基于人工神经网络的近红外光谱茶叶主要成分检测方法技术

本发明专利技术公开了一种基于人工神经网络的近红外光谱茶叶主要成分检测方法，利用交叉验证方法处理方法，对校正集和预测集采用误差均方根作为评估标准，将茶叶主成分的近红外光谱矩阵作为、人工神经网络输入，在保证信息不丢失的情况下，降低了人工神经网络的输入因子个数，有效解决了利用人工神经网络进行预测时，输入因子过多，运算复杂，预测结果准确性不高的问题。

【技术实现步骤摘要】
基于人工神经网络的近红外光谱茶叶主要成分检测方法
本公开涉及一种基于人工神经网络的近红外光谱茶叶主要成分检测方法，属于茶叶加工及成分检测领域。
技术介绍
现有茶叶主要成分检测方法主要是通过茶样磨碎后在电热恒温干燥箱中加热、除去水分至恒重后用于茶叶主成分含量的测定；而在茶树育种中经常碰到的问题是茶叶样品太少，不够用于按照国标法测定茶叶主成分含量，因此导致茶树早期鉴定延后，育种周期延长；另一方面，由于烘干等步骤可能会引起茶叶各种生化成分的转化，导致测定的数据并不能真实的反应茶叶中各种物质的含量，因此也存在误差。最近几年也有采用近红外光谱检测，其检测过程具有省时简单、不用破坏和浪费样品、分析速度快、成本低、结果重现性好等特点，是一种快速、方便和无损坏的检测方法；但也存在着难以实现定量的分析、检测信噪比低等缺点；该技术需要与化学计量学结合，其中常用的化学计量学技术主要有多元线性回归、主成分回归、偏最小二乘回归和神经网络等。
技术实现思路
本公开为了解决上述问题，提出了一种基于人工神经网络的近红外光谱茶叶主要成分检测方法，本专利技术能够对茶业主成分的进行较精确测量。本专利技术采用如下技术方案：一种基于人工神经网络的近红外光谱茶叶主要成分检测方法，包括以下步骤：(1)、茶叶样本的准备，采摘新鲜茶业洗净干燥并密封冷藏；(2)、将密封冷藏的茶叶组成样本集，用交叉验证方法将样本集分为校正集和预测集；(3)、扫描件所有校正集合预测集的近红外光谱；(4)、利用酒石酸铁比色法测定茶叶中茶多酚含量，利用蒽酮比色法检测茶叶中茶多糖的含量；(5)、建立近红外光谱定量分析模型，使用BP神经网络构建校正集样茶叶主成分含量与近红外特征光谱之间的定量校正模型；(6)、近红外定量分析模型测定预测集样本的茶叶主要成分含量，将预测集样品的近红外光谱信息数据输入所述校正模型，得到预测集样本的主要成分含量。优选的，利用近红外光谱仪进行近红外光谱的采集，测定范围5000-10000cm-1，分年率8cm-1，扫描次数不低于60次。优选的，对样品光谱利用基线校正、平滑方法、一阶微分、二阶微分、多元散射校正方法或标准正态变换方法进行预处理。优选的，采用传播神迹网络算法进行计算，人工神经网络为3层，选取近红外光谱数据，然后将光谱数据进行主成分样品变换作为神经网络的输入并建立相应模型，形成网络输入层与隐含层、隐含层于输出层节点的传递函数；并采用校正集样本，将化学分析法测定的糖度含量作为标准值，作为建模的输出量。优选的，所述校正集和预测集之间用相关系统评价其相关性，误差均方耿作为网络训练的评估标注，预测误差差军方根反应模型对未知样本的预测效果。与现有技术相比，本公开的有益效果为：本公开利用交叉验证方法处理方法，对校正集和预测集采用误差均方根作为评估标准，，将茶叶主成分的近红外光谱矩阵作为、人工神经网络输入，在保证信息不丢失的情况下，降低了人工神经网络的输入因子个数，有效解决了利用人工神经网络进行预测时，输入因子过多，运算复杂，预测结果准确性不高的问题。具体实施方式：下面根据实施例对本公开作进一步说明。应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。本专利技术实施例：一种基于人工神经网络的近红外光谱茶叶主要成分检测方法，包括以下步骤：(1)、茶叶样本的准备，采摘新鲜茶业洗净干燥并密封冷藏；(2)、将密封冷藏的茶叶组成样本集，用交叉验证方法将样本集分为校正集和预测集；(3)、扫描件所有校正集合预测集的近红外光谱；(4)、利用酒石酸铁比色法测定茶叶中茶多酚含量，利用蒽酮比色法检测茶叶中茶多糖的含量；(5)、建立近红外光谱定量分析模型，使用BP神经网络构建校正集样茶叶主成分含量与近红外特征光谱之间的定量校正模型；(6)、近红外定量分析模型测定预测集样本的茶叶主要成分含量，将预测集样品的近红外光谱信息数据输入所述校正模型，得到预测集样本的主要成分含量。优选的，利用近红外光谱仪进行近红外光谱的采集，测定范围5000-10000cm-1，分年率8cm-1，扫描次数不低于60次。对样品光谱利用基线校正、平滑方法、一阶微分、二阶微分、多元散射校正方法或标准正态变换方法进行预处理。采用传播神迹网络算法进行计算，人工神经网络为3层，选取近红外光谱数据，然后将光谱数据进行主成分样品变换作为神经网络的输入并建立相应模型，形成网络输入层与隐含层、隐含层于输出层节点的传递函数；并采用校正集样本，将化学分析法测定的糖度含量作为标准值，作为建模的输出量。所述校正集和预测集之间用相关系统评价其相关性，误差均方耿作为网络训练的评估标注，预测误差差军方根反应模型对未知样本的预测效果。以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。上述虽然对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。本文档来自技高网...

【技术保护点】
1.一种基于人工神经网络的近红外光谱茶叶主要成分检测方法，其特征在于，包括以下步骤：/n（1）、茶叶样本的准备，采摘新鲜茶业洗净干燥并密封冷藏；/n（2）、将密封冷藏的茶叶组成样本集，用交叉验证方法将样本集分为校正集和预测集；/n（3）、扫描件所有校正集合预测集的近红外光谱；/n（4）、利用酒石酸铁比色法测定茶叶中茶多酚含量，利用蒽酮比色法检测茶叶中茶多糖的含量；/n（5）、建立近红外光谱定量分析模型，使用BP神经网络构建校正集样茶叶主成分含量与近红外特征光谱之间的定量校正模型；/n（6）、近红外定量分析模型测定预测集样本的茶叶主要成分含量，将预测集样品的近红外光谱信息数据输入所述校正模型，得到预测集样本的主要成分含量。/n

【技术特征摘要】
1.一种基于人工神经网络的近红外光谱茶叶主要成分检测方法，其特征在于，包括以下步骤：
（1）、茶叶样本的准备，采摘新鲜茶业洗净干燥并密封冷藏；
（2）、将密封冷藏的茶叶组成样本集，用交叉验证方法将样本集分为校正集和预测集；
（3）、扫描件所有校正集合预测集的近红外光谱；
（4）、利用酒石酸铁比色法测定茶叶中茶多酚含量，利用蒽酮比色法检测茶叶中茶多糖的含量；
（5）、建立近红外光谱定量分析模型，使用BP神经网络构建校正集样茶叶主成分含量与近红外特征光谱之间的定量校正模型；
（6）、近红外定量分析模型测定预测集样本的茶叶主要成分含量，将预测集样品的近红外光谱信息数据输入所述校正模型，得到预测集样本的主要成分含量。


2.根据权利要求1所述一种基于人工神经网络的近红外光谱茶叶主要成分检测方法，其特征在于：利用近红外光谱仪进行近红外光谱的采集，测定范围5000-10000cm-1，分年率8cm...

【专利技术属性】
技术研发人员：叶章涛，李占彬，
申请(专利权)人：贵州琦福苑茶业有限公司，贵州省分析测试研究院，
类型：发明
国别省市：贵州;52