一种基于机器视觉和神经网络算法的机采绿茶分级试验台的制作方法

本发明涉及一种机采绿茶分级试验台，更具体的来说，涉及一种基于机器视觉技术和神经网络算法的机采绿茶分级试验台。

背景技术：

名优绿茶采摘环节的瓶颈问题是制约我国绿茶产业发展的重要因素，受茶园管理水平、茶树品种、地形地貌、设备等因素的影响，现有的机采设备采摘的鲜叶往往存在长短不齐、老嫩不均、茎梗含量高、匀净度低等问题，一般只能用来制作大众茶，优质绿茶特别是级别较高的名优绿茶，还得靠人工采摘，加上劳动力逐渐短缺和劳动力成本不断上涨，名优茶的采摘问题日渐突出。近些年，图像处理技术和分类算法越来越多的应用于采茶机械的设计中，这从一定程度上提高了采摘机器的识别能力，但效率依然很低，名优绿茶机械化采摘的瓶颈问题，短期内还是无法突破。对不同加工阶段（鲜叶、理条后、烘干后）的机采绿茶进行分级，从机采大众茶中分选出名优茶，是名优绿茶实实现全程机械化的新思路，传统的茶叶分级方法可以使机采鲜叶原料在一定程度上按大小归类，有效的将正常芽叶与断碎芽叶和杂物等进行分离，但分级效果离名优茶鲜叶的要求还有一定的差距。

技术实现要素：

本发明提供了一种基于机器视觉技术和神经网络算法的机采绿茶分级试验台，通过获得机采绿茶物料图像，利用图像处理技术分析机采绿茶物料的形态特征，建立名优绿茶标准样本，再利用神经网络算法进行分类，将符合条件的名优绿茶通过气动执行机构吹出，实现从机采大众绿茶中分选出名优绿茶。

本发明的目的在于提供一种基于机器视觉技术和神经网络算法的机采绿茶分级试验台，该试验台包括：

供料系统，用于将所述的机采茶物料均匀滑落至所述检测系统；

检测系统，与所述分级系统连接，用于采集所述的机采绿茶物料图像，并将采集到的图像数据传输给所述的分级系统；

分级系统，与所述的执行机构连接，用于将所述的机采绿茶物料图像数据进行处理，运用神经网络算法分级并将分级结果输出给执行机构；

执行机构，执行分级系统指令，吹出满足条件的物料；

出料口，用于收集满足条件和不满足条件的物料。

进一步，所述试验台还设置有支架、工控机、试验平台，所述的供料系统、检测系统、执行机构、出料口安装在支架上，所述的试验平台上还设置有上位机；

进一步，所述供料机构包括:振动喂料器、进料口、滑槽、可调支架，所述的振动喂料器位于进料口上方，所述的进料口与所述的滑槽相连接，固定在所述的可调支架上，所述可调支架通过螺丝调节，用于调整滑槽的倾角和高度；

进一步，所述检测系统包括：光源、镜头、相机、图像采集卡、处理器，所述光源、镜头、相机、安装在滑槽下方，所述相机可设置曝光时间，所述图像采集卡、处理器设置于试验平台上，所述相机与所述图像采集卡连接；

进一步，所述分级系统包括：图像采集处理程序、神经网络分级算法、控制信号输出程序及用户界面，图像采集处理程序基于ni的labview进行开发，神经网络分类算法调用matlab节点实现，控制信号输出程序基于opc通信技术实现，用户界面方便用户进行参数设定、试验现象结果观察；

进一步，所述执行机构包括：plc、喷嘴、高速电磁阀、气泵，所述plc用于接收控制信号控制所述高速电磁阀，所述喷嘴、高速电磁阀固定在检测系统下方支架上，所述喷嘴可调节控制面积，所述气泵固定在试验平台上，可调节气源压力，所述高速电磁阀通过气管与所述喷嘴和气泵连接；

进一步，所述出料口包括名优茶出料口和次茶出料口，所述名优茶出料口用于收集满足要求的机采绿茶物料，所述次茶出料口用于收集不满足要求的机采绿茶物料。

进一步，所述试验台机采绿茶物料图像采集处理基于labviewvision模块编写，基于labviewvision模块获取图像并进行处理，将采集到的图像进行标定、提亮、二值化处理、，再对所述的二值图像进行形态学处理，最后提取二值图像的参数特征进行分析；

进一步，所述试验台机采绿茶物料神经网络分级算法设计如下：

(1)根据粒子分析的结果，选出适合绿茶分级的特征参数凸包面积、凸包周长、长轴长度、短轴长度4个特征作为输入，并对输入参数进行归一化的处理，避免量级差异带来的影响；输出层选择单一向量作为输出，避免输出不稳定，根据名优绿茶品质标准，用1-3表示分别表示单芽、一芽一叶和一芽两叶的情况；

(2)隐层和隐单元的数目均确定为1；

(3)输入机采绿茶样本的数据和标准比对数据并将网络权值初始化；为每一个样本计算其隐层和输出层的输出以及输出误差；判定误差是否满足要求，若不满足误差要求则更新权值和阈值，并返回输出计算，直到满足要求；

(4)根据在学习过程中所积累的各层系数进行计算得到输出结果，并与期望值比较得出最终的分类。

本发明公开了一种基于机器视觉技术和神经网络算法的机采绿茶分级试验台，机采绿茶物料通过供料系统均匀滑落至相机镜头，检测系统拍摄物料图像并将采集到的图像数据传输给图像采集卡，分级系统对图像数据进行处理，运用神经网络算法进行分级并将分级结果输出给执行机构，执行机构执行分级系统指令，吹出满足条件的物料。试验台可通过调整滑槽倾角、高度、槽间距，设置相机曝光时间，调整气阀的控制面积以及整体的气源压力，匹配相机采样时间与茶叶本身流过该相机的时间，并使plc接收数据时间和发出控制信号的时间略小于茶叶从检测系统到达执行机构的时间,进而对不同加工阶段（鲜叶、理条后、烘干后）的机采绿茶进行分级，测试分级正确率和效率，寻找机采绿茶最佳分级方案，为设计机采绿茶分级设备提供理论依据和试验基础。

附图说明

图1是本发明实施方案中提供的机采绿茶分级试验台的硬件构成图；

图2是本发明实施方案中提供的机采绿茶分级试验台图像处理流程图；

图3是本发明实施方案中提供的神经网络算法程序设计流程图；

图4是本发明实施方案中提供的机采绿茶分级试验台神经网络分级程序；

图5是本发明实施方案中提供的机采绿茶分级试验台用户显示界面；

图6是本发明实施方案中提供的机采绿茶分级试验台工作原理图；

图7是本发明实施方案中提供的机采绿茶分级试验台总体结构图。

1、底座2、相机、光源可调支架3、光源4、相机5、固定支架6、滑槽7、滑槽可调支架8、气泵9、上位机10、试验平台11、气管12、高速电磁阀13、喷嘴14、次茶出料口15、名优茶出料口。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定发明。

图1示出了本发明实施例提供的基于机器视觉技术和神经网络算法的机采绿茶分级试验台的硬件构成。

该试验台包括：

供料系统，用于将所述的机采茶物料均匀滑落至所述检测系统；

检测系统，与所述分级系统连接，用于采集所述的机采绿茶物料图像，并将采集到的图像数据传输给所述的分级系统；

分级系统，与所述的执行机构连接，用于将所述的机采绿茶物料图像数据进行处理，运用神经网络算法分级并将分级结果输出给执行机构；

执行机构，执行分级系统指令，吹出满足条件的物料；

出料口，用于收集满足条件和不满足条件的物料。

在本发明实施例中，进一步，所述试验台还设置有支架、工控机、试验平台，所述的供料系统、检测系统、执行机构、出料口安装在支架上，所述的试验平台上还设置有上位机；供料机构包括:振动喂料器、进料口、滑槽、可调支架，所述的振动喂料器位于进料口上方，所述的进料口与所述的滑槽相连接，固定在所述的可调支架上，所述可调支架通过螺丝调节，用于调整滑槽的倾角和高度；

检测系统包括：光源、镜头、相机、图像采集卡、处理器，所述光源、镜头、相机、安装在滑槽下方，所述相机可设置曝光时间，所述图像采集卡、处理器设置于试验平台上，所述相机与所述图像采集卡连接；

执行机构包括：plc、喷嘴、高速电磁阀、气泵，所述plc用于接收控制信号控制所述高速电磁阀，所述喷嘴、高速电磁阀固定在检测系统下方支架上，所述喷嘴可调节控制面积，所述气泵固定在试验平台上，可调节气源压力，所述高速电磁阀通过气管与所述喷嘴和气泵连接；

出料口包括名优茶出料口和次茶出料口，所述名优茶出料口用于收集满足要求的机采绿茶物料，所述次茶出料口用于收集不满足要求的机采绿茶物料。

图2示出了机采绿茶物料图像采集处理流程，机采绿茶物料图像采集处理基于labviewvision模块实现，基于labviewvision模块获取图像并进行处理，将采集到的图像进行标定、提亮、二值化处理、，再对所述的二值图像进行形态学处理，最后提取二值图像的参数特征进行分析。

如图3、4所示，试验台机采绿茶物料神经网络分级算法设计如下：

(1)根据粒子分析的结果，选出适合绿茶分级的特征参数凸包面积、凸包周长、长轴长度、短轴长度4个特征作为输入，并对输入参数进行归一化的处理，避免量级差异带来的影响；输出层选择单一向量作为输出，避免输出不稳定，根据名优绿茶品质标准，用数字1、2、3表示分别表示单芽、一芽一叶和一芽两叶的情况；

(2)隐层和隐单元的数目均确定为1；

(3)输入机采绿茶样本的数据和标准比对数据并将网络权值初始化；为每一个样本计算其隐层和输出层的输出以及输出误差；判定误差是否满足要求，若不满足误差要求则更新权值和阈值，并返回输出计算，直到满足要求；

(4)根据在学习过程中所积累的各层系数进行计算得到输出结果，并与期望值比较得出最终的分类。

图5示出了分级系统用户界面，分级系统包括：图像采集处理程序、神经网络分级算法、控制信号输出程序及用户界面，图像采集处理程序基于ni的labview进行开发，神经网络分类算法调用matlab节点实现，控制信号输出程序基于opc通信技术实现，用户界面方便用户进行参数设定、试验现象结果观察。

本发明涉及一种基于机器视觉技术和神经网络算法的机采绿茶分级的试验台，用以解决的技术问题是：通过调整滑槽倾角、高度、槽间距，设置相机曝光时间，调整气阀的控制面积以及整体的气源压力，匹配相机采样时间与茶叶本身流过该相机的时间，并使plc接收数据时间和发出控制信号的时间略小于茶叶从检测系统到达执行机构的时间,进而对不同加工阶段（鲜叶、理条后、烘干后）的机采绿茶进行分级，测试分级正确率和效率，寻找机采绿茶最佳分级方案，

本发明涉及一种基于机器视觉技术和神经网络算法的机采绿茶分级的试验台，该试验台采用机器视觉技术和神经网络算法，通过相机获得机采绿茶物料图像，分析机采绿茶物料的形态特征，建立名优绿茶标准样本，再利用神经网络算法进行分级，将符合条件的名优绿茶通过气动执行机构吹出，实现从机采大众绿茶中分选出名优绿茶，为设计机采绿茶分级设备提供理论依据和试验基础。

本发明的明显效果是：搭建了一种用于机采绿茶分级的试验台，其优势在于关键参数可调，给优化机械结构和程序算法带来了便利，在分级影响因素较多的情况下通过多因素试验寻找最佳的机采绿茶分级方案。

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

如图6,7所示机采绿茶分级试验台工作原理图和总体结构图，包括底座1，滑槽可调支架7、相机、光源可调支架2等均安装在底座1上，滑槽6固定在滑槽可调支架7上，滑槽可调支架7通过螺栓安装在固定支架5上，根据物料的形态特征和整个装置的试验需求，滑槽6的最大调整高度设定为50cm，倾角范围为60°-75°，滑槽槽间距为5mm，相机4、光源3安装在滑槽下方的相机、光源可调支架2上，可根据物料下落情况调整相机4、光源3位置，当物料下落至镜头前，确保获取最佳的物料图像，选用ccd工业相机获取物料图像，物料图像通过图像采集卡传输给试验平台10的上位机9，通过图像处理算法和神经网络分级算法判定该物料是否满足条件，执行机构喷嘴13、mac高速电磁阀12安装在固定支架5上，喷嘴13通过气管11连接mac高速电磁阀12，mac高速电磁阀12通过气管11连接气泵8，mac高速电磁阀12用西门子plc控制，执行分级系统发出指令，喷出满足要求的物料。

当物料从料斗经滑槽滑至检测设备ccd相机前，相机开始拍摄该物料照片，照片经图像采集卡传输给上位机，利用labviewvision模块对获取的图像进行标定、提亮、二值化等处理后，对二值图像进行形态学分析并提取物料的凸包面积、凸包周长、长轴长度、短轴长度等特征参数作为神经网络分级系统的输入，输入参数经归一化处理后，创建神经网络并设置参数进行训练、对输入数据进行预测，判定该物料是否满足条件，若满足条件，则高电平信号发送给执行机构控制器，电磁阀动作，气流进入喷嘴将该物料喷出，进入名优茶出料口15；若不满足条件，则低电平信号发送给执行机构控制器，电磁阀不动作，喷嘴无气流进入，物料直接进入次茶出料口14。

本发明实施例提供的基于机器视觉技术和神经网络算法的机采绿茶分级试验台，机采绿茶物料通过供料系统均匀滑落至相机镜头，检测系统拍摄物料图像并将采集到的图像数据传输给图像采集卡，分级系统对图像数据进行处理，运用神经网络算法进行分级并将分级结果输出给执行机构，执行机构执行分级系统指令，吹出满足条件的物料。试验台可通过调整滑槽倾角、高度、槽间距，设置相机曝光时间，调整气阀的控制面积以及整体的气源压力，匹配相机采样时间与茶叶本身流过该相机的时间，并使plc接收数据时间和发出控制信号的时间略小于茶叶从检测系统到达执行机构的时间,进而对不同加工阶段（鲜叶、理条后、烘干后）的机采绿茶进行分级，测试分级正确率和效率，寻找机采绿茶最佳分级方案，为设计机采绿茶分级设备提供理论依据和试验基础。具有较强的推广与应用价值。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。