CN113376103B - 一种利用高光谱图像技术测定茶叶成分含量的方法及应用 - Google Patents
一种利用高光谱图像技术测定茶叶成分含量的方法及应用 Download PDFInfo
- Publication number
- CN113376103B CN113376103B CN202110627574.1A CN202110627574A CN113376103B CN 113376103 B CN113376103 B CN 113376103B CN 202110627574 A CN202110627574 A CN 202110627574A CN 113376103 B CN113376103 B CN 113376103B
- Authority
- CN
- China
- Prior art keywords
- tea
- regression model
- data
- hyperspectral
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 241001122767 Theaceae Species 0.000 title abstract 6
- 235000014347 soups Nutrition 0.000 claims abstract description 15
- 230000003595 spectral effect Effects 0.000 claims abstract description 14
- 244000269722 Thea sinensis Species 0.000 claims description 143
- 235000013616 tea Nutrition 0.000 claims description 126
- 235000006468 Thea sinensis Nutrition 0.000 claims description 17
- 235000020279 black tea Nutrition 0.000 claims description 17
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000002310 reflectometry Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 150000008442 polyphenolic compounds Chemical class 0.000 claims description 4
- 235000013824 polyphenols Nutrition 0.000 claims description 4
- 235000014620 theaflavin Nutrition 0.000 claims description 4
- 235000008118 thearubigins Nutrition 0.000 claims description 4
- IPMYMEWFZKHGAX-UHFFFAOYSA-N Isotheaflavin Natural products OC1CC2=C(O)C=C(O)C=C2OC1C(C1=C2)=CC(O)=C(O)C1=C(O)C(=O)C=C2C1C(O)CC2=C(O)C=C(O)C=C2O1 IPMYMEWFZKHGAX-UHFFFAOYSA-N 0.000 claims description 3
- UXRMWRBWCAGDQB-UHFFFAOYSA-N Theaflavin Natural products C1=CC(C2C(CC3=C(O)C=C(O)C=C3O2)O)=C(O)C(=O)C2=C1C(C1OC3=CC(O)=CC(O)=C3CC1O)=CC(O)=C2O UXRMWRBWCAGDQB-UHFFFAOYSA-N 0.000 claims description 3
- 150000001413 amino acids Chemical class 0.000 claims description 3
- IPMYMEWFZKHGAX-ZKSIBHASSA-N theaflavin Chemical compound C1=C2C([C@H]3OC4=CC(O)=CC(O)=C4C[C@H]3O)=CC(O)=C(O)C2=C(O)C(=O)C=C1[C@@H]1[C@H](O)CC2=C(O)C=C(O)C=C2O1 IPMYMEWFZKHGAX-ZKSIBHASSA-N 0.000 claims description 3
- 229940026509 theaflavin Drugs 0.000 claims description 3
- 238000011002 quantification Methods 0.000 abstract description 9
- 238000011156 evaluation Methods 0.000 description 15
- 238000001514 detection method Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000001953 sensory effect Effects 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000004615 ingredient Substances 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 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
- 238000009614 chemical analysis method Methods 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 239000011888 foil Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 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
- 235000005487 catechin Nutrition 0.000 description 1
- 150000001765 catechin Chemical class 0.000 description 1
- ADRVNXBAWSRFAJ-UHFFFAOYSA-N catechin Natural products OC1Cc2cc(O)cc(O)c2OC1c3ccc(O)c(O)c3 ADRVNXBAWSRFAJ-UHFFFAOYSA-N 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 239000000126 substance Substances 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
-
- 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
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
本发明公开了一种利用高光谱图像技术测定茶叶成分含量的方法及应用。本发明建立了茶叶的光谱数据与其生化成分数据之间的回归模型，模型准确度高，采用高光谱技术直接扫描待测茶汤，无需破坏样品和其他前处理，再利用回归模型就可直接反演出待测茶叶样品中的多种主要成分的含量，实现茶叶品质指标的定量化和标准化。
Description
技术领域
本发明涉及茶叶成分检测技术领域。更具体地，涉及一种利用高光谱图像技术测定茶叶成分含量的方法及应用。
背景技术
茶叶作为我国具有资源优势、文化底蕴和消费传统的特色农产品，近年来进入一个快速发展时期，很多省份将茶叶列为重点建设的具有特色效益的农业产业来发展，随着生活水平和健康意识的提高，消费者对茶叶品质及质量安全的要求也越来越高。中国茶叶种类繁多，鱼龙混杂，不同等级的茶叶，不仅在风味上相差较大，其价格往往也相去甚远。茶叶质量不稳定、产品定级不规范、假冒伪劣、以次充好等现象时有发生，这给茶叶贸易和消费者的权益都带来不良影响。为了保证消费者的合法权益，规范和标准评审技术，无论是茶叶生产国还是茶叶进口国都对茶叶品质的检测和评定提出了更高的要求，因此如何客观、科学和规范的进行茶叶品质评定是非常值得研究的问题。
目前茶叶品质评价技术主要包括传统感官审评和化学成分分析，感官审评是茶叶品质特征整体信息的一个综合反映，但其结果受到审评员的个人主观因素和外界客观因素两方面的干扰，因此茶叶感官审评无法完全做到标准化和真正客观化。此外，化学分析方法操作繁琐，前处理步骤复杂，测定时间长，效率低，同时理化检测只能检测茶叶内部单个成分的含量，但由于茶叶的成分比较复杂，其品质并不能通过某种单一成分的量化就能客观简单的呈现，茶叶品质是茶叶内部所有成分相互影响、彼此协调的综合反映，不可能通过某种单一成分的量化就能较为完整的呈现出来，因此，化学分析方法也不能很好的应用在茶叶品质评价中。
专利CN103940920B提供了一种茶叶中儿茶素类含量的检测方法，专利CN103592258B提供了一种茶叶中茶多酚含量的检测方法，专利CN201510197084.7提供了一种检测茶叶中咖啡碱的方法，但是上述方法都只能检测茶叶内部单个成分的含量，无法同时测定茶叶样品中的多种主要成分的含量。
发明内容
本发明旨在提供一种利用高光谱图像技术测定茶叶成分含量的方法及应用，建立了茶叶的光谱数据与其生化成分数据之间的回归模型，模型准确率高，采用高光谱技术直接扫描待测茶汤，无需破坏样品和其它的前处理，再利用回归模型可直接反演出待测茶叶样品中的主要成分含量。获得的检测数据真实可靠，实现品质指标的定量化和标准化，减少人为及外界环境因素的影响，为茶叶质量等级评定的定量化、自动化提供有力支撑，同时使得茶叶加工机械筛选、信息化和智能化产品定级成为可能。
本发明的首要目的是提供一种利用高光谱图像技术测定茶叶成分含量的方法。
本发明的目的是提供上述方法在测定茶叶生化成分含量方面的应用。
为了实现上述目的，本发明是通过以下方案实现的：
本发明通过了一种利用高光谱图像技术测定茶叶成分含量的方法，包括如下步骤：
S1.茶叶生化成分数据的采集：测定茶叶样本的水溶性成分含量；
S2.高光谱反射率数据的采集：冲泡茶叶得到茶汤，利用高光谱图像技术获取茶汤在400～1000nm波段范围内的高光谱反射率数据；
S3.高光谱数据的预处理：采用光谱预处理算法对步骤S2的高光谱反射率数据进行平滑处理；
S4.特征光谱波段选取：利用特征波段提取法对步骤S3的预处理光谱数据进行特征波段的选取；
S5.茶叶生化成分含量模型的建立：建立茶叶的光谱数据与其生化成分数据之间的回归模型；
S6.模型的验证：取待测茶叶样品根据步骤S1～S3获得茶叶样本的水溶性成分含量和高光谱反射率数据，再调入步骤S5回归模型中进行验证；
S7.待测茶叶样品根据步骤S2～S3获得高光谱数据，再使用步骤S5的回归模型对待测茶叶样品的生化成分含量进行预测。
上述方法中，通过建立茶叶的光谱数据与其生化成分数据之间的回归模型，采用高光谱技术直接扫描待测茶汤，无需破坏样品和其它的前处理，模型准确度高，再利用回归模型就可直接反演出待测茶叶样品中的主成分含量，获得的检测数据真实可靠，可实现茶叶品质指标的定量化和标准化，减少人为及外界环境因素的影响，为茶叶质量等级评定的定量化、自动化提供有力支撑。
作为一种优选的可实施方式，步骤S1所述茶叶样本的水溶性成分含量为采用国家标准GB 8312、GB8313、GB8314的方法进行测定；步骤S2所述冲泡茶叶为按照国家标准GB23776的方法冲泡。
优选地，所述茶叶为红茶，见实施例1～3。
优选地，步骤S3所述光谱预处理算法为高斯滤波法、中值滤波法、多项式平滑算法，见实施例1～3。
最优选地，步骤S3所述光谱预处理算法为多项式平滑算法，见实施例1。
优选地，所述茶叶样本的数量为100～150个，见实施例1～3。
优选地，步骤S4所述特征波段提取法为连续投影算法，见实施例1。
优选地，步骤S5所述回归模型的建立为以茶叶生化成分指标的数值作为建模基准，运用最小二乘法、多元线性回归或逐步回归模型进行模型的建立。见实施例1。
优选地，步骤S6所述模型的验证为采用留一法交叉验证对回归模型进行验证，见实施例1。
优选地，步骤S1所述水溶性成分包括茶多酚、氨基酸、可溶性糖、茶黄素、茶褐素和茶红素。
更优选地，步骤S1所述水溶性成分为茶黄素和茶红素，见实施例1。
优选地，步骤S4所述特征光谱波段为900nm～1000nm，见实施例1～3。
上述茶叶成分含量的方法可以用于茶叶加工机械筛选、信息化和智能化产品定级方面，因此本发明还请求保护上述方法在测定茶叶生化成分含量方面的应用。
与现有技术相比，本发明的有益效果在于：
本发明通过特定的高光谱反射率数据采集、数据预处理以及特征光谱波段选取，建立的茶叶的光谱数据与其生化成分数据之间的回归模型，模型R2在0.59～0.87之间，预测均方根误差RMSE为0.16～6.23，模型准确率高，采用高光谱技术直接扫描待测茶汤，无需破坏样品和其它的前处理，再利用回归模型可直接反演出待测茶叶样品中的多种主要成分含量，检测方法简单，数据真实可靠。
利用本发明的方法可以实现茶叶品质指标的定量化和标准化，减少人为及外界环境因素的影响，为茶叶质量等级评定的定量化、自动化提供有力支撑，同时使得茶叶加工机械筛选、信息化和智能化产品定级成为可能。
附图说明
图1为实施例1红茶样本反射率，横坐标表示波长(nm)，纵坐标为反射率；
图2为实施例1预处理后红茶样本反射率，横坐标表示波长(nm)，纵坐标为反射率；
图3为对比例1红茶样本反射率，横坐标表示波长(nm)，纵坐标为反射率；
图4为对比例1预处理后红茶样本反射率，横坐标表示波长(nm)，纵坐标为反射率。
具体实施方式
以下结合说明书附图和具体实施例来进一步说明本发明，但实施例并不对本发明做任何形式的限定。除非特别说明，本发明采用的试剂、方法和设备为本技术领域常规试剂、方法和设备。
实施例1红茶成分指标与高光谱数据回归模型的建立
(1)茶叶样本的采集：收集100个红茶样本，编号后，装置铝箔样品袋密封，阴凉干燥处保存。
(2)茶叶生化成分数据的采集：采用国家茶叶标准(GB)中的方法(GB 8312、GB8313、GB8314)测定成茶样的水溶性成分的含量，作为建模基准。
(3)高光谱反射率数据的采集：按照国家标准GB 23776《茶叶感官审评方法》的方法，称取3g红茶，茶水比1：50，置于评茶杯中，用100℃5mL水冲泡，5min后将茶汤滤入评茶碗。利用高光谱成像技术获取红茶茶汤在400～1000nm波段范围内高光谱反射率数据，如图1所示，横坐标表示波长(nm)，纵坐标表示茶汤样品的高光谱反射率。
(4)高光谱数据的预处理：采用多项式平滑算法分别对图1所示光谱数据进行平滑处理，减小噪声，提高信噪比，预处理后红茶样本反射率如图2所示，横坐标表示波长(nm)，纵坐标表示样本的预处理高光谱反射率。
(5)特征光谱波段选取：利用了连续投影算法对图2预处理后的光谱数据进行了特征波段的选取，确定最优波段。比较每种生化成分与不同波长光谱数据之间的相关性，提取了关联性较高的连续波段，确定最优波段为900～1000nm。
(6)茶叶生化成分含量预测模型的建立：以茶叶品质成分指标的数值作为建模基准，采用多种数学模型，包括PLS模型、对数模型、二次曲线模型、符合模型、S模型等建立了茶叶的光谱数据与其品质成分数据之间的线性回归模型(表1)。
表1红茶品质成分指标与高光谱数据回归模型
(7)模型的验证：按照步骤(3)的方法，在高光谱仪器上测量待测茶叶样品，并用步骤(6)建立好的模型进行测量。采用留一法交叉验证(Leave-one-out cross-validation)对模型进行评价，评价参数有相关系数R2，均方根误差RMSE。R2越接近1，且RMSE数值越低，说明模型准确度越高。从表2可以看出，本实施例所建立的模型R2在0.59～0.87之间，预测均方根误差RMSE为0.16～6.23；验证集R2在0.51～0.81之间，验证均方根误差RMSE为0.21～6.10，说明该模型有较好的预测能力。
表2模型验证结果
实施例2
与实施例1的区别在于，茶叶样本数量为150个；步骤(4)采用高斯滤波法对原始光谱数据进行平滑处理。
结果表明，所建立的模型R2为0.68～0.85，预测均方根误差RMSE为0.25～16.50；验证集R2为0.75～0.83，验证均方根误差RMSE为0.78～16.85，该模型也有较好的预测能力。
实施例3
与实施例1的区别在于，步骤(4)采用中值滤波法对原始光谱数据进行平滑处理。
结果表明，所建立的模型R2为0.78～0.82，预测均方根误差RMSE为0.08～1.36；验证集R2为0.75～0.81，验证均方根误差RMSE为0.10～2.12，表明该模型也有较好的预测能力。
对比例1
(1)茶叶样本的采集：收集100个红茶样本，编号后，装置铝箔样品袋密封，阴凉干燥处保存。
(2)茶叶生化成分数据的采集：采用国家茶叶标准(GB)中的方法(GB 8312、GB8313、GB8314)测定成茶样的水溶性成分的含量，作为建模基准。
(3)高光谱反射率数据的采集：按照国家标准GB 23776《茶叶感官审评方法》的方法，称取3g红茶，茶水比1：50，置于评茶杯中，用100℃5mL水冲泡，5min后将茶汤滤入评茶碗。利用高光谱成像技术获取红茶茶汤在400～1000nm波段范围内高光谱反射率数据，如图3所示，横坐标表示波长(nm)，纵坐标表示茶汤样品的高光谱反射率。
(4)高光谱数据的预处理：采用移动平均法分别对图3所示光谱数据进行平滑处理，减小噪声，提高信噪比，预处理后红茶样本反射率如图4所示，横坐标表示波长(nm)，纵坐标表示茶汤样品的预处理高光谱反射率。
(5)特征光谱波段选取：利用了连续投影算法对图4预处理的光谱数据进行了特征波段的选取，确定最优波段。比较每种生化成分与不同波长光谱数据之间的相关性，提取了关联性较高的连续波段，确定最优波段为900～1000nm。
(6)茶叶生化成分含量预测模型的建立：以茶叶品质成分指标的数值作为建模基准，采用多种数学模型，包括PLS模型、对数模型、二次曲线模型、符合模型、S模型等建立了茶叶的光谱数据与其品质成分数据之间的线性回归模型(表3)。
表3红茶品质成分指标与高光谱数据回归模型
(7)模型的验证：按照步骤(3)的方法，在高光谱仪器上测量待测茶叶样品，并用步骤(6)建立好的模型进行测量。采用留一法交叉验证(Leave-one-out cross-validation)对回归模型进行检验，得到交叉验证预测值与实际值相关系数R2为0.31～0.63，说明该模型精准度低。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (2)
1.一种利用高光谱图像技术测定茶叶成分含量的方法，其特征在于，包括如下步骤：
S1.茶叶生化成分数据的采集：测定茶叶样本的水溶性成分含量；
S2.高光谱数据的采集：冲泡茶叶得到茶汤，利用高光谱图像技术获取茶汤在400～1000nm 波段范围内的高光谱反射率数据；
S3.高光谱数据的预处理：采用光谱预处理算法对步骤S2的高光谱反射率数据进行平滑处理；
S4.特征光谱波段选取：利用特征波段提取法对步骤S3的预处理光谱数据进行特征波段的选取，所选取的特征波段为900～1000nm；
S5.茶叶生化成分含量模型的建立：建立茶叶的光谱数据与其生化成分数据之间的回归模型；
S6.模型的验证：取待测茶叶样品根据步骤S1～S3获得茶叶样本的水溶性成分含量和高光谱反射率数据，再调入步骤S5回归模型中进行验证；
S7.待测茶叶样品根据步骤S2～S3获得高光谱数据，再使用步骤S5的回归模型对待测茶叶样品的生化成分含量进行预测；
步骤S3所述光谱预处理算法为多项式平滑算法；
步骤S1所述水溶性成分包括茶多酚、氨基酸、可溶性糖、茶黄素、茶褐素和茶红素；
步骤S6所述模型的验证为采用留一法交叉验证对回归模型进行验证；
步骤S4所述特征波段提取法为连续投影算法；
所述茶叶为红茶；
步骤S5所述回归模型的建立为以茶叶生化成分指标的数值作为建模基准，运用最小二乘法、多元线性回归或逐步回归模型进行模型的建立，所建立的回归模型为：
茶叶中茶多酚的回归模型为：y=11.395－1.315ln(x)
茶叶中氨基酸的回归模型为：y=5.625－13.852x+16.731x2；
茶叶中可溶性糖的回归模型为：y=6.043－26.61x+62.622x2；
茶叶中茶黄素的回归模型为：y=0.419－0.853x+8.167x2；
茶叶中茶褐素的回归模型为：y=－5.73+57.552x－71.01x2；
茶叶中茶红素的回归模型为：y=27.265×0.036x。
2.根据权利要求1所述方法，其特征在于，所述茶叶样本的数量为100～150个。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110627574.1A CN113376103B (zh) | 2021-06-04 | 2021-06-04 | 一种利用高光谱图像技术测定茶叶成分含量的方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110627574.1A CN113376103B (zh) | 2021-06-04 | 2021-06-04 | 一种利用高光谱图像技术测定茶叶成分含量的方法及应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113376103A CN113376103A (zh) | 2021-09-10 |
| CN113376103B true CN113376103B (zh) | 2023-03-07 |
Family
ID=77576067
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110627574.1A Active CN113376103B (zh) | 2021-06-04 | 2021-06-04 | 一种利用高光谱图像技术测定茶叶成分含量的方法及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113376103B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101059426A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 基于近红外光谱技术无损测量茶叶中茶多酚含量的方法 |
| CN102012365A (zh) * | 2010-10-27 | 2011-04-13 | 河北大学 | 一种基于红外光谱的茶叶发酵度识别方法 |
| CN103048278A (zh) * | 2012-12-25 | 2013-04-17 | 浙江工业大学 | 机炒龙井茶叶水分含量在线检测方法 |
| CN103743703A (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快速检测茶叶中主要成分的方法 |
| CN103743697A (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实现茶叶生产实时监测的方法 |
| CN104020129A (zh) * | 2014-05-16 | 2014-09-03 | 安徽农业大学 | 一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法 |
-
2021
- 2021-06-04 CN CN202110627574.1A patent/CN113376103B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101059426A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 基于近红外光谱技术无损测量茶叶中茶多酚含量的方法 |
| CN102012365A (zh) * | 2010-10-27 | 2011-04-13 | 河北大学 | 一种基于红外光谱的茶叶发酵度识别方法 |
| CN103048278A (zh) * | 2012-12-25 | 2013-04-17 | 浙江工业大学 | 机炒龙井茶叶水分含量在线检测方法 |
| CN103743703A (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快速检测茶叶中主要成分的方法 |
| CN103743697A (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实现茶叶生产实时监测的方法 |
| CN104020129A (zh) * | 2014-05-16 | 2014-09-03 | 安徽农业大学 | 一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法 |
Non-Patent Citations (6)
| Title |
|---|
| 不同建模方法在茶汤中多酚含量近红外检测中的应用;刘冉 等;《广州化工》;20130831;第41卷(第15期);第127-128页，第137页 * |
| 基于近红外光谱技术(NIRS)对功夫红茶茶色素含量测定;刘洪林;《食品工业科技》;20171231(第1期);第308-311页 * |
| 影响茶叶品质的主要生化指标的高光谱反演研究;陈雅君;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》;20180915(第9期);摘要，第11-49页 * |
| 红茶感官品质及成分近红外光谱快速检测模型建立;董春旺 等;《农业工程学报》;20181231;第34卷(第24期);第306-313页 * |
| 绿茶茶汤中主要品质成分近红外定量分析模型的建立;王玉霞 等;《茶叶科学》;20111231;第31卷(第4期);第355-361页 * |
| 近红外光谱结合特征变量筛选方法测定茶汤中的氨基酸含量;吴彦红 等;《江西农业大学学报》;20121231;第34卷(第5期);第1026-1031页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113376103A (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Esteki et al. | Use of spectroscopic methods in combination with linear discriminant analysis for authentication of food products | |
| Yang et al. | Quantitative prediction and visualization of key physical and chemical components in black tea fermentation using hyperspectral imaging | |
| Li et al. | Evaluation of black tea by using smartphone imaging coupled with micro-near-infrared spectrometer | |
| Teye et al. | Novel prediction of total fat content in cocoa beans by FT-NIR spectroscopy based on effective spectral selection multivariate regression | |
| CN104020129A (zh) | 一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法 | |
| CN104965973B (zh) | 一种苹果霉心病多因子无损检测判别模型及其建立方法 | |
| Panigrahi et al. | Rapid assessment of black tea quality using diffuse reflectance spectroscopy | |
| 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 | |
| Yuan et al. | Non-invasive measurements of ‘Yunhe’pears by vis-NIRS technology coupled with deviation fusion modeling approach | |
| CN113030001B (zh) | 一种水果糖度检测方法及系统 | |
| Jia et al. | Establishment of a rapid detection model for the sensory quality and components of Yuezhou Longjing tea using near-infrared spectroscopy | |
| CN110779875A (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 | |
| CN107064056B (zh) | 一种水果无损检测的方法及装置 | |
| Li et al. | Qualitative and quantitative analysis of the pile fermentation degree of Pu-erh tea | |
| Arslan et al. | Simultaneous quantitation of free fatty acid in rice by synergetic data fusion of colorimetric sensor arrays, NIR, and MIR spectroscopy | |
| WO2023092647A1 (zh) | 炒饭食味特性的快速定量评价方法 | |
| Xu et al. | Protected Geographical Indication Identification of a Chinese Green Tea (Anji‐White) by Near‐Infrared Spectroscopy and Chemometric Class Modeling Techniques | |
| CN108627498A (zh) | 一种多光谱数据融合的面粉掺杂定量检测方法 | |
| Li et al. | Rapid and comprehensive grade evaluation of Keemun black tea using efficient multidimensional data fusion | |
| Chen et al. | Predictive models for sensory score and physicochemical composition of Yuezhou Longjing tea using near-infrared spectroscopy and data fusion | |
| CN113376103B (zh) | 一种利用高光谱图像技术测定茶叶成分含量的方法及应用 | |
| CN117054372B (zh) | 基于nirs与cv的茶叶品质等级检测方法和系统 | |
| KR101660482B1 (ko) | 근적외선분광광도계를 이용한 홍삼 농축액의 원산지 판별방법 | |
| CN107356536B (zh) | 葡萄酒品质检测方法、服务器及光谱测量设备 | |
| CN114076745A (zh) | 一种基于云端-互联便携式近红外技术的西红花鉴别方法及其掺伪品定量预测方法 |
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 |