|本期目录/Table of Contents|

[1]童阳,艾施荣,吴瑞梅,等.茶叶外形感官品质的计算机视觉分级研究[J].江苏农业科学,2019,47(05):170-173.
　Tong Yang,et al.Sensory evaluation of tea appearance using computer vision classification[J].Jiangsu Agricultural Sciences,2019,47(05):170-173.
点击复制

茶叶外形感官品质的计算机视觉分级研究(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第47卷
期数:
2019年第05期
页码:
170-173
栏目:
贮藏加工与检测分析
出版日期:
2019-03-30

文章信息/Info

Title:
Sensory evaluation of tea appearance using computer vision classification
作者:
童阳1;  艾施荣2;  吴瑞梅3;  何国泉3;  虞文俊3;  刘鹏3;  胡潇1;  裴刚3
1.江西农业大学计算机与信息工程学院，江西南昌 330045； 2.江西农业大学软件学院，江西南昌 330045；
3.江西农业大学工学院，江西南昌 330045
Author(s):
Tong Yang; et al
关键词:
计算机视觉; 茶叶感官品质; 小波变换; 神经网络; 遗传算法
Keywords:
-
分类号:
TS207.3；S126
DOI:
-
文献标志码:
A
摘要:
为摒弃茶叶品质感官评审方法存在的主观性和经验性等缺陷，研究采用计算机视觉技术快速评价茶叶感官品质。依据碧螺春茶行业标准及茶叶评审师的评审结果，将20个不同品质碧螺春绿茶样本分成4个等级。采用小波变换和灰度共生矩阵提取茶叶图像的纹理特征，采用RGB［R表示红色(red)，G表示绿色(green)，B表示蓝色(blue)］和HIS［H表示色调(hue)，I表示亮度(intensity)，S表示色饱和度(saturation)］颜色模型提取图像的颜色特征，利用遗传算法优化神经网络参数，建立茶叶感官品质的BP(back propagation，逆向传播)神经网络分级模型，并与其他模型结果进行比较。结果表明，当选用前5个主成分时，所建立的模型识别精度最高，该模型总体识别率为938%，Kappa系数为0.933，较PCA-BP、GA-BP、BP识别精度分别提高10.0、6.3、18.8百分点，Kappa系数分别提高0.133、0.066、0.233，模型稳定性得到提高。
Abstract:
-

参考文献/References:

［1］Laddi A，Sharma S，Kumar A，et al. Classification of tea grains based upon image texture feature analysis under different illumination conditions［J］. Journal of Food Engineering，2013，115(2)：226-231.
［2］Dong C W，Zhu H K，Zhao J W，et al.Sensory quality evaluation for appearance of needle-shaped green tea based on computer vision and nonlinear tools［J］. Journal of Zhejiang University-Science B：Biomedicine & Biotechnology，2017，18(6)：544-548.
［3］余洪，吴瑞梅，艾施荣，等. 基于PCA-PSO-LSSVM的茶叶品质计算机视觉分级研究［J］. 激光杂志，2017，38(1)：51-54.
［4］常春，陈怡群，肖宏儒，等. 基于神经网络图像分析的智能鲜茶叶分选机［J］. 中国农机化学报，2013，34(1)：137-141.
［5］肖志云，刘洪. 小波域马铃薯典型虫害图像特征选择与识别［J］. 农业机械学报，2017，48(9)：24-31.
［6］彭庆涛，吴水才，高宏建，等. 基于小波分析和灰度纹理特征的乳腺X线图像微钙化点区域的提取［J］. 北京生物医学工程，2015，34(5)：462-467，488.
［7］孔喜梅，木拉提·哈米提，严传波，等. 基于小波变换的新疆地方性肝包虫CT图像分类研究［J］. 生物医学工程研究，2016，35(3)：162-167，174.
［8］Wang S H，Phillips P，Liu A J，et al. Tea category identification using computer vision and generalized eigenvalue proximal SVM［J］. Fundamenta Informaticae，2017，151(1/2/3/4)：325-339.
［9］Borah S，Hines E L，Bhuyan M. Wavelet transform based image texture analysis for size estimation applied to the sorting of tea granules［J］. Journal of Food Engineering，2007，79(2)：629-639.
［10］Lowe D G. Distinctive image features from scale-invariant keypoints［J］. International Journal of Computer Vision，2004，60(2)：91-110.
［11］Tang Z，Su Y C，Er M J，et al. A local binary pattern based texture descriptors for classification of tea leaves［J］. Neurocomputing，2015，168：1011-1023.
［12］吴瑞梅，吴彦红，艾施荣，等. 茶叶外形品质的高光谱图像量化分析［J］. 江西农业大学学报，2013，35(2)：413-418.
［13］孙丽. 基于遗传算法BP神经网络的多目标优化方法［J］. 激光杂志，2016，37(8)：123-128.
［14］徐树良，王俊红. 基于Kappa系数的数据流分类算法［J］. 计算机科学，2016，43(12)：173-178.

相似文献/References:

[1]朱家骥,朱伟兴.基于星状骨架模型的猪步态分析[J].江苏农业科学,2015,43(12):453.
　Zhu Jiaji,et al.Analysis of pigs gaits based on star shaped frame model[J].Jiangsu Agricultural Sciences,2015,43(05):453.
[2]陈桂珍,龚声蓉.计算机视觉及模式识别技术在农业生产领域的应用[J].江苏农业科学,2015,43(08):409.
　Chen Guizhen,et al.Application of computer vision and pattern recognition in agricultural production field[J].Jiangsu Agricultural Sciences,2015,43(05):409.
[3]劳东青,陈立平,邬欢欢,等.基于计算机视觉的枣叶含水率估算模型[J].江苏农业科学,2015,43(04):384.
　Lao Dongqing,et al.Study on jujube leaf water content estimation model based on computer vision[J].Jiangsu Agricultural Sciences,2015,43(05):384.
[4]王爱新,李春友,张喆.基于计算机视觉的农业图像害虫定位检测算法[J].江苏农业科学,2016,44(07):361.
　Wang Aixin,et al.Agricultural image pest location detection algorithm based on computer vision[J].Jiangsu Agricultural Sciences,2016,44(05):361.
[5]祁卫宇,王传宇,郭新宇.基于计算机视觉的植物行为感知研究综述[J].江苏农业科学,2017,45(06):20.
　Qi Weiyu,et al.Study on plant behavior perception based on computer vision： a review[J].Jiangsu Agricultural Sciences,2017,45(05):20.
[6]邢志中,张海东,王孟,等.基于计算机视觉和神经网络的鸡蛋新鲜度检测[J].江苏农业科学,2017,45(11):160.
　Xing Zhizhong,et al.Detection of egg freshness based on computer vision detection and neural network[J].Jiangsu Agricultural Sciences,2017,45(05):160.
[7]陈彩文,杜永贵,周超,等.基于支持向量机的鱼群摄食行为识别技术[J].江苏农业科学,2018,46(07):226.
　Chen Caiwen,et al.Study on fish feeding behavior recognition technology based on support vector machine[J].Jiangsu Agricultural Sciences,2018,46(05):226.
[8]刘祖鹏.基于优化PCNN模型的黄瓜叶片病斑提取方法[J].江苏农业科学,2018,46(18):216.
　Liu Zupeng.A cucumber leaf lesion extraction method based on optimized PCNN mode[J].Jiangsu Agricultural Sciences,2018,46(05):216.
[9]张重阳,陈明.基于计算机视觉的鱼类摄食行为研究现状及展望[J].江苏农业科学,2020,48(24):31.
　Zhang Chongyang,et al.Research status and outlook of fish feeding behavior based on computer vision[J].Jiangsu Agricultural Sciences,2020,48(05):31.
[10]胡玲艳,许巍,秦山,等.基于分时重叠算法的欧洲甜樱桃表型关键特征区域图像分割方法[J].江苏农业科学,2023,51(1):195.
　Hu Lingyan??et al.Image segmentation of key feature regions of European sweet cherry phenotype based on time-sharing overlap algorithm[J].Jiangsu Agricultural Sciences,2023,51(05):195.

备注/Memo

备注/Memo:
收稿日期：2018-03-21
基金项目：国家自然科学基金(编号：31460315)；江西省重点研发计划(编号：20171ACF60004)。
作者简介：童阳(1993—)，男，江西高安人，硕士研究生，主要从事计算机视觉研究。E-mail：tongyang_1@sina.com。
通信作者：艾施荣，硕士，副教授，硕士生导师，主要从事计算机视觉研究。E-mail：aisrong@163.com。
更新日期/Last Update: 2019-03-05