CN114720419A - 一种基于近红外光谱特征选择和参数寻优的茶叶分类方法 - Google Patents

一种基于近红外光谱特征选择和参数寻优的茶叶分类方法 Download PDF

Info

Publication number
CN114720419A
CN114720419A CN202210231110.3A CN202210231110A CN114720419A CN 114720419 A CN114720419 A CN 114720419A CN 202210231110 A CN202210231110 A CN 202210231110A CN 114720419 A CN114720419 A CN 114720419A
Authority
CN
China
Prior art keywords
tea
near infrared
feature selection
data
mutual information
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
Application number
CN202210231110.3A
Other languages
English (en)
Inventor
王进
严婷
陆国栋
费少梅
张程
李文萃
郑启伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210231110.3A priority Critical patent/CN114720419A/zh
Publication of CN114720419A publication Critical patent/CN114720419A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biochemistry (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明属于茶叶分类技术领域，公开了一种基于近红外光谱特征选择和参数寻优的茶叶分类方法。首先利用近红外光谱仪扫描获得茶叶近红外光谱数据；然后采用一阶导数和多元散射校正法对原始近红外光谱数据预处理；在互信息筛选的基础上，结合信息融合技术将互信息值和对应的光谱数据吸光度融合，通过主成分分析法特征选择，再使用随机森林分类，计算得到茶叶分类准确率；最后，选用遗传算法，根据适应度函数得分筛选出最佳的特征组合和超参数并判别不同品种等级的茶叶。本发明综合信息融合、互信息特征选择、主成分特征选择、随机森林分类以及遗传算法优化筛选出最佳的特征组合和超参数，实现对不同品种等级茶叶的判别，筛选和判别的结果准确可靠。

Description

一种基于近红外光谱特征选择和参数寻优的茶叶分类方法
技术领域
本发明属于茶叶分类技术领域，尤其涉及一种基于近红外光谱特征选择和参数寻优的茶叶分类方法。
背景技术
在茶叶品种和等级的分类领域，常选用专家评审、化学分析和图像分类等鉴别方法。然而，专家评审法易受个人主观因素干扰，准确性和稳定性低；化学分析法需要专业机构鉴定茶叶内部理化成分，价格昂贵且耗时长；图像分类法难以区分不同等级茶叶的细小纹理差别，易产生误判。
近红外光谱技术根据物质内部不同基团对近红外光的吸收波长的差异，获取样本的特征信息和内部结构，能够快速、无损、准确地进行定性判别。但是，近红外光谱技术存在数据特征维度较高的问题，特征中包含的无关信息和冗余信息干扰分类准确率。为简单、快速地筛选高质量的特征，需结合特征选择和参数寻优的方法提高分类性能。
发明内容
为解决背景技术中存在的问题，本发明提出一种基于近红外光谱特征选择和参数寻优的茶叶分类方法。采用一阶导数和多元散射校正法对近红外光谱数据进行预处理，然后金和信息融合、互信息和主成分分析特征选择和随机森林分类，再采用遗传算法计算每次迭代的适应度函数，筛选出最佳的特征组合和超参数并判别不同品种等级的茶叶。
本发明的技术方案如下：
一种基于近红外光谱特征选择和参数寻优的茶叶分类方法，包含如下步骤：
步骤1：获取茶叶近红外光谱数据；
步骤2：茶叶近红外光谱预处理；
步骤3：基于信息融合的特征选择；
步骤4：采用随机森林算法对特征选择后的数据进行分类操作并计算分类准确率；
步骤5：采用遗传算法寻找最佳的特征组合和超参数。
进一步的，所述步骤1包括如下步骤：
将不同的茶叶样品按照种类、等级、价格、数量进行分类，选用近红外分析仪采集茶叶的近红外光谱数据，每个品种和等级的茶叶扫描52条数据，每条光谱数据包含800个波长点对应的吸光度；将光谱数据随机分层抽样，得训练集和验证集。
进一步的，所述步骤2包括如下步骤：
采用一阶导数和多元散射校正法依次对测量的原始近红外光谱数据进行数据预处理操作，计算得到预处理后光谱数据；所述一阶导数放大平滑光谱间的变化趋势，所述多元散射校正修正光谱基线漂移产生的偏移量。
进一步的，所述步骤3包括如下步骤：
计算预处理后光谱数据特征间的互信息，筛选前m个互信息值最大的特征，结合信息融合技术将互信息值和对应的光谱数据吸光度进行特征层的信息融合，计算得到融合后的样本矩阵，再采用主成分分析法对融合后的样本矩阵进行特征选择，最终计算得到特征选择后的数据。
进一步的，所述步骤3采用以下公式计算预处理后光谱数据特征间的互信息：
Figure BDA0003538397110000021
式中xi为每个特征下对应的吸光度值，y为对应的茶叶品种等级标签，p(xi)、p(y)分别为对应吸光度值和茶叶标签的概率，p(xi,y)为对应吸光度值和茶叶标签下的联合分布概率；波长范围为1000-1800nm，取点间隔1nm，经过一阶导数差分计算后，共有799条互信息数据。
进一步的，所述步骤3采用以下公式计算信息融合后的样本矩阵：
X'n×m＝k1Xn×m+k2In×m
式中k1、k2分别为吸光度和互信息的权重系数，分别将他们设置为0.5和0.5，In×m、Xn×m分别为互信息值最大的前m个特征对应的互信息值和光谱数据吸光度，其中n为训练集样本个数。
进一步的，所述步骤3采用以下公式计算主成分分析法特征选择后的数据：
Yn×q＝X'n×mMm×q
式中Mm×q为采用主成分分析法选择特征值分解后最大的前q个特征值构成特征向量矩阵。进一步的，所述步骤5采用遗传算法寻找最佳的特征组合和超参数，选用二进制编码方式创建染色体，由大量随机染色体个体构成初始化的种群，选用格雷码解码法将二进制数值映射至十进制解空间，选用适应度函数评价种群中个体的好坏程度，染色体的选择、交叉、变异方法分别为锦标赛选择法、多点交叉法和基本位变异法，重复上述环节直至迭代次数达到设定值。
进一步的，所述步骤5采用以下公式计算二进制编码后的染色体：
Figure BDA0003538397110000031
式中L为染色体的位数，LMI、LPCA和LRF分别为染色体中互信息、主成分分析、随机森林设置的超参数占用的位数，uMI、lMI；uPCA、lPCA和uRF、lRF分别为互信息提取特征个数、主成分分析特征值个数和随机森林分类器个数的上下限，eps为遗传迭代精度，染色体中每一位的值由0、1组成。
进一步的，所述步骤5采用以下公式计算适应度函数：
FitV＝Acc×α+σ×β
式中Acc为随机森林算法分类后的准确率，σ为各小类准确率的标准差，α、β分别为准确率和标准差的权重系数。
本发明的有益效果是：本发明综合信息融合、互信息特征选择、主成分特征选择、随机森林分类以及遗传算法优化筛选出最佳的特征组合和超参数，实现对不同品种等级茶叶的判别，筛选和判别的结果准确可靠。
附图说明
图1为本发明的方法总体流程图；
图2为本发明预处理后的近红外光谱数据图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
如图1所示，本发明的一种基于近红外光谱特征选择和参数寻优的茶叶分类方法，包括如下步骤：
1)获取茶叶近红外光谱数据
选取2020年浙江省六大主要产区不同种类和等级的龙井春茶，茶叶样本的种类、等级、价格和数量见表1。包括西湖龙井、富阳龙井、缙云龙井、新昌龙井、武义龙井、遂昌龙井6种龙井茶。其中，每种龙井的等级根据市场售价从高至低均标记为A、B、C、D，共计24个小类，每个小类含对应种类等级的龙井茶500g。
选用SupNIR2720近红外分析仪，波长范围1000-1800nm，取点间隔1nm，波长准确性0.2nm，分辨率10nm，光谱平均次数30次。开机后仪器需预热30min，每间隔30min进行参比标定。
试验采集表1中6种龙井茶的光谱数据，其中每种龙井含4个等级。每次测量，称取茶叶样本10±0.1g置于采样台中，每个等级茶叶扫描52条光谱数据，共计1248条光谱数据。每条光谱数据包含800个波长点对应的吸光度。将光谱数据根据7:3随机分层抽样，得训练集873条，验证集375条。
表1龙井茶的等级、价格和数量
Figure BDA0003538397110000041
2)茶叶近红外光谱预处理
采用一阶导数和多元散射校正法依次对测量的原始近红外光谱数据进行预处理。一阶导数放大平滑光谱间的变化趋势，多元散射校正修正光谱基线漂移产生的偏移量。预处理后的近红外光谱数据图(如图2所示)有明显的特征峰和数据差异性。
3)基于信息融合的特征选择
计算预处理后光谱数据特征间的互信息，筛选互信息值最大的前m个特征。采用以下公式计算预处理后光谱数据特征间的互信息：
Figure BDA0003538397110000042
式中xi为每个特征下对应的吸光度值，y为对应的茶叶品种等级标签，p(xi)、p(y)分别为对应吸光度值和茶叶标签的概率，p(xi,y)为对应吸光度值和茶叶标签下的联合分布概率。波长范围为1000-1800nm，取点间隔1nm，经过一阶导数差分计算后，共有799条互信息数据。
结合信息融合技术将互信息值和对应的光谱数据吸光度进行特征层的信息融合，计算得到融合后的样本矩阵。采用以下公式计算信息融合后的样本矩阵：
X'n×m＝k1Xn×m+k2In×m
式中k1、k2分别为吸光度和互信息的权重系数，分别将他们设置为0.5和0.5。In×m、Xn×m分别为互信息值最大的前m个特征对应的互信息值和光谱数据吸光度，其中n为训练集样本个数873。
采用主成分分析法对融合后的样本矩阵进行特征选择，最终计算得到特征选择后的数据。采用以下公式计算主成分分析法特征选择后的数据：
Yn×q＝X'n×mMm×q
式中Mm×q为采用主成分分析法选择特征值分解后最大的前q个特征值构成特征向量矩阵。
4)采用随机森林算法对特征选择后的数据进行分类操作并计算分类准确率。
5)基于遗传算法的特征组合和超参数优选
采用遗传算法寻找最佳的特征组合和超参数，选用二进制编码方式创建染色体，由大量随机染色体个体构成初始化的种群，选用格雷码解码法将二进制数值映射至十进制解空间，选用适应度函数评价种群中个体的好坏程度，染色体的选择、交叉、变异方法分别为锦标赛选择法、多点交叉法和基本位变异法，重复上述环节直至迭代次数达到设定值。
采用以下公式计算二进制编码后的染色体：
Figure BDA0003538397110000051
式中L为染色体的位数，LMI、LPCA和LRF分别为染色体中互信息、主成分分析、随机森林设置的超参数占用的位数，uMI、lMI；uPCA、lPCA和uRF、lRF分别为互信息提取特征个数、主成分分析特征值个数和随机森林分类器个数的上下限，这里分别设置：100、600、50、100、20、50；eps为遗传迭代精度，这里为1；染色体中每一位的值由0、1组成。
采用以下公式计算适应度函数：
FitV＝Acc×α+σ×β
式中Acc为随机森林算法分类后的准确率，σ为各小类准确率的标准差，α、β分别为准确率和标准差的权重系数，这里分别设置为0.8和0.2。
最终，本实施例的分类效果如表2所示。结合本发明提出的一种基于近红外光谱特征选择和参数寻优的茶叶分类方法，对于本实施例的龙井茶叶分类，计算得到的准确率为99.04％，精准率为99.11％，召回率为99.06％。
表2基于本发明的龙井茶叶分类效果
Figure BDA0003538397110000061
由此可见，本发明提出的一种基于近红外光谱特征选择和参数寻优的茶叶分类方法能有效选择出较好的特征组合并设置参数，最终获得较好的分类效果。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (10)

1.一种基于近红外光谱特征选择和参数寻优的茶叶分类方法，其特征在于，包含如下步骤：
步骤1：获取茶叶近红外光谱数据；
步骤2：茶叶近红外光谱预处理；
步骤3：基于信息融合的特征选择；
步骤4：采用随机森林算法对特征选择后的数据进行分类操作并计算分类准确率；
步骤5：采用遗传算法寻找最佳的特征组合和超参数。
2.根据权利要求1所述的基于近红外光谱特征选择和参数寻优的茶叶分类方法，其特征在于，所述步骤1包括如下步骤：
将不同的茶叶样品按照种类、等级、价格、数量进行分类，选用近红外分析仪采集茶叶的近红外光谱数据，每个品种和等级的茶叶扫描52条数据，每条光谱数据包含800个波长点对应的吸光度；将光谱数据随机分层抽样，得训练集和验证集。
3.根据权利要求2所述的基于近红外光谱特征选择和参数寻优的茶叶分类方法，其特征在于，所述步骤2包括如下步骤：
采用一阶导数和多元散射校正法依次对测量的原始近红外光谱数据进行数据预处理操作，计算得到预处理后光谱数据；所述一阶导数放大平滑光谱间的变化趋势，所述多元散射校正修正光谱基线漂移产生的偏移量。
4.根据权利要求3所述的基于近红外光谱特征选择和参数寻优的茶叶分类方法，其特征在于，所述步骤3包括如下步骤：
计算预处理后光谱数据特征间的互信息，筛选前m个互信息值最大的特征，结合信息融合技术将互信息值和对应的光谱数据吸光度进行特征层的信息融合，计算得到融合后的样本矩阵，再采用主成分分析法对融合后的样本矩阵进行特征选择，最终计算得到特征选择后的数据。
5.根据权利要求4所述的基于近红外光谱特征选择和参数寻优的茶叶分类方法，其特征在于，所述步骤3采用以下公式计算预处理后光谱数据特征间的互信息：
Figure FDA0003538397100000011
式中xi为每个特征下对应的吸光度值，y为对应的茶叶品种等级标签，p(xi)、p(y)分别为对应吸光度值和茶叶标签的概率，p(xi,y)为对应吸光度值和茶叶标签下的联合分布概率；波长范围为1000-1800nm，取点间隔1nm，经过一阶导数差分计算后，共有799条互信息数据。
6.根据权利要求4所述的基于近红外光谱特征选择和参数寻优的茶叶分类方法，其特征在于，所述步骤3采用以下公式计算信息融合后的样本矩阵：
X'n×m＝k1Xn×m+k2In×m
式中k1、k2分别为吸光度和互信息的权重系数，分别将他们设置为0.5和0.5，In×m、Xn×m分别为互信息值最大的前m个特征对应的互信息值和光谱数据吸光度，其中n为训练集样本个数。
7.根据权利要求4所述的基于近红外光谱特征选择和参数寻优的茶叶分类方法，其特征在于，所述步骤3采用以下公式计算主成分分析法特征选择后的数据：
Yn×q＝X'n×mMm×q
式中Mm×q为采用主成分分析法选择特征值分解后最大的前q个特征值构成特征向量矩阵。
8.根据权利要求1所述的基于近红外光谱特征选择和参数寻优的茶叶分类方法，其特征在于，所述步骤5采用遗传算法寻找最佳的特征组合和超参数，选用二进制编码方式创建染色体，由大量随机染色体个体构成初始化的种群，选用格雷码解码法将二进制数值映射至十进制解空间，选用适应度函数评价种群中个体的好坏程度，染色体的选择、交叉、变异方法分别为锦标赛选择法、多点交叉法和基本位变异法，重复上述环节直至迭代次数达到设定值。
9.根据权利要求8所述的基于近红外光谱特征选择和参数寻优的茶叶分类方法，其特征在于，所述步骤5采用以下公式计算二进制编码后的染色体：
Figure FDA0003538397100000021
式中L为染色体的位数，LMI、LPCA和LRF分别为染色体中互信息、主成分分析、随机森林设置的超参数占用的位数，uMI、lMI；uPCA、lPCA和uRF、lRF分别为互信息提取特征个数、主成分分析特征值个数和随机森林分类器个数的上下限，eps为遗传迭代精度，染色体中每一位的值由0、1组成。
10.根据权利要求8所述的基于近红外光谱特征选择和参数寻优的茶叶分类方法，其特征在于，所述步骤5采用以下公式计算适应度函数：
FitV＝Acc×α+σ×β
式中Acc为随机森林算法分类后的准确率，σ为各小类准确率的标准差，α、β分别为准确率和标准差的权重系数。
CN202210231110.3A 2022-03-09 2022-03-09 一种基于近红外光谱特征选择和参数寻优的茶叶分类方法 Pending CN114720419A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210231110.3A CN114720419A (zh) 2022-03-09 2022-03-09 一种基于近红外光谱特征选择和参数寻优的茶叶分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210231110.3A CN114720419A (zh) 2022-03-09 2022-03-09 一种基于近红外光谱特征选择和参数寻优的茶叶分类方法

Publications (1)

Publication Number Publication Date
CN114720419A true CN114720419A (zh) 2022-07-08

Family

ID=82238548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210231110.3A Pending CN114720419A (zh) 2022-03-09 2022-03-09 一种基于近红外光谱特征选择和参数寻优的茶叶分类方法

Country Status (1)

Country Link
CN (1) CN114720419A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116809388A (zh) * 2023-08-30 2023-09-29 山东浏园生态农业股份有限公司 一种茶叶智能筛分方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116809388A (zh) * 2023-08-30 2023-09-29 山东浏园生态农业股份有限公司 一种茶叶智能筛分方法及系统
CN116809388B (zh) * 2023-08-30 2023-11-07 山东浏园生态农业股份有限公司 一种茶叶智能筛分方法及系统

Similar Documents

Publication Publication Date Title
CN105928901B (zh) 一种定性定量相结合的近红外定量模型构建方法
Ríos-Reina et al. Spectralprint techniques for wine and vinegar characterization, authentication and quality control: Advances and projections
CN105424641B (zh) 一种原油种类的近红外光谱识别方法
CN110132938B (zh) 一种拉曼光谱法鉴别大米种类的特征数据提取方法
CN106918567B (zh) 一种测量痕量金属离子浓度的方法和装置
Xu et al. Recent trends of multi-source and non-destructive information for quality authentication of herbs and spices
CN111896495A (zh) 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
CN106560841A (zh) 基于深度学习的武夷岩茶产地鉴别方法
CN106560699A (zh) 用于武夷岩茶产地鉴别的联合检测方法
CN114720419A (zh) 一种基于近红外光谱特征选择和参数寻优的茶叶分类方法
CN110110789A (zh) 一种基于多谱图信息融合技术的中草药品质鉴别方法
CN113267466A (zh) 基于光谱波长优选的水果糖度和酸度无损检测方法
CN115598162B (zh) 基于堆叠式模型的土壤重金属含量检测方法
CN109324016A (zh) 一种复烤片烟香型风格的判定方法
WO2023108514A1 (zh) 茶叶近红外光谱分析中谱峰自动检测与重构方法及系统
CN113655027B (zh) 一种近红外快速检测植物中单宁含量的方法
CN113076692B (zh) 一种反演叶片氮素含量的方法
CN108613965B (zh) 一种基于数据驱动拉曼光谱的乳品中乳清蛋白测量方法
Jin et al. Rapid discrimination of Anji Baicha origin using field-portable spectroradiometer
CN113310943A (zh) 一种基于机器学习的藕粉掺假鉴别方法
CN113138181B (zh) 一种对清香型原酒品质分级的方法
Fernandes et al. A review of the application to emergent subfields in viticulture of local reflectance and interactance spectroscopy combined with soft computing and multivariate analysis
CN115236058A (zh) 一种基于拉曼光谱的红茶发酵度识别方法及系统
CN112326574B (zh) 一种基于贝叶斯分类的光谱波长选择方法
Yao et al. Wine Characterisation with Spectral Information and Predictive Artificial Intelligence

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