基于电子鼻与温度补偿的茶叶分类方法技术

本发明专利技术属于电子鼻检测茶叶品种技术领域，本发明专利技术公开了基于电子鼻与温度补偿的茶叶分类方法

【技术实现步骤摘要】
基于电子鼻与温度补偿的茶叶分类方法、系统及存储介质


[0001]本专利技术涉及电子鼻检测茶叶
，尤其涉及基于电子鼻与温度补偿的茶叶分类方法
、
系统及存储介质
。

技术介绍

[0002]茶叶气味是检验茶叶质量，分辨茶叶种类的重要指标之一，而电子鼻在茶叶的无损检测能够以较低的成本和便携性等方面的优势，呈现出很好的应用前景
。
在传统技术中电子鼻是根据不同的气体微粒附着在对应传感器的表面所引起的电位变化来获得对于相应气体的浓度参数的原理进行工作的；通常电子鼻由气体传感器阵列，数据采集系统，信号预处理和模式识别系统等部分组成；通过多个气体传感器组成的阵列根据上述理论产生相应信号，在经过数据采集和
AD
转换，得到一系列响应信号，然后对信号进行去噪和预处理，最后再进行特征提取，将处理后的数据送入模式识别系统，最后得到识别或者检测结果
。
[0003]但在电子鼻检测之中，温度的变化会造成电子鼻在检测和收集茶叶气体数据的时候出现气体数据漂移的现象而导致茶叶分类的效果下降
。
因此，本领域技术人员亟需专利技术一种新的方法，对现有技术中的茶叶分类的效果
。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种基于电子鼻与温度补偿的茶叶分类方法
、
系统及存储介质，本专利技术采用神经网络和
K
最近邻算法建立最优的模型进行温度数据补偿以提高茶叶分类效果，为电子鼻收集气体数据的温度补偿提供一个参考方向，以就解决上述现有技术中存在的技术问题
。
[0005]为了达到上述目的，本专利技术采用如下技术方案：
[0006]基于电子鼻与温度补偿的茶叶分类方法，包括以下步骤：
[0007]基于电子鼻搭建的气体手机平台获取茶叶样本原数据；
[0008]对所述茶叶样本原数据进行过载分析，得到
A
组数据和
B
组数据；
[0009]依据神经网络技术预构建神经网络补偿模型，利用预构建的所述神经网络补偿模型对所述
A
组数据和所述
B
组数据中贡献度高的组别进行温度数据补偿，得到补偿数据；
[0010]根据所述
A
组补偿和所述
B
组数据进行联合茶叶分类，得到最终茶叶分类结果
。
[0011]优选的，所述
A
组数据贡献度和所述
B
组数据贡献度以实际传感器贡献度作为评判标准优选的，基于预构建的所述神经网络补偿模型对所述
A
组数据和所述
B
组数据中贡献度高的组别进行温度数据补偿，得到补偿数据的具体步骤包括：
[0012]将
n
组预设实验温度范围下的
A
组数据和对应的
n
组预设实验温度数据作为所述神经网络补偿模型的输入数值
、
将所述预设实验温度范围的中间温度下的
A
组数据作为输出数值，放入所述神经网络补偿模型进行计算
。
[0013]优选的，预构建的所述神经网络补偿模型所使用的神经网络结构中的隐藏层为
1、
神经元单位为
3。
[0014]基于电子鼻与温度补偿的茶叶分类方法，包括以下步骤：
[0015]基于电子鼻搭建的气体手机平台获取茶叶样本原数据；
[0016]对所述茶叶样本原数据进行过载分析，得到
A
组数据和
B
组数据；
[0017]依据
K
最近邻算法预构建补偿模型，利用预构建的所述补偿模型对所述
A
组数据和所述
B
组数据中贡献度高的组别进行温度数据补偿，得到补偿数据；
[0018]根据所述
A
组补偿和所述
B
组数据进行联合茶叶分类，得到最终茶叶分类结果
。
[0019]基于电子鼻与温度补偿的茶叶分类系统，包括：采集系统
、
分析系统
、
补偿系统以及分类系统；
[0020]所述采集系统，用于提供样本采集环境，并采集茶叶样本气体原数据；
[0021]所述分析系统，用于对所述采集系统采集到的所述茶叶样本气体原数据，基于过载分析手段进行分析，以得到按传感器贡献度进行分类的
A
组数据和
B
组数据；
[0022]所述补偿系统，用于将
n
组预设实验温度范围下的
A/B
组数据和对应的
n
组预设实验温度数据作为预构建的神经网络补偿模型或
K
最近邻补偿模型的输入数值
、
将预设实验温度范围的中间温度下的所述
A/B
组数据作为输出数值，放入所述神经网络补偿模型或所述
K
最近邻补偿模型进行计算，得到补偿数据；
[0023]所述分类系统，用于整合所述
A
组补偿数据和未进行补偿的所述
B
组数据进行联合分类，得到茶叶品种分类结果
。
[0024]一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现任一项所述的方法
。
[0025]一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现任一项所述的方法
。
[0026]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种茶叶分类的温度补偿模型来减少温度变化对茶叶分类结果的影响，其中为证明本专利技术的技术效果，通过实验进行证明，本专利技术实验的茶叶种类有英红九号，黄山毛峰，信阳毛尖，西湖牌，碧螺牌，实验温度分为
5℃
，
15℃
，
25℃
，
35℃
，
45℃
；本专利技术采取人工神经网络，偏最小二乘法和
Bootstrap
森林法所建立的温度补偿模型对茶叶分类进行补偿及效果对比，其中参与分类的算法有人工神经网络，决策树，
K
最近邻，
Bootstrap
森林以及支持向量机五种，选取了补偿效果最好的人工神经网络温度补偿模型，并且采用了高贡献值和低贡献值的传感器分类补偿方式使茶叶分类效果最差的实验温度
45℃
茶叶分类验证集的正确率分别由
84
％，
88
％，
88
％，
68
％，
72
％提高至
100
％，
96
％，
100
％，
92
％，
100
％<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于电子鼻与温度补偿的茶叶分类方法，其特征在于，包括以下步骤：基于电子鼻搭建的气体手机平台获取茶叶样本原数据；对所述茶叶样本原数据进行过载分析，得到
A
组数据和
B
组数据；依据神经网络技术预构建神经网络补偿模型，利用预构建的所述神经网络补偿模型对所述
A
组数据和所述
B
组数据中贡献度高的组别进行温度数据补偿，得到补偿数据；根据所述
A
组补偿和所述
B
组数据进行联合茶叶分类，得到最终茶叶分类结果
。2.
根据权利要求1所述的基于电子鼻与温度补偿的茶叶分类方法，其特征在于，所述
A
组数据贡献度和所述
B
组数据贡献度以实际传感器贡献度作为评判标准根据权利要求1所述的基于电子鼻与温度补偿的茶叶分类方法，其特征在于，基于预构建的所述神经网络补偿模型对所述
A
组数据和所述
B
组数据中贡献度高的组别进行温度数据补偿，得到补偿数据的具体步骤包括：将
n
组预设实验温度范围下的
A
组数据和对应的
n
组预设实验温度数据作为所述神经网络补偿模型的输入数值
、
将所述预设实验温度范围的中间温度下的
A
组数据作为输出数值，放入所述神经网络补偿模型进行计算
。3.
根据权利要求3所述的基于电子鼻与温度补偿的茶叶分类方法，其特征在于，预构建的所述神经网络补偿模型所使用的神经网络结构中的隐藏层为
1、
神经元单位为
3。4.
基于电子鼻与温度补偿的茶叶分类方法，其特征在于，包括以下步骤：基于电子鼻搭建的气体手机平台获取茶叶样本原数据；对所述茶叶样本原数据进行过载分析，得到
A
组数据和
B
...

【专利技术属性】
技术研发人员：徐赛，蔡旻昊，陆华忠，梁鑫，
申请(专利权)人：广东省农业科学院设施农业研究所，
类型：发明
国别省市：