CN106442400B - 一种近红外光谱快速判定不同土壤类型茶鲜叶的方法 - Google Patents
一种近红外光谱快速判定不同土壤类型茶鲜叶的方法 Download PDFInfo
- Publication number
- CN106442400B CN106442400B CN201610934451.1A CN201610934451A CN106442400B CN 106442400 B CN106442400 B CN 106442400B CN 201610934451 A CN201610934451 A CN 201610934451A CN 106442400 B CN106442400 B CN 106442400B
- Authority
- CN
- China
- Prior art keywords
- sample
- fresh leaf
- near infrared
- soil
- model
- 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.)
- Active
Links
- 239000002689 soil Substances 0.000 title claims abstract description 89
- 241001122767 Theaceae Species 0.000 title claims abstract description 31
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001228 spectrum Methods 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000000513 principal component analysis Methods 0.000 claims abstract description 18
- 238000012546 transfer Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000004611 spectroscopical analysis Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000002512 chemotherapy Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 1
- 210000005036 nerve Anatomy 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 2
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 235000000173 Camellia sinensis var sinensis Nutrition 0.000 description 1
- 235000009024 Ceanothus sanguineus Nutrition 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 description 1
- 240000003553 Leptospermum scoparium Species 0.000 description 1
- 235000015459 Lycium barbarum Nutrition 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229960001948 caffeine Drugs 0.000 description 1
- VJEONQKOZGKCAK-UHFFFAOYSA-N caffeine Natural products CN1C(=O)N(C)C(=O)C2=C1C=CN2C VJEONQKOZGKCAK-UHFFFAOYSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 150000008442 polyphenolic compounds Chemical class 0.000 description 1
- 235000013824 polyphenols Nutrition 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
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
- 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
- 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
- G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种近红外光谱快速判定不同土壤类型茶鲜叶的方法,应用近红外光谱仪扫描获得不同土壤类型鲜叶样品近红外光谱,然后对鲜叶样品光谱进行主成分分析,再以主成分为输入值建立多种信息传递方式的人工神经网络预测模型,具体包括以下步骤:鲜叶样品采集与分类,光谱采集,光谱预处理,鲜叶光谱主成分分析,人工神经网络预测模型建立以及模型验证。实现了不同土壤类型茶鲜叶的快速、无损、准确的判定;研究结果为茶叶品质提升提供了一种科学的保障。
Description
技术领域
本发明涉及一种判定不同土壤类型茶鲜叶的方法,更具体的说涉及一种近红外光谱快速判定不同土壤类型茶鲜叶的方法。
背景技术
茶园土壤类型对茶树的正常生长起着非常重要的作用,就我国茶区土壤类型来看,主要是红壤和黄壤。生产实践表明,茶园红壤和黄壤的理化性状存在着很大的不同,其是影响茶叶品质的一个比较重要的因素,也是造成单位面积茶叶产量产生较大差异的一个重要原因。
在收购鲜叶时,收购人员一般很难应用感官方法判别不同土壤类型生长的茶鲜叶,且判别结果主观性很强。因此,非常需要一种准确、客观、无损地判别不同土壤类型茶鲜叶的方法。
发明内容
本发明的目的在于针对现有的茶叶收购人员很难根据自身工作经验准确判定不同土壤类型茶鲜叶等缺陷,提供一种近红外光谱快速判定不同土壤类型茶鲜叶的方法。
为实现上述目的,本发明的技术解决方案是:一种近红外光谱快速判定不同土壤类型茶鲜叶的方法,扫描获得不同土壤类型的鲜叶样品近红外光谱,然后对鲜叶样品光谱进行主成分分析,再以主成分为输入值建立多种信息传递方式的不同土壤类型鲜叶的人工神经网络预测模型判定鲜叶的不同土壤类型,具体包括以下步骤:
步骤一、鲜叶样品采集与分类
分别采集红壤和黄壤的鲜叶样品,依据土壤类型的不同,将鲜叶样品随机划分为校正集和验证集2个集合;
步骤二、光谱采集
应用傅里叶型近红外光谱仪扫描获得全部鲜叶样品的近红外光谱;
步骤三、光谱预处理
应用化学计量学软件对全部鲜叶样品的近红外光谱进行求导和平滑预处理,然后将鲜叶样品光谱转化为成对的数据点;
步骤四、鲜叶样品光谱主成分分析
应用Matlab软件对全部鲜叶样品的光谱数据进行主成分分析,求得全部鲜叶样品光谱数据的得分Score1值和Score2值,主成分数及其贡献率;
步骤五、建立人工神经网络预测模型
以校正集样品光谱的前3个主成分为输入值,以不同土壤类型鲜叶样品为输出值,经过反复优化,建立standard nets、jump connection nets和Jordan-Elman nets三种信息传递方式鲜叶不同土壤类型人工神经网络预测模型,比较该三种模型相关系数R和交互验证均方根方差RMSECV值,
其中相关系数R公式为:
交互验证均方根方差RMSECV公式为:
式中,R为相关系数,n表示样本数,yi和yi’分别为样品集中第i个样品的土壤类型实测值和土壤类型预测值,为样品集中第i个样品的实测值的平均值,式中i≤n,
其中以相关系数R最大和交互验证均方根方差RMSECV最小的模型为最佳模型,经比较后得到最佳校正集模型;
步骤六、模型验证
为避免出现过度拟合现象,应用验证集样品对得到的三种校正集模型预测效果进行检验,所得结果用相关系数R和验证集均方差RMSEP表示,其中相关系数R越大和验证集均方差RMSEP越小则表示检验效果越好,此时若得到的近红外光谱的土壤类型预测值与土壤类型实测值基本一致,则表示对验证集样品的预测效果很好,最佳校正集模型可以准确的预测鲜叶样品的不同土壤类型,
其中验证集均方差RMSEP公式为:
式中,n表示样本数,yi和yi’分别为样品集中第i个样品的土壤类型实测值和土壤类型预测值,式中i≤n。
所述的步骤一中鲜叶样品数量为100份,其中红壤和黄壤龙井43鲜叶样品各50个,鲜叶样品按照7:3的比例随机划分为校正集和验证集。
所述的步骤一中采摘的鲜叶样品为芽,第一叶、第二叶、第三叶、一芽一叶、一芽二叶和一芽三叶。
所述步骤二中的傅里叶型近红外光谱仪为用美国赛默飞·世尔AntarisⅡ型傅里叶近红外光谱仪,光谱扫描范围4000-10000cm-1,分辨率8cm-1,检测器为InGaAs,每个样品采集10次光谱,每次扫描64次,取10次采集光谱的平均值作为该样品的最终光谱。
所述步骤三中的化学计量学软件为TQ Analyst 9.4.45软件和OPUS 7.0软件。
与现有技术相比,本发明的有益效果:
本发明中基于近红外光谱技术,结合主成分分析和多种信息传递方式的人工神经网络模型判定鲜叶品种,实现了不同土壤类型茶鲜叶的快速、准确、无损判定,有效的解决了鲜叶收购时其不同土壤类型的鲜叶判定难的问题,研究结果也为茶叶品质提升提供了一种科学的保障。
附图说明
图1是本发明中全部100个鲜叶样品光谱图。
图2是本发明中红壤和黄壤鲜叶样品Scores1值和Scores2值空间分布图。
图3是本发明中standard nets信息传递人工神经网络结构。
图4是本发明中jump connection nets信息传递人工神经网络结构。
图5是本发明中Jordan-Elman nets信息传递人工神经网络结构。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步的详细描述。
一种近红外光谱快速判定不同土壤类型茶鲜叶的方法,扫描获得不同土壤类型的鲜叶近红外光谱,然后对样品光谱进行主成分分析,再以主成分为输入值建立多种信息传递方式的不同土壤类型鲜叶的人工神经网络预测模型判定鲜叶的不同土壤类型。具体包括以下步骤:
步骤一、鲜叶样品采集与分类
分别采集红壤和黄壤的鲜叶样品,依据土壤类型的不同,将样品随机划分为校正集和验证集2个集合;其中验证集鲜叶样品用于检验鲜叶不同土壤类型校正集预测模型的稳健性。
步骤二、光谱采集
应用傅里叶型近红外光谱仪(FT-NIR)扫描获得全部鲜叶样品的近红外光谱。
近红外光谱(NIRS)是一种介于可见光区和中红外光区之间的电磁波,具有快速、准确和无需预处理等特点,目前已经广泛应用于农业、石化行业、纺织业、医药行业和烟草行业中。在茶叶应用领域中,近红外光谱技术已经成功的实现了对咖啡碱、茶多酚总量的预测及对茶溯源地的判定等。
步骤三、光谱预处理
应用化学计量学软件对全部鲜叶样品的近红外光谱进行求导和平滑等预处理,然后将鲜叶样品光谱转化为成对的数据点,用于后续建立鲜叶不同土壤类型校正集预测模型和验证集模型。
步骤四、鲜叶样品光谱主成分分析(PCA)
应用Matlab软件对全部鲜叶样品的光谱数据进行主成分分析,求得全部鲜叶样品光谱数据的得分Score1值和Score2值,主成分数及其贡献率。
步骤五、建立人工神经网络(BP-ANN)预测模型
以校正集样品光谱的前3个主成分为输入值,以不同土壤类型鲜叶样品为输出值,经过反复优化,建立standard nets、jump connection nets和Jordan-Elman nets三种信息传递方式鲜叶不同土壤类型人工神经网络预测模型,比较该三种模型相关系数R和交互验证均方根方差RMSECV值,
其中相关系数R公式为:
交互验证均方根方差RMSECV公式为:
式中,R为相关系数,n表示样本数,yi和yi’分别为样品集中第i个样品的土壤类型实测值和土壤类型预测值,为样品集中第i个样品的实测值的平均值,式中i≤n;
其中以相关系数R最大和交互验证均方根方差RMSECV最小的模型为最佳模型,该模型精度最高,经比较后得到最佳校正集模型。
步骤六、模型验证
为避免出现过度拟合现象,应用验证集样品对得到的三种校正集模型预测效果进行检验,即是用已经得到的三种校正集预测模型来预测验证集样品的鲜叶土壤类型预测值是否与已经知道的实测值是否一致。所得结果用相关系数R和验证集均方差RMSEP表示,其中相关系数R越大和验证集均方差RMSEP越小则表示检验效果越好;结果用验证集样品的数据进行表达,此时若得到的近红外光谱的土壤类型预测值与土壤类型实测值基本一致,则表示对验证集样品的预测效果很好,最佳校正集模型可以准确的预测鲜叶样品的不同土壤类型。
其中验证集均方差RMSEP公式为:式中,n表示样本数,yi和yi’分别为样品集中第i个样品的土壤类型实测值和土壤类型预测值,式中i≤n。
具体的,所述的步骤一中鲜叶样品数量为100份,其中红壤和黄壤龙井43鲜叶样品各50个,鲜叶样品按照7:3的比例随机划分为校正集和验证集。
具体的,所述的步骤一中采摘的鲜叶样品为芽,第一叶、第二叶、第三叶、一芽一叶、一芽二叶和一芽三叶。
具体的,所述步骤二中的傅里叶型近红外光谱仪为用美国赛默飞·世尔AntarisⅡ型傅里叶近红外光谱仪,光谱扫描范围4000-10000cm-1,分辨率8cm-1,检测器为InGaAs,每个样品采集10次光谱,每次扫描64次,取10次采集光谱的平均值作为该样品的最终光谱。
具体的,所述步骤三重的化学计量学软件为TQ Analyst 9.4.45软件和OPUS 7.0软件。
具体实施例一:
(1)鲜叶样品采集与分类
采集鲜叶样品共100个,其中红壤和黄壤龙井43鲜叶样品各50个。采摘时间为2015年3月28日-4月3日;采摘的鲜叶样品为芽,第一叶、第二叶、第三叶、一芽一叶、一芽二叶和一芽三叶。根据土壤类型不同,将样品分为校正集和验证集2个集合,其中校正集70个样品(红壤和黄壤龙井43鲜叶样品各35个);验证集样品30个(红壤和黄壤龙井43鲜叶样品各15个),验证集用于检验校正集模型的稳健性。
(2)光谱采集
参见图1,采用美国赛默飞·世尔AntarisⅡ型傅里叶近红外光谱仪(FT-NIR),选用积分球漫反射光学平台;光谱扫描范围4000-10000cm-1;分辨率8cm-1,检测器为InGaAs。每个样品采集10次光谱,每次扫描64次,取10次采集光谱的平均值作为该样品的最终光谱。光谱采集前,将该光谱仪预热1h,保持室内温度和湿度基本一致后,将鲜叶样品装入与该仪器配套的旋转杯中采集光谱,全部鲜叶样品光谱参见图1。
(3)光谱预处理
在光谱采集过程中,通常会产生高频噪声和基线漂移等影响模型预测效果的噪声信息,因此,在建立校正集模型前需要对光谱进行预处理。因此应用化学计量学软件TQAnalyst9.4.45软件和OPUS 7.0软件对全部鲜叶样品的近红外光谱进行求导和平滑等预处理;然后将鲜叶样品光谱转化为1557对数据点,用于后续数据分析,建立判别模型。
(4)鲜叶光谱主成分分析(PCA)
应用Matlab软件对全部鲜叶光谱进行主成分分析,求得主成分数及其贡献率。前8个主成分的贡献率分别如下:
表1 前8个主成分贡献率
从表1可以看出,PC1贡献率最大,为91.24%,从PC1—PC8主成分贡献率急剧降低,PC8贡献率仅为0.01%。其中,PC1,PC2和PC3三个主成分的累计贡献率为99.67%,完全可以代表上述光谱信息,用于后续数据分析。
根据上述主成分分析求得的全部鲜叶样品光谱数据的得分Score1值和Score2值信息,得到2个土壤类型鲜叶样品的空间位置分布图,具体参见图2。
从图2可以看出,红壤鲜叶样品主要分布在第二、第三和第四象限(第一象限9个样品,第二象限13个样品,第三象限14个样品,第四象限14个样品),黄壤鲜叶样品主要分布在第一、第三、第四象限(第一象限18个样品,第二象限7个样品,第三象限12个样品,第四象限13个样品),除少部分样品可以完全区分开外,剩余的大部分样品几乎完全无法分开,混杂在一起。因此,仅应用主成分分析求得样品scores1和scores2值进而确定其空间位置的方法无法达到准确判定不同土壤类型鲜叶的目的。
(5)建立人工神经网络(BP-ANN)预测模型
在建立人工神经网络模型时,要求尽可能的减少输入变量,但还要尽可能多的代表原始光谱数据信息,因此,选择以上述主成分分析法筛选的前3个主成分(累计贡献率为99.67%)为输入值,以不同土壤类型鲜叶为输出值(红壤鲜叶样品值为1.0000,黄壤鲜叶样品值为2.0000),经过反复优化,建立不同土壤类型鲜叶的人工神经网络预测模型。在建立模型的过程中,由于人工神经网络模型内部信息传递方式的不同,而导致建立模型的预测效果也会产生较大差异。在建模过程中,分别比较了standard nets、jump connectionnets和Jordan-Elman nets三种信息传递方式人工神经网络模型的预测效果,具体参见图3,通过将前3个主成分分别输入到3种人工神经网络模型中,比较该三种模型相关系数R和交互验证均方根方差RMSECV值,得到了最佳校正集预测模型。最佳校正集模型为Jordan-Elman nets传递方式人工神经网络模型,R为0.960,RMSECV为0.380。
(6)模型验证
为避免出现过度拟合现象,应用验证集30份样品对三种校正集模型进行检验,所得结果用相关系数R和验证集均方差RMSEP表示,具体参见下面的表2:
表2 3种人工神经网络模型建模结果比较
从表2可以看出,不同土壤类型鲜叶standard nets结构人工神经网络模型校正集相关系数R为0.444,交互验证均方根方差RMSECV为0.457,当用验证集样品进行检验时,得到验证集模型R为0.348,RMSEP为0.469。不同土壤类型鲜叶jump connection nets结构人工神经网络模型校正集R为0.447,RMSECV为0.458,当用验证集样品进行检验时,得到验证集模型R为0.353,RMSEP为0.470。不同土壤类型鲜叶Jordan-Elman nets结构人工神经网络模型校正集R为0.960,RMSECV为0.380,当用验证集样品进行检验时,得到验证集模型R为0.859,RMSEP为0.436。可见,在建立的3种信息传递方式人工神经网络模式中,以Jordan-Elman nets结构模型最优,而standard nets结构模型和jump connection nets结构模型预测结果较为接近,预测效果非常不理想。
应用最佳Jordan-Elman nets结构模型对30个验证集鲜叶样品进行预测,判别结果具体见表3。从表3可以看出,最佳校正集模型可以准确的预测未知土壤类型的鲜叶样品,达到了较为理想的预测效果,判定准确率为100%。可见,Jordan-Elman nets结构人工神经网络模型可以实现不同土壤类型鲜叶的快速、准确判别。
表3 30个验证集样品预测结果
本发明应用近红外光谱技术,先扫描获得鲜叶样品的近红外光谱,有效降低噪声信息后,对样品光谱进行主成分分析求得Score1值和Score2值,但不能区分2类土壤类型的鲜叶样品;;接着采用具有良好非线性特性的人工神经网络方法,以前3个主成分为输入值,建立了standard nets、jump connection nets和Jordan-Elman nets三种结构的不同土壤类型的鲜叶人工神经网络模型,得到以Jordan-Elman nets结构模型预测效果最佳,验证集模型R为0.859,RMSEP为0.436。实现了不同土壤类型茶鲜叶的快速、准确判别,有效的解决了不同土壤类型茶鲜叶样品判定存在的难题。同时,研究结果也为茶叶品质提升提供了一种科学的保障。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,上述结构都应当视为属于本发明的保护范围。
Claims (2)
1.一种近红外光谱快速判定不同土壤类型茶鲜叶的方法,其特征在于,扫描获得不同土壤类型的鲜叶样品近红外光谱,然后对鲜叶样品光谱进行主成分分析,再以主成分为输入值建立多种信息传递方式的不同土壤类型鲜叶的人工神经网络预测模型判定鲜叶的不同土壤类型,具体包括以下步骤:
步骤一、鲜叶样品采集与分类
分别采集红壤和黄壤的鲜叶样品,依据土壤类型的不同,将鲜叶样品随机划分为校正集和验证集2个集合,鲜叶样品数量为100份,其中红壤和黄壤龙井43鲜叶样品各50个,鲜叶样品按照7:3的比例随机划分为校正集和验证集,采摘的鲜叶样品为芽,第一叶、第二叶、第三叶、一芽一叶、一芽二叶和一芽三叶;
步骤二、光谱采集
应用傅里叶型近红外光谱仪扫描获得全部鲜叶样品的近红外光谱,所述的傅里叶型近红外光谱仪为用美国赛默飞·世尔AntarisⅡ型傅里叶近红外光谱仪,光谱扫描范围4000-10000cm-1,分辨率8cm-1,检测器为InGaAs,每个样品采集10次光谱,每次扫描64次,取10次采集光谱的平均值作为该样品的最终光谱;
步骤三、光谱预处理
应用化学计量学软件对全部鲜叶样品的近红外光谱进行求导和平滑预处理,然后将鲜叶样品光谱转化为成对的数据点;
步骤四、鲜叶样品光谱主成分分析
应用Matlab软件对全部鲜叶样品的光谱数据进行主成分分析,求得全部鲜叶样品光谱数据的得分Score1值和Score2值,主成分数及其贡献率;
步骤五、建立人工神经网络预测模型
以校正集样品光谱的前3个主成分为输入值,以不同土壤类型鲜叶样品为输出值,经过反复优化,建立standardnets、jumpconnectionnets和Jordan-Elmannets三种信息传递方式鲜叶不同土壤类型人工神经网络预测模型,比较该三种模型相关系数R和交互验证均方根方差RMSECV值,
其中相关系数R公式为:
交互验证均方根方差RMSECV公式为:
式中,R为相关系数,n表示样本数,yi和yi’分别为样品集中第i个样品的土壤类型实测值和土壤类型预测值,为样品集中第i个样品的实测值的平均值,式中i≤n,
其中以相关系数R最大和交互验证均方根方差RMSECV最小的模型为最佳模型,经比较后得到最佳校正集模型;
步骤六、模型验证
为避免出现过度拟合现象,应用验证集样品对得到的三种校正集模型预测效果进行检验,所得结果用相关系数R和验证集均方差RMSEP表示,其中相关系数R越大和验证集均方差RMSEP越小则表示检验效果越好,此时若得到的近红外光谱的土壤类型预测值与土壤类型实测值基本一致,则表示对验证集样品的预测效果很好,最佳校正集模型可以准确的预测鲜叶样品的不同土壤类型,
其中验证集均方差RMSEP公式为:
式中,n表示样本数,yi和yi’分别为样品集中第i个样品的土壤类型实测值和土壤类型预测值,式中i≤n。
2.根据权利要求1所述的一种近红外光谱快速判定不同土壤类型茶鲜叶的方法,其特征在于:所述步骤三中的化学计量学软件为TQAnalyst9.4.45软件和OPUS7.0软件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610934451.1A CN106442400B (zh) | 2016-10-31 | 2016-10-31 | 一种近红外光谱快速判定不同土壤类型茶鲜叶的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610934451.1A CN106442400B (zh) | 2016-10-31 | 2016-10-31 | 一种近红外光谱快速判定不同土壤类型茶鲜叶的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106442400A CN106442400A (zh) | 2017-02-22 |
CN106442400B true CN106442400B (zh) | 2019-06-14 |
Family
ID=58177590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610934451.1A Active CN106442400B (zh) | 2016-10-31 | 2016-10-31 | 一种近红外光谱快速判定不同土壤类型茶鲜叶的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106442400B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951720B (zh) * | 2017-04-12 | 2019-05-31 | 山东省科学院海洋仪器仪表研究所 | 基于典型相关性分析及线性插值的土壤养分模型转移方法 |
CN108827909B (zh) * | 2018-06-07 | 2020-01-24 | 浙江大学 | 基于可见近红外光谱与多目标融合的土壤快速分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101210875A (zh) * | 2007-12-25 | 2008-07-02 | 浙江大学 | 基于近红外光谱技术的无损测量土壤养分含量的方法 |
CN101532954A (zh) * | 2008-03-13 | 2009-09-16 | 天津天士力现代中药资源有限公司 | 一种用红外光谱结合聚类分析鉴定中药材的方法 |
CN101609042A (zh) * | 2009-06-29 | 2009-12-23 | 浙江托普仪器有限公司 | 基于近红外光谱的手持式土壤养分无损测量系统 |
CN102636450A (zh) * | 2012-04-18 | 2012-08-15 | 西北农林科技大学 | 基于近红外光谱技术无损检测枸杞中枸杞多糖含量的方法 |
-
2016
- 2016-10-31 CN CN201610934451.1A patent/CN106442400B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101210875A (zh) * | 2007-12-25 | 2008-07-02 | 浙江大学 | 基于近红外光谱技术的无损测量土壤养分含量的方法 |
CN101532954A (zh) * | 2008-03-13 | 2009-09-16 | 天津天士力现代中药资源有限公司 | 一种用红外光谱结合聚类分析鉴定中药材的方法 |
CN101609042A (zh) * | 2009-06-29 | 2009-12-23 | 浙江托普仪器有限公司 | 基于近红外光谱的手持式土壤养分无损测量系统 |
CN102636450A (zh) * | 2012-04-18 | 2012-08-15 | 西北农林科技大学 | 基于近红外光谱技术无损检测枸杞中枸杞多糖含量的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106442400A (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106568738A (zh) | 一种近红外光谱快速判定不同质量等级茶鲜叶的方法 | |
CN105181642B (zh) | 一种花生品质的近红外检测方法及应用 | |
CN102879353B (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
WO2020232959A1 (zh) | 基于函数性主元分析的近红外光谱特征提取方法和系统 | |
CN108872132A (zh) | 一种利用近红外光谱判别茶鲜叶品种的方法 | |
CN104792722A (zh) | 一种沉香含油率近红外光谱预测模型的建立 | |
CN108844917A (zh) | 一种基于显著性假设检验和偏最小二乘法的近红外光谱数据分析方法 | |
CN104990895B (zh) | 一种基于局部区域的近红外光谱信号标准正态校正方法 | |
CN105548070B (zh) | 一种苹果可溶性固形物近红外检测部位补偿方法及系统 | |
CN108037081B (zh) | 一种酿酒葡萄成熟度监测方法和系统 | |
Khodabakhshian et al. | A comparative study of reflectance and transmittance modes of Vis/NIR spectroscopy used in determining internal quality attributes in pomegranate fruits | |
CN107917897A (zh) | 近红外光谱测定特医食品多组分含量的方法 | |
CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
CN109001147A (zh) | 一种利用近红外光谱判别茶鲜叶地理信息的方法 | |
CN106442400B (zh) | 一种近红外光谱快速判定不同土壤类型茶鲜叶的方法 | |
CN107402192A (zh) | 一种快速分析香精香料质量稳定性的方法 | |
CN104297201A (zh) | 一种快速、准确定量调和油中各种油份比例的检测方法 | |
CN106442399B (zh) | 一种近红外光谱判别不同栽培环境同一品种茶鲜叶的方法 | |
Lu et al. | Rapid assessment of tomato ripeness using visible/near-infrared spectroscopy and machine vision | |
CN110672578A (zh) | 针对煎炸油极性组分检测的模型通用性及稳定性验证方法 | |
CN110186871A (zh) | 一种茶鲜叶产地的判别方法 | |
CN109358022A (zh) | 一种快速判别烟用爆珠类型的方法 | |
CN106872396B (zh) | 一种不同近红外仪器测定葡萄糖度模型转换的方法 | |
CN108444943A (zh) | 一种基于傅里叶变换近红外光谱的咖啡掺假快速鉴别方法 | |
CN106198423B (zh) | 一种基于可见-近红外光谱分析技术鉴别火腿肠等级的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |