《Food Control》:Quantitative assessment of the curl degree of dry tea leaves via skeleton analysis
编辑推荐:
摘要卷曲度是卷曲型茶叶的重要外观特征,对茶叶品质的评估与分级起着关键作用。然而,目前对其的评估主要以主观方式为主。本文提出了一种基于骨架分析的框架,用以客观量化茶叶的卷曲度。该框架采用以中轴点为依据的迭代剪枝算法,从干茶叶图像中生成稳定的骨架结构,有效减少冗余分支并解决结构不连贯
摘要
卷曲度是卷曲型茶叶的重要外观特征,对茶叶品质的评估与分级起着关键作用。然而,目前对其的评估主要以主观方式为主。本文提出了一种基于骨架分析的框架,用以客观量化茶叶的卷曲度。该框架采用以中轴点为依据的迭代剪枝算法,从干茶叶图像中生成稳定的骨架结构,有效减少冗余分支并解决结构不连贯问题。通过提取的骨架,我们建立了卷曲指数,为茶叶卷曲度提供连续的定量衡量标准。该卷曲指数通过绿茶、红茶和乌龙茶样本进行了验证,其结果与专家感官评价高度一致(斯皮尔曼相关系数大于0.93)。为便于标准化分级,还通过Yeo–Johnson变换对绿茶样本的卷曲指数进行归一化处理,从而将卷曲程度分为轻微卷曲、中度卷曲和严重卷曲三类。在高级绿茶样本中,高度卷曲的叶片比例较高,对应的卷曲指数中位数也较高。总体而言,所提出的框架为基于图像的茶叶卷曲度评估提供了一种可行方法,有助于在茶叶生产中实施质量控制和标准化措施。
引言
茶叶作为一种全球广泛饮用的饮品,其品质直接影响消费者的满意度以及市场价值。在众多关键品质指标中,卷曲度——即衡量干茶叶的扭曲或弯曲程度——能够反映茶叶的固有特性以及加工程度(Adhikary等人,2023;W. Qin等人,2022)。幼叶由于纤维素和木质素含量较低,具有较高的柔韧性,在揉捻过程中容易卷曲(Yang等人,2024),而成熟叶片由于这些聚合物含量较高,变形能力较差。揉捻压力、时间和温度等加工参数会显著影响叶片的结构和化学成分,进而影响卷曲程度的形成以及最终产品的整体品质(W. Wang等人,2024)。
目前,卷曲度主要依靠经验丰富的专家通过感官检测来评估。感官评价虽是茶叶品质控制的重要手段,但具有主观性,且难以在不同评估者和不同批次之间实现标准化,常常导致分级结果不一致(Xiong等人,2024)。将此类人工评估方式融入自动化生产系统难度较大,这限制了其在现代茶叶制造业中的应用,而当前茶叶生产越来越需要标准化、数字化和实时质量控制(T. Wu等人,2025)。因此,我们需要标准、客观且可重复的方法来量化卷曲度。
近年来,计算机视觉和图像分析领域的进展极大提升了特征提取方法的效率、精度和无损性(Chai等人,2021;Tan等人,2024;Zhuo & You,2025)。近红外光谱技术(Ding等人,2022;Rong等人,2024;Zhao等人,2023;Y. Wang等人,2021;Ren等人,2020)、高光谱成像技术(Turgut等人,2022;Yin等人,2023)以及机器学习技术(Cui等人,2023;Jiang & Zheng,2023)已被用于茶叶品质评估。不过,这些方法大多侧重于化学成分分析或复杂的仪器设备及数据驱动模型(Y. Chen等人,2025;Guerri等人,2024),往往难以直接解释诸如卷曲度这样的形态学特征。此外,这些方法成本高昂且操作复杂,难以在常规工业应用中推广。因此,目前仍缺乏简单且易于理解的、基于形态学的茶叶卷曲度量化方法。
骨架提取技术可将复杂形状简化为一维中心线,从而捕捉其拓扑连接性和几何结构。它是量化植物形态学的有力工具(Miao等人,2021;Pati?o & Branch,2021)。该技术已在番茄、玉米等作物上成功应用,用于提取高精度的结构特征。Y. Wang等人(2024)证明,通过骨架提取对番茄植株的茎叶进行分割,可有效实现植物表型分析,其高度、茎径和叶片尺寸等特征与真实值的相关系数高达0.92–0.97。类似地,S. Wu等人(2019)利用玉米植株三维点云的骨架提取技术,估算出了叶片长度和植株高度,其归一化均方根误差低于8.4%,有助于实现高通量表型分析。还有研究利用骨架提取技术结合关键点检测和深度数据,评估密集种植条件下的玉米植株结构,这一方法对精准农业管理具有重要意义(Gao等人,2024)。尽管已有诸多进展,但骨架提取技术在茶叶分析领域尚未得到充分应用。尤其当物体形状复杂或结构模糊时,获取可靠的骨架真实值并确保评估公平性仍是难题(Rong等人,2024)。与常见农作物器官相比,茶叶体积更小,形状更为不规则且复杂,还易受轮廓噪声影响,这些都给稳定提取骨架和准确量化特征带来了很大困难(Attali等人,2009)。
常用的骨架提取算法包括基于稀疏化的方法[如Zhang–Suen算法和Hilditch算法]以及基于距离变换的方法[如中轴变换算法],这些方法各有所限。在传统骨架分析中,保留拓扑结构的稀疏化处理、基于中轴线的提取方法以及后续剪枝策略是三大发展方向(Lee,1982;Shen等人,2011;Zhang & Suen,1984)。ZS稀疏化算法是一种源自数学形态学的并行优化方法,效率较高,能保留直线段和连接点等结构特征。但将其应用于复杂形状时,往往会生成冗余分支(Ben Boudaoud等人,2018)。Hilditch算法在某些情况下效果不错,但计算效率较低且难以并行化,因此不适合高通量分析。此外,它对图像质量较为敏感,在噪声环境下容易出现细节丢失或骨架断裂的情况(Naccache & Shinghal,1984)。中轴变换算法则是通过追踪最大内接圆的圆心来构建骨架,从而捕捉几何中心和拓扑结构(Lee,1982)。但它对噪声和边界不规则性极为敏感,可能导致提取的骨架中出现虚假分支和不连续现象。这些问题都会影响形态结构的准确表示,降低后续定量分析的可靠性。正因如此,人们需要设计一种更为稳健的骨架提取方法,能够在抑制噪声干扰的同时保留关键拓扑结构,尤其适用于茶叶这类复杂物体。
为解决上述问题,我们提出了一种基于骨架的框架,用于定量评估茶叶的卷曲度。该框架采用以中轴点为依据的迭代剪枝算法,通过有效去除冗余分支同时保持结构连续性,从而生成稳定且简化的骨架。基于这些提取的骨架,我们提出了可重复的卷曲指数,用于量化茶叶的卷曲程度。该框架将肉眼观察到的卷曲程度转化为基于骨架的定量描述结构,为茶叶外观的客观评估提供了标准化方法。我们还通过将该指数与专家感官评价结果进行对比,以及分析不同等级茶叶的卷曲度分布,进一步验证了其适用性。据我们所知,此前尚未有研究使用基于骨架的形态学描述符来量化茶叶卷曲度。该方法为客观的外观评估提供了直观且成本相对较低的手段,原则上也可集成到自动化生产流程中。
章节节选
茶叶样本收集
为了构建干茶叶图像数据集,我们选择了绿茶、红茶和乌龙茶三类茶叶,分别以香茶、祁门红茶和凤凰单丛茶作为代表。香茶样本包括特级、一级、二级和三级,均为2022年生产,由丽水明天科技有限公司提供。祁门红茶的标准样本则包含特级、一级、二级、三级和四级,同样为2022年生产,由该企业提供
使用MA-IPA进行骨架提取的质量与稳定性
我们在XT_1000、KBT_1000和FDT_1000数据集上,分别对未经过剪枝处理和经MA-IPA算法剪枝处理后的骨架,评估了SS值和RER值。表3显示,在所有数据集中,经过剪枝处理的骨架的SS值都明显高于未剪枝的骨架,这说明该算法能有效简化骨架结构。此外,剪枝处理还使得所有数据集的均值RER值下降,而图8A则表明,不同叶片形态下的RER值都保持在较低水平
结论
我们提出了一种基于图像骨架表示的、客观且可重复的方法,用于分析干茶叶的卷曲度。所提出的MA-IPA算法能够高效、一致地从茶叶图像中提取骨架,其中91.7%的提取骨架符合良好骨架化的标准,可为茶叶形态提供可靠的几何描述。基于这些骨架,我们进一步开发出了定量表征方法,用于测量
CRediT作者贡献说明
范东梅:方法设计,数据整理。王敏:初稿撰写,数据整理。王晓昌:方法设计,数据整理。王周丽:资源协调,数据整理。林杰:文章润色,方法设计,定量分析,数据整理。李兰梅:资源协调,项目管理,概念构思。文伟民:初稿撰写,定量分析,数据整理,概念构思。卢雅婷:初稿撰写,项目管理,数据整理,
利益冲突声明
作者声明,他们不存在任何可能影响本研究结果的已知财务利益或个人关系。
利益冲突声明
作者声明,他们不存在任何可能影响本研究结果的已知财务利益或个人关系。
致谢
本研究得到了绍兴市科技计划项目的支持(项目编号:2025A12002)。
卢雅婷|文伟民|王敏|范东梅|王周丽|王晓昌|李兰梅|林杰
浙江农林大学茶学与茶文化学院,中国杭州311300