基于水分比的茶叶萎凋程度在线检测与智能控制方法与流程

本技术属于智能控制，具体涉及一种基于水分比的茶叶萎凋程度在线检测与智能控制方法。

背景技术：

1、在红茶初制加工中，萎凋是形成红茶特有色、香、味的基础工序，萎凋的核心在于通过水分的持续散失，促使叶片物理形态收缩、质地变软，并引发内部多酚类物质的生化转变。实现萎凋红茶的精确预测，对于稳定红茶品质具有重要的工程价值。

2、目前，针对红茶萎凋终点的评判，传统方式主要依赖制茶工人的感官经验，通过揉捏茶叶或观察颜色进行人工判断。随着无损检测技术的发展，基于机器视觉的方法将茶叶图像通过图像阈值分割或卷积神经网络（cnn）提取局部图像的颜色、纹理特征，随后构建全局图像特征与标签的映射模型。例如，中国专利cn121366280a公开了一种基于机器视觉的茶叶揉捻程度识别方法，其通过分水岭分割将茶叶图像划分成多个茶叶对象区域，根据各个茶叶对象区域的形态特征识别出茶叶的揉捻等级。另一项研究中国专利cn120014465a利用yolov8x-seg对图像实例分割出茶叶和茎秆集合，通过剪枝获取树结构，将多维度输入向量输入至嫩芽识别分类模型中，得到茶叶嫩芽的识别结果。在实际工业生产的复杂堆叠场景下，现有技术然存在以下技术问题：

3、（1）图像特征提取困难，萎凋槽内茶叶相互遮挡，浅层分割方法难以将堆叠的茶叶从萎凋槽中分割出来，分割的残缺叶片若作为有效样本直接输入后续网络，会降低模型训练的效果。

4、（2）单一卷积神经网络受限于局部感受野，难以兼顾局部纹理细节与全局形态特征。

5、（3）堆叠场景下实例分割困难、图像数据集夹杂残缺图像和模型预测精度差。

6、（4）现有茶叶萎凋设备的底层控制模式容易导致茶叶萎凋不足或过度萎凋，难以实现基于物料真实状态的闭环自适应加工。

7、因此，亟需一种新的方法，通过引入实例分割、异常掩码过滤与多源特征融合机制，实现对萎凋茶叶水分比的高精度预测和萎凋的自适应控制。

技术实现思路

1、为了解决现有技术中存在的上述技术问题，本发明的目的是克服现有机器视觉技术在茶叶萎凋程度检测中存在的易受堆叠背景干扰、图像数据集夹杂残缺图像以及单一网络特征提取维度受限等技术缺陷，其技术方案如下：

2、一种基于水分比的茶叶萎凋程度在线检测与智能控制方法，包括如下步骤：

3、步骤1：获取原始图像和水分比标签，进行双分支图像预处理，得到纹理增强图像和色彩矫正图像；并通过初始状态茶叶含水率、当前茶叶含水率及当前环境茶叶平衡含水率，计算全局水分比；

4、步骤2：基于目标检测模型对所述纹理增强图像提取单叶边界框，并通过实例分割模型生成单叶候选掩码，对所述单叶候选掩码进行交并比阈值过滤，得到初始单叶掩码集合；

5、步骤3：通过所述初始单叶掩码集合获取单叶图像集合；

6、步骤4：提取所述单叶图像集合中形态与色彩特征并进行归一化，计算综合新鲜度指数，并结合所述全局水分比，为每一片茶叶分配动态单叶水分比标签；

7、步骤5：将所述单叶图像集合输入三分支水分比模型中进行特征提取与水分比回归，得到预测的单叶水分比；

8、步骤6：将所述单叶水分比均值作为反馈，通过干燥动力学模型推演的理想失水轨迹及模糊控制动态调节萎凋槽的加热温度与风机转速，进行闭环控制。

9、进一步的，所述步骤1中，所述双分支分别为：

10、（1）用于实例分割的纹理增强图像预处理分支

11、对原始图像进行亮度对齐和基于灰度世界算法的初次全局白平衡校正，在lab色彩空间对l通道实施限制对比度自适应直方图均衡化，并进行二次全局白平衡校正，输出纹理增强图像；

12、（2）用于特征回归的色彩矫正图像预处理分支

13、对原始图像依次进行百分比直方图拉伸、非线性伽马校正及lab色彩空间纹理增强，在获得有效单叶掩码后，对掩码区域进行抠图与拉伸，输出色彩矫正的单叶图像。

14、进一步的，所述步骤1中，所述全局水分比的具体计算过程为：

15、①采用标准烘干法测定初始状态的茶叶的含水率；

16、②结合称重萎凋槽实时计算当前茶叶的含水率；

17、③测量当前环境下的茶叶平衡含水率；

18、④根据水分比公式计算全流程的全局水分比，其全局水分比计算表达式为：

19、

20、其中，为当前批次的全局水分比；为当前时刻茶叶的干基含水率；为当前环境条件下的平衡干基含水率；为萎凋初始时刻茶叶的干基含水率。

21、进一步的，所述步骤2中，所述目标检测模型为基于半监督自训练机制优化的目标检测模型，采用yolov10s网络模型作为目标检测模型，以初始人工标注数据训练最优基线网络作为教师模型，对训练集图像进行预测，并提取高置信度预测框生成为伪标签，将所述伪标签与原数据集融合后重新训练学生模型，输出高精度单叶边界框；

22、所述实例分割模型采用sam2.1模型，其图像编码器提取原图特征，提示编码器接收所述单叶边界框作为提示信号，掩码解码器结合图像特征输出单叶候选掩码；

23、所述交并比阈值过滤的阈值设定为0.88。

24、进一步的，所述步骤3的具体过程为：

25、步骤3.1：提取初始单叶掩码集合中各单叶候选掩码的最大连通域轮廓点集，计算二值掩码像素值，通过二值掩码像素值得到几何质心坐标，其表达式为：

26、

27、其中，为二值掩码像素值；

28、步骤3.2：以所述几何质心坐标为基准，沿叶片轮廓边缘逐像素遍历，计算轮廓边缘像素点至几何质心的欧氏距离，其计算表达式为：

29、

30、其中，表示第个边缘像素点，(,)为边缘像素点的坐标，(,)为几何质心的坐标；

31、步骤3.3：计算相邻轮廓点间的相对位移，累加相邻轮廓点间的物理弧长，得到第i个像素点对应的累积物理弧长，以累积物理弧长为横坐标，将二维叶片封闭轮廓映射为一维时域波形信号；其累积物理弧长计算表达式为：

32、

33、其中，为累积物理弧长，起始点；

34、步骤3.4：对所述一维波形信号进行快速傅里叶变换提取低频能量谱；

35、步骤3.5：将所述低频能量谱与时域特征向量进行拼接，并通过主成分分析降维；

36、步骤3.6：输入多层感知机剔除残缺的掩码，得到单叶图像集合。

37、进一步的，所述步骤4中，所述综合新鲜度指数的计算表达式为：

38、

39、其中，为第片单叶的综合新鲜度指数；、、和分别为归一化茶叶宽度、亮度、红绿度和圆形度；

40、所述动态单叶水分比标签计算表达式为：

41、

42、其中，为第片单叶的动态水分比标签，为当前图像的测量含水率，为个体补偿系数。

43、进一步的，所述步骤5中，所述三分支水分比模型由纯卷积网络分支、全局视觉变换器分支和层级视觉变换器分支并联构成；

44、所述步骤5的具体过程为：

45、步骤5.1：提取单叶图像在三个分支输出的视觉特征，并同步提取所述单叶图像的显式物理特征；

46、步骤5.2：将所述视觉特征与显式物理特征在通道维度进行拼接融合，输入至带有sigmoid激活函数约束的回归头中计算当前单叶的预测水分比。

47、进一步的，所述显式物理特征包含rgb通道均值、rgb通道标准差、前景像素占比、高光像素比例以及平均饱和度；

48、所述回归头的模型训练采用平均绝对误差与平滑l1损失的加权组合目标函数，计算表达式为：

49、

50、其中，为第个样本预测水分比，为对应的个体水分比标签；表示平均绝对误差，smooth表示平滑损失，二者的加权系数之和为1；

51、所述回归头末端引入sigmoid约束，并根据训练集标签范围进行线性映射，其表达式为：

52、

53、其中，和分别为训练集真实水分比的最小值和最大值；为回归头线性层的输出量。

54、进一步的，所述步骤6中，所述干燥动力学模型采用aghbashlo干燥动力学模型，其表达式为：

55、

56、其中，和为由温度、风速等工况确定的aghbashlo模型特征常数，为萎凋时长。

57、进一步的，所述步骤6的具体过程为：

58、步骤6.1：将从干燥动力学模型中读取的工况参数代入内置的参数图谱，计算出当前环境的动力学模型特征常数，其参数图谱为工艺参数的多元非线性拟合公式；

59、步骤6.2：以干燥动力学曲线为基准，规划出理想的水分比下降轨迹，与三分支水分比模型预测的水分比进行对比，计算出当前时刻的水分比误差，其计算表达式为：

60、

61、其中，为第个采样时刻的理想水分比，为视觉系统实测的全局平均水分比，为水分比误差；

62、步骤6.3：对比相邻两个采样周期，计算误差变化率，其计算表达式为：

63、

64、其中，为误差变化率，为相邻采样时刻的时间间隔；

65、步骤6.4：控制器将具体的数字量转化为模糊集合，将误差和误差变化率划分为五个模糊等级；

66、步骤6.5：输出端对应加热温度调节量与风机转速调节量，并为所述加热温度调节量与风机转速调节量配置对应的五个模糊子集；

67、步骤6.6：采用重心法解模糊，将区间分布转化为唯一的精确物理量，表达式为：

68、

69、其中，为最终输出的精确控制量（或）；为模糊论域内第个离散坐标点；为该点的聚合隶属度；为离散坐标点总数。

70、有益效果：（1）有效排除了残缺样本的干扰，提高了输入网络的数据纯净度，从而提升了整个预测模型的鲁棒性和抗干扰能力。（2）提高了预测精度且特征表征更全面，弥补了单一网络感受野局限的缺陷，既能捕捉局部细粒度纹理，又能提取全局宏观形态，消除了粗放均值标签带来的梯度问题，实现了对水分比的高精度、连续回归预测。（3）成功将依赖经验的静态加工模式升级为数据驱动的动态闭环控制，真正实现了基于物料真实状态的自适应加工，有效避免了过度萎凋或萎凋不足，大幅提高了红茶工业化生产的质量稳定性和产品一致性。