一种基于人工神经网络技术的机采眉茶车色样品等级预测方法技术

一种基于人工神经网络技术的机采眉茶车色样品等级预测方法，包括：样品收集与分类；扫描获得不同等级眉茶车色样品的近红外光谱；对样品光谱进行预处理剔除噪声信息后，将样品光谱转化为成对的数据点；再将全部光谱数据均划分为20个子区间，分别建立每个子区间数据的粒子群优化算法模型，筛选出建模的最佳子区间数据；应用主成分分析法抽提、压缩最佳光谱子区间信息；以主成分得分为输入值，不断调整神经元个数和传递函数，建立polynomial net结构人工神经网络预测模型；模型稳健性检验。实现了湖北机采眉茶车色样品等级的快速、准确、客观预测，起到提高预测湖北机采眉茶车色样品等级准确度和增强模型实用性的目的。

An artificial neural network based method for predicting the grade of machine picked eyebrow tea car color samples

【技术实现步骤摘要】
一种基于人工神经网络技术的机采眉茶车色样品等级预测方法
本专利技术涉及一种眉茶车色样品等级的预测方法，更具体的说涉及一种基于人工神经网络技术的机采眉茶车色样品等级预测方法。
技术介绍
眉茶，属绿茶类珍品之一；湖北眉茶是我国一种主要的出口茶产品，深受国外广大客户的喜爱，其品质有贸易标准样可供参考。通常眉茶的精制工序如下：①初制绿毛茶②复滚③分筛④毛抖⑤机检⑥精扇⑦电捡⑧车色⑨紧门⑩匀堆，其中车色是眉茶精制中的关键工序，车色关系到条索紧结挺直、色泽绿润起霜，从而形成了眉茶特有的品质。随着经济的不断发展，劳动力短缺日益突出，因而通常采用机器采摘茶鲜叶。机采鲜叶加工为眉茶后还需进行精制，眉茶经精制后，还需将车色后的不同等级眉茶进行拼配，以调剂产品品质、保证产品质量稳定。目前在眉茶车色后的产品等级判定方面，通常依赖于茶叶加工人员的自身工作经验和感官器官进行判定；因此存在着较大的主观性和不确定性、极易出现差错，不利于后期眉茶拼配产品的品质保持稳定；因而不利于湖北眉茶的出口，易给茶叶加工厂和经销商带来较大的经济损失，而这也不利于湖北当地茶农早日摆脱贫困。因此，亟需建立一种快速、准确、无损地判定机采鲜叶眉茶车色样品等级的方法。
技术实现思路
本专利技术的目的在于针对目前精制眉茶茶叶加工人员通常依靠自身工作经验和感官器官判定机采鲜叶眉茶车色样品等级存在的主观性强、易出错等缺陷，提供一种基于人工神经网络技术的机采眉茶车色样品等级预测方法。为实现上述目的，本专利技术的技术解决方案是：一种基于人工神经网络技术的机采眉茶车色样品等级预测方法，扫描获得不同等级眉茶车色样品的近红外光谱，然后对样品光谱进行预处理剔除噪声信息后，将样品光谱转化为成对的数据点；再将全部光谱数据均划分为20个子区间，分别建立每个子区间数据的粒子群优化算法模型，筛选出建模的最佳子区间数据；再应用主成分分析法对子区间数据点信息进行压缩抽提，以主成分得分为输入数值，通过调节隐含层神经元个数和信息传递函数，建立不同等级眉茶车色样品的人工神经网络预测模型，用于预测眉茶车色样品等级，具体包括以下步骤：步骤一、样品收集与分类收集湖北省3个不同等级机采鲜叶眉茶车色样品，依据样品等级不同将样品分为校正集和验证集2个集合，其中校正集样品用于建立不同等级车色样品的近红外光谱校正模型，验证集样品用于对校正集预测模型稳健性进行检验；步骤二、光谱扫描应用近红外光谱仪扫描获得全部3个等级车色样品的近红外光谱，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3次光谱、每次扫描64次，然后对3次采集的光谱进行平均，以平均光谱作为该车色样品的最终光谱用于后续建立模型；步骤三、光谱噪声信息预处理应用多款化学计量学软件对步骤二中扫描得到的不同等级眉茶车色样品的近红外光谱采用矢量归一化方法进行去噪声预处理，提高光谱的信噪比，有利于建立稳健的预测模型；光谱去噪声后，再将样品光谱转化为成对的数据点；步骤四、光谱子区间划分将全部光谱信息数据均等分为20个光谱信息子区间，精准筛选反映眉茶车色样品等级的光谱信息子区间，用于后续建立粒子群优化算法模型；步骤五、粒子群优化算法模型建立应用粒子群优化(PSO,particleswarmoptimization)方法分别建立每个光谱信息子区间的光谱数据预测模型，比较模型相关系数(correlationcoefficientofcalibration，Rc)和交互验证均方根方差(rootmeansquareerrorofcalibration,RMSECV)大小，初步筛选出建模的最佳光谱信息子区间数据，达到精准筛选眉茶车色样品等级的光谱信息的目的，其中，Rc最大、RMSECV最小，表示建立的粒子群优化算法模型结果最佳，其中，RMSECV计算公式为：Rc计算公式为：式中，n表示样本数，yi和yi’分别为样品集中第i个样品的实测值和预测值，为样品集中第i个样品的实测值的平均值，式中i≤n；步骤六、polynomialnet结构人工神经网络预测模型建立应用非线性的人工神经网络方法进一步精准预测眉茶车色样品的等级，包括：1)最佳光谱信息子区间主成分分析采用主成分分析方法(PCA)对筛选的最佳光谱子区间数据进行主成分分析，得到每个主成分的单独贡献率值、累计贡献率值和主成分得分；在主成分累计贡献率≥85％才可以有效代表样品建模光谱子区间信息；2)人工神经网络预测模型建立以最佳光谱信息子区间的主成分得分为输入值、以不同等级眉茶车色样品为输出值，应用NeuroShell2软件建立polynomialnet结构的人工神经网络预测模型，polynomialnet结构人工神经网络结构信息传递方式包含多个隐含层、不同的神经元以及不同的信息传递函数，比较模型相关系数(correlationcoefficientofcalibration，Rc)和交互验证均方根方差(rootmeansquareerrorofcalibration,RMSECV)大小，得到最佳近红外光谱预测模型，其中，Rc越大、RMSECV越小，表示模型预测效果越好；其中RMSECV计算公式为：Rc计算公式为：式中，n表示样本数，yi和yi’分别为样品集中第i个样品的实测值和预测值，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Rc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；步骤七、模型稳健性检验应用全部验证集样品对不同等级眉茶车色样品的人工神经网络预测模型效果进行检验，所得结果用相关系数(correlationcoefficientofprediction，Rp)和验证均方差(rootmeansquareerrorofprediction,RMSEP)表示，其中Rp越大、RMSEP越小则表示模型稳健性越好，可以准确的预测样品的等级；其中RMSEP计算公式为：Rp计算公式为：式中，n表示样本数，yi和yi’分别为样品集中第i个样品的实测值和预测值，式中i≤n。所述的步骤一中眉茶车色鲜叶样品数量为120份，鲜叶样品按照3:1的比例划分为校正集和验证集，其中校正集样品90个、验证集样品30个。所述步骤一中眉茶车色鲜叶样品的3个等级为7-8目等级样品、9-10目等级样品和11-16目等级样品，其中7-8目等级样品化学值设定为1.000、9-10目等级样品化学值设定为2.000、11-16目等级样品化学值设定为3.000。所述步骤五中筛选出建模的最佳光谱信息子区间数据为6707.2-7004.2cm-1。所述步骤六中在采用主成分分析方法(PCA)对筛选的最佳光谱信息子区间数据进行主成分分析时，采用前3个主成分代表最佳光谱子区间的光谱信息。所述步骤六中选择3个神经元和linear[0,1]信息传递函数建立不同等级眉茶车色样品的polynomialnet结构人工神经网络模型。与现有技术相比，本专利技术的有益效果：1、本专利技术先剔除不同等级眉茶车色样品噪声信息，将样品光谱转化为成对的数据点保存，然后将全部光谱数据均划分为20个子区间，分别建立每个子区间数据的粒子群优化算法模型，筛选出建模的最佳子区间数据；应用主成分分析方法对最佳子区间数据点进行本文档来自技高网...

【技术保护点】
1.一种基于人工神经网络技术的机采眉茶车色样品等级预测方法，其特征在于，扫描获得不同等级眉茶车色样品的近红外光谱，然后对样品光谱进行预处理剔除噪声信息后，将样品光谱转化为成对的数据点；再将全部光谱数据均划分为20个子区间，分别建立每个子区间数据的粒子群优化算法模型，筛选出建模的最佳子区间数据；再应用主成分分析法对最佳子区间数据点信息进行压缩抽提，以主成分得分为输入数值，通过调节隐含层神经元个数和信息传递函数，建立不同等级眉茶车色样品的人工神经网络预测模型，用于预测眉茶车色样品等级，具体包括以下步骤：步骤一、样品收集与分类收集湖北省3个不同等级机采鲜叶眉茶车色样品，依据样品等级不同将样品分为校正集和验证集2个集合，其中校正集样品用于建立不同等级车色样品的近红外光谱校正模型，验证集样品用于对校正集预测模型稳健性进行检验；步骤二、光谱扫描应用近红外光谱仪扫描获得全部3个等级车色样品的近红外光谱，光谱扫描范围4000‑10000cm

【技术特征摘要】
1.一种基于人工神经网络技术的机采眉茶车色样品等级预测方法，其特征在于，扫描获得不同等级眉茶车色样品的近红外光谱，然后对样品光谱进行预处理剔除噪声信息后，将样品光谱转化为成对的数据点；再将全部光谱数据均划分为20个子区间，分别建立每个子区间数据的粒子群优化算法模型，筛选出建模的最佳子区间数据；再应用主成分分析法对最佳子区间数据点信息进行压缩抽提，以主成分得分为输入数值，通过调节隐含层神经元个数和信息传递函数，建立不同等级眉茶车色样品的人工神经网络预测模型，用于预测眉茶车色样品等级，具体包括以下步骤：步骤一、样品收集与分类收集湖北省3个不同等级机采鲜叶眉茶车色样品，依据样品等级不同将样品分为校正集和验证集2个集合，其中校正集样品用于建立不同等级车色样品的近红外光谱校正模型，验证集样品用于对校正集预测模型稳健性进行检验；步骤二、光谱扫描应用近红外光谱仪扫描获得全部3个等级车色样品的近红外光谱，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3次光谱、每次扫描64次，然后对3次采集的光谱进行平均，以平均光谱作为该车色样品的最终光谱用于后续建立模型；步骤三、光谱噪声信息预处理应用多款化学计量学软件对步骤二中扫描得到的不同等级眉茶车色样品的近红外光谱采用矢量归一化方法进行去噪声预处理，提高光谱的信噪比，有利于建立稳健的预测模型；光谱去噪声后，再将样品光谱转化为成对的数据点；步骤四、光谱子区间划分将全部光谱信息数据均等分为20个光谱信息子区间，精准筛选反映眉茶车色样品等级的光谱信息子区间，用于后续建立粒子群优化算法模型；步骤五、粒子群优化算法模型建立应用粒子群优化(PSO,particleswarmoptimization)方法分别建立每个光谱信息子区间的光谱数据预测模型，比较模型相关系数(correlationcoefficientofcalibration，Rc)和交互验证均方根方差(rootmeansquareerrorofcalibration,RMSECV)大小，初步筛选出建模的最佳光谱信息子区间数据，达到精准筛选眉茶车色样品等级的光谱信息的目的，其中，Rc最大、RMSECV最小，表示建立的粒子群优化算法模型结果最佳，其中，RMSECV计算公式为：Rc计算公式为：式中，n表示样本数，yi和yi’分别为样品集中第i个样品的实测值和预测值，为样品集中第i个样品的实测值的平均值，式中i≤n；步骤六、polynomialnet结构人工神经网络预测模型建立应用非线性的人工神经网络方法进一步精准预测眉茶车色样品的等级，包括：1)最佳光谱信息子区间主成分分析采用主成分分析方法(PCA)对筛选的最佳光谱子区间数据进行主成分分析，得到每个主成分的单独贡献率值、累计贡献率值和主成分得分；在主成分累计贡献率≥85％才可以有效代表样品建模光谱子区间信息；2)人工神经网络预测模型建立以最佳光谱信息子区间的主成分得...

【专利技术属性】
技术研发人员：叶飞，高士伟，王胜鹏，龚自明，郑鹏程，王雪萍，桂安辉，滕靖，郑琳，刘盼盼，
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