一种近红外光谱快速判定不同海拔高度茶鲜叶的方法技术

一种近红外光谱快速判定不同海拔高度茶鲜叶的方法，应用近红外光谱仪扫描获得不同海拔高度鲜叶样品近红外光谱，然后对鲜叶样品光谱进行主成分分析，再以主成分为输入值建立多种信息传递方式的人工神经网络预测模型，具体包括以下步骤：鲜叶样品采集与分类，光谱采集，光谱预处理，鲜叶光谱主成分分析，人工神经网络预测模型建立以及模型验证。实现了不同海拔高度茶鲜叶的快速、无损、准确的判定；研究结果为成品茶质量保障提供了一种科学的依据。

【技术实现步骤摘要】

本专利技术涉及一种判定不同海拔高度茶鲜叶的方法，更具体的说涉及一种近红外光谱快速判定不同海拔高度茶鲜叶的方法。
技术介绍
俗话说“高山云雾出好茶”，茶树与环境是统一体，茶鲜叶质量除受自身遗传特性影响外，还受到地理生态环境等因素的影响。一般来说，高海拔地区茶鲜叶质量要优于低海拔地区茶鲜叶，茶鲜叶收购价格也要高于低海拔地区茶鲜叶。由于存在着巨大的利益空间，部分不法茶农采摘低海拔地区的茶鲜叶冒充高海拔地区的茶鲜叶，并以较高的价格卖给茶叶加工厂。而收购人员很难用经验判别不同海拔高度的茶鲜叶，其判别存在着较大的主观性。因此，急需建立一种快速、准确、无损地判别不同海拔高度茶鲜叶的方法。
技术实现思路
本专利技术的目的在于针对现有的茶叶收购人员很难根据自身工作经验准确判定不同海拔高度茶鲜叶等缺陷，提供一种近红外光谱快速判定不同海拔高度茶鲜叶的方法。为实现上述目的，本专利技术的技术解决方案是：一种近红外光谱快速判定不同海拔高度茶鲜叶的方法，扫描获得不同海拔高度的鲜叶样品近红外光谱，然后对鲜叶样品光谱进行主成分分析，再以主成分为输入值建立多种信息传递方式的不同海拔高度的鲜叶人工神经网络预测模型判定鲜叶的不同海拔高度，具体包括以下步骤：步骤一、鲜叶样品采集与分类分别采集海拔800-850m和450m以下的鲜叶样品，依据海拔高度的不同，将鲜叶样品随机划分为校正集和验证集2个集合；步骤二、光谱采集应用傅里叶型近红外光谱仪扫描获得全部鲜叶样品的近红外光谱；步骤三、光谱预处理应用化学计量学软件对全部鲜叶样品的近红外光谱进行求导和平滑预处理，然后将鲜叶样品光谱转化为成对的数据点；步骤四、鲜叶样品光谱主成分分析应用Matlab软件对全部鲜叶样品的光谱数据进行主成分分析，求得全部鲜叶样品光谱数据的得分Score1值和Score2值，主成分数及其贡献率；步骤五、建立人工神经网络预测模型以校正集样品光谱的前3个主成分为输入值，以不同海拔高度鲜叶样品为输出值，经过反复优化，建立standardnets、jumpconnectionnets和Jordan-Elmannets三种信息传递方式鲜叶不同海拔高度人工神经网络预测模型，比较该三种模型相关系数R和交互验证均方根方差RMSECV值，其中相关系数R公式为：交互验证均方根方差RMSECV公式为：式中，R为相关系数，n表示样本数，yi和yi’分别为样品集中第i个样品的海拔高度实测值和海拔高度预测值，为样品集中第i个样品的实测值的平均值，式中i≤n，其中以相关系数R最大和交互验证均方根方差RMSECV最小的模型为最佳模型，经比较后得到最佳校正集模型；步骤六、模型验证为避免出现过度拟合现象，应用验证集样品对得到的三种校正集模型预测效果进行检验，所得结果用相关系数R和验证集均方差RMSEP表示，其中相关系数R越大和验证集均方差RMSEP越小则表示检验效果越好，此时若得到的近红外光谱的海拔高度预测值与海拔高度实测值基本一致，则表示对验证集样品的预测效果很好，最佳校正集模型可以准确的预测鲜叶样品的海拔高度，其中验证集均方差RMSEP公式为：式中，n表示样本数，yi和yi’分别为样品集中第i个样品的海拔高度实测值和海拔高度预测值，式中i≤n。所述的步骤一中鲜叶样品数量为100份，其中海拔800-850m的鲜叶样品和450m以下的鲜叶样品各50份，鲜叶样品按照7:3的比例随机划分为校正集和验证集。所述的步骤一中采摘的鲜叶样品为芽，第一叶、第二叶、第三叶、一芽一叶、一芽二叶和一芽三叶。所述步骤二中的傅里叶型近红外光谱仪为用美国赛默飞世尔AntarisⅡ型傅里叶近红外光谱仪，光谱扫描范围4000-10000cm-1，分辨率8cm-1，检测器为InGaAs，每个样品采集10次光谱，每次扫描64次，取10次采集光谱的平均值作为该样品的最终光谱。所述步骤三中的化学计量学软件为TQAnalyst9.4.45软件和OPUS7.0软件。与现有技术相比，本专利技术的有益效果：本专利技术中基于近红外光谱技术，结合主成分分析和多种信息传递方式的人工神经网络模型判定鲜叶品种，实现了不同海拔高度茶鲜叶的快速、准确、无损判别，有效的解决了鲜叶收购时其不同海拔高度的鲜叶判定难的问题，研究结果也为成品茶质量保障提供了一种科学的依据。附图说明图1是本专利技术中全部100个鲜叶样品光谱图。图2是本专利技术中海拔800-850m和450m以下鲜叶样品Scores1值和Scores2值空间分布图。图3是本专利技术中standardnets信息传递人工神经网络结构。图4是本专利技术中jumpconnectionnets信息传递人工神经网络结构。图5是本专利技术中Jordan-Elmannets信息传递人工神经网络结构。具体实施方式以下结合附图说明和具体实施方式对本专利技术作进一步的详细描述。一种近红外光谱快速判定不同海拔高度茶鲜叶的方法，基于近红外光谱技术，扫描获得不同海拔高度的鲜叶样品近红外光谱，然后对鲜叶样品光谱进行主成分分析，再以主成分为输入值建立多种信息传递方式的不同海拔高度的鲜叶人工神经网络预测模型判定鲜叶的不同海拔高度。具体包括以下步骤：步骤一、鲜叶样品采集与分类分别采集海拔800-850m和450m以下的鲜叶样品，依据海拔高度的不同，将鲜叶样品随机划分为校正集和验证集2个集合；其中验证集鲜叶样品用于检验不同海拔高度鲜叶样品校正集预测模型的稳健性。步骤二、光谱采集应用傅里叶型近红外光谱仪(FT-NIR)扫描获得全部鲜叶样品的近红外光谱。近红外光谱(NIRS)是一种介于可见光区和中红外光区之间的电磁波，具有快速、准确和无需预处理等特点，目前已经广泛应用于农业、石化行业、纺织业、医药行业和烟草行业中。在茶叶应用领域中，近红外光谱技术已经成功的实现了对咖啡碱、茶多酚总量的预测及对茶溯源地的判定等。步骤三、光谱预处理应用化学计量学软件对全部鲜叶样品的近红外光谱进行求导和平滑等预处理，然后将鲜叶样品光谱转化为成对的数据点，用于后续建立鲜叶产地校正集预测模型和验证集模型。步骤四、鲜叶样品光谱主成分分析(PCA)应用Matlab软件对全部鲜叶样品的光谱数据进行主成分分析，求得全部鲜叶样品光谱数据的得分Score1值和Score2值，主成分数及其贡献率。步骤五、建立人工神经网络(BP-ANN)预测模型以校正集样品光谱的前3个主成分为输入值，以不同海拔高度鲜叶样品为输出值，经过反复优化，建立standardnets、jumpconnectionnets和Jordan-Elmannets三种信息传递方式鲜叶不同海拔高度人工神经网络预测模型，比较该三种模型相关系数R和交互验证均方根方差RMSECV值，其中相关系数R公式为：交互验证均方根方差RMSECV公式为：式中，R为相关系数，n表示样本数，yi和yi’分别为样品集中第i个样品的海拔高度实测值和海拔高度预测值，为样品集中第i个样品的实测值的平均值，式中i≤n；其中以相关系数R最大和交互验证均方根方差RMSECV最小的模型为最佳模型，该模型精度最高，经比较后得到最佳校正集模型。步骤六、模型验证为避免出现过度拟合现象，应用验证集样品对得到的三种校正集模型预测效果进行检验，即是用已经得到的三种校正集预测模型来预测验证集样品的鲜叶海拔高度预测值是否本文档来自技高网...

【技术保护点】
一种近红外光谱快速判定不同海拔高度茶鲜叶的方法，其特征在于，扫描获得不同海拔高度的鲜叶样品近红外光谱，然后对鲜叶样品光谱进行主成分分析，再以主成分为输入值建立多种信息传递方式的不同海拔高度的鲜叶人工神经网络预测模型判定鲜叶的不同海拔高度，具体包括以下步骤：步骤一、鲜叶样品采集与分类分别采集海拔800‑850m和450m以下的鲜叶样品，依据海拔高度的不同，将鲜叶样品随机划分为校正集和验证集2个集合；步骤二、光谱采集应用傅里叶型近红外光谱仪扫描获得全部鲜叶样品的近红外光谱；步骤三、光谱预处理应用化学计量学软件对全部鲜叶样品的近红外光谱进行求导和平滑预处理，然后将鲜叶样品光谱转化为成对的数据点；步骤四、鲜叶样品光谱主成分分析应用Matlab软件对全部鲜叶样品的光谱数据进行主成分分析，求得全部鲜叶样品光谱数据的得分Score1值和Score2值，主成分数及其贡献率；步骤五、建立人工神经网络预测模型以校正集样品光谱的前3个主成分为输入值，以不同海拔高度鲜叶样品为输出值，经过反复优化，建立standard nets、jump connection nets和Jordan‑Elman nets三种信息传递方式鲜叶不同海拔高度人工神经网络预测模型，比较该三种模型相关系数R和交互验证均方根方差RMSECV值，其中相关系数R公式为：交互验证均方根方差RMSECV公式为：式中，R为相关系数，n表示样本数，yi和yi’分别为样品集中第i个样品的海拔高度实测值和海拔高度预测值，为样品集中第i个样品的实测值的平均值，式中i≤n，其中以相关系数R最大和交互验证均方根方差RMSECV最小的模型为最佳模型，经比较后得到最佳校正集模型；步骤六、模型验证为避免出现过度拟合现象，应用验证集样品对得到的三种校正集模型预测效果进行检验，所得结果用相关系数R和验证集均方差RMSEP表示，其中相关系数R越大和验证集均方差RMSEP越小则表示检验效果越好，此时若得到的近红外光谱的海拔高度预测值与海拔高度实测值基本一致，则表示对验证集样品的预测效果很好，最佳校正集模型可以准确的预测鲜叶样品的海拔高度，其中验证集均方差RMSEP公式为：式中，n表示样本数，yi和yi’分别为样品集中第i个样品的海拔高度实测值和海拔高度预测值，式中i≤n。...

【技术特征摘要】
1.一种近红外光谱快速判定不同海拔高度茶鲜叶的方法，其特征在于，扫描获得不同海拔高度的鲜叶样品近红外光谱，然后对鲜叶样品光谱进行主成分分析，再以主成分为输入值建立多种信息传递方式的不同海拔高度的鲜叶人工神经网络预测模型判定鲜叶的不同海拔高度，具体包括以下步骤：步骤一、鲜叶样品采集与分类分别采集海拔800-850m和450m以下的鲜叶样品，依据海拔高度的不同，将鲜叶样品随机划分为校正集和验证集2个集合；步骤二、光谱采集应用傅里叶型近红外光谱仪扫描获得全部鲜叶样品的近红外光谱；步骤三、光谱预处理应用化学计量学软件对全部鲜叶样品的近红外光谱进行求导和平滑预处理，然后将鲜叶样品光谱转化为成对的数据点；步骤四、鲜叶样品光谱主成分分析应用Matlab软件对全部鲜叶样品的光谱数据进行主成分分析，求得全部鲜叶样品光谱数据的得分Score1值和Score2值，主成分数及其贡献率；步骤五、建立人工神经网络预测模型以校正集样品光谱的前3个主成分为输入值，以不同海拔高度鲜叶样品为输出值，经过反复优化，建立standardnets、jumpconnectionnets和Jordan-Elmannets三种信息传递方式鲜叶不同海拔高度人工神经网络预测模型，比较该三种模型相关系数R和交互验证均方根方差RMSECV值，其中相关系数R公式为：交互验证均方根方差RMSECV公式为：式中，R为相关系数，n表示样本数，yi和yi’分别为样品集中第i个样品的海拔高度实测值和海拔高度预测值，为样品集中第i个样品的实测值的平均值，式中i≤n，其中以相关系数R最大和交互验证均方根方差RMSECV最小的模型为最佳模型，经比较后得到最佳校正集模型...

【专利技术属性】
技术研发人员：王胜鹏，龚自明，郑鹏程，滕靖，高士伟，王雪萍，刘艳丽，
申请(专利权)人：湖北省农业科学院果树茶叶研究所，
类型：发明
国别省市：湖北;42