图像处理在茶叶嫩芽智能采摘中的应用进展

茶叶生产加工主要包括采摘、晒青、杀青、揉捻、焙火等几道工序，采摘是茶叶生产的首道工序，嫩芽采摘的好坏直接影响后期成品茶质量。随着“互联网+农业”的不断推进与应用，智能化采摘成为茶学领域研究热点。为此，笔者综述了数字图像处理技术在茶叶嫩芽智能采摘中的应用，旨在为茶叶生产加工智能化应用[1]和发展提供参考。
1 图像处理在茶叶嫩芽分割中的应用
利用茶叶嫩芽与老叶、土壤、枝条等背景在颜色特征上具有差异性，杨福增[2]、刘志杰[3]均通过提取“午子仙毫”茶叶的G分量进行嫩芽分割。针对单一色彩因子易受到光照的影响，韦佳佳[4]、唐仙[5]、吴雪梅[6]和袁加红[7]分析不同颜色空间下各色彩因子间的线性组合，提出了基于色差因子的茶叶嫩芽图像分割方法。
自然条件下茶叶分割不仅易受到环境、老叶、茶梗和土壤的影响，而且茶叶遮挡和重叠等也增大了嫩芽分割难度。汪建[8]以H和S分量作为种子区域，提出基于颜色相似性和区域邻接性的区域生长合并方法，实现了茶叶嫩芽分割。由于嫩芽目标与背景相对固定，吴雪梅[9]、张可[10]等提出基于Lab颜色模型的K-means聚类方法，实现了嫩芽与其他背景的分割，但该方法往往通过人工设定聚类数目，且易出现过分割问题。方坤礼[11]提出基于超绿2R-G-B特征的改进JSEG分割技术，邵明[12]设计一种级联的茶叶图像分割方法，首先利用茶叶图像的超绿-超红颜色特征、自适应二值化和数学形态学变换等对茶叶图像进行初始分割，然后通过基于统计学的快速区域合并算法实现茶叶嫩芽的有效分割，且避免过分割现象。
2 图像处理在茶叶嫩芽定位中的应用
茶叶嫩芽识别是实现鲜茶智能采摘的前提，嫩芽识别后对其采摘位置信息的提取也是实现智能采摘的关键技术。杨福增[1]、刘志杰[2]、姚波[13]在确定了茶叶“两瓣一心”区域的基础上，分别利用边缘检测、逐行扫描法和形态腐蚀法实现了嫩芽位置的标记。裴伟[14]提出基于茶叶图像的二维采摘坐标提取方法，首先获取茶叶嫩芽区域，然后提取嫩芽图像外轮廓和最小外接矩形，以最小外接矩形的中心点为嫩芽的采摘点。相对于质心法确定的采摘点，裴伟等提取的采摘点更能反映茶叶嫩芽的茎根部所在位置。张浩[15]提出基于光栅投影轮廓技术的茶叶嫩梢定位系统，该系统可以一次性实现整个工作面的嫩梢定位，同时有效获取嫩梢三维信息，为名优茶智能采摘机解决了茶叶嫩梢定位问题。
3 图像处理技术在智能采茶机研发中的应用
目前市场上推广使用的有手提式或背负式采茶机，这类采茶机虽然在一定程度上能提升采摘效率，但仍需人力携带操作，且对茶叶嫩芽缺乏选择性，采摘出的茶叶参差不齐，对茶树损害较大。针对这一问题，汤一平[16]设计了一种基于机器视觉的乘用式采茶机，提出了嫩芽自动识别与采茶机割刀的自动调平调高控制方法。王伟羊[17]提出了一种基于机器视觉的乘用型采茶机导航方法，修缮了乘用式采茶机容易出现割刀与茶行在对准上出现偏差的问题。王财盛[18]提出了基于机器视觉的采茶机割刀控制方法，首先用间接定位法定位割刀，以有效降低计算复杂度，然后利用动态阈值分割法和颜色分类器能准确地识别嫩芽区域。裴伟[19]设计了三维快速驱动式采茶机系统，优化了茶叶采摘定位坐标的提取以及路径，满足了名优茶鲜叶选择性和高品质采摘的需求。
4 结语
随着农业生产智能化、数字化发展，将图像处理技术应用到茶叶生产已取得一定进展，但在鲜茶智能采摘上仍有一些问题需要进一步研究与探讨。
（1）基于图像处理的茶叶嫩芽分割、定位等研究主要针对特定环境或茶叶种类，但茶叶种类多且生长环境受到地域和天气等影响较大，导致算法普适性和稳定性较差。因此，需要通过增加样本数据（来自不同地域、不同环境的茶叶种类和数量）以提高算法的普适性，融合多种分割方法提高算法的稳定性，以促进其在实际应用中发挥有效作用。 　　（2）深度学习[20]在智能采摘中的应用：作为机器学习领域的新兴方向，深度学习可以直接将图像作为输入，通过卷积层、池化层等自学习特征，最后实现目标检测或者分割。基于深度学习的茶叶智能化[21]生产研究相对较少，可建立多种深度卷积神经网络嫩芽检测模型，以减小人工特征提取、外界环境对嫩芽分割定位的影响。
（3）智能采茶机设计与实现：智能采茶机主要包括采茶机机械设计、智能采摘识别与定位和控制软硬件的通信等模块。设计能够适应多种场地且与茶叶智能采摘系统相协调的采茶机，仍需要加强机械设计、嵌入式控制、通信和人工智能等多学科交叉研究。