详情

原文传递黑茶陈化年份的鉴别方法

专利名称：	黑茶陈化年份的鉴别方法
摘要：	本发明属于茶叶分析检测领域，涉及一种黑茶陈化年份的鉴别方法，包括：1）准备黑茶茶汤样品；2）采用三维荧光光谱仪获取黑茶茶汤样品的图像并对图像进行预处理，得到预处理后的图像；3）对预处理后的图像进行标准化、数据集划分以及数据增强处理，获取黑茶数据集；4）构建黑茶品牌与陈化年份的多任务学习模型，利用步骤3）获取得到的黑茶数据集进行训练，得到黑茶品牌以及陈化年份的分类模型；5）根据步骤4）构建得到的黑茶品牌以及陈化年份的分类模型对黑茶的陈化年份进行鉴别。本发明提出了一种成本相对低廉、方便操作以及分析速度较快的黑茶陈化年份的鉴别方法。
专利类型：	发明专利
国家地区组织代码：	湖南;43
申请人：	中南大学
发明人：	邱波;谭欣;李海普;郭婧琳;蒋锦
专利状态：	有效
申请日期：	2023-08-08T00:00:00+0800
发布日期：	2023-11-10T00:00:00+0800
申请号：	CN202310993228.4
公开号：	CN117030668A
代理机构：	南京苏高专利商标事务所(普通合伙)
代理人：	王艳
分类号：	G01N21/64;G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/084;G01N1/44;G01N1/40;G;G01;G06;G01N;G06V;G06N;G01N21;G06V10;G06N3;G01N1;G01N21/64;G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/084;G01N1/44;G01N1/40
申请人地址：	410012 湖南省长沙市岳麓区麓山南路932号
主权项：	1.一种黑茶陈化年份的鉴别方法，其特征在于：所述黑茶陈化年份的鉴别方法包括以下步骤： 1)准备黑茶茶汤样品； 2)采用三维荧光光谱仪获取黑茶茶汤样品的图像并对图像进行预处理，得到预处理后的图像； 3)对预处理后的图像依次进行标准化、数据集划分以及数据增强处理，获取黑茶数据集； 4)构建黑茶品牌与陈化年份的多任务学习模型，利用步骤3)获取得到的黑茶数据集进行训练，得到黑茶品牌以及陈化年份的分类模型； 5)根据步骤4)构建得到的黑茶品牌以及陈化年份的分类模型对黑茶的陈化年份进行鉴别。 2.根据权利要求1所述的黑茶陈化年份的鉴别方法，其特征在于：所述步骤1)的具体实现方式是：天平称取黑茶样品，放入80℃超纯水中，在80℃水浴条件下加热，在室温下冷却后取出部分茶汤，用尼龙滤膜过滤得到滤汤，用超纯水将滤汤稀释后得到黑茶茶汤样品。 3.根据权利要求2所述的黑茶陈化年份的鉴别方法，其特征在于：所述步骤1)中，黑茶样品与超纯水的质量体积比是1∶50～1∶200；所述加热时间是5min～15min；所述尼龙滤膜是0.22μm尼龙滤膜；所述稀释的倍数是5～20倍。 4.根据权利要求3所述的黑茶陈化年份的鉴别方法，其特征在于：所述步骤2)的具体实现方式是： 2.1)测定黑茶茶汤样品的三维荧光光谱，得到黑茶茶汤样品的三维荧光光谱图像； 2.2)对步骤2.1)获取得到的每个黑茶茶汤样品的三维荧光光谱图像，扣除两阶瑞利散射以及内滤效应，得到预处理后的图像，所述预处理后的图像是二维矩阵。 5.根据权利要求4所述的黑茶陈化年份的鉴别方法，其特征在于：所述步骤2)中测定黑茶茶汤样品的三维荧光光谱时，所采用的激发波长范围为230～530nm，步长5nm；发射波长范围为244.73～827.81nm，步长2.33nm；积分时长为0.5s。 6.根据权利要求5所述的黑茶陈化年份的鉴别方法，其特征在于：所述步骤3)中对预处理后的图像进行标准化的具体实现方式是依次进行最小最大归一化和Z-score归一化；所述最小最大归一化是根据公式进行；其中：所述i和j分别是展开的二维矩阵的行索引和列索引；所述xij，old是进行该归一化前在i，j索引位置上的值；所述xij，new是进行该归一化后在i，j索引位置上的值；所述Z-score归一化是根据公式进行；其中：所述i和j分别是展开的二维矩阵的行索引和列索引；所述μj和δj2分别表示变量j的均值和变量j的方差；所述步骤3)中数据集的划分是按照7∶3的比例将归一化后的数据划分训练集和测试集；所述步骤3)中数据增强处理的方式是以添加高斯噪音的方式对训练集的数量扩充至5倍；所述高斯噪音的表达式是： xnoise＝x+norm(μ＝0，σ＝0.02) 其中：所述x表示对预处理后的图像进行标准化的数据值；所述norm函数是生成服从正态分布随机数，期望值μ为0，标准差σ为0.02。 7.根据权利要求6所述的黑茶陈化年份的鉴别方法，其特征在于：所述步骤4)的具体实现方式是： 4.1)通过PyTorch模块构建Resnet卷积神经网络模型； 4.2)将Resnet卷积神经网络模型的最后一层替换为适应多任务分类的两个分类器；两个分类器分别对应黑茶品牌的分类以及黑茶年份的分类； 4.3)将通过步骤3)所得到的黑茶数据集中每个样本数据视为单通道的二维矩阵并导入Resnet卷积神经网络模型中进行训练； 4.4)观察训练过程中训练集损失与准确率，直至Resnet卷积神经网络模型损失平稳后停止训练，保存Resnet卷积神经网络模型的参数，得到黑茶品牌以及陈化年份的分类模型。 8.根据权利要求7所述的黑茶陈化年份的鉴别方法，其特征在于：所述步骤4.3)中Resnet卷积神经网络模型在训练时，batch-size设置为32，学习率设置为0.0001。 9.根据权利要求8所述的黑茶陈化年份的鉴别方法，其特征在于：所述步骤4.4)的具体实现方式是：观察训练过程中训练集损失与准确率，采用随机梯度下降法对Resnet卷积神经网络模型件优化，采用损失函数分别计算两个分类任务的损失，然后将这些损失叠加，直至Resnet卷积神经网络模型损失平稳后停止训练，保存Resnet卷积神经网络模型的参数，得到黑茶品牌以及陈化年份的分类模型；所述损失函数是交叉熵损失函数。 10.根据权利要求9所述的黑茶陈化年份的鉴别方法，其特征在于：所述步骤4.4)还包括： 4.5)对构建得到的黑茶品牌以及陈化年份的分类模型进行评估；所述评估的方式是根据测试集的混淆矩阵以分类准确率、敏感性、特异性、精确度、F-score来评估模型的分类效果。