CN114577791A - 一种茶叶质量等级的检测方法 - Google Patents
一种茶叶质量等级的检测方法 Download PDFInfo
- Publication number
- CN114577791A CN114577791A CN202210301466.XA CN202210301466A CN114577791A CN 114577791 A CN114577791 A CN 114577791A CN 202210301466 A CN202210301466 A CN 202210301466A CN 114577791 A CN114577791 A CN 114577791A
- Authority
- CN
- China
- Prior art keywords
- tea
- sensor array
- sample
- gas sensor
- quality grade
- 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
- 241001122767 Theaceae Species 0.000 title claims abstract description 134
- 238000001514 detection method Methods 0.000 title claims abstract description 77
- 239000002245 particle Substances 0.000 claims abstract description 48
- 150000004032 porphyrins Chemical class 0.000 claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 19
- 230000035484 reaction time Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000007689 inspection Methods 0.000 claims abstract description 4
- 230000007246 mechanism Effects 0.000 claims abstract description 3
- 235000013616 tea Nutrition 0.000 claims description 129
- 238000000034 method Methods 0.000 claims description 29
- 235000014347 soups Nutrition 0.000 claims description 26
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 239000010453 quartz Substances 0.000 claims description 14
- 239000003755 preservative agent Substances 0.000 claims description 12
- 230000002335 preservative effect Effects 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 11
- YMWUJEATGCHHMB-UHFFFAOYSA-N Dichloromethane Chemical compound ClCCl YMWUJEATGCHHMB-UHFFFAOYSA-N 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 241001411320 Eriogonum inflatum Species 0.000 claims description 6
- 239000002390 adhesive tape Substances 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 6
- 238000007789 sealing Methods 0.000 claims description 6
- 239000000741 silica gel Substances 0.000 claims description 6
- 229910002027 silica gel Inorganic materials 0.000 claims description 6
- 238000005303 weighing Methods 0.000 claims description 6
- 238000002791 soaking Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 235000020341 brewed tea Nutrition 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 241000894007 species Species 0.000 claims description 3
- 238000009210 therapy by ultrasound Methods 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 2
- 230000001788 irregular Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 6
- 210000004709 eyebrow Anatomy 0.000 description 6
- 239000000126 substance Substances 0.000 description 5
- 230000001953 sensory effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- PJOJZHHAECOAFH-UHFFFAOYSA-N 5,10,15,20-tetrakis(4-methoxyphenyl)-21,23-dihydroporphyrin Chemical compound COc1ccc(cc1)-c1c2ccc(n2)c(-c2ccc(OC)cc2)c2ccc([nH]2)c(-c2ccc(OC)cc2)c2ccc(n2)c(-c2ccc(OC)cc2)c2ccc1[nH]2 PJOJZHHAECOAFH-UHFFFAOYSA-N 0.000 description 2
- RBTARNINKXHZNM-UHFFFAOYSA-K iron trichloride Chemical compound Cl[Fe](Cl)Cl RBTARNINKXHZNM-UHFFFAOYSA-K 0.000 description 2
- 229910021578 Iron(III) chloride Inorganic materials 0.000 description 1
- MQZODLGYIHXVHW-UHFFFAOYSA-N [Co].CCc1c(CC)c2cc3[nH]c(cc4nc(cc5[nH]c(cc1n2)c(CC)c5CC)c(CC)c4CC)c(CC)c3CC Chemical compound [Co].CCc1c(CC)c2cc3[nH]c(cc4nc(cc5[nH]c(cc1n2)c(CC)c5CC)c(CC)c4CC)c(CC)c3CC MQZODLGYIHXVHW-UHFFFAOYSA-N 0.000 description 1
- YCLGKGKABVZDJQ-UHFFFAOYSA-N [Cu].C(C)C1=C(C=2C=C3C(=C(C(=CC=4C(=C(C(=CC5=C(C(=C(N5)C=C1N2)CC)CC)N4)CC)CC)N3)CC)CC)CC Chemical compound [Cu].C(C)C1=C(C=2C=C3C(=C(C(=CC=4C(=C(C(=CC5=C(C(=C(N5)C=C1N2)CC)CC)N4)CC)CC)N3)CC)CC)CC YCLGKGKABVZDJQ-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- XLJKHNWPARRRJB-UHFFFAOYSA-N cobalt(2+) Chemical compound [Co+2] XLJKHNWPARRRJB-UHFFFAOYSA-N 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- XNZMEPRHGYNNDA-UHFFFAOYSA-K manganese(3+) 5,10,15,20-tetraphenyl-21,23-dihydroporphyrin trichloride Chemical compound [Cl-].[Cl-].[Cl-].[Mn+3].c1cc2nc1c(-c1ccccc1)c1ccc([nH]1)c(-c1ccccc1)c1ccc(n1)c(-c1ccccc1)c1ccc([nH]1)c2-c1ccccc1 XNZMEPRHGYNNDA-UHFFFAOYSA-K 0.000 description 1
- HCIIFBHDBOCSAF-UHFFFAOYSA-N octaethylporphyrin Chemical compound N1C(C=C2C(=C(CC)C(C=C3C(=C(CC)C(=C4)N3)CC)=N2)CC)=C(CC)C(CC)=C1C=C1C(CC)=C(CC)C4=N1 HCIIFBHDBOCSAF-UHFFFAOYSA-N 0.000 description 1
- MUJIDPITZJWBSW-UHFFFAOYSA-N palladium(2+) Chemical compound [Pd+2] MUJIDPITZJWBSW-UHFFFAOYSA-N 0.000 description 1
- RKCAIXNGYQCCAL-UHFFFAOYSA-N porphin Chemical compound N1C(C=C2N=C(C=C3NC(=C4)C=C3)C=C2)=CC=C1C=C1C=CC4=N1 RKCAIXNGYQCCAL-UHFFFAOYSA-N 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- YNHJECZULSZAQK-UHFFFAOYSA-N tetraphenylporphyrin Chemical compound C1=CC(C(=C2C=CC(N2)=C(C=2C=CC=CC=2)C=2C=CC(N=2)=C(C=2C=CC=CC=2)C2=CC=C3N2)C=2C=CC=CC=2)=NC1=C3C1=CC=CC=C1 YNHJECZULSZAQK-UHFFFAOYSA-N 0.000 description 1
- -1 tetraphenylporphyrin copper Chemical compound 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
- G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
- G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
- G01N21/78—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a change of colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Plasma & Fusion (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Investigating Or Analysing Materials By The Use Of Chemical Reactions (AREA)
Abstract
本发明公开了一种茶叶质量等级的检测方法，首先筛选出对茶叶挥发性气体敏感的卟啉指示剂，制作气敏传感器阵列，并确定最佳反应时间，然后以支持向量机构建茶叶质量等级检测模型，以标准茶叶样品与气敏传感器阵列反应后得到的样本数据训练模型，以多优粒子群算法优化模型参数，建立优化的茶叶质量等级检测模型，最后通过待测茶叶样品与气敏传感器阵列反应获得检验样本，输入到检测模型得到检测结果，检测准确率达95％。本发明操作简便，成本低廉，检测速度快，检测结果客观准确，能较好地满足不定期抽检等日常应用的需求。
Description
技术领域
本发明涉及一种茶叶质量等级的检测方法，属于食品检测的技术领域。
背景技术
我国茶叶品种丰富，种类繁多。由于原料选用和制作工艺水平的不同，成品茶叶的品质存在很大差异，价格也存在很大差异。目前茶叶质量检测以及等级划分的界限比较模糊，缺乏标准化的茶叶质量等级分类指标，给了不良商家可乘之机，他们常常以次充好，欺骗消费者，不仅损害了消费者的利益，还严重扰乱了消费市场的秩序，对我国的茶叶生产和销售都造成了极为不利的影响。
目前与茶叶质量相关的检测方法还是以传统的检测方法为主，即感官评定法和理化指标法。感官评定法需要对评审人员进行专门培训，成本代价高且评审结果容易受到主观因素和外在环境条件的影响，方法的稳定性较差。理化指标法则主要依据GB/T8312，GB/T8313和GB/T23193等标准，通过一系列复杂的化学实验对茶叶进行成分检测和分类。理化指标法依赖于化学试剂且需要耗费大量的实验材料，虽然检测精度较高，但检测过程中操作复杂，花费成本高，检测速度慢。因此在实际应用中，理化指标法也只是作为感官评定法的辅助手段，不具备通用性。
发明内容
本发明针对以上问题，提供一种基于卟啉指示剂的茶叶质量等级检测方法，该方法操作简便，成本低廉，检测速度快，检测结果客观准确，能较好地满足不定期抽检等日常应用的需求。本发明的技术方案利用对影响茶叶质量等级的挥发性气体敏感的卟啉指示剂来实现茶叶质量等级的检测，主要包括如下步骤：
步骤1：将各种卟啉指示剂与茶叶标准样品的挥发性气体反应，分析反应前后卟啉指示剂颜色变化情况，筛选出9-15种卟啉指示剂制成气敏传感器阵列，并确定最佳反应时间。
步骤1的具体过程为：
步骤1.1：将多种卟啉指示剂各取8mg，分别溶于1ml二氯甲烷，超声处理半小时，用点样毛细管将其晕染在反相硅胶板上，根据其晕染情况进行初筛，晕染效果较好的卟啉指示剂保留，制成初筛气敏传感器阵列，进行下一步筛选；
步骤1.2：将茶叶标准样品用100℃水泡制5分钟，将泡制好后的茶汤产生的挥发性气体与初筛气敏传感器阵列反应，分析各卟啉指示剂与茶叶标准样品产生的挥发性气体反应前后的颜色变化情况，筛选出9-15种颜色变化最明显的卟啉指示剂作为制作气敏传感器阵列的材料；
步骤1.3：将步骤1.2筛选出的卟啉指示剂，在反相硅胶板上晕染成3×3、5×3或其他与卟啉指示剂数量相匹配的气敏传感器阵列；
步骤1.4：将气敏传感器阵列与茶叶标准样品制成的茶汤进行反应，每隔5min采集一次图像，共30分钟，得到6张差值特征图像，图像颜色渐变并趋于稳定，将得到颜色相对稳定的特征图像所需的反应时间确定为最佳反应时间。
步骤2：气敏传感器阵列与不同质量等级的茶叶标准样品的挥发性气体反应，用扫描仪采集反应前后气敏传感器阵列的图像，用计算机对反应前后的图像进行作差，并对差值图像进行R、G、B颜色分量提取，获得茶叶质量等级检测模型的训练样本。
步骤2的具体过程为：
步骤2.1：对不同质量等级的茶叶标准样品，每个等级称取15-25个样品，每个样品3g，称取的茶叶标准样品总数计为S个；
步骤2.2：按步骤1.3制作气敏传感器阵列，并用扫描仪采集反应前的气敏传感器阵列的图像；
步骤2.3：将称取好的1个茶叶标准样品倒入250ml的锥形瓶中，将烧开的沸水取150ml倒入锥形瓶中，塞好瓶塞，将茶叶泡制5分钟，用移液枪吸取茶汤少许，移入石英皿中，将制备的气敏传感器阵列用胶带固定在保鲜膜上，用保鲜膜把石英皿密封好，保证气敏传感器阵列正面朝向茶汤，且不与茶汤接触，置于室温环境下反应至最佳反应时间；
步骤2.4：取出气敏传感器阵列，用扫描仪采集反应后气敏传感器阵列的图像，用计算机对反应前后的图像进行作差，得到差值图像；
步骤2.5：对差值图像进行R、G、B颜色分量提取，然后按照从左到右，从上到下，从R到G到B的顺序，转化成差值向量，差值向量的维数X等于3倍的卟啉指示剂种类数；
步骤2.6：依次重复步骤2.2、步骤2.3、步骤2.4、步骤2.5处理步骤2.1称取的S个茶叶标准样品，最终获得S个差值向量，这S个差值向量即茶叶质量等级检测模型的S个训练样本。
步骤3：基于训练样本，以支持向量机构建茶叶质量等级检测模型，以多优粒子群算法优化茶叶质量等级检测模型。
步骤3的具体过程为：
步骤3.1：构建输入个数为X，输出个数为1的支持向量机模型，作为初始的茶叶质量等级检测模型；
步骤3.2：训练样本按照4:1的比例分为学习样本和校验样本，学习样本和校验样本都包含茶叶样品的所有等级；
步骤3.3：多优粒子群算法的粒子数量设置为30-200，候选全局最优粒子数量设置为3，每1个粒子的坐标代表1个支持向量机模型的惩罚参数c和核函数参数g，用Xid表示，其中i表示粒子的序号，d＝1,2，表示粒子坐标的维度；
以学习样本构造每1个粒子所代表的支持向量机的分类超平面，以校验样本计算相应的分类准确率，并作为这个粒子的适应度值，适应度值最高的3个粒子作为候选全局最优粒子，它们的坐标分别用
表示，每1个粒子的历史最优适应度值所对应的坐标用Pid表示；
在迭代优化过程中，粒子的坐标更新公式如下：
其中，上标符号(k)和(k+1)表示迭代优化的次数，Vid表示粒子运动的速度，c1和c2表示加速度因子，设置为1-3，r1和r2表示两个随机数，在0-1范围内随机取值；
经过50-200次的迭代优化，得到的c和g的最优解，以这两个参数构建优化的茶叶质量等级检测模型。
步骤4：气敏传感器阵列与待测茶叶样品的挥发性气体反应，用扫描仪采集反应前后气敏传感器阵列的图像，用计算机对反应前后的图像进行作差，并对差值图像进行R、G、B颜色分量提取，获得检验样本，检验样本输入步骤3建立的茶叶质量等级检测模型，得到待测茶叶样品的质量等级检测结果。
步骤4的具体过程为：
步骤4.1：称取待测茶叶样品3g；
步骤4.2：按步骤1.3制作气敏传感器阵列，并用扫描仪采集反应前的气敏传感器阵列的图像；
步骤4.3：将称取好的待测茶叶样品倒入250ml的锥形瓶中，将烧开的沸水取150ml倒入锥形瓶中，塞好瓶塞，将茶叶泡制5分钟，用移液枪吸取茶汤少许，移入石英皿中，将制备的气敏传感器阵列用胶带固定在保鲜膜上，用保鲜膜把石英皿密封好，保证气敏传感器阵列正面朝向茶汤，且不与茶汤接触，置于室温环境下反应至最佳反应时间；
步骤4.4：取出气敏传感器阵列，用扫描仪采集反应后气敏传感器阵列的图像，用计算机对反应前后的图像进行作差，得到差值图像；
步骤4.5：对差值图像进行R、G、B颜色分量提取，然后按照从左到右，从上到下，从R到G到B的顺序，转化成差值向量，这个差值向量即检验样本；
步骤4.6：将步骤4.5获得的检验样本，输入步骤3建立的茶叶质量等级检测模型，从茶叶质量等级检测模型的输出端得到待测茶叶样品的质量等级检测结果。
本发明的有益效果：
(1)本发明利用对影响茶叶质量等级的挥发性气体敏感的卟啉指示剂来实现茶叶质量等级检测，相比于理化指标法来说，操作简便，成本低廉，灵敏度也较高。
(2)采用扫描仪和计算机处理图像，采用支持向量机构造茶叶质量等级检测模型，采用茶叶标准样品得到的样本数据训练模型，检测模型与感官评价具有一致性，但有效排除了主观因素干扰，检测结果更为客观。
(3)模型建立后长期有效，实际应用时仅需执行步骤4，检测速度快，且可进行批量检操作。
(4)提出多优粒子群算法，优化茶叶质量等级检测模型，该算法创造性地采用多个候选最优解作为引导，能够快速有效地寻找到最优的模型参数，建立优化的质量等级检测模型，使优化模型的检测准确率达到95％左右。
附图说明
图1是本发明的茶叶质量等级检测方法的流程图。
图2是本方法制作的气敏传感器阵列。
图3是不同反应时间的差值特征图像；
其中，(a)是反应5min后的特征图像，(b)是反应10min后的特征图像，(c)是反应15min后的特征图像，(d)是反应20min后的特征图像，(e)是反应25min后的特征图像，(f)是反应30min后的特征图像。
具体实施方式
本发明的方法流程如图1所示，下面以6个质量等级的眉茶作为实施例，将各步骤的具体实施方式和参数选择方法描述如下：
步骤1：将各种卟啉指示剂与眉茶标准样品的挥发性气体反应，分析反应前后卟啉指示剂颜色变化情况，筛选出12种卟啉指示剂制成气敏传感器阵列，并确定最佳反应时间为20min。
步骤1的具体过程为：
步骤1.1：将多种卟啉指示剂各取8mg，分别溶于1ml二氯甲烷，超声处理半小时，用点样毛细管将其晕染在反相硅胶板上，根据其晕染情况进行初筛，晕染效果较好的卟啉指示剂保留，制成初筛气敏传感器阵列，进行下一步筛选；
步骤1.2：取一个眉茶标准样品，用100℃水泡制5分钟，将泡制好后的茶汤产生的挥发性气体与初筛气敏传感器阵列反应，分析各卟啉指示剂与眉茶标准样品产生的挥发性气体反应前后的颜色变化情况，筛选出12种颜色变化最明显的卟啉指示剂作为制作气敏传感器阵列的材料，这12种卟啉指示剂为：四苯基卟啉、四苯基卟吩锰(Ⅲ)氯化物、四甲氧基苯基卟啉铁(Ⅲ)氯化物、四苯基卟啉铁(Ⅲ)氯化物、四苯基卟吩铜(Ⅱ)、四甲氧基苯基卟啉钴(Ⅱ)、四甲羧基苯基卟吩、八乙基卟啉铜(Ⅱ)、八乙基卟啉钴(Ⅱ)、八乙基卟吩、八乙基卟吩钌(Ⅱ)羰基、八乙基卟吩钯(Ⅱ)；
步骤1.3：将步骤1.2筛选出的卟啉指示剂，在反相硅胶板上晕染成4×3的气敏传感器阵列(如图2所示)；
步骤1.4：将气敏传感器阵列与眉茶标准样品制成的茶汤进行反应，每隔5min采集一次图像，共30分钟，得到6张特征图像，图像颜色渐变并趋于稳定，将得到颜色相对稳定的特征图像所需的反应时间确定为最佳反应时间；从图3可以看出，前三张图像颜色差异较大，从第20min趋于稳定，因此最佳反应时间定为20min。
步骤2：气敏传感器阵列与6个不同质量等级的眉茶标准样品的挥发性气体反应，用扫描仪采集反应前后气敏传感器阵列的图像，用计算机对反应前后的图像进行作差，并对差值图像进行R、G、B颜色分量提取，获得眉茶质量等级检测模型的训练样本。
步骤2的具体过程为：
步骤2.1：对不同质量等级的眉茶标准样品，每个等级称取15个样品，每个样品3g，称取的眉茶标准样品总数计为90个；
步骤2.2：按步骤1.3制作气敏传感器阵列，并用扫描仪采集反应前的气敏传感器阵列的图像；
步骤2.3：将称取好的1个眉茶标准样品倒入250ml的锥形瓶中，将烧开的沸水取150ml倒入锥形瓶中，塞好瓶塞，将眉茶泡制5分钟，用移液枪吸取茶汤少许，移入石英皿中，将制备的气敏传感器阵列用胶带固定在保鲜膜上，用保鲜膜把石英皿密封好，保证气敏传感器阵列正面朝向茶汤，且不与茶汤接触，置于室温环境下反应至最佳反应时间；
步骤2.4：取出气敏传感器阵列，用扫描仪采集反应后气敏传感器阵列的图像，用计算机对反应前后的图像进行作差，得到差值图像；
步骤2.5：对差值图像进行R、G、B颜色分量提取，然后按照从左到右，从上到下，从R到G到B的顺序，转化成差值向量，差值向量的维数X等于3倍的卟啉指示剂种类数，即36；
步骤2.6：依次重复步骤2.2、步骤2.3、步骤2.4、步骤2.5处理步骤2.1称取的90个眉茶标准样品，最终获得90个差值向量，这90个差值向量即眉茶质量等级检测模型的90个训练样本。
步骤3：基于训练样本，以支持向量机构建眉茶质量等级检测模型，以多优粒子群算法优化眉茶质量等级检测模型。
步骤3的具体过程为：
步骤3.1：构建输入个数为36，输出个数为1的支持向量机模型，作为初始的眉茶质量等级检测模型；
步骤3.2：90个训练样本按照4:1的比例分为学习样本和校验样本，其中学习样本72个，校验样本18个，学习样本和校验样本都包含眉茶样品的所有6个等级；
步骤3.3：多优粒子群算法的粒子数量设置为50，候选全局最优粒子数量设置为3，每1个粒子的坐标代表1个支持向量机模型的惩罚参数c和核函数参数g，用Xid表示，其中i＝1,2,...,50，表示粒子的序号，d＝1,2，表示粒子坐标的维度；
以学习样本构造每1个粒子所代表的支持向量机的分类超平面，以校验样本计算相应的分类准确率，并作为这个粒子的适应度值，适应度值最高的3个粒子作为候选全局最优粒子，它们的坐标分别用
表示，每1个粒子的历史最优适应度值所对应的坐标用Pid表示；
在迭代优化过程中，粒子受3个候选全局最优粒子和粒子本身的历史最优值共同作用，坐标更新公式如下：
其中，上标符号(k)和(k+1)表示迭代优化的次数，Vid表示粒子运动的速度，c1和c2表示加速度因子，均设置为2，r1和r2表示两个随机数，在0-1范围内随机取值。
经过100次的迭代优化，得到的最优解为：c＝3.75，g＝2.57，以这两个参数构建优化的眉茶质量等级检测模型。
步骤4：气敏传感器阵列与待测眉茶样品的挥发性气体反应，用扫描仪采集反应前后气敏传感器阵列的图像，用计算机对反应前后的图像进行作差，并对差值图像进行R、G、B颜色分量提取，获得检验样本，检验样本输入步骤3建立的眉茶质量等级检测模型，得到待测眉茶样品的质量等级检测结果。
步骤4的具体过程为：
步骤4.1：称取待测眉茶样品3g；
步骤4.2：按步骤1.3制作气敏传感器阵列，并用扫描仪采集反应前的气敏传感器阵列的图像；
步骤4.3：将称取好的待测眉茶样品倒入250ml的锥形瓶中，将烧开的沸水取150ml倒入锥形瓶中，塞好瓶塞，将眉茶泡制5分钟，用移液枪吸取茶汤少许，移入石英皿中，将制备的气敏传感器阵列用胶带固定在保鲜膜上，用保鲜膜把石英皿密封好，保证气敏传感器阵列正面朝向茶汤，且不与茶汤接触，置于室温环境下反应至最佳反应时间；
步骤4.4：取出气敏传感器阵列，用扫描仪采集反应后气敏传感器阵列的图像，用计算机对反应前后的图像进行作差，得到差值图像；
步骤4.5：对差值图像进行R、G、B颜色分量提取，然后按照从左到右，从上到下，从R到G到B的顺序，转化成差值向量，这个差值向量即检验样本；
步骤4.6：将步骤4.5获得的检验样本，输入步骤3建立的眉茶质量等级检测模型，从眉茶质量等级检测模型的输出端得到待测眉茶样品的质量等级检测结果。
Claims (5)
1.一种茶叶质量等级检测方法，其特征在于，该方法利用对影响茶叶质量等级的挥发性气体敏感的卟啉指示剂来实现茶叶质量等级的检测，主要包括以下步骤：
步骤1：将各种卟啉指示剂与茶叶标准样品的挥发性气体反应，分析反应前后卟啉指示剂颜色变化情况，筛选出9-15种卟啉指示剂制成气敏传感器阵列，并确定最佳反应时间；
步骤2：气敏传感器阵列与不同质量等级的茶叶标准样品的挥发性气体反应，用扫描仪采集反应前后气敏传感器阵列的图像，用计算机对反应前后的图像进行作差，并对差值图像进行R、G、B颜色分量提取，获得茶叶质量等级检测模型的训练样本；
步骤3：基于训练样本，以支持向量机构建茶叶质量等级检测模型，以多优粒子群算法优化茶叶质量等级检测模型；
步骤4：气敏传感器阵列与待测茶叶样品的挥发性气体反应，用扫描仪采集反应前后气敏传感器阵列的图像，用计算机对反应前后的图像进行作差，并对差值图像进行R、G、B颜色分量提取，获得检验样本，检验样本输入步骤3建立的茶叶质量等级检测模型，得到待测茶叶样品的质量等级检测结果。
2.根据权利要求1所述的一种茶叶质量等级检测方法，其特征在于，所述步骤1的具体过程为：
步骤1.1：将多种卟啉指示剂各取8mg，分别溶于1ml二氯甲烷，超声处理半小时，用点样毛细管将其晕染在反相硅胶板上，根据其晕染情况进行初筛，晕染效果较好的卟啉指示剂保留，制成初筛气敏传感器阵列，进行下一步筛选；
步骤1.2：将茶叶标准样品用100℃水泡制5分钟，将泡制好后的茶汤产生的挥发性气体与初筛气敏传感器阵列反应，分析各卟啉指示剂与茶叶标准样品产生的挥发性气体反应前后的颜色变化情况，筛选出9-15种颜色变化最明显的卟啉指示剂作为制作气敏传感器阵列的材料；
步骤1.3：将步骤1.2筛选出的卟啉指示剂，在反相硅胶板上晕染成3×3、5×3或其他与卟啉指示剂数量相匹配的气敏传感器阵列；
步骤1.4：将气敏传感器阵列与茶叶标准样品制成的茶汤进行反应，每隔5min采集一次图像，共30分钟，得到6张差值特征图像，图像颜色渐变并趋于稳定，将得到颜色相对稳定的特征图像所需的反应时间确定为最佳反应时间。
3.根据权利要求1所述的一种茶叶质量等级检测方法，其特征在于，所述步骤2的具体过程为：
步骤2.1：对不同质量等级的茶叶标准样品，每个等级称取15-25个样品，每个样品3g，称取的茶叶标准样品总数计为S个；
步骤2.2：按步骤1.3制作气敏传感器阵列，并用扫描仪采集反应前的气敏传感器阵列的图像；
步骤2.3：将称取好的1个茶叶标准样品倒入250ml的锥形瓶中，将烧开的沸水取150ml倒入锥形瓶中，塞好瓶塞，将茶叶泡制5分钟，用移液枪吸取茶汤少许，移入石英皿中，将制备的气敏传感器阵列用胶带固定在保鲜膜上，用保鲜膜把石英皿密封好，保证气敏传感器阵列正面朝向茶汤，且不与茶汤接触，置于室温环境下反应至最佳反应时间；
步骤2.4：取出气敏传感器阵列，用扫描仪采集反应后气敏传感器阵列的图像，用计算机对反应前后的图像进行作差，得到差值图像；
步骤2.5：对差值图像进行R、G、B颜色分量提取，然后按照从左到右，从上到下，从R到G到B的顺序，转化成差值向量，差值向量的维数X等于3倍的卟啉指示剂种类数；
步骤2.6：依次重复步骤2.2、步骤2.3、步骤2.4、步骤2.5处理步骤2.1称取的S个茶叶标准样品，最终获得S个差值向量，这S个差值向量即茶叶质量等级检测模型的S个训练样本。
4.根据权利要求1所述的一种茶叶质量等级检测方法，其特征在于，所述步骤3的具体过程为：
步骤3.1：构建输入个数为X，输出个数为1的支持向量机模型，作为初始的茶叶质量等级检测模型；
步骤3.2：训练样本按照4:1的比例分为学习样本和校验样本，学习样本和校验样本都包含茶叶样品的所有等级；
步骤3.3：多优粒子群算法的粒子数量设置为30-200，候选全局最优粒子数量设置为3，每1个粒子的坐标代表1个支持向量机模型的惩罚参数c和核函数参数g，用Xid表示，其中i表示粒子的序号，d＝1,2，表示粒子坐标的维度；
以学习样本构造每1个粒子所代表的支持向量机的分类超平面，以校验样本计算相应的分类准确率，并作为这个粒子的适应度值，适应度值最高的3个粒子作为候选全局最优粒子，它们的坐标分别用
表示，每1个粒子的历史最优适应度值所对应的坐标用Pid表示；
在迭代优化过程中，粒子的坐标更新公式如下：
其中，上标符号(k)和(k+1)表示迭代优化的次数，Vid表示粒子运动的速度，c1和c2表示加速度因子，设置为1-3，r1和r2表示两个随机数，在0-1范围内随机取值；
经过50-200次的迭代优化，得到的c和g的最优解，以这两个参数构建优化的茶叶质量等级检测模型。
5.根据权利要求1所述的一种茶叶质量等级检测方法，其特征在于，所述步骤4的具体过程为：
步骤4.1：称取待测茶叶样品3g；
步骤4.2：按步骤1.3制作气敏传感器阵列，并用扫描仪采集反应前的气敏传感器阵列的图像；
步骤4.3：将称取好的待测茶叶样品倒入250ml的锥形瓶中，将烧开的沸水取150ml倒入锥形瓶中，塞好瓶塞，将茶叶泡制5分钟，用移液枪吸取茶汤少许，移入石英皿中，将制备的气敏传感器阵列用胶带固定在保鲜膜上，用保鲜膜把石英皿密封好，保证气敏传感器阵列正面朝向茶汤，且不与茶汤接触，置于室温环境下反应至最佳反应时间；
步骤4.4：取出气敏传感器阵列，用扫描仪采集反应后气敏传感器阵列的图像，用计算机对反应前后的图像进行作差，得到差值图像；
步骤4.5：对差值图像进行R、G、B颜色分量提取，然后按照从左到右，从上到下，从R到G到B的顺序，转化成差值向量，这个差值向量即检验样本；
步骤4.6：将步骤4.5获得的检验样本，输入步骤3建立的茶叶质量等级检测模型，从茶叶质量等级检测模型的输出端得到待测茶叶样品的质量等级检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210301466.XA CN114577791A (zh) | 2022-03-25 | 2022-03-25 | 一种茶叶质量等级的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210301466.XA CN114577791A (zh) | 2022-03-25 | 2022-03-25 | 一种茶叶质量等级的检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114577791A true CN114577791A (zh) | 2022-06-03 |
Family
ID=81782879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210301466.XA Pending CN114577791A (zh) | 2022-03-25 | 2022-03-25 | 一种茶叶质量等级的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114577791A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115165509A (zh) * | 2022-09-05 | 2022-10-11 | 泉州海关综合技术服务中心 | 一种茶叶水浸出物检测方法和系统 |
| CN118627851A (zh) * | 2024-08-08 | 2024-09-10 | 浙江更香有机茶业开发有限公司 | 基于改进粒子群的茶叶生产线多目标工艺参数优化方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110702815A (zh) * | 2019-10-29 | 2020-01-17 | 江苏大学 | 一种面粉储存品质的嗅觉传感检测方法 |
| CN110987895A (zh) * | 2019-11-07 | 2020-04-10 | 江苏大学 | 一种快速在线检测木薯固态发酵的生长过程的方法 |
| CN113484312A (zh) * | 2021-07-20 | 2021-10-08 | 江苏大学 | 一种基于嗅觉可视化技术的温度补偿模型的建立方法 |
| CN113970546A (zh) * | 2021-09-03 | 2022-01-25 | 江苏大学 | 基于嗅觉味觉交互作用的绿茶品质可视化传感判别方法 |
-
2022
- 2022-03-25 CN CN202210301466.XA patent/CN114577791A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110702815A (zh) * | 2019-10-29 | 2020-01-17 | 江苏大学 | 一种面粉储存品质的嗅觉传感检测方法 |
| CN110987895A (zh) * | 2019-11-07 | 2020-04-10 | 江苏大学 | 一种快速在线检测木薯固态发酵的生长过程的方法 |
| CN113484312A (zh) * | 2021-07-20 | 2021-10-08 | 江苏大学 | 一种基于嗅觉可视化技术的温度补偿模型的建立方法 |
| CN113970546A (zh) * | 2021-09-03 | 2022-01-25 | 江苏大学 | 基于嗅觉味觉交互作用的绿茶品质可视化传感判别方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115165509A (zh) * | 2022-09-05 | 2022-10-11 | 泉州海关综合技术服务中心 | 一种茶叶水浸出物检测方法和系统 |
| CN118627851A (zh) * | 2024-08-08 | 2024-09-10 | 浙江更香有机茶业开发有限公司 | 基于改进粒子群的茶叶生产线多目标工艺参数优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114577791A (zh) | 一种茶叶质量等级的检测方法 | |
| CN109978822B (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
| CN101692053B (zh) | 基于多传感信息融合的名优茶品质仪器智能化审评方法 | |
| CN111968080B (zh) | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 | |
| CN103745234B (zh) | 一种带钢表面缺陷的特征提取与分类方法 | |
| CN107590498A (zh) | 一种基于字符分割级联二分类器的自适应汽车仪表检测方法 | |
| Lu et al. | Classification of Camellia (Theaceae) species using leaf architecture variations and pattern recognition techniques | |
| CN105181912B (zh) | 一种大米储藏过程中的新鲜度检测方法 | |
| CN103743452B (zh) | 非接触式液位测量系统 | |
| CN113484309B (zh) | 一种高光谱耦合纳米化比色传感器监测红茶发酵程度的方法 | |
| CN102967597A (zh) | 一种基于嗅觉成像传感技术的黄酒酒龄鉴别方法和鉴别系统 | |
| CN108875913A (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 | |
| CN112699876A (zh) | 一种用于集气站多类型仪表自动读数方法 | |
| CN101709951A (zh) | 一种扇贝表型性状计算机测量与记录方法 | |
| CN116337781A (zh) | 一种基于光谱图像重建的高粱品种识别方法 | |
| CN109580513A (zh) | 一种近地面遥感红枣含水率检测方法和装置 | |
| CN101620195A (zh) | 一种气味传感器检测次郎甜柿内部品质的方法 | |
| CN109738433B (zh) | 基于图像处理的水油分层混合液含水率检测方法及装置 | |
| CN112730643B (zh) | 基于可视化融合技术表征腐乳风味的方法及装置 | |
| CN117523331A (zh) | 耕地非粮化检测的遥感样本库构建及迁移学习解译方法 | |
| CN108362652A (zh) | 一种基于证据理论的物体新鲜度无损检测方法 | |
| Ren et al. | Cost-effective colorimetric sensor for authentication of protected designation of origin (PDO) Longjing green tea | |
| CN116312860A (zh) | 基于监督迁移学习的农产品可溶性固形物预测方法 | |
| CN102809635A (zh) | 一种适宜溶解型蛋白质加工的花生品质测定及其评价方法 | |
| CN113484312B (zh) | 一种基于嗅觉可视化技术的温度补偿模型的建立方法 |
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 |