CN105938093A - 一种基于遗传算法结合支持向量机的乌龙茶产地判别方法 - Google Patents

一种基于遗传算法结合支持向量机的乌龙茶产地判别方法 Download PDF

Info

Publication number
CN105938093A
CN105938093A CN201610400739.0A CN201610400739A CN105938093A CN 105938093 A CN105938093 A CN 105938093A CN 201610400739 A CN201610400739 A CN 201610400739A CN 105938093 A CN105938093 A CN 105938093A
Authority
CN
China
Prior art keywords
tea
place
genetic algorithm
production
vector machine
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610400739.0A
Other languages
English (en)
Inventor
孙威江
王冰玉
林馥茗
黄艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Agriculture and Forestry University
Original Assignee
Fujian Agriculture and Forestry University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujian Agriculture and Forestry University filed Critical Fujian Agriculture and Forestry University
Priority to CN201610400739.0A priority Critical patent/CN105938093A/zh
Publication of CN105938093A publication Critical patent/CN105938093A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/42—Low-temperature sample treatment, e.g. cryofixation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/245—Classification techniques relating to the decision surface
    • G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种基于遗传算法结合支持向量机的乌龙茶产地判别方法，包括以下步骤：茶粉样品的准备；光谱信息的采集；光谱信息的预处理；基于遗传算法的波长筛选；模型的建立；产地的判别。本发明为乌龙茶产地判别提供了一种快速、准确的途径，有利于茶叶市场实现对茶叶品质管理的规范化。

Description

一种基于遗传算法结合支持向量机的乌龙茶产地判别方法
技术领域
本发明涉及一种基于遗传算法结合支持向量机的乌龙茶产地判别方法。
背景技术
安溪铁观音作为闽南乌龙茶的代表，被列为地理标志保护产品。其产地福建安溪县是全国最大的乌龙茶主产区，也是全国茶叶生产标准化示范县，安溪铁观音地域特征明显，独特悠雅的观音韵倍受青睐。然而，在茶叶原产地产品保护制度建立的过程中，仍存在假冒产品标识、以次充好的现象，损害消费者利益。为保护地理标志产品的地域特色和品质特征，促进市场公平交易，产地判别与溯源技术对保护地理标志产品的品质真实性及维护中国茶叶品牌声誉具有重要意义。
发明内容
有鉴于此，本发明的目的在于提供一种基于遗传算法结合支持向量机的乌龙茶产地判别方法，为乌龙茶产地判别提供了一种快速、准确的途径，有利于茶叶市场实现对茶叶品质管理的规范化。
为实现上述目的，本发明采用如下技术方案：一种基于遗传算法结合支持向量机的乌龙茶产地判别方法，其特征在于，包括以下步骤：
步骤S1：茶粉样品的准备：收集各个乌龙茶产地的茶叶样品，将所述茶叶样品经粉碎机研磨成茶粉，所述茶粉经过筛及封装冷藏后作为茶粉样品；
步骤S2：光谱信息的采集：基于Workflow设置茶粉样品的近红外光谱信息采集工作流，利用近红外光谱仪采集所述茶粉样品于近红外范围内的漫反射光谱信息；
步骤S3：光谱信息的预处理：使用红外处理软件OPUS对所述步骤S2采集到的漫反射光谱信息采用一阶导数及归一化进行预处理，同时处理后的数据从spc光谱格式转换为xls文件格式；
步骤S4：基于遗传算法的波长筛选：将步骤S3中得到的xls文件格式的全波段光谱数据平均分为多个子区间进行随机编码，采用选择、交叉和变异三种算法，以函数F=R/RMSEC的最大值作为优化指标，选择最佳子区间组合作为参与建模的光谱谱区，其中R为相关系数，RMSEC为交叉验证的均方根误差；
步骤S5：模型的建立：根据茶叶样品的产地信息不同，设定对应的产地标签值，建立所述光谱谱区与产地标签值间一一对应的数学模型，所述数学模型以所述光谱谱区作为输入量，运用支持向量机对所述光谱谱区进行分析并分类，计算出相应的产地标签值；
步骤S6：产地的判别：将一份茶叶样品经步骤S1至步骤S4处理得到的光谱谱区代入步骤S5得到的数学模型进行相应的结果预测，从而确定所述茶叶样品的产地。
进一步的，所述步骤S1中茶粉过筛所用的为80目样品筛。
进一步的，所述步骤S1中每一份茶粉样品的质量为10-15g。
进一步的，所述步骤S2中的近红外光谱仪为Antaris II傅立叶近红外光谱仪。
进一步的，所述Antaris II傅立叶近红外光谱仪的采集参数如下：扫描次数为64次，分辨率为8cm-1，光谱范围为10000-4000cm-1。
进一步的，所述步骤S4中随机编码时，0表示删去谱区，1表示选用谱区。
进一步的，遗传算法的参数如下：染色体条数为70条，基因数为40个，变异概率为0.1，交叉概率为0.6-0.9，迭代次数为20-25代。
本发明与现有技术相比具有以下有益效果：本发明采用遗传算法和光谱技术的结合，可有效地从茶叶近红外光谱数据中优选特征信息，简化判别模型，缩短运行时间，很大程度上提高茶叶产地判别的效率和结果的准确性。本发明能准确、快速、科学地鉴别产地不同、品质相近且容易模仿的地理标志产品，这对保证地理标志产品真实性，维护贸易公平和保障消费者权益具有重要意义和应用价值。
附图说明
图1是本发明方法流程图。
图2是本发明一实施例的近红外光谱预处理图。
图3是本发明一实施例的产地判别结果图。
图4是支持向量机的线性可分情况下的最优分类面。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于遗传算法结合支持向量机的乌龙茶产地判别方法，其特征在于，包括以下步骤：
步骤S1：茶粉样品的准备：收集各个乌龙茶产地的茶叶样品，将所述茶叶样品经粉碎机研磨成茶粉，通过80目样品筛对所述茶粉进行过筛，并取筛下10-15g的茶粉编号后经封装冷藏后作为茶粉样品；
步骤S2：光谱信息的采集：基于Workflow设置茶粉样品的近红外光谱信息采集工作流，利用Antaris II傅立叶近红外光谱仪采集所述茶粉样品于近红外范围内的漫反射光谱信息，请参照图2；具体做法是将茶粉样品装置于近红外光谱仪的采样瓶中，样品和背景的采集完全自动化，无需取离样品，从而建立在高可靠性和稳固性基础上的高性能光谱。采集参数为：扫描次数64 次，分辨率8cm-1，光谱范围10000cm-1-4000cm-1；
步骤S3：光谱信息的预处理：使用红外处理软件OPUS对所述步骤S2采集到的漫反射光谱信息采用一阶导数及归一化进行预处理，同时处理后的数据从spc光谱格式转换为xls文件格式；光谱预处理可提高信噪比降低噪声，消除基线和其他因素的干扰；
步骤S4：基于遗传算法的波长筛选：结合近红外光谱的特征波长信息，将步骤S3中得到的xls文件格式中光谱范围为10000-4000cm-1区域的近红外光谱信息平均分为40个子区间，进行随机编码，其中0表示删去谱区，1表示选用谱区。采用选择、交叉和变异三种算法，以函数F=R/RMSEC的最大值作为优化指标，选择最佳子区间组合作为参与建模的光谱谱区，其中R为相关系数，RMSEC为交叉验证的均方根误差；遗传算法的参数设置如下：染色体条数为70条，基因数为40个，变异概率为0.1，交叉概率为0.6-0.9，迭代次数为20-25代，遗传算法具体包括以下步骤：
1、编码：全谱段光谱区间分为几个子区间，进行0-1二进制编码，编为1，建模时包括此波段；若为0，不包括此波段。
2、设置初始群体：即进行染色体条数，基因数，迭代次数等相关参数设置。
3、选择适应值函数：用于评价模型的预测能力，评价指标转换得到适应值函数为：maxf(X)=R/RMSEP。
4、重复选择-交叉-变异三个算子，进行遗传筛选，直至最大繁殖代数时停止。
步骤S5：模型的建立：根据茶叶样品的产地信息不同，设定对应的产地标签值，例如：安溪县茶样产地标签值设为1，大田县茶样产地标签值设为2，华安县茶样产地标签值设为3；利用Matlab数学软件编译产地判别模型的相关语言，建立所述光谱谱区与产地标签值间一一对应的数学模型，所述数学模型基于的化学计量学方法为遗传算法结合支持向量机（SVM），请参照图3，该数学模型的判别参考指标为：准确判别率；相关系数R（CorrelationCoefficient）；交叉验证均方根误差RMSEC（Root Mean Square Error of Calibration）；支持向量机的原理如下：
支持向量机的原理起源于两类线性可分问题的数据分析和处理。
对线性可分问题，设X为输入空间，Y为输出域，通常模式集合由两类点组成，即Y={-1，1}。对于n个样本组成的训练集：
（4-1）
构造一个目标函数，寻找一个分割超平面，每个点距离超平面的远近可以表示为分类预测的确信或准确程度，SVM 就是要最大化这个间隔值。如二维空间中如图4所示，圆圈和方形分别代表两类样品，设H为最优分类超平面，H1，H2分别表示各类样本中离分类超平面最近且平行于分类超平面的支持向量，常称为supprot Verctot。将分类超平面记为4-2式，则归一化后，对样本集(Xi，Yi)的分类超平面则满足4-3式。
（4-2）
（4-3）
式中：W是垂直于分类超平面的法向量；margin=2/‖W‖为：区域间隔距离。
遇线性不可分情况时，将其转换为高维空间中的线性可分问题，在该高维空问中寻找最优分类面。
本试验以预处理后和经过遗传算法筛选后的光谱数据作为支持向量机的输入因子，训练样本以建立判别模型。
步骤S6：产地的判别：将一份茶叶样品经步骤S1至步骤S4处理得到的光谱谱区代入步骤S5得到的数学模型进行相应的结果预测，即通过GA-SVM模型预测出茶样的产地分类值，再与茶样的产地标签值进行匹配，从而确定所述茶叶样品的产地。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (7)

1.一种基于遗传算法结合支持向量机的乌龙茶产地判别方法，其特征在于，包括以下步骤：
步骤S1：茶粉样品的准备：收集各个乌龙茶产地的茶叶样品，将所述茶叶样品经粉碎机研磨成茶粉，所述茶粉经过筛及封装冷藏后作为茶粉样品；
步骤S2：光谱信息的采集：基于Workflow设置茶粉样品的近红外光谱信息采集工作流，利用近红外光谱仪采集所述茶粉样品于近红外范围内的漫反射光谱信息；
步骤S3：光谱信息的预处理：使用红外处理软件OPUS对所述步骤S2采集到的漫反射光谱信息采用一阶导数及归一化进行预处理，同时处理后的数据从spc光谱格式转换为xls文件格式；
步骤S4：基于遗传算法的波长筛选：将步骤S3中得到的xls文件格式的全波段光谱数据平均分为多个子区间进行随机编码，采用选择、交叉和变异三种算法，以函数F=R/RMSEC的最大值作为优化指标，选择最佳子区间组合作为参与建模的光谱谱区，其中R为相关系数，RMSEC为交叉验证的均方根误差；
步骤S5：模型的建立：根据茶叶样品的产地信息不同，设定对应的产地标签值，建立所述光谱谱区与产地标签值间一一对应的数学模型，所述数学模型以所述光谱谱区作为输入量，运用支持向量机对所述光谱谱区进行分析并分类，计算出相应的产地标签值；
步骤S6：产地的判别：将一份茶叶样品经步骤S1至步骤S4处理得到的光谱谱区代入步骤S5得到的数学模型进行相应的结果预测，从而确定所述茶叶样品的产地。
2.根据权利要求1所述的基于遗传算法结合支持向量机的乌龙茶产地判别方法，其特征在于：所述步骤S1中茶粉过筛所用的为80目样品筛。
3.根据权利要求1所述的基于遗传算法结合支持向量机的乌龙茶产地判别方法，其特征在于：所述步骤S1中每一份茶粉样品的质量为10-15g。
4.根据权利要求1所述的基于遗传算法结合支持向量机的乌龙茶产地判别方法，其特征在于：所述步骤S2中的近红外光谱仪为Antaris II傅立叶近红外光谱仪。
5.根据权利要求5所述的基于遗传算法结合支持向量机的乌龙茶产地判别方法，其特征在于：所述Antaris II傅立叶近红外光谱仪的采集参数如下：扫描次数为64次，分辨率为8cm-1，光谱范围为10000-4000cm-1。
6.根据权利要求1所述的基于遗传算法结合支持向量机的乌龙茶产地判别方法，其特征在于：所述步骤S4中随机编码时，0表示删去谱区，1表示选用谱区。
7.根据权利要求1所述的基于遗传算法结合支持向量机的乌龙茶产地判别方法，其特征在于：遗传算法的参数如下：染色体条数为70条，基因数为40个，变异概率为0.1，交叉概率为0.6-0.9，迭代次数为20-25代。
CN201610400739.0A 2016-06-08 2016-06-08 一种基于遗传算法结合支持向量机的乌龙茶产地判别方法 Pending CN105938093A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610400739.0A CN105938093A (zh) 2016-06-08 2016-06-08 一种基于遗传算法结合支持向量机的乌龙茶产地判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610400739.0A CN105938093A (zh) 2016-06-08 2016-06-08 一种基于遗传算法结合支持向量机的乌龙茶产地判别方法

Publications (1)

Publication Number Publication Date
CN105938093A true CN105938093A (zh) 2016-09-14

Family

ID=57152444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610400739.0A Pending CN105938093A (zh) 2016-06-08 2016-06-08 一种基于遗传算法结合支持向量机的乌龙茶产地判别方法

Country Status (1)

Country Link
CN (1) CN105938093A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106560694A (zh) * 2016-10-20 2017-04-12 中国计量大学 基于多种检验技术的武夷岩茶产地智能鉴别方法
CN106560691A (zh) * 2016-10-20 2017-04-12 中国计量大学 具有深度学习功能的武夷岩茶产地鉴别方法
CN106645021A (zh) * 2016-12-30 2017-05-10 中南民族大学 一种卟啉近红外全息探针判别名优绿茶原产地的方法
CN106706546A (zh) * 2016-12-28 2017-05-24 中山市腾创贸易有限公司 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法
CN110308111A (zh) * 2019-06-14 2019-10-08 湖北省农业科学院果树茶叶研究所 一种应用近红外光谱技术快速预测远安黄茶闷黄时间的方法
CN110308110A (zh) * 2019-06-14 2019-10-08 湖北省农业科学院果树茶叶研究所 基于最小二乘支持向量机的远安黄茶闷黄时间的无损预测方法
CN111488851A (zh) * 2020-04-17 2020-08-04 成都曙光光纤网络有限责任公司 一种水果产地的溯源检测方法、装置、设备及介质
CN112861907A (zh) * 2020-12-31 2021-05-28 福建融韵通生态科技有限公司 白茶产地溯源方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102692482A (zh) * 2012-06-13 2012-09-26 福建农林大学 一种基于茶叶生化成分的乌龙茶产地判别方法
CN103487537A (zh) * 2013-07-30 2014-01-01 中国标准化研究院 一种基于遗传算法优化西湖龙井茶产地检测方法
CN103499616A (zh) * 2013-07-30 2014-01-08 中国标准化研究院 一种基于遗传算法的龙井茶品质检测产地模型中传感器的选择方法
CN104897608A (zh) * 2015-06-19 2015-09-09 福建农林大学 一种基于近红外光谱技术的乌龙茶品质鉴定方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102692482A (zh) * 2012-06-13 2012-09-26 福建农林大学 一种基于茶叶生化成分的乌龙茶产地判别方法
CN103487537A (zh) * 2013-07-30 2014-01-01 中国标准化研究院 一种基于遗传算法优化西湖龙井茶产地检测方法
CN103499616A (zh) * 2013-07-30 2014-01-08 中国标准化研究院 一种基于遗传算法的龙井茶品质检测产地模型中传感器的选择方法
CN104897608A (zh) * 2015-06-19 2015-09-09 福建农林大学 一种基于近红外光谱技术的乌龙茶品质鉴定方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SI-MIN YAN ET AL: "Rapid Discrimination of the Geographical Origins of an Oolong Tea (Anxi-Tieguanyin) by Near-Infrared Spectroscopy and Partial Least Squares Discriminant Analysis", 《JOURNAL OF ANALYTICAL METHODS IN CHEMISTRY》 *
张龙: "植源性农产品溯源以及鉴别技术研究", 《中国博士学位论文全文数据库 工程科技I辑》 *
言思敏: "地理标志产品武夷岩茶的产地识别技术研究", 《万方中国学位论文全文数据库》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106560694A (zh) * 2016-10-20 2017-04-12 中国计量大学 基于多种检验技术的武夷岩茶产地智能鉴别方法
CN106560691A (zh) * 2016-10-20 2017-04-12 中国计量大学 具有深度学习功能的武夷岩茶产地鉴别方法
CN106706546A (zh) * 2016-12-28 2017-05-24 中山市腾创贸易有限公司 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法
CN106645021A (zh) * 2016-12-30 2017-05-10 中南民族大学 一种卟啉近红外全息探针判别名优绿茶原产地的方法
CN110308111A (zh) * 2019-06-14 2019-10-08 湖北省农业科学院果树茶叶研究所 一种应用近红外光谱技术快速预测远安黄茶闷黄时间的方法
CN110308110A (zh) * 2019-06-14 2019-10-08 湖北省农业科学院果树茶叶研究所 基于最小二乘支持向量机的远安黄茶闷黄时间的无损预测方法
CN110308110B (zh) * 2019-06-14 2022-05-06 湖北省农业科学院果树茶叶研究所 基于最小二乘支持向量机的远安黄茶闷黄时间的无损预测方法
CN111488851A (zh) * 2020-04-17 2020-08-04 成都曙光光纤网络有限责任公司 一种水果产地的溯源检测方法、装置、设备及介质
CN112861907A (zh) * 2020-12-31 2021-05-28 福建融韵通生态科技有限公司 白茶产地溯源方法

Similar Documents

Publication Publication Date Title
CN105938093A (zh) 一种基于遗传算法结合支持向量机的乌龙茶产地判别方法
CN104215623B (zh) 面向多行业检测的激光拉曼光谱智能化辨识方法及系统
Kheiralipour et al. Introducing new shape features for classification of cucumber fruit based on image processing technique and artificial neural networks
CN105630743B (zh) 一种光谱波数的选择方法
CN108596246A (zh) 基于深度神经网络的土壤重金属含量检测模型的建立方法
CN105486655B (zh) 基于红外光谱智能鉴定模型的土壤有机质快速检测方法
CN106022509A (zh) 考虑地域和负荷性质双重差异的配电网空间负荷预测方法
CN109034261A (zh) 一种基于支持向量机的近红外光谱数据分析方法
CN108596085A (zh) 基于卷积神经网络的土壤重金属含量检测模型的建立方法
CN106560697A (zh) 联合近红外光谱和微量元素的武夷岩茶产地鉴别方法
CN104965973B (zh) 一种苹果霉心病多因子无损检测判别模型及其建立方法
CN103674854A (zh) 一种基于联合区间偏最小二乘判别分析的苹果分级方法
CN110132938A (zh) 一种拉曼光谱法鉴别大米种类的特征数据提取方法
CN107679569A (zh) 基于自适应超图算法的拉曼光谱物质自动识别方法
CN109543720A (zh) 一种基于对抗生成网络的晶圆图缺陷模式识别方法
CN107132267A (zh) 一种基于随机森林的茶叶分类方法及系统
CN107764773A (zh) 一种基于激光诱导击穿光谱的塑料样品分类方法
CN103278467A (zh) 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法
CN110108644A (zh) 一种基于深度级联森林和高光谱图像的玉米品种鉴别方法
CN111353377A (zh) 一种基于深度学习的电梯乘客数检测方法
CN110132246A (zh) 基于残差分区的水深遥感探测方法
CN104897608B (zh) 一种基于近红外光谱技术的乌龙茶品质鉴定方法
EP3961189B1 (en) Cigarette mainstream smoke spectral data sensory evaluation method
CN209655389U (zh) 一种能与健康营食资料库比对的自动烟灶系统
CN115630329A (zh) 一种基于卷积神经网络的食用香精分类方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160914

RJ01 Rejection of invention patent application after publication