CN113627709A - 一种基于红外光谱检测的斑斓品质评价系统及方法 - Google Patents
一种基于红外光谱检测的斑斓品质评价系统及方法 Download PDFInfo
- Publication number
- CN113627709A CN113627709A CN202110652448.1A CN202110652448A CN113627709A CN 113627709 A CN113627709 A CN 113627709A CN 202110652448 A CN202110652448 A CN 202110652448A CN 113627709 A CN113627709 A CN 113627709A
- Authority
- CN
- China
- Prior art keywords
- gorgeous
- module
- quality
- model
- 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.)
- Pending
Links
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 79
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013441 quality evaluation Methods 0.000 claims abstract description 68
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013500 data storage Methods 0.000 claims abstract description 15
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims description 100
- 238000004566 IR spectroscopy Methods 0.000 claims description 9
- 238000002835 absorbance Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- ZFMSMUAANRJZFM-UHFFFAOYSA-N Estragole Chemical compound COC1=CC=C(CC=C)C=C1 ZFMSMUAANRJZFM-UHFFFAOYSA-N 0.000 claims description 6
- MJVAVZPDRWSRRC-UHFFFAOYSA-N Menadione Chemical compound C1=CC=C2C(=O)C(C)=CC(=O)C2=C1 MJVAVZPDRWSRRC-UHFFFAOYSA-N 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- YYGNTYWPHWGJRM-UHFFFAOYSA-N (6E,10E,14E,18E)-2,6,10,15,19,23-hexamethyltetracosa-2,6,10,14,18,22-hexaene Chemical compound CC(C)=CCCC(C)=CCCC(C)=CCCC=C(C)CCC=C(C)CCC=C(C)C YYGNTYWPHWGJRM-UHFFFAOYSA-N 0.000 claims description 3
- OYHQOLUKZRVURQ-NTGFUMLPSA-N (9Z,12Z)-9,10,12,13-tetratritiooctadeca-9,12-dienoic acid Chemical compound C(CCCCCCC\C(=C(/C\C(=C(/CCCCC)\[3H])\[3H])\[3H])\[3H])(=O)O OYHQOLUKZRVURQ-NTGFUMLPSA-N 0.000 claims description 3
- 239000001707 (E,7R,11R)-3,7,11,15-tetramethylhexadec-2-en-1-ol Substances 0.000 claims description 3
- 235000009024 Ceanothus sanguineus Nutrition 0.000 claims description 3
- 240000003553 Leptospermum scoparium Species 0.000 claims description 3
- 235000015459 Lycium barbarum Nutrition 0.000 claims description 3
- BLUHKGOSFDHHGX-UHFFFAOYSA-N Phytol Natural products CC(C)CCCC(C)CCCC(C)CCCC(C)C=CO BLUHKGOSFDHHGX-UHFFFAOYSA-N 0.000 claims description 3
- HNZBNQYXWOLKBA-UHFFFAOYSA-N Tetrahydrofarnesol Natural products CC(C)CCCC(C)CCCC(C)=CCO HNZBNQYXWOLKBA-UHFFFAOYSA-N 0.000 claims description 3
- BHEOSNUKNHRBNM-UHFFFAOYSA-N Tetramethylsqualene Natural products CC(=C)C(C)CCC(=C)C(C)CCC(C)=CCCC=C(C)CCC(C)C(=C)CCC(C)C(C)=C BHEOSNUKNHRBNM-UHFFFAOYSA-N 0.000 claims description 3
- BOTWFXYSPFMFNR-OALUTQOASA-N all-rac-phytol Natural products CC(C)CCC[C@H](C)CCC[C@H](C)CCCC(C)=CCO BOTWFXYSPFMFNR-OALUTQOASA-N 0.000 claims description 3
- 150000001413 amino acids Chemical class 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- PRAKJMSDJKAYCZ-UHFFFAOYSA-N dodecahydrosqualene Natural products CC(C)CCCC(C)CCCC(C)CCCCC(C)CCCC(C)CCCC(C)C PRAKJMSDJKAYCZ-UHFFFAOYSA-N 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000003306 harvesting Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- BOTWFXYSPFMFNR-PYDDKJGSSA-N phytol Chemical compound CC(C)CCC[C@@H](C)CCC[C@@H](C)CCC\C(C)=C\CO BOTWFXYSPFMFNR-PYDDKJGSSA-N 0.000 claims description 3
- 229940031439 squalene Drugs 0.000 claims description 3
- TUHBEKDERLKLEC-UHFFFAOYSA-N squalene Natural products CC(=CCCC(=CCCC(=CCCC=C(/C)CCC=C(/C)CC=C(C)C)C)C)C TUHBEKDERLKLEC-UHFFFAOYSA-N 0.000 claims description 3
- 235000000346 sugar Nutrition 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 235000012711 vitamin K3 Nutrition 0.000 claims description 3
- 239000011652 vitamin K3 Substances 0.000 claims description 3
- 239000012633 leachable Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000001303 quality assessment method Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 2
- 230000003595 spectral effect Effects 0.000 claims 1
- 150000008163 sugars Chemical class 0.000 claims 1
- 238000003908 quality control method Methods 0.000 abstract description 2
- 241001517197 Cattleya Species 0.000 description 1
- 241000173252 Cymbidium sinense Species 0.000 description 1
- 206010012218 Delirium Diseases 0.000 description 1
- 241000233855 Orchidaceae Species 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 235000012970 cakes Nutrition 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000012632 extractable Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010413 gardening Methods 0.000 description 1
- 235000015243 ice cream Nutrition 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于斑斓品质评价技术领域，公开了一种基于红外光谱检测的斑斓品质评价系统及方法，所述基于红外光谱检测的斑斓品质评价系统包括：红外光谱检测模块、特征提取模块、品质参数确定模块、中央控制模块、模型构建模块、模型训练模块、模型评估模块、品质评价模块、数据存储模块、更新显示模块。本发明通过品质参数确定模块确定多种预设品质参数的含量，并基于多种预设品质参数的含量对斑斓进行综合评价，提升了斑斓评价结果的准确性；通过模型构建模块利用斑斓品质评价模型对待测斑斓的品质进行评价，为客观评价斑斓品质提供参考，操作简单，评价结果客观，不受评价者的主观因素影响，为斑斓品质标准化评价和斑斓品质控制提供了新方法。
Description
技术领域
本发明属于斑斓品质评价技术领域，尤其涉及一种基于红外光谱检测的斑斓品质评价系统及方法。
背景技术
目前，斑斓叶又称斑兰叶，斑兰叶原产于印度尼西亚马鲁古群岛，种植传播到新加坡、马来西亚、斯里兰卡、印度、中国、泰国等国家。目前全世界年产鲜叶超过400万吨，其中东南亚占80％以上，市场销售产品以鲜叶、酊剂、斑兰粉等原料和中间品，以及糕点、冰淇淋、饮料等终端产品为主。海南是我国斑兰叶种植起源地和优势产区，种植区域主要有万宁、琼海、儋州、陵水、保亭、定安等地，其中万宁作为主要分布区和传统利用地区，种植面积约5000亩。目前，我国南方已有丰富的斑兰叶利用文化，多以南洋文化为载体、民间综合利用模式为主，在特色餐饮、观赏园艺、休闲旅游等行业广泛应用。但现有技术中关于斑斓品质评价的系统和/或方法仍尚未见报道。
通过上述分析，现有技术存在的问题及缺陷为：现有技术中关于斑斓品质评价的系统和/或方法仍尚未见报道。
发明内容
针对现有技术存在的问题，本发明提供了一种基于红外光谱检测的斑斓品质评价系统及方法。
本发明是这样实现的，一种基于红外光谱检测的斑斓品质评价系统，所述基于红外光谱检测的斑斓品质评价系统包括：
模型构建模块，与中央控制模块连接，用于通过模型构建程序进行斑斓品质评价模型的构建；
模型训练模块，与中央控制模块连接，用于通过模型训练程序根据获取的所述红外光谱检测数据集对所述斑斓品质评价模型进行训练；
模型评估模块，与中央控制模块连接，用于通过模型评估程序对训练后的所述斑斓品质评价模型进行评估；
品质评价模块，与中央控制模块连接，用于通过品质评价程序根据评估后的所述斑斓品质评价模型对所述待测斑斓的品质进行评价；
所述斑斓品质评价模型，包括热量指数模型、湿度指数模型和综合气候品质指数模型；
其中，所述热量指数模型为：
其中，t为斑斓萌发日至采收日斑斓所处区域的平均气温实测值，单位℃；tl为茶树正常生长的下限气温，单位℃；th为斑斓正常生长的上限气温，单位℃；t0为斑斓正常生长的最适宜气温，单位℃；模型参数c＝(th-t0)×(t0-tl)；
所述湿度指数模型为：
其中，RH为斑斓萌发日至采收日斑斓所处区域的相对湿度实测值，RH0为斑斓最适生长的相对湿度下限值，模型参数d；
所述综合气候品质指数模型为：
A＝a×TI+b×RHI。
进一步，所述基于红外光谱检测的斑斓品质评价系统还包括：
红外光谱检测模块，与中央控制模块连接，用于通过红外光谱仪对待测斑斓进行红外光谱检测，并获取红外光谱检测数据集；
特征提取模块，与中央控制模块连接，用于通过特征提取程序对获取的红外光谱检测数据进行特征提取，获得待测斑斓的特征光谱；
品质参数确定模块，与中央控制模块连接，用于通过品质参数确定程序根据待测斑斓的特征光谱，确定所述待测斑斓的多种预设品质参数的含量；
中央控制模块，与红外光谱检测模块、特征提取模块、品质参数确定模块、模型构建模块、模型训练模块、模型评估模块、品质评价模块、数据存储模块、更新显示模块连接，用于通过中央处理器协调控制所述基于红外光谱检测的斑斓品质评价系统各个模块的正常运行；
数据存储模块，与中央控制模块连接，用于通过数据存储装置存储获取的红外光谱检测数据、待测斑斓的特征光谱、待测斑斓的多种预设品质参数的含量、斑斓品质评价模型、模型训练结果、模型评估结果以及品质评价信息；
更新显示模块，与中央控制模块连接，用于通过显示器对获取的红外光谱检测数据、待测斑斓的特征光谱、待测斑斓的多种预设品质参数的含量、斑斓品质评价模型、模型训练结果、模型评估结果以及品质评价信息的实时数据进行更新显示。
进一步，特征提取模块中，所述通过特征提取程序对获取的红外光谱检测数据进行特征提取，获得待测斑斓的特征光谱，包括：
(1)获取红外光谱检测数据；
(2)将所述红外光谱检测数据导入Unscrambler9.7中，利用移动平均线和多项式卷积平滑法对所述红外光谱数据进行消噪预处理；
(3)将消噪预处理后的所述红外光谱检测数据进行偏最小二乘法分析，根据分析结果进行特征提取，获得待测斑斓的特征光谱。
所述红外光谱检测数据预处理，还包括多元散射校正，标准正态变量变换，矢量归一化和微分预处理，并获得校正光谱数据；
所述多元散射校正包括：
将红外平均光谱作为红外标准光谱用和待处理红外光谱进行一元线性回归，得到系数；使用系数进行反运算对每个红外光谱检测数据的多元散射校正；
所述矢量归一化处理包括：
其中，Xij表示第i个样本在波数j下的吸光度；
表示第i个样本的吸光度平均值；m表示波数点的个数；
表示矢量归一化之后的第i个样本在波数j下的吸光度。
进一步，所述预设品质参数，包括可浸出物、可溶性糖、维生素K3、游离氨基酸、亚油酸、角鲨烯、叶绿醇、草蒿脑中的至少两种。
进一步，品质参数确定模块中，所述通过品质参数确定程序根据待测斑斓的特征光谱，确定所述待测斑斓的多种预设品质参数的含量，包括：
(1)根据标准光谱数据库和所述待测斑斓时空信息，确定目标特征光谱；
(2)根据所述目标特征光谱对所述待测斑斓的特征光谱进行校正，得到校正后的特征光谱；
(3)根据含量预测模型和所述校正后的特征光谱，确定所述待测斑斓的多种预设品质参数的含量。
进一步，所述标准光谱数据库包括多个样本斑斓的时空信息和特征光谱，任一个所述样本斑斓的时空信息和特征光谱存在对应关系，所述目标特征光谱为所述标准光谱数据库的多个特征光谱中的一个。
进一步，所述根据标准光谱数据库和所述待测斑斓时空信息，确定目标特征光谱，包括：
1)在标准光谱数据库中查找所述待测斑斓的时空信息；
2)若查找到所述待测斑斓的时空信息，则确定所述标准光谱数据库的多个特征光谱中与所述待测斑斓的时空信息对应的一个为目标特征光谱；
3)若未查找到所述待测斑斓的时空信息，则确定所述标准光谱数据库的多个特征光谱的中位数或者平均数为目标特征光谱。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用所述基于红外光谱检测的斑斓品质评价系统。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用所述基于红外光谱检测的斑斓品质评价系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的基于红外光谱检测的斑斓品质评价系统，通过品质参数确定模块确定多种预设品质参数的含量，并基于多种预设品质参数的含量对斑斓进行综合评价，从而提升了斑斓评价结果的准确性；通过模型构建模块利用斑斓品质评价模型对待测斑斓的品质进行评价，为客观评价斑斓品质提供参考，评价结果客观，不受评价者的主观因素影响，为斑斓的品质认证提供依据；利用红外光谱检测对斑斓品质进行评价，操作简单，为斑斓品质标准化评价和斑斓品质控制提供了新方法。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅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是本发明实施例提供的基于红外光谱检测的斑斓品质评价系统结构框图；
图中：1、红外光谱检测模块；2、特征提取模块；3、品质参数确定模块；4、中央控制模块；5、模型构建模块；6、模型训练模块；7、模型评估模块；8、品质评价模块；9、数据存储模块；10、更新显示模块。
图2是本发明实施例提供的基于红外光谱检测的斑斓品质评价方法流程图。
图3是本发明实施例提供的通过特征提取模块利用特征提取程序对获取的红外光谱检测数据进行特征提取，获得待测斑斓特征光谱的方法流程图。
图4是本发明实施例提供的通过品质参数确定模块利用品质参数确定程序根据待测斑斓的特征光谱，确定所述待测斑斓的多种预设品质参数含量的方法流程图。
图5是本发明实施例提供的根据标准光谱数据库和所述待测斑斓时空信息，确定目标特征光谱的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于红外光谱检测的斑斓品质评价系统及方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的基于红外光谱检测的斑斓品质评价系统包括：红外光谱检测模块1、特征提取模块2、品质参数确定模块3、中央控制模块4、模型构建模块5、模型训练模块6、模型评估模块7、品质评价模块8、数据存储模块9、更新显示模块10。
红外光谱检测模块1，与中央控制模块4连接，用于通过红外光谱仪对待测斑斓进行红外光谱检测，并获取红外光谱检测数据集；
特征提取模块2，与中央控制模块4连接，用于通过特征提取程序对获取的红外光谱检测数据进行特征提取，获得待测斑斓的特征光谱；
品质参数确定模块3，与中央控制模块4连接，用于通过品质参数确定程序根据待测斑斓的特征光谱，确定所述待测斑斓的多种预设品质参数的含量；
中央控制模块4，与红外光谱检测模块1、特征提取模块2、品质参数确定模块3、模型构建模块5、模型训练模块6、模型评估模块7、品质评价模块8、数据存储模块9、更新显示模块10连接，用于通过中央处理器协调控制所述基于红外光谱检测的斑斓品质评价系统各个模块的正常运行；
模型构建模块5，与中央控制模块4连接，用于通过模型构建程序进行斑斓品质评价模型的构建；
模型训练模块6，与中央控制模块4连接，用于通过模型训练程序根据获取的所述红外光谱检测数据集对所述斑斓品质评价模型进行训练；
模型评估模块7，与中央控制模块4连接，用于通过模型评估程序对训练后的所述斑斓品质评价模型进行评估；
品质评价模块8，与中央控制模块4连接，用于通过品质评价程序根据评估后的所述斑斓品质评价模型对所述待测斑斓的品质进行评价；
数据存储模块9，与中央控制模块4连接，用于通过数据存储装置存储获取的红外光谱检测数据、待测斑斓的特征光谱、待测斑斓的多种预设品质参数的含量、斑斓品质评价模型、模型训练结果、模型评估结果以及品质评价信息；
更新显示模块10，与中央控制模块4连接，用于通过显示器对获取的红外光谱检测数据、待测斑斓的特征光谱、待测斑斓的多种预设品质参数的含量、斑斓品质评价模型、模型训练结果、模型评估结果以及品质评价信息的实时数据进行更新显示。
如图2所示，本发明实施例提供的基于红外光谱检测的斑斓品质评价方法包括以下步骤：
S101，通过红外光谱检测模块利用红外光谱仪对待测斑斓进行红外光谱检测，并获取红外光谱检测数据集；
S102，通过特征提取模块利用特征提取程序对获取的红外光谱检测数据进行特征提取，获得待测斑斓的特征光谱；
S103，通过品质参数确定模块利用品质参数确定程序根据待测斑斓的特征光谱，确定所述待测斑斓的多种预设品质参数的含量；
S104，通过中央控制模块利用中央处理器协调控制所述基于红外光谱检测的斑斓品质评价系统各个模块的正常运行；
S105，通过模型构建模块利用模型构建程序进行斑斓品质评价模型的构建；通过模型训练模块利用模型训练程序根据获取的所述红外光谱检测数据集对所述斑斓品质评价模型进行训练；
S106，通过模型评估模块利用模型评估程序对训练后的所述斑斓品质评价模型进行评估；通过品质评价模块利用品质评价程序根据评估后的所述斑斓品质评价模型对所述待测斑斓的品质进行评价；
S107，通过数据存储模块利用数据存储装置存储获取的红外光谱检测数据、待测斑斓的特征光谱、待测斑斓的多种预设品质参数的含量、斑斓品质评价模型、模型训练结果、模型评估结果以及品质评价信息；
S108，通过更新显示模块利用显示器对获取的红外光谱检测数据、待测斑斓的特征光谱、待测斑斓的多种预设品质参数的含量、斑斓品质评价模型、模型训练结果、模型评估结果以及品质评价信息的实时数据进行更新显示。
如图3所示，本发明实施例提供的步骤S102中，所述通过特征提取模块利用特征提取程序对获取的红外光谱检测数据进行特征提取，获得待测斑斓的特征光谱，包括：
S201，获取红外光谱检测数据；
S202，将所述红外光谱检测数据导入Unscrambler9.7中，利用移动平均线和多项式卷积平滑法对所述红外光谱数据进行消噪预处理；
S203，将消噪预处理后的所述红外光谱检测数据进行偏最小二乘法分析，根据分析结果进行特征提取，获得待测斑斓的特征光谱。
本发明实施例提供的红外光谱检测数据预处理，还包括多元散射校正，标准正态变量变换，矢量归一化和微分预处理，并获得校正光谱数据。
本发明实施例提供的多元散射校正包括：
将红外平均光谱作为红外标准光谱用和待处理红外光谱进行一元线性回归，得到系数；使用系数进行反运算对每个红外光谱检测数据的多元散射校正；
本发明实施例提供的矢量归一化处理包括：
其中，Xij表示第i个样本在波数j下的吸光度；
表示第i个样本的吸光度平均值；m表示波数点的个数；
表示矢量归一化之后的第i个样本在波数j下的吸光度。
本发明实施例提供的步骤S103中，所述预设品质参数，包括可浸出物、可溶性糖、维生素K3、游离氨基酸、亚油酸、角鲨烯、叶绿醇、草蒿脑中的至少两种。
如图4所示，本发明实施例提供的步骤S103中，所述通过品质参数确定模块利用品质参数确定程序根据待测斑斓的特征光谱，确定所述待测斑斓的多种预设品质参数的含量，包括：
S301，根据标准光谱数据库和所述待测斑斓时空信息，确定目标特征光谱；
S302，根据所述目标特征光谱对所述待测斑斓的特征光谱进行校正，得到校正后的特征光谱；
S303，根据含量预测模型和所述校正后的特征光谱，确定所述待测斑斓的多种预设品质参数的含量。
本发明实施例提供的标准光谱数据库包括多个样本斑斓的时空信息和特征光谱，任一个所述样本斑斓的时空信息和特征光谱存在对应关系，所述目标特征光谱为所述标准光谱数据库的多个特征光谱中的一个。
如图5所示，本发明实施例提供的根据标准光谱数据库和所述待测斑斓时空信息，确定目标特征光谱，包括：
S401，在标准光谱数据库中查找所述待测斑斓的时空信息；
S402，若查找到所述待测斑斓的时空信息，则确定所述标准光谱数据库的多个特征光谱中与所述待测斑斓的时空信息对应的一个为目标特征光谱；
S403，若未查找到所述待测斑斓的时空信息，则确定所述标准光谱数据库的多个特征光谱的中位数或者平均数为目标特征光谱。
本发明实施例提供的步骤S105中，所述斑斓品质评价模型，包括热量指数模型、湿度指数模型和综合气候品质指数模型；
其中，所述热量指数模型为：
其中，t为斑斓萌发日至采收日斑斓所处区域的平均气温实测值，单位℃；tl为茶树正常生长的下限气温，单位℃；th为斑斓正常生长的上限气温，单位℃；t0为斑斓正常生长的最适宜气温，单位℃；模型参数c＝(th-t0)×(t0-tl)；
所述湿度指数模型为：
其中，RH为斑斓萌发日至采收日斑斓所处区域的相对湿度实测值，RH0为斑斓最适生长的相对湿度下限值，模型参数d；
所述综合气候品质指数模型为：
A＝a×TI+b×RHI。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于红外光谱检测的斑斓品质评价系统，其特征在于，所述基于红外光谱检测的斑斓品质评价系统包括：
模型构建模块，与中央控制模块连接，用于通过模型构建程序进行斑斓品质评价模型的构建；
模型训练模块，与中央控制模块连接，用于通过模型训练程序根据获取的所述红外光谱检测数据集对所述斑斓品质评价模型进行训练；
模型评估模块，与中央控制模块连接，用于通过模型评估程序对训练后的所述斑斓品质评价模型进行评估；
品质评价模块，与中央控制模块连接，用于通过品质评价程序根据评估后的所述斑斓品质评价模型对所述待测斑斓的品质进行评价；
所述斑斓品质评价模型，包括热量指数模型、湿度指数模型和综合气候品质指数模型；
其中，所述热量指数模型为：
其中，t为斑斓萌发日至采收日斑斓所处区域的平均气温实测值，单位℃；tl为茶树正常生长的下限气温，单位℃；th为斑斓正常生长的上限气温，单位℃；t0为斑斓正常生长的最适宜气温，单位℃；模型参数c＝(th-t0)×(t0-tl)；
所述湿度指数模型为：
其中，RH为斑斓萌发日至采收日斑斓所处区域的相对湿度实测值，RH0为斑斓最适生长的相对湿度下限值，模型参数d；
所述综合气候品质指数模型为：
A＝a×TI+b×RHI。
2.如权利要求1所述基于红外光谱检测的斑斓品质评价系统，其特征在于，所述基于红外光谱检测的斑斓品质评价系统还包括：
红外光谱检测模块，与中央控制模块连接，用于通过红外光谱仪对待测斑斓进行红外光谱检测，并获取红外光谱检测数据集；
特征提取模块，与中央控制模块连接，用于通过特征提取程序对获取的红外光谱检测数据进行特征提取，获得待测斑斓的特征光谱；
品质参数确定模块，与中央控制模块连接，用于通过品质参数确定程序根据待测斑斓的特征光谱，确定所述待测斑斓的多种预设品质参数的含量；
中央控制模块，与红外光谱检测模块、特征提取模块、品质参数确定模块、模型构建模块、模型训练模块、模型评估模块、品质评价模块、数据存储模块、更新显示模块连接，用于通过中央处理器协调控制所述基于红外光谱检测的斑斓品质评价系统各个模块的正常运行；
数据存储模块，与中央控制模块连接，用于通过数据存储装置存储获取的红外光谱检测数据、待测斑斓的特征光谱、待测斑斓的多种预设品质参数的含量、斑斓品质评价模型、模型训练结果、模型评估结果以及品质评价信息；
更新显示模块，与中央控制模块连接，用于通过显示器对获取的红外光谱检测数据、待测斑斓的特征光谱、待测斑斓的多种预设品质参数的含量、斑斓品质评价模型、模型训练结果、模型评估结果以及品质评价信息的实时数据进行更新显示。
3.如权利要求1所述基于红外光谱检测的斑斓品质评价系统，其特征在于，特征提取模块中，所述通过特征提取程序对获取的红外光谱检测数据进行特征提取，获得待测斑斓的特征光谱，包括：
(1)获取红外光谱检测数据；
(2)将所述红外光谱检测数据导入Unscrambler9.7中，利用移动平均线和多项式卷积平滑法对所述红外光谱数据进行消噪预处理；
(3)将消噪预处理后的所述红外光谱检测数据进行偏最小二乘法分析，根据分析结果进行特征提取，获得待测斑斓的特征光谱。
4.如权利要求3所述基于红外光谱检测的斑斓品质评价系统，其特征在于，所述红外光谱检测数据预处理，还包括多元散射校正，标准正态变量变换，矢量归一化和微分预处理，并获得校正光谱数据；
所述多元散射校正包括：
将红外平均光谱作为红外标准光谱用和待处理红外光谱进行一元线性回归，得到系数；使用系数进行反运算对每个红外光谱检测数据的多元散射校正；
所述矢量归一化处理包括：
其中，Xij表示第i个样本在波数j下的吸光度；
表示第i个样本的吸光度平均值；m表示波数点的个数；
表示矢量归一化之后的第i个样本在波数j下的吸光度。
5.如权利要求2所述基于红外光谱检测的斑斓品质评价系统，其特征在于，所述预设品质参数，包括可浸出物、可溶性糖、维生素K3、游离氨基酸、亚油酸、角鲨烯、叶绿醇、草蒿脑中的至少两种。
6.如权利要求2所述基于红外光谱检测的斑斓品质评价系统，其特征在于，品质参数确定模块中，所述通过品质参数确定程序根据待测斑斓的特征光谱，确定所述待测斑斓的多种预设品质参数的含量，包括：
(1)根据标准光谱数据库和所述待测斑斓时空信息，确定目标特征光谱；
(2)根据所述目标特征光谱对所述待测斑斓的特征光谱进行校正，得到校正后的特征光谱；
(3)根据含量预测模型和所述校正后的特征光谱，确定所述待测斑斓的多种预设品质参数的含量。
7.如权利要求6所述基于红外光谱检测的斑斓品质评价系统，其特征在于，所述标准光谱数据库包括多个样本斑斓的时空信息和特征光谱，任一个所述样本斑斓的时空信息和特征光谱存在对应关系，所述目标特征光谱为所述标准光谱数据库的多个特征光谱中的一个。
8.如权利要求6所述基于红外光谱检测的斑斓品质评价系统，其特征在于，所述根据标准光谱数据库和所述待测斑斓时空信息，确定目标特征光谱，包括：
1)在标准光谱数据库中查找所述待测斑斓的时空信息；
2)若查找到所述待测斑斓的时空信息，则确定所述标准光谱数据库的多个特征光谱中与所述待测斑斓的时空信息对应的一个为目标特征光谱；
3)若未查找到所述待测斑斓的时空信息，则确定所述标准光谱数据库的多个特征光谱的中位数或者平均数为目标特征光谱。
9.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用如权利要求1～8任意一项所述基于红外光谱检测的斑斓品质评价系统。
10.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用如权利要求1～8任意一项所述基于红外光谱检测的斑斓品质评价系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110652448.1A CN113627709A (zh) | 2021-06-11 | 2021-06-11 | 一种基于红外光谱检测的斑斓品质评价系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110652448.1A CN113627709A (zh) | 2021-06-11 | 2021-06-11 | 一种基于红外光谱检测的斑斓品质评价系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113627709A true CN113627709A (zh) | 2021-11-09 |
Family
ID=78378080
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110652448.1A Pending CN113627709A (zh) | 2021-06-11 | 2021-06-11 | 一种基于红外光谱检测的斑斓品质评价系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113627709A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117074346A (zh) * | 2023-08-17 | 2023-11-17 | 河北敦诚新能源科技有限公司 | 基于红外光谱的材料成分确定方法、设备及存储介质 |
| CN118067652A (zh) * | 2024-04-18 | 2024-05-24 | 上海大学温州研究院 | 基于大数据的胶体金测试方法及胶体金检测仪 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960633A (zh) * | 2018-07-06 | 2018-12-07 | 云南省气候中心 | 大叶种晒青毛茶气候品质评价方法、评价模型和品质评价等级 |
| CN111896495A (zh) * | 2020-08-05 | 2020-11-06 | 安徽大学 | 基于深度学习与近红外光谱太平猴魁产地甄别方法及系统 |
| CN112098357A (zh) * | 2020-08-21 | 2020-12-18 | 南京农业大学 | 一种基于近红外光谱的草莓感官品质等级评价方法 |
| CN112595676A (zh) * | 2020-11-11 | 2021-04-02 | 农芯科技(广州)有限责任公司 | 茶叶品质评价方法及茶叶品质评价装置 |
-
2021
- 2021-06-11 CN CN202110652448.1A patent/CN113627709A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960633A (zh) * | 2018-07-06 | 2018-12-07 | 云南省气候中心 | 大叶种晒青毛茶气候品质评价方法、评价模型和品质评价等级 |
| CN111896495A (zh) * | 2020-08-05 | 2020-11-06 | 安徽大学 | 基于深度学习与近红外光谱太平猴魁产地甄别方法及系统 |
| CN112098357A (zh) * | 2020-08-21 | 2020-12-18 | 南京农业大学 | 一种基于近红外光谱的草莓感官品质等级评价方法 |
| CN112595676A (zh) * | 2020-11-11 | 2021-04-02 | 农芯科技(广州)有限责任公司 | 茶叶品质评价方法及茶叶品质评价装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117074346A (zh) * | 2023-08-17 | 2023-11-17 | 河北敦诚新能源科技有限公司 | 基于红外光谱的材料成分确定方法、设备及存储介质 |
| CN117074346B (zh) * | 2023-08-17 | 2024-03-29 | 河北敦诚新能源科技有限公司 | 基于红外光谱的材料成分确定方法、设备及存储介质 |
| CN118067652A (zh) * | 2024-04-18 | 2024-05-24 | 上海大学温州研究院 | 基于大数据的胶体金测试方法及胶体金检测仪 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109187441B (zh) | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 | |
| Huang et al. | Rapid and nondestructive prediction of amylose and amylopectin contents in sorghum based on hyperspectral imaging | |
| CN108875913B (zh) | 一种基于卷积神经网络的松茸快速无损检测系统及方法 | |
| CN113627709A (zh) | 一种基于红外光谱检测的斑斓品质评价系统及方法 | |
| CN107219827A (zh) | 稻米食品全产业链信息系统、建立方法及应用 | |
| CN102788752A (zh) | 基于光谱技术的农作物内部信息无损检测装置及方法 | |
| CN109754127A (zh) | 基于无人机成像高光谱的水稻籽粒直链淀粉含量估测方法 | |
| CN103278503B (zh) | 一种基于多传感器技术的葡萄水分胁迫诊断方法及系统 | |
| CN115018105A (zh) | 一种冬小麦气象产量预测方法及系统 | |
| CN115495703B (zh) | 一种基于机载多光谱数据的烟草成熟度检测方法及系统 | |
| Lu et al. | Fluorescence hyperspectral image technique coupled with HSI method to predict solanine content of potatoes | |
| CN110987865A (zh) | 一种基于近红外光谱检测无花果品质的方法 | |
| Hall et al. | Object-based analysis of grapevine canopy relationships with winegrape composition and yield in two contrasting vineyards using multitemporal high spatial resolution optical remote sensing | |
| 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 | |
| CN112541659A (zh) | 一种基于大数据的农业种植农产品品质信息采集共享系统 | |
| Barbin et al. | Influence of plant densities and fertilization on maize grains by near-infrared spectroscopy | |
| CN105806803B (zh) | 一种多指标协同分析波长组合及其选择方法 | |
| CN111426645A (zh) | 一种快速测定植株不同器官氮含量的方法 | |
| Yuan et al. | Geographical origin identification of chinese tomatoes using long-wave Fourier-Transform Near-Infrared Spectroscopy combined with deep learning methods | |
| Longobardi et al. | Characterization of the geographical and varietal origin of wheat and bread by means of nuclear magnetic resonance (NMR), isotope ratio mass spectrometry (IRMS) methods and chemometrics: a review | |
| Jha et al. | Authentication of mango varieties using near-infrared spectroscopy | |
| CN114970675A (zh) | 基于特征选择的人工鼻冰箱食物新鲜度检测系统和方法 | |
| CN110163459A (zh) | 一种构建多指标评价模型对小麦品质分级的方法 | |
| Wu et al. | Characterization of Pepper Ripeness in the Field Using Hyperspectral Imaging (HSI) with Back Propagation (BP) Neural Network and Kernel Based Extreme Learning Machine (KELM) Models | |
| Ren et al. | Intelligent Evaluation of the Appearance Modality of Black Tea Based on Machine Vision and Hyperspectral Imaging |
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 |