基于LED阵列与卷积神经网络的茶叶品种鉴定装置与方法与流程

本发明属于光学传感技术领域以及分析检测仪器技术领域，涉及一种基于多波长led阵列与卷积神经网络的手持式茶叶品种鉴定方法与鉴定装置。

背景技术：

茶叶是世界上最受欢迎的非酒精饮料，在世界各地均有茶叶的种植与销售。根据发酵程度的不同，茶叶分为绿茶、红茶、青茶、白茶、黄茶与黑茶。根据茶叶种类的不同，又有西湖龙井茶、洞庭碧螺春、黄山毛峰、庐山云雾茶、六安瓜片、君山银针、信阳毛尖、武夷岩茶、安溪铁观音、祁门红茶等分类。根据采摘时间的不同，又有清明茶、谷雨茶、夏茶、秋茶的分类。品种、时令、产地等都会对茶叶的品质产生影响，并最终影响茶叶的销售价格。消费者在面对市场上的茶叶时，容易受到产品包装、商家鼓吹的影响，将次茶误认为好茶，将“浙江龙井”误认为“狮峰龙井”。因此，快速、轻便、准确的茶叶品种鉴定装置具有很大的社会价值与经济价值。

申请号201811050174.3与201810444937.6的发明专利分别公布了基于tensorflow与全自动支持向量机的茶叶品种识别系统与方法，其核心是基于机器视觉与图像处理。这种方法在采样时需要准确的照明角度与照相位置，不然所得结果会有很大的偏差。

申请号201510258210.5的发明专利公布了一种基于激光诱导击穿光谱技术的茶叶分类鉴别方法。但激光诱导击穿光谱需要使用大功率激光器，有一定的安全防护要求，且多台光谱仪联用，系统体积庞大，不适用于线下消费场景。

申请号201810276203.9、201810335781.8、201710342868.3、201810468730.2公布的茶叶分类方法，基于红外光谱与不同的数据处理方法。其缺点是红外光谱采集所使用光谱仪价格在几十万，十分昂贵。

激光诱导荧光技术或者led诱导荧光技术能够激发茶叶中叶绿素、茶多酚、黄铜等物质的荧光，因而可以通过这些物质在荧光谱中的相对强度对茶叶进行分类。申请号为201310463824.8和201510391628.3的发明专利分别公布了基于主成分分析以及二维相关光谱的茶叶品质检测方法。这两种方案的系统由于使用了光纤收光至微型光谱仪的结构，因而测量时由于光纤弯折状态的变化会导致光谱曲线的变化，进而影响测量精度。同时，这两种方法的正确率有进一步提升的空间。

技术实现要素：

本发明的目的在于提出一种基于多波长led阵列与卷积神经网络的快速、轻便、准确的手持式茶叶品种鉴定装置与方法。

本发明所采用的技术方案：

基于led阵列与卷积神经网络的茶叶品种鉴定装置包括led座、led阵列、滤波片、迷你光谱仪和计算控制单元。

所述led座为led提供支撑，使得led照射方向对准待鉴定的茶叶，led座中心有圆孔，用于安装滤波片与迷你光谱仪。

所述led阵列采用多只led，其中主led中心波长在370~380nm之间，该波长的led能够激发出茶叶中茶多酚、黄酮、花青素、叶绿素的荧光，最大程度地提供有用信息，辅助led中心波长在360~500nm之间，采用轮流点亮的方式，受控于计算控制单元。

所述迷你光谱仪用于采集待鉴定茶叶的光谱数据，并将所述的光谱数据发送至计算控制单元。

所述的计算控制单元将光谱数据转化为二维数据后，送入已训练好的卷积神经网络，得到待鉴定茶叶的品种。

进一步，还包括用于显示分类结果的显示屏。

进一步，所述的滤波片为长通滤波片，截止波长为500nm，因为茶多酚、黄酮、花青素的荧光在500~650nm之间，叶绿素的荧光在650~800nm之间，因而500nm以后的光需要尽可能收集，而之前的光需要加以抑制。

基于led阵列与卷积神经网络的茶叶品种鉴定方法，上述装置，包括以下步骤：

步骤1、使用茶叶品种鉴定装置将茶叶覆盖，并启动装置。

步骤2、茶叶种类鉴定装置中的n只led依次点亮熄灭。在单只led点亮后，迷你光谱仪记录光谱数据，共t个，然后关闭led。在n只led都记录完毕后，记录一组无led点亮情况下的背景光谱数据。所得数据维数为（n+1）*t。

步骤3、对（n+1）*t中前n行数据分别减去背景光谱数据，并进行平滑处理。对光谱数据进行归一化。所得数据维数为n*t。

步骤4、对k种茶叶进行测量，每种茶叶测量m次，每次所得为n*t二维矩阵。对所有数据使用卷积神经网络进行训练，建立判别模型。所述卷积神经网络由输入层，卷积层，函数激活层，全连接层构成。针对由多条一维光谱数据组合而成的二维光谱数据，其波长位置信息十分确定，因而其卷积神经网络结构不包括池化层。

步骤5、在鉴定时，重复步骤1~3。在计算控制单元中调用训练好的判别模型进行计算，得到分类结果，并将结果显示在屏幕上。

进一步，步骤1中的茶叶为单层或多层覆盖，但不超过3mm厚。

进一步，步骤2中迷你光谱仪记录数据范围为500~850nm。

进一步，步骤3中归一化方式为每一行数据除以本行650nm至700nm范围内的最大值。

进一步，步骤4中卷积神经网络的卷积层的卷积核采用n*n矩阵。因而训练得到的卷积核能够得到n只led激发荧光之间的协同关系，而非小于n*n卷积核得到的离散的、局部的激发-发射荧光关系。

本发明的有益效果。

（1）led的选择，尤其是主led波长的确定，能够最大程度激发茶叶中特征物质，如茶多酚的荧光信息。

（2）迷你光谱仪直接对空间光进行光谱分析，不需要结合光纤等收光结构。迷你光谱仪的使用，使得系统进一步集成，可以做到手持式小型化设备，且省去了光纤的使用，避免了基于微型光谱仪的茶叶分类设备中由于光纤弯曲产生的光谱差异。

（3）针对茶叶的荧光特性改进了卷积神经网络结构，如使用多只led诱导产生的荧光数据组合成为二维荧光数据作为输入，卷积神经网络结构不设置池化层等，使得准确度显著提高。

（4）荧光具有发散性，因而相较基于可见光/近红外光谱结合算法的茶叶分类技术，基于荧光的茶叶分类计数降低了对样本摆放状态的要求，更适用于实际生活中由非专业的消费者使用。

附图说明

图1为本发明的结构示意图；

图2为实施例中led座的俯视图；

图3为实施例中led的光谱。

具体实施方式

为了使专利局的审查员尤其是公众能够更加清楚地理解本发明的技术实质和有益效果，申请人将在下面以实施例的方式作详细说明，但是对实施例的描述均不是对本发明方案的限制，任何依据本发明构思所作出的仅仅为形式上的而非实质性的等效变换都应视为本发明的技术方案范畴。

如图1和图2所示，一种基于多波长led阵列与卷积神经网络的手持式茶叶品种鉴定装置，能够实现对茶叶样品的种类进行快速准确的鉴定。该装置包括led座1、led阵列2、滤波片3、迷你光谱仪4、计算控制单元5、显示屏6。在本实施例中，led阵列由7只led组成（对应于图2中的标号11~17），其中心波长分别是371nm、381nm、394nm、404nm、412nm、423nm以及431nm。其中，371nmled符合主led波长要求，能够激发茶叶中茶多酚、黄酮、花青素、叶绿素的荧光。辅助led的波长较为均匀地分布在380~430nm之间，且其光谱末端不会超过500nm，不会对特征物质的荧光带来影响；7只led的光谱如图3所示。本实施例中的迷你光谱仪采用滨松hamamatsumini-spectrometerc12880ma。该迷你光谱仪由狭缝、反射凹面闪耀光栅、高灵敏度cmos线性图像传感器组成，其大小有别于传统的微型光谱仪，只有手指头大小。计算控制单元可以采用单片机、arm、fpga等嵌入式芯片以及稳流电路，主要实现led的闪烁控制、迷你光谱仪的采样控制以及数据计算。

为实现茶叶分类，需要先对众多样品数据进行训练，得到数据库与判别模型。本次分类使用380元每斤的龙井、480元每斤的龙井、580元每斤的龙井、越南绿茶、乌牛早绿茶、黄山毛峰绿茶、慢城白茶、祁门红茶、立顿红茶作为样本。训练过程包含以下几个步骤：

步骤1、使用茶叶品种鉴定装置将茶叶覆盖，即茶叶放底下，装置罩在上面，并启动装置。

步骤2、茶叶种类鉴定装置所属7只led依次点亮熄灭。在单只led点亮后，迷你光谱仪记录光谱数据，共837个，然后关闭led。在7只led都记录完毕后，记录一组无led点亮情况下的背景光谱数据，所得数据维数为8*837。

步骤3、对8*837中前7行数据分别减去第8行背景光谱数据，并使用s-g二阶滤波进行平滑处理。对光谱数据除以685nm处的最大值，进行归一化，所得数据维数为7*837。

步骤4、对9种茶叶进行测量，每种茶叶测量200次，每次所得为7*837二维矩阵。对所有数据使用卷积神经网络进行训练，建立判别模型。卷积神经网络由输入层，卷积层，函数激活层，全连接层构成。

步骤5、完成数据库与判别模型后，对实际样本进行检测，检测过程重复步骤1~3。在计算控制单元中调用训练好的判别模型进行计算，得到分类结果。结果会显示在屏幕上。

若使用单只led激发荧光数据结合主成分分析算法与回归模型、7只led激发荧光数据结合主成分分析算法与回归模型来训练，所得到的准确率只有80%。在采用本实施例的数据处理方法后，准确率可以提升到99.7%。

消费者在采用本实施例的设备后，可以很容易的区分出不同等级的龙井，又或者是不同等级的红茶，从而对所购茶叶的大体价位会有一个准确的认识，不会由于自身知识的缺乏而被商家蒙蔽。