CN118071741A - 一种辣木茯茶发酵度测定方法 - Google Patents

Abstract

本申请涉及图像处理技术领域，尤其涉及一种辣木茯茶发酵度测定方法，包括：采集茶叶样本的茶叶图像、茶汤图像和叶底图像；依据茶叶图像、茶汤图像和叶底图像分别获取茶叶颜色值、茶汤颜色值和纹理粗糙度，并将其输入发酵度预测模型，以输出茶叶样本的初始发酵度；计算茶叶样本之间的图像相似度和初始发酵度偏差；若图像相似度和初始发酵度偏差的比值处于预设区间，将初始发酵度作为目标发酵度；若比值不处于预设区间，更新纹理粗糙度，直至得到目标发酵度；若遍历完所有设定方向仍未得到目标发酵度，采集新增茶叶样本，直至得到目标发酵度。本申请的技术方案操作便捷且能够确保发酵度测定结果的准确性。

Description

一种辣木茯茶发酵度测定方法

技术领域

本申请涉及图像处理技术领域，尤其涉及一种辣木茯茶发酵度测定方法。

背景技术

辣木茯茶是一种利用辣木叶和茯苓等原料制成的一种茶饮，富含各种维生素、矿物质和抗氧化物质，具有丰富的营养价值和药用价值。在生产过程中，辣木茯茶的发酵度是一个重要的指标，它直接影响到茶叶的口感、香气和营养成分的释放。为了评估茶叶质量，需要对辣木茯茶的发酵度进行测定。

目前，公开号为CN115128076A的专利申请文件公开了一种茶叶发酵度测定方法，方法包括：获取已充分浸泡和干燥后的茶叶显微图像；获取茶叶已充分浸泡的茶汤成分组成；根据所述茶叶显微图像分析出茶叶的纤维结构保留度；根据纤维结构保留度和茶汤成分组成估算茶叶发酵度。

然而，上述方法通过茶叶在显微镜下的图像来估算茶叶发酵度，需要测量茶汤成分组成，操作繁琐，且不涉及发酵度测定结果的验证过程，无法确保发酵度测定结果的准确性。

发明内容

为了解决现有技术中的上述技术问题，本申请提供了一种辣木茯茶发酵度测定方法，操作便捷且能够确保发酵度测定结果的准确性。

本申请提供了一种辣木茯茶发酵度测定方法，所述测定方法包括：采集待测茶叶的茶叶样本，并采集所述茶叶样本的茶叶图像、茶汤图像和叶底图像；计算所述茶叶图像中茶叶区域的平均像素值，得到所述茶叶样本的茶叶颜色值，计算所述茶汤图像中茶汤区域的平均像素值，得到所述茶叶样本的茶汤颜色值；获取所述叶底图像的梯度图像以确定第一目标方向，沿所述第一目标方向构建所述叶底图像的灰度共生矩阵，并将所述灰度共生矩阵的熵值作为所述茶叶样本的纹理粗糙度；将所述茶叶样本的所述茶叶颜色值、所述茶汤颜色值和所述纹理粗糙度输入发酵度预测模型，以输出所述茶叶样本的初始发酵度。采集所述待测茶叶的至少两组茶叶样本，并计算任意两组茶叶样本之间的图像相似度和初始发酵度偏差，所述图像相似度为所述茶叶图像相似度、茶汤图像相似度和叶底图像相似度的均值；响应于所述图像相似度和所述初始发酵度偏差的比值处于预设区间，将所述初始发酵度作为所述待测茶叶的目标发酵度；响应于所述图像相似度和所述初始发酵度偏差的比值不处于所述预设区间，获取所述叶底图像的第二目标方向以更新所述茶叶样本的纹理粗糙度，直至得到所述待测茶叶的目标发酵度，或遍历完所有设定方向时停止；响应于遍历完所有设定方向时停止，采集所述待测茶叶的至少两组新增茶叶样本，直至得到所述待测茶叶的目标发酵度。

在一些实施例中，所述采集所述茶叶样本的茶叶图像、茶汤图像和叶底图像包括：采集浸泡前所述茶叶样本的灰度图像，得到茶叶图像；将茶叶样本充分浸泡后，采集茶汤的灰度图像以作为茶汤图像；将茶叶样本充分浸泡后，采集所述茶叶样本的灰度图像，得到叶底图像。

在一些实施例中，计算所述茶叶图像中茶叶区域的平均像素值，得到所述茶叶样本的茶叶颜色值包括：对所述茶叶图像进行中值滤波，得到茶叶去噪图像；依据最大类间方差法确定所述茶叶去噪图像的茶叶分割阈值，并利用所述茶叶分割阈值对所述茶叶去噪图像进行阈值分割，得到茶叶二值图像，所述茶叶二值图像中茶叶区域内像素点的取值为1，茶叶区域外像素点的取值为0；将所述茶叶二值图像与所述茶叶去噪图像相乘，得到茶叶区域图像；计算所述茶叶区域图像中所有像素点的平均值，作为所述茶叶样本的茶叶颜色值。

在一些实施例中，所述发酵度预测模型满足关系式：

；其中，/>为茶叶样本/>的茶叶颜色值，/>为茶叶样本/>的茶汤颜色值，/>为茶叶样本/>的纹理粗糙度，/>、/>、/>和/>分别为第一系数、第二系数、第三系数和第四系数；/>为茶叶样本/>的初始发酵度。

在一些实施例中，所述发酵度预测模型的拟合方法包括：采集多组茶叶测试样本，对于一组茶叶测试样本，获取所述茶叶测试样本的茶叶颜色值、茶汤颜色值和纹理粗糙度，并标注所述茶叶测试样本的真实发酵度，得到所述茶叶测试样本对应的训练数据；将所有茶叶测试样本对应的训练数据作为训练数据集；在所述训练数据集上，利用最小二乘法拟合所述发酵度预测模型，以确定所述第一系数、所述第二系数、所述第三系数和所述第四系数的取值。

在一些实施例中，任意两组茶叶样本之间的图像相似度满足关系式：

；其中，/>、/>和/>分别代表茶叶样本/>的茶叶图像、茶汤图像和叶底图像；/>、/>和/>分别代表茶叶样本/>的茶叶图像、茶汤图像和叶底图像；/>代表茶叶图像/>和茶叶图像/>之间的茶叶图像相似度，/>代表茶汤图像/>和茶汤图像/>之间的茶汤图像相似度，/>代表叶底图像/>和叶底图像/>之间的叶底图像相似度，/>为茶叶样本/>和茶叶样本/>之间的图像相似度；所述初始发酵度偏差满足关系式：

；其中，/>为茶叶样本/>的初始发酵度，/>为茶叶样本/>的初始发酵度，/>为茶叶样本/>和茶叶样本/>之间的初始发酵度偏差。

在一些实施例中，所述预设区间的确定方法包括：对于多组茶叶测试样本，每组茶叶测试样本包括茶叶图像、茶汤图像、叶底图像和真实发酵度；计算任意两组茶叶测试样本的图像相似度，以及真实发酵度偏差，并计算所述图像相似度和所述真实发酵度偏差的比值，得到一组真实比值；对所有真实比值进行高斯函数拟合以获取高斯函数的均值和方差；基于所述均值/>和所述方差/>确定预设区间，所述预设区间为/>。

在一些实施例中，所述设定方向包括、/>、/>和/>，获取所述叶底图像的梯度图像以确定第一目标方向包括：计算所述叶底图像中每一个像素点的梯度向量，得到梯度图像，所述梯度向量包括梯度大小和梯度方向；对于任意一个设定方向，获取每个像素点在所述设定方向的投影梯度，所述投影梯度满足关系式：

；其中，/>为像素点/>的梯度向量，/>为所述设定方向的方向向量，/>为像素点/>在所述设定方向/>上的投影梯度；将所有像素点在所述设定方向上投影梯度的总和作为所述设定方向的纹理丰富度；获取每一个设定方向的纹理丰富度，并将纹理丰富度最大值对应的设定方向确定为第一目标方向。

在一些实施例中，获取所述叶底图像的第二目标方向以更新所述茶叶样本的纹理粗糙度包括：按照纹理丰富度从大到小的顺序对所有设定方向进行排列，在排名第二的设定方向作为第二目标方向，并构建所述叶底图像在所述第二目标方向上的灰度共生矩阵；计算所有灰度共生矩阵熵值的总和，得到所述茶叶样本更新后的纹理粗糙度；将所述茶叶样本的茶叶颜色值、茶汤颜色值和更新后的纹理粗糙度输入发酵度预测模型，再次输出所述茶叶样本的初始发酵度。

本申请的技术方案具有以下有益技术效果：

本申请实施例提供的上述一种辣木茯茶发酵度测定方法，首选从待测茶叶中采集至少两组茶叶样本，获取茶叶样本的茶叶颜色值、茶汤颜色值和纹理粗糙度，其中纹理粗糙度为叶底图像沿着第一目标方向的灰度共生矩阵的熵值；将茶叶颜色值、茶汤颜色值和纹理粗糙度输入发酵度预测模型，以输出每组茶叶样本的初始发酵度；进一步的，计算任意两组茶叶样本之间的图像相似度和初始发酵度偏差，响应于图像相似度和初始发酵度偏差的比值不处于预设区间，采集叶底图像沿着第二目标方向的灰度共生矩阵的熵值，以更新纹理粗糙度，直至得到所述待测茶叶的目标发酵度，或遍历完所有设定方向时停止；若遍历完所有设定方向时停止，再次采集待测茶叶的至少两组新增茶叶样本，直至得到待测茶叶的目标发酵度，仅需采集图像即可得到待测茶叶的目标发酵度，操作便捷且能够确保发酵度测定结果的准确性。

进一步地，在确定第一目标方向的过程中，设定4个设定方向，计算每一个设定方向的纹理丰富度，并将纹理丰富度最大值对应的设定方向确定为第一目标方向，首先依据第一目标方向上的纹理粗糙度获取茶叶样本的初始发酵度，当图像相似度和初始发酵度偏差的比值处于预设区间时，直接得到待测茶叶的发酵度测定结果，减少后续的计算过程，提高发酵度测定效率。

附图说明

通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

图1是根据本申请实施例的一种辣木茯茶发酵度测定方法的流程图；

图2是根据本申请实施例的叶底图像中设定方向的示意程图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应当理解，当本申请使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本申请使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

本申请提供了一种辣木茯茶发酵度测定方法。请参见图1所示，是根据本申请实施例的一种辣木茯茶发酵度测定方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。

S11，采集待测茶叶的茶叶样本，并采集所述茶叶样本的茶叶图像、茶汤图像和叶底图像。

在一个实施例中，在辣木茯茶发酵的过程中，往往对大量的辣木茯茶同时进行发酵，在发酵过程中的任意时刻，或发酵过程结束后，需要判断所有辣木茯茶的发酵度，进而判断辣木茯茶的发酵度是否满足要求，此时，待测茶叶为需要测定发酵度的所有辣木茯茶，从待测茶叶随机挑选少量辣木茯茶，即可得到一组茶叶样本。

在一个实施例中，所述采集所述茶叶样本的茶叶图像、茶汤图像和叶底图像包括：采集浸泡前所述茶叶样本的灰度图像，得到茶叶图像；将茶叶样本充分浸泡后，采集茶汤的灰度图像以作为茶汤图像；将茶叶样本充分浸泡后，采集所述茶叶样本的灰度图像，得到叶底图像。其中，叶底即为充分浸泡后的茶叶样本。

可以理解地，为确保茶叶图像、茶汤图像和叶底图像能够准确反映茶叶样本的特征，在采集灰度图像时，可在背景特征明显区别于茶叶样本、茶汤和叶底的背景下进行拍摄，比如，可在纯白背景下采集茶叶图像、茶汤图像和叶底图像。

如此，得到一组茶叶样本的茶叶图像、茶汤图像和叶底图像，为实现辣木茯茶发酵度的测定提供数据基础。

S12，计算所述茶叶图像中茶叶区域的平均像素值，得到所述茶叶样本的茶叶颜色值，计算所述茶汤图像中茶汤区域的平均像素值，得到所述茶叶样本的茶汤颜色值。

在一个实施例中，计算所述茶叶图像中茶叶区域的平均像素值，得到所述茶叶样本的茶叶颜色值包括：对所述茶叶图像进行中值滤波，得到茶叶去噪图像；依据最大类间方差法确定所述茶叶去噪图像的茶叶分割阈值，并利用所述茶叶分割阈值对所述茶叶去噪图像进行阈值分割，得到茶叶二值图像，所述茶叶二值图像中茶叶区域内像素点的取值为1，茶叶区域外像素点的取值为0；将所述茶叶二值图像与所述茶叶去噪图像相乘，得到茶叶区域图像；计算所述茶叶区域图像中所有像素点的平均值，作为所述茶叶样本的茶叶颜色值。

同理，针对所述茶汤图像，步骤“计算所述茶汤图像中茶汤区域的平均像素值，得到所述茶叶样本的茶汤颜色值”的实施方法与步骤“计算所述茶叶图像中茶叶区域的平均像素值，得到所述茶叶样本的茶叶颜色值”的实施方法相同，在此不做赘述。

如此，得到茶叶样本的茶叶颜色值和茶汤颜色值，茶叶颜色值能够反映茶叶样本在浸泡前的颜色特征；茶汤颜色值能够反映茶叶样本在充分浸泡后茶汤的颜色特征。

S13，获取所述叶底图像的梯度图像以确定第一目标方向，沿所述第一目标方向构建所述叶底图像的灰度共生矩阵，并将所述灰度共生矩阵的熵值作为所述茶叶样本的纹理粗糙度。

在一个实施例中，叶底图像中纹理信息可以反映茶叶的发酵度，发酵程度高的茶叶在冲泡后的叶底会呈现出比较均匀的红褐色，且叶底纹理清晰有条理。为准确预测待测茶叶的发酵度，本申请对叶底图像中的纹理粗糙度进行检测。

在对茶叶样本的纹理粗糙度进行检测前，需要确定第一目标方向，所述第一目标方向为叶底图像中纹理信息最丰富的方向，所述第一目标方向为4个设定方向中的任意一个，所述设定方向为、/>、/>和/>，请参见图2，是根据本申请实施例的叶底图像中设定方向的示意程图；沿一个设定方向上的梯度大小的总和越大，则表示该设定方向上的纹理信息越丰富。

具体地，获取所述叶底图像的梯度图像以确定第一目标方向包括：计算所述叶底图像中每一个像素点的梯度向量，得到梯度图像，所述梯度向量包括梯度大小和梯度方向；对于任意一个设定方向，获取每个像素点在所述设定方向的投影梯度，所述投影梯度满足关系式：

；其中，/>为像素点/>的梯度向量，/>为所述设定方向的方向向量，/>为像素点/>在所述设定方向/>上的投影梯度；将所有像素点在所述设定方向上投影梯度的总和作为所述设定方向的纹理丰富度；获取每一个设定方向的纹理丰富度，并将纹理丰富度最大值对应的设定方向确定为第一目标方向。

其中，所述设定方向的方向向量为模长为1的单位向量。

在一个实施例中，确定了第一目标方向后，即可在第一目标方向上构建叶底图像的灰度共生矩阵，所述灰度共生矩阵为256×256的方阵，并计算灰度共生矩阵的熵值作为所述茶叶样本的纹理粗糙度，其中256表示叶底图像在256个灰度级。

其中，灰度共生矩阵的构建方法和灰度共生矩阵熵值的计算方法为本领域技术人员的公知技术，在此不再赘述。

S14，将所述茶叶样本的所述茶叶颜色值、所述茶汤颜色值和所述纹理粗糙度输入发酵度预测模型，以输出所述茶叶样本的初始发酵度。

在一个实施例中，所述发酵度预测模型的输入为茶叶样本的茶叶颜色值、茶汤颜色值和纹理粗糙度，输出为茶叶样本的初始发酵度。所述发酵度预测模型满足关系式：

；其中，/>为茶叶样本/>的茶叶颜色值，/>为茶叶样本/>的茶汤颜色值，/>为茶叶样本/>的纹理粗糙度，/>、/>、/>和/>分别为第一系数、第二系数、第三系数和第四系数；/>为茶叶样本/>的初始发酵度。

在依据发酵度预测模型输出茶叶样本的初始发酵度之前，需要利用最小二乘法对发酵度预测模型进行拟合，以确定第一系数、第二系数、第三系数和第四系数的取值，确保发酵度预测模型输出准确的初始发酵度。具体地，所述发酵度预测模型的拟合方法包括：采集多组茶叶测试样本，对于一组茶叶测试样本，获取所述茶叶测试样本的茶叶颜色值、茶汤颜色值和纹理粗糙度，并标注所述茶叶测试样本的真实发酵度，得到所述茶叶测试样本对应的训练数据；将所有茶叶测试样本对应的训练数据作为训练数据集；在所述训练数据集上，利用最小二乘法拟合所述发酵度预测模型，以确定所述第一系数、所述第二系数、所述第三系数和所述第四系数的取值。示例性的，对于一组茶叶测试样本，利用化学分析法检测茶叶测试样本中多酚类化合物、氨基酸、咖啡碱等化学成分的含量，以获取发酵度测量结果，并将发酵度测量结果作为所述茶叶测试样本的真实发酵度；进一步地，采集该茶叶测试样本的茶叶图像、茶汤图像和叶底图像，以获取该茶叶测试样本的茶叶颜色值、茶汤颜色值和纹理粗糙度；如此，能够获取该茶叶测试样本的茶叶颜色值、茶汤颜色值和纹理粗糙度，并得到该茶叶测试样本的真实发酵度，得到该茶叶测试样本的训练数据。

确定第一系数、第二系数、第三系数和第四系数的取值后，即可将茶叶样本的茶叶颜色值、茶汤颜色值和纹理粗糙度输入发酵度预测模型，输出茶叶样本的初始发酵度。

S15，采集所述待测茶叶的至少两组茶叶样本，并计算任意两组茶叶样本之间的图像相似度和初始发酵度偏差，所述图像相似度为所述茶叶图像相似度、茶汤图像相似度和叶底图像相似度的均值。

在一个实施例中，一组茶叶样本的初始发酵度无法准确反映待测茶叶真实的发酵度，因此，采集所述待测茶叶的至少两组茶叶样本，并获取每一组茶叶样本的初始发酵度。

在一个实施例中，任意两组茶叶样本之间的图像相似度满足关系式：

；其中，/>、/>和/>分别代表茶叶样本/>的茶叶图像、茶汤图像和叶底图像；/>、/>和/>分别代表茶叶样本/>的茶叶图像、茶汤图像和叶底图像；/>代表茶叶图像/>和茶叶图像/>之间的茶叶图像相似度，/>代表茶汤图像/>和茶汤图像/>之间的茶汤图像相似度，/>代表叶底图像/>和叶底图像/>之间的叶底图像相似度，/>为茶叶样本/>和茶叶样本/>之间的图像相似度。所述初始发酵度偏差满足关系式：

；其中，/>为茶叶样本/>的初始发酵度，/>为茶叶样本/>的初始发酵度，/>为茶叶样本/>和茶叶样本/>之间的初始发酵度偏差。

其中，SSIM（Structural Similarity）是一种用来衡量图片相似度的指标，从亮度、对比度和边缘特征三方面衡量图片相似度。

S16，响应于所述图像相似度和所述初始发酵度偏差的比值处于预设区间，将所述初始发酵度作为所述待测茶叶的目标发酵度。

在一个实施例中，对于任意两组茶叶样本而言，其图像相似度越大，则对应的初始发酵度偏差应越小，比如，当图像相似度取值为1时，对应初始发酵度偏差的取值应该为0，即图像相似度与初始发酵度偏差呈负相关。因此，根据图像相似度和初始发酵度偏差的比值能够验证初始发酵度的准确性。

在根据图像相似度和初始发酵度偏差的比值验证初始发酵度的准确性之前，需要确定预设区间的具体范围，具体描述如下。所述预设区间的确定方法包括：对于多组茶叶测试样本，每组茶叶测试样本包括真实发酵度；计算任意两组茶叶测试样本的图像相似度，以及真实发酵度偏差，并计算所述图像相似度和所述真实发酵度偏差的比值，得到一组真实比值；对所有真实比值进行高斯函数拟合以获取高斯函数的均值和方差/>；基于所述均值和所述方差/>确定预设区间，所述预设区间为/>。

其中，预设区间是依据高斯函数的法则设定的。

在一个实施例中，响应于所述图像相似度和所述初始发酵度偏差的比值处于预设区间，表示所述初始发酵度的准确性满足要求，此时直接将所述初始发酵度作为所述待测茶叶的目标发酵度，得到待测茶叶的发酵度测定结果，减少后续的计算过程，提高发酵度测定效率。

S17，响应于所述图像相似度和所述初始发酵度偏差的比值不处于所述预设区间，获取所述叶底图像的第二目标方向以更新所述茶叶样本的纹理粗糙度，直至得到所述待测茶叶的目标发酵度，或遍历完所有设定方向时停止。

在一个实施例中，响应于所述图像相似度和所述初始发酵度偏差的比值不处于所述预设区间，表示所述初始发酵度的准确性不满足要求，为了确保发酵度测定的准确性，需要获取叶底图像的第二目标方向，采集更丰富的纹理信息。

具体地，获取所述叶底图像的第二目标方向以更新所述茶叶样本的纹理粗糙度包括：按照纹理丰富度从大到小的顺序对所有设定方向进行排列，在排名第二的设定方向作为第二目标方向，并构建所述叶底图像在所述第二目标方向上的灰度共生矩阵；计算所有灰度共生矩阵熵值的总和，得到所述茶叶样本更新后的纹理粗糙度；将所述茶叶样本的茶叶颜色值、茶汤颜色值和更新后的纹理粗糙度输入发酵度预测模型，再次输出所述茶叶样本的初始发酵度。

在一个实施例中，依据再次输出的茶叶样本的初始发酵度，再次判断图像相似度和初始发酵度偏差的比值是否处于预设区间；响应于所述图像相似度和所述初始发酵度偏差的比值不处于所述预设区间，获取所述叶底图像的第三目标方向，直至得到所述待测茶叶的目标发酵度，或遍历完所有设定方向时停止。其中，所有设定方向包括、/>、/>和共四个方向。

可以理解地，获取所述叶底图像的第三目标方向包括：按照纹理丰富度从大到小的顺序对所有设定方向进行排列，在排名第三的设定方向作为第三目标方向。

当遍历完所有设定方向后，如果还未满足“所述图像相似度和所述初始发酵度偏差的比值处于预设区间”的条件，说明此时的两组茶叶样本不能得到准确的待测茶叶的目标发酵度。因此，还需执行步骤S18。

S18，响应于遍历完所有设定方向时停止，采集所述待测茶叶的至少两组新增茶叶样本，直至得到所述待测茶叶的目标发酵度。

在一个实施例中，响应于遍历完所有设定方向时停止，表示此时的两组茶叶样本不能得到准确的待测茶叶的目标发酵度，从待测茶叶中再次采样，得到至少两组新增茶叶样本，对两组新增茶叶样本再次执行步骤S11至步骤S18，直至得到所述待测茶叶的目标发酵度，保障发酵度测定结果的准确性。

本申请实施例提供的上述一种辣木茯茶发酵度测定方法，首选从待测茶叶中采集至少两组茶叶样本，获取茶叶样本的茶叶颜色值、茶汤颜色值和纹理粗糙度，其中纹理粗糙度为叶底图像沿着第一目标方向的灰度共生矩阵的熵值；将茶叶颜色值、茶汤颜色值和纹理粗糙度输入发酵度预测模型，以输出每组茶叶样本的初始发酵度；进一步的，计算任意两组茶叶样本之间的图像相似度和初始发酵度偏差，响应于图像相似度和初始发酵度偏差的比值不处于预设区间，采集叶底图像沿着第二目标方向的灰度共生矩阵的熵值，以更新纹理粗糙度，直至得到所述待测茶叶的目标发酵度，或遍历完所有设定方向时停止；若遍历完所有设定方向时停止，再次采集待测茶叶的至少两组新增茶叶样本，直至得到待测茶叶的目标发酵度，仅需采集图像即可得到待测茶叶的目标发酵度，操作便捷且能够确保发酵度测定结果的准确性。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。

Claims (9)

1.一种辣木茯茶发酵度测定方法，其特征在于，所述测定方法包括：

采集待测茶叶的茶叶样本，并采集所述茶叶样本的茶叶图像、茶汤图像和叶底图像；

计算所述茶叶图像中茶叶区域的平均像素值，得到所述茶叶样本的茶叶颜色值，计算所述茶汤图像中茶汤区域的平均像素值，得到所述茶叶样本的茶汤颜色值；

获取所述叶底图像的梯度图像以确定第一目标方向，沿所述第一目标方向构建所述叶底图像的灰度共生矩阵，并将所述灰度共生矩阵的熵值作为所述茶叶样本的纹理粗糙度；

将所述茶叶样本的所述茶叶颜色值、所述茶汤颜色值和所述纹理粗糙度输入发酵度预测模型，以输出所述茶叶样本的初始发酵度；

采集所述待测茶叶的至少两组茶叶样本，并计算任意两组茶叶样本之间的图像相似度和初始发酵度偏差，所述图像相似度为所述茶叶图像相似度、茶汤图像相似度和叶底图像相似度的均值；

响应于所述图像相似度和所述初始发酵度偏差的比值处于预设区间，将所述初始发酵度作为所述待测茶叶的目标发酵度；

响应于所述图像相似度和所述初始发酵度偏差的比值不处于所述预设区间，获取所述叶底图像的第二目标方向以更新所述茶叶样本的纹理粗糙度，直至得到所述待测茶叶的目标发酵度，或遍历完所有设定方向时停止；

响应于遍历完所有设定方向时停止，采集所述待测茶叶的至少两组新增茶叶样本，直至得到所述待测茶叶的目标发酵度。

2.如权利要求1所述的一种辣木茯茶发酵度测定方法，其特征在于，所述采集所述茶叶样本的茶叶图像、茶汤图像和叶底图像包括：

采集浸泡前所述茶叶样本的灰度图像，得到茶叶图像；

将茶叶样本充分浸泡后，采集茶汤的灰度图像以作为茶汤图像；

将茶叶样本充分浸泡后，采集所述茶叶样本的灰度图像，得到叶底图像。

3.如权利要求1所述的一种辣木茯茶发酵度测定方法，其特征在于，计算所述茶叶图像中茶叶区域的平均像素值，得到所述茶叶样本的茶叶颜色值包括：

对所述茶叶图像进行中值滤波，得到茶叶去噪图像；

依据最大类间方差法确定所述茶叶去噪图像的茶叶分割阈值，并利用所述茶叶分割阈值对所述茶叶去噪图像进行阈值分割，得到茶叶二值图像，所述茶叶二值图像中茶叶区域内像素点的取值为1，茶叶区域外像素点的取值为0；

将所述茶叶二值图像与所述茶叶去噪图像相乘，得到茶叶区域图像；

计算所述茶叶区域图像中所有像素点的平均值，作为所述茶叶样本的茶叶颜色值。

4.如权利要求1所述的一种辣木茯茶发酵度测定方法，其特征在于，所述发酵度预测模型满足关系式：

；其中，/>为茶叶样本/>的茶叶颜色值，/>为茶叶样本/>的茶汤颜色值，/>为茶叶样本/>的纹理粗糙度，/>、/>、/>和/>分别为第一系数、第二系数、第三系数和第四系数；/>为茶叶样本/>的初始发酵度。

5.如权利要求4所述的一种辣木茯茶发酵度测定方法，其特征在于，所述发酵度预测模型的拟合方法包括：

采集多组茶叶测试样本，对于一组茶叶测试样本，获取所述茶叶测试样本的茶叶颜色值、茶汤颜色值和纹理粗糙度，并标注所述茶叶测试样本的真实发酵度，得到所述茶叶测试样本对应的训练数据；

将所有茶叶测试样本对应的训练数据作为训练数据集；

在所述训练数据集上，利用最小二乘法拟合所述发酵度预测模型，以确定所述第一系数、所述第二系数、所述第三系数和所述第四系数的取值。

6.如权利要求1所述的一种辣木茯茶发酵度测定方法，其特征在于，任意两组茶叶样本之间的图像相似度满足关系式：

；其中，/>、/>和/>分别代表茶叶样本/>的茶叶图像、茶汤图像和叶底图像；/>、/>和/>分别代表茶叶样本/>的茶叶图像、茶汤图像和叶底图像；/>代表茶叶图像/>和茶叶图像/>之间的茶叶图像相似度，/>代表茶汤图像/>和茶汤图像/>之间的茶汤图像相似度，/>代表叶底图像/>和叶底图像/>之间的叶底图像相似度，/>为茶叶样本/>和茶叶样本/>之间的图像相似度；

所述初始发酵度偏差满足关系式：

；其中，/>为茶叶样本/>的初始发酵度，/>为茶叶样本/>的初始发酵度，/>为茶叶样本/>和茶叶样本/>之间的初始发酵度偏差。

7.如权利要求6所述的一种辣木茯茶发酵度测定方法，其特征在于，所述预设区间的确定方法包括：

对于多组茶叶测试样本，每组茶叶测试样本包括茶叶图像、茶汤图像、叶底图像和真实发酵度；

计算任意两组茶叶测试样本的图像相似度，以及真实发酵度偏差，并计算所述图像相似度和所述真实发酵度偏差的比值，得到一组真实比值；

对所有真实比值进行高斯函数拟合以获取高斯函数的均值和方差/>；

基于所述均值和所述方差/>确定预设区间，所述预设区间为/>。

8.如权利要求1所述的一种辣木茯茶发酵度测定方法，其特征在于，所述设定方向包括、/>、/>和/>，获取所述叶底图像的梯度图像以确定第一目标方向包括：

计算所述叶底图像中每一个像素点的梯度向量，得到梯度图像，所述梯度向量包括梯度大小和梯度方向；

对于任意一个设定方向，获取每个像素点在所述设定方向的投影梯度，所述投影梯度满足关系式：

；其中，/>为像素点/>的梯度向量，/>为所述设定方向的方向向量，/>为像素点/>在所述设定方向/>上的投影梯度；

将所有像素点在所述设定方向上投影梯度的总和作为所述设定方向的纹理丰富度；

获取每一个设定方向的纹理丰富度，并将纹理丰富度最大值对应的设定方向确定为第一目标方向。

9.如权利要求8所述的一种辣木茯茶发酵度测定方法，其特征在于，获取所述叶底图像的第二目标方向以更新所述茶叶样本的纹理粗糙度包括：

按照纹理丰富度从大到小的顺序对所有设定方向进行排列，在排名第二的设定方向作为第二目标方向，并构建所述叶底图像在所述第二目标方向上的灰度共生矩阵；

计算所有灰度共生矩阵熵值的总和，得到所述茶叶样本更新后的纹理粗糙度；

将所述茶叶样本的茶叶颜色值、茶汤颜色值和更新后的纹理粗糙度输入发酵度预测模型，再次输出所述茶叶样本的初始发酵度。