CN106596513A - 一种基于激光诱导击穿光谱茶叶品种识别方法 - Google Patents
一种基于激光诱导击穿光谱茶叶品种识别方法 Download PDFInfo
- Publication number
- CN106596513A CN106596513A CN201710044006.2A CN201710044006A CN106596513A CN 106596513 A CN106596513 A CN 106596513A CN 201710044006 A CN201710044006 A CN 201710044006A CN 106596513 A CN106596513 A CN 106596513A
- Authority
- CN
- China
- Prior art keywords
- tealeaves
- spectrum
- libs
- tea leaf
- spectral
- 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
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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
- G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
Landscapes
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Plasma & Fusion (AREA)
- Optics & Photonics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Engineering & Computer Science (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
本发明公开一种基于激光诱导击穿光谱技术的茶叶品种识别方法,属于光谱分析领域。该方法通过LIBS设备对不同品种茶叶进行初步分析,通过选择不同品种LIBS茶叶光谱相同的谱线作为茶叶光谱特征。为了减小光谱数据冗余信息,通过PLS投影法进行茶叶光谱特征有效提取。相同条件下对每种标准茶叶样本进行LIBS光谱获取并提取光谱特征,将每种标准茶叶样本获取LIBS光谱分成训练样本和测试样本,然后通过训练样本建立茶叶分类模型,使用测试样本对模型进行评估。本发明具有判别准确度高,简单快速等优点,为茶叶品种识别提供一种参考的方法。
Description
技术领域
本发明涉及光谱领域,尤其是涉及一种基于激光诱导击穿光谱技术结合光谱特征提取实现茶叶品种识别的方法。
背景技术
茶叶作为全球三大天然饮料之一,具有丰富营养价值和保健功能。茶叶中富含氨基酸、茶多酚、咖啡碱等化学成分及多种微量元素对人体是有益的。随着人们生活质量提升,人们对茶叶质量也越来越关注。茶叶种类繁多,分类的标准也多样。中国对茶叶分类主要依赖加工工艺不同,缺乏量化的分类指标,有的茶类中间无特别显著的差别,限制我国各类茶叶在国际上的流通和公平贸易。因此,茶叶种类快速准确识别是茶叶界亟需解决的问题。
激光诱导击穿光谱技术(LIBS)是一种光谱分析技术,在对样品组成及含量分析领域具有广泛的应用。LIBS技术是利用激光照射被测物体表面产生等离子体来获取物质成分(定性分析)、浓度(定量分析)和物质识别的分析技术。LIBS相比于传统的光谱分析方法,具有实时、快速、无损或微损检测等特点。
基于PLS投影分析的波段选择的方法是通过PLS回归得到权重因子向量及光谱矩阵,将各波长点数据的标准差与对应波长的权重因子相乘所得结果定义为PLS投影系数,通过PLS投影系数大小进行波段选择。LIBS光谱数据具有大量冗余信息和噪声,通过PLS投影可以有效提取茶叶光谱有效波段。
PLSDA是一种基于判别分析的PLS算法,建立类别信息矩阵与样本集特征矩阵之间的PLS回归模型;根据训练集建立的模型,计算测试集中的样本的类别信息矩阵,通过贝叶斯函数求取其阈值,根据阈值进行判断茶叶属于类别。
申请号为CN20151025821.0的《一种基于激光诱导击穿光谱技术的茶叶分类鉴别方法》使用LIBS检测装置对茶叶样品的元素组成进行初步分析,选取含量差异较大的元素的特征谱线作为分析指标。然后在相同的条件下,对每种标准茶叶样品采集多组光谱,并将每种标准茶叶样品的光谱数据分为两个部分,其中一部分作为训练样本来建立判别分析模型,另一部分光谱作为测试样本,用于评估判别模型的准确度。对待测茶叶样本进行判别分析,然后调用建立好的分类模型,与已建立的数据库内各元素的LIBS光谱数据模型进行对比,确定待鉴别茶叶的种类。该方法需要比较茶叶的LIBS光谱,然后选择区分不同种茶叶的特征谱线,人为通过比较选取耗时而且准确性不高,随着检测茶叶品种增加,有效选择特征谱线更为困难,谱线选择关系到模型判别的精度。
发明内容
针对目前茶叶分类检测准确度低,检测效率低等缺点,本申请提供了一种基于激光诱导击穿光谱茶叶品种识别方法。本方法具有简单、高效、准确识别茶叶品种的优点,可以对不同品种茶叶进行快速准确识别,提高茶叶品种识别效率,有效保证茶叶的质量与安全。
本发明的技术方案如下:
一种基于激光诱导击穿光谱识别茶叶品种的方法,包括以下步骤:
(1)茶叶样品制备及光谱信号获取:对茶叶样品进行预处理,分别对不同品类茶叶进行干灰化处理,将残留物质使用压片机压片状样品;采用基于激光诱导击穿光谱即LIBS检测方法获取已知种类的光谱,并对茶叶光谱数据进行归一化处理;
(2)茶叶光谱特征光谱矩阵获取:通过比较不同种茶叶相同谱峰获取茶叶特征光谱矩阵X,实现茶叶光谱数据信息提取,而对应样本种类组成类别向量Y;
(3)获取权重因子:对所得LIBS特征光谱矩阵X与类别向量Y进行沿列方向的去均值运算,得到去均值后的光谱阵ΔX和类别向量ΔY;依次对ΔX的每一列与ΔY进行PLS回归,得到权重因子f;
(4)求取标准差:求特征光谱矩阵ΔX的每一列的标准差;
(5)特征谱线确定:计算PLS投影系数,设定阈值选择特征谱线个数;
(6)判别模型建立及测试:在所测茶叶光谱数据N个中,选择K个茶叶光谱数据使用PLSDA判别模型进行建模,(N-K)数据进行模型评价,且K≥(N-K)。
步骤(2)比较不同品种茶叶LIBS光谱,选择不同种茶叶相同谱峰作为特征光谱,有效减少光谱数据冗余。
步骤(4)求特征光谱矩阵ΔX的每一列的标准差,因为步骤(3)中已将其取均值,故所求标标准差为:
其中m为样本数,n为光谱波长点数。
LIBS光谱矩阵各波长点数据的标准差与对应波长的权重因子相乘所得结果定义为茶叶光谱LIBA光谱的PLS投影系数:
rj=|qj×fj|j=1,2,...,m (2)
其中fj是在某波长下PLS回归系数的回归因子。
步骤(5)通过便于分析对投影系数数据进行归一化处理,得到系数向量:
R={rj=rj/max(rj)|j=1,2,...,m} (3)。
根据投影系数大小选择波段。
步骤(6)通过建立PLSDA模型,实现茶叶品种的准确识别。
建立PLSDA分类模型,并使用测试集数据对模型进行验证。根据训练集建立的模型,计算测试集中的样本的类别信息矩阵Y,通过贝叶斯函数求取其阈值,如果Yp大于所设定的阈值,则判定该样本属于该类,反之,则不属于该类别,其中Yp为测试样本中的第p个样本的类别信息。
本发明有益的技术效果在于:
本发明通过对茶叶进行预处理,能有效减小对LIBS光谱信号稳定性影响,极大的提高茶叶品种识别的准确度。通过PLS投影算法实现特征选择的智能化,避免通过人为选择特征谱峰,提高效率和模型识别的准确度。
附图说明
图1为建立茶叶品种识别模型流程图;
具体实施方式
下面参照图1的流程来具体说明发明的实施例。
实施例1
选取绿茶(龙井),红茶(无锡毫红),青茶(铁观音),黄茶(黄金芽),白茶(白牡丹),黑茶(安化黑茶)等六个品种茶叶,采用本发明进行判别。为简化分析将其编号,依次为1,2,3,4,5,6。减小样本茶叶物理特性及所含有机物对实验干扰。本实验将6种茶叶进行灰化处理,并使用压片机制片。使用机械压片机对茶叶粉末施加30Mpa压力,持续3分钟制成成直径15mm,厚3mm重0.5g的片状样品。
茶叶品种识别本质是一个模式识别问题,特征选择是关键问题之一。通过比较6中茶叶相同的谱线作为特征谱线。为进一步减小数据冗余,通过PLS投影方法进行最优特征谱线选择。为减小实验误差,对光谱数据归一化进行处理,选择特征波段算法如下:
Step1:对所得特征光谱矩阵X与类别向量Y进行沿列方向的去均值运算,得到去均值后的光谱阵ΔX和类别向量ΔY;
Step2:依次对ΔX的每一列与ΔY进行PLS回归,得到权重因子f;
Step3:求熵的光谱矩阵ΔX的每一列的标准差,因为SETP1中已将其取均值,故所求标准差为
Step4:通过Step2和Step3所得结果计算PLS投影系数
rj=|qj×fj|j=1,2,...,m (2)
其中fj是在某波长下PLS回归系数的回归因子。
Step5:设定阈值选取特征光谱,将获得投影系数大小进行由大到小排序,选择前50个谱峰作为特征。
R={rj=rj/max(rj)|j=1,2,...,m} (3)
相同条件下,分别对茶叶采集100组光谱数据,每种茶叶选取50组光谱数据建立判别模型,剩余50组作为测试数据。实验选取PLSDA模型计算特征矩阵X与类别矩阵Y的相关关系,获得最大协方差Cov(X,Y),特征矩阵X∈Rn×m,类别矩阵Y∈Rn×p,其中n为样本数,m为变量数,p为类别数。对特征矩阵X及类别矩阵Y归一化。特征矩阵X和类别矩阵Y分别进行分解,得到
其中,T∈Rn×l和U∈Rn×l为得分矩阵,P∈Rm×l和Q∈Rp×l为载荷矩阵,E∈Rn×m和F*∈Rn×p为残差矩阵,l为PLSDA的主成分个数,j=1,2,...,l。
根据PLS算法,将X和Y的得分向量uj和tj按下式回归,其中bj为回归系数。
其相对应的矩阵表达式为
B为系数矩阵。故得出PLSDA的最终模型为
Y=TBQT+F=XPBQT+F=Xθ+F (8)
其中θ=PBQT是回归系数矩阵,F为预测误差矩阵。
根据训练集建立的模型,计算测试集中的样本的类别信息矩阵Y,通过贝叶斯函数求取其阈值,如果Yp大于所设定的阈值,则判定该样本属于该类,反之,则不属于该类别,其中Yp为测试样本中的第p个样本的类别信息。
实验结果如表1所示。20次随机实验,300个样本平均识别精度达到97.8%。通过对实际样本进行判断具体结果,安化黑茶和白牡丹识别率达到100%,黄金芽识别率达到98%。龙井绿茶和铁观音识别率达到96%。红茶识别率达到97%。
表1六种茶叶样本的判别结果
实施例2
取蒙顶黄茶,白茶和武夷红茶等三种茶叶样本,分别进行干灰化处理,并使用压片机压成直径15mm,厚3mm重0.5g的片状样品。每种茶叶准备100个样本,并使用LIBS设备采集三种茶叶光谱数据。
比较三种茶叶的光谱数据,选择相同谱峰作为特征谱峰,进行步减小数据冗余,提取有效的特征谱线使用PLS投影方法进行选择,具体步骤如下:
Step1:对所得三种茶叶特征光谱矩阵X与类别向量Y进行沿列方向的去均值运算,得到去均值后的光谱阵ΔX和类别向量ΔY;
Step2:依次对ΔX的每一列与ΔY进行PLS回归,得到权重因子f;
Step3:求熵的光谱矩阵ΔX的每一列的标准差,因为SETP1中已将其取均值,故所求标准差为
Step4:通过Step2和Step3所得结果计算PLS投影系数
rj=|qj×fj|j=1,2,...,m (2)
其中fj是在某波长下PLS回归系数的回归因子。
Step5:设定阈值选取特征光谱,将获得投影系数大小进行由大到小排序,选择前50个谱峰作为特征。
R={rj=rj/max(rj)|j=1,2,...,m} (3)
相同条件下,分别对茶叶采集100组光谱数据,每种茶叶选取50组光谱数据建立判别模型,剩余50组作为测试数据。实验选取PLSDA模型计算特征矩阵X与类别矩阵Y的相关关系,获得最大协方差Cov(X,Y),特征矩阵X∈Rn×m,类别矩阵Y∈Rn×p,其中n为样本数,m为变量数,p为类别数。对特征矩阵X及类别矩阵Y归一化。特征矩阵X和类别矩阵Y分别进行分解,得到
其中,T∈Rn×l和U∈Rn×l为得分矩阵,P∈Rm×l和Q∈Rp×l为载荷矩阵,E∈Rn×m和F*∈Rn×p为残差矩阵,l为PLSDA的主成分个数,j=1,2,...,l。
根据PLS算法,将X和Y的得分向量uj和tj按下式回归,其中bj为回归系数。
其相对应的矩阵表达式为
B为系数矩阵。故得出PLSDA的最终模型为
Y=TBQT+F=XPBQT+F=Xθ+F (8)
其中θ=PBQT是回归系数矩阵,F为预测误差矩阵。
根据训练集建立的模型,计算测试集中的样本的类别信息矩阵Y,通过贝叶斯函数求取其阈值,如果Yp大于所设定的阈值,则判定该样本属于该类,反之,则不属于该类别,其中Yp为测试样本中的第p个样本的类别信息。具体实验结果如表2所示:
表2三种茶叶样本的判别结果
20次随机实验,300个样本平均识别精度达到96%。通过对实际样本进行判断具体结果,蒙顶黄茶和白茶识别率达到97%,武夷红茶识别率达到94%。
Claims (6)
1.一种基于激光诱导击穿光谱识别茶叶品种的方法,其特征在于包括以下步骤:
(1)茶叶样品制备及光谱信号获取:对茶叶样品进行预处理,分别对不同品类茶叶进行干灰化处理,将残留物质使用压片机压片状样品;采用基于激光诱导击穿光谱即LIBS检测方法获取已知种类的光谱,并对茶叶光谱数据进行归一化处理;
(2)茶叶光谱特征光谱矩阵获取:通过比较不同种茶叶相同谱峰获取茶叶特征光谱矩阵X,实现茶叶光谱数据信息提取,而对应样本种类组成类别向量Y;
(3)获取权重因子:对所得LIBS特征光谱矩阵X与类别向量Y进行沿列方向的去均值运算,得到去均值后的光谱阵ΔX和类别向量ΔY;依次对ΔX的每一列与ΔY进行PLS回归,得到权重因子f;
(4)求取标准差:求特征光谱矩阵ΔX的每一列的标准差;
(5)特征谱线确定:计算PLS投影系数,设定阈值选择特征谱线个数;
(6)判别模型建立及测试:在所测茶叶光谱数据N个中,选择K个茶叶光谱数据使用PLSDA判别模型进行建模,(N-K)数据进行模型评价,且K≥(N-K)。
2.根据权利要求1所述的方法,其特征在于:步骤(2)比较不同品种茶叶LIBS光谱,选择不同种茶叶相同谱峰作为特征光谱,有效减少光谱数据冗余。
3.根据权利要求1所述的方法,其特征在于:步骤(4)求特征光谱矩阵ΔX的每一列的标准差,因为步骤(3)中已将其取均值,故所求标标准差为:
其中m为样本数,n为光谱波长点数。
4.根据权利要求1所述的方法,其特征在于:LIBS光谱矩阵各波长点数据的标准差与对应波长的权重因子相乘所得结果定义为茶叶光谱LIBA光谱的PLS投影系数:
rj=|qj×fj|j=1,2,...,m (2)
其中fj是在某波长下PLS回归系数的回归因子。
5.根据权利要求1所述的方法,其特征在于:步骤(5)通过便于分析对投影系数数据进行归一化处理,得到系数向量:
R={rj=rj/max(rj)|j=1,2,...,m} (3)。
6.根据权利要求1所述的方法,其特征在于:步骤(6)通过建立PLSDA模型,实现茶叶品种的准确识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710044006.2A CN106596513A (zh) | 2017-01-19 | 2017-01-19 | 一种基于激光诱导击穿光谱茶叶品种识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710044006.2A CN106596513A (zh) | 2017-01-19 | 2017-01-19 | 一种基于激光诱导击穿光谱茶叶品种识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106596513A true CN106596513A (zh) | 2017-04-26 |
Family
ID=58586499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710044006.2A Pending CN106596513A (zh) | 2017-01-19 | 2017-01-19 | 一种基于激光诱导击穿光谱茶叶品种识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106596513A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220625A (zh) * | 2017-06-01 | 2017-09-29 | 中国海洋大学 | 一种对样品的libs光谱自动识别分类方法 |
CN108169213A (zh) * | 2018-03-02 | 2018-06-15 | 江南大学 | 一种激光诱导击穿光谱谱峰元素自动识别方法 |
CN108333170A (zh) * | 2018-03-27 | 2018-07-27 | 江南大学 | 一种基于激光诱导击穿光谱技术定量分析茶叶中铅元素的方法 |
CN109001185A (zh) * | 2018-08-31 | 2018-12-14 | 浙江大学 | 一种基于激光诱导击穿光谱的转基因玉米鉴别方法 |
CN111624193A (zh) * | 2020-06-04 | 2020-09-04 | 杭州岚达科技有限公司 | 一种野生滇龙胆libs识别方法及系统 |
CN112611745A (zh) * | 2020-12-11 | 2021-04-06 | 华中科技大学 | 一种水果可溶性固形物间接无损检测方法及系统 |
CN113963225A (zh) * | 2021-12-23 | 2022-01-21 | 季华实验室 | 目标类别判定方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104807787A (zh) * | 2015-05-20 | 2015-07-29 | 重庆邮电大学 | 一种基于激光诱导击穿光谱技术的茶叶分类鉴别方法 |
-
2017
- 2017-01-19 CN CN201710044006.2A patent/CN106596513A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104807787A (zh) * | 2015-05-20 | 2015-07-29 | 重庆邮电大学 | 一种基于激光诱导击穿光谱技术的茶叶分类鉴别方法 |
Non-Patent Citations (1)
Title |
---|
淡图南等: "基于PLS投影分析的光谱波段选择方法", 《光谱学与光谱分析》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220625A (zh) * | 2017-06-01 | 2017-09-29 | 中国海洋大学 | 一种对样品的libs光谱自动识别分类方法 |
CN108169213A (zh) * | 2018-03-02 | 2018-06-15 | 江南大学 | 一种激光诱导击穿光谱谱峰元素自动识别方法 |
CN108333170A (zh) * | 2018-03-27 | 2018-07-27 | 江南大学 | 一种基于激光诱导击穿光谱技术定量分析茶叶中铅元素的方法 |
CN109001185A (zh) * | 2018-08-31 | 2018-12-14 | 浙江大学 | 一种基于激光诱导击穿光谱的转基因玉米鉴别方法 |
CN111624193A (zh) * | 2020-06-04 | 2020-09-04 | 杭州岚达科技有限公司 | 一种野生滇龙胆libs识别方法及系统 |
CN111624193B (zh) * | 2020-06-04 | 2023-01-17 | 杭州岚达科技有限公司 | 一种野生滇龙胆libs识别方法及系统 |
CN112611745A (zh) * | 2020-12-11 | 2021-04-06 | 华中科技大学 | 一种水果可溶性固形物间接无损检测方法及系统 |
CN113963225A (zh) * | 2021-12-23 | 2022-01-21 | 季华实验室 | 目标类别判定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106596513A (zh) | 一种基于激光诱导击穿光谱茶叶品种识别方法 | |
CN104807787B (zh) | 一种基于激光诱导击穿光谱技术的茶叶分类鉴别方法 | |
CN102735642B (zh) | 一种快速无损鉴别初榨橄榄油和油橄榄果渣油的方法 | |
CN106501470A (zh) | 利用味觉系统与电子鼻联合评价芥辣酱风味等级的方法 | |
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 | |
CN101738373A (zh) | 一种鉴别作物种子品种的方法 | |
CN110378374B (zh) | 一种模糊鉴别信息提取的茶叶近红外光谱分类方法 | |
CN110243806A (zh) | 拉曼光谱下基于相似度的混合物组分识别方法 | |
CN109870421A (zh) | 一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法 | |
CN104374739A (zh) | 一种基于近红外定性分析的种子品种真实性鉴别方法 | |
CN107478599B (zh) | 一种饲料原料中非法添加物三聚氰胺甲醛树脂的检测方法 | |
CN105181678A (zh) | 基于激光诱导击穿光谱的水稻品种鉴别方法 | |
CN103091281A (zh) | 一种基于中红外光谱特征基的茶叶发酵度鉴定方法 | |
CN105181650A (zh) | 一种使用近红外光谱技术快速鉴别茶叶品种的方法 | |
CN106940292A (zh) | 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法 | |
CN106383088A (zh) | 一种基于多光谱成像技术的种子纯度快速无损检测方法 | |
CN114778484B (zh) | 茶叶品质等级分类方法及装置、设备、存储介质 | |
Zhang et al. | Automatic determination of optimal spectral peaks for classification of Chinese tea varieties using laser-induced breakdown spectroscopy | |
CN107220625A (zh) | 一种对样品的libs光谱自动识别分类方法 | |
CN103776797B (zh) | 一种近红外光谱鉴别平利绞股蓝的方法 | |
CN112485238B (zh) | 一种基于拉曼光谱技术鉴别姜黄精油产地的方法 | |
CN107121408A (zh) | 食用植物油品种的快速无损鉴别方法 | |
CN108344701A (zh) | 基于高光谱技术的石蜡等级定性分类与定量回归方法 | |
CN117949429A (zh) | 基于拉曼光谱和多模态混合式模型的杏仁产地鉴别方法 | |
CN108181260B (zh) | 一种鉴别压榨茶油与浸出茶油的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |
|
RJ01 | Rejection of invention patent application after publication |