CN106525849B - 茶叶智能化拼配方法与系统 - Google Patents
茶叶智能化拼配方法与系统 Download PDFInfo
- Publication number
- CN106525849B CN106525849B CN201610951192.3A CN201610951192A CN106525849B CN 106525849 B CN106525849 B CN 106525849B CN 201610951192 A CN201610951192 A CN 201610951192A CN 106525849 B CN106525849 B CN 106525849B
- Authority
- CN
- China
- Prior art keywords
- tea
- assorted
- tealeaves
- sample
- spectrum
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 235000013616 tea Nutrition 0.000 claims abstract description 279
- 238000002156 mixing Methods 0.000 claims abstract description 80
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 32
- 230000008901 benefit Effects 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims description 79
- 244000062793 Sorghum vulgare Species 0.000 claims description 74
- 235000019713 millet Nutrition 0.000 claims description 74
- 238000007726 management method Methods 0.000 claims description 46
- 239000000796 flavoring agent Substances 0.000 claims description 27
- 235000019634 flavors Nutrition 0.000 claims description 26
- 235000014347 soups Nutrition 0.000 claims description 19
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 18
- 239000004615 ingredient Substances 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 239000003086 colorant Substances 0.000 claims description 10
- 238000007789 sealing Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 239000000835 fiber Substances 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 9
- 239000000377 silicon dioxide Substances 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 claims description 7
- 235000020341 brewed tea Nutrition 0.000 claims description 7
- 238000004445 quantitative analysis Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000000411 transmission spectrum Methods 0.000 claims description 5
- 238000002835 absorbance Methods 0.000 claims description 3
- 238000000862 absorption spectrum Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 229910052736 halogen Inorganic materials 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000000159 protein binding assay Methods 0.000 claims description 3
- 238000010561 standard procedure Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 229910052721 tungsten Inorganic materials 0.000 claims description 3
- 239000010937 tungsten Substances 0.000 claims description 3
- -1 tungsten halogen Chemical class 0.000 claims description 3
- 244000283207 Indigofera tinctoria Species 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 241001122767 Theaceae Species 0.000 claims 46
- 244000269722 Thea sinensis Species 0.000 abstract description 234
- 239000011551 heat transfer agent Substances 0.000 abstract description 7
- FDZZZRQASAIRJF-UHFFFAOYSA-M malachite green Chemical compound [Cl-].C1=CC(N(C)C)=CC=C1C(C=1C=CC=CC=1)=C1C=CC(=[N+](C)C)C=C1 FDZZZRQASAIRJF-UHFFFAOYSA-M 0.000 abstract description 4
- 235000013305 food Nutrition 0.000 abstract description 3
- 239000002994 raw material Substances 0.000 abstract 1
- 229940112824 paste Drugs 0.000 description 53
- 235000009569 green tea Nutrition 0.000 description 18
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 10
- 230000000007 visual effect Effects 0.000 description 8
- 239000003205 fragrance Substances 0.000 description 7
- PFTAWBLQPZVEMU-DZGCQCFKSA-N (+)-catechin Chemical compound C1([C@H]2OC3=CC(O)=CC(O)=C3C[C@@H]2O)=CC=C(O)C(O)=C1 PFTAWBLQPZVEMU-DZGCQCFKSA-N 0.000 description 6
- 229940024606 amino acid Drugs 0.000 description 6
- 150000001413 amino acids Chemical class 0.000 description 6
- ADRVNXBAWSRFAJ-UHFFFAOYSA-N catechin Natural products OC1Cc2cc(O)cc(O)c2OC1c3ccc(O)c(O)c3 ADRVNXBAWSRFAJ-UHFFFAOYSA-N 0.000 description 6
- 235000005487 catechin Nutrition 0.000 description 6
- 229950001002 cianidanol Drugs 0.000 description 6
- 239000000178 monomer Substances 0.000 description 6
- 150000008442 polyphenolic compounds Chemical class 0.000 description 6
- 235000013824 polyphenols Nutrition 0.000 description 6
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 description 5
- 229960001948 caffeine Drugs 0.000 description 5
- VJEONQKOZGKCAK-UHFFFAOYSA-N caffeine Natural products CN1C(=O)N(C)C(=O)C2=C1C=CN2C VJEONQKOZGKCAK-UHFFFAOYSA-N 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000013139 quantization Methods 0.000 description 5
- 210000000697 sensory organ Anatomy 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 229910044991 metal oxide Inorganic materials 0.000 description 3
- 150000004706 metal oxides Chemical class 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 241000122205 Chamaeleonidae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 235000006468 Thea sinensis Nutrition 0.000 description 2
- 239000002585 base Substances 0.000 description 2
- 238000009835 boiling Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000020333 oolong tea Nutrition 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000009738 saturating Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 210000002105 tongue Anatomy 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 101100054292 Arabidopsis thaliana ABCG36 gene Proteins 0.000 description 1
- 101100351526 Arabidopsis thaliana PEN3 gene Proteins 0.000 description 1
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 239000002304 perfume Substances 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000014860 sensory perception of taste Effects 0.000 description 1
- 235000013599 spices Nutrition 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- 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
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Abstract
本发明公开一种茶叶智能化拼配方法与系统,属于食品品质快速评价技术领域;本发明的方法采用多传感信息仿生评价技术,利用所述茶叶智能化拼配系统中机器视觉模块、可见近红外光谱模块和电子鼻模块首先获取茶叶的形、色、气、味、底等特征评价信息,通过对标准茶样机器自学习训练,建立茶叶拼配指标标准化数据库;对拼配茶的各原料,分别获取并量化各特征评价信息,建立多重优化组合模型,综合考虑与标准茶样的符合度和拼配方案对应价格,给出最优的茶叶拼配方案,在保证茶叶质量的同时达到最优效益的目的;本发明克服了茶叶人工拼配导致产品质量不稳定的问题,解决多种茶样配比最优解问题,为复杂的拼配茶提供一种智能化的解决方案。
Description
技术领域
本发明属于食品品质快速评价技术领域,具体涉及一种茶叶智能化拼配方法与系统。
背景技术
茶叶拼配是茶叶加工的一种工艺,多为商品茶加工企业采用,是一项复杂的技术。所谓茶叶拼配,是把具有一定的共性而形质不一的产品,择其所短,或美其形,或匀其色,或提其香,或浓其味,拼合在一起的作业。茶叶拼配是一种常用的提高茶叶品质、稳定茶叶品质、扩大货源、增加数量、获取较高经济效益的方法。现行的茶叶拼配以评茶师的感官评价为主,但评价受各种因素的影响,主观性强,一致性差,导致产品质量不稳定。
对茶叶的理化评价方法包括物理法(比容法、比色法、电导法和色差法等)和化学法(成分测定、电子鼻、电子舌等),因评价指标单一,仅作为辅助评价方法,无法取代感官评审。茶叶感官评审是依靠人的嗅觉、味觉、视觉和触觉等感觉器官对茶叶的色、香、味和形等品质进行评估的方法。对拼配后的茶叶进行审评,包括干看和湿评,干看:外形的形状、色泽、整碎和净度,湿评:闻香气、看汤色、尝滋味和评叶底。由于评审的系统性和复杂性,单一的评价指标不能全面地描述茶叶的品质特征。
多传感信息仿生评价技术模拟人的感觉器官,充分利用多个传感器信息,把多个传感器在空间或时间上的冗余或互补信息进行组合,产生更可靠、更精确的信息,为茶叶评价提供准确的决策。多传感信息仿生评价技术融合了控制理论、人工智能、信号处理、概率统计的发展,结合多传感信息融合过程中交互感知信息解析方法,模拟人类感觉器官的交互作用机制,为茶叶拼配的智能化评价提供了一种新的解决方案。
国内外文献检索表明,在茶叶品质智能化评价方面,公开号CN101692053B“基于多传感信息融合的名优茶品质仪器智能化审评方法”、公开号CN103472197B“一种食品智能化仿生评价中的跨感知信息交互感应融合方法”和CN102539326B“茶叶汤色品质的量化评价方法”等,量化的评价指标均以人工感官的评分为评价依据,在仪器化评价结果中依然夹杂着人工感官评审结果的主观偏见,一定程度上制约了仪器化评审的使用范围。茶叶拼配要求外形相像、內质相符、品质稳定、成本低廉,如何以最低的成本达到产品标准成为生产的关键点。本发明采用多传感信息仿生评价技术,采用机器自学习训练,对茶叶的形、色、香、味等指标量化评价,建立标准样符合评判模型,解决多种茶样配比最优解问题,实现茶叶智能化拼配。
发明内容
针对现有技术的不足,本发明提供一种茶叶智能化拼配方法与系统,解决茶叶拼配人工感官评审主观性强、一致性差、产品质量不稳定的问题,解决多种茶样配比最优解问题,为复杂的拼配茶提供一种智能化的解决方案。
为实现上述目的,本发明通过以下技术方案予以实现:
本发明首先提供一种茶叶智能化拼配系统,所述系统包括计算机、机器视觉模块、可见近红外光谱模块、电子鼻模块和茶叶拼配信息化管理平台。
所述计算机通过数据线连接机器视觉模块、可见近红外光谱模块和电子鼻模块,用于与各模块间的信息交互;所述计算机安装有茶叶拼配信息化管理平台软件,用于机器视觉模块、可见近红外光谱模块和电子鼻模块采集的数据信息的滤噪、筛选、特征提取、模型计算、拼配方案推荐和数据存储。
所述机器视觉模块用于定量描述茶叶的形态、颜色和叶底特征;所述机器视觉模块包括工业RGB相机、环形照明光源、定位双导轨、干茶盘、叶底盘;其中工业RGB相机与计算机通过数据线连接;所述定位双导轨位于工业RGB相机下方,干茶盘和叶底盘分别位于定位双导轨上;其中所述定位双导轨固定放置,在导轨上置有定位槽,干茶盘从定位双导轨的一端滑至定位槽时,干茶盘置于工业RGB相机的正下方,方便定位;叶底盘从定位双导轨的另一端滑至定位槽时,同样置于工业RGB相机的正下方,相机采集另一托盘时原托盘先从定位双导轨滑出。
在拼配茶评审时,取100-150克干茶叶平铺于干茶盘中,从定位双导轨的一端滑到工业RGB相机的正下方,在环形照明光源的均匀照明下,工业RGB相机用于获取干茶的图像,然后图像传输到计算机获取干茶的形态和颜色特征信息;将冲泡过的茶叶倒入叶底盘中,加入适量清水,从定位双导轨的另一端滑到工业RGB相机的正下方,工业RGB相机用于获取叶底的图像,然后图像传输到计算机获取叶底的颜色和均匀度的特征信息。
所述可见近红外光谱模块用于获取冲泡茶的汤色和滋味;包括可见近红外光谱仪、石英光纤和光透射模组,所述可见近红外光谱仪内置卤钨灯,通过石英光纤为光透射模组提供稳定的主动光源;用特定光程的比色皿取制备好的茶汤,然后放置于所述光投射模组中,获取茶汤的可见近红外光谱;获取的所述可见近红外光谱数据传输到计算机后,利用茶叶拼配信息化管理平台内置的颜色变换方程和茶汤成分定量分析模型,计算或预测茶汤的颜色特征值和茶汤主要成分的含量及比值。
所述电子鼻模块包括电子鼻传感器组、集气密封圈和茶样集气杯,用于获取冲泡茶在不同温度下的香气特征信息;其中所述电子鼻传感器组与计算机通过数据线连接;所述电子鼻传感器组内含10个交互敏感的金属氧化物型传感器;其中所述光透射模组左右两侧中部设有SMA905标准接口,用于连接石英光纤;所述光透射模组中间设有可调卡槽,用于放置不同光程的比色皿。
对冲泡好的茶水,分别在茶水热、温、冷(热65~70℃、温50~55℃、冷28~33℃)时三次采集香气特征信息,每次用集气密封圈将茶样集气杯富集2分钟,通过微量泵将富集后的气体通过导管抽入电子鼻的传感器阵列,开始电子鼻信号数据的采集,采集的数据传输到计算机;利用计算机中茶叶拼配信息化管理平台提取并量化香气特征信息。
所述茶叶拼配信息化管理平台安装于计算机,用于处理机器视觉模块、可见近红外光谱模块和电子鼻模块传输过来的数据信息;利用所述茶叶拼配信息化管理平台内置的算法或模型提取或计算茶叶的形态特征信息、色泽特征信息、叶底特征信息、滋味特征信息、汤色特征信息和香气特征信息;所述茶叶拼配信息化管理平台采用机器自学习和训练,完全不依赖于人的主观评审,过程不受人为因素的影响;对于茶叶标准样,获取上述特征信息建立茶叶拼配指标标准化数据库;对每一种待拼配茶样,获取上述特征信息与茶叶拼配指标标准化数据库进行符合度计算;对多种待拼配茶样,输入每一种茶样的价格,设置与标准样符合度在95%置信区间内,通过人工智能优化组合算法,给出多种待拼配茶样的编号和拼配茶样的总体符合度的选择方案,以满足总体符合度的最低价格拼配为最优方案。
其中所述茶叶拼配信息化管理平台内置的算法,包括颜色直方图算法用于获取茶样的颜色特征,直方图统计矩法、频谱法和灰度共生矩阵算法用于获取茶样的纹理特征,气体传感器响应曲线的特征值提取用于获取气味特征;所述茶叶拼配信息化管理平台内置的模型,对采集得到的茶汤的透射光谱,包括CIE标准色度学系统颜色变换方程将透射光谱变换为CIE颜色空间参数,还包括茶汤中茶多酚、氨基酸、咖啡碱和儿茶素单体成分的定量分析模型,用于表征茶汤的滋味。
其中所述茶叶拼配信息化管理平台采用Visual Studio与Matlab混合编程实现,具体采用由Matlab中m文件构造动态链接库,然后在Visual Studio中调用动态链接,并用Visual Studio开发软件界面和所辖各级菜单;所述软件界面图形显示各待拼配茶的编号及指标量化值、最优拼配比例图、拼配符合度雷达图和茶叶最优拼配方案及可选方案;所述茶叶拼配信息化管理平台开发环境为电脑系统Windows 7旗舰版(32位)、Visual Studio2010旗舰版和Matlab R2012b;通过混合编程开发所述茶叶拼配信息化管理平台的可执行文件,所述可执行文件可以安装在符合最低配置的电脑或工控机,具有较好的可移植性和兼容性。
第二方面,本发明提出一种茶叶智能化拼配方法,该方法通过以下步骤实现:
S1.首先获取拼配茶叶标准样,审查是否受到污染或破坏,要满足茶叶的基本特征和属性,用于建立茶叶拼配指标标准化数据库。
S2.对获取的拼配茶叶标准样,采用所述茶叶智能化拼配系统中的机器视觉模块,取100-150克干茶叶平铺于干茶盘中,用工业RGB相机获取干茶的图像,利用所述茶叶拼配信息化管理平台软件提取干茶样的12个颜色特征和28个纹理特征;所述颜色特征由干茶图像的红(R)、绿(G)、蓝(B)三基色和色调(H)、饱和度(S)和光强度(I)三参数进一步计算得到的这6个参数的均值和标准差,共计12个颜色特征变量;所述纹理特征包括基于统计矩的6个纹理特征:平均灰度值(m)、标准方差(δ)、平滑度(R)、三阶矩(μ3)、一致性(U)和熵(e),基于频谱的6个纹理特征参数:圆周向谱能量幅值(Aρ)、径向谱能量幅值(Aθ)、圆周向谱能量的均值(mρ)、径向谱能量的均值(mθ)、圆周向谱能量的方差(δρ)和径向谱能量的方差(δθ),基于灰度共生矩阵提取16个纹理特征参数,包括惯性矩(Q1)、同质性(Q2)、能量(Q3)和相关性(Q4)分别在0°、45°、90°和135°四个方向的纹理特征。
S3.对获取的拼配茶叶标准样,采用所述茶叶智能化拼配系统中的可见近红外光谱模块,采集冲泡好的茶汤的透射光谱;称取样茶5.0g投入审评杯内,茶水比为1:50,注满沸水,加盖,计时约5min;到规定时间后,将杯内茶汤滤入审评碗内,制备好茶汤;用吸管滴入光程10mm的比色皿中,利用所述可见近红外光谱模块采集透射光谱;一方面,对采集的透射光谱,采用CIE标准色度学系统颜色变换方法,利用茶叶拼配信息化管理平台内置的颜色变换方程将透射光谱变换为CIE颜色空间参数:明度(L*)、绿红值(a*)、蓝黄值(b*)和色彩偏差(ΔE);另一方面,对采集的透射光谱,利用茶叶拼配信息化管理平台内置的茶汤成分定量分析模型,计算茶汤中的主要滋味成分含量及其比值,包括茶多酚、氨基酸、咖啡碱和儿茶素单体,以滋味成分含量的高低及比值的大小表示茶汤的滋味。
S4.对获取的拼配茶叶标准样,采用所述茶叶智能化拼配系统中的电子鼻模块,对冲泡好的茶水,分别在茶水热、温、冷(热65~70℃、温50~55℃、冷28~33℃)时三次取样,定量取冲泡好的茶汤至茶样集气杯的2/3,每次用集气密封圈将茶样集气杯富集2分钟,通过微量泵将富集后的气体通过导管抽入电子鼻的传感器阵列,开始电子鼻信号数据的采集;对每个气体传感器采集的响应曲线,提取原始最大值和平均值、一阶导数最大值和最小值共4个气味特征。
S5.对获取的拼配茶叶标准样,采用所述茶叶智能化拼配系统中的机器视觉模块,将冲泡过的茶叶倒入叶底盘中,加入适量清水,用工业RGB相机获取叶底的图像,以获取叶底的颜色和均匀度的特征信息;利用所述茶叶拼配信息化管理平台软件提取叶底的12个颜色特征和28个纹理特征;所述颜色特征由叶底图像的红(R)、绿(G)、蓝(B)三基色和色调(H)、饱和度(S)和光强度(I)三参数进一步计算得到的这6个参数的均值和标准差,共计12个颜色特征变量;所述纹理特征包括基于统计矩的6个纹理特征:平均灰度值(m)、标准方差(δ)、平滑度(R)、三阶矩(μ3)、一致性(U)和熵(e),基于频谱的6个纹理特征参数:圆周向谱能量幅值(Aρ)、径向谱能量幅值(Aθ)、圆周向谱能量的均值(mρ)、径向谱能量的均值(mθ)、圆周向谱能量的方差(δρ)和径向谱能量的方差(δθ),基于灰度共生矩阵提取16个纹理特征参数,包括惯性矩(Q1)、同质性(Q2)、能量(Q3)和相关性(Q4)分别在0°、45°、90°和135°四个方向的纹理特征。
S6.对拼配茶叶标准样,利用S2-S5获取的干茶颜色特征信息和纹理特征信息、茶汤滋味特征信息和茶汤颜色特征信息、茶汤气味特征信息和叶底颜色与均匀度特征信息,建立茶叶拼配指标标准化数据库。
S7.对待拼配的几种茶叶样本,每次选择其中一个样本,采用步骤S2-S5获取其特征信息,以特定编号存储于计算机中,以此类推,所有种类的待拼配茶样均采集其特征信息并存储于计算机中。
S8.根据拼配茶的类型,设定茶品质因子评价权重系数,如名优绿茶的品质因子评价权重系数,外形0.25、汤色0.10、香气0.25、滋味0.30和叶底0.10,每种品质因子对应特征变量符合度的计算结果再乘以其权重系数的和为该茶样与茶叶标准样的符合度值。
S9.设置与标准样符合度在95%置信区间内为达到标准拼配茶的要求,对每种待拼配的茶叶样,对应编号输入价格,通过人工智能优化组合算法,给出多种待拼配茶样的编号和拼配茶样的总体符合度的选择方案,以满足总体符合度的最低价格拼配为最优方案。
其中,所述茶叶拼配信息化管理平台内置的茶汤成分定量分析模型,该模型通过以下步骤实现:
L1.批量采集代表性茶叶样本,要求茶样中成分具有一定的覆盖度,茶叶按照S3中步骤进行茶汤制备。
L2.采用所述可见近红外光谱模块采集所述茶汤样本的可见近红外透射光谱,去除所述可见近红外透射光谱两端信噪比低的光谱区间,得到修正的茶汤可见近红外透射光谱。
L3.对所述修正的茶汤可见近红外透射光谱进行吸光度变换。
L4.对所述变换后的吸光度光谱选用S-G平滑/一阶导数预处理、标准变量变换、多元散射校正、正交信号校正中的一种或其组合方式进行光谱预处理,消除随机噪声,增强特征信号。
L5.对采集透射光谱的茶汤,采用标准方法测定其成分含量值,作为该成分的建立定量分析模型的参考值。
L6.对所述预处理后的光谱,结合测定的茶汤成分参考值,采用偏最小二乘法、联合区间偏最小二乘法、人工神经网络和支持向量机中的一种或其组合方式建立该成分定量分析模型。
L7.茶汤中茶多酚、氨基酸、咖啡碱和儿茶素单体均采用L2-L6的步骤建立该成分定量分析模型,经独立样本集验证结果在误差允许范围内时,模型内置于所述茶叶拼配信息化管理平台软件中。
优选地,所述茶叶拼配指标标准化数据库的建立,对获取的拼配茶叶标准样,取样一批平铺,采用等间隔取样法,如3行3列,即9个标准样先后利用所述系统获取各自的特征参数,对每一个特征参数得到一个有9个数值构成的取值区间,所有特征参数的集合构成了茶叶拼配指标标准化数据库。
优选地,所述每种品质因子对应特征变量符合度的计算,采用所述茶叶智能化拼配系统获取待拼配茶叶样品质指标的量化特征参数,对每一品质因子的参数,若该参数(A3)在所述茶叶拼配指标标准化数据库对应参数的取值区间[A1,A2],则该参数的符合度为100%,若该参数(A3)低于对应取值区间的最小值A1,符合度为[1-(A1-A3)/A1]×100%,若该参数(A3)高于对应取值区间的最大值A2,符合度为[1-(A3-A2)/A2]×100%,其他品质因子对应特征变量符合度的计算同上。
本发明的有益效果是:
相比于现有技术,本发明提出一种茶叶智能化拼配方法与系统,采用多传感信息仿生评价技术模拟人的眼、鼻、舌等感觉器官,获取茶叶的形、色、气、味、底等特征评价信息,通过对标准茶样机器自学习训练,综合考虑与标准茶样的符合度和拼配方案对应价格,给出最优的茶叶拼配方案,在保证茶叶质量的同时达到最优效益的目的。本发明克服了茶叶人工拼配导致产品质量不稳定的问题,解决多种茶样配比最优解问题,为复杂的拼配茶提供一种智能化的解决方案。
本发明的茶叶智能化拼配系统采用机器自学习和训练,不依赖于人的主观评审,过程不受人为因素的影响,通过量化茶叶的形态、颜色、汤色、香气、滋味和叶底这些特征指标,与建立的拼配茶标准样进行符合度计算,结合各拼配茶源的原始价格,得到最优化的茶叶拼配方案,对稳定茶叶质量,提高茶叶经济效益具有显著的推动作用。
本发明的茶叶智能化拼配方法,利用所述的茶叶智能拼配系统获取茶叶的颜色特征、纹理特征、滋味特征、汤色特征、香气特征和叶底特征,采用所述茶叶拼配信息化管理平台,自动给出最优的茶叶拼配组合方案,可有效降低生产成本,保证产品质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了多传感信息仿生评价的茶叶智能化拼配技术方案示意图。
图2示出了茶叶智能化拼配系统结构组成示意图;图中1为计算机;2为机器视觉模块;3为工业RGB相机;4为环形照明光源;5为定位双导轨;6为干茶盘;7为叶底盘;8为可见近红外光谱模块;9为可见近红外光谱仪;10为石英光纤;11为光透射模组;12为电子鼻模块;13为电子鼻传感器组;14为集气密封圈;15为茶样集气杯;16为茶叶拼配信息化管理平台。
图3示出了茶叶智能化拼配方法操作流程图。
图4示出了名优绿茶智能化拼配的符合度评价图。
图5示出了名优绿茶智能化拼配比例结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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,都属于本发明保护的范围。
实施例1:
本发明实施例1提出多传感信息仿生评价的茶叶智能化拼配技术方案,如图1所示,利用所述一种茶叶智能化拼配系统(如图2所示),通过拼配茶标准样的仪器自学习与训练,实现茶叶的智能化拼配。
所述一种茶叶智能化拼配系统包括计算机(1)、机器视觉模块(2)、可见近红外光谱模块(8)、电子鼻模块(12)和茶叶拼配信息化管理平台(16)。
所述计算机(1)通过数据线分别连接机器视觉模块(2)、可见近红外光谱模块(8)和电子鼻模块(12),用于与各模块间的信息交互;所述计算机(1)安装有茶叶拼配信息化管理平台(16)软件,用于机器视觉模块(2)、可见近红外光谱模块(8)和电子鼻模块(12)采集的数据信息的滤噪、筛选、特征提取、模型计算、拼配方案推荐和数据存储。
所述机器视觉模块(2)用于定量描述茶叶的形态、颜色和叶底特征;所述机器视觉模块(2)包括工业RGB相机(3)、环形照明光源(4)、定位双导轨(5)、干茶盘(6)、叶底盘(7),其中工业RGB相机(3)与计算机(1)通过数据线连接;所述定位双导轨(5)位于工业RGB相机(3)下方,干茶盘(6)和叶底盘(7)分别位于定位双导轨(5)上;
在拼配茶评审时,取100-150克干茶叶平铺于干茶盘(6)中,从定位双导轨(5)的一端滑到工业RGB相机(3)的正下方,在环形照明光源(4)的均匀照明下,工业RGB相机(3)用于获取干茶的图像,然后图像传输到计算机(1)获取干茶的形态和颜色特征信息;将冲泡过的茶叶倒入叶底盘(7)中,加入适量清水,从定位双导轨(5)的另一端滑到工业RGB相机(3)的正下方,工业RGB相机(3)用于获取叶底的图像,然后图像传输到计算机(1)获取叶底的颜色和均匀度的特征信息。
其中所述定位双导轨(5)固定放置,在导轨上置有定位槽,干茶盘(6)从定位双导轨(5)的一端滑至定位槽时,干茶盘(6)置于工业RGB相机(3)的正下方,方便定位;叶底盘(7)从定位双导轨(5)的另一端滑至定位槽时,同样置于工业RGB相机(3)的正下方,相机采集另一托盘时原托盘先从定位双导轨滑出。
所述可见近红外光谱模块(8)包括可见近红外光谱仪(9)、石英光纤(10)和光透射模组(11),用于获取冲泡茶的汤色和滋味;所述可见近红外光谱仪(9)内置卤钨灯,通过石英光纤(10)中为光透射模组(11)提供稳定的主动光源;用特定光程的比色皿取制备好的茶汤,然后放置于所述光投射模组(11)中,获取茶汤的可见近红外光谱;获取的所述可见近红外光谱数据传输到计算机(1)后,利用茶叶拼配信息化管理平台(16)内置的颜色变换方程和茶汤成分定量分析模型,计算或预测茶汤的颜色特征值和茶汤主要成分的含量及比值。
所述电子鼻模块(12)包括电子鼻传感器组(13)、集气密封圈(14)和茶样集气杯(15),用于获取冲泡茶在不同温度下的香气特征信息;所述电子鼻传感器组(13)内含10个交互敏感的金属氧化物型传感器;对冲泡好的茶水,分别在茶水热、温、冷(热65~70℃、温50~55℃、冷28~33℃)时三次采集香气特征信息,每次用集气密封圈(14)将茶样集气杯(15)富集2分钟,通过内置于电子鼻模块内的微量泵将富集后的气体通过导管抽入电子鼻传感器组(13)内含10个交互敏感的金属氧化物型传感器阵列,开始电子鼻信号数据的采集,采集的数据传输到计算机(1);利用计算机(1)中茶叶拼配信息化管理平台提取并量化香气特征信息。
其中所述光透射模组左右两侧中部设有SMA905标准接口,用于连接石英光纤;所述光透射模组中间设有可调卡槽,用于放置不同光程的比色皿。
所述茶叶拼配信息化管理平台(16)安装于计算机(1),用于处理机器视觉模块(2)、可见近红外光谱模块(8)和电子鼻模块(12)传输过来的数据信息;利用所述茶叶拼配信息化管理平台(16)内置的算法或模型提取或计算茶叶的形态特征信息、色泽特征信息、叶底特征信息、滋味特征信息、汤色特征信息和香气特征信息;对于茶叶标准样,获取上述特征信息建立茶叶拼配指标标准化数据库;对每一种待拼配茶样,获取上述特征信息与茶叶拼配指标标准化数据库进行符合度计算;对多种待拼配茶样,输入每一种茶样的价格,设置与标准样符合度在95%置信区间内,通过人工智能优化组合算法,给出多种待拼配茶样的编号和拼配茶样的总体符合度的选择方案,以满足总体符合度的最低价格拼配为最优方案。
其中所述茶叶拼配信息化管理平台(16)内置的算法,包括颜色直方图算法用于获取茶样的颜色特征,直方图统计矩法、频谱法和灰度共生矩阵算法用于获取茶样的纹理特征,气体传感器响应曲线的特征值提取用于获取气味特征;所述茶叶拼配信息化管理平台内置的模型,是对采集得到的茶汤的透射光谱,包括CIE标准色度学系统颜色变换方程将透射光谱变换为CIE颜色空间参数,还包括茶汤中茶多酚、氨基酸、咖啡碱和儿茶素单体成分的定量分析模型,用于表征茶汤的滋味。
其中所述茶叶拼配信息化管理平台(16)采用Visual Studio与Matlab混合编程实现,具体采用由Matlab中m文件构造动态链接库,然后在Visual Studio中调用动态链接,并用Visual Studio开发软件界面和所辖各级菜单;所述软件界面图形显示各待拼配茶的编号及指标量化值、最优拼配比例图、拼配符合度雷达图和茶叶最优拼配方案及可选方案;所述茶叶拼配信息化管理平台开发环境为电脑系统Windows 7旗舰版(32位)、Visual Studio2010旗舰版和Matlab R2012b;通过混合编程开发所述茶叶拼配信息化管理平台的可执行文件,所述可执行文件可以安装在符合最低配置的电脑或工控机,具有较好的可移植性和兼容性。
本实施例的茶叶智能化拼配系统采用机器自学习和训练,不依赖于人的主观评审,通过量化茶叶的形态、颜色、汤色、香气、滋味和叶底这些特征指标,与建立的拼配茶标准样进行符合度计算,结合各拼配茶源的原始价格,得到最优化的茶叶拼配方案,对稳定茶叶质量,提高茶叶经济效益具有显著的推动作用。
实施例2:
本发明提出一种茶叶智能化拼配方法,如图3所示,该方法通过以下步骤实现:
S1.首先获取拼配茶叶标准样,审查是否受到污染或破坏,要满足茶叶的基本特征和属性,用于建立茶叶拼配指标标准化数据库。
S2.对获取的拼配茶叶标准样,采用所述茶叶智能化拼配系统中的机器视觉模块(2),取100-150克干茶叶平铺于干茶盘(6)中,用工业RGB相机(3)获取干茶的图像,利用所述茶叶拼配信息化管理平台(16)提取干茶样的12个颜色特征和28个纹理特征;所述颜色特征由干茶图像的红(R)、绿(G)、蓝(B)三基色和色调(H)、饱和度(S)和光强度(I)三参数进一步计算得到的这6个参数的均值和标准差,共计12个颜色特征变量;所述纹理特征包括基于统计矩的6个纹理特征:平均灰度值(m)、标准方差(δ)、平滑度(R)、三阶矩(μ3)、一致性(U)和熵(e),基于频谱的6个纹理特征参数:圆周向谱能量幅值(Aρ)、径向谱能量幅值(Aθ)、圆周向谱能量的均值(mρ)、径向谱能量的均值(mθ)、圆周向谱能量的方差(δρ)和径向谱能量的方差(δθ),基于灰度共生矩阵提取16个纹理特征参数,包括惯性矩(Q1)、同质性(Q2)、能量(Q3)和相关性(Q4)分别在0°、45°、90°和135°四个方向的纹理特征。
S3.对获取的拼配茶叶标准样,采用所述茶叶智能化拼配系统中的可见近红外光谱模块(8),采集冲泡好的茶汤的透射光谱;称取样茶5.0g投入审评杯内,茶水比为1:50,注满沸水,加盖,计时约5min;到规定时间后,将杯内茶汤滤入审评碗内,制备好茶汤;用吸管滴入光程10mm的比色皿中,利用所述可见近红外光谱模块(8)采集透射光谱;一方面,对采集的透射光谱,采用CIE标准色度学系统颜色变换方法,利用茶叶拼配信息化管理平台内置的颜色变换方程将透射光谱变换为CIE颜色空间参数:明度(L*)、绿红值(a*)、蓝黄值(b*)和色彩偏差(ΔE);另一方面,对采集的透射光谱,利用茶叶拼配信息化管理平台内置的茶汤成分定量分析模型,计算茶汤中的主要滋味成分含量及其比值,包括茶多酚、氨基酸、咖啡碱和儿茶素单体,以滋味成分含量的高低及比值的大小表示茶汤的滋味。
S4.对获取的拼配茶叶标准样,采用所述茶叶智能化拼配系统中的电子鼻模块(12),对冲泡好的茶水,分别在茶水热、温、冷(热65~70℃、温50~55℃、冷28~33℃)时三次取样,定量取冲泡好的茶汤至茶样集气杯(15)的2/3,每次用集气密封圈(14)将茶样集气杯(15)富集2分钟,通过微量泵将富集后的气体通过导管抽入电子鼻的传感器阵列,开始电子鼻信号数据的采集;对每个气体传感器采集的响应曲线,提取原始最大值和平均值、一阶导数最大值和最小值共4个气味特征。
S5.对获取的拼配茶叶标准样,采用所述茶叶智能化拼配系统中的机器视觉模块(2),将冲泡过的茶叶倒入叶底盘(6)中,加入适量清水,用工业RGB相机(3)获取叶底的图像,以获取叶底的颜色和均匀度的特征信息;利用所述茶叶拼配信息化管理平台软件提取叶底的12个颜色特征和28个纹理特征;所述颜色特征由叶底图像的红(R)、绿(G)、蓝(B)三基色和色调(H)、饱和度(S)和光强度(I)三参数进一步计算得到的这6个参数的均值和标准差,共计12个颜色特征变量;所述纹理特征包括基于统计矩的6个纹理特征:平均灰度值(m)、标准方差(δ)、平滑度(R)、三阶矩(μ3)、一致性(U)和熵(e),基于频谱的6个纹理特征参数:圆周向谱能量幅值(Aρ)、径向谱能量幅值(Aθ)、圆周向谱能量的均值(mρ)、径向谱能量的均值(mθ)、圆周向谱能量的方差(δρ)和径向谱能量的方差(δθ),基于灰度共生矩阵提取16个纹理特征参数,包括惯性矩(Q1)、同质性(Q2)、能量(Q3)和相关性(Q4)分别在0°、45°、90°和135°四个方向的纹理特征。
S6.对拼配茶叶标准样,利用S2-S5获取的干茶颜色特征信息和纹理特征信息、茶汤滋味特征信息和茶汤颜色特征信息、茶汤气味特征信息和叶底颜色与均匀度特征信息,建立茶叶拼配指标标准化数据库。
S7.对待拼配的几种茶叶样本,每次选择其中一个样本,采用步骤S2-S5获取其特征信息,以特定编号存储于计算机中,以此类推,所有种类的待拼配茶样均采集其特征信息并存储于计算机中。
S8.根据拼配茶的类型,设定茶品质因子评价权重系数,如名优绿茶的品质因子评价权重系数,外形0.25、汤色0.10、香气0.25、滋味0.30和叶底0.10,每种品质因子对应特征变量符合度的计算结果再乘以其权重系数的和为该茶样与茶叶标准样的符合度值。
S9.设置与标准样符合度在95%置信区间内为达到标准拼配茶的要求,对每种待拼配的茶叶样,对应编号输入价格,通过人工智能优化组合算法,给出多种待拼配茶样的编号和拼配茶样的总体符合度的选择方案,以满足总体符合度的最低价格拼配为最优方案。
其中,所述茶叶拼配信息化管理平台内置的茶汤成分定量分析模型,该模型通过以下步骤实现:
L1.批量采集代表性茶叶样本,要求茶样中成分具有一定的覆盖度,茶叶按照S3中步骤进行茶汤制备。
L2.采用所述可见近红外光谱模块采集所述茶汤样本的可见近红外透射光谱,去除所述可见近红外透射光谱两端信噪比低的光谱区间,得到修正的茶汤可见近红外透射光谱。
L3.对所述修正的茶汤可见近红外透射光谱进行吸光度变换。
L4.对所述变换后的吸光度光谱选用S-G平滑/一阶导数预处理、标准变量变换、多元散射校正、正交信号校正中的一种或其组合方式进行光谱预处理,消除随机噪声,增强特征信号。
L5.对所述步骤L2中采集透射光谱后的茶汤,采用标准方法(GB/T 8312、GB/T8313、ISO14502等)测定其成分含量值,作为该成分的建立定量分析模型的参考值。
L6.对所述步骤L4中得到的预处理后的光谱,结合测定的茶汤成分参考值,采用偏最小二乘法、联合区间偏最小二乘法、人工神经网络和支持向量机中的一种或其组合方式建立该成分定量分析模型。
L7.茶汤中茶多酚、氨基酸、咖啡碱和儿茶素单体均采用L2-L6的步骤建立该成分定量分析模型,经独立样本集验证结果在误差允许范围内时,模型内置于所述茶叶拼配信息化管理平台(16)中。
优选地,所述茶叶拼配指标标准化数据库的建立,对获取的拼配茶叶标准样,取样一批平铺,采用等间隔取样法,如3行3列,即9个标准样先后利用所述系统获取各自的特征参数,对每一个特征参数得到一个有9个数值构成的取值区间,所有特征参数的集合构成了茶叶拼配指标标准化数据库。
优选地,所述每种品质因子对应特征变量符合度的计算,采用所述茶叶智能化拼配系统获取待拼配茶叶样品质指标的量化特征参数,对每一品质因子的参数,若该参数(A3)在所述茶叶拼配指标标准化数据库对应参数的取值区间[A1,A2],则该参数的符合度为100%,若该参数(A3)低于对应取值区间的最小值A1,符合度为[1-(A1-A3)/A1]×100%,若该参数(A3)高于对应取值区间的最大值A2,符合度为[1-(A3-A2)/A2]×100%,其他品质因子对应特征变量符合度的计算同上。本实施例的茶叶智能化拼配方法,利用所述的茶叶智能拼配系统获取茶叶的颜色特征、纹理特征、滋味特征、汤色特征、香气特征和叶底特征,采用所述茶叶拼配信息化管理平台,自动给出最优的茶叶拼配组合方案,可有效降低生产成本,保证产品质量。
实施例3:
本实施例以名优绿茶拼配为例,采用所述茶叶智能化拼配方法与系统,获取从干茶到冲泡茶汤及叶底的量化特征变量,通过与标准名优拼配茶样的特征值进行符合度计算,得到个最优拼配组合下各茶样的比例,实现茶叶的智能化拼配。
以5种优质绿茶(分别为A、B、C、D和E)拼配成1种某名优绿茶为例,通过以下步骤实现:
S1.首先对名优绿茶标准样进行初步审评,要满足名优绿茶的基本特征和属性,对获取的所述名优绿茶标准样作为拼配茶叶标准样,用于建立茶叶拼配指标标准化数据库。
S2.对获取的拼配茶叶标准样,采用所述茶叶智能化拼配系统中的机器视觉模块,选用加拿大灰点相机公司的Chameleon CMLN-13S2M-CS小型工业RGB工业相机,获取名优绿茶干茶样的颜色特征和纹理特征。
S3.对获取的拼配茶叶标准样,采用所述茶叶智能化拼配系统中的可见近红外光谱模块,选用美国海洋光学公司的USB2000+微型可见近红外光谱仪,获取名优绿茶茶汤中的汤色和主要滋味成分含量及其比值。
S4.对获取的拼配茶叶标准样,采用所述茶叶智能化拼配系统中的电子鼻模块,选用德国AIRSENSE公司PEN3电子鼻,分别获取在茶水热、温、冷(热65~70℃、温50~55℃、冷28~33℃)时的气味特征信息。
S5.对获取的拼配茶叶标准样,采用所述茶叶智能化拼配系统中的机器视觉模块,选用加拿大灰点相机公司的Chameleon CMLN-13S2M-CS小型工业RGB工业相机,获取名优绿茶叶底的颜色特征和均匀度特征。
S6.对名优绿茶拼配茶叶标准样,利用S2-S5获取的干茶颜色特征信息和纹理特征信息、茶汤滋味特征信息和茶汤颜色特征信息、茶汤气味特征信息和叶底颜色与均匀度特征信息,建立茶叶拼配指标标准化数据库。
S7.对待拼配的A、B、C、D和E茶叶样本,每次选择其中一个样本,采用步骤S2-S5获取其特征信息,以特定编号存储于计算机中,以此类推,所有种类的待拼配茶样均采集其特征信息并存储于计算机中。
S8.名优绿茶、大宗绿茶、功夫红茶和乌龙茶等均需要进行拼配,主要茶类品质因子评价权重系数如表1所示。根据拼配茶的类型,设定茶品质因子评价权重系数,名优绿茶的品质因子评价权重系数,外形0.25、汤色0.10、香气0.25、滋味0.30和叶底0.10,每种品质因子对应特征变量符合度的计算结果再乘以其权重系数的和为该茶样与茶叶标准样的符合度值,采用雷达图表示法在茶叶拼配信息化管理平台界面上直观的示出,如图4所示。
符合度的计算采用:
F总=(a×F外形+b×F汤色+c×F香气+d×F滋味+e×F叶底)×100%
=(0.25×85.8+0.10×98.1+0.25×94.6+0.30×96.1+0.10×95.3)×100%
=95.77%
其中F及下标表示总的或各因子的符合度评价值。
S9.设置与标准样符合度在95%置信区间内为达到标准拼配茶的要求,对每种待拼配的茶叶样,对应编号输入价格,通过人工智能优化组合算法,给出多种待拼配茶样的编号和拼配茶样的总体符合度的选择方案,以满足总体符合度的最低价格拼配为最优方案,名优绿茶智能化拼配比例结构如图5所示。
表1主要茶类品质因子评价权重系数
茶类别 | 外形 | 汤色 | 香气 | 滋味 | 叶底 |
名优绿茶 | 0.25 | 0.10 | 0.25 | 0.30 | 0.10 |
大宗绿茶 | 0.20 | 0.10 | 0.30 | 0.30 | 0.10 |
功夫红茶 | 0.25 | 0.10 | 0.25 | 0.30 | 0.10 |
乌龙茶 | 0.20 | 0.05 | 0.30 | 0.35 | 0.10 |
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种茶叶智能化拼配系统,其特征在于,所述系统包括计算机(1)、机器视觉模块(2)、可见近红外光谱模块(8)、电子鼻模块(12)和茶叶拼配信息化管理平台(16);
所述计算机(1)通过数据线分别连接机器视觉模块(2)、可见近红外光谱模块(8)和电子鼻模块(12),用于与各模块间的信息交互;所述计算机(1)安装有茶叶拼配信息化管理平台(16)软件,用于机器视觉模块(2)、可见近红外光谱模块(8)和电子鼻模块(12)采集的数据信息的滤噪、筛选、特征提取、模型计算、拼配方案推荐和数据存储;所述茶叶拼配信息化管理平台(16)采用机器自学习和训练,不依赖于人的主观评审,不受人为因素的影响;
所述机器视觉模块(2)用于定量描述茶叶的形态、颜色和叶底特征;所述机器视觉模块(2)包括工业RGB相机(3)、定位双导轨(5)、干茶盘(6)、叶底盘(7),其中工业RGB相机(3)与计算机(1)通过数据线连接;所述定位双导轨(5)位于工业RGB相机(3)下方,干茶盘(6)和叶底盘(7)分别位于定位双导轨(5)上;
所述可见近红外光谱模块(8)用于获取冲泡茶的汤色和滋味;所述可见近红外光谱模块(8)包括可见近红外光谱仪(9)、石英光纤(10)和光透射模组(11),其中可见近红外光谱仪(9)与计算机(1)通过数据线连接,所述可见近红外光谱仪(9)内置卤钨灯,通过石英光纤(10)为光透射模组(11)提供稳定的主动光源;
所述电子鼻模块(12)包括电子鼻传感器组(13)、集气密封圈(14)和茶样集气杯(15),用于获取冲泡茶在不同温度下的香气特征信息;其中所述电子鼻传感器组(13)与计算机(1)通过数据线连接;对冲泡好的茶水,用集气密封圈(14)将茶样集气杯(15)富集一段时间,通过内置于电子鼻模块内的微量泵将富集后的气体通过导管抽入电子鼻传感器组(13)内,开始电子鼻信号数据的采集;
所述茶叶拼配信息化管理平台(16)内置有算法和模型,所述内置的算法,包括颜色直方图算法用于获取茶样的颜色特征,直方图统计矩法、频谱法和灰度共生矩阵算法用于获取茶样的纹理特征,气体传感器响应曲线的特征值提取用于获取气味特征;所述茶叶拼配信息化管理平台内置的模型,是对采集得到的茶汤的透射光谱,包括CIE标准色度学系统颜色变换方程将透射光谱变换为CIE颜色空间参数,还包括茶汤成分定量分析模型,用于表征茶汤的滋味。
2.根据权利要求1所述的一种茶叶智能化拼配系统,其特征在于,机器视觉模块(2)还包括环形照明光源(4),为工业RGB相机(3)提供充足的光照;
所述定位双导轨(5)固定放置,在定位双导轨(5)上置有定位槽,干茶盘(6)从定位双导轨(5)的一端滑至定位槽时,干茶盘(6)置于工业RGB相机(3)的正下方;叶底盘(7)从定位双导轨(5)的另一端滑至定位槽时,同样置于工业RGB相机(3)的正下方。
3.根据权利要求1所述的一种茶叶智能化拼配系统,其特征在于,所述电子鼻模块采集数据时,所述冲泡好的茶水,分别在茶水热、温、冷时三次采集香气特征信息;所述热为65~70℃,所述温为50~55℃,所述冷为28~33℃。
4.根据权利要求1所述的一种茶叶智能化拼配系统,其特征在于,所述光透射模组左右两侧中部设有SMA905标准接口,用于连接石英光纤;所述光透射模组中间设有可调卡槽,用于放置不同光程的比色皿。
5.一种茶叶智能化拼配方法,其特征在于,利用权利要求1-4任意一项所述的系统完成,具体按照以下步骤进行:
S1. 首先获取拼配茶叶标准样,审查是否受到污染或破坏,要满足茶叶的基本特征和属性,用于建立茶叶拼配指标标准化数据库;
S2. 对获取的拼配茶叶标准样,采用所述茶叶智能化拼配系统中的机器视觉模块(2),取干茶叶平铺于干茶盘(6)中,用工业RGB相机(3)获取干茶的图像,利用所述茶叶拼配信息化管理平台(16)提取干茶样的颜色特征信息和纹理特征信息;
S3. 对获取的拼配茶叶标准样,采用所述茶叶智能化拼配系统中的可见近红外光谱模块(8),采集冲泡好的茶汤的透射光谱;利用茶叶拼配信息化管理平台(16)提取茶汤滋味特征信息和茶汤颜色特征信息;
S4. 对获取的拼配茶叶标准样,采用所述茶叶智能化拼配系统中的电子鼻模块(12),对冲泡好的茶水,分别在茶水热、温、冷时三次取样,每次用集气密封圈(14)将茶样集气杯(15)富集一段时间,通过微量泵将富集后的气体通过导管抽入电子鼻的传感器阵列,开始茶汤气味特征信息数据的采集;
S5. 对获取的拼配茶叶标准样,采用所述茶叶智能化拼配系统中的机器视觉模块(2),将冲泡过的茶叶倒入叶底盘(6)中,加入适量清水,用工业RGB相机(3)获取叶底的图像,利用所述茶叶拼配信息化管理平台(16)提取叶底的颜色特征和纹理特征,以获取叶底的颜色和均匀度的特征信息;
S6. 对拼配茶叶标准样,利用S2-S5获取的干茶颜色特征信息和纹理特征信息、茶汤滋味特征信息和茶汤颜色特征信息、茶汤气味特征信息和叶底颜色与均匀度特征信息,建立茶叶拼配指标标准化数据库;
S7. 对待拼配的几种茶叶样本,每次选择其中一个样本,采用步骤S2-S5获取其特征信息,以特定编号存储于计算机中,以此类推,所有种类的待拼配茶样均采集其特征信息并存储于计算机中;
S8. 根据拼配茶的类型,设定茶品质因子评价权重系数,计算符合度值;
S9. 设置与标准样符合度在95%置信区间内为达到标准拼配茶的要求,对每种待拼配的茶叶样,对应编号输入价格,通过人工智能优化组合算法,给出多种待拼配茶样的编号和拼配茶样的总体符合度的选择方案,以满足总体符合度的最低价格拼配为最优方案。
6. 根据权利要求5所述的一种茶叶智能化拼配方法,其特征在于,步骤S2或步骤S5中所述颜色特征由干茶图像的红R、绿G、蓝B三基色和色调H、饱和度S和光强度I三参数进一步计算得到的这6个参数的均值和标准差,共计12个颜色特征变量;所述纹理特征包括基于统计矩的6个纹理特征:平均灰度值、标准方差、平滑度、三阶矩、一致性和熵,基于频谱的6个纹理特征参数:圆周向谱能量幅值、径向谱能量幅值、圆周向谱能量的均值、径向谱能量的均值、圆周向谱能量的方差和径向谱能量的方差,基于灰度共生矩阵提取16个纹理特征参数,包括惯性矩Q 1 、同质性Q 2 、能量Q 3 和相关性Q 4 分别在0°、45°、90°和135°四个方向的纹理特征。
7.根据权利要求5所述的一种茶叶智能化拼配方法,其特征在于,所述茶叶拼配信息化管理平台(16)内置有算法和模型,所述内置的算法,包括颜色直方图算法用于获取茶样的颜色特征,直方图统计矩法、频谱法和灰度共生矩阵算法用于获取茶样的纹理特征,气体传感器响应曲线的特征值提取用于获取气味特征;所述茶叶拼配信息化管理平台内置的模型,是对采集得到的茶汤的透射光谱,包括CIE标准色度学系统颜色变换方程将透射光谱变换为CIE颜色空间参数,还包括茶汤成分定量分析模型,用于表征茶汤的滋味。
8.根据权利要求7所述的一种茶叶智能化拼配方法,其特征在于,所述茶汤成分定量分析模型通过以下步骤实现:
L1. 批量采集代表性茶叶样本,要求茶样中成分具有一定的覆盖度,进行茶汤制备;
L2. 采用所述可见近红外光谱模块(8)采集所述茶汤样本的可见近红外透射光谱,去除所述可见近红外透射光谱两端信噪比低的光谱区间,得到修正的茶汤可见近红外透射光谱;
L3. 对所述修正的茶汤可见近红外透射光谱进行吸光度变换;
L4. 对所述变换后的吸光度光谱选用S-G平滑或一阶导数预处理、标准变量变换、多元散射校正、正交信号校正中的一种或其组合方式进行光谱预处理,消除随机噪声,增强特征信号;
L5. 对所述步骤L2中采集透射光谱后的茶汤,采用标准方法测定其成分含量值,作为该成分的建立定量分析模型的参考值;
L6. 对所述步骤L4中得到的预处理后的光谱,结合测定的茶汤成分参考值,采用偏最小二乘法、联合区间偏最小二乘法、人工神经网络和支持向量机中的一种或其组合方式建立该成分定量分析模型;
L7. 茶汤中各成分均采用L2-L6的步骤建立该成分定量分析模型,经独立样本集验证结果在误差允许范围内时,模型内置于所述茶叶拼配信息化管理平台中。
9.根据权利要求5所述的一种茶叶智能化拼配方法,其特征在于,步骤S8中所述符合度值为每种品质因子对应特征变量符合度的计算结果再乘以其权重系数的和为该茶样与茶叶标准样的符合度值。
10.根据权利要求5所述的一种茶叶智能化拼配方法,其特征在于,步骤S6中所述茶叶拼配指标标准化数据库的建立,具体方法为:对获取的拼配茶叶标准样,取样一批平铺,采用等间隔取样法,对每个标准样先后利用所述系统获取各自的特征参数,对每一个特征参数得到一个数值构成的取值区间,所有特征参数的集合构成了茶叶拼配指标标准化数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610951192.3A CN106525849B (zh) | 2016-11-02 | 2016-11-02 | 茶叶智能化拼配方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610951192.3A CN106525849B (zh) | 2016-11-02 | 2016-11-02 | 茶叶智能化拼配方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106525849A CN106525849A (zh) | 2017-03-22 |
CN106525849B true CN106525849B (zh) | 2019-03-05 |
Family
ID=58326827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610951192.3A Active CN106525849B (zh) | 2016-11-02 | 2016-11-02 | 茶叶智能化拼配方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106525849B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017112900A1 (de) * | 2017-06-12 | 2018-12-13 | Vorwerk & Co. Interholding Gmbh | Teeautomat mit Sensoreinrichtung zur Zutatenportionserfassung und Verfahren zur Steuerung eines Teeautomaten |
CN107421951B (zh) * | 2017-08-29 | 2020-05-01 | 江苏大学 | 一种茶叶加工关键节点的检测方法及装置 |
CN108398400B (zh) * | 2018-01-18 | 2020-12-22 | 河南工业大学 | 利用太赫兹成像无损检测小麦中脂肪酸含量的方法 |
CN108241016B (zh) * | 2018-02-01 | 2020-08-28 | 江苏大学 | 一种红茶中茶黄素含量的快速检测方法及装置 |
CN108432923B (zh) * | 2018-04-27 | 2021-05-14 | 柳城县国营伏虎华侨农场茶厂 | 一种桑叶绿茶及其制备工艺 |
CN108956545B (zh) * | 2018-06-15 | 2020-10-27 | 北京农业智能装备技术研究中心 | 一种水果内部品质无损检测模型建立方法及系统 |
CN109190307A (zh) * | 2018-10-19 | 2019-01-11 | 南京东南建筑机电抗震研究院有限公司 | 一种建筑抗震支吊架选型优化设计方法 |
CN109329501A (zh) * | 2018-10-29 | 2019-02-15 | 江苏大学 | 一种速溶发酵茶粉的智能化制备方法 |
CN109497194A (zh) * | 2018-10-29 | 2019-03-22 | 江苏大学 | 一种发酵茶智能化固态发酵方法 |
CN109297916B (zh) * | 2018-11-20 | 2021-03-30 | 中国农业科学院农产品加工研究所 | 分析多酚化合物氧化产物的人工神经网络及预测方法 |
CN109602279A (zh) * | 2019-01-31 | 2019-04-12 | 湖北科技学院 | 一种智能茶盘 |
CN110133049B (zh) * | 2019-04-10 | 2020-09-18 | 浙江大学 | 基于电子鼻和机器视觉的茶叶等级快速无损检测方法 |
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 |
CN110308111B (zh) * | 2019-06-14 | 2022-05-06 | 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 |
CN110160979A (zh) * | 2019-06-18 | 2019-08-23 | 黄山市柒日原叶生物科技咨询有限公司 | 一种快速提炼原茶的智能算法 |
CN113052437A (zh) * | 2021-03-05 | 2021-06-29 | 北京中医药大学 | 一种智能制造多源信息融合方法在中药大蜜丸质量评价中的应用 |
CN113360836A (zh) * | 2021-06-21 | 2021-09-07 | 湖北民族大学 | 基于回归方程基础上的藤茶品质评审方法 |
CN113670917B (zh) * | 2021-07-28 | 2023-12-19 | 三江侗族自治县仙池茶业有限公司 | 一种绿茶品质的分析方法和系统 |
CN113554358B (zh) * | 2021-09-22 | 2021-12-03 | 南通腾宇环保设备有限公司 | 一种密封技术在线服务的分析处理方法及系统 |
CN114019100B (zh) * | 2021-10-29 | 2024-03-26 | 中国农业科学院茶叶研究所 | 基于多源信息融合技术的滇红工夫茶汤综合品质客观量化评价方法 |
CN117054372B (zh) * | 2023-08-15 | 2024-04-05 | 广东省农业科学院茶叶研究所 | 基于nirs与cv的茶叶品质等级检测方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101419166A (zh) * | 2008-11-18 | 2009-04-29 | 江苏大学 | 基于近红外光谱和机器视觉技术的茶叶品质无损检测方法及装置 |
CN101692053A (zh) * | 2009-10-09 | 2010-04-07 | 江苏大学 | 基于多传感信息融合的名优茶品质仪器智能化审评方法 |
CN103558351A (zh) * | 2013-08-01 | 2014-02-05 | 浙江工商大学 | 一种基于智能电子鼻系统的绿茶饮料品质分析装置及方法 |
CN103743698A (zh) * | 2013-12-20 | 2014-04-23 | 贵州省分析测试研究院 | 一种采用近红外光谱对茶叶感官审评的方法 |
-
2016
- 2016-11-02 CN CN201610951192.3A patent/CN106525849B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101419166A (zh) * | 2008-11-18 | 2009-04-29 | 江苏大学 | 基于近红外光谱和机器视觉技术的茶叶品质无损检测方法及装置 |
CN101692053A (zh) * | 2009-10-09 | 2010-04-07 | 江苏大学 | 基于多传感信息融合的名优茶品质仪器智能化审评方法 |
CN101692053B (zh) * | 2009-10-09 | 2012-01-18 | 江苏大学 | 基于多传感信息融合的名优茶品质仪器智能化审评方法 |
CN103558351A (zh) * | 2013-08-01 | 2014-02-05 | 浙江工商大学 | 一种基于智能电子鼻系统的绿茶饮料品质分析装置及方法 |
CN103743698A (zh) * | 2013-12-20 | 2014-04-23 | 贵州省分析测试研究院 | 一种采用近红外光谱对茶叶感官审评的方法 |
Non-Patent Citations (3)
Title |
---|
基于电子鼻技术的信阳毛尖茶品质评价;甘芝霖;《食品工业科技》;20131231;第34卷(第2期);第54-60页 |
基于近红外光谱技术的茶鲜叶品质和等级快速评价方法的研究;王曼;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20160415;第B024-439页 |
绿茶香气的电子鼻分析方法研究;刘远方 等;《食品科技》;20121231;第37卷(第1期);第58-62页 |
Also Published As
Publication number | Publication date |
---|---|
CN106525849A (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106525849B (zh) | 茶叶智能化拼配方法与系统 | |
CN102539326B (zh) | 茶叶汤色品质的量化评价方法 | |
Ouyang et al. | Intelligent evaluation of color sensory quality of black tea by visible-near infrared spectroscopy technology: A comparison of spectra and color data information | |
CN104572538B (zh) | 一种基于k‑pls回归模型的中医舌图像颜色校正方法 | |
CN101692052B (zh) | 基于超光谱图像技术的名优茶真伪鉴别方法及装置 | |
CN106447646A (zh) | 一种用于无人机图像的质量盲评价方法 | |
CN109191428A (zh) | 基于掩蔽纹理特征的全参考型图像质量评价方法 | |
CN105021562A (zh) | 一种大米产地溯源方法及其应用 | |
CN105427306B (zh) | 皮肤光泽度的图像分析方法和装置 | |
CN110646416B (zh) | 一种用于评价熏鸡品质的比色卡及应用 | |
CN105662348A (zh) | 基于智能手机的新型皮肤检测系统及产品辅助选择系统 | |
CN102589470A (zh) | 一种基于模糊神经网络的茶叶外观品质的量化方法 | |
CN106650663B (zh) | 建筑物真伪变化的判定方法及含此方法的伪变化去除方法 | |
CN108169141A (zh) | 一种基于高光谱图像的茶树lai及氮含量估算方法 | |
CN104977258A (zh) | 基于二维相关光谱的茶叶/化妆品等品质检测方法 | |
CN112884735A (zh) | 一种绿茶汤色品质的评价方法 | |
CN109540894A (zh) | 一种烤烟烟叶成熟度无损快速检测方法 | |
Shen et al. | Quantitative study on landscape colors of plant communities in urban parks based on natural color system and M‐S theory in Nanjing, China | |
CN102934988A (zh) | 中医望诊数字化系统评价色板的制作方法 | |
Yang et al. | Measuring and evaluating anthocyanin in lettuce leaf based on color information | |
CN102279160A (zh) | 一种名优绿茶品质评鉴方法 | |
CN101893481B (zh) | 色彩属性测试判断方法和系统 | |
CN108287161A (zh) | 一种智能茶叶感官审评方法及系统 | |
CN103955958A (zh) | 一种基于Kinect设备的交互式材质外观采集方法 | |
CN104545815A (zh) | 一种基于多光谱视频的面部光谱反射率复原方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |