DMT:A model detecting multispecies of tea buds in multi-seasons

In China,tea products made from fresh leaves characterized by one leaf with one bud(1L1B)are classified as“Famous Tea”,which has better taste and higher economic value,but suffers from a labor shortage.Aiming at picking automation,existing studies focus on visual detection of 1L1B,but algorithm validation is limited to a specific variety of tea sprouting in a certain harvest season at a certain location,which limits the engineering application of developed tea picking robots working in various natural tea fields.To address this gap,a deep learning model DMT(detecting multispecies of tea)based on YOLOX-S was proposed in this paper.The DMT network takes YOLOX-S as a baseline and adds ECA-Net to the CSP Darknet and FPN of YOLOX-S.The average precision(AP),precision,and recall of DMT are 94.23%,93.39%,and 88.02%,respectively,for detecting 1L1B sprouting in spring;93.92%,93.56%,and 87.88%,respectively,for detecting 1L1Bsprouting in autumn.These experimental results are better than those of the five current object detection models.After fine-tuning the DMT network with another dataset composed of multiple tea varieties,the DMT network can detect 1L1B for different varieties of tea in multiple picking seasons.The results can promote the engineering application of picking automation of fresh tea leaves.

The Effects of Different Fixation Methods on Quality of Lycium ruthenicum Murr Bud-tea

The effects of three fixation methods( steaming,blanching and microwave fixation) on chemical composition and sensory quality of Lycium ruthenicum bud-tea were investigated.The results showed the fixation technique( the leaf weight 3 g/cm^2,the time 1.5 min,and the temperature 100 ℃) was the best,which was beneficial to the conservation of free amino acid and soluble sugar in L.ruthenicum bud-tea.The loss of chlorophyll was limited,and the score of sensory quality review was higher.

基于改进YOLOv8n的轻量化茶叶嫩芽检测方法

为解决自然环境下茶叶嫩芽检测场景复杂,模型参数量大无法在嵌入式设备部署等问题,提出一种基于改进YOLOv8n的轻量化茶叶嫩芽检测方法。构建一种MFBNet轻量化骨干网络,引入MBConv模块后大大减少了模型计算量。同时在骨干网中加入CBAM注意力模块,抑制无效信息,提高了模型检测精度;其次引入AKConv模块对VoVGSCSPC结构进行改进,提出全新的AVCStem模块,并将其替换颈部网络的C2f模块,进一步减少模型参数,提升嵌入式设备部署效率;最后采用GSConv模块替换颈部网络结构中的全部Conv模块,帮助模型进行快速计算,提高茶叶嫩芽的检测速率。结果表明,本文提出的模型比YOLOv8n原模型的mAP50和FPS分别提升了3.5%、55.6%,参数量减少了14.3%,且模型鲁棒性强,满足复杂场景下茶叶嫩芽的轻量化快速检测。

分体刀具式名优茶采摘末端执行器设计与试验优化

针对名优茶机械化采摘过程中侧芽无法采摘的问题,根据顶芽、侧芽及茶梗的相关参数并结合茶园环境设计了一种末端执行器,利用分体式刀具的刀齿弯曲变形适应茶梗的干扰从而采摘侧芽。通过有限元仿真刀具切割侧芽得到采摘成功率的影响因素为刀齿宽度、刀齿长度及刀具厚度;采用三因素三水平的中心组合设计与响应面分析法研究各因素对采摘成功率的交互影响;以采摘成功率为响应值建立二次回归模型,确定各因素对采摘成功率的影响显著性主次排序为:刀齿长度、刀齿宽度、刀具厚度。以采摘成功率为目标对各试验因素进行优化,得到优化后的刀齿宽度、刀具厚度、刀齿长度分别为2.6、0.9、20.0 mm。采用优化后的参数进行茶园采摘试验,结果表明,末端执行器能够有效完成茶叶采摘工作,顶芽、侧芽采摘成功率分别为93%、63%,试验值与预测值的相对误差小于5%,优化模型结果可靠。

基于YOLOv5的茶叶嫩芽图像识别算法研究

现有的机器采茶都需要人工辅助进行采茶,且存在老叶、嫩芽一刀切的情况,会损害一部分茶叶,只适用于低端茶叶的采摘。因此,需要研究出一种精准高效的茶叶嫩芽识别方法。针对茶叶嫩芽图像背景复杂的问题,在YOLOv5算法的基础上,对算法进行多角度的改进,实验结果表明,改进算法的模型的mAP提升了4.1%,Recall提升了4.0%,且改进方法减少了漏检情况的发生。

盈江大理茶种与凤庆大叶种芽茶香气差异分析

为探究云南盈江大理茶种与凤庆大叶种芽茶香气的组成和差异,本研究通过感官审评、顶空-固相微萃取与气相色谱质谱联用(Headspace solid-phase microextraction-gas chromatography-mass spectrometry,HS-SPME-GCMS)的方法,对盈江大理茶种芽茶(通常称为芽孢茶,记为芽孢红茶YBH,芽孢白茶YBB)及凤庆大叶种芽茶(记为凤庆红茶FQH,凤庆白茶FQB)的挥发性成分进行鉴定和分析。HS-SPME-GC-MS检测结果表明:4个茶样共检测出16类共616种挥发性代谢物;主成分分析(Principal component analysis,PCA)和正交偏最小二乘法判别模型(Orthogonal partial least squares-discriminant analysis,OPLS-DA)分析表明:两个品种的红茶对比中,YBH检测到8种特有差异代谢物,FQH检测到7种;两个品种的白茶的对比中,YBB检测到3种特有差异代谢物,FQB中检测到4种;主要特征差异挥发性代谢物的气味活度值(Odor activity value,OAV)评估表明:(Z)-癸-2-烯醛和香叶醇是区分盈江大理茶种芽孢茶和凤庆大叶种的潜在特征香气,(Z)-癸-2-烯醛(OAV>100)是盈江大理茶种芽孢茶的重要香气成分,推测大马士酮(OAV>1)是YBH产生浓郁花果香的关键物质,己酸和乙酸芳樟酯可能是YBB呈自然清花香的主要物质;β-紫罗兰酮(OAV>10)是凤庆大叶种的重要香气成分,推测苯乙醛(OAV>1)是FQH呈花香的主要物质,(Z)-癸-2-烯醛和己酸是FQB呈花香和毫香的主要物质。综上所述,盈江大理茶种芽孢茶的香气成分较对照品种丰富且YBH香气更馥郁。

基于YOLOv5s的轻量级茶叶嫩芽终端检测模型

在茶园环境中快速精准识别茶叶嫩芽是实现智能化采茶的关键技术之一,但茶芽检测模型的复杂性导致模型参数量大、计算量大、模型尺寸大,限制了模型在采茶机器人嵌入式设备的部署。鉴于此,本文提出一种基于YOLOv5s的轻量级茶叶嫩芽终端检测模型。首先,使用轻量级网络GhostNet替换YOLOv5s中的Backbone网络,并重构Neck网络,降低模型的参数量、计算量和内存占用量,改进后的模型分别降低了47.64%、49.36%、45.51%。其次,通过引入协调注意力(coordinate attention,CA)机制,抑制图像背景信息,增强模型对茶叶嫩芽的特征提取能力。接着,在Neck网络引入多尺度特征融合(multi-scale context,MSC)模块,有效融合浅层图像特征和深层语义特征,帮助网络模型提取有效识别信息。最后,使用边界框回归损失函数EIOU替换CIOU,加快损失函数收敛速度,提高茶叶嫩芽边界框定位精度。试验结果表明,与原YOLOv5s模型相比,改进模型的参数量、计算量以及模型内存占用量分别降低了3 Mb、7.3 Gb和6.37 Mb,检测精度提升0.3%。通过模型转换将该模型移植到树莓派平台,经过环境部署和推理引擎加速,达到了轻量级模型在资源和算力有限的树莓派上对茶叶嫩芽检测的目的,在一定程度上提高了茶叶嫩芽的识别精确度,为茶叶嫩芽的智能化采摘提供了理论研究和技术支持。

基于深度学习的茶嫩芽分割与采摘点定位方法研究

为实现茶嫩芽快速识别与采摘点定位,研究一种轻量级深度学习网络实现茶嫩芽分割与采摘点定位。采用MobileNetV2主干网络与空洞卷积相结合,较好地平衡茶嫩芽图像分割速度与精度的矛盾,实现较高分割精度的同时,满足茶嫩芽快速识别的要求,并设计外轮廓扫描与面积阈值过滤相结合的采摘点定位方法。试验表明:所提出的茶嫩芽分割算法在单芽尖及一芽一叶数据集中精度优异,平均交并比mIoU分别达到91.65%和91.36%;在保持高精度的同时,模型复杂度低,参数量仅5.81 M、计算量仅39.78 GFOLPs;在单芽尖、一芽一叶及一芽两叶数据集中各随机抽取200张图片进行采摘点定位验证,定位准确率分别达到90.38%、95.26%和96.60%。

基于计算机视觉的茶叶嫩芽识别方法研究进展

一直以来茶叶嫩芽的采摘都依赖于手工,机械化采摘依旧是难题。近些年计算机视觉技术飞速发展,为智能化采摘茶叶嫩芽提供了技术前提,受到科研人员的广泛关注,已率先在茶叶嫩芽识别领域展开了相关研究。本文从茶叶嫩芽检测识别、品质等级分类识别两方面来综述当前茶叶嫩芽识别的研究进展,介绍了分别基于传统图像处理法、机器学习算法和基于深度学习算法的茶叶嫩芽检测识别方法,比较分析了每种方法的优缺点,着重介绍了深度学习算法在茶叶嫩芽品质等级分类中的应用研究进展,同时总结了当前茶叶嫩芽研究领域的热点及存在的诸多难点,并对今后茶叶嫩芽识别研究的方向进行了展望,以期为茶叶嫩芽智能化采摘提供相应的技术支持。

全谷物包埋爆爆珠植物饮配方的研制

以全谷物玉米和紫薯为爆爆珠制作原料,采用单因素-正交试验对全谷物包埋爆爆珠植物饮的配方进行研究和优化。结果表明,玉米爆爆珠对全谷物包埋爆爆珠植物饮品质影响最大,其次是柳芽茶添加量,白砂糖添加量对全谷物包埋爆爆珠植物饮品质影响最小。制作全谷物包埋爆爆珠植物饮的最佳配方为柳芽茶添加量4.0 g,纯净水添加量100 mL,玉米爆爆珠添加量6.0 g、紫薯爆爆珠添加量4.0 g、白砂糖添加量4.0%。

‘巴山早’紫色芽叶绿茶加工过程中内含成分的变化及品质分析

【目的】探究‘巴山早’紫色芽叶绿茶加工过程中内含成分的变化规律及其品质特点。【方法】选用‘巴山早’紫色芽叶为原料,在‘巴山早’紫色芽叶绿茶加工过程中取鲜叶、杀青叶、揉捻叶、二青叶、二揉叶和烘干叶,对各样品理化成分进行测定分析;以‘福鼎大白茶’绿色芽叶为对照,采一芽一叶新梢,在相同加工条件下制成绿茶,所制茶样与‘巴山早’紫色芽叶绿茶通过感官审评分析、内含品质成分测定分析和香气组分检测分析,对比评价‘巴山早’紫色芽叶绿茶品质。【结果】绿茶加工过程中,成品茶的茶多酚、可溶性糖、咖啡碱、花青素、总叶绿素、EGCG、GCG、ECG、CG含量和儿茶素组分总量相较于鲜叶降幅分别为10.89%、4.88%、4.55%、28.25%、8.07%、10.58%、22.35%、6.49%、10.49%和6.77%,水浸出物、氨基酸、EGC、C和EC含量相较于鲜叶增幅分别为5.76%、6.57%、4.81%、18.03%和5.01%。‘巴山早’紫色芽叶绿茶相较于对照香气明显较优,且氨基酸、水浸出物、可溶性糖、咖啡碱、简单儿茶素、总氨基酸组分和呈鲜爽味游离氨基酸的含量分别比对照显著高31.62%、5.19%、6.67%、13.37%、7.87%、39.17%和44.51%,花青素含量比对照高4.74 mg/g;紫色芽叶绿茶香气组分42种,总含量19.57μg/g,对照33种,总含量16.42μg/g,‘巴山早’紫色芽叶绿茶香气化合物总量比对照高19.18%。【结论】‘巴山早’紫色芽叶绿茶加工过程中,其内含品质成分含量向利于绿茶品质的方向转化,‘巴山早’紫色芽叶所制绿茶品质优异。

不同杀青方式对多花黄精嫩芽茶品质的影响

以多花黄精嫩芽为研究对象,采用扁形绿茶加工工艺制备黄精嫩芽茶,分别利用微波、锅炒、蒸汽三种杀青方式进行杀青,并通过理化成分、茶汤色泽、挥发性香气成分及感官评价分析,探究不同杀青方式对黄精嫩芽茶品质的影响。结果表明:利用微波杀青工艺所制黄精嫩芽茶不仅具有较好的感官品质,且水浸出物、可溶性糖、茶多酚及总黄酮含量均最高,分别为48.04%、14.49%、1.32%、1.66%。三种杀青方式所制黄精嫩芽茶中共检测出84种有嗅感的挥发性成分,以醛类(12种)、酮类(11种)、烯烃类(10种)、醇类(8种)及酯类(8种)等化合物为主;微波、锅炒、蒸汽杀青分别有10、12、7种关键香气成分,其中丁酸乙酯为微波杀青工艺特有的关键香气成分,庚醛、戊醛、己醛、1-戊醇为锅炒杀青工艺特有的关键香气成分。不同杀青方式制作的黄精嫩芽茶品质存在差异性,其中微波杀青更适合黄精嫩芽茶的制备。

基于改进YOLOv7的茶叶嫩芽识别模型研究

为了在复杂环境中有效识别茶叶嫩芽并在最大限度避免伤害茶树的情况下,提高智能化采摘精度,本研究针对传统目标检测算法在茶园中存在的检测精度低、鲁棒性差等问题,提出一种基于改进YOLOv7的茶叶嫩芽识别与检测的模型YOLOv7-tea,从而实现对茶叶嫩芽的快速识别与检测。首先,采集茶叶嫩芽图像并完成嫩芽图像的标注和数据增强,构建茶叶嫩芽数据集。其次,通过在YOLOv7主干网络的3个特征提取层中引入CBAM注意力机制模块,增强模型对特征提取的能力;采用SPD-Conv模块替换颈部网络下采样模块中的SConv模块,以减少小目标特征的丢失;通过EIoU损失函数优化框回归损失,提升预测框的准确率。最后,以茶叶嫩芽图像数据集为样本将其他目标检测模型与YOLOv7-tea模型进行对比试验,并对不同距离、不同角度拍摄的茶叶嫩芽图像进行识别效果检测。试验结果表明,YOLOv7-tea网络模型比YOLOv7模型的精确率(Precision,P)、召回率(Recall,R)和识别平均精度(mAP)值分别高出2.87、6.91和8.69个百分点,且模型的检测速度更快,在复杂背景下对茶叶嫩芽的识别与检测具有更高的置信度分数。该研究构建的YOLOv7-tea模型对小尺寸茶叶嫩芽的识别效果较好,减少了漏检和误检的情况,具有良好的鲁棒性和实时性,可为茶叶的产量预估和智能化采摘提供参考。

基于实例分割的大场景下茶叶嫩芽轮廓提取与采摘点定位

为了解决野外大场景下茶叶嫩芽识别与采摘点精确定位问题,提出了一种基于实例分割的Yolov5s-segment改进算法。该算法首先引入P2微小目标检测层,解决原始Yolov5s-segment网络P3、P4、P5检测层对于小目标检测能力不佳的问题。其次,在主干网络末端增加CBAM(convolutional block attention module)注意力机制模块,提升模型的抗干扰能力,实现野外自然光照环境下茶叶嫩芽轮廓特征提取。最后,根据嫩芽轮廓特征进行采摘点精确定位。研究结果表明,相较于原始Yolov5s-segment模型,改进模型的精确度、召回率、F1分数、平均精度均值mAP50和mAP50-95分别提升了7.0、8.9、8.1、8.3、7.3个百分点。使用该方法可以准确提取大场景下的单芽、一芽一叶、一芽两叶三种类型茶叶嫩芽轮廓,并且实现采摘点的精确定位。研究结果为名优茶智能化快速采摘提供了一定的理论基础。

基于改进YOLOv7-tiny的茶叶嫩芽分级识别方法

实现自然生长环境的茶叶嫩芽分级识别是名优茶智能化采摘的基础,针对光照、遮挡、密集等复杂环境造成的茶叶嫩芽识别精度较低、鲁棒性较差等问题,提出了一种基于YOLOv7-tiny的改进模型。首先在YOLOv7-tiny模型的小目标检测层添加卷积注意力模块,提高模型对小目标特征的关注能力,减少复杂环境对茶叶嫩芽识别的干扰;调整空间金字塔池化结构,降低模型运算成本,提高检测速度;使用交并比(Intersection over Union,IoU)和归一化Wasserstein距离(Normalized gaussian wasserstein distance,NWD)结合的损失函数,改善IoU机制对位置偏差敏感的问题,进一步提高模型对小目标检测的鲁棒性。结果表明,该模型的检测准确率为91.15%,召回率为88.54%,均值平均精度为92.66%,模型大小为12.4 MB,与原始模型相比,准确率、召回率、均值平均精度分别提高2.83、2.00、1.47个百分点,模型大小增加0.1 MB。与不同模型的对比试验表明,该模型在多个场景下的嫩芽分级检测中漏检和误检较少,置信度分数较高。改进后的模型可应用于名优茶采摘机器人的嫩芽分级识别。

基于改进YOLOv5s的茶叶嫩芽检测

为提高对茶叶嫩芽识别的准确率,提升自动采摘机器人的工作效率,减少人工采摘成本,提出一种对茶叶嫩芽目标检测的模型。通过拍摄包含白豪早茶叶嫩芽图片,进行筛选后得到179张图像,使用Mosic数据扩增后获得716张图像,建立数据集,按照训练集、测试集和验证集7∶2∶1的比例划分数据集。针对复杂背景下茶叶嫩芽存在重叠以及遮挡所导致的识别精准度低的问题,对YOLOv5s模型进行改动,在骨干网络上增添注意力机制模块SE和CBAM进行比较;Neck网络由原来的PAFPN改为可以进行双向加权融合的BiFPN,Head结构增加浅层下采样的P2模块,提出一种茶叶嫩芽检测的模型。试验表明YOLOv5s添加SE模块结合BiFPN时模型具有更高的检测精度,并对试验结果进行十折交叉验证,相较于基线精确率提高10.46%,达到88.30%,平均精度均值mAP提高6.47%,达到85.83%。最后使用相同的数据集和预处理方法对比YOLOv5m、Faster R-CNN和YOLOv4-tiny,证明该试验方法综合强于其他经典深度学习方法,能更有效地提升茶叶嫩芽检测精准度,可以为茶叶自动采摘机器人提供理论依据。

不同单株枸杞芽叶茶风味品质分析

为探明枸杞单株芽叶的适制茶类,本研究将2种枸杞单株芽叶分别用绿茶和白茶加工工艺,制成4种枸杞芽叶茶,并采用顶空固相微萃取-气相色谱-飞行时间质谱联用技术(HS-SPME-GC-TOF-MS)、生化成分分析和感官审评法,结合主成分分析(principal component analysis,PCA)、香气活度值(odor activity value,OAV)及多元统计分析4种枸杞芽叶茶的风味特征。结果表明,M单株加工的绿茶感官品质得分最高,其次是M和A单株分别加工的白茶,而A单株加工的绿茶得分最低。M单株加工的绿茶类黄酮含量最高,A单株加工的绿茶水浸出物含量最高。4种茶中共检测出58种挥发性物质,其中香叶基丙酮、正己醇、二氢猕猴桃内酯、苯乙醇、苯甲醇、萘、α-松油醇为AB、MB呈现花香、清香的特征香气成分;1-辛烯-3-醇为AL呈现果香的特征香气成分;2,5-二甲基吡嗪、3,5-辛二烯-2-酮、β-环柠檬醛、苯甲醛、乙酸叶醇酯、乙酸己酯为ML呈现花果香、清香的特征香气成分。可见M单株适制绿茶、白茶,A单株适制白茶,A、M单株加工白茶呈花香、清香的风味特征,A单株加工绿茶呈果香的风味特征,M单株加工绿茶呈花果香、清香的风味特征。本研究明确了枸杞A、M单株适制茶类及枸杞芽叶茶的风味特征,为枸杞芽叶茶的利用提供参考。

基于双目视觉SGBM与WLS融合算法的茶叶嫩芽定位研究

三维定位是实现采茶机器人精采名优茶的关键技术,对保证机器人采摘茶叶高品质和高产量具有重要的意义,传统的SGBM(Semi-Global Block Matching)算法存在匹配效果差,还原效果不高等问题。本文提出SGBM算法与WLS(Weighted Least Squares)的融合算法,使得茶叶嫩芽深视图轮廓更清晰、前后景分层更明显、还原度更高,实际定位效果更精准。实验表明:采用SGBM与WLS融合算法能够将定位误差控制在1 mm左右,约是同等条件下其他传统融合算法精确度的7倍,提高了机器人采摘茶叶时定位的工作效率,为后续实现采茶机器人智能化提供一定帮助。

名优茶智能化采摘关键技术研究进展

茶叶生产作为劳动密集型产业急需标准化和机械化,无论是大宗茶还是名优茶,都需要实现机械化采摘才能满足日益增长的生产需求。随着计算机视觉、人工智能、自动控制等新技术的发展,智能农机被应用到农业生产的各个方面。综合分析我国名优茶智能化采摘关键技术研究方面的最新进展,重点从嫩芽图像分割技术研究、嫩芽识别及采摘点定位技术研究方面进行介绍,指出目前研究存在分割算法鲁棒性差、识别定位精度低、机艺不融合等问题,提出通过改进算法、技术创新、宜机改良等方法提高采摘精度,旨在为实现名优茶智能化采摘提供理论参考。

基于无锚框检测网络的茶叶嫩芽识别方法研究

利用机器学习方法进行茶叶嫩芽识别有助于茶叶生产的全程智能化.目前的嫩芽识别方法依赖复杂的预处理,导致嫩芽识别效率普遍不高.基于无锚框检测网络CenterNet,提出了一种无需预处理的高速茶叶嫩芽识别方法.针对CenterNet特征提取网络规模过大、识别速度过低的问题,将其特征提取网络替换为ResNet-50.利用改进后的CenterNet模型识别茶叶的一芽、一芽一叶和一芽二叶部分,得到模型的精确度为83.1%,召回率为85.4%,mAP为87.7%,识别效果优于同类无预处理识别方法.