CN117517245B - 评估茶叶滋味、香气和整体感官方法、系统、设备及介质 - Google Patents

评估茶叶滋味、香气和整体感官方法、系统、设备及介质 Download PDF

Info

Publication number
CN117517245B
CN117517245B CN202311483192.1A CN202311483192A CN117517245B CN 117517245 B CN117517245 B CN 117517245B CN 202311483192 A CN202311483192 A CN 202311483192A CN 117517245 B CN117517245 B CN 117517245B
Authority
CN
China
Prior art keywords
data
quality
overall
taste
tea
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
Application number
CN202311483192.1A
Other languages
English (en)
Other versions
CN117517245A (zh
Inventor
夏红玲
马成英
郭伟清
丘广俊
苗爱清
乔小燕
胡蝶
陈维
吴淑华
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.)
Tea Research Institute Guangdong Academy of Agricultural Sciences
Original Assignee
Tea Research Institute Guangdong Academy of Agricultural Sciences
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 Tea Research Institute Guangdong Academy of Agricultural Sciences filed Critical Tea Research Institute Guangdong Academy of Agricultural Sciences
Priority to CN202311483192.1A priority Critical patent/CN117517245B/zh
Publication of CN117517245A publication Critical patent/CN117517245A/zh
Application granted granted Critical
Publication of CN117517245B publication Critical patent/CN117517245B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N21/17—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
    • 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
    • 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
    • G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
    • 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

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

Abstract

本发明公开了一种评估茶叶滋味、香气和整体感官方法、系统、设备及介质，其技术方案要点是，对各个茶叶样品对应的光谱预处理数据和对应的滋味品质等级建立滋味关联关系，根据光谱预处理数据和滋味关联关系建立滋味品质模型，对各个茶叶样品对应的电子鼻数据和对应的香气品质等级建立香气关联关系，根据电子鼻数据和香气关联关系建立香气品质模型；根据滋味品质模型确定的光谱特征变量、香气品质模型确定的电子鼻特征变量和整体品质等级建立整体感官品质模型；根据滋味品质模型、香气品质模型和整体感官品质模型能够对茶叶的滋味、香气和整体感官进行评估，从而实现对茶叶滋味、香气和整体感官的快速准确评估。

Description

评估茶叶滋味、香气和整体感官方法、系统、设备及介质
技术领域
本发明属于茶叶评估领域，具体涉及一种评估茶叶滋味、香气和整体感官方法、系统、设备及介质。
背景技术
茶叶因茶树品种、生长环境和加工工艺的不同会形成品质各异的产品，因此，生产商会根据茶叶不同感官属性的品质等级对茶叶进行拼配，从而保证品质稳定。茶叶感官品质等级评估主要包括对滋味、香气、外形、汤色和叶底等属性的评估，其中，滋味和香气是茶叶品质的重要方面。传统的茶叶感官审评方法需要经验丰富的茶叶审评专家通过味觉、嗅觉、视觉和触觉对茶叶品质进行描述分析，之后借助数理统计得出审评结果。然而这一过程不仅耗时费力，而且易受主观因素和审评环境的影响，难以适应快速准确评价大批量茶叶品质的需求。
在现有技术中，近红外光谱是一种快速、无损和低成本的检测技术，能够表征有机物的吸收光谱反映物质的物理性质和化学组成。茶叶的滋味品质与物质组成密切相关，因此，可通过近红外光谱评估茶叶的滋味品质，如公开号为CN106568738A，名称为一种近红外光谱快速判定不同质量等级茶鲜叶的方法的文件中公开的采用近红外光谱对茶叶进行分级。然而近红外光谱难以采集茶叶的挥发性化合物，而挥发性化合物决定了茶叶的香气品质。通过多个气体传感器的电子鼻可以检测多种挥发性化合物，从而获取茶叶香气化合物的组成信息，现有技术表明电子鼻可以判定挥发性物质的主要香气种类。可见茶叶整体感官品质由茶叶物理性质、非挥发性化合物和挥发性化合物共同决定，但是，对于茶叶的整体感官品质，目前还难以快速准确地进行评估。
发明内容
本发明的目的在于提供一种评估茶叶滋味、香气和整体感官方法、系统、设备及介质，能够实现对茶叶滋味、香气和整体感官的快速准确评估。
本发明第一方面提供了一种评估茶叶滋味、香气和整体感官方法，包括：
预先获取多个茶叶样品的滋味品质等级、香气品质等级、整体感官品质等级、光谱数据和电子鼻数据；
对各个所述茶叶样品对应的光谱数据进行预处理得到光谱预处理数据；
对各个所述茶叶样品对应的光谱预处理数据和对应的滋味品质等级建立滋味关联关系，根据所述光谱预处理数据和滋味关联关系建立滋味品质模型，对各个所述茶叶样品对应的电子鼻数据和对应的香气品质等级建立香气关联关系，根据所述电子鼻数据和香气关联关系建立香气品质模型；
根据所述滋味品质模型确定光谱预处理数据对应的光谱特征变量，根据所述香气品质模型确定电子鼻数据对应的电子鼻特征变量，根据所述光谱特征变量、电子鼻特征变量和整体品质等级建立整体感官品质模型；
获取待评估茶叶的待评估电子鼻数据和待评估光谱预处理数据；
将所述待评估光谱预处理数据输入滋味品质模型待评估茶叶对应的得到滋味品质等级，将所述待评估电子鼻数据输入所述香气品质模型得到待评估茶叶对应的香气品质等级，将所述待评估电子鼻数据和待评估光谱预处理数据输入所述整体感官品质模型得到待评估茶叶对应的整体感官品质等级。
可选的，所述根据所述光谱预处理数据和滋味关联关系建立滋味品质模型，包括：
采用主成分分析从光谱预处理数据中提取至少一第一特征变量；
将多个预设算法分别与至少一所述第一特征变量结合建立多个待选滋味模型；
将所述光谱预处理数据输入各个待选滋味模型中得到对应的滋味测试结果，根据所述滋味关联关系判断滋味测试结果是否正确，得到各个待选滋味模型的准确率；
比对所有的待选滋味模型的准确率，确定最优第一特征变量个数，作为光谱特征变量个数，从基于光谱特征变量个数的所有待选滋味模型中选出准确率最高的待选滋味模型作为滋味品质模型。
可选的，所述根据所述电子鼻数据和香气关联关系建立香气品质模型，包括：
采用主成分分析从电子鼻数据中提取至少一第二特征变量；
将多个预设算法分别与至少一所述第二特征变量结合建立多个待选香气模型；
将所述电子鼻数据输入各个待选香气模型中得到对应的香气测试结果，根据所述香气关联关系判断香气测试结果是否正确，得到各个待选香气模型的准确率；
比对所有的待选香气模型的准确率，确定最优第二特征变量个数，作为电子鼻特征变量个数，从基于电子鼻特征变量个数的所有待选香气模型中选出准确率最高的待选香气模型作为香气品质模型。
可选的，所述根据所述光谱特征变量、电子鼻特征变量和整体品质等级建立整体感官品质模型，包括：
将各个所述茶叶样品和对应的整体品质等级建立整体关联关系；
将所述光谱预处理数据中的光谱特征变量和电子鼻数据中的电子鼻特征变量在特征层进行融合得到融合矩阵；
将多个预设算法分别与所述融合矩阵结合建立多个待选整体模型；
将所述电子鼻数据和光谱预处理数据输入各个待选整体模型中得到对应的整体测试结果，根据所述整体关联关系判断整体测试结果是否正确，得到各个待选整体模型的准确率；
比对所有的待选整体模型的准确率，从所有的待选整体模型中选出准确率最高的待选整体模型作为整体感官品质模型。
可选的，所述预先获取多个茶叶样品的滋味品质等级、香气品质等级和整体感官品质等级，包括：
对各个所述茶叶样品进行感官审评，得到各个茶叶样品对应的外形评分、汤色评分、香气评分、滋味评分和叶底评分；
对各个所述茶叶样品对应的外形评分、汤色评分、香气评分、滋味评分和叶底评分进行加权计算得到对应的整体感官评分；
根据所有茶叶样品的滋味评分将茶叶样品的滋味分为多个滋味品质等级，根据各个茶叶样品的滋味评分确定对应的滋味品质等级；
根据所有茶叶样品的香气评分将茶叶样品的香气分为多个香气品质等级，根据各个茶叶样品的香气评分确定对应的香气品质等级；
根据所有茶叶样品的整体感官评分将茶叶样品的整体感官分为多个整体感官品质等级，根据各个茶叶样品的整体感官评分确定对应的整体感官品质等级。
可选的，所述对各个所述茶叶样品对应的外形评分、汤色评分、香气评分、滋味评分和叶底评分进行加权计算得到对应的整体感官评分，包括：
根据整体感官评分计算公式计算所述整体感官评分，其中，所述整体感官评分计算公式为：
F＝25％a+10％b+25％c+30％d+10％e，
其中，所述a表示外形评分，b表示汤色评分，c表示香气评分，d表示滋味评分，e表示叶底评分。
可选的，所述预先获取多个茶叶样品的光谱数据和电子鼻数据，包括：
通过近红外光谱仪采集各个所述茶叶样品的光谱数据，其中，所述近红外光谱仪的光谱范围为4000-10000cm-1，分辨率8cm-1；
通过电子鼻采集各个所述茶叶样品的电子鼻数据，其中，所述电子鼻包括至少10个不同的气体传感器。
本发明第二方面提供了一种评估茶叶滋味、香气和整体感官系统，包括：
第一数据获取模块，用于预先获取多个茶叶样品的滋味品质等级、香气品质等级、整体感官品质等级、光谱数据和电子鼻数据；
数据预处理模块，用于对各个所述茶叶样品对应的光谱数据进行预处理得到光谱预处理数据；
第一模型建立模块，用于对各个所述茶叶样品对应的光谱预处理数据和对应的滋味品质等级建立滋味关联关系，根据所述光谱预处理数据和滋味关联关系建立滋味品质模型，对各个所述茶叶样品对应的电子鼻数据和对应的香气品质等级建立香气关联关系，根据所述电子鼻数据和香气关联关系建立香气品质模型；
第二模型建立模块，用于根据所述滋味品质模型确定光谱预处理数据对应的光谱特征变量，根据所述香气品质模型确定电子鼻数据对应的电子鼻特征变量，根据所述光谱特征变量、电子鼻特征变量和整体品质等级建立整体感官品质模型；
第二数据获取模块，用于获取待评估茶叶的待评估电子鼻数据和待评估光谱预处理数据；
茶叶评估模块，用于将所述待评估光谱预处理数据输入滋味品质模型待评估茶叶对应的得到滋味品质等级，将所述待评估电子鼻数据输入所述香气品质模型得到待评估茶叶对应的香气品质等级，将所述待评估电子鼻数据和待评估光谱预处理数据输入所述整体感官品质模型得到待评估茶叶对应的整体感官品质等级。
本发明第三方面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，所述处理器执行所述计算机程序时实现上述的方法的步骤。
本发明第四方面提供了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。
本发明所提供的技术方案具有以下的优点及效果：根据所述光谱预处理数据和滋味关联关系建立滋味品质模型，根据所述电子鼻数据和香气关联关系建立香气品质模型，然后根据所述滋味品质模型确定光谱预处理数据对应的光谱特征变量，根据所述香气品质模型确定电子鼻数据对应的电子鼻特征变量，根据所述光谱特征变量、电子鼻特征变量和整体品质等级建立整体感官品质模型，以实现对茶叶滋味、香气和整体感官的快速准确评估，节约了人力，降低了检测难度，提高了检测的准确性和客观性。
附图说明
图1是本发明实施例提供的评估茶叶滋味、香气和整体感官方法的流程示意图；
图2是本发明实施例提供的茶叶样品的光谱信息图；
图3是本发明实施例提供的不同香气等级的电子鼻响应的最大斜率图；
图4是本发明实施例提供的基于不同第一特征变量个数建立的待选滋味模型的准确率图；
图5是本发明实施例提供的基于不同第二特征变量个数建立的待选香气模型的准确率图；
图6是本发明实施例提供的评估茶叶滋味、香气和整体感官系统的结构框图；
图7本发明实施例提供的计算机设备的内部结构图。
具体实施方式
为了便于理解本发明，下面将参照说明书附图对本发明的具体实施例进行更详细的描述。
除非特别说明或另有定义，本文所使用的“第一、第二…”仅仅是用于对名称的区分，不代表具体的数量或顺序。
除非特别说明或另有定义，本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
需要说明的是，本文中“固定于”、“连接于”，可以是直接固定或连接于一个元件，也可以是间接固定或连接于一个元件。
如图1所示，本发明实施例公开了一种评估茶叶滋味、香气和整体感官方法，其特征在于，包括：
步骤1、预先获取多个茶叶样品的滋味品质等级、香气品质等级、整体感官品质等级、光谱数据和电子鼻数据。
具体地，所述预先获取多个茶叶样品的滋味品质等级、香气品质等级和整体感官品质等级，包括：
对各个所述茶叶样品进行感官审评，得到各个茶叶样品对应的外形评分、汤色评分、香气评分、滋味评分和叶底评分；
对各个所述茶叶样品对应的外形评分、汤色评分、香气评分、滋味评分和叶底评分进行加权计算得到对应的整体感官评分；
根据所有茶叶样品的滋味评分将茶叶样品的滋味分为多个滋味品质等级，根据各个茶叶样品的滋味评分确定对应的滋味品质等级；
根据所有茶叶样品的香气评分将茶叶样品的香气分为多个香气品质等级，根据各个茶叶样品的香气评分确定对应的香气品质等级；
根据所有茶叶样品的整体感官评分将茶叶样品的整体感官分为多个整体感官品质等级，根据各个茶叶样品的整体感官评分确定对应的整体感官品质等级。
在实际应用中，预先收集多个茶叶样品，如收集267个茶叶样品，将各个茶叶样品分为第一茶叶样品和第二茶叶样品，得到267个第一茶叶样品和267个第二茶叶样品，将所有的第一茶叶样品以干茶状态保存，基于GB/T 23776-2018规定的茶叶感官审评方法，邀请多位茶叶审评专家，如3位专家对各个第一茶叶样品进行审评，得到各个茶叶审评专家对各个第一茶叶样品的外形、汤色、香气、滋味和叶底的评分，计算各个第一茶叶样品对应的所有专家的外形的评分均值、对应的所有专家的汤色的评分均值、对应的所有专家的香气的评分均值、对应的所有专家的滋味的评分均值、和对应的所有专家的叶底的评分均值得到各个第一茶叶样品的外形评分、汤色评分、香气评分、滋味评分和叶底评分，然后对各个第一茶叶样品的外形评分、汤色评分、香气评分、滋味评分和叶底评分进行加权计算得到对应的整体感官评分，也就是得到所有茶叶样品的外形评分、汤色评分、香气评分、滋味评分、叶底评分和整体感官评分，从而得到所有茶叶样品在感官审评方面的专业评分，在本实施例中，根据所有茶叶样品的滋味评分将茶叶样品的滋味分为三个滋味品质等级，根据所有茶叶样品的香气评分将茶叶样品的香气分为三个香气品质等级，根据所有茶叶样品的整体感官评分将茶叶样品的整体感官分为三个整体感官品质等级，进而根据各个茶叶样品的滋味评分得到对应的滋味品质等级，根据各个茶叶样品的香气评分得到对应的香气品质等级，根据各个茶叶样品的整体感官评分得到对应的整体感官品质等级。
具体地，所述对各个所述茶叶样品对应的外形评分、汤色评分、香气评分、滋味评分和叶底评分进行加权计算得到对应的整体感官评分，包括：
根据整体感官评分计算公式计算所述整体感官评分，其中，所述整体感官评分计算公式为：
F＝25％a+10％b+25％c+30％d+10％e，
其中，所述a表示外形评分，b表示汤色评分，c表示香气评分，d表示滋味评分，e表示叶底评分；在本实施例中，整体感官审评中茶叶样品的滋味最重要，其次是茶叶样品的外形和香气，最后是茶叶样品的汤色和叶底，因此，本实施例中的外形权重系数为25％、汤色权重系数为10％、香气权重系数为25％、滋味权重系数为30％、叶底权重系数为10％，在其他实施例中，外形权重系数、汤色权重系数、香气权重系数、滋味权重系数和叶底权重系数能够根据实际感官审评需求进行调整。
进一步地，所述预先获取多个茶叶样品的光谱数据和电子鼻数据，包括：
通过近红外光谱仪采集各个所述茶叶样品的光谱数据，其中，所述近红外光谱仪的光谱范围为4000-10000cm-1，分辨率8cm-1。
通过电子鼻采集各个所述茶叶样品的电子鼻数据，其中，所述电子鼻包括至少10个不同的气体传感器；
具体地，在采集茶叶样品的光谱数据时，本实施例中能够先将第二茶叶样品磨成茶粉，以便近红外光谱仪更好地采集第二茶叶样品的红外光谱，在其他实施例中第二茶叶样品也可为干茶或茶汤状态；本实施例中应用Thermo Antaris II型傅里叶变换近红外光谱仪在漫反射模式下采集第二茶叶样品的红外光谱，具体地，将茶粉放入旋转式石英样品杯中，每个茶粉扫描64次，光谱范围4000-10000cm-1，分辨率8cm-1，得到每个茶粉的光谱数据，如图2所示。每个茶粉，也就是每个茶叶样品的光谱数据由软件自动保存至终端。由于4000-10000cm-1这一波数范围包含更多茶叶中化合物组成的关键信息，通过使用光谱范围为4000-10000cm-1，分辨率8cm-1的近红外光谱，从而能够获得第二茶叶样品(也就是茶叶样品)中更多的化合物组成的关键信息。
在采集茶叶样品的电子鼻数据时，称量第一茶叶样品15g在250ml玻璃烧杯中，瓶口用保鲜膜密封。静置30min，待瓶内气体达到平衡后将其置于电子鼻(如德国AirsensePEN3便携式电子鼻)上进行测试。取样前，将零气体(经过标准活性炭过滤的室内空气)泵入清洗通道，复位传感器。设置电子鼻测量时间100s；预采样时间5s；注射流量240mL/min。在本实施例中的电子鼻包含10种不同的气体传感器，能够检测到更多种类的化合物，特别地，最大值和最大斜率是每个气体传感器的代表性数据，因此，每个第一茶叶样品的电子鼻数据用一个包含20个变量的向量表示，在其他实施例中也可采用气体传感器的其他代表性数据；如图3所示，为不同香气品质等级下茶叶样品的电子鼻响应的最大斜率，图3中的一级表示本实施例中香气品质等级的第一等级，二级表示本实施例中香气品质等级的第二等级，三级表示本实施例中香气品质等级的第三等级。
步骤2、对各个所述茶叶样品对应的光谱数据进行预处理得到光谱预处理数据。
在实际应用中，为了消除近红外光谱仪采集的茶叶样品的光谱中包含茶叶样品状态、光散射等方面产生的噪音信号，在得到所有茶叶样品的光谱数据后，还需要对茶叶样品的光谱数据进行预处理，以减弱非目标信号的影响，聚焦有用的光谱信息。在本实施例中能够通过多元散射校正和一阶导数对光谱数据进行预处理，以便后续建立更为精确的滋味品质模型和整体感官品质模型，在其他实施例中也可采用小波变换、Savitzky-Golay方法、变量标准化等方法对光谱数据进行预处理。
步骤3、对各个所述茶叶样品对应的光谱预处理数据和对应的滋味品质等级建立滋味关联关系，根据所述光谱预处理数据和滋味关联关系建立滋味品质模型，对各个所述茶叶样品对应的电子鼻数据和对应的香气品质等级建立香气关联关系，根据所述电子鼻数据和香气关联关系建立香气品质模型。
在实际应用中，得到所有茶叶样品对应的光谱预处理数据和对应的滋味品质等级后，能够将各个茶叶样品对应的光谱预处理数据和对应的滋味品质等级建立滋味关联关系，以便检测后续建立的滋味品质模型的准确率；所述根据所述光谱预处理数据和滋味关联关系建立滋味品质模型，包括：
采用主成分分析从光谱预处理数据中提取至少一第一特征变量；
将多个预设算法分别与至少一所述第一特征变量结合建立多个待选滋味模型；
将所述光谱预处理数据输入各个待选滋味模型中得到对应的滋味测试结果，根据所述滋味关联关系判断滋味测试结果是否正确，得到各个待选滋味模型的准确率；
比对所有的待选滋味模型的准确率，确定最优第一特征变量个数，作为光谱特征变量个数，从基于光谱特征变量个数的所有待选滋味模型中选出准确率最高的待选滋味模型作为滋味品质模型。
具体地，在本实施例中能够采用Matlab对光谱预处理数据进行主成分分析提取出1-10个第一特征变量，本实施例中的预设算法包括：支持向量机(Support vectormachines，SVM)、K-近邻(K-nearest neighbor，KNN)和人工神经网络(Artificial neutralnetwork，ANN)算法。将1-10个第一特征变量与预设算法结合得到多个待选滋味模型，也就是能够得到在进行主成分分析提取出1个第一特征变量的情况下的SVM待选滋味模型、KNN待选滋味模型和ANN待选滋味模型，在进行主成分分析提取出2个第一特征变量的情况下的SVM待选滋味模型、KNN待选滋味模型和ANN待选滋味模型，直至得到在进行主成分分析提取出10个第一特征变量的情况下的SVM待选滋味模型、KNN待选滋味模型和ANN待选滋味模型。将所有的光谱预处理数据根据预设比例分为第一训练集和第一测试集，预设比例可为7:3，采用第一训练集对所有的待选滋味模型进行训练，然后将第一测试集输入各个待选滋味模型中得到滋味测试结果，在其他实施例中，还能够使用的K折交叉验证方法(K＝5)来评估待选滋味模型的，即将数据集分为k个大小相似的互斥子集，再用k-1个子集作为训练集训练模型，用剩下的1个子集作为测试集评估模型性能，此过程重复执行k次，每一次选择不同的子集作为测试集，并计算最终滋味测试结果。然后将滋味测试结果与滋味关联关系进行比较，若一致，则说明滋味测试结果正确，若不一致，则说明滋味测试结果不正确，从而计算得到各个待选滋味模型的准确率。如图4所示，可以看出在第一特征变量个数为5个时，KNN待选滋味模型和SVM待选滋味模型的准确率基本达到了100％，ANN待选滋味模型的准确率也达到了90％以上，因此，能够确定最优第一特征变量个数为5个，也就是光谱特征变量个数为5个。基于光谱特征变量建立的SVM待选滋味模型、KNN待选滋味模型和ANN待选滋味模型的准确率如表1所示：
表1
其中，表1中的Model表示待选滋味模型，一级表示本实施例中滋味品质等级中第一等级的准确率，二级表示本实施例中滋味品质等级中第二等级的准确率，三级表示本实施例中滋味品质等级中第三等级的准确率，Average accuracy表示本实施例中滋味品质等级中第一等级、第二等级和第三等级的平均准确率；根据表1可以看出，基于光谱特征变量建立的KNN待选滋味模型的准确率最高，因此，在本实施例中将该待选滋味模型作为滋味品质模型，在其他实施例中，预设算法还能够采用线性回归算法、逻辑回归算法等，通过先选出最优第一特征变量个数作为光谱特征变量个数，然后基于光谱特征变量个数的所有待选滋味模型，从中选出准确率最高的待选滋味模型作为滋味品质模型，既能防止光谱特征变量个数过多，导致计算量加大而影响滋味品质模型计算速度，还保证了滋味品质模型的准确率。
进一步地，所述根据所述电子鼻数据和香气关联关系建立香气品质模型，包括：
采用主成分分析从电子鼻数据中提取至少一第二特征变量；
将多个预设算法分别与至少一所述第二特征变量结合建立多个待选香气模型；
将所述电子鼻数据输入各个待选香气模型中得到对应的香气测试结果，根据所述香气关联关系判断香气测试结果是否正确，得到各个待选香气模型的准确率；
比对所有的待选香气模型的准确率，确定最优第二特征变量个数，作为电子鼻特征变量个数，从基于电子鼻特征变量个数的所有待选香气模型中选出准确率最高的待选香气模型作为香气品质模型。
具体地，在本实施例中能够采用Matlab对电子鼻数据进行主成分分析提取出1-10个第二特征变量，在预设算法包括：支持向量机(Supportvectormachines，SVM)、K-近邻(K-nearestneighbor，KNN)和人工神经网络(Artificial neutral network，ANN)算法的情况下，将1-10个第二特征变量与预设算法结合得到多个待选香气模型，也就是能够得到在进行主成分分析提取出1个第二特征变量的情况下的SVM待选香气模型、KNN待选滋味模型和ANN待选香气模型，在进行主成分分析提取出2个第二特征变量的情况下的SVM待选香气模型、KNN待选香气模型和ANN待选香气模型，直至得到在进行主成分分析提取出10个第二特征变量的情况下的SVM待选香气模型、KNN待选香气模型和ANN待选香气模型，将所有的电子鼻数据根据预设比例分为第二训练集和第二测试集，预设比例可为7:3，采用第二训练集对所有的待选香气模型进行训练，然后将第二测试集输入各个待选香气模型中得到香气测试结果，在其他实施例中，还能够使用的K折交叉验证方法(K＝5)来评估待选香气模型的，即将数据集分为k个大小相似的互斥子集，再用k-1个子集作为训练集训练模型，用剩下的1个子集作为测试集评估模型性能，此过程重复执行k次，每一次选择不同的子集作为测试集，并计算最终香气测试结果。然后将香气测试结果与香气关联关系进行比较，若一致，则说明香气测试结果正确，若不一致，则说明香气测试结果不正确，从而计算得到各个待选香气模型的准确率，如图5所示，可以看出在第二特征变量个数为5个时，SVM待选滋味模型的准确率在95％以上，ANN待选滋味模型的准确率在70％以上，KNN待选滋味模型的准确率基本达到60％，因此，能够确定最优第二特征变量个数为5个，也就是电子鼻特征变量个数为5个，基于电子鼻特征变量建立的SVM待选滋味模型、KNN待选滋味模型和ANN待选滋味模型的准确率如表2所示：
表2
其中，表2中的Model表示待选香气模型，一级表示本实施例中香气品质等级中第一等级的准确率，二级表示本实施例中香气品质等级中第二等级的准确率，三级表示本实施例中香气品质等级中第三等级的准确率，Average accuracy表示本实施例中香气品质等级中第一等级、第二等级和第三等级的平均准确率；根据表2可以看出，基于电子鼻特征变量建立的SVM待选滋味模型的准确率最高，因此，在本实施例中将该待选香气模型作为香气品质模型，在其他实施例中，预设算法还能够采用线性回归算法、逻辑回归算法等，通过先选出最优第二特征变量个数作为电子鼻特征变量个数，然后基于电子鼻特征变量个数的所有待选香气模型，从中选出准确率最高的待选香气模型作为香气品质模型，既能防止电子鼻特征变量个数过多，导致计算量加大而影响香气品质模型计算速度，还保证了香气品质模型的准确率。
步骤4、根据所述滋味品质模型确定光谱预处理数据对应的光谱特征变量，根据所述香气品质模型确定电子鼻数据对应的电子鼻特征变量，根据所述光谱特征变量、电子鼻特征变量和整体品质等级建立整体感官品质模型。
具体地，所述根据所述光谱特征变量、电子鼻特征变量和整体品质等级建立整体感官品质模型，包括：
将各个所述茶叶样品和对应的整体品质等级建立整体关联关系；
将所述光谱预处理数据中的至少一光谱特征变量和电子鼻数据中的至少一电子鼻特征变量在特征层进行融合得到融合矩阵，其中，所述光谱特征变量为在光谱特征变量个数下的第一特征变量，所述电子鼻特征变量为在电子鼻特征变量个数下的第二特征变量；
将多个预设算法分别与所述融合矩阵结合建立多个待选整体模型；
将所述电子鼻数据和光谱预处理数据输入各个待选整体模型中得到对应的整体测试结果，根据所述整体关联关系判断整体测试结果是否正确，得到各个待选整体模型的准确率；
比对所有的待选整体模型的准确率，从所有的待选整体模型中选出准确率最高的待选整体模型作为整体感官品质模型。
在实际应用中，在得到各个茶叶样品的整体品质等级后，将各个茶叶样品与对应的整体品质等级建立整体品质关联关系，在本实施例中确定光谱特征变量个数和电子鼻特征变量个数均为5个后，采用主成分分析提取出光谱预处理数据中的5个第一特征变量作为光谱特征变量，提取出电子鼻数据中的5个第二特征变量作为电子鼻特征变量，然后在特征层进行光谱特征变量和电子鼻特征变量的融合，得到融合矩阵，在预设算法包括：支持向量机(Support vector machines，SVM)、K-近邻(K-nearestneighbor，KNN)和人工神经网络(Artificial neutral network，ANN)算法的情况下，将融合矩阵与预设算法结合得到SVM待选整体模型、KNN待选整体模型和ANN待选整体模型这3个待选整体模型，将所有茶叶样品对应的电子鼻数据和光谱预处理数据根据预设比例分为第三训练集和第三测试集，预设比例可为7:3，采用第三训练集对所有的待选整体模型进行训练，然后将第三测试集输入各个待选整体模型中得到整体测试结果，在其他实施例中，还能够使用的K折交叉验证方法(K＝5)来评估待选整体模型的，即将数据集分为k个大小相似的互斥子集，再用k-1个子集作为训练集训练模型，用剩下的1个子集作为测试集评估模型性能，此过程重复执行k次，每一次选择不同的子集作为测试集，并计算最终整体测试结果。然后将整体测试结果与整体关联关系进行比较，若一致，则说明整体测试结果正确，若不一致，则说明整体测试结果不正确，从而计算得到各个待选整体模型的准确率，SVM待选整体模型、KNN待选整体模型和ANN待选整体模型的准确率如表3所示：
表3
其中，表3中的Model表示待选整体模型，一级表示本实施例中整体品质等级中第一等级的准确率，二级表示本实施例中整体品质等级中第二等级的准确率，三级表示本实施例中整体品质等级中第三等级的准确率，Average accuracy表示本实施例中整体品质等级中第一等级、第二等级和第三等级的平均准确率；根据表3可以看出，SVM待选整体模型的准确率最高，因此，在本实施例中将该待选整体模型作为整体感官品质模型，在其他实施例中，预设算法还能够采用线性回归算法、逻辑回归算法等。通过滋味品质模型确定光谱特征变量、香气品质模型确定电子鼻特征变量，将光谱特征变量和电子鼻特征变量在特征层融合，而不是数据层或决策层融合，从而减少了在数据层融合需要组合不同形式的原始数据的计算和处理冗余信息，由于在决策层融合是将从所有模型中获得的决策信息的整合，可能导致大量细节信息的丢失，也防止大量细节的丢失。本发明是基于近红外和电子鼻的数据特点以及兼顾了快速性和准确性，选择在特征层融合，从而实现在保留特征信息的同时还降低了信息处理的复杂性。
步骤5、获取待评估茶叶的待评估电子鼻数据和待评估光谱预处理数据；
在实际应用中，得到滋味品质模型、香气品质模型和整体品质模型后，能对待评估茶叶进行滋味、香气和整体感官的评估，通过电子鼻获取待评估茶叶的待评估电子鼻数据，通过近红外光谱仪获取待评估茶叶的待评估光谱数据，对待评估光谱数据进行预处理得到待评估光谱预处理数据，所述预处理包括多元散射校正、一阶导数、小波变换、Savitzky-Golay方法、变量标准化等方法。
步骤6、将所述待评估光谱预处理数据输入滋味品质模型待评估茶叶对应的得到滋味品质等级，将所述待评估电子鼻数据输入所述香气品质模型得到待评估茶叶对应的香气品质等级，将所述待评估电子鼻数据和待评估光谱预处理数据输入所述整体感官品质模型得到待评估茶叶对应的整体感官品质等级。
本发明的评估茶叶滋味、香气和整体感官方法，根据所述光谱预处理数据和滋味关联关系建立滋味品质模型，根据所述电子鼻数据和香气关联关系建立香气品质模型，然后根据所述滋味品质模型确定光谱预处理数据对应的光谱特征变量，根据所述香气品质模型确定电子鼻数据对应的电子鼻特征变量，根据所述光谱特征变量、电子鼻特征变量和整体品质等级建立整体感官品质模型，以实现对茶叶滋味、香气和整体感官的快速准确评估，节约了人力，降低了检测难度，提高了检测的准确性和客观性。
如图6所示，本发明还公开了一种评估茶叶滋味、香气和整体感官系统，包括：
第一数据获取模块10，用于预先获取多个茶叶样品的滋味品质等级、香气品质等级、整体感官品质等级、光谱数据和电子鼻数据；
数据预处理模块20，用于对各个所述茶叶样品对应的光谱数据进行预处理得到光谱预处理数据；
第一模型建立模块30，用于对各个所述茶叶样品对应的光谱预处理数据和对应的滋味品质等级建立滋味关联关系，根据所述光谱预处理数据和滋味关联关系建立滋味品质模型，对各个所述茶叶样品对应的电子鼻数据和对应的香气品质等级建立香气关联关系，根据所述电子鼻数据和香气关联关系建立香气品质模型；
第二模型建立模块40，用于根据所述滋味品质模型确定光谱预处理数据对应的光谱特征变量，根据所述香气品质模型确定电子鼻数据对应的电子鼻特征变量，根据所述光谱特征变量、电子鼻特征变量和整体品质等级建立整体感官品质模型；
第二数据获取模块50，用于获取待评估茶叶的待评估电子鼻数据和待评估光谱预处理数据；
茶叶评估模块60，用于将所述待评估光谱预处理数据输入滋味品质模型待评估茶叶对应的得到滋味品质等级，将所述待评估电子鼻数据输入所述香气品质模型得到待评估茶叶对应的香气品质等级，将所述待评估电子鼻数据和待评估光谱预处理数据输入所述整体感官品质模型得到待评估茶叶对应的整体感官品质等级。
关于评估茶叶滋味、香气和整体感官系统的具体构成可以参见上文中对于评估茶叶滋味、香气和整体感官方法的构成，在此不再赘述。上述评估茶叶滋味、香气和整体感官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7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评估茶叶滋味、香气和整体感官方法。
本领域技术人员可以理解，图7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构成，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：
预先获取多个茶叶样品的滋味品质等级、香气品质等级、整体感官品质等级、光谱数据和电子鼻数据；
对各个所述茶叶样品对应的光谱数据进行预处理得到光谱预处理数据；
对各个所述茶叶样品对应的光谱预处理数据和对应的滋味品质等级建立滋味关联关系，根据所述光谱预处理数据和滋味关联关系建立滋味品质模型，对各个所述茶叶样品对应的电子鼻数据和对应的香气品质等级建立香气关联关系，根据所述电子鼻数据和香气关联关系建立香气品质模型；
根据所述滋味品质模型确定光谱预处理数据对应的光谱特征变量，根据所述香气品质模型确定电子鼻数据对应的电子鼻特征变量，根据所述光谱特征变量、电子鼻特征变量和整体品质等级建立整体感官品质模型；
获取待评估茶叶的待评估电子鼻数据和待评估光谱预处理数据；
将所述待评估光谱预处理数据输入滋味品质模型待评估茶叶对应的得到滋味品质等级，将所述待评估电子鼻数据输入所述香气品质模型得到待评估茶叶对应的香气品质等级，将所述待评估电子鼻数据和待评估光谱预处理数据输入所述整体感官品质模型得到待评估茶叶对应的整体感官品质等级。
在一个实施例中，所述根据所述光谱预处理数据和滋味关联关系建立滋味品质模型，包括：
采用主成分分析从光谱预处理数据中提取至少一第一特征变量；
将多个预设算法分别与至少一所述第一特征变量结合建立多个待选滋味模型；
将所述光谱预处理数据输入各个待选滋味模型中得到对应的滋味测试结果，根据所述滋味关联关系判断滋味测试结果是否正确，得到各个待选滋味模型的准确率；
比对所有的待选滋味模型的准确率，确定最优第一特征变量个数，作为光谱特征变量个数，从基于光谱特征变量个数的所有待选滋味模型中选出准确率最高的待选滋味模型作为滋味品质模型。
在一个实施例中，所述根据所述电子鼻数据和香气关联关系建立香气品质模型，包括：
采用主成分分析从电子鼻数据中提取至少一第二特征变量；
将多个预设算法分别与至少一所述第二特征变量结合建立多个待选香气模型；
将所述电子鼻数据输入各个待选香气模型中得到对应的香气测试结果，根据所述香气关联关系判断香气测试结果是否正确，得到各个待选香气模型的准确率；
比对所有的待选香气模型的准确率，确定最优第二特征变量个数，作为电子鼻特征变量个数，从基于电子鼻特征变量个数的所有待选香气模型中选出准确率最高的待选香气模型作为香气品质模型。
在一个实施例中，所述根据所述光谱特征变量、电子鼻特征变量和整体品质等级建立整体感官品质模型，包括：
将各个所述茶叶样品和对应的整体品质等级建立整体关联关系；
将所述光谱预处理数据中的光谱特征变量和电子鼻数据中的电子鼻特征变量在特征层进行融合得到融合矩阵；
将多个预设算法分别与所述融合矩阵结合建立多个待选整体模型；
将所述电子鼻数据和光谱预处理数据输入各个待选整体模型中得到对应的整体测试结果，根据所述整体关联关系判断整体测试结果是否正确，得到各个待选整体模型的准确率；
比对所有的待选整体模型的准确率，从所有的待选整体模型中选出准确率最高的待选整体模型作为整体感官品质模型。
在一个实施例中，所述预先获取多个茶叶样品的滋味品质等级、香气品质等级和整体感官品质等级，包括：
对各个所述茶叶样品进行感官审评，得到各个茶叶样品对应的外形评分、汤色评分、香气评分、滋味评分和叶底评分；
对各个所述茶叶样品对应的外形评分、汤色评分、香气评分、滋味评分和叶底评分进行加权计算得到对应的整体感官评分；
根据所有茶叶样品的滋味评分将茶叶样品的滋味分为多个滋味品质等级，根据各个茶叶样品的滋味评分确定对应的滋味品质等级；
根据所有茶叶样品的香气评分将茶叶样品的香气分为多个香气品质等级，根据各个茶叶样品的香气评分确定对应的香气品质等级；
根据所有茶叶样品的整体感官评分将茶叶样品的整体感官分为多个整体感官品质等级，根据各个茶叶样品的整体感官评分确定对应的整体感官品质等级。
在一个实施例中，所述对各个所述茶叶样品对应的外形评分、汤色评分、香气评分、滋味评分和叶底评分进行加权计算得到对应的整体感官评分，包括：
根据整体感官评分计算公式计算所述整体感官评分，其中，所述整体感官评分计算公式为：
F＝25％a+10％b+25％c+30％d+10％e，
其中，所述a表示外形评分，b表示汤色评分，c表示香气评分，d表示滋味评分，e表示叶底评分。
在一个实施例中，所述预先获取多个茶叶样品的光谱数据和电子鼻数据，包括：
通过近红外光谱仪采集各个所述茶叶样品的光谱数据，其中，所述近红外光谱仪的光谱范围为4000-10000cm-1，分辨率8cm-1；
通过电子鼻采集各个所述茶叶样品的电子鼻数据，其中，所述电子鼻包括至少10个不同的气体传感器。
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：
预先获取多个茶叶样品的滋味品质等级、香气品质等级、整体感官品质等级、光谱数据和电子鼻数据；
对各个所述茶叶样品对应的光谱数据进行预处理得到光谱预处理数据；
对各个所述茶叶样品对应的光谱预处理数据和对应的滋味品质等级建立滋味关联关系，根据所述光谱预处理数据和滋味关联关系建立滋味品质模型，对各个所述茶叶样品对应的电子鼻数据和对应的香气品质等级建立香气关联关系，根据所述电子鼻数据和香气关联关系建立香气品质模型；
根据所述滋味品质模型确定光谱预处理数据对应的光谱特征变量，根据所述香气品质模型确定电子鼻数据对应的电子鼻特征变量，根据所述光谱特征变量、电子鼻特征变量和整体品质等级建立整体感官品质模型；
获取待评估茶叶的待评估电子鼻数据和待评估光谱预处理数据；
将所述待评估光谱预处理数据输入滋味品质模型待评估茶叶对应的得到滋味品质等级，将所述待评估电子鼻数据输入所述香气品质模型得到待评估茶叶对应的香气品质等级，将所述待评估电子鼻数据和待评估光谱预处理数据输入所述整体感官品质模型得到待评估茶叶对应的整体感官品质等级。
在一个实施例中，所述根据所述光谱预处理数据和滋味关联关系建立滋味品质模型，包括：
采用主成分分析从光谱预处理数据中提取至少一第一特征变量；
将多个预设算法分别与至少一所述第一特征变量结合建立多个待选滋味模型；
将所述光谱预处理数据输入各个待选滋味模型中得到对应的滋味测试结果，根据所述滋味关联关系判断滋味测试结果是否正确，得到各个待选滋味模型的准确率；
比对所有的待选滋味模型的准确率，确定最优第一特征变量个数，作为光谱特征变量个数，从基于光谱特征变量个数的所有待选滋味模型中选出准确率最高的待选滋味模型作为滋味品质模型。
在一个实施例中，所述根据所述电子鼻数据和香气关联关系建立香气品质模型，包括：
采用主成分分析从电子鼻数据中提取至少一第二特征变量；
将多个预设算法分别与至少一所述第二特征变量结合建立多个待选香气模型；
将所述电子鼻数据输入各个待选香气模型中得到对应的香气测试结果，根据所述香气关联关系判断香气测试结果是否正确，得到各个待选香气模型的准确率；
比对所有的待选香气模型的准确率，确定最优第二特征变量个数，作为电子鼻特征变量个数，从基于电子鼻特征变量个数的所有待选香气模型中选出准确率最高的待选香气模型作为香气品质模型。
在一个实施例中，所述根据所述光谱特征变量、电子鼻特征变量和整体品质等级建立整体感官品质模型，包括：
将各个所述茶叶样品和对应的整体品质等级建立整体关联关系；
将所述光谱预处理数据中的光谱特征变量和电子鼻数据中的电子鼻特征变量在特征层进行融合得到融合矩阵；
将多个预设算法分别与所述融合矩阵结合建立多个待选整体模型；
将所述电子鼻数据和光谱预处理数据输入各个待选整体模型中得到对应的整体测试结果，根据所述整体关联关系判断整体测试结果是否正确，得到各个待选整体模型的准确率；
比对所有的待选整体模型的准确率，从所有的待选整体模型中选出准确率最高的待选整体模型作为整体感官品质模型。
在一个实施例中，所述预先获取多个茶叶样品的滋味品质等级、香气品质等级和整体感官品质等级，包括：
对各个所述茶叶样品进行感官审评，得到各个茶叶样品对应的外形评分、汤色评分、香气评分、滋味评分和叶底评分；
对各个所述茶叶样品对应的外形评分、汤色评分、香气评分、滋味评分和叶底评分进行加权计算得到对应的整体感官评分；
根据所有茶叶样品的滋味评分将茶叶样品的滋味分为多个滋味品质等级，根据各个茶叶样品的滋味评分确定对应的滋味品质等级；
根据所有茶叶样品的香气评分将茶叶样品的香气分为多个香气品质等级，根据各个茶叶样品的香气评分确定对应的香气品质等级；
根据所有茶叶样品的整体感官评分将茶叶样品的整体感官分为多个整体感官品质等级，根据各个茶叶样品的整体感官评分确定对应的整体感官品质等级。
在一个实施例中，所述对各个所述茶叶样品对应的外形评分、汤色评分、香气评分、滋味评分和叶底评分进行加权计算得到对应的整体感官评分，包括：
根据整体感官评分计算公式计算所述整体感官评分，其中，所述整体感官评分计算公式为：
F＝25％a+10％b+25％c+30％d+10％e，
其中，所述a表示外形评分，b表示汤色评分，c表示香气评分，d表示滋味评分，e表示叶底评分。
在一个实施例中，所述预先获取多个茶叶样品的光谱数据和电子鼻数据，包括：
通过近红外光谱仪采集各个所述茶叶样品的光谱数据，其中，所述近红外光谱仪的光谱范围为4000-10000cm-1，分辨率8cm-1；
通过电子鼻采集各个所述茶叶样品的电子鼻数据，其中，所述电子鼻包括至少10个不同的气体传感器。
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 (7)

1.评估茶叶滋味、香气和整体感官方法，其特征在于，包括：
预先获取多个茶叶样品的滋味品质等级、香气品质等级、整体感官品质等级、光谱数据和电子鼻数据；
对各个所述茶叶样品对应的光谱数据进行预处理得到光谱预处理数据；
对各个所述茶叶样品对应的光谱预处理数据和对应的滋味品质等级建立滋味关联关系，根据所述光谱预处理数据和滋味关联关系建立滋味品质模型，对各个所述茶叶样品对应的电子鼻数据和对应的香气品质等级建立香气关联关系，根据所述电子鼻数据和香气关联关系建立香气品质模型；
根据所述滋味品质模型确定光谱预处理数据对应的光谱特征变量，根据所述香气品质模型确定电子鼻数据对应的电子鼻特征变量，根据所述光谱特征变量、电子鼻特征变量和整体品质等级建立整体感官品质模型；
获取待评估茶叶的待评估电子鼻数据和待评估光谱预处理数据；
将所述待评估光谱预处理数据输入滋味品质模型待评估茶叶对应的得到滋味品质等级，将所述待评估电子鼻数据输入所述香气品质模型得到待评估茶叶对应的香气品质等级，将所述待评估电子鼻数据和待评估光谱预处理数据输入所述整体感官品质模型得到待评估茶叶对应的整体感官品质等级；
所述根据所述光谱特征变量、电子鼻特征变量和整体品质等级建立整体感官品质模型，包括：
将各个所述茶叶样品和对应的整体品质等级建立整体关联关系；
将所述光谱预处理数据中的光谱特征变量和电子鼻数据中的电子鼻特征变量在特征层进行融合得到融合矩阵；
将多个预设算法分别与所述融合矩阵结合建立多个待选整体模型；
将所述电子鼻数据和光谱预处理数据输入各个待选整体模型中得到对应的整体测试结果，根据所述整体关联关系判断整体测试结果是否正确，得到各个待选整体模型的准确率；
比对所有的待选整体模型的准确率，从所有的待选整体模型中选出准确率最高的待选整体模型作为整体感官品质模型；
所述根据所述光谱预处理数据和滋味关联关系建立滋味品质模型，包括：
采用主成分分析从光谱预处理数据中提取至少一第一特征变量；
将多个预设算法分别与至少一所述第一特征变量结合建立多个待选滋味模型；
将所述光谱预处理数据输入各个待选滋味模型中得到对应的滋味测试结果，根据所述滋味关联关系判断滋味测试结果是否正确，得到各个待选滋味模型的准确率；
比对所有的待选滋味模型的准确率，确定最优第一特征变量个数，作为光谱特征变量个数，从基于光谱特征变量个数的所有待选滋味模型中选出准确率最高的待选滋味模型作为滋味品质模型；
所述根据所述电子鼻数据和香气关联关系建立香气品质模型，包括：
采用主成分分析从电子鼻数据中提取至少一第二特征变量；
将多个预设算法分别与至少一所述第二特征变量结合建立多个待选香气模型；
将所述电子鼻数据输入各个待选香气模型中得到对应的香气测试结果，根据所述香气关联关系判断香气测试结果是否正确，得到各个待选香气模型的准确率；
比对所有的待选香气模型的准确率，确定最优第二特征变量个数，作为电子鼻特征变量个数，从基于电子鼻特征变量个数的所有待选香气模型中选出准确率最高的待选香气模型作为香气品质模型。
2.如权利要求1所述评估茶叶滋味、香气和整体感官方法，其特征在于，所述预先获取多个茶叶样品的滋味品质等级、香气品质等级和整体感官品质等级，包括：
对各个所述茶叶样品进行感官审评，得到各个茶叶样品对应的外形评分、汤色评分、香气评分、滋味评分和叶底评分；
对各个所述茶叶样品对应的外形评分、汤色评分、香气评分、滋味评分和叶底评分进行加权计算得到对应的整体感官评分；
根据所有茶叶样品的滋味评分将茶叶样品的滋味分为多个滋味品质等级，根据各个茶叶样品的滋味评分确定对应的滋味品质等级；
根据所有茶叶样品的香气评分将茶叶样品的香气分为多个香气品质等级，根据各个茶叶样品的香气评分确定对应的香气品质等级；
根据所有茶叶样品的整体感官评分将茶叶样品的整体感官分为多个整体感官品质等级，根据各个茶叶样品的整体感官评分确定对应的整体感官品质等级。
3.如权利要求2所述评估茶叶滋味、香气和整体感官方法，其特征在于，所述对各个所述茶叶样品对应的外形评分、汤色评分、香气评分、滋味评分和叶底评分进行加权计算得到对应的整体感官评分，包括：
根据整体感官评分计算公式计算所述整体感官评分，其中，所述整体感官评分计算公式为：
F＝25％a+10％b+25％c+30％d+10％e，
其中，所述a表示外形评分，b表示汤色评分，c表示香气评分，d表示滋味评分，e表示叶底评分。
4.如权利要求1所述评估茶叶滋味、香气和整体感官方法，其特征在于，所述预先获取多个茶叶样品的光谱数据和电子鼻数据，包括：
通过近红外光谱仪采集各个所述茶叶样品的光谱数据，其中，所述近红外光谱仪的光谱范围为4000-10000cm-1，分辨率8cm-1；
通过电子鼻采集各个所述茶叶样品的电子鼻数据，其中，所述电子鼻包括至少10个不同的气体传感器。
5.评估茶叶滋味、香气和整体感官系统，其特征在于，包括：
第一数据获取模块，用于预先获取多个茶叶样品的滋味品质等级、香气品质等级、整体感官品质等级、光谱数据和电子鼻数据；
数据预处理模块，用于对各个所述茶叶样品对应的光谱数据进行预处理得到光谱预处理数据；
第一模型建立模块，用于对各个所述茶叶样品对应的光谱预处理数据和对应的滋味品质等级建立滋味关联关系，根据所述光谱预处理数据和滋味关联关系建立滋味品质模型，对各个所述茶叶样品对应的电子鼻数据和对应的香气品质等级建立香气关联关系，根据所述电子鼻数据和香气关联关系建立香气品质模型；所述根据所述光谱预处理数据和滋味关联关系建立滋味品质模型，包括：采用主成分分析从光谱预处理数据中提取至少一第一特征变量；将多个预设算法分别与至少一所述第一特征变量结合建立多个待选滋味模型；将所述光谱预处理数据输入各个待选滋味模型中得到对应的滋味测试结果，根据所述滋味关联关系判断滋味测试结果是否正确，得到各个待选滋味模型的准确率；比对所有的待选滋味模型的准确率，确定最优第一特征变量个数，作为光谱特征变量个数，从基于光谱特征变量个数的所有待选滋味模型中选出准确率最高的待选滋味模型作为滋味品质模型；所述根据所述电子鼻数据和香气关联关系建立香气品质模型，包括：采用主成分分析从电子鼻数据中提取至少一第二特征变量；将多个预设算法分别与至少一所述第二特征变量结合建立多个待选香气模型；将所述电子鼻数据输入各个待选香气模型中得到对应的香气测试结果，根据所述香气关联关系判断香气测试结果是否正确，得到各个待选香气模型的准确率；比对所有的待选香气模型的准确率，确定最优第二特征变量个数，作为电子鼻特征变量个数，从基于电子鼻特征变量个数的所有待选香气模型中选出准确率最高的待选香气模型作为香气品质模型；
第二模型建立模块，用于根据所述滋味品质模型确定光谱预处理数据对应的光谱特征变量，根据所述香气品质模型确定电子鼻数据对应的电子鼻特征变量，根据所述光谱特征变量、电子鼻特征变量和整体品质等级建立整体感官品质模型；所述根据所述光谱特征变量、电子鼻特征变量和整体品质等级建立整体感官品质模型，包括：将各个所述茶叶样品和对应的整体品质等级建立整体关联关系；将所述光谱预处理数据中的光谱特征变量和电子鼻数据中的电子鼻特征变量在特征层进行融合得到融合矩阵；将多个预设算法分别与所述融合矩阵结合建立多个待选整体模型；将所述电子鼻数据和光谱预处理数据输入各个待选整体模型中得到对应的整体测试结果，根据所述整体关联关系判断整体测试结果是否正确，得到各个待选整体模型的准确率；比对所有的待选整体模型的准确率，从所有的待选整体模型中选出准确率最高的待选整体模型作为整体感官品质模型；
第二数据获取模块，用于获取待评估茶叶的待评估电子鼻数据和待评估光谱预处理数据；
茶叶评估模块，用于将所述待评估光谱预处理数据输入滋味品质模型待评估茶叶对应的得到滋味品质等级，将所述待评估电子鼻数据输入所述香气品质模型得到待评估茶叶对应的香气品质等级，将所述待评估电子鼻数据和待评估光谱预处理数据输入所述整体感官品质模型得到待评估茶叶对应的整体感官品质等级。
6.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4中任一项所述的方法的步骤。
7.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4中任一项所述的方法的步骤。
CN202311483192.1A 2023-11-08 2023-11-08 评估茶叶滋味、香气和整体感官方法、系统、设备及介质 Active CN117517245B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311483192.1A CN117517245B (zh) 2023-11-08 2023-11-08 评估茶叶滋味、香气和整体感官方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311483192.1A CN117517245B (zh) 2023-11-08 2023-11-08 评估茶叶滋味、香气和整体感官方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN117517245A CN117517245A (zh) 2024-02-06
CN117517245B true CN117517245B (zh) 2024-05-03

Family

ID=89743156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311483192.1A Active CN117517245B (zh) 2023-11-08 2023-11-08 评估茶叶滋味、香气和整体感官方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN117517245B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102222164A (zh) * 2011-05-30 2011-10-19 中国标准化研究院 一种食品感官质量评价方法及系统
CN106501470A (zh) * 2016-11-23 2017-03-15 广东嘉豪食品有限公司 利用味觉系统与电子鼻联合评价芥辣酱风味等级的方法
CN106525849A (zh) * 2016-11-02 2017-03-22 江苏大学 茶叶智能化拼配方法与系统
CN110133049A (zh) * 2019-04-10 2019-08-16 浙江大学 基于电子鼻和机器视觉的茶叶等级快速无损检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102222164A (zh) * 2011-05-30 2011-10-19 中国标准化研究院 一种食品感官质量评价方法及系统
CN106525849A (zh) * 2016-11-02 2017-03-22 江苏大学 茶叶智能化拼配方法与系统
CN106501470A (zh) * 2016-11-23 2017-03-15 广东嘉豪食品有限公司 利用味觉系统与电子鼻联合评价芥辣酱风味等级的方法
CN110133049A (zh) * 2019-04-10 2019-08-16 浙江大学 基于电子鼻和机器视觉的茶叶等级快速无损检测方法

Also Published As

Publication number Publication date
CN117517245A (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
CN103134850B (zh) 一种基于特征香气的茶叶品质快速检测方法
CN101936895A (zh) 一种稻米新陈度近红外光谱分析快速检测方法
CN105334185B (zh) 基于光谱投影判别的近红外模型维护方法
CN107958267B (zh) 一种基于光谱线性表示的油品性质预测方法
CN105954412B (zh) 用于山核桃新鲜度检测的传感器阵列优化方法
CN110967313A (zh) 电子烟烟油尼古丁含量的近红外光谱预测建模方法及应用
CN111693487A (zh) 基于遗传算法和极限学习机的水果糖度检测方法及系统
WO2020248961A1 (zh) 一种无参考值的光谱波数选择方法
CN101685092A (zh) 用烟叶pH检测值判定烤烟醇化质量的方法
CN114088661B (zh) 一种基于迁移学习和近红外光谱的烟叶烘烤过程化学成分在线预测方法
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
CN113030007B (zh) 基于相似度学习算法快速检验烟用香精质量稳定性的方法
CN117517245B (zh) 评估茶叶滋味、香气和整体感官方法、系统、设备及介质
CN109709060B (zh) 一种沥青软化点、针入度和质量损失的测定方法
CN113740294B (zh) 基于近红外建模的汽油/柴油检测分析方法及装置
CN115824996A (zh) 基于近红外光谱的烟叶常规化学成分通用模型建模方法
CN115024505A (zh) 一种基于积温积湿数据的烟叶醇化质量判别方法
CN113866119A (zh) 一种注水鸡快速鉴别方法及应用
CN106092960A (zh) 一种快速校正近红外设备并检测农产品中化学成分的方法
CN107884360B (zh) 一种卷烟纸助燃剂检测方法
CN111289451A (zh) 复杂光谱组分浓度定量计算的方法
CN113740293B (zh) 基于近红外建模的尿素检测分析方法及装置
CN117054372B (zh) 基于nirs与cv的茶叶品质等级检测方法和系统
CN114397269B (zh) 卷烟滤棒三醋酸甘油酯含量的测定方法
CN117929655B (zh) 一种气味强度检测方法、装置、设备、存储介质及车辆

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