详情

原文传递基于NIRS与CV的茶叶品质等级检测方法和系统

专利名称：	基于NIRS与CV的茶叶品质等级检测方法和系统
摘要：	本发明涉及一种基于NIRS与CV的茶叶品质等级检测方法和系统，其技术方案要点是：对茶叶图像进行预处理得到对应的处理图像，对待检测茶叶的近红外光谱根据预设的待检测成分进行预处理得到第一处理光谱，对近红外光谱进行降噪和校正处理得到第二处理光谱；将处理图像输入的茶叶外形品质定级模型得到对应的外形品质等级；将第一处理光谱输入与待检测成分对应的成分检测模型得到对应的成分数据；对第二处理光谱、成分数据和外形品质等级进行数据转换得到综合数据；将综合数据输入综合品质模型得到对应的茶叶等级；本申请具有对茶叶的外形品质的评定更为客观化和标准化，且综合考虑茶叶内质品质和外形品质，使茶叶的品质定级更综合的效果。
专利类型：	发明专利
申请人：	广东省农业科学院茶叶研究所;华南农业大学
发明人：	乔小燕;梁建华;夏红玲;胡蝶;马成英;陈维;郭嘉明
专利状态：	有效
申请日期：	2023-08-15T00:00:00+0800
发布日期：	2023-11-14T00:00:00+0800
申请号：	CN202311026399.6
公开号：	CN117054372A
代理机构：	广州广典知识产权代理事务所(普通合伙)
代理人：	王东平
分类号：	G01N21/359;G06V10/774;G06V20/68;G;G01;G06;G01N;G06V;G01N21;G06V10;G06V20;G01N21/359;G06V10/774;G06V20/68
申请人地址：	510000 广东省广州市天河区大丰路6号;
主权项：	1.基于NIRS与CV的茶叶品质等级检测方法，其特征在于，包括：获取待检测茶叶的茶叶图像和近红外光谱；对所述茶叶图像进行预处理得到对应的处理图像，对所述近红外光谱根据预设的待检测成分进行预处理得到对应的第一处理光谱，对所述近红外光谱进行降噪和校正处理得到对应的第二处理光谱；将所述处理图像输入训练好的茶叶外形品质定级模型得到对应的外形品质等级；将所述第一处理光谱输入与所述待检测成分对应的构建好的成分检测模型得到对应的成分数据；对所述第二处理光谱、成分数据和外形品质等级进行数据转换得到综合数据；将所述综合数据输入给训练好的综合品质模型得到对应的茶叶等级。 2.根据权利要求1所述的基于NIRS与CV的茶叶品质等级检测方法，其特征在于，所述待检测成分包括：茶多酚、咖啡碱和游离氨基酸；所述成分检测模型包括：茶多酚检测模型、咖啡碱检测模型和游离氨基酸模型；所述将所述第一处理光谱输入与所述待检测成分对应的构建好的成分检测模型得到对应的成分数据，包括：将与所述茶多酚对应的第一处理光谱输入构建好的茶多酚检测模型得到对应的茶多酚数据；将与所述咖啡碱对应的第一处理光谱输入构建好的咖啡碱检测模型得到对应的咖啡碱数据；将与所述游离氨基酸对应的第一处理光谱输入构建好的游离氨基酸检测模型得到对应的游离氨基酸数据。 3.根据权利要求2所述的基于NIRS与CV的茶叶品质等级检测方法，其特征在于，所述对所述第二处理光谱、成分数据和外形品质等级进行数据转换得到综合数据，包括：截取所述第二处理光谱中的特征波段数据；对所述特征波段数据在长度方向上进行N等分，N为正整数，在宽度方向上将所述等分波段数据按其原长度方向顺序一一合并得到N×N的正方形矩阵；将所述茶多酚数据复制为一维向量，并补丁到所述正方形矩阵的第一边；将所述咖啡碱数据复制为一维向量，并补丁到所述正方形矩阵的第二边；将所述游离氨基酸数据复制为一维向量，并补丁到所述正方形矩阵的第三边；将所述外形品质等级复制为一维向量，并补丁到所述正方形矩阵的第四边；将补丁后正方形矩阵的4个对角元素以0填补得到N+2×N+2矩阵的综合数据。 4.根据权利要求1所述的基于NIRS与CV的茶叶品质等级检测方法，其特征在于，所述综合品质模型为基于ResNet18的网络模型，对所述综合品质模型的训练方法，包括：获取茶叶训练样本集中的各个茶叶训练样本对应的近红外光谱、训练外形品质等级、游离氨基酸含量、茶多酚含量和咖啡碱含量；对各个所述茶叶训练样本对应的近红外光谱进行降噪和校正得到训练处理光谱；将各个所述茶叶训练样本对应的训练处理光谱、游离氨基酸含量、茶多酚含量、咖啡碱含量和训练外形品质等级进行数据转换得到对应的训练综合数据，形成训练综合数据集；采用所述训练综合数据集对基于ResNet18的网络模型进行训练，训练过程分为初次迭代训练和二次迭代训练，初次迭代训练的学习率设置为0.001，二次迭代训练使用余弦退火学习率对初次迭代训练后的网络模型进行迭代训练，直至网络模型收敛后得到训练好的综合品质模型。 5.根据权利要求4所述的基于NIRS与CV的茶叶品质等级检测方法，其特征在于，所述训练外形品质等级为专业评茶师评估得到，所述游离氨基酸含量、茶多酚含量和咖啡碱含量为采用湿化学法检测得到。 6.根据权利要求1所述的基于NIRS与CV的茶叶品质等级检测方法，其特征在于，所述茶叶外形品质定级模型包括：卷积模块，所述卷积模块用于提取处理图像的特征得到第一特征图；第一池化层，用于对所述第一特征图进行压缩得到压缩特征图；多个Inception模块，用于提取所述压缩特征图中的有效特征得到第二特征图，压缩第二特征图并整合第二特征图中的关键特征得到第三特征图；全局均值池化层，用于对所述Inception模块输出的第三特征图求均值得到数据特征；全连接层，用于整合所述数据特征与各个预设级别的关系，得到所述数据特征与各个预设级别对应的结果； sofmax层，用于对所述数据特征在各个预设级别对应的结果进行归一化指数计算得到所述数据特征与各个预设级别对应的概率值。 7.根据权利要求2所述的基于NIRS与CV的茶叶品质等级检测方法，其特征在于，所述对所述近红外光谱根据预设的待检测成分进行预处理得到对应的第一处理光谱，包括：对所述近红外光谱进行卷积平滑滤波，对滤波后的近红外光谱进行一阶求导，对求导后的近红外光谱进行自标度化，对自标度化后的近红外光谱进行基于遗传算法的变量组合总体分析得到第一波长变量，即茶多酚对应的第一处理光谱；对所述近红外光谱进行卷积平滑滤波，对滤波后的近红外光谱进行迭代自适应加权惩罚最小二乘法校正，对校正后的近红外光谱进行归一化，对归一化后的近红外光谱进行基于迭代的保持信息变量的变量组合总体分析得到第二波长变量，即咖啡碱对应的第一处理光谱；对所述近红外光谱进行卷积平滑滤波，对滤波后的近红外光谱标准正态变量变换，对变换后的近红外光谱进行自标度化，对自标度化后的近红外光谱进行基于遗传算法的变量组合总体分析得到第三波长变量，即游离氨基酸对应的第一处理光谱；所述茶多酚检测模型构建方法为使用偏最小二乘法建立第一波长变量与茶多酚的回归模型；所述咖啡碱检测模型构建方法为使用偏最小二乘法建立第二波长变量与咖啡碱的回归模型；所述游离氨基酸检测模型构建方法为使用偏最小二乘法建立第三波长变量与游离氨基酸的回归模型。 8.基于NIRS与CV的茶叶品质等级检测系统，其特征在于，包括：数据获取模块，用于获取待检测茶叶的茶叶图像和近红外光谱；预处理模块，用于对所述茶叶图像进行预处理得到对应的处理图像，对所述近红外光谱根据预设的待检测成分进行预处理得到对应的第一处理光谱，对所述近红外光谱进行降噪和校正处理得到对应的第二处理光谱；外形评级模块，用于将所述处理图像输入训练好的茶叶外形品质定级模型得到对应的外形品质等级；成分检测模块，用于将所述第一处理光谱输入与所述待检测成分对应的构建好的成分检测模型得到对应的成分数据；数据转换模块，用于对所述第二处理光谱、成分数据和外形品质等级进行数据转换得到综合数据；综合评级模块，用于将所述综合数据输入给训练好的综合品质模型得到对应的茶叶等级。 9.计算机设备,包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。 10.计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
所属类别：	发明专利