CN110320174B - 应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法 - Google Patents
应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法 Download PDFInfo
- Publication number
- CN110320174B CN110320174B CN201910513194.8A CN201910513194A CN110320174B CN 110320174 B CN110320174 B CN 110320174B CN 201910513194 A CN201910513194 A CN 201910513194A CN 110320174 B CN110320174 B CN 110320174B
- Authority
- CN
- China
- Prior art keywords
- model
- samples
- sample
- spectrum
- yellow
- 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 67
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 65
- 235000020338 yellow tea Nutrition 0.000 title claims abstract description 39
- 238000001228 spectrum Methods 0.000 claims abstract description 87
- 230000003595 spectral effect Effects 0.000 claims abstract description 46
- 210000002569 neuron Anatomy 0.000 claims abstract description 30
- 238000012546 transfer Methods 0.000 claims abstract description 30
- 238000004383 yellowing Methods 0.000 claims abstract description 30
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 29
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 9
- 238000012937 correction Methods 0.000 claims description 31
- 238000000513 principal component analysis Methods 0.000 claims description 24
- 238000012795 verification Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 13
- 238000002790 cross-validation Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 102000004190 Enzymes Human genes 0.000 claims description 5
- 108090000790 Enzymes Proteins 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 claims description 4
- 235000020334 white tea Nutrition 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 241001122767 Theaceae Species 0.000 description 12
- 235000013616 tea Nutrition 0.000 description 12
- 238000010200 validation analysis Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 239000010410 layer Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 235000014347 soups Nutrition 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- FFRBMBIXVSCUFS-UHFFFAOYSA-N 2,4-dinitro-1-naphthol Chemical compound C1=CC=C2C(O)=C([N+]([O-])=O)C=C([N+]([O-])=O)C2=C1 FFRBMBIXVSCUFS-UHFFFAOYSA-N 0.000 description 1
- 235000009024 Ceanothus sanguineus Nutrition 0.000 description 1
- 240000003553 Leptospermum scoparium Species 0.000 description 1
- 235000015459 Lycium barbarum Nutrition 0.000 description 1
- 244000018633 Prunus armeniaca Species 0.000 description 1
- 235000009827 Prunus armeniaca Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 229930002868 chlorophyll a Natural products 0.000 description 1
- 229930002869 chlorophyll b Natural products 0.000 description 1
- NSMUHPMZFPKNMZ-VBYMZDBQSA-M chlorophyll b Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C=O)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 NSMUHPMZFPKNMZ-VBYMZDBQSA-M 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000002045 lasting effect Effects 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
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法，包括：鲜叶样品采集与分类；扫描获得不同闷黄时间鲜叶样品的近红外光谱；对样品光谱进行预处理剔除噪声信息后，将样品光谱转化为成对的数据点；再将全部光谱数据均划分为20个子区间，分别建立每个子区间数据的最小二乘支持向量机方法模型，筛选出建模的最佳子区间数据；应用主成分分析法抽提、压缩最佳光谱子区间信息；以主成分得分为输入值，不断调整神经元个数和传递函数，建立polynomial net结构人工神经网络预测模型；模型稳健性检验。实现了黄茶样品闷黄时间快速、准确、客观预测，起到提高预测闷黄时间准确度和增强模型实用性的目的。
Description
技术领域
本发明涉及一种预测黄茶闷黄时间的方法，更具体的说涉及应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法。
背景技术
黄茶是我国六大茶类之一，湖北省则以远安黄茶历史最为悠久。湖北远安气候温和、雨量充沛、土壤疏松肥沃，良好的生态环境对茶树生长非常有利，保证了茶叶品质优良，因此远安黄茶被誉为湖北茶中佳品，其一直是茶叶市场上较为畅销的茶产品，每年的产品都供不应求，深受大家喜爱。
在加工时，远安黄茶鲜叶的采摘标准一般为单芽、一芽一叶和一芽二叶，要求鲜叶细嫩、新鲜，鲜叶净度好，这样加工的黄茶色泽金黄、白毫显露，香气清香持久，滋味醇厚回甘，汤色杏黄明亮，叶底嫩黄匀整。远安黄茶基本加工工艺为：杀青-闷黄-干燥；其中闷黄工序为最关键的加工工序，是形成黄茶独有的“干茶金黄、汤色黄亮和叶底嫩黄”的基础。黄茶闷黄时间与内含成分间存在着密切的对应关系，陈玲等研究指出：随着闷黄时间的增长，干茶色泽绿色减退，黄色显露，汤色由绿明变成浅黄明亮，滋味鲜醇爽口，略带嫩香；在闷黄过程中，多酚类含量下降，氨基酸含量上升，可溶性蛋白质缓慢下降，可溶性糖含量略有升高，水浸出物含量随着闷黄时间延长稍有提升，叶绿素a、叶绿素b和总叶绿素含量逐渐降低。因此，在相同条件下，闷黄时间是影响黄茶茶汤滋味品质的关键因素。可见，及时、准确地把握黄茶闷黄时间有助于提高和改善黄茶的品质，提高商品价值，提升黄茶的经济价值；也有助于当地茶农增强自身经济实力，改善自身生活条件，尽快实现早日脱贫的目标。因此，如何实时判定黄茶闷黄时间就显得非常重要。
目前，远安黄茶通常采用人工的方法自行记录闷黄时间，但在黄茶加工的旺季，由于劳动强度很大，茶叶加工人员极容易出现过疲劳状况，因而会造成人工计时方法主观性很强且无法精准掌握闷黄时间，容易导致出现黄茶闷黄不足或闷黄过度的情况，可能因此导致降低了黄茶品质，给加工厂和经销商带来较大的经济损失。因此，亟需一种及时、准确、客观的预测远安黄茶闷黄时间的方法。
发明内容
本发明的目的在于针对现有的远安黄茶采用人工记录闷黄时间无法实时精准掌握闷黄时间、易导致茶叶品质降低等缺陷，提供应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法。
为实现上述目的，本发明的技术解决方案是：应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法，其特征在于，扫描获得不同闷黄时间鲜叶样品的近红外光谱，对样品光谱进行预处理剔除噪声信息后，样品光谱转化为成对的数据点；再将全部光谱数据均划分为20个子区间，分别建立每个子区间数据的最小二乘支持向量机方法模型，筛选出建模的最佳子区间数据；再应用主成分分析法对最佳子区间信息数据点进行压缩抽提，以主成分得分为输入数值，通过调节隐含层神经元个数和信息传递函数，建立不同闷黄时间样品的人工神经网络预测模型，用于预测黄茶的闷黄时间，具体包括以下步骤：
步骤一、鲜叶样品采集与分类
采集湖北省远安县安吉白茶品种单芽、一芽一叶和一芽二叶三个不同部位鲜叶样品，经杀青后对样品进行闷黄，同时精准记录闷黄时间；根据闷黄时间不同，将样品分为校正集和验证集2个集合，其中校正集样品用于建立不同闷黄时间的近红外光谱校正模型，验证集样品用于对校正集预测模型稳健性进行检验；
其中，一芽一叶由单芽、第一叶和较长梗构成，一芽二叶由单芽、第一叶、第二叶和长梗构成；
步骤二、光谱扫描
应用傅里叶变换型近红外光谱仪扫描获得全部闷黄样品的近红外光谱，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3次光谱、每次扫描64次，然后对3次采集的光谱进行平均，以平均光谱作为该样品的最终光谱；
步骤三、光谱噪声信息预处理
应用多款化学计量学软件对步骤二中扫描得到的近红外光谱采用矢量归一化方法进行去噪声预处理，提高建模时光谱的信噪比，有利于建立稳健的预测模型；光谱去噪声后，再将样品光谱转化为成对的数据点；
步骤四、光谱子区间划分
将全部光谱信息数据均等分为20个光谱信息子区间，精准筛选反映样品闷黄时间的光谱信息子区间，用于后续建立最小二乘支持向量机模型；
步骤五、最小二乘支持向量机(LS-SVM)模型建立
本发明应用LS-SVM方法分别建立每个光谱信息子区间的预测模型，比较模型相关系数(correlation coefficient of calibration，Rc)和交互验证均方根方差(root meansquare error of calibration,RMSECV)大小，初步筛选出建模的最佳光谱信息子区间数据，达到精准筛选反映闷黄时间的光谱信息的目的，其中，Rc最大、RMSECV最小，表示建立的最小二乘支持向量机模型结果最佳，
其中，RMSECV计算公式为：
Rc计算公式为：
式中，n表示样本数，yi和yi’分别为样品集中第i个样品的实测值和预测值，
为样品集中第i个样品的实测值的平均值，式中i≤n；
步骤六、polynomial net结构人工神经网络预测模型建立
应用非线性的人工神经网络方法进一步精准预测样品的闷黄时间，包括：
1)最佳光谱信息子区间主成分分析
采用主成分分析方法(PCA)对筛选的最佳光谱信息子区间数据进行主成分分析，得到每个主成分的单独贡献率值、累计贡献率值和主成分得分；在主成分累计贡献率≥85％才可以有效代表样品建模光谱子区间信息；
2)人工神经网络预测模型建立
以最佳光谱信息子区间的主成分得分为输入值、以样品不同闷黄时间为输出值，应用Neuro Shell 2软件建立polynomial net结构的人工神经网络预测模型，polynomialnet结构人工神经网络含有多个隐含层、不同的神经元以及不同的信息传递函数，比较模型相关系数(correlation coefficient of calibration，Rc)和交互验证均方根方差(rootmean square error of calibration,RMSECV)大小，得到最佳近红外光谱预测模型，其中，Rc越大、RMSECV越小，表示模型预测效果越好；
其中RMSECV计算公式为：
Rc计算公式为：
式中，n表示样本数，yi和yi’分别为样品集中第i个样品的实测值和预测值，
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Rc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；
步骤七、模型稳健性检验
应用全部验证集样品对不同闷黄时间的人工神经网络预测模型效果进行检验，所得结果用相关系数(correlation coefficient of prediction，Rp)和验证均方差(rootmean square error of prediction,RMSEP)表示，其中Rp越大、RMSEP越小则表示模型稳健性越好，可以准确的预测样品的闷黄时间；
其中RMSEP计算公式为：
Rp计算公式为：
式中，n表示样本数，yi和yi’分别为样品集中第i个样品的实测值和预测值，式中i≤n。
所述的步骤一中鲜叶样品数量为120份，鲜叶样品按照3:1的比例划分为校正集和验证集，其中校正集样品90个、验证集样品30个。
所述步骤五中筛选出建模的最佳光谱信息子区间数据为6406.4-6703.4cm-1。
所述步骤六中在采用主成分分析方法(PCA)进行主成分分析时，采用前3个主成分代表最佳光谱子区间的光谱信息。
所述步骤六中选择3个神经元和linear[0,1]信息传递函数建立不同闷黄时间样品的polynomial net结构人工神经网络模型。
与现有技术相比，本发明的有益效果：
1、本发明先剔除闷黄样品噪声信息后，将样品光谱转化为成对的数据点保存，然后将全部光谱数据均划分为20个子区间，分别建立每个子区间数据的最小二乘支持向量机方法模型，筛选出建模的最佳子区间数据；应用主成分分析方法对最佳子区间数据点进行主成分分析，对光谱信息进行压缩和抽提，有利于降低模型的运算量，增加模型的稳健性；再以主成分得分为输入值建立不同闷黄时间的人工神经网络预测模型，实现了样品闷黄时间的快速、准确、客观预测，起到提高预测闷黄时间准确度和增强模型实用性的目的。
2、本发明应用最小二乘支持向量机方法精准筛选反映样品闷黄时间的光谱信息，通过不断实践比较预测效果得到了最佳光谱信息的主成分得分，以此为输入数据，通过不断反复优化polynomial net结构人工神经网络方法内部的神经元个数和传递函数，达到了精准预测样品闷黄时间的目的；大大降低了模型运算量、简化了模型结构，同时提高了模型的预测准确度和增强模型的实用性。
附图说明
图1是本发明中全部120个鲜叶样品不同闷黄时间近红外光谱图。
图2是本发明中polynomial net神经网络模型结构。
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。
参见图1至图2，应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法，扫描获得不同闷黄时间鲜叶样品的近红外光谱，对样品光谱进行预处理剔除噪声信息后，样品光谱转化为成对的数据点；再将全部光谱数据均划分为20个子区间，分别建立每个子区间数据的最小二乘支持向量机方法模型，筛选出建模的最佳子区间数据；再应用主成分分析法对最佳子区间信息数据点进行压缩抽提，以主成分得分为输入数值，通过调节隐含层神经元个数和信息传递函数，建立不同闷黄时间样品的人工神经网络预测模型，用于预测黄茶的闷黄时间。具体包括以下步骤：
步骤一、鲜叶样品采集与分类
采集湖北省远安县安吉白茶品种单芽、一芽一叶和一芽二叶三个不同部位鲜叶样品，经杀青后对样品进行闷黄，同时精准记录闷黄时间。根据闷黄时间不同，将鲜叶样品分为校正集和验证集2个集合，其中校正集样品用于建立不同闷黄时间的近红外光谱校正模型，验证集样品用于对校正集预测模型稳健性进行检验。
其中，一芽一叶由单芽、第一叶和较长梗构成，一芽二叶由单芽、第一叶、第二叶和长梗构成。
步骤二、光谱扫描
应用美国赛默飞.世尔AntarisⅡ型傅里叶变换型近红外光谱仪扫描获得全部闷黄样品的近红外光谱，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3次光谱、每次扫描64次，然后对3次采集的光谱进行平均，以平均光谱作为该样品的最终光谱用于后续建立模型。
步骤三、光谱噪声信息预处理
由于在光谱扫描过程中存在着高频噪声和基线扰动存在的背景信息，如果不对光谱噪声进行预处理、直接用于建立预测模型的话，会造成模型的预测效果较差，而且模型还不稳定，因此在建模前对原光谱信息进行去噪声处理。本步骤中应用多款化学计量学软件对步骤二中扫描得到的不同闷黄时间的近红外光谱采用采用平滑、一阶导数、二阶导数、多元散射校正和矢量归一化方法进行去噪声预处理，提高光谱的信噪比，从而有利于建立稳健的预测模型；其中的矢量归一化预处理方法可以扣除样品光谱中的线性平移的影响，对每条光谱进行单独校正，具有较强的信息处理能力，为最佳光谱预处理方法。
光谱去噪声后，再将样品光谱转化为成对的数据点(X-Y一一对应)，存储于excel表中。
步骤四、光谱子区间划分
近红外光谱包含了样品所有的信息，如产地、采摘时间、闷黄时间和内含成分信息等，因此，为了提高模型的预测效果，需要筛选反映样品闷黄时间的光谱信息波段，去除与建模无用的光谱信息；不仅可以提高模型预测准确度，还可以大大降低模型的运算量，减少建模的运算时间，降低建模成本。因此，本发明将全部光谱信息数据均等分为20个光谱信息子区间，精准筛选反映样品闷黄时间的光谱信息子区间，用于后续建立最小二乘支持向量机模型。
步骤五、最小二乘支持向量机(LS-SVM)模型建立
最小二乘支持向量机(LS-SVM)模型是一种基于统计理论的分类方法，主要是通过构造一个分隔超平面来实现模型的预测，其以良好的泛化能力和鲁棒性被广泛应用；同时，LS-SVM方法通过求解线性方程组实现最终的决策函数，在一定程度上降低了求解难度、提高了求解速度，从而使之更能适应于一般的实际应用。因此，为了更好地预测远安黄茶样品的闷黄时间，本发明应用LS-SVM方法分别建立每个光谱信息子区间的预测模型，比较模型相关系数(correlation coefficient of calibration，Rc)和交互验证均方根方差(rootmean square error of calibration,RMSECV)大小，初步筛选出建模的最佳光谱信息子区间数据，达到精准筛选反映闷黄时间的光谱信息的目的。其中，Rc最大、RMSECV最小，表示建立的最小二乘支持向量机模型结果最佳；
其中，RMSECV计算公式为：
Rc计算公式为：
式中，n表示样本数，yi和yi’分别为样品集中第i个样品的实测值和预测值，
为样品集中第i个样品的实测值的平均值，式中i≤n。
同时，该LS-SVM方法也反过来验证步骤三中选择的为哪种最佳光谱预处理方法。
步骤六、polynomial net结构人工神经网络预测模型建立
在上述步骤五的基础上，虽然初步得到了反映闷黄时间的光谱信息，但输入模型的光谱数据点还较多，而且各个数据点间很可能还存在着非线性关系，因此，为了更加精准的预测样品的闷黄时间，本发明应用非线性的人工神经网络方法进一步精准预测样品的闷黄时间。包括：
1)最佳光谱信息子区间主成分分析
在建立人工神经网络方法时，要求输入的数据较少才行，因此，需要进一步压缩、抽提样品的光谱信息，而主成分分析方法(PCA)就是一种有效的抽提光谱信息的方法。因此，应用Matlab 2012a软件中的主成分分析程序采用主成分分析方法(PCA)对筛选的最佳光谱信息子区间数据进行主成分分析，得到每个主成分的单独贡献率值、累计贡献率值和主成分得分，且在主成分累计贡献率≥85％才可以有效代表样品建模光谱子区间信息。
2)人工神经网络预测模型建立
以最佳光谱信息子区间的主成分得分为输入值、以样品不同闷黄时间为输出值，应用Neuro Shell 2软件建立polynomial net结构的人工神经网络预测模型；polynomialnet结构人工神经网络含有多个隐含层、不同的神经元以及不同的信息传递函数。比较模型相关系数(correlation coefficient of calibration，Rc)和交互验证均方根方差(rootmean square error of calibration,RMSECV)大小，得到最佳近红外光谱预测模型，其中，Rc越大、RMSECV越小，表示模型预测效果越好。
其中RMSECV计算公式为：
Rc计算公式为：
式中，n表示样本数，yi和yi’分别为样品集中第i个样品的实测值和预测值，
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Rc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。
步骤七、模型稳健性检验
为避免出现过拟合现象、建立一个稳健的预测模型，因此，应用全部验证集样品对不同闷黄时间的人工神经网络预测模型效果进行检验，所得结果用相关系数(correlationcoefficient of prediction，Rp)和验证均方差(root mean square error ofprediction,RMSEP)表示，其中Rp越大、RMSEP越小则表示模型稳健性越好，可以准确的预测样品的闷黄时间。
其中RMSEP计算公式为：
Rp计算公式为：
式中，n表示样本数，yi和yi’分别为样品集中第i个样品的实测值和预测值，式中i≤n。
具体的，所述的步骤一中鲜叶样品数量为120份，鲜叶样品按照3:1的比例划分为校正集和验证集，其中校正集样品90个、验证集样品30个。
具体的，所述步骤五中筛选出建模的最佳光谱信息子区间数据为6406.4-6703.4cm-1。
具体的，所述步骤六中在采用主成分分析方法(PCA)进行主成分分析时，采用前3个主成分代表最佳光谱子区间的光谱信息。
具体的，所述步骤六中选择3个神经元和linear[0,1]信息传递函数建立不同闷黄时间样品的polynomial net结构人工神经网络模型。
具体实施例一：
(1)鲜叶样品采集与分类
采集湖北省远安县安吉白茶品种单芽(无梗)、一芽一叶(由单芽、第一叶和较长梗构成)和一芽二叶(由单芽、第一叶、第二叶和长梗构成)三个不同部位鲜叶样品共120个。样品杀青后进行闷黄，同时精准记录闷黄时间。依据闷黄时间不同，样品按照3:1比例划分为校正集和验证集2个集合，其中校正集90个样品，验证集样品30个，用于检验校正集模型的稳健性。
(2)光谱扫描
应用美国赛默飞.世尔AntarisⅡ型傅里叶变换近红外光谱仪(FT-NIR)、选用积分球漫反射光学平台扫描获得全部闷黄样品的近红外光谱，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3次光谱、每次扫描64次，然后对3次采集的光谱进行平均，以平均光谱作为该样品的最终光谱用于后续建立模型。
在扫描样品光谱前，将该近红外光谱仪预热30分钟，保持室内温度和湿度基本一致后，再将样品装入与仪器配套的旋转杯中进行光谱扫描，每次样品的装样厚度保持一致，保证近红外光无法穿透样品，全部闷黄样品光谱参见图1。
(3)光谱噪声信息预处理
在光谱采集过程中，通常会产生高频噪声和基线扰动存在的背景信息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。应用化学计量学软件TQ Analyst 9.4.45软件和OPUS 7.0软件对全部闷黄样品的近红外光谱分别进行平滑、一阶导数，二阶导数、多元散射校正和矢量归一化预处理，然后将每个样品光谱转化为1560对数据点于excel表中用于后续数据分析，建立预测模型。
经过比较，可知最佳光谱预处理方法为矢量归一化。
(4)光谱子区间划分
将全部光谱数据点均等分为20个光谱信息子区间，每个子区间含有的数据点为78个。
(5)最小二乘支持向量机(LS-SVM)模型建立
分别建立每个光谱子区间数据的最小二乘支持向量机模型，所得结果见下面的表1：
表1最小二乘支持向量机方法建模结果
| 建模数 | 光谱区间/cm-1 | 相关系数 | RMSECV |
| 1 | 3999.6-4296.6 | 0.4677 | 8.96 |
| 2 | 4300.5-4597.5 | 0.5383 | 8.02 |
| 3 | 4601.3-4898.3 | 0.5724 | 7.82 |
| 4 | 4902.2-5199.1 | 0.494 | 8.31 |
| 5 | 5203-5500 | 0.4701 | 8.78 |
| 6 | 5503.8-5800.8 | 0.4422 | 9.01 |
| 7 | 5804.7-6101.7 | 0.4552 | 8.94 |
| 8 | 6105.5-6402.5 | 0.8119 | 7.58 |
| 9 | 6406.4-6703.4 | 0.8908 | 6.55 |
| 10 | 6707.2-7004.2 | 0.8077 | 7.94 |
| 11 | 7008-7305 | 0.7587 | 7.01 |
| 12 | 7308.9-7605.9 | 0.7712 | 6.95 |
| 13 | 7609.7-7906.7 | 0.7445 | 7.11 |
| 14 | 7910.6-8207.6 | 0.6048 | 7.53 |
| 15 | 8211.4-8508.4 | 0.6405 | 6.93 |
| 16 | 8512.3-8809.2 | 0.6673 | 6.63 |
| 17 | 8813.1-9110.1 | 0.5973 | 7.94 |
| 18 | 9113.9-9407.1 | 0.6332 | 7.04 |
| 19 | 9410.9-9704 | 0.6531 | 7.25 |
| 20 | 9707.9-10000 | 0.6572 | 7.05 |
由上面的表1可以看出，应用最小二乘支持向量机方法分别建立20个子区间的近红外模型，当RMSECV最小、而相关系数Rc最大时，此时建模的光谱区间即为最佳的建模子区间。因此，当6406.4-6703.4cm-1时，模型相关系数0.8908、RMSECV为6.55，此时建立的最小二乘支持向量机模型结果最佳，由此可知最佳建模光谱子区间为：6406.4-6703.4cm-1。
(6)polynomial net结构人工神经网络预测模型建立，包括：
1)最佳光谱信息子区间主成分分析
应用Matlab 2012a软件中的主成分分析程序采用主成分分析方法(PCA)对预处理后的闷黄样品最佳光谱子区间数据进行主成分分析，求得主成分数、贡献率和主成分得分值。前8个主成分的贡献率分别如下面表2所示：
表2前8个主成分贡献率
从表2可以看出，PC1贡献率最大、为90.78％，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99.64％，可以完全代表最佳光谱子区间的光谱信息，用于后续数据分析，校正集样品前3个主成分得分如下面表3所示：
表3校正集样品前3个主成分得分
2)polynomial net结构人工神经网络预测模型建立
为有效提高模型的稳健性，减少噪声信息的输入对模型的不利影响，要求建模时输入变量尽可能的少，但还要有效的代表原始光谱数据信息，因此，以上述主成分分析筛选的前3个主成分得分为输入值、以样品不同闷黄时间为输出值，经多次优化神经元个数和传递函数，建立了9种不同闷黄时间的人工神经网络预测模型。
在建立模型时，由于模型内部神经元个数和输出层间信息传递函数的不同会对模型预测效果产生较大的影响；因此，在建立polynomial net结构的人工神经网络模型时，分别比较了不同神经元个数和不同内部信息传递函数对模型预测结果的影响，具体参见下面的表4。通过将前3个主成分得分输入到该人工神经网络模型中，比较该模型相关系数Rc和交互验证均方根方差RMSECV值，得到最佳预测模型。最佳校正集模型为：slab1具有3个神经元，传递函数linear[0,1]。此时，模型Rc为0.978、RMSECV为2.2。
表4 9种人工神经网络模型结果
(7)模型稳健性检验
为防止出现过拟合现象，应用验证集30份样品对校正集模型进行检验，所得结果用相关系数Rp和验证集均方差RMSEP表示，具体结果参见上面的表4。
从表3可以看出，不同闷黄时间样品polynomial net结构的人工神经网络模型中，当神经元为3个、传递函数为linear[0,1]时，最佳校正集模型Rc为0.978、RMSECV为2.2，当用全部30个验证集样品对校正集模型稳健性进行检验时，得到验证集模型Rp为0.974、RMSEP为2.4。当神经元为4个、传递函数为logistic时，最佳校正集模型Rc为0.954、RMSECV为3.0，当用全部30个验证集样品对校正集模型稳健性进行检验时，得到验证集模型Rp为0.948、RMSEP为3.2。当神经元为5个、传递函数为logistic时，最佳校正集模型Rc为0.955、RMSECV为2.9，当用全部30个验证集样品对校正集模型稳健性进行检验时，得到验证集模型Rp为0.943、RMSEP为3.3。可见，在应用同样的polynomial net结构但内部不同神经元个数和不同信息传递函数的情况下建立的人工神经网络模式中，以具有3个神经元和传递函数为linear[0,1]时建立的不同闷黄时间样品人工神经网络模型预测结果最佳，模型预测效果最好；其次为具有5个神经元和传递函数为logistic时建立的不同闷黄时间样品人工神经网络模型；最差的为具有4个神经元和传递函数为logistic时建立的不同闷黄时间样品人工神经网络模型。可见，在应用同样的polynomial net结构但内部不同神经元个数和不同信息传递函数的情况下建立的人工神经网络模型中，会对建立模型的预测结果产生较大的影响，因此，建立模型时，要合理选择神经元个数和信息传递函数。
应用3个神经元和传递函数为linear[0,1]时建立的最佳人工神经网络模型对30个验证集样品的闷黄时间进行预测，预测结果见下面的表5。从表5可以看出，样品闷黄时间的真值和预测值的差值(偏差)全部在±1.0范围内，表明模型对所有样品预测正确，判别率为100％。可见，当应用3个神经元和传递函数为linear[0,1]时建立的不同闷黄时间样品polynomial net结构人工神经网络模型实现了对闷黄时间的快速、准确预测。
表5 30个验证集样品闷黄时间预测结果(分钟)
| 序号 | 真值 | 预测值 | 序号 | 真值 | 预测值 | 序号 | 真值 | 预测值 |
| 1 | 0.0 | 0.3 | 11 | 145 | 145.8 | 21 | 243 | 243.5 |
| 2 | 30 | 29.7 | 12 | 150 | 150.7 | 22 | 245 | 245.4 |
| 3 | 35 | 34.8 | 13 | 180 | 180.1 | 23 | 260 | 259.2 |
| 4 | 50 | 49.2 | 14 | 186 | 186.3 | 24 | 280 | 279.6 |
| 5 | 60 | 60.4 | 15 | 195 | 195.3 | 25 | 290 | 290.2 |
| 6 | 75 | 74.5 | 16 | 200 | 199.7 | 26 | 306 | 306.8 |
| 7 | 94 | 94.8 | 17 | 205 | 204.9 | 27 | 318 | 318.7 |
| 8 | 112 | 112.6 | 18 | 210 | 209.2 | 28 | 320 | 320.6 |
| 9 | 120 | 120.1 | 19 | 220 | 220.3 | 29 | 330 | 330.8 |
| 10 | 130 | 130.4 | 20 | 240 | 240.2 | 30 | 348 | 348.4 |
综上所述，本发明应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法，提供一种基于近红外光谱结合polynomial net神经网络结构用于准确的预测远安黄茶样品的闷黄时间，先剔除样品噪声信息，得到最佳光谱预处理方法为矢量归一化，将样品光谱转化为成对的数据点于excel表中保存；然后将全部光谱数据均划分为20个子区间，分别建立每个子区间数据的最小二乘支持向量机方法模型，筛选出建模的最佳子区间数据(6406.4-6703.4cm-1，占全部光谱数据的5.00％)；然后应用主成分分析筛选出前3个主成分，前3个主成分的累计贡献率为99.64％，以前3个主成分得分为输入值建立不同神经元个数和信息传递函数的polynomial net结构人工神经网络预测模型，以具有3个神经元和传递函数为linear[0,1]时建立的polynomial net结构人工神经网络模型预测结果最佳(Rp＝0.974，RMSEP＝2.4)；其次为具有5个神经元和传递函数为logistic时建立的polynomial net结构人工神经网络模型；最差为具有4个神经元和传递函数为logistic时建立的polynomial net结构人工神经网络模型。因此，本发明将最小二乘支持向量机方法和polynomial net结构人工神经网络方法相结合，完美实现了对单芽、一芽一叶和一芽二叶三个采摘标准加工的远安黄茶样品闷黄时间的精准预测(预测偏差全部在±1.0范围内，预测准确率为100％)，建立的预测模型不仅达到大大降低模型运算量(建模光谱数据占全部光谱数据5.00％)、简化模型的目的，同时还起到提高模型的预测准确度和增强模型实用性的目的。
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.应用polynomialnet结构人工神经网络快速预测远安黄茶闷黄时间的方法，其特征在于，扫描获得不同闷黄时间鲜叶样品的近红外光谱，对样品光谱进行预处理剔除噪声信息后，样品光谱转化为成对的数据点；再将全部光谱数据均划分为20个子区间，分别建立每个子区间数据的最小二乘支持向量机方法模型，筛选出建模的最佳子区间数据；再应用主成分分析法对最佳子区间信息数据点进行压缩抽提，以主成分得分为输入数值，通过调节隐含层神经元个数和信息传递函数，建立不同闷黄时间样品的人工神经网络预测模型，用于预测黄茶的闷黄时间，具体包括以下步骤：
步骤一、鲜叶样品采集与分类
采集湖北省远安县安吉白茶品种单芽、一芽一叶和一芽二叶三个不同部位鲜叶样品，经杀青后对样品进行闷黄，同时精准记录闷黄时间；根据闷黄时间不同，将样品分为校正集和验证集2个集合，其中校正集样品用于建立不同闷黄时间的近红外光谱校正模型，验证集样品用于对校正集预测模型稳健性进行检验；
其中，一芽一叶由单芽、第一叶和长梗构成，一芽二叶由单芽、第一叶、第二叶和长梗构成；
步骤二、光谱扫描
应用傅里叶变换型近红外光谱仪扫描获得全部闷黄样品的近红外光谱，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3次光谱、每次扫描64次，然后对3次采集的光谱进行平均，以平均光谱作为该样品的最终光谱；
步骤三、光谱噪声信息预处理
应用化学计量学软件对步骤二中扫描得到的近红外光谱采用矢量归一化方法进行去噪声预处理，提高建模时光谱的信噪比，有利于建立稳健的预测模型；光谱去噪声后，再将样品光谱转化为成对的数据点；
步骤四、光谱子区间划分
将全部光谱信息数据均等分为20个光谱信息子区间，精准筛选反映样品闷黄时间的光谱信息子区间，用于后续建立最小二乘支持向量机模型；
步骤五、最小二乘支持向量机模型建立
本发明应用LS-SVM方法分别建立每个光谱信息子区间的预测模型，比较模型相关系数Rc和交互验证均方根方差RMSECV大小，初步筛选出建模的最佳光谱信息子区间数据，达到精准筛选反映闷黄时间的光谱信息的目的，其中，Rc最大、RMSECV最小，表示建立的最小二乘支持向量机模型结果最佳，筛选出建模的最佳光谱信息子区间数据为6406.4-6703.4cm-1，
其中，RMSECV计算公式为：
Rc计算公式为：
式中，n表示样本数，yi和yi’分别为样品集中第i个样品的实测值和预测值，
为样品集中第i个样品的实测值的平均值，式中i≤n；
步骤六、polynomial net结构人工神经网络预测模型建立
应用非线性的人工神经网络方法进一步精准预测样品的闷黄时间，包括：
1)最佳光谱信息子区间主成分分析
采用主成分分析方法PCA对筛选的最佳光谱信息子区间数据进行主成分分析，得到每个主成分的单独贡献率值、累计贡献率值和主成分得分；在主成分累计贡献率≥85％才可以有效代表样品建模光谱子区间信息，在采用主成分分析方法PCA进行主成分分析时，采用前3个主成分代表最佳光谱子区间的光谱信息；
2)人工神经网络预测模型建立
以最佳光谱信息子区间的主成分得分为输入值、以样品不同闷黄时间为输出值，应用Neuro Shell 2软件建立polynomial net结构的人工神经网络预测模型，polynomial net结构人工神经网络含有多个隐含层、不同的神经元以及不同的信息传递函数，比较模型相关系数Rc和交互验证均方根方差RMSECV大小，得到最佳近红外光谱预测模型，其中，Rc越大、RMSECV越小，表示模型预测效果越好，选择3个神经元和linear[0,1]信息传递函数建立不同闷黄时间样品的polynomial net结构人工神经网络模型；
其中RMSECV计算公式为：
Rc计算公式为：
式中，n表示样本数，yi和yi’分别为样品集中第i个样品的实测值和预测值，
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Rc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；
步骤七、模型稳健性检验
应用全部验证集样品对不同闷黄时间的人工神经网络预测模型效果进行检验，所得结果用相关系数Rp和验证均方差RMSEP表示，其中Rp越大、RMSEP越小则表示模型稳健性越好，可以准确的预测样品的闷黄时间；
其中RMSEP计算公式为：
Rp计算公式为：
式中，n表示样本数，yi和yi’分别为样品集中第i个样品的实测值和预测值，式中i≤n。
2.根据权利要求1所述的应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法，其特征在于：所述的步骤一中鲜叶样品数量为120份，鲜叶样品按照3:1的比例划分为校正集和验证集，其中校正集样品90个、验证集样品30个。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910513194.8A CN110320174B (zh) | 2019-06-14 | 2019-06-14 | 应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910513194.8A CN110320174B (zh) | 2019-06-14 | 2019-06-14 | 应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110320174A CN110320174A (zh) | 2019-10-11 |
| CN110320174B true CN110320174B (zh) | 2022-07-12 |
Family
ID=68119603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910513194.8A Active CN110320174B (zh) | 2019-06-14 | 2019-06-14 | 应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110320174B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111830217B (zh) * | 2020-08-03 | 2022-07-01 | 湖北省农业科学院果树茶叶研究所 | 一种用于快速判别远安黄茶闷黄程度的装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000304694A (ja) * | 1999-04-22 | 2000-11-02 | Kawasaki Kiko Co Ltd | 茶葉の格付け方法及びその装置 |
| CN102539326A (zh) * | 2012-01-13 | 2012-07-04 | 江苏大学 | 茶叶汤色品质的量化评价方法 |
| CN103134850A (zh) * | 2013-03-01 | 2013-06-05 | 河南农业大学 | 一种基于特征香气的茶叶品质快速检测装置及检测方法 |
| CN104897729A (zh) * | 2015-06-04 | 2015-09-09 | 安徽农业大学 | 电子鼻瓜片茶的储存时间分类方法 |
| CN106124449A (zh) * | 2016-06-07 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种基于深度学习技术的土壤近红外光谱分析预测方法 |
| CN108872132A (zh) * | 2018-08-24 | 2018-11-23 | 湖北省农业科学院果树茶叶研究所 | 一种利用近红外光谱判别茶鲜叶品种的方法 |
| CN109170000A (zh) * | 2018-11-15 | 2019-01-11 | 中国农业科学院茶叶研究所 | 一种茶叶可视闷黄装置与闷黄方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5175795A (en) * | 1988-07-29 | 1992-12-29 | Hitachi, Ltd. | Hybridized frame inference and fuzzy reasoning system and method |
| CN104951990B (zh) * | 2014-03-28 | 2018-06-05 | 国际商业机器公司 | 电网数据处理方法及设备 |
| CN104596984A (zh) * | 2015-01-05 | 2015-05-06 | 北京中医药大学 | 一种六神曲发酵过程近红外在线质量检测方法 |
| CN104931453A (zh) * | 2015-06-12 | 2015-09-23 | 湖北省农业科学院果树茶叶研究所 | 一种基于近红外光谱技术预测绿茶摊青叶含水量的方法 |
| US10641758B2 (en) * | 2015-09-01 | 2020-05-05 | Exxonmobil Upstream Research Company | Apparatus, systems, and methods for enhancing hydrocarbon extraction and techniques related thereto |
| CN106568738A (zh) * | 2016-10-31 | 2017-04-19 | 湖北省农业科学院果树茶叶研究所 | 一种近红外光谱快速判定不同质量等级茶鲜叶的方法 |
| CN106568741B (zh) * | 2016-10-31 | 2019-06-14 | 湖北省农业科学院果树茶叶研究所 | 一种近红外光谱快速判定茶鲜叶产地的方法 |
| CN107977731A (zh) * | 2017-10-06 | 2018-05-01 | 贵州师范学院 | 一种基于深度学习的茶鲜叶保鲜时间预测方法 |
| CN107958267B (zh) * | 2017-11-21 | 2021-04-27 | 东南大学 | 一种基于光谱线性表示的油品性质预测方法 |
-
2019
- 2019-06-14 CN CN201910513194.8A patent/CN110320174B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000304694A (ja) * | 1999-04-22 | 2000-11-02 | Kawasaki Kiko Co Ltd | 茶葉の格付け方法及びその装置 |
| CN102539326A (zh) * | 2012-01-13 | 2012-07-04 | 江苏大学 | 茶叶汤色品质的量化评价方法 |
| CN103134850A (zh) * | 2013-03-01 | 2013-06-05 | 河南农业大学 | 一种基于特征香气的茶叶品质快速检测装置及检测方法 |
| CN104897729A (zh) * | 2015-06-04 | 2015-09-09 | 安徽农业大学 | 电子鼻瓜片茶的储存时间分类方法 |
| CN106124449A (zh) * | 2016-06-07 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种基于深度学习技术的土壤近红外光谱分析预测方法 |
| CN108872132A (zh) * | 2018-08-24 | 2018-11-23 | 湖北省农业科学院果树茶叶研究所 | 一种利用近红外光谱判别茶鲜叶品种的方法 |
| CN109170000A (zh) * | 2018-11-15 | 2019-01-11 | 中国农业科学院茶叶研究所 | 一种茶叶可视闷黄装置与闷黄方法 |
Non-Patent Citations (1)
| Title |
|---|
| 近红外光谱技术结合人工神经网络判别普洱茶发酵程度;宁井铭 等;《农业工程学报》;20130630;第29卷(第11期);第255-260页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110320174A (zh) | 2019-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chandrasekaran et al. | Potential of near-infrared (NIR) spectroscopy and hyperspectral imaging for quality and safety assessment of fruits: An overview | |
| dos Santos et al. | A review on the application of vibrational spectroscopy in the wine industry: From soil to bottle | |
| JP6339244B2 (ja) | Ｆｔ−ｉｒスペクトルデータの多変量統計分析を用いた果実の糖度及び酸度の予測方法 | |
| CN110308111B (zh) | 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 | |
| CN107796782B (zh) | 基于烟叶特征光谱一致性度量的复烤质量稳定性评价方法 | |
| Abdullah et al. | Automated inspection system for colour and shape grading of starfruit (Averrhoa carambola L.) using machine vision sensor | |
| US11682203B2 (en) | Feature extraction method, model training method, detection method of fruit spectrum | |
| Gao et al. | Hyperspectral image information fusion-based detection of soluble solids content in red globe grapes | |
| Shen et al. | On‐line discrimination of storage shelf‐life and prediction of post‐harvest quality for strawberry fruit by visible and near infrared spectroscopy | |
| CN110987865A (zh) | 一种基于近红外光谱检测无花果品质的方法 | |
| CN109001147A (zh) | 一种利用近红外光谱判别茶鲜叶地理信息的方法 | |
| CN112669915A (zh) | 一种基于神经网络与近红外光谱的梨无损检测方法 | |
| CN113033066A (zh) | 一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法 | |
| Lu et al. | Quality evaluation of apples | |
| CN110320174B (zh) | 应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法 | |
| CN111795943A (zh) | 基于近红外光谱技术无损检测茶叶中外源掺杂蔗糖的方法 | |
| CN110308110B (zh) | 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 | |
| CN110186870B (zh) | 一种极限学习机光谱模型判别恩施玉露茶鲜叶产地的方法 | |
| CN107796779A (zh) | 橡胶树叶片氮素含量的近红外光谱诊断方法 | |
| Fu et al. | Discrimination of pear varieties using three classification methods based on near-infrared spectroscopy | |
| CN113751345B (zh) | 一种菠萝无损检测分级装置和方法 | |
| CN106568740A (zh) | 一种近红外光谱快速判定茶鲜叶品种的方法 | |
| CN113310933A (zh) | 原料水牛奶保存天数的光谱鉴定方法 | |
| CN111487219A (zh) | 一种基于近红外光谱技术的快速检测香梨木质素含量方法 | |
| CN110334714A (zh) | 一种基于人工神经网络技术的机采眉茶车色样品等级预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |