本发明专利技术属于青砖茶加工技术领域，具体涉及青砖茶原料渥堆时间的预测方法，更具体的说涉及基于近红外光谱技术的青砖茶原料渥堆时间的数字化预测方法。本发明专利技术公开了青砖茶原料渥堆时间的数字化预测方法，包括以下步骤，S1：茶样品收集与分类；S2：近红外光谱扫描；S3：光谱预处理与建模光谱数据的组合筛选；S4：校正集预测模型建立；S5：模型稳健性检验；S6：未知原料渥堆时间预测。本发明专利技术应用移动窗口方法动态筛选光谱数据信息，应用组合方法得到预处理方法和光谱数据的建模组合，应用偏最小二乘方法建立近红外光谱预测模型，通过不断调整维数、相关系数、交互验证均方根方差和相对分析误差等参数，建立青砖茶原料渥堆时间的数字化快速预测方法。预测方法。预测方法。
【技术实现步骤摘要】
一种青砖茶原料渥堆时间的数字化预测方法
[0001]本专利技术属于青砖茶加工
，具体涉及一种青砖茶原料渥堆时间的预测方法，更具体的说涉及一种基于近红外光谱技术的青砖茶原料渥堆时间的数字化预测方法。
技术介绍
[0002]青砖茶是湖北省的特产，而渥堆是青砖茶加工过程中的一道特殊发酵工艺，是将晒青毛茶堆放成2m左右高度后进行人工洒水，在一定的温度、湿度作用下进行20余天的发酵，发酵过程中辅以多次人工翻堆，促进茶多酚等内含物质发生氧化、络合等化学反应，最后将渥堆结束后的原料经过一系列的加工后制作为青砖茶。渥堆是形成青砖茶特有品质的关键工序，青砖茶的品质随着渥堆时间的不同而呈现显著地差异。当渥堆时间较短时，青砖茶汤色浅淡，滋味淡薄，不利于其品质的形成；当渥堆时间适宜时，则呈现出青砖茶特有的汤色红亮、陈香足等品质风味；当渥堆时间过长时，则会茶汤带酸味，导致青砖茶品质下降，因此在实际生产中需精准地掌握青砖茶原料的渥堆时间，及时把控原料的渥堆进度，才能生产出高品质的青砖茶。
[0003]目前，通常采用人工方法来评估青砖茶原料的渥堆时间，这种方法是依靠个人感官器官灵敏度和经验阅历来预测原料渥堆时间，具有较大的主观性，极易出现误判。为有效提高渥堆时间预测的准确度，亟需建立一种快速准确地预测青砖茶原料渥堆时间的方法，来确保青砖茶原料渥堆时间的可靠性，以便达到最优的渥堆原料品质。近红外光谱技术是一种准确、便捷的数字化无损检测技术，基于近红外光谱技术的数字化快速预测青砖茶原料渥堆时间的方法尚未有报道，因此非常迫切研发一种青砖茶原料渥堆时间的数字化预测方法来解决当前存在的问题。
技术实现思路
[0004]针对上述
技术介绍
所提出的问题，本专利技术的目的是：旨在提供一种青砖茶原料渥堆时间的数字化预测方法，收集6类不同渥堆时间的青砖茶原料，应用近红外光谱仪扫描获得样品的近红外光谱，应用移动窗口方法动态筛选光谱数据信息，应用组合方法得到全部可能的预处理方法和光谱数据的建模组合，达到同时剔除噪声信息和优选建模光谱数据的目的；以最佳建模预处理方法和光谱数据组合为输入值，应用偏最小二乘方法建立6类不同渥堆时间青砖茶原料样品的近红外光谱预测模型，通过不断调整维数、相关系数、交互验证均方根方差和相对分析误差等参数，建立青砖茶原料渥堆时间的数字化快速预测方法。
[0005]为实现上述技术目的，本专利技术采用的技术方案如下：
[0006]一种青砖茶原料渥堆时间的数字化预测方法，包括以下步骤，
[0007]S1：茶样品收集与分类；
[0008]收集6类不同渥堆时间的茶样品，依据样品等级不同，将每类不同渥堆时间的样品按照3:1比例划分为校正集和验证集两个集合，其中校正集样品用于建立预测模型，验证集样品用于检验预测模型效果；
[0009]S2：近红外光谱扫描；
[0010]应用近红外光谱仪扫描获得全部6类不同渥堆时间样品的近红外光谱，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，以平均光谱作为该样品的最终光谱用于后续建立模型；
[0011]S3：光谱预处理与建模光谱数据的组合筛选；
[0012]S31：光谱预处理；
[0013]对S2扫描得到的不同渥堆时间样品的近红外光谱进行预处理，其预处理方法为无光谱预处理、消除常数偏移量、减去一条直线、矢量归一化、最小最大归一化、多元散射校正、一阶导数、二阶导数、一阶导数+减去一条直线或一阶导数+矢量归一化；
[0014]S32：应用移动窗口方法动态选择建模的光谱数据，通过不断动态调整窗口的大小，不拘于所选择光谱区间所含的具体数据点数量，不均等划分光谱区间数据点，根据预测模型结果来筛选光谱区间所包含的数据信息，精准筛选反映不同渥堆时间青砖茶原料的光谱信息，用于后续建立预测模型；
[0015]S33：应用数学中的组合方法得到全部可能的光谱预处理方法与光谱数据的建模组合，筛选得到较佳的光谱预处理方法与特征光谱数据的组合，达到同时剔除噪声信息和优化建模光谱数据的目的；
[0016]S4：校正集预测模型建立；
[0017]应用偏最小二乘方法建立青砖茶原料不同渥堆时间的近红外光谱预测模型，比较维数、相对分析误差(relative percent deviation，RPD)、相关系数(correlation coefficient of calibration，Rc)、交互验证均方根误差(root mean square error of cross validation，RMSECV)和概率P值；其中，当Rc最大、RMSECV最小时，表示此时建立的校正集模型结果最佳，为得到的最佳预测模型；
[0018]其中，RMSECV计算公式为：
[0019]Rc计算公式为：
[0020]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，y为样品集中第i个样品的实测值的平均值，式中i≤n；
[0021]RPD＝STDEV/RMSECV
[0022]其中，STDEV为校正集样品的标准差；
[0023]S5：模型稳健性检验；
[0024]应用全部验证集样品对不同渥堆时间的青砖茶原料样品的偏最小二乘法预测模型效果进行检验，所得结果用维数、相对分析误差(relative percent deviation，RPD)、相关系数(correlation coefficient of prediction，Rp)、预测均方根误差(root mean square error of prediction，RMSEP)和概率P表示；其中Rp越大、RMSEP越小则表示模型稳健性越好，可以准确的预测青砖茶原料的渥堆时间；
[0025]其中RMSEP计算公式为：
[0026]Rp计算公式为：
[0027]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；
[0028]S6：未知原料渥堆时间预测；
[0029]扫描待测茶叶样品的近红外光谱，采用与S3相同的光谱预处理方法和光谱数据变量，然后代入校正集预测模型，用于预测未知样品的渥堆时间。
[0030]作为本专利技术的一种优选方案，所述S1中，每类样品由1芽5叶和1芽6叶部位组成或者更老的芽叶部位组成；其中1芽5叶样品由单芽、第一叶、第二叶、第三叶、第四叶、第五叶和长梗组成；1芽6叶样品由单芽、第一叶、第二叶、第三叶、第四叶、第五叶、第六叶和更长梗组成。
[0031]作为本专利技术的一种优选方案，所述S1中根据样品渥堆时间不同分别进行赋值：渥堆时间为0天，赋值为1.000；渥堆时间为4天，赋值为2.000；渥堆时间为10天，赋值为3.000；渥堆时间为14天，赋值为4.000；渥堆时间为19天，赋值为5.000；渥堆时间为本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种青砖茶原料渥堆时间的数字化预测方法，其特征在于：包括以下步骤，S1：茶样品收集与分类；收集6类不同渥堆时间的茶样品，依据样品等级不同，将每类不同渥堆时间的样品按照3:1比例划分为校正集和验证集两个集合，其中校正集样品用于建立预测模型，验证集样品用于检验预测模型效果；S2：近红外光谱扫描；应用近红外光谱仪扫描获得全部6类不同渥堆时间样品的近红外光谱，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，以平均光谱作为该样品的最终光谱用于后续建立模型；S3：光谱预处理与建模光谱数据的组合筛选；S31：光谱预处理；对S2扫描得到的不同渥堆时间样品的近红外光谱进行预处理，其预处理方法为无光谱预处理、消除常数偏移量、减去一条直线、矢量归一化、最小最大归一化、多元散射校正、一阶导数、二阶导数、一阶导数+减去一条直线或一阶导数+矢量归一化；S32：应用移动窗口方法动态选择建模的光谱数据，通过不断动态调整窗口的大小，不拘于所选择光谱区间所含的具体数据点数量，不均等划分光谱区间数据点，根据预测模型结果来筛选光谱区间所包含的数据信息，精准筛选反映不同渥堆时间青砖茶原料的光谱信息，用于后续建立预测模型；S33：应用数学中的组合方法得到全部可能的光谱预处理方法与光谱数据的建模组合，筛选得到较佳的光谱预处理方法与特征光谱数据的组合，达到同时剔除噪声信息和优化建模光谱数据的目的；S4：校正集预测模型建立；应用偏最小二乘方法建立青砖茶原料不同渥堆时间的近红外光谱预测模型，比较维数、相对分析误差(relative percent deviation，RPD)、相关系数(correlation coefficient of calibration，Rc)、交互验证均方根误差(root mean square error of cross validation，RMSECV)和概率P值；其中，当Rc最大、RMSECV最小时，表示此时建立的校正集模型结果最佳，为得到的最佳预测模型；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，y为样品集中第i个样品的实测值的平均值，式中i≤n；RPD＝STDEV/RMSECV其中，STDEV为校正集样品的标准差；S5：模型稳健性检验；应用全部验证集样品对不同渥堆时间的青砖茶原料样品的偏最小二乘法预测模型效
果进行检验，所得结果用维数、相对分析误差(relative percent deviation，RPD)、相关系数(correlation coefficient of p...
【专利技术属性】
技术研发人员：郑鹏程，王胜鹏，刘盼盼，高士伟，郑琳，滕靖，冯琳，桂安辉，叶飞，王雪萍，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。