CN117054372B - 基于nirs与cv的茶叶品质等级检测方法和系统 - Google Patents
基于nirs与cv的茶叶品质等级检测方法和系统 Download PDFInfo
- Publication number
- CN117054372B CN117054372B CN202311026399.6A CN202311026399A CN117054372B CN 117054372 B CN117054372 B CN 117054372B CN 202311026399 A CN202311026399 A CN 202311026399A CN 117054372 B CN117054372 B CN 117054372B
- Authority
- CN
- China
- Prior art keywords
- data
- tea
- spectrum
- near infrared
- training
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 105
- 238000001320 near-infrared absorption spectroscopy Methods 0.000 title claims abstract description 22
- 241001122767 Theaceae Species 0.000 claims abstract description 275
- 238000001228 spectrum Methods 0.000 claims abstract description 126
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 112
- 238000012545 processing Methods 0.000 claims abstract description 93
- 238000000034 method Methods 0.000 claims abstract description 69
- 238000006243 chemical reaction Methods 0.000 claims abstract description 25
- 238000012937 correction Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 230000009467 reduction Effects 0.000 claims abstract description 14
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 claims description 162
- 238000012549 training Methods 0.000 claims description 151
- 150000008442 polyphenolic compounds Chemical class 0.000 claims description 85
- 235000013824 polyphenols Nutrition 0.000 claims description 85
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 claims description 81
- 150000001413 amino acids Chemical class 0.000 claims description 81
- 229960001948 caffeine Drugs 0.000 claims description 81
- VJEONQKOZGKCAK-UHFFFAOYSA-N caffeine Natural products CN1C(=O)N(C)C(=O)C2=C1C=CN2C VJEONQKOZGKCAK-UHFFFAOYSA-N 0.000 claims description 81
- 239000011159 matrix material Substances 0.000 claims description 53
- 239000013598 vector Substances 0.000 claims description 53
- 238000001914 filtration Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 13
- 230000002068 genetic effect Effects 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000000137 annealing Methods 0.000 claims description 6
- 238000011049 filling Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000007704 wet chemistry method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 4
- 230000001953 sensory effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000004128 high performance liquid chromatography Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- FEMOMIGRRWSMCU-UHFFFAOYSA-N ninhydrin Chemical compound C1=CC=C2C(=O)C(O)(O)C(=O)C2=C1 FEMOMIGRRWSMCU-UHFFFAOYSA-N 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Immunology (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于NIRS与CV的茶叶品质等级检测方法和系统,其技术方案要点是:对茶叶图像进行预处理得到对应的处理图像,对待检测茶叶的近红外光谱根据预设的待检测成分进行预处理得到第一处理光谱,对近红外光谱进行降噪和校正处理得到第二处理光谱;将处理图像输入的茶叶外形品质定级模型得到对应的外形品质等级;将第一处理光谱输入与待检测成分对应的成分检测模型得到对应的成分数据;对第二处理光谱、成分数据和外形品质等级进行数据转换得到综合数据;将综合数据输入综合品质模型得到对应的茶叶等级;本申请具有对茶叶的外形品质的评定更为客观化和标准化,且综合考虑茶叶内质品质和外形品质,使茶叶的品质定级更综合的效果。
Description
技术领域
本发明涉及茶叶等级检测技术领域,更具体地说,它涉及一种基于NIRS与CV的茶叶品质等级检测方法和系统。
背景技术
茶叶品质是影响价格的第一要素。实现有效的质量检测,对形成稳定的产品质量和分类销售具有重要意义。另一方面,茶叶品质定级贯穿从毛茶验收、精制加工到销售的整个环节,是茶叶工业化发展过程中不可或缺的一环。
目前,茶叶品质的定级通常有三种方式,第一种方式是当前企业质检常用的人工感官评审方式,要求评审人员通过感官评价对茶叶的外形和口感进行评审,并根据评审结果确定茶叶品质等级;第二种方式是基于近红外光谱(near-infrared spectroscopy,NIRS)技术实现,利用机器学习挖掘光谱变量与茶叶品质等级的关系,通过该关系得到茶叶的品质等级;第三种方式是使用计算机视觉(computervision,CV)技术对茶叶的外形进行判别,得到茶叶的品质等级。
但是,第一种方式严重依赖于评审人员的主观感受及专业能力,具有强烈的主观性和极大的模糊性。第二种方式由于近红外光谱技术本身无法表征茶叶外形特征,定级结果仅基于茶叶的内质品质实现,未兼顾茶叶的外形品质,而茶叶的外形品质在茶叶综合品质中非常重要,该方法具有片面性。第三种方式获得的定级结果则基于茶叶的外形品质,而未兼顾茶叶的内质品质,同样具有片面性。因此,上述三种方式均不能根据茶叶的外形和内质品质客观地实现综合定级,而茶产业标准化和智能化发展要求茶叶品质定级应满足便捷、客观、准确和综合的特点。因此,急需建立一种综合考虑内质品质和外形品质的茶叶品质等级检测方法,以符合茶产业的工业化发展要求。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种基于NIRS与CV的茶叶品质等级检测方法和系统,其综合考虑茶叶内质品质和外形品质,具有使茶叶的品质定级更综合的功能优点。
本发明的上述技术目的是通过以下技术方案得以实现的:
一种基于NIRS与CV的茶叶品质等级检测方法,包括:
获取待检测茶叶的茶叶图像和近红外光谱;
对所述茶叶图像进行预处理得到对应的处理图像,对所述近红外光谱根据预设的待检测成分进行预处理得到对应的第一处理光谱,对所述近红外光谱进行降噪和校正处理得到对应的第二处理光谱;
将所述处理图像输入训练好的茶叶外形品质定级模型得到对应的外形品质等级;
将所述第一处理光谱输入与所述待检测成分对应的构建好的成分检测模型得到对应的成分数据;
对所述第二处理光谱、成分数据和外形品质等级进行数据转换得到综合数据;
将所述综合数据输入给训练好的综合品质模型得到对应的茶叶等级。
可选的,所述待检测成分包括:茶多酚、咖啡碱和游离氨基酸;所述成分检测模型包括:茶多酚检测模型、咖啡碱检测模型和游离氨基酸检测模型;所述将所述第一处理光谱输入与所述待检测成分对应的构建好的成分检测模型得到对应的成分数据,包括:
将与所述茶多酚对应的第一处理光谱输入构建好的茶多酚检测模型得到对应的茶多酚数据;
将与所述咖啡碱对应的第一处理光谱输入构建好的咖啡碱检测模型得到对应的咖啡碱数据;
将与所述游离氨基酸对应的第一处理光谱输入构建好的游离氨基酸检测模型得到对应的游离氨基酸数据。
可选的,所述对所述第二处理光谱、成分数据和外形品质等级进行数据转换得到二维的综合数据,包括:
截取所述第二处理光谱中的特征波段数据,所述特征波段数据的数据长度为N2,N为正整数;
对所述特征波段数据在长度方向上进行N等分,在宽度方向上将所述等分波段数据按其原长度方向顺序一一合并得到N×N的正方形矩阵;
将所述茶多酚数据复制为一维向量,长度为N,并补丁到所述正方形矩阵的第一边;
将所述咖啡碱数据复制为一维向量,长度为N,并补丁到所述正方形矩阵的第二边;
将所述游离氨基酸数据复制为一维向量,长度为N,并补丁到所述正方形矩阵的第三边;
将所述外形品质等级复制为一维向量,长度为N,并补丁到所述正方形矩阵的第四边;
将补丁后正方形矩阵的4个对角元素以0填补得到(N+2)×(N+2)矩阵的综合数据。
可选的,所述综合品质模型为基于ResNet18的网络模型,对所述综合品质模型的训练方法,包括:
获取茶叶训练样本集中的各个茶叶训练样本对应的近红外光谱、训练外形品质等级、游离氨基酸含量、茶多酚含量和咖啡碱含量;
对各个所述茶叶训练样本对应的近红外光谱进行降噪和校正得到训练处理光谱;
将各个所述茶叶训练样本对应的训练处理光谱、游离氨基酸含量、茶多酚含量、咖啡碱含量和训练外形品质等级进行数据转换得到对应的训练综合数据,形成训练综合数据集;
采用所述训练综合数据集对基于ResNet18的网络模型进行训练,训练过程分为初次迭代训练和二次迭代训练,初次迭代训练的学习率设置为0.001,二次迭代训练使用余弦退火学习率对初次迭代训练后的网络模型进行迭代训练,直至网络模型收敛后得到训练好的综合品质模型。
可选的,所述训练外形品质等级为专业评茶师评估得到,所述游离氨基酸含量、茶多酚含量和咖啡碱含量为采用湿化学法检测得到。
可选的,所述茶叶外形品质定级模型包括:
卷积模块,所述卷积模块用于提取处理图像的特征得到第一特征图;
第一池化层,用于对所述第一特征图进行压缩得到压缩特征图;
多个Inception模块,用于提取所述压缩特征图中的有效特征得到第二特征图,压缩第二特征图并整合第二特征图中的关键特征得到第三特征图;
全局均值池化层,用于对所述Inception模块输出的第三特征图求均值得到数据特征;
全连接层,用于整合所述数据特征与各个预设级别的关系,得到所述数据特征与各个预设级别对应的结果;
softmax层,用于对所述数据特征在各个预设级别对应的结果进行归一化指数计算得到所述数据特征与各个预设级别对应的概率值。
可选的,所述对所述近红外光谱根据预设的待检测成分进行预处理得到对应的第一处理光谱,包括:
对所述近红外光谱进行卷积平滑滤波,对滤波后的近红外光谱进行一阶求导,对求导后的近红外光谱进行自标度化,对自标度化后的近红外光谱进行基于遗传算法的变量组合总体分析得到第一波长变量,即茶多酚对应的第一处理光谱;
对所述近红外光谱进行卷积平滑滤波,对滤波后的近红外光谱进行迭代自适应加权惩罚最小二乘法校正,对校正后的近红外光谱进行归一化,对归一化后的近红外光谱进行基于迭代的保持信息变量的变量组合总体分析得到第二波长变量,即咖啡碱对应的第一处理光谱;
对所述近红外光谱进行卷积平滑滤波,对滤波后的近红外光谱标准正态变量变换,对变换后的近红外光谱进行自标度化,对自标度化后的近红外光谱进行基于遗传算法的变量组合总体分析得到第三波长变量,即游离氨基酸对应的第一处理光谱;
所述茶多酚检测模型构建方法为使用偏最小二乘法建立第一波长变量与茶多酚的回归模型;
所述咖啡碱检测模型构建方法为使用偏最小二乘法建立第二波长变量与咖啡碱的回归模型;
所述游离氨基酸检测模型构建方法为使用偏最小二乘法建立第三波长变量与游离氨基酸的回归模型。
一种基于NIRS与CV的茶叶品质等级检测系统,包括:
数据获取模块,用于获取待检测茶叶的茶叶图像和近红外光谱;
预处理模块,用于对所述茶叶图像进行预处理得到对应的处理图像,对所述近红外光谱根据预设的待检测成分进行预处理得到对应的第一处理光谱,对所述近红外光谱进行降噪和校正处理得到对应的第二处理光谱;
外形评级模块,用于将所述处理图像输入训练好的茶叶外形品质定级模型得到对应的外形品质等级;
成分检测模块,用于将所述第一处理光谱输入与所述待检测成分对应的构建好的成分检测模型得到对应的成分数据;
数据转换模块,用于对所述第二处理光谱、成分数据和外形品质等级进行数据转换得到综合数据;
综合评级模块,用于将所述综合数据输入给训练好的综合品质模型得到对应的茶叶等级。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
综上所述,本发明具有以下有益效果:通过将处理图像输入茶叶外形品质定级模型得到对应的外形品质等级,对茶叶的外形品质的评定更为客观化和标准化,另外,根据待检测成分的不同对近红外光谱进行不同的预处理得到对应的第一处理光谱,将第一处理光谱输入对应的成分检测模型得到待检测成分对应的成分数据,然后对待检测茶叶的处理光谱、成分数据和外形品质等级进行数据转换得到综合数据,将综合数据输入综合品质模型能够得到结合了待检测茶叶内质品质和外形品质的茶叶等级,使茶叶的品质定级更综合。
附图说明
图1是本发明提供的方法的流程示意图;
图2是本发明提供的外形品质定级模型的准确率图和损失曲线图
图3是本发明提供的基于NIRS与CV的茶叶品质等级检测系统的结构框图;
图4是本发明实施例中计算机设备的内部结构图。
具体实施方式
为使本发明的目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。
在本发明中,除非另有明确的规定和限定,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
下面结合附图和实施例,对本发明进行详细描述。
本发明提供了一种基于NIRS与CV的茶叶品质等级检测方法,如图1所示,包括:
步骤1、获取待检测茶叶的茶叶图像和近红外光谱。
具体地,采集适量待检测茶叶,将待检测茶叶均匀铺满茶叶审评盘上,放置于摄像头正下方,打开补光灯后按下拍照按钮拍摄待检测茶叶的茶叶图像,能够得到原始尺寸为5472x3648的茶叶图像;将待检测茶叶研磨成粉末后,使用近红外光谱仪采集研磨成粉末的待检测茶叶的近红外光谱。
步骤2、对所述茶叶图像进行预处理得到对应的处理图像,对所述近红外光谱根据预设的待检测成分进行预处理得到对应的第一处理光谱,对所述近红外光谱进行降噪和校正处理得到对应的第二处理光谱。
具体地,在本申请中对茶叶图像的中间部分进行裁剪,裁剪尺寸为1080x1080,得到裁剪图像,使用自适应局部色调映射算法提高裁剪图像的亮度,使用双三次差值对提亮后的裁剪图像进行下采样处理,使提亮后的裁剪图像尺寸调整为360x360,然后使用高斯低通滤波器对尺寸调整后的裁剪图像进行锐化处理,以得到信噪比高的处理图像;根据待检测成分的不同,对近红外光谱进行不同的预处理,得到与各个待检测成分对应的第一处理光谱。
步骤3、将所述处理图像输入训练好的茶叶外形品质定级模型得到对应的外形品质等级。
步骤4、将所述处理光谱输入与所述待检测成分对应的构建好的成分检测模型得到对应的成分数据。
步骤5、对所述处理光谱、成分数据和外形品质等级进行数据转换得到综合数据。
步骤6、将所述综合数据输入给训练好的综合品质模型得到对应的茶叶等级。
在本申请中,通过采集茶叶图像后进行预处理得到处理图像,将处理图像输入茶叶外形品质定级模型得到对应的外形品质等级,相比于现有技术中的人工感官审评方法,减少了对评茶师专业能力的依赖,对茶叶的外形品质的检测更为客观,另外,采集待检测茶叶的近红外光谱,根据待检测成分的不同进行不同的预处理得到对应的第一处理光谱,将第一处理光谱输入对应的成分检测模型得到待检测成分对应的成分数据,然后对待检测茶叶的处理光谱、成分数据和外形品质等级进行数据转换得到综合数据,综合数据包括了对茶叶的内质品质和外形品质的检测数据,将综合数据输入综合品质模型能够得到结合了待检测茶叶内质品质和外形品质的茶叶等级。
进一步地,所述待检测成分包括:茶多酚、咖啡碱和游离氨基酸;所述成分检测模型包括:茶多酚检测模型、咖啡碱检测模型和游离氨基酸检测模型;所述将所述第一处理光谱输入与所述待检测成分对应的构建好的成分检测模型得到对应的成分数据,包括:
将与所述茶多酚对应的第一处理光谱输入构建好的茶多酚检测模型得到对应的茶多酚数据;
将与所述咖啡碱对应的第一处理光谱输入构建好的咖啡碱检测模型得到对应的咖啡碱数据;
将与所述游离氨基酸对应的第一处理光谱输入构建好的游离氨基酸检测模型得到对应的游离氨基酸数据。
具体地,茶多酚、咖啡碱和游离氨基酸为影响茶叶口感最重要的三大类成分,该三大类成分的含量与比例基本能够决定茶叶的内质品质,因此,通过茶多酚检测模型、咖啡碱检测模型和游离氨基酸检测模型检测对应的第一处理光谱,得到待检测茶叶的茶多酚数据、咖啡碱数据和游离氨基酸数据,能够判断茶叶的内质品质。
进一步地,所述对所述第二处理光谱、成分数据和外形品质等级进行数据转换得到综合数据,包括:
截取所述第二处理光谱中的特征波段数据;
对所述特征波段数据在长度方向上进行N等分,N为正整数,在宽度方向上将所述等分波段数据按其原长度方向顺序一一合并得到N×N的正方形矩阵;
将所述茶多酚数据复制为一维向量,并补丁到所述正方形矩阵的第一边;
将所述咖啡碱数据复制为一维向量,并补丁到所述正方形矩阵的第二边;
将所述游离氨基酸数据复制为一维向量,并补丁到所述正方形矩阵的第三边;
将所述外形品质等级复制为一维向量,并补丁到所述正方形矩阵的第四边;
将补丁后正方形矩阵的4个对角元素以0填补得到(N+2)×(N+2)矩阵的综合数据。
具体地,截取第二处理光谱中前N2个波长变量的特征波段,得到特征波段数据x1、x2、…、xn2,假设对特征波段在长度方向上进行N等分后,得到N个波段,在宽度方向上将所述等分波段数据按其原长度方向顺序一一合并后,得到N×N的正方形矩阵为:
所述茶多酚数据、咖啡碱数据和游离氨基酸数据分别复制后,得到对应的一维向量为1×N或N×1的一维向量,将茶多酚数据表示为a,咖啡碱数据表示为b,游离氨基酸表示为c,外形品质等级表示为d,将复制后的茶多酚数据、咖啡碱数据和游离氨基酸数据分别补丁到正方形矩阵中,并以0填补补丁后正方形矩阵的4个对角元素可得到(N+2)×(N+2)矩阵的综合数据:
通过对第二处理光谱、茶多酚数据、咖啡碱数据、游离氨基酸和外形品质等级的数据转换得到了待检测茶叶的内质品质和外形品质的综合数据,以便于综合品质模型对综合数据进行检测得到待检测茶叶的茶叶等级。
进一步地,所述综合品质模型为基于ResNet18的网络模型,对所述综合品质模型的训练方法,包括:
获取茶叶训练样本集中的各个茶叶训练样本对应的近红外光谱、训练外形品质等级、游离氨基酸含量、茶多酚含量和咖啡碱含量;具体地,近红外光谱也是通过近红外光谱仪对研磨成粉末的各个茶叶训练样本采集得到;
对各个所述茶叶训练样本对应的近红外光谱进行降噪和校正得到训练处理光谱;
将各个所述茶叶训练样本对应的训练处理光谱、游离氨基酸含量、茶多酚含量、咖啡碱含量和训练外形品质等级进行数据转换得到对应的训练综合数据,形成训练综合数据集;
采用所述训练综合数据集对基于ResNet18的网络模型进行训练,训练过程分为初次迭代训练和二次迭代训练,初次迭代训练的学习率设置为0.001,二次迭代训练使用余弦退火学习率对初次迭代训练后的网络模型进行迭代训练,直至网络模型收敛后得到训练好的综合品质模型。
具体地,将各个所述茶叶训练样本对应的训练处理光谱、游离氨基酸含量、茶多酚含量、咖啡碱含量和训练外形品质等级进行数据转换,也是截取训练处理光谱中前N2个波长变量的训练特征波段,得到训练特征波段数据,假设对训练特征波段在长度方向上进行N等分后,得到N个波段,在宽度方向上将所述等分波段数据按其原长度方向顺序一一合并后,得到N×N的训练矩阵,所述茶多酚含量、咖啡碱含量、游离氨基酸含量和训练外形品质等级分别复制后,得到对应的1×N或N×1的一维向量,将复制后的茶多酚数据、咖啡碱数据、游离氨基酸数据和训练外形品质等级分别补丁到训练矩阵中,并以0填补补丁后训练矩阵的4个对角元素可得到(N+2)×(N+2)矩阵的训练综合数据。基于ResNet18的网络模型包括:多个第一卷积层,每个第一卷积层使用3×3的卷积核和ReLU激活函数,用于提取训练综合数据的特征得到第一特征数据;多个残差块,每个残差块由两个第二卷积层和一条跳跃连接构成,用于解决深度卷积网络中的梯度消失和梯度爆炸问题,第一特征数据经过残差块后输出第二特征数据;全局最大值池化层,对第二特征数据进行全局最大值池化,将第二特征数据转化为一维向量;特征处理块,由第一全连接层、hardswish激活函数和第二全连接层构成,将转化为一维向量的第二特征数据输入得到其在各个预设茶叶等级对应的结果;argmax函数,用于筛选出所有预设茶叶等级对应的结果的最大值,并将该最大值对应的预设茶叶等级作为待检测茶叶的茶叶等级。在初次迭代训练的过程中,能够对基于ResNet18的网络模型以0.001的学习率进行100次迭代训练,二次迭代训练使用余弦退火学习率对初次迭代训练后的网络模型进行迭代训练,加快了模型的收敛速度;在实际应用中,还能够采集茶叶测试样本形成茶叶测试样本集,所述茶叶训练样本和茶叶测试样本的比例优选为8:2,在采用茶叶训练样本集完成对综合品质模型的训练后,能够采用茶叶测试样本集评估综合品质模型的综合性能。
进一步地,所述训练外形品质等级为专业评茶师评估得到,所述游离氨基酸含量、茶多酚含量和咖啡碱含量为采用湿化学法检测得到。
具体地,在本申请中通过邀请三位有多年审评经验的专业评茶师对茶叶训练样本进行审评,得到训练外形品质等级;采用茚三酮比色法检测茶叶训练样本的游离氨基酸含量,采用福林酚法检测茶叶训练样本中的茶多酚含量,采用HPLC(HighPerformance LiquidChromatography,高效液相色谱)法检测茶叶训练样本的咖啡碱含量。
进一步地,所述茶叶外形品质定级模型包括:
卷积模块,所述卷积模块用于提取处理图像的特征得到第一特征图;
第一池化层,用于对所述第一特征图进行压缩得到压缩特征图;
多个Inception模块,用于提取所述压缩特征图中的有效特征得到第二特征图,压缩第二特征图并整合第二特征图中的关键特征得到第三特征图;
全局均值池化层,用于对所述Inception模块输出的第三特征图求均值得到数据特征;
全连接层,用于整合所述数据特征与各个预设级别的关系,得到所述数据特征与各个预设级别对应的结果;
softmax层,用于对所述数据特征与各个预设级别对应的结果进行归一化指数计算得到所述数据特征与各个预设级别对应的概率值。
具体地,卷积模块包括:多个第三卷积层,第三卷积层用于对处理图像进行卷积操作,以提取特征;第一池化层,对第一特征图进行压缩得到压缩特征图,简化了后续Inception模块卷积计算的复杂度;Inception模块包括:多个不同体积的第四卷积层和第二池化层,各个第四卷积层对输入的压缩特征图进行不同的卷积操作,从而尽可能提取压缩特征图中的有效特征,得到各个Inception模块对应的第二特征图,第二池化层用于对与其对应的第二特征图进行压缩,并整合对应第二特征图中的关键特征得到第三特征图;预设级别为预先设置的表示茶叶外形品质等级,通过全连接层得到了数据特征与各个预设级别对应的结果,然后通过softmax层对各个预设级别对应的结果进行归一化指数计算得到数据特征与各个预设级别对应的概率值,将概率值最高的预设级别作为待检测茶叶的外形品质等级。对茶叶外形品质定级模型进行训练之前,先获取茶叶训练样本集中的各个茶叶训练样本的外形图像,优选的,对每个茶叶训练样本收集30个外形图像,也是对外形图像进行裁剪获取外形图像的中间部分,裁剪尺寸为1080x1080,使用自适应局部色调映射算法算法提高外形图像的中间部分的亮度,使用双三次差值对提亮后的外形图像的中间部分进行下采样处理,使照片尺寸调整为360x360;最后利用高斯低通滤波器对重新调整尺寸的外形图像的中间部分进行锐化处理,得到外形锐化图像,使用外形锐化图像对茶叶外形品质定级模型进行训练,对茶叶外形品质定级模型的的训练方法能够采用与综合品质模型相同的训练方法,如图2所示,图2中第一张图为外形品质定级模型的准确率图,第二张图为外形品质定级模型的损失曲线图,该准确率图和损失曲线图为外形品质定级模型训练轮数第30轮,每轮迭代次数为39次的训练结果,外形品质定级模型的准确率达到93%以上,准确率高。
进一步地,所述对所述近红外光谱根据预设的待检测成分进行预处理得到对应的第一处理光谱,包括:
对所述近红外光谱进行卷积平滑滤波,在对近红外光谱进行滤波的同时确保近红外光谱的形状和宽度不变,对滤波后的近红外光谱进行一阶求导,以揭示光谱细节信息随求导阶数变化的变化,更好地表征光谱的细节信息,平衡光谱分辨率和信号强度间的矛盾,对求导后的近红外光谱进行自标度化,也就是将变换后的近红外光谱的波长变量化为均值为0,方差为1的波长变量,对自标度化后的近红外光谱进行基于遗传算法(GeneticAlgorithm,GA)的变量组合总体分析得到第一波长变量,即茶多酚对应的第一处理光谱;
对所述近红外光谱进行卷积平滑滤波,减少光谱中的噪声,对滤波后的近红外光谱进行迭代自适应加权惩罚最小二乘法校正,用于校正待检测茶叶因背景而引起的光谱误差,对变换后的近红外光谱进行归一化,也就是将变换后的近红外光谱的波长变量线性变换缩放至0-1区域内,对归一化后的近红外光谱进行基于迭代的保持信息变量的变量组合总体分析得到第二波长变量,即咖啡碱对应的第一处理光谱;
对所述近红外光谱进行卷积平滑滤波,减少光谱中的噪声,对滤波后的近红外光谱进行标准正态变量变换,用于校正待检测茶叶因散射而引起的光谱误差,对变换后的近红外光谱进行自标度化,对自标度化后的近红外光谱进行基于遗传算法的变量组合总体分析得到第三波长变量,即游离氨基酸对应的第一处理光谱;
所述茶多酚检测模型构建方法为使用偏最小二乘法建立第一波长变量与茶多酚的回归模型,能够对茶多酚的含量进行测定;
所述咖啡碱检测模型构建方法为使用偏最小二乘法建立第二波长变量与咖啡碱的回归模型,能够对咖啡碱的含量进行测定;
所述游离氨基酸检测模型构建方法为使用偏最小二乘法建立第三波长变量与游离氨基酸的回归模型,能够对游离氨基酸的含量进行测定。
具体地,茶多酚检测模型的构建方法,将茶叶训练样本集中的茶叶训练样本分为两份训练集,将其中一份训练集中的各个茶叶训练样本的茶多酚对应的第一处理光谱及其对应的茶叶训练样本中的茶多酚含量作为初始校正集,将初始校正集中的数据进行中心化处理,得到初始中心化样本数据,对所述的初始中心化样本数据进行偏最小二乘回归,得到初始回归系数及偏最小二乘初始回归模型,将另一份训练集中的各个茶叶训练样本依次加入该校正集时,对其进行中心化处理,并利用偏最小二乘初始回归模型获得相应的预测值;计算所述预测值与真实值之间的误差,直至误差不大于阈值,得到最终的回归系数,即得构建好的茶多酚检测模型;咖啡碱检测模型和游离氨基酸的构建方法与茶多酚检测模型的构建方法相同,在此不再赘述。
本发明的基于NIRS与CV的茶叶品质等级检测方法,通过将处理图像输入茶叶外形品质定级模型得到对应的外形品质等级,相比于现有技术中的人工感官审评方法,减少了对评茶师专业能力的依赖,对茶叶的外形品质的评定更为客观化和标准化,另外,采集待检测茶叶的近红外光谱,根据待检测成分的不同进行不同的预处理得到对应的第一处理光谱,将第一处理光谱输入对应的成分检测模型得到待检测成分对应的成分数据,然后对待检测茶叶的处理光谱、成分数据和外形品质等级进行数据转换得到综合数据,将综合数据输入综合品质模型能够得到结合了待检测茶叶内质品质和外形品质的茶叶等级,使茶叶的品质定级更综合。
如图3所示,本发明还提供了一种基于NIRS与CV的茶叶品质等级检测系统,包括:
数据获取模块10,用于获取待检测茶叶的茶叶图像和近红外光谱;
预处理模块20,用于对所述茶叶图像进行预处理得到对应的处理图像,对所述近红外光谱根据预设的待检测成分进行预处理得到对应的第一处理光谱,对所述近红外光谱进行降噪和校正处理得到对应的第二处理光谱;
外形评级模块30,用于将所述处理图像输入训练好的茶叶外形品质定级模型得到对应的外形品质等级;
成分检测模块40,用于将所述第一处理光谱输入与所述待检测成分对应的构建好的成分检测模型得到对应的成分数据;
数据转换模块50,用于对所述第二处理光谱、成分数据和外形品质等级进行数据转换得到综合数据;
综合评级模块60,用于将所述综合数据输入给训练好的综合品质模型得到对应的茶叶等级。
关于基于NIRS与CV的茶叶品质等级检测系统的具体限定可以参见上文中对于基于NIRS与CV的茶叶品质等级检测方法的限定,在此不再赘述。上述基于NIRS与CV的茶叶品质等级检测系统的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于NIRS与CV的茶叶品质等级检测方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行计算机程序时实现以下步骤:
获取待检测茶叶的茶叶图像和近红外光谱;
对所述茶叶图像进行预处理得到对应的处理图像,对所述近红外光谱根据预设的待检测成分进行预处理得到对应的第一处理光谱,对所述近红外光谱进行降噪和校正处理得到对应的第二处理光谱;
将所述处理图像输入训练好的茶叶外形品质定级模型得到对应的外形品质等级;
将所述第一处理光谱输入与所述待检测成分对应的构建好的成分检测模型得到对应的成分数据;
对所述第二处理光谱、成分数据和外形品质等级进行数据转换得到综合数据;
将所述综合数据输入给训练好的综合品质模型得到对应的茶叶等级。
在一个实施例中,所述待检测成分包括:茶多酚、咖啡碱和游离氨基酸;所述成分检测模型包括:茶多酚检测模型、咖啡碱检测模型和游离氨基酸检测模型;所述将所述第一处理光谱输入与所述待检测成分对应的构建好的成分检测模型得到对应的成分数据,包括:
将与所述茶多酚对应的第一处理光谱输入构建好的茶多酚检测模型得到对应的茶多酚数据;
将与所述咖啡碱对应的第一处理光谱输入构建好的咖啡碱检测模型得到对应的咖啡碱数据;
将与所述游离氨基酸对应的第一处理光谱输入构建好的游离氨基酸检测模型得到对应的游离氨基酸数据。
在一个实施例中,所述对所述第二处理光谱、成分数据和外形品质等级进行数据转换得到综合数据,包括:
截取所述第二处理光谱中的特征波段数据;
对所述特征波段数据在长度方向上进行N等分,N为正整数,在宽度方向上将所述等分波段数据按其原长度方向顺序一一合并得到N×N的正方形矩阵;
将所述茶多酚数据复制为一维向量,并补丁到所述正方形矩阵的第一边;
将所述咖啡碱数据复制为一维向量,并补丁到所述正方形矩阵的第二边;
将所述游离氨基酸数据复制为一维向量,并补丁到所述正方形矩阵的第三边;
将所述外形品质等级复制为一维向量,并补丁到所述正方形矩阵的第四边;
将补丁后正方形矩阵的4个对角元素以0填补得到(N+2)×(N+2)矩阵的综合数据。
在一个实施例中,所述综合品质模型为基于ResNet18的网络模型,对所述综合品质模型的训练方法,包括:
获取茶叶训练样本集中的各个茶叶训练样本对应的近红外光谱、训练外形品质等级、游离氨基酸含量、茶多酚含量和咖啡碱含量;
对各个所述茶叶训练样本对应的近红外光谱进行降噪和校正得到训练处理光谱;
将各个所述茶叶训练样本对应的训练处理光谱、游离氨基酸含量、茶多酚含量、咖啡碱含量和训练外形品质等级进行数据转换得到对应的训练综合数据,形成训练综合数据集;
采用所述训练综合数据集对基于ResNet18的网络模型进行训练,训练过程分为初次迭代训练和二次迭代训练,初次迭代训练的学习率设置为0.001,二次迭代训练使用余弦退火学习率对初次迭代训练后的网络模型进行迭代训练,直至网络模型收敛后得到训练好的综合品质模型。
在一个实施例中,所述训练外形品质等级为专业评茶师评估得到,所述游离氨基酸含量、茶多酚含量和咖啡碱含量为采用湿化学法检测得到。
在一个实施例中,所述茶叶外形品质定级模型包括:
卷积模块,所述卷积模块用于提取处理图像的特征得到第一特征图;
第一池化层,用于对所述第一特征图进行压缩得到压缩特征图;
多个Inception模块,用于提取所述压缩特征图中的有效特征得到第二特征图,压缩第二特征图并整合第二特征图中的关键特征得到第三特征图;
全局均值池化层,用于对所述Inception模块输出的第三特征图求均值得到数据特征;
全连接层,用于整合所述数据特征与各个预设级别的关系,得到所述数据特征与各个预设级别对应的结果;
softmax层,用于对所述数据特征在各个预设级别对应的结果进行归一化指数计算得到所述数据特征与各个预设级别对应的概率值。
在一个实施例中,所述对所述近红外光谱根据预设的待检测成分进行预处理得到对应的第一处理光谱,包括:
对所述近红外光谱进行卷积平滑滤波,对滤波后的近红外光谱进行一阶求导,对求导后的近红外光谱进行自标度化,对自标度化后的近红外光谱进行基于遗传算法的变量组合总体分析得到第一波长变量,即茶多酚对应的第一处理光谱;
对所述近红外光谱进行卷积平滑滤波,对滤波后的近红外光谱进行迭代自适应加权惩罚最小二乘法校正,对校正后的近红外光谱进行归一化,对归一化后的近红外光谱进行基于迭代的保持信息变量的变量组合总体分析得到第二波长变量,即咖啡碱对应的第一处理光谱;
对所述近红外光谱进行卷积平滑滤波,对滤波后的近红外光谱标准正态变量变换,对变换后的近红外光谱进行自标度化,对自标度化后的近红外光谱进行基于遗传算法的变量组合总体分析得到第三波长变量,即游离氨基酸对应的第一处理光谱;
所述茶多酚检测模型构建方法为使用偏最小二乘法建立第一波长变量与茶多酚的回归模型;
所述咖啡碱检测模型构建方法为使用偏最小二乘法建立第二波长变量与咖啡碱的回归模型;
所述游离氨基酸检测模型构建方法为使用偏最小二乘法建立第三波长变量与游离氨基酸的回归模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待检测茶叶的茶叶图像和近红外光谱;
对所述茶叶图像进行预处理得到对应的处理图像,对所述近红外光谱根据预设的待检测成分进行预处理得到对应的第一处理光谱,对所述近红外光谱进行降噪和校正处理得到对应的第二处理光谱;
将所述处理图像输入训练好的茶叶外形品质定级模型得到对应的外形品质等级;
将所述第一处理光谱输入与所述待检测成分对应的构建好的成分检测模型得到对应的成分数据;
对所述第二处理光谱、成分数据和外形品质等级进行数据转换得到综合数据;
将所述综合数据输入给训练好的综合品质模型得到对应的茶叶等级。
在一个实施例中,所述待检测成分包括:茶多酚、咖啡碱和游离氨基酸;所述成分检测模型包括:茶多酚检测模型、咖啡碱检测模型和游离氨基酸检测模型;所述将所述第一处理光谱输入与所述待检测成分对应的构建好的成分检测模型得到对应的成分数据,包括:
将与所述茶多酚对应的第一处理光谱输入构建好的茶多酚检测模型得到对应的茶多酚数据;
将与所述咖啡碱对应的第一处理光谱输入构建好的咖啡碱检测模型得到对应的咖啡碱数据;
将与所述游离氨基酸对应的第一处理光谱输入构建好的游离氨基酸检测模型得到对应的游离氨基酸数据。
在一个实施例中,所述对所述第二处理光谱、成分数据和外形品质等级进行数据转换得到综合数据,包括:
截取所述第二处理光谱中的特征波段数据;
对所述特征波段数据在长度方向上进行N等分,N为正整数,在宽度方向上将所述等分波段数据按其原长度方向顺序一一合并得到N×N的正方形矩阵;
将所述茶多酚数据复制为一维向量,并补丁到所述正方形矩阵的第一边;
将所述咖啡碱数据复制为一维向量,并补丁到所述正方形矩阵的第二边;
将所述游离氨基酸数据复制为一维向量,并补丁到所述正方形矩阵的第三边;
将所述外形品质等级复制为一维向量,并补丁到所述正方形矩阵的第四边;
将补丁后正方形矩阵的4个对角元素以0填补得到(N+2)×(N+2)矩阵的综合数据。
在一个实施例中,所述综合品质模型为基于ResNet18的网络模型,对所述综合品质模型的训练方法,包括:
获取茶叶训练样本集中的各个茶叶训练样本对应的近红外光谱、训练外形品质等级、游离氨基酸含量、茶多酚含量和咖啡碱含量;
对各个所述茶叶训练样本对应的近红外光谱进行降噪和校正得到训练处理光谱;
将各个所述茶叶训练样本对应的训练处理光谱、游离氨基酸含量、茶多酚含量、咖啡碱含量和训练外形品质等级进行数据转换得到对应的训练综合数据,形成训练综合数据集;
采用所述训练综合数据集对基于ResNet18的网络模型进行训练,训练过程分为初次迭代训练和二次迭代训练,初次迭代训练的学习率设置为0.001,二次迭代训练使用余弦退火学习率对初次迭代训练后的网络模型进行迭代训练,直至网络模型收敛后得到训练好的综合品质模型。
在一个实施例中,所述训练外形品质等级为专业评茶师评估得到,所述游离氨基酸含量、茶多酚含量和咖啡碱含量为采用湿化学法检测得到。
在一个实施例中,所述茶叶外形品质定级模型包括:
卷积模块,所述卷积模块用于提取处理图像的特征得到第一特征图;
第一池化层,用于对所述第一特征图进行压缩得到压缩特征图;
多个Inception模块,用于提取所述压缩特征图中的有效特征得到第二特征图,压缩第二特征图并整合第二特征图中的关键特征得到第三特征图;
全局均值池化层,用于对所述Inception模块输出的第三特征图求均值得到数据特征;
全连接层,用于整合所述数据特征与各个预设级别的关系,得到所述数据特征与各个预设级别对应的结果;
softmax层,用于对所述数据特征在各个预设级别对应的结果进行归一化指数计算得到所述数据特征与各个预设级别对应的概率值。
在一个实施例中,所述对所述近红外光谱根据预设的待检测成分进行预处理得到对应的第一处理光谱,包括:
对所述近红外光谱进行卷积平滑滤波,对滤波后的近红外光谱进行一阶求导,对求导后的近红外光谱进行自标度化,对自标度化后的近红外光谱进行基于遗传算法的变量组合总体分析得到第一波长变量,即茶多酚对应的第一处理光谱;
对所述近红外光谱进行卷积平滑滤波,对滤波后的近红外光谱进行迭代自适应加权惩罚最小二乘法校正,对校正后的近红外光谱进行归一化,对归一化后的近红外光谱进行基于迭代的保持信息变量的变量组合总体分析得到第二波长变量,即咖啡碱对应的第一处理光谱;
对所述近红外光谱进行卷积平滑滤波,对滤波后的近红外光谱标准正态变量变换,对变换后的近红外光谱进行自标度化,对自标度化后的近红外光谱进行基于遗传算法的变量组合总体分析得到第三波长变量,即游离氨基酸对应的第一处理光谱;
所述茶多酚检测模型构建方法为使用偏最小二乘法建立第一波长变量与茶多酚的回归模型;
所述咖啡碱检测模型构建方法为使用偏最小二乘法建立第二波长变量与咖啡碱的回归模型;
所述游离氨基酸检测模型构建方法为使用偏最小二乘法建立第三波长变量与游离氨基酸的回归模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
Claims (8)
1.基于NIRS与CV的茶叶品质等级检测方法,其特征在于,包括:
获取待检测茶叶的茶叶图像和近红外光谱;
对所述茶叶图像进行预处理得到对应的处理图像,对所述近红外光谱根据预设的待检测成分进行预处理得到对应的第一处理光谱,对所述近红外光谱进行降噪和校正处理得到对应的第二处理光谱;
将所述处理图像输入训练好的茶叶外形品质定级模型得到对应的外形品质等级;
将所述第一处理光谱输入与所述待检测成分对应的构建好的成分检测模型得到对应的成分数据;
对所述第二处理光谱、成分数据和外形品质等级进行数据转换得到综合数据;
将所述综合数据输入给训练好的综合品质模型得到对应的茶叶等级;
所述待检测成分包括:茶多酚、咖啡碱和游离氨基酸;所述成分检测模型包括:茶多酚检测模型、咖啡碱检测模型和游离氨基酸检测模型;所述将所述第一处理光谱输入与所述待检测成分对应的构建好的成分检测模型得到对应的成分数据,包括:
将与所述茶多酚对应的第一处理光谱输入构建好的茶多酚检测模型得到对应的茶多酚数据;
将与所述咖啡碱对应的第一处理光谱输入构建好的咖啡碱检测模型得到对应的咖啡碱数据;
将与所述游离氨基酸对应的第一处理光谱输入构建好的游离氨基酸检测模型得到对应的游离氨基酸数据;
所述对所述第二处理光谱、成分数据和外形品质等级进行数据转换得到综合数据,包括:
截取第二处理光谱中前N2个波长变量的特征波段,得到特征波段数据
对所述特征波段数据在长度方向上进行N等分,N为正整数,在宽度方向上将所述等分波段数据按其原长度方向顺序一一合并得到N×N的正方形矩阵,所述N×N的正方形矩阵为:
将所述茶多酚数据复制为一维向量,并补丁到所述正方形矩阵的第一边;
将所述咖啡碱数据复制为一维向量,并补丁到所述正方形矩阵的第二边;
将所述游离氨基酸数据复制为一维向量,并补丁到所述正方形矩阵的第三边;
将所述外形品质等级复制为一维向量,并补丁到所述正方形矩阵的第四边;
将补丁后正方形矩阵的4个对角元素以0填补得到(N+2)×(N+2)矩阵的综合数据,所述综合数据为:
其中,a表示所述茶多酚数据,b表示所述咖啡碱数据,c表示所述游离氨基酸,d表示所述外形品质等级。
2.根据权利要求1所述的基于NIRS与CV的茶叶品质等级检测方法,其特征在于,所述综合品质模型为基于ResNet18的网络模型,对所述综合品质模型的训练方法,包括:
获取茶叶训练样本集中的各个茶叶训练样本对应的近红外光谱、训练外形品质等级、游离氨基酸含量、茶多酚含量和咖啡碱含量;
对各个所述茶叶训练样本对应的近红外光谱进行降噪和校正得到训练处理光谱;
将各个所述茶叶训练样本对应的训练处理光谱、游离氨基酸含量、茶多酚含量、咖啡碱含量和训练外形品质等级进行数据转换得到对应的训练综合数据,形成训练综合数据集;
采用所述训练综合数据集对基于ResNet18的网络模型进行训练,训练过程分为初次迭代训练和二次迭代训练,初次迭代训练的学习率设置为0.001,二次迭代训练使用余弦退火学习率对初次迭代训练后的网络模型进行迭代训练,直至网络模型收敛后得到训练好的综合品质模型。
3.根据权利要求2所述的基于NIRS与CV的茶叶品质等级检测方法,其特征在于,所述训练外形品质等级为专业评茶师评估得到,所述游离氨基酸含量、茶多酚含量和咖啡碱含量为采用湿化学法检测得到。
4.根据权利要求1所述的基于NIRS与CV的茶叶品质等级检测方法,其特征在于,所述茶叶外形品质定级模型包括:
卷积模块,所述卷积模块用于提取处理图像的特征得到第一特征图;
第一池化层,用于对所述第一特征图进行压缩得到压缩特征图;
多个Inception模块,用于提取所述压缩特征图中的有效特征得到第二特征图,压缩第二特征图并整合第二特征图中的关键特征得到第三特征图;
全局均值池化层,用于对所述Inception模块输出的第三特征图求均值得到数据特征;
全连接层,用于整合所述数据特征与各个预设级别的关系,得到所述数据特征与各个预设级别对应的结果;
softmax层,用于对所述数据特征在各个预设级别对应的结果进行归一化指数计算得到所述数据特征与各个预设级别对应的概率值。
5.根据权利要求1所述的基于NIRS与CV的茶叶品质等级检测方法,其特征在于,所述对所述近红外光谱根据预设的待检测成分进行预处理得到对应的第一处理光谱,包括:
对所述近红外光谱进行卷积平滑滤波,对滤波后的近红外光谱进行一阶求导,对求导后的近红外光谱进行自标度化,对自标度化后的近红外光谱进行基于遗传算法的变量组合总体分析得到第一波长变量,即茶多酚对应的第一处理光谱;
对所述近红外光谱进行卷积平滑滤波,对滤波后的近红外光谱进行迭代自适应加权惩罚最小二乘法校正,对校正后的近红外光谱进行归一化,对归一化后的近红外光谱进行基于迭代的保持信息变量的变量组合总体分析得到第二波长变量,即咖啡碱对应的第一处理光谱;
对所述近红外光谱进行卷积平滑滤波,对滤波后的近红外光谱标准正态变量变换,对变换后的近红外光谱进行自标度化,对自标度化后的近红外光谱进行基于遗传算法的变量组合总体分析得到第三波长变量,即游离氨基酸对应的第一处理光谱;
所述茶多酚检测模型构建方法为使用偏最小二乘法建立第一波长变量与茶多酚的回归模型;
所述咖啡碱检测模型构建方法为使用偏最小二乘法建立第二波长变量与咖啡碱的回归模型;
所述游离氨基酸检测模型构建方法为使用偏最小二乘法建立第三波长变量与游离氨基酸的回归模型。
6.基于NIRS与CV的茶叶品质等级检测系统,其特征在于,包括:
数据获取模块,用于获取待检测茶叶的茶叶图像和近红外光谱;
预处理模块,用于对所述茶叶图像进行预处理得到对应的处理图像,对所述近红外光谱根据预设的待检测成分进行预处理得到对应的第一处理光谱,对所述近红外光谱进行降噪和校正处理得到对应的第二处理光谱;
外形评级模块,用于将所述处理图像输入训练好的茶叶外形品质定级模型得到对应的外形品质等级;
成分检测模块,用于将所述第一处理光谱输入与所述待检测成分对应的构建好的成分检测模型得到对应的成分数据;所述待检测成分包括:茶多酚、咖啡碱和游离氨基酸;所述成分检测模型包括:茶多酚检测模型、咖啡碱检测模型和游离氨基酸检测模型;所述将所述第一处理光谱输入与所述待检测成分对应的构建好的成分检测模型得到对应的成分数据,包括:将与所述茶多酚对应的第一处理光谱输入构建好的茶多酚检测模型得到对应的茶多酚数据;将与所述咖啡碱对应的第一处理光谱输入构建好的咖啡碱检测模型得到对应的咖啡碱数据;将与所述游离氨基酸对应的第一处理光谱输入构建好的游离氨基酸检测模型得到对应的游离氨基酸数据;
数据转换模块,用于对所述第二处理光谱、成分数据和外形品质等级进行数据转换得到综合数据;所述对所述第二处理光谱、成分数据和外形品质等级进行数据转换得到综合数据,包括:截取第二处理光谱中前N2个波长变量的特征波段,得到特征波段数据x1、x2、…、xn2;对所述特征波段数据在长度方向上进行N等分,N为正整数,在宽度方向上将所述等分波段数据按其原长度方向顺序一一合并得到N×N的正方形矩阵,所述N×N的正方形矩阵为:
将所述茶多酚数据复制为一维向量,并补丁到所述正方形矩阵的第一边;将所述咖啡碱数据复制为一维向量,并补丁到所述正方形矩阵的第二边;将所述游离氨基酸数据复制为一维向量,并补丁到所述正方形矩阵的第三边;将所述外形品质等级复制为一维向量,并补丁到所述正方形矩阵的第四边;将补丁后正方形矩阵的4个对角元素以0填补得到(N+2)×(N+2)矩阵的综合数据,所述综合数据为:
其中,a表示所述茶多酚数据,咖啡碱数据表示为b,游离氨基酸表示为c,外形品质等级表示为d;
综合评级模块,用于将所述综合数据输入给训练好的综合品质模型得到对应的茶叶等级。
7.计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
8.计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311026399.6A CN117054372B (zh) | 2023-08-15 | 2023-08-15 | 基于nirs与cv的茶叶品质等级检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311026399.6A CN117054372B (zh) | 2023-08-15 | 2023-08-15 | 基于nirs与cv的茶叶品质等级检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117054372A CN117054372A (zh) | 2023-11-14 |
CN117054372B true CN117054372B (zh) | 2024-04-05 |
Family
ID=88668727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311026399.6A Active CN117054372B (zh) | 2023-08-15 | 2023-08-15 | 基于nirs与cv的茶叶品质等级检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117054372B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118190835B (zh) * | 2024-05-09 | 2024-09-17 | 泰安市农业科学院(山东省农业科学院泰安市分院) | 基于光谱成像的茶叶质量检测装置及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001327249A (ja) * | 2000-05-19 | 2001-11-27 | Kagoshima Prefecture | 茶葉の評価方法及びその装置 |
CN101419166A (zh) * | 2008-11-18 | 2009-04-29 | 江苏大学 | 基于近红外光谱和机器视觉技术的茶叶品质无损检测方法及装置 |
CN106525849A (zh) * | 2016-11-02 | 2017-03-22 | 江苏大学 | 茶叶智能化拼配方法与系统 |
CN110705655A (zh) * | 2019-11-05 | 2020-01-17 | 云南省烟草农业科学研究院 | 一种基于光谱和机器视觉耦合的烟叶分类方法 |
CN114778484A (zh) * | 2022-05-10 | 2022-07-22 | 广东省农业科学院茶叶研究所 | 茶叶品质等级分类方法及装置、设备、存储介质 |
-
2023
- 2023-08-15 CN CN202311026399.6A patent/CN117054372B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001327249A (ja) * | 2000-05-19 | 2001-11-27 | Kagoshima Prefecture | 茶葉の評価方法及びその装置 |
CN101419166A (zh) * | 2008-11-18 | 2009-04-29 | 江苏大学 | 基于近红外光谱和机器视觉技术的茶叶品质无损检测方法及装置 |
CN106525849A (zh) * | 2016-11-02 | 2017-03-22 | 江苏大学 | 茶叶智能化拼配方法与系统 |
CN110705655A (zh) * | 2019-11-05 | 2020-01-17 | 云南省烟草农业科学研究院 | 一种基于光谱和机器视觉耦合的烟叶分类方法 |
CN114778484A (zh) * | 2022-05-10 | 2022-07-22 | 广东省农业科学院茶叶研究所 | 茶叶品质等级分类方法及装置、设备、存储介质 |
Non-Patent Citations (1)
Title |
---|
茶叶品质评价技术研究进展;刘奇;欧阳建;刘昌伟;陈宏宇;李娟;熊立瑰;刘仲华;黄建安;茶叶科学;20221231(第003期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117054372A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117054372B (zh) | 基于nirs与cv的茶叶品质等级检测方法和系统 | |
CN112974303B (zh) | 一种基于高光谱的果品品质检测方法、设备及介质 | |
CN110458301A (zh) | 一种车辆部件的定损方法、装置、计算机设备及存储介质 | |
CN115439759B (zh) | 遥感影像中植被的提取方法、装置、电子设备及介质 | |
CN114778484B (zh) | 茶叶品质等级分类方法及装置、设备、存储介质 | |
CN113340874A (zh) | 一种基于结合岭回归和递归特征消除的定量分析方法 | |
CN116468958A (zh) | 通信铁塔安全检测方法及系统 | |
CN115205703A (zh) | 一种多特征蓝藻提取方法、装置、电子设备及存储介质 | |
CN117517245B (zh) | 评估茶叶滋味、香气和整体感官方法、系统、设备及介质 | |
CN112288744B (zh) | 基于整型推理量化cnn的sar图像变化检测方法 | |
CN115855860A (zh) | 一种茶叶干燥过程中的水分含量预测方法及处理终端 | |
CN112949169B (zh) | 一种基于光谱分析的煤样化验值预测方法 | |
CN114544530A (zh) | 一种烟丝成分检测方法、装置及计算机设备 | |
CN112964719B (zh) | 一种基于高光谱的食品果糖检测方法及装置 | |
CN115184281A (zh) | 一种基于二维光谱的溶液组分浓度确定方法及系统 | |
CN114166764A (zh) | 基于特征波长筛选的光谱特征模型的构建方法及装置 | |
CN114387226A (zh) | 大米等级划分方法、装置、设备及存储介质 | |
CN112834454A (zh) | 基于近红外高光谱技术的冬枣检测方法 | |
CN118334650B (zh) | 用于粮食水分检测的建模方法、系统和设备 | |
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 | |
CN111476172B (zh) | 植物物种beta多样性的估算方法及系统 | |
CN118310585B (zh) | 一种设备表面金属镀覆检测方法及其检测装置 | |
CN117765391B (zh) | 基于机器学习的人参总皂苷含量预测方法、系统、设备和介质 | |
CN114720436B (zh) | 基于荧光高光谱成像的农产品品质参数检测方法及设备 | |
CN111507223B (zh) | 植物物种beta多样性的估算方法及系统 |
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 |