一種基於高光譜成像的茶鮮葉萎凋與發酵程度判斷方法及系統
2023-06-07 04:02:42
1.本發明屬於高光譜成像估測領域，具體涉及一種基於高光譜成像的茶鮮葉萎凋與發酵程度判斷方法及系統。
背景技術：
2.紅茶起源於中國。因為它具有紅葉、紅湯和香甜味醇的特徵以及含有豐富的營養成分，被世界人民所喜愛。紅茶是由茶樹的鮮葉加工而成，萎凋是紅茶加工的首道工藝，當萎凋程度適中時，可以有效提高鮮葉中酶系統的活性，為後續加工和成茶品質奠定良好的基礎。發酵是紅茶加工的關鍵工藝，經過適度發酵，可以促進以多酚酶氧化為中心的一系列生化反應，進而改變faa、caf和tps等生化成分的含量，最終形成紅茶特異的風味品質。因此，萎凋和發酵程度的判斷對於提高紅茶品質至關重要。
3.傳統上，制茶師通過主觀和經驗的方法來觀察茶葉色澤和香氣的變化，以判斷茶葉的萎凋和發酵程度。然而，這種方法需要大量的時間、人力和專業知識。評價結果容易受到制茶師專業、情緒等因素影響，且沒有嚴格的標準。此外，通過生化分析測定品質成分含量也可以用於判斷萎凋與發酵情況。然而，這些化學分析方法耗費樣品和時間，不能滿足現代生產和監測系統的要求。因此，我們開發一種基於高光譜成像的快速、準確的判別茶葉萎凋與發酵程度的方法及系統。
技術實現要素：
4.本發明提供了一種基於高光譜成像的茶鮮葉萎凋與發酵程度判斷方法及系統。本發明利用高光譜成像技術採集了茶鮮葉萎凋和發酵過程中的高光譜數據，同時測定了各樣本的tps、faa和caf含量。採用卷積平滑法（s-g）、多元散射校正（msc）和1階導數（1d）算法對高光譜數據進行預處理。通過機器學習和多種算法構建了tps、faa和caf含量的監測模型，可以對茶鮮葉萎凋和發酵過程中品質成分的定量預測，實現了對萎凋與發酵程度的有效判斷。本研究為茶葉萎凋與發酵過程中品質成分的無損在線檢測奠定了良好的基礎，為茶葉萎凋與發酵程度的智能判斷提供了一種新方法。
5.為實現上述發明目的，本發明採用以下技術方案予以實現：本發明提供了一種基於高光譜成像的茶鮮葉萎凋與發酵程度判斷方法及系統，包括以下步驟：s1：採集了茶葉萎凋和發酵過程中的高光譜數據；s2：將步驟s1的茶葉高光譜數據進行光譜反射率的提取；s3：結合提取的光譜反射率對光譜進行預處理；s4：對預處理後的光譜進行光譜特徵波段的篩選；s5：結合步驟s2、s3和s4的處理結果，利用svm, rf, pls進行數據建模，並對其進一步驗證。
6.進一步的，所述步驟s1中採集茶葉萎凋和發酵過程數據的步驟為：s11：茶葉中茶多酚(tps)、游離胺基酸(faa)和咖啡鹼(caf)含量測定；s12：高光譜數據的採集；s13：黑白校正和標準化處理。
7.進一步的，所述步驟s12中高光譜相機具有像素為：1101
×
960（空間
×
光譜）像素。
8.進一步的，所述步驟s2是利用envi軟體對茶葉高光譜數據的光譜反射率進行提取。
9.進一步的，所述步驟s3光譜預處理所利用的算法包括msc算法、s-g算法和一階導數（1-d）。
10.進一步的，所述步驟s4光譜特徵波段的篩選所利用的算法包括spa、cars和uve。
11.進一步的，所述步驟s5是利用svm, rf, pls進行數據建模，並對其進一步驗證，具體步驟為：s51：採用5折交叉驗證，將茶葉高光譜數據集分成5份，輪流將其中4份作為訓練數據，1份作為測試數據，重複5次，然後將結果求平均值；s52：利用svm, rf, pls算法將茶葉高光譜數據和tps、faa和caf含量建立回歸模型；s53： 採用確定係數（r2）、均方根誤差（rmse）、歸一化均方根誤差（nrmse）和相對分析誤差（rpd）評估模型的性能。
12.本發現還提供了一種基於高光譜成像的茶鮮葉萎凋與發酵程度判斷方法及系統，包括：採集系統，包括成像光譜相機、滷素燈線光源、計算機等部件。用來採集茶葉萎凋和發酵過程中的數據；處理系統，執行以下操作：將採集到的數據輸入到機器學習等網絡中，並進行光譜反射率提取、光譜的預處理、光譜特徵波段的篩選；分析系統，根據所述處理系統，對數據建模並驗證，用於定量判斷萎凋和發酵程度，為紅茶加工過程中萎凋和發酵程度的智能判斷提供依據。
13.與現有技術相比，本發明具有的優點和有益效果是：本發明通過機器學習和多種算法構建了tps、faa和caf含量的監測模型，可以對茶鮮葉萎凋和發酵過程中品質成分的定量預測，實現了對萎凋與發酵程度的有效判斷。本研究為茶葉萎凋與發酵過程中品質成分的無損在線檢測奠定了良好的基礎，為茶葉萎凋與發酵程度的智能判斷提供了一種新方法。
附圖說明
14.圖1 為本發明的一種基於高光譜成像的茶鮮葉萎凋與發酵程度判斷方法的流程圖。
15.圖2為內置環境可視化程序對所有樣本的平均高光譜數據的降噪處理。
16.圖3為茶多酚、游離胺基酸和咖啡鹼的高光譜數據特徵波段篩選圖。
17.圖4為茶多酚、游離胺基酸和咖啡鹼與高光譜數據模型相關係數圖。
具體實施方式
18.結合以下具體實例對本發明的技術方案作進一步詳細的說明。
19.實施例1一種基於高光譜成像的茶鮮葉萎凋與發酵程度判斷方法及系統，流程圖見圖1，包括如下步驟：步驟一、採集茶葉萎凋和發酵過程中的數據：本試驗於2021年9月30日在中國山東省日照市茶葉科學研究所（35
°
40
′
n, 119
°
33
′
e）進行。在茶鮮葉萎凋過程中，每一小時取樣1次，共19次。在萎凋至16小時時，取大量的萎凋葉進行揉捻，後進入發酵過程。在發酵過程中，每 0.5小時取樣1次，共取樣10次。對於每次取樣，都用高光譜相機採集光譜數據，再將樣品放入烘箱烘至足幹，後密封放在-4℃、避光條件下保存。本試驗共採集樣品87份，每個樣品重複3次。
20.步驟二、光譜反射率的提取：我們首先對黑白校正後的高光譜圖像進行了標準化處理。在圖像處理軟體spec view（dualix spectral imaging，china）中打開高光譜圖像，利用分析工具鏡頭校準和反射率校準對其進行校正。
21.其次，通過envi5.3（research system inc, america）提取光譜變量。先在envi5.3中打開校正後的高光譜圖像，選取整個茶樣的圖像作為感興趣區域（region of interest, roi），並提取樣品的平均反射光譜值，然後得到了樣本光譜反射曲線。共得到87
×
360（樣本數
×
變量數）的光譜矩陣。
22.步驟三、結合提取的光譜反射率對光譜進行預處理：由於高光譜採集儀器或環境因素的影響，茶葉原始光譜存在散射效應、隨機噪聲和系統噪聲等問題，會削弱茶葉內含物的光譜信號，不利於回歸模型的建立。為此，在建模之前，我們組合msc、s-g和1d 3種預處理算法，對茶葉原始光譜數據進行了預處理（圖2）。
23.為消除數據矩陣中的偽影或缺陷光譜，我們利用msc算法使每個光譜更接近於一些「理想」光譜；為獲得光譜數據點的最佳估計值，有效降低平均反射光譜的隨機噪聲，我們通過s-g對單點光譜數據一定寬度窗口範圍內的每個點進行「平均」或「擬合」；為了去除基線偏移的過程並分離重疊的光譜峰，我們通過1d來增強光譜中的少量信息，估計了兩個後續光譜數據點之間的差值。其中，微分法-1d的算法公式見式（2）。
24.ꢀꢀꢀꢀꢀꢀ
（2）步驟四、對預處理後的光譜進行光譜特徵波段的篩選：在本研究中，我們提取了360個波段的光譜數據。為了提高後期建模效率，我們利用spa、cars和uve3個算法來選擇所有光譜數據中有代表性的波段作為「特徵波段」，剔除對本研究用處不大的波段，從而減少數據運算量（圖3）。表1 spa、cars和uve算法的篩選結果。
25.表1 spa、cars和uve算法的篩選結果
步驟五、利用cnn-gru進行數據建模，並對其進一步驗證：我們利用svm 、pls和rf這3種機器學習方法，在茶樣的光譜數據和其品質成分之間構建了回歸模型。
26.在模型的評價體系中，我們使用決定係數(r2)、均方根誤差(rmse)和相對分析誤差(rpd)來表示預測模型的效果。其中，r2值越高，越接近1，說明所建模型的精確度越高；相反的是，rmse值越低，越接近0，說明所建模型的精確度越高；rpd值小於1.4，表示預測性能較差，rpd值大於1.4，表明能夠用於模型分析，且其值越大代表建立的模型越可靠。表2為svm 、pls和rf建立回歸模型的結果。為了評價各模型的反演精度，將測試集中各品質指標的實測值與模型的預測值進行了比較，並驗證了茶多酚、游離胺基酸和咖啡鹼的模型穩定性(圖4)。
27.表2 svm 、pls和rf建立回歸模型的結果
本發明是一種基於高光譜成像的茶鮮葉萎凋與發酵程度判斷方法及系統，不僅可以對茶鮮葉萎凋和發酵過程中品質成分的定量預測，而且實現了對萎凋與發酵程度的有效判斷。傳統的萎凋和發酵程度的測定依賴於人工手段、經驗判斷，容易出現誤判的情況，且檢測效率低。因此，本發明將高光譜成像技術結合機器學習的方法應用於萎凋與發酵程度判斷以及品質成分含量測定中。
28.以上實施例僅用以說明本發明的技術方案，而非對其進行限制；儘管參照前述實施例對本發明進行了詳細的說明，對於本領域的普通技術人員來說，依然可以對前述實施例所記載的技術方案進行修改，或者對其中部分技術特徵進行等同替換；而這些修改或替換，並不使相應技術方案的本質脫離本發明所要求保護的技術方案的精神和範圍。