CN116773496A - 基于三维荧光分析的茶叶检测系统、方法、设备及存储介质 - Google Patents
基于三维荧光分析的茶叶检测系统、方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116773496A CN116773496A CN202310733342.3A CN202310733342A CN116773496A CN 116773496 A CN116773496 A CN 116773496A CN 202310733342 A CN202310733342 A CN 202310733342A CN 116773496 A CN116773496 A CN 116773496A
- Authority
- CN
- China
- Prior art keywords
- tea
- sample
- detected
- dimensional fluorescence
- dimensional
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012921 fluorescence analysis Methods 0.000 title description 3
- 241001122767 Theaceae Species 0.000 claims abstract description 265
- 238000002189 fluorescence spectrum Methods 0.000 claims abstract description 77
- 238000013145 classification model Methods 0.000 claims abstract description 69
- 239000000126 substance Substances 0.000 claims abstract description 33
- 230000001678 irradiating effect Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 abstract description 5
- 239000000523 sample Substances 0.000 description 103
- 239000011159 matrix material Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000005284 excitation Effects 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000004071 biological effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000007850 fluorescent dye Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001506 fluorescence spectroscopy Methods 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000004876 x-ray fluorescence Methods 0.000 description 1
Classifications
-
- 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
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明涉及光学技术领域,提供基于三维荧光的茶叶检测系统,包括:样品台,用于放置待检测茶叶样本;LED光源,用于以预设角度范围内的入射角度照射待检测茶叶样本,以激发待检测茶叶样本的荧光发射;图像传感器,用于采集待检测茶叶样本的三维荧光光谱数据,将三维荧光光谱数据传输至物质检测设备;物质检测设备,用于基于预先训练完成的茶叶的PCA分类模型对三维荧光光谱数据进行分析,得到待检测茶叶的检测结果信息。该基于三维荧光光谱数据的茶叶检测系统,相对于传统的茶叶光谱提取,简化了处理步骤,直接对图像传感器采集的茶叶的三维荧光光谱数据进行处理,实现了快速无损的茶叶品质检测。
Description
技术领域
本发明涉及茶叶检测技术领域,尤其涉及一种基于三维荧光分析的茶叶检测系统、方法、设备及存储介质。
背景技术
在茶叶品质鉴定和评价领域,目前主要依赖于专家的感官审评和基于茶叶成分浸出的研究方法。然而,这些方法存在主观性、样品准备步骤繁琐、检测费时、仪器普及程度小、费用昂贵等问题,无法满足茶叶品质及浸泡过程的批量快速检测要求。近年来,虽然出现了电子舌、电子鼻、X射线荧光技术和近红外技术等方法,但它们仍存在一定的弊端,如X射线电子能量对人体有害,近红外光谱法灵敏度较低。因此,寻求一种新型的、快速、无损的茶叶品质检测方法成为亟待解决的技术问题。
发明内容
本申请实施例提供了一种基于三维荧光光谱数据的茶叶检测系统、方法、设备及存储介质,旨在提供一种新型的、快速、无损的茶叶品质检测手段。
第一方面,本申请实施例提供一种基于三维荧光光谱数据的茶叶检测系统,包括:
样品台,用于放置待检测茶叶样本;
LED光源,用于以预设角度范围内的入射角度照射待检测茶叶样本,以激发待检测茶叶样本的荧光发射;
图像传感器,用于采集待检测茶叶样本的三维荧光光谱数据,将三维荧光光谱数据传输至物质检测设备;
物质检测设备,用于基于预先训练完成的茶叶的PCA分类模型对三维荧光光谱数据进行分析,得到待检测茶叶的检测结果信息。
在一实施例中,基于三维荧光的茶叶检测系统,还包括:暗箱;其中,样品台安装在暗箱的底部,LED光源安装在暗箱的一侧壁,图像传感器安装在暗箱的顶部。
在一实施例中,LED光源包括多个不同波长的LED灯,多个不同波长的LED灯,分别用于以预设角度范围内的入射角度轮流照射待检测茶叶样本。
在一实施例中,多个不同波长的LED灯,分别用于以预设角度范围内的入射角度,轮流等距照射待检测茶叶样本。
本申请第二方面提供一种基于三维荧光的茶叶检测方法,应用于物质检测设备,该物质检测设备与图像传感器通信连接,该方法包括:
接收图像传感器采集的待检测茶叶样本的三维荧光光谱数据,其中,待检测茶叶样本放置在样品台上,由LED光源以预设角度范围内的入射角度等距照射,以激发待检测茶叶样本的荧光发射;利用预先训练完成的茶叶的PCA分类模型对三维荧光光谱数据进行分析,得到待检测茶叶的检测结果信息。
在一实施例中,预先训练完成的茶叶的PCA分类模型的训练过程,包括:
获取不同类别茶叶样本在LED光源照射下的三维荧光光谱数据,其中,LED光源包括多个不同波长的LED灯,三维荧光光谱数据以图片形式显示;针对每个茶叶样本,分别对每个波长下得到的图片中的每个像素点进行像素值提取,得到像素值组成的向量;分别将各波长下得到的各图片中每个像素点的像素值组成的向量,按照预设顺序连接,形成一维向量;基于所有茶叶样本的一维向量构建二维数据阵列,其中,二维数据阵列的每行代表一个茶叶样本的一维向量;
将二维数据阵列划分为训练集和测试集;基于训练集对预先构建的不同茶叶的PCA分类模型进行训练,得到训练后的茶叶的PCA分类模型;基于测试集对训练后的茶叶的PCA分类模型进行验证,若验证通过,则得到训练完成的茶叶的PCA分类模型;若训练不通过,则继续执行对预先构建的不同茶叶的PCA分类模型进行训练的步骤,直至测试通过。
在一实施例中,不同茶叶的PCA分类模型的构建步骤,包括:分别获取预设数量茶叶样本的原始数据;对原始数据进行特征提取和降维,得到原始数据的主成分作为新的特征;基于预设算法从新的特征中提取目标主成分,对目标主成分进行线性判别分析,以构建不同茶叶的所述PCA分类模型。
在一实施例中,基于预设算法从新的特征中提取目标主成分,包括:基于统计指标算法、可解释性方差算法或者累计方差贡献率等算法从新的特征中提取确定数量的特征,得到目标主成分。
本申请第三方面提供一种物质检测设备,该物质检测设备,包括:存储器和处理器;存储器用于存储计算机程序;处理器,用于执行计算机程序并在执行计算机程序时,实现如上第二方面所述的基于三维荧光的茶叶检测方法。
本申请第四方面提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序;该计算机程序被一个或多个处理器执行时,使得一个或多个处理器执行如上第二方面所述的基于三维荧光的茶叶检测方法。
本申请实施例提供了基于三维荧光的茶叶检测系统、方法、物质检测设备及存储介质,其中,基于三维荧光的茶叶检测系统,包括:样品台,用于放置待检测茶叶样本;LED光源,用于以预设角度范围内的入射角度照射待检测茶叶样本,以激发待检测茶叶样本的荧光发射;图像传感器,用于采集待检测茶叶样本的三维荧光光谱数据,将三维荧光光谱数据传输至物质检测设备;物质检测设备,用于基于预先训练完成的茶叶的PCA分类模型对三维荧光光谱数据进行分析,得到待检测茶叶的检测结果信息。该基于三维荧光光谱数据的茶叶检测系统,相对于传统的茶叶光谱提取,简化了处理步骤,直接对图像传感器采集的茶叶的三维荧光光谱数据进行处理,实现了快速无损的茶叶品质检测。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图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为本申请一实施例提供的基于三维荧光光谱数据的茶叶检测系统的结构示意图;
图2为本申请另一实施例提供的基于三维荧光光谱数据的茶叶检测系统的结构示意图;
图3为本申请实施例提供的基于三维荧光的茶叶检测方法的流程示意图;
图4为本申请实施例提供的茶叶的PCA分类模型的训练流程示意图;
图5为本申请实施例提供的物质检测设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在说明本申请提供的技术方案之前,需要说明的是,在化学分析领域,荧光技术因其检测时间短、灵敏度高、不破坏样品结构、测量过程不消耗试剂等优点,已经快速发展为一种新型的分析手段。其中,三维荧光光谱技术可以提供荧光强度与激发和发射波长的关系,每种荧光物质都具有其独特的三维荧光指纹图谱。这项技术具有高灵敏性、良好的选择性,并可以进行多组分的同时检测。因此,在食品药品及其化学成分检测、水体和土壤中可溶性有机物的组成结构及迁移转化规律研究等领域已得到广泛应用。
然而,针对茶叶的三维荧光谱,仅凭借直观对比荧光谱图及其指纹图无法实现茶叶种类的准确区分和鉴别。由于茶叶本身的三维荧光谱是由不同结构的荧光分子在多个能级对激光的响应构成的,具有复杂性。因此,需要综合三维荧光谱参数化分析方法,对三维荧光谱进行特征提取,并提取和选择与茶叶荧光成分相关的特征参数,以实现茶叶种类的鉴别。本申请的技术方案借鉴了统计学中的主成分分析方法,通过以少数主元变量取代原有的多维变量,实现变量空间的降维,同时确保不影响模式分类结果。通过基于三维荧光谱的参数化分析和主成分分析等技术方法进行茶叶品质评价和鉴别。这种方法具有快速、无损、灵敏等优势,并能够克服传统评价方法的主观性和局限性,实现茶叶品质的客观、准确评定。
以下将结合附图对本申请提供的技术方案进行详细的说明。
请参阅图1,图1为本申请实施例提供的基于三维荧光光谱数据的茶叶检测系统的结构示意图。
由图1可知,本申请实施例提供的基于三维荧光光谱数据的茶叶检测系统10包括:样品台101、LED光源102、图像传感器103和物质检测设备104。其中,样品台101,用于放置待检测茶叶样本。LED光源102,用于以预设角度范围内的入射角度照射待检测茶叶样本,以激发待检测茶叶样本的荧光发射。图像传感器103,用于采集待检测茶叶样本的三维荧光光谱数据,将三维荧光光谱数据传输至物质检测设备104。物质检测设备104,用于基于预先训练完成的茶叶的PCA分类模型对三维荧光光谱数据进行分析,得到待检测茶叶的检测结果信息。
在本申请的实施例中,样品台101的顶部为水平平台,以使得待检测茶叶样本能够稳定放置。在具体实施时,通常需要将待检测茶叶样本放置在容器内,再将内置有待检测茶叶样本的容器放置在该样品台101上,以保证能够采集到待检测茶叶样本的稳定三维荧光光谱数据。
LED光源102包括多个不同波长的LED灯;其中,多个不同波长的LED灯分别用于以预设角度范围内的入射角度轮流照射待检测茶叶样本。具体地,预设角度范围为-60°到60°。具体地,将单个LED灯垂直入射至待检测茶叶样本的角度作为0°,通过控制样品台旋转,可以改变LED灯入射至待检测茶叶样本的角度,该角度范围在-60°到60°之间。
在本申请的实施例中,LED光源102通过安装架固定安装在能够以预设角度范围内的入射角照射样品台101的位置,例如,LED光源102可以固定安装在样品台的侧上方位置,随着样品台的旋转,LED光源102入射至样品台的入射角在-60°至60°范围内变化。LED光源102包括多个能够发射不同波长的LED灯,在具体实施时,通过轮流等距点亮每个具有不同波长的LED灯,使得每个LED灯分别以预设角度范围照射待检测茶叶样本,实现切换不同的激发波长,以在待检测茶叶样本表面形成均匀分布的光照强度,用于确保每个待检测茶叶样本能够受到相似的激发光照。例如,在待检测茶叶样本的具体测量中,使用具有4个不同波长的LED灯的LED光源,每个待检测茶叶样本都需要经历4个LED等距轮流照射。
图像传感器103,可以固定安装在样品台101的顶部,当LED光源102发射不同波长的激光至样品台101上的待检测茶叶样本时,待检测茶叶样本受到光照,激发待检测茶叶样本产生三维荧光光谱数据,图像传感器103采集待检测茶叶样本产生的三维荧光光谱数据。具体地,在本申请的实施例中,图像传感器103可以是CMOS图像传感器、CCD图像传感器等。利用CMOS图像传感器或者CCD图像传感器可以直接进行拍照,所得到的图片即为待检测茶叶样本的三维荧光光谱数据。
具体地,待检测茶叶样本的三维荧光光谱数据包括波长范围、荧光强度、荧光光谱曲线以及光谱矩阵等。其中,三维荧光光谱数据记录了一系列波长范围内的光信号。这个波长范围可以是激发波长:270~450nm,或者发射波长:450~800nm。每个波长下的荧光强度是一个关键指标,表示在不同波长下待检测茶叶样本发出的荧光信号的强度或亮度。荧光光谱曲线是在不同波长下记录的荧光强度的图形表示。它展示了待检测样本在不同波长下的荧光特征,可以呈现出峰值、波谷等特征。荧光光谱数据还可以以矩阵形式表示,叫做光谱矩阵。该光谱矩阵通常是一个二维数组,其中每行代表一个待检测茶叶样本,每列代表一个波长点。光谱矩阵中的每个元素表示在特定波长下待检测茶叶样本的荧光强度值。通过记录和分析待检测茶叶样本的三维荧光光谱数据,可以获取待检测茶叶的特征信息,例如荧光强度的分布、波长下的荧光峰值等。这些数据可以用于待检测茶叶样本品质评估、分类鉴别、品种识别等应用,帮助了解待检测茶叶样本的化学成分、生物活性以及其他与质量相关的特性。
物质检测设备104可以是个人计算机(PC)如台式机和笔记本电脑、移动设备如智能手机和平板电脑、终端机、云终端、专用服务器、虚拟服务器、云服务等。该物质检测设备104与图像传感器103通讯连接,用于接收图像传感器103发送的三维荧光光谱数据,基于预先训练完成的茶叶的PCA分类模型对三维荧光数据进行分析,得到待检测茶叶的检测结果信息。
通过上述分析可知,本申请实施例提供的基于三维荧光的茶叶检测系统,相对于传统的茶叶光谱提取,简化了处理步骤,直接对图像传感器采集的茶叶的三维荧光光谱数据进行处理,实现了快速无损的茶叶品质检测。
此外,在本申请的一些实施例中,如图2所示,基于三维荧光的茶叶检测系统10还可以包括暗箱105,具体地,通过将样品台101安装在暗箱105的底部,LED光源102安装在暗箱105的一侧壁,图像传感器103安装在暗箱105的顶部,形成一个进行茶叶样本检测的暗环境,以避免外部光干扰和背景噪音对茶叶样本的三维荧光光谱数据的影响,进而影响对茶叶样本的检测效果。
请参阅图3所示,图3为本申请实施例提供的基于三维荧光的茶叶检测方法的流程示意图。如图3所示,该基于三维荧光的茶叶检测方法由图1所示的物质检测设备执行完成。具体地,该基于三维荧光的茶叶检测方法的流程包括步骤S301至步骤S303。详述如下:
S301:接收图像传感器采集的待检测茶叶样本的三维荧光光谱数据。
其中,待检测茶叶样本放置在样品台上,由LED光源以预设角度范围内的入射角度等距照射,以激发待检测茶叶样本的荧光发射。
当有待检测茶叶样本放置在样品台上,LED光源就会以预设角度范围内的入射角度等距照射待检测茶叶样本,以激发待检测茶叶样本的荧光发射,而图像传感器会拍摄待检测茶叶样本发射的荧光,得到包括三维荧光光谱数据,以图像方式将三维荧光光谱数据发送至物质检测设备。
其中,待检测茶叶样本的三维荧光光谱数据包括波长范围、荧光强度、荧光光谱曲线以及光谱矩阵等。其中,三维荧光光谱数据记录了一系列波长范围内的光信号。这个波长范围可以是激发波长:270~450nm,或者发射波长:450~800nm。每个波长下的荧光强度是一个关键指标,表示在不同波长下待检测茶叶样本发出的荧光信号的强度或亮度。荧光光谱曲线是在不同波长下记录的荧光强度的图形表示。它展示了待检测样本在不同波长下的荧光特征,可以呈现出峰值、波谷等特征。荧光光谱数据还可以以矩阵形式表示,叫做光谱矩阵。该光谱矩阵通常是一个二维数组,其中每行代表一个待检测茶叶样本,每列代表一个波长点。光谱矩阵中的每个元素表示在特定波长下待检测茶叶样本的荧光强度值。通过记录和分析待检测茶叶样本的三维荧光光谱数据,可以获取待检测茶叶的特征信息,例如荧光强度的分布、波长下的荧光峰值等。这些数据可以用于待检测茶叶样本品质评估、分类鉴别、品种识别等应用,帮助了解待检测茶叶样本的化学成分、生物活性以及其他与质量相关的特性。
S302:利用预先训练完成的茶叶的PCA分类模型对三维荧光光谱数据进行分析,得到待检测茶叶的检测结果信息。
其中,如图4所示,图4为本申请实施例提供的茶叶的PCA分类模型的训练流程示意图。
预先训练完成的茶叶的PCA分类模型的训练过程,包括如下步骤S401至S408。
S401,获取不同类别茶叶样本在LED光源照射下的三维荧光光谱数据。
其中,LED光源包括多个不同波长的LED灯,三维荧光光谱数据以图片形式显示。
S402,针对每个茶叶样本,分别对每个波长下得到的图片中的每个像素点进行像素值提取,得到像素值组成的向量。
S403,分别将由像素值组成的向量,按照预设顺序连接,形成一维向量。
S404,基于所有茶叶样本的一维向量构建二维数据阵列,其中,二维数据阵列的每行代表一个茶叶样本的一维向量。
上述步骤S401至步骤S404描述了对预设数量的茶叶样本进行预处理的过程。具体地,通过对每个波长下得到的不同类别茶叶样本的三维荧光光谱数据的图片中的每个像素点的像素值进行提取,将各图片转化为一个由像素值组成的向量。例如,假设每个图像的尺寸为MxN像素,那么提取后的向量将包含MxN个元素,每个元素代表一个像素点的值。然后将这些提取后的向量展开成一个1维向量。也就是说,将所有图像的提取向量按照顺序连接在一起,形成一个长的1维向量。通过这种展开方式,可以将原始的二维图像数据转化为一维的向量数据,便于输入到神经网络进行处理和分析。最后,通过将所有茶叶样本的展开向量组织成一个二维数据阵列,可以构建一个二维数据矩阵,其中每行代表一个样本的向量表示。
例如有一个3x4像素的图像,把每个像素的值提取出来,然后将每行数据首尾相接,最后变成1x12的数据,此操作是便于后续的茶叶PCA模型分析。
S405,将二维数据阵列划分为训练集和测试集。
S406,基于训练集对预先构建的不同茶叶的PCA分类模型进行训练,得到训练后的茶叶的PCA分类模型。
其中,预先构建的不同茶叶的PCA分类模型的构建步骤,包括:分别获取预设数量茶叶样本的原始数据;对原始数据进行特征提取和降维,得到原始数据的主成分作为新的特征;基于预设算法从新的特征中提取目标主成分,对目标主成分进行线性判别分析,以构建不同茶叶的所述PCA分类模型。
基于预设算法从所述新的特征中提取目标主成分,包括:基于统计指标算法、可解释性方差算法或者累计方差贡献率等算法从所述新的特征中提取确定数量的特征,得到所述目标主成分。
在本申请实施例中,首先对预设数量的茶叶样本的原始数据进行主成分分析,固定主成分数。需要说明的是,在主成分分析中,可以通过降维将茶叶样本的原始数据转换为更低维度的特征空间,同时保留茶叶样本的原始数据中重要的信息,主成分分析将保留的茶叶样本的原始数据中重要的信息投影到新的坐标轴上,这些新的坐标轴称为主成分。每个主成分代表茶叶样本的原始数据中的一种变化方向。
在构建PCA分类模型时,首先需要对茶叶样本的原始数据进行主成分分析。这意味着将茶叶样本的原始数据进行特征提取和降维,得到一组主成分作为新的特征。然而,主成分的数量是可调整的,可以选择保留多少个主成分用来表示茶叶样本信息。在进行主成分分析时,需要选择适当的主成分数量。选择主成分数量是一个关键问题,因为它直接影响最终构建的茶叶PCA分类模型的性能和准确性。过少的主成分可能无法保留足够的茶叶信息,而过多的主成分可能引入噪音或冗余。因此,需要通过合适的方法来确定主成分数量。
本申请实施例通过预设算法确定主成分数量,其中预设算法可以是基于统计指标、可解释性方差、累计方差贡献率等。常用的方法包括绘制主成分数与解释方差之间的关系曲线(Scree plot)或使用交叉验证等技术进行模型评估。
通过固定主成分数,能够确定在主成分分析中保留哪些主成分,以提取茶叶信息。这些所选的主成分将用于后续的线性判别分析,以构建茶叶的PCA分类模型。
S407,基于测试集对训练后的茶叶的PCA分类模型进行验证,若验证通过,则得到训练完成的茶叶的PCA分类模型。
具体地,可以将测试集中的茶叶样本输入至训练后的茶叶的PCA分类模型进行分析,并计算茶叶的PCA分类模型的精确度、召回率或者F1分数等指标,以确定是否得到训练完成的茶叶的PCA分类模型。
其中,精确度表示被茶叶的PCA分类模型正确预测为正类的样本(也就是预测准确的结果)在所有被预测为正类的样本(也就是所有预测结果)中的比例。当精确度大于等于预设的精确度阈值,例如0.98时,则确定对茶叶的PCA分类模型的测试通过,得到训练完成的茶叶的PCA分类模型。
召回率表示被茶叶的PCA分类模型正确预测为正类的样本(也就是预测准确的结构)在所有实际正类样本中的比例。当召回率大于等于预设召回率比例时,则确定对茶叶的PCA分类模型的测试通过,得到训练完成的茶叶的PCA分类模型。
F1分数综合考虑了精确度和召回率,是精确度和召回率的调和平均值。它可以通过以下公式计算:F1分数=2*(精确度*召回率)/(精确度+召回率)
F1分数综合了模型的准确性和覆盖率,对于不均衡的数据集或偏斜类别问题更具有稳健性。这些指标通常用于二分类问题,其中正类和负类是相对的。在多类别问题中,可以计算每个类别的精确度、召回率和F1分数,并计算它们的平均值或加权平均值来评估模型的整体性能。
具体地,可以设置当F1分数大于预设分数阈值时,确定对茶叶的PCA分类模型的测试通过,得到训练完成的茶叶的PCA分类模型。
S408,若测试不通过,则继续执行对预先构建的不同茶叶的PCA分类模型进行训练的步骤,直至测试通过。
通过上述分析可知,本申请实施例提供的基于三维荧光的茶叶检测方法,通过接收图像传感器采集的待检测茶叶样本的三维荧光光谱数据,利用预先训练完成的茶叶的PCA分类模型对三维荧光光谱数据进行分析,得到待检测茶叶的检测结果信息。通过茶叶的PCA分类模型能够更全面和客观的评估茶叶质量。它不仅可以量化茶叶样品的荧光特征,还可以减少主观性评估的影响,从而提高茶叶等级评估的准确性和一致性。这种方法可以为茶叶行业提供科学、快速和可靠的质量评估手段,帮助生产者和消费者做出更明智的选择。
请参阅图5所示,图5为本申请实施例提供的物质检测设备的示意性框图。
示例性的,物质检测设备10包括处理器501和存储器502。
示例性的,处理器501和存储器502通过总线503连接,总线503比如为I2C(Inter-integrated Circuit)总线。
具体地,处理器501可以是微控制单元(Micro-controller Unit,MCU)、中央处理单元(Central Processing Unit,CPU)或数字信号处理器(Digital Signal Processor,DSP)等。
具体地,存储器502可以是Flash芯片、只读存储器(ROM,Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
其中,所述处理器501用于运行存储在存储器502中的计算机程序,并在执行计算机程序时实现上述基于三维荧光的茶叶检测方法的步骤。
示例性的,处理器501用于运行存储在存储器502中的计算机程序,并在执行计算机程序时实现如下步骤:
接收图像传感器采集的待检测茶叶样本的三维荧光光谱数据,待检测茶叶样本放置在样品台上,由LED光源以预设角度范围内的入射角度等距照射,以激发待检测茶叶样本的荧光发射;
利用预先训练完成的茶叶的PCA分类模型对三维荧光光谱数据进行分析,得到待检测茶叶的检测结果信息。
在一实施例中,预先训练完成的茶叶的PCA分类模型的训练过程,包括:
获取不同类别茶叶样本在LED光源照射下的三维荧光光谱数据,其中,LED光源包括多个不同波长的LED灯,三维荧光光谱数据以图片形式显示;
针对每个茶叶样本,分别对每个波长下得到的图片中的每个像素点进行像素值提取,得到像素值组成的向量;
分别将向量,按照预设顺序连接,形成一维向量;
基于所有茶叶样本的一维向量构建二维数据阵列,其中,二维数据阵列的每行代表一个茶叶样本的一维向量;
将二维数据阵列划分为训练集和测试集;
基于训练集对预先构建的不同茶叶的PCA分类模型进行训练,得到训练后的茶叶的PCA分类模型;
基于测试集对训练后的茶叶的PCA分类模型进行验证,若验证通过,则得到训练完成的茶叶的PCA分类模型;
若训练不通过,则继续执行对预先构建的不同茶叶的PCA分类模型进行训练的步骤,直至测试通过。
在一实施例中,不同茶叶的PCA分类模型的构建步骤,包括:
分别获取预设数量茶叶样本的原始数据;
对原始数据进行特征提取和降维,得到原始数据的主成分作为新的特征;
基于预设算法从新的特征中提取目标主成分,对目标主成分进行线性判别分析,以构建不同茶叶的所述PCA分类模型。
在一实施例中,基于预设算法从新的特征中提取目标主成分,包括:
基于统计指标算法、可解释性方差算法或者累计方差贡献率等算法从新的特征中提取确定数量的特征,得到目标主成分。
本申请实施例提供的物质检测设备的具体原理和实现方式均与前述实施例中基于三维荧光的茶叶检测方法实现类似,此处不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时使处理器实现如下步骤:
接收图像传感器采集的待检测茶叶样本的三维荧光光谱数据,待检测茶叶样本放置在样品台上,由LED光源以预设角度范围内的入射角度等距照射,以激发待检测茶叶样本的荧光发射;
利用预先训练完成的茶叶的PCA分类模型对三维荧光光谱数据进行分析,得到待检测茶叶的检测结果信息。
在一实施例中,预先训练完成的茶叶的PCA分类模型的训练过程,包括:
获取不同类别茶叶样本在所述LED光源照射下的三维荧光光谱数据,LED光源包括多个不同波长的LED灯,三维荧光光谱数据以图片形式显示;
针对每个茶叶样本,分别对每个波长下得到的图片中的每个像素点进行像素值提取,得到像素值组成的向量;
分别将向量,按照预设顺序连接,形成一维向量;
基于所有茶叶样本的一维向量构建二维数据阵列,其中,二维数据阵列的每行代表一个茶叶样本的一维向量;
将二维数据阵列划分为训练集和测试集;
基于训练集对预先构建的不同茶叶的PCA分类模型进行训练,得到训练后的茶叶的PCA分类模型;
基于测试集对训练后的茶叶的PCA分类模型进行验证,若验证通过,则得到训练完成的茶叶的PCA分类模型;
若训练不通过,则继续执行对预先构建的不同茶叶的PCA分类模型进行训练的步骤,直至测试通过。
在一实施例中,不同茶叶的PCA分类模型的构建步骤,包括:
分别获取预设数量茶叶样本的原始数据;
对原始数据进行特征提取和降维,得到原始数据的主成分作为新的特征;
基于预设算法从新的特征中提取目标主成分,对目标主成分进行线性判别分析,以构建不同茶叶的PCA分类模型。
在一实施例中,基于预设算法从新的特征中提取目标主成分,包括:
基于统计指标算法、可解释性方差算法或者累计方差贡献率等算法从新的特征中提取确定数量的特征,得到目标主成分。
其中,计算机可读存储介质可以是前述任一实施例中物质检测设备的内部存储单元,例如物质检测设备的硬盘或内存。计算机可读存储介质也可以是物质检测设备的外部存储设备,例如物质检测设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
应当理解,在此本申请中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。
还应当理解,在本申请和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于三维荧光光谱数据的茶叶检测系统,其特征在于,包括:
样品台,用于放置待检测茶叶样本;
LED光源,用于以预设角度范围内的入射角度照射所述待检测茶叶样本,以激发所述待检测茶叶样本的荧光发射;
图像传感器,用于采集所述待检测茶叶样本的三维荧光光谱数据,将所述三维荧光光谱数据传输至物质检测设备;
物质检测设备,用于基于预先训练完成的茶叶的PCA分类模型对所述三维荧光光谱数据进行分析,得到所述待检测茶叶的检测结果信息。
2.根据权利要求1所述的基于三维荧光的茶叶检测系统,其特征在于,所述基于三维荧光的茶叶检测系统,还包括:
暗箱;
所述样品台安装在所述暗箱的底部,所述LED光源安装在所述暗箱的一侧壁,所述图像传感器安装在所述暗箱的顶部。
3.根据权利要求1或2所述的基于三维荧光的茶叶检测系统,其特征在于,所述LED光源包括多个不同波长的LED灯,所述多个不同波长的LED灯,分别用于以预设角度范围内的入射角度轮流照射所述待检测茶叶样本。
4.根据权利要求3所述的基于三维荧光的茶叶检测系统,其特征在于,所述多个不同波长的LED灯,分别用于以预设角度范围内的入射角度,轮流等距照射所述待检测茶叶样本。
5.一种基于三维荧光的茶叶检测方法,其特征在于,应用于物质检测设备,所述物质检测设备与图像传感器通信连接,所述方法包括:
接收图像传感器采集的待检测茶叶样本的三维荧光光谱数据,所述待检测茶叶样本放置在样品台上,由LED光源以预设角度范围内的入射角度等距照射,以激发所述待检测茶叶样本的荧光发射;
利用预先训练完成的茶叶的PCA分类模型对所述三维荧光光谱数据进行分析,得到所述待检测茶叶的检测结果信息。
6.根据权利要求4所述的基于三维荧光的茶叶检测方法,其特征在于,所述预先训练完成的茶叶的PCA分类模型的训练过程,包括:
获取不同类别茶叶样本在所述LED光源照射下的三维荧光光谱数据,所述LED光源包括多个不同波长的LED灯,所述三维荧光光谱数据以图片形式显示;
针对每个所述茶叶样本,分别对每个波长下得到的图片中的每个像素点进行像素值提取,得到所述像素值组成的向量;
分别将所述向量,按照预设顺序连接,形成一维向量;
基于所有所述茶叶样本的所述一维向量构建二维数据阵列,其中,所述二维数据阵列的每行代表一个所述茶叶样本的一维向量;
将所述二维数据阵列划分为训练集和测试集;
基于所述训练集对预先构建的不同茶叶的PCA分类模型进行训练,得到训练后的茶叶的PCA分类模型;
基于所述测试集对训练后的所述茶叶的PCA分类模型进行验证,若验证通过,则得到训练完成的所述茶叶的PCA分类模型;
若训练不通过,则继续执行对预先构建的不同茶叶的PCA分类模型进行训练的步骤,直至测试通过。
7.根据权利要求6所述的基于三维荧光的茶叶检测方法,其特征在于,所述不同茶叶的PCA分类模型的构建步骤,包括:
分别获取预设数量茶叶样本的原始数据;
对所述原始数据进行特征提取和降维,得到所述原始数据的主成分作为新的特征;
基于预设算法从所述新的特征中提取目标主成分,对所述目标主成分进行线性判别分析,以构建不同茶叶的所述PCA分类模型。
8.根据权利要求7所述的基于三维荧光的茶叶检测方法,其特征在于,所述基于预设算法从所述新的特征中提取目标主成分,包括:
基于统计指标算法、可解释性方差算法或者累计方差贡献率等算法从所述新的特征中提取确定数量的特征,得到所述目标主成分。
9.一种物质检测设备,其特征在于,所述物质检测设备,包括:
存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时,实现如权利要求5至8中任一项所述的基于三维荧光的茶叶检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序;
所述计算机程序被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求5至8中任一项所述的基于三维荧光的茶叶检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310733342.3A CN116773496A (zh) | 2023-06-19 | 2023-06-19 | 基于三维荧光分析的茶叶检测系统、方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310733342.3A CN116773496A (zh) | 2023-06-19 | 2023-06-19 | 基于三维荧光分析的茶叶检测系统、方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116773496A true CN116773496A (zh) | 2023-09-19 |
Family
ID=87989031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310733342.3A Pending CN116773496A (zh) | 2023-06-19 | 2023-06-19 | 基于三维荧光分析的茶叶检测系统、方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116773496A (zh) |
-
2023
- 2023-06-19 CN CN202310733342.3A patent/CN116773496A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3005293B1 (en) | Image adaptive physiologically plausible color separation | |
US20210366109A1 (en) | Group sparsity model for image unmixing | |
JP6333326B2 (ja) | スペクトルイメージングによる生体試料の分析方法 | |
US9128055B2 (en) | Information processing apparatus, information processing method, program, and method of correcting intensity of fluorescence spectrum | |
US10408740B2 (en) | Method for huanglongbing (HLB) detection | |
US7689023B2 (en) | Color unmixing and region of interest detection in tissue samples | |
EP3053138B1 (en) | Systems and methods for adaptive histopathology image unmixing | |
US9792693B2 (en) | Spectral unmixing | |
US9002113B2 (en) | Processing and analyzing hyper-spectral image data and information via dynamic database updating | |
CN111033230A (zh) | 利用光谱的高速分类进行的实时光谱解析 | |
US20110052019A1 (en) | Analyzing Objects Via Hyper-Spectral Imaging and Analysis | |
WO2021256514A1 (ja) | 生体細胞解析装置、生体細胞解析システム、生体細胞解析プログラムおよび生体細胞解析方法 | |
CN112712108A (zh) | 一种拉曼光谱多元数据分析方法 | |
CN108802002A (zh) | 一种快速无损鉴别解除滞育的蚕卵拉曼光谱模型构建方法 | |
Bao et al. | A remote computing based point-of-care colorimetric detection system with a smartphone under complex ambient light conditions | |
WO2022004500A1 (ja) | 情報処理装置、情報処理方法、プログラム、顕微鏡システム及び解析システム | |
CN116773496A (zh) | 基于三维荧光分析的茶叶检测系统、方法、设备及存储介质 | |
CN114184599B (zh) | 单细胞拉曼光谱采集数目估计方法、数据处理方法及装置 | |
CN104350378B (zh) | 用于测量光谱系统的性能的方法和设备 | |
CN105866042A (zh) | 基于像素指标无偏估计法生物品质指标空间分布检测方法 | |
CN111007051B (zh) | 基于激光诱导荧光光谱的蜂蜜检测方法及其检测装置 | |
Zeb et al. | Towards the Selection of the Best Machine Learning Techniques and Methods for Urinalysis | |
CN215493143U (zh) | 一种多光谱结合pls-da区分植物叶色细微差别的系统 | |
CN112014378A (zh) | 一种便携式血痕识别仪及其鉴别方法 | |
CN116956143A (zh) | 光谱数据的模型构建及分类检测方法、装置、设备及介质 |
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 |