.23%。

2.3 紅茶葉底數(shù)據(jù)的測(cè)試結(jié)果及分析

在葉底數(shù)據(jù)的測(cè)試中，選用了95組紅茶葉底數(shù)據(jù)對(duì)模型進(jìn)行測(cè)試。標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)對(duì)大部分?jǐn)?shù)據(jù)識(shí)別比較精準(zhǔn)，但是也存在少部分識(shí)別結(jié)果和正確結(jié)果誤差較大的數(shù)據(jù)，其分類識(shí)別的準(zhǔn)確率為88.54%，而GA-BP網(wǎng)絡(luò)模型極大提高測(cè)試集數(shù)據(jù)分類識(shí)別的準(zhǔn)確率，其測(cè)試準(zhǔn)確率為90.62%。

3 結(jié)論

經(jīng)過(guò)紅茶的干茶、湯色、葉底數(shù)據(jù)的測(cè)試，使用GA-BP算法對(duì)干茶、湯色、葉底數(shù)據(jù)測(cè)試的準(zhǔn)確率分別為94.95%、95.23%、90.62%，模型的分類識(shí)別效果較好，GA-BP算法使得全局尋優(yōu)能力、數(shù)值范圍交叉的數(shù)據(jù)處理能力更佳，分類結(jié)果與專家評(píng)估較為一致，通過(guò)本次研究獲得的網(wǎng)絡(luò)模型，機(jī)器視覺(jué)識(shí)別的結(jié)果可以與人工評(píng)審結(jié)果做最好的關(guān)聯(lián)。這不僅大大減少了人工評(píng)審帶來(lái)的主觀誤差，也能為茶葉色澤類型的量化審評(píng)提供科學(xué)依據(jù)，較好地推動(dòng)茶產(chǎn)業(yè)的數(shù)字化發(fā)展進(jìn)程。