一种红茶萎凋程度数字化的无损检测方法

1.本发明属于食品加工技术领域，尤其涉及一种红茶萎凋程度数字化的无损检测方法。


背景技术：

2.红茶是全球最受欢迎的饮品之一，具有独特的风味和多种健康益处。红茶的初制涉及多个过程，包括萎凋、揉捻、发酵和干燥等四道工序。萎凋是红茶初加工中的关键工序，叶内水分和品质生化成分发生剧烈变化，为红茶品质的形成奠定重要基础，对红茶加工和生产具有重要意义。
3.在萎凋的过程中，鲜叶适当散失水分，降低鲜叶细胞表面张力，使芽叶由脆变软，增强可塑性、柔软性等物理特性，为揉捻工序获得一定细胞破碎率和初步做形作业创造必要条件，所以生产中将萎凋叶的含水率是判别萎凋适度的关键指标，现有研究认为当鲜叶的含水率达到60％
‑
64％为适度萎凋。目前，对于萎凋程度的传统判断方法仍依靠人的感官经验判断，容易受到人为因素的影响，而传统的含水率检测方法操作复杂、检测周期长，难以实现萎凋叶含水率的快速、准确、便捷、无损地检测。近红外光谱法(nirs)是一种先进的无损检测技术，已广泛应用于茶叶的定性和定量的分析，如茶的等级分类、发酵度预测、感官质量确定、主要成分等。但是，先前的研究中使用的大部分都是基于实验室条件下的台式近红外光谱仪，这种光谱仪价格高、体积大且不可携带，在实验室以外的生产中难以使用。此外，这种台式光谱仪结构复杂、需要连接电脑且操作技能要求高，难以成为茶厂和农民的常规生产工具。
4.随着计算机、智能手机和光学仪器的快速普及发展，已经开发了通过无线蓝牙技术连接到智能手机的微型近红外光谱仪，可利用智能手机中的应用程序操控光谱仪完成光谱数据的采集、存储和传输，再通过微型计算机对数据完成分析、处理和显示。由于微型计算机和微型近红外光谱仪价格低、便携性且对使用环境
5.要求低，基于智能手机的微型近红外光谱系统得到了研究人员的青睐。微型近红外光谱仪已成功用于茶树的营养状况诊断、茶叶的质量评估、红茶的品味评估。然而，通过使用微型近红外光谱仪结合微型计算机进行红茶萎调中含水率在线定量分析的研究暂无。


技术实现要素：

6.为了解决上述现有技术方案中的不足，本发明提供了一种红茶萎凋程度数字化的无损检测方法，该方法实现了红茶萎凋叶含水率快速无损的在线检测。
7.具体技术方案如下：
8.一种红茶萎凋程度数字化的无损检测方法，包括以下步骤：
9.s1、萎凋叶样品光谱的采集，将处于不同萎凋时间节点的萎凋叶样品，分别通过连接智能手机的微型近红外光谱仪采集，进而得到不同萎凋时间节点下的样品光谱；所述萎凋时间节点包括过轻萎凋、轻萎凋、适度萎凋ⅰ、适度萎凋ⅱ、重萎凋、过重萎凋；
10.s2、样品萎凋程度数字化参数的检测，随着萎凋的进行，检测不同萎凋时间节点萎凋叶的萎凋程度数字化参数；
11.s3、对采集的萎凋叶样品光谱进行预处理和主成分分析，降低采集光谱时萎凋叶样品表面漫反射对光谱信息造成的干扰，提取光谱数据主要信息；
12.s4、elman神经网络的建立，将s3进行预处理后的光谱数据融合，通过扩展输入空间的方法，按照5：1随机划分为校正集和预测集，校正集与s2步骤的不同萎凋时间节点下萎凋叶相对应的萎凋程度数字化参数用于训练elman神经网络的红茶萎凋水分定量预测模型，预测集作为外部验证样本，进行萎凋程度数字化参数的预测；根据预测集样本所预测的萎凋程度数字化参数与实际值的相关系数分析红茶萎凋水分定量预测模型的性能；
13.s5、不同萎凋程度数字化参数的快速检测，通过无线蓝牙技术连接到智能手机的微型近红外光谱仪，利用智能手机中的应用程序操控微型近红外光谱仪完成萎凋叶样品光谱数据的采集和存储，通过usb将存储的光谱数据传输到pc端，通过matlab软件建立水分预测模型；
14.s6、将pc端建立好的水分预测模型部署到微型计算机raspberry pi上独立运行，通过微型近红外光谱仪、oled显示屏与微型计算机raspberry pi通信后，光谱数据即可实时传输至已部署好水分预测算法模型的微型计算机raspberry pi上，通过模型运行计算后，萎凋叶水分预测结果即可通过oled显示屏实时显示。
15.优选地，所述s1步骤中，从红茶萎凋开始至萎凋过度后1小时止，共18h；期间每隔1h测取该萎凋程度下萎凋叶的光谱数据。
16.优选地，所述微型近红外光谱仪的近红外波段范围为900
‑
1700nm，分辨率为10
‑
12nm；光谱仪的尺寸为75mm
×
58mm
×
26.5mm，重约77g，智能手机通过无线蓝牙连接到微型近红外光谱仪，此种光谱仪具有低成本且极易便携的特点；微型计算机raspberry pi为4b主板，8gb内存，其尺寸为85.60mm
×
56mm
×
21mm，重约45g，数据处理性能好且易便携；oled显示屏为0.96寸，分辨率128*64，控制芯片为ssd1306，通信方式为iic。
17.优选地，所述s1步骤中光谱采集的条件为将每个萎凋程度下萎凋叶样品轻轻按压均匀的表面并扫描3次，然后将平均光谱用作样品的代表性光谱数据。
18.优选地，所述s2步骤中描述红茶萎凋程度数字化的指标是萎凋叶的含水率，所述含水率采用水分测定仪的加热计算差值测定，所述含水率采用gb 5009.3—2016进行测定。
19.优选地，所述s3步骤中，对近红外光谱采用平滑预处理，对预处理后的光谱进行pca主成分分析。
20.优选地，所述pca主成分分析的主成分数为10。
21.优选地，所述elman神经网络结构包括2个输入层、9个隐藏层、1个输出层，它比普通的神经网络在结构上多一个承接层，承接层用于承接整个网络上一次的状态，可看作神经网络的记忆延时单元；承接层的增益因子取[0,1]，用来确保elman神经网络的收敛性。
[0022]
本发明的有益效果是：
[0023]
1.创新性地将近红外光谱应用于萎凋叶含水率的快速无损检测。在萎凋的过程中，萎凋叶内部发生了一系列的物理变化和化学变化，在此过程中，鲜叶会不断失去水分而变得萎蔫柔软，水分的变化幅度较大，而近红外光谱可以描述有机分子中
‑
oh基团的响应，能表征样品的内部信息。所以通过近红外光谱结合萎凋叶含水率，基于elman神经网络建立
红茶萎凋程度的判别模型，为红茶萎凋程度提供一种科学准确、适合在线、快速无损检测的判别方法；
[0024]
2.创新性地将光谱数据进行平滑预处理和主成分分析多重分析，提出了数据扩展输入空间的思想，并应用扩展输入空间建立了红茶萎凋程度的判别的elman神经网络模型。本发明中便携式的红茶萎凋程度数字化的快速无损检测方法所建立的elman神经网络萎凋叶含水率预测模型，在获取萎凋叶样品的近红外光谱后，将原始光谱经过光滑预处理和主成分分析后的数据共同用作模型输入，最大程度地去除了噪声干扰，通过扩展输入空间的方法增加了模型的泛化性，将扩展输入空间后的数据与对应萎凋叶的含水率参与模型训练中，因此该发明提出的基于扩展输入空间的elman模型具有更好的定量预测分析能力，相对于传统的线性pls模型和非线性bp模型具有更强的预测能力；
[0025]
3.发明了一套基于智能手机通过无线蓝牙技术结合微型近红外光谱仪、微型计算机raspberry pi(树莓派)进行萎凋叶叶含水率的快速显示系统。本发明中所使用的通过无线蓝牙技术连接到智能手机的微型近红外光谱仪与微型计算机raspberry pi(树莓派)通信后，光谱数据即可实时传输至已部署好水分预测模型的微型计算机raspberry pi(树莓派)上，通过已部署好的模型运行计算后，即可将萎凋叶水分预测结果通过oled显示屏实时显示，从而实现红茶萎凋程度数字化的定量快速无损检测。此套萎凋叶含水率快速无损检测设备具有价格低、可便携、易操作，可在线快速检测萎凋叶含水率的优点，可成为茶厂和茶农加工茶叶的常规生产工具。
附图说明
[0026]
图1是本发明使用的萎凋叶数字化水分预测系统；
[0027]
图2是本发明基于elman神经网络的红茶萎凋含水率定量预测模型的算法流程图；
[0028]
图3是本发明elman神经网络的结构图；
[0029]
图4是本发明实施例1中经过微型近红外光谱仪采集的原始光谱图像(a)以及经过平滑预处理之后的图像(b)；
[0030]
图5是本发明实施例1中基于elman的神经网络模型外部验证集实测值与预测值散点图(a)，外部验证集预测误差图(b)；
[0031]
图6是本发明对照实施例1中基于pls线性模型的主成分贡献率(a)，外部验证集实测值与预测值散点图(b)；
[0032]
图7是本发明对照实施例1中基于bp神经网络非线性模型外部验证集实测值与预测值散点图(a)，外部验证集预测误差图(b)；
[0033]
图中，1
‑
raspberry pi；2
‑
智能手机；3
‑
样品池；4
‑
微型近红外光谱仪；5
‑
oled显示屏。
具体实施方式
[0034]
下面将各个附图和具体的实施例相结合进行详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0035]
实施例1
[0036]
一种红茶萎凋程度数字化的无损检测方法，包括如下步骤：
[0037]
s1.萎凋叶样品光谱的采集，将处于不同萎凋程度节点(过轻萎凋、轻萎凋、适度萎凋ⅰ、适度萎凋ⅱ、重萎凋、过重萎凋等)的萎凋叶样品，分别通过连接智能手机2的微型近红外光谱仪4(nir
‑
s
‑
g1；innospectra公司，中国台湾)采集样品池3，波长范围:900
‑
1700nm，光谱采样间隔:1.5nm，光谱分辨率:10nm，波长精度:
±
1nm，镜头紧贴样品池3中样品表面，利用智能手机2中的应用程序操控微型近红外光谱仪4完成萎凋光谱数据的采集和存储，通过串行总线(usb)将微型近红外光谱仪4中存储的光谱传输到pc端，进而得到不同萎凋程度节点下的光谱数据；
[0038]
s2.样品萎凋程度数字化参数的检测，随着萎凋的进行，检测不同萎凋时间节点萎凋叶的萎凋程度数字化参数；
[0039]
s3.对采集的样品光谱依次进行snv平滑预处理和pca主成分分析，降低采集光谱时样品表面漫反射对光谱信息造成的干扰和提取光谱数据主要信息；
[0040]
s4.elman神经网络的建立，将s3进行平滑预处理与主成分分析后的光谱数据融合，通过扩展输入空间的方法后，按照5：1随机划分为校正集和预测集，校正集与s2步骤的不同萎凋时间下萎凋叶相对应的含水率指标用于训练elman神经网络的红茶萎凋含水率定量预测模型，验证集作为外部验证样本，进行萎凋程度指标的预测，根据预测集样本所预测的含水率与实际值的相关系数分析预测模型的性能；
[0041]
s5.不同萎凋程度样品含水率的快速检测，通过无线蓝牙技术连接到智能手机2的微型近红外光谱仪4，通过matlab软件写入预测模型，近而实现红茶萎凋程度数字化的定量快速无损检测。
[0042]
s6.将电脑pc端的含水率预测模型部署到微型计算机raspberry pi 1(树莓派)上独立运行，与oled显示屏5通信后将萎凋叶含水率预测结果实时显示，从而实现红茶萎凋程度数字化的定量快速无损检测。
[0043]
s5.不同萎凋程度含水率的快速检测。将预测集作为外部验证样本，进行萎凋程度指标的预测，根据预测集样本相关系数分析预测模型的性能。
[0044]
s6.不同萎凋程度的数字化实时显示。将电脑pc端建立好的含水率预测模型部署到微型计算机raspberry pi 1(树莓派)上独立运行，通过微型近红外光谱仪4与微型计算机raspberry pi 1(树莓派)通信后，光谱即可实时传输至已部署好含水率预测模型的微型计算机raspberry pi 1(树莓派)上，通过模型运行计算后，萎凋叶含水率预测结果即可通过oled显示屏5实时显示，从而实现红茶萎凋程度数字化的定量快速无损检测。
[0045]
本发明使用的elman神经网络模型的建立过程如下：
[0046]
elman模型的输入为u(t)＝[v(t),p(v(t))]，其中原始光谱经过snv平滑预处理后为v(t)，v(t)经过主成分分析后为p(v(t))；
[0047]
故存在一对一映射，w[v(t)]＝nn[v(t),h(v(t))]+ε。其中，nn(
·
)表示多层前馈elman神经网络。ε为误差近似值，存在任意ε
n
＞0,|ε|≤ε
n
。w(v(t))是使用水分测定仪测定每一时间光谱节点下萎凋叶的含水率值，由此构建基于elman神经网络的红茶萎凋水分定量预测模型框图如图1所示，u(t)＝[v(t),p(v(t))]和分别是elman神经网络模型的输入和输出。为简易起见，用y(t)和分别表示w(v(t))和
[0048]
elman神经网络的结构图如图3所示。
[0049]
然后，所提出的数学模型表示为：
[0050]
x(k)＝f(ω2x
c
(k)+ω1u(k
‑
1))
ꢀꢀ1‑
(1)
[0051]
x
c
(k)＝αx
c
(k
‑
1)+x(k
‑
1)
ꢀꢀ1‑
(2)
[0052][0053]
其中，α是上下文节点的增益因子。0≤α＜1用来确保elman神经网络的收敛性，k＝2,3,
…
,n.n是样本数。f(
·
)和g(
·
)分别为s函数和线性函数。elman神经网络的输出表示为：
[0054][0055]
目标函数定义为：
[0056][0057]
通过以下公式更新神经网络的权重：
[0058][0059]
其中其中是将输入层中的节点j连接到隐藏层中的节点q的权重；是将上下文层中的节点j连接到隐藏层中的节点l的权重；是将隐藏层中的节点j连接到输出层中的节点i的权重。η是正数，代表权重的学习因子。
[0060]
e相对于的导数可以得出：
[0061][0062]
此处，i＝1,2,
…
,m；j＝1,2,
…
,n.
[0063]
同样，e关于的导数可以计算为：
[0064][0065]
此处可以通过以下公式计算：
[0066][0067]
当不考虑x
c
(k)对连接权重的依赖性时，可以将1
‑
(9)改写为：
[0068]
[0069]
e相对于的导数可以得出：
[0070][0071]
此处，q＝1,2,
…
,r.
[0072]
本实施例采用的elman神经网络各层神经元的数量是通过试凑法给定的，其输入节点、隐藏节点和输出节点数分别为2、9、1。隐藏层和输出层的激活函数分别为单极性s函数和线性函数。levenberg
‑
marquardt算法用于训练elman神经网络。
[0073]
本实施例采用如图1所示的光谱采集获取系统，包括微型计算机raspberry pi 1(树莓派)、智能手机2、样品池3、微型近红外光谱仪4和oled显示屏5，智能手机2、微型近红外光谱仪4采集系统通过蓝牙连接进行信号传输，微型近红外光谱仪4作为红茶萎凋实验光谱取样系统，该光谱仪型号是nir
‑
s
‑
g1(innospectra公司，中国台湾)，波长范围:900
‑
1700nm，光谱采样间隔:1.5nm，光谱分辨率:10nm，波长精度:
±
1nm。光谱数据采集完后以xsl格式保存至智能手机2，微型计算机raspberry pi 1(树莓派)用来部署elman神经网络预测模型，型号为：4b主板，8gb内存，其尺寸为85.60mm
×
56mm
×
21mm，重约45g。oled显示屏5为0.96寸，分辨率128*64，控制芯片为ssd1306，通信方式为iic。
[0074]
利用微型近红外光谱仪4采集萎凋样品的光谱数据，具体的光谱采集获取过程如下：将样品放置于样品池3中，通过蓝牙连接的智能手机2客户端发出采集信号控制微型近红外光谱仪4，微型近红外光谱仪4镜头紧贴样品池3中样品表面并扫描3次，然后将平均光谱用作样品的代表性光谱数据，进而得到不同萎凋程度节点下的光谱数据。样本光谱采集完之后，光谱数据会自动存储在智能手机2端，将以.xsl格式保存。光谱采集完毕后按照图2所示算法流程进行萎凋叶含水率预测模型的建立。
[0075]
在实验数据处理的硬件方面，本实施例选用的是华为
‑
mate40 pro智能手机2，光谱采集完后，将智能手机2内的数据通过usb数据线传输至电脑pc端，本次样本数据集基于matlab软件运行，然后将建立好的elman神经网络预测模型部署到微型计算机raspberry pi 1(树莓派)中，完成微型近红外光谱仪4、oled显示屏5与raspberry pi 1的通信，从而实现对不同程度的萎凋叶实现含水率数字化的快速在线检测。
[0076]
本实施例以萎凋过程中茶鲜叶的变化为研究对象，品种为云南大叶种，嫩度为1芽2叶。萎凋装置为萎凋槽，槽内温度控制在30℃，相对湿度控制在50％。从萎凋0h开始取样至萎凋过度，共18h，萎凋过程中每间隔1h取一次样品，总共18个萎凋时间节点，每个时间节点取20组样品进行光谱采集，并使用水分测定仪(ma35m
‑
000230v1,sartorious)测定每一时间节点下萎凋叶的含水率，该过程每个时间节点做3次重复，取每个时间节点萎凋叶的三次含水率的平均值作为该时间节点下样品对应的含水率。萎凋18h后，萎凋叶含水率由80.01％降至57.68％，共采集18个时间节点下的360组萎凋样品光谱。
[0077]
将360个样品光谱进行平滑预处理、主成分分析、扩展输入空间，以起到减少数据的噪声，提取光谱主要信息，提高所建立模型的泛化能力及鲁棒性，接着按照5:1的比例随机分为校正集和预测集，即校正集305个样品，预测集55个样品。
[0078]
萎凋叶含水率的elman模型建立：
[0079]
根据萎凋叶光谱及含水率数据集建立elman模型，以下是模型的具体参数设定及说明：
[0080]
训练次数及各层神经元的数量：理想情况下神经网络的训练终止条件是达到误差足够小，所需要对模型进行多少次的训练。训练次数过少或者过多均会对模型造成干扰，达不到预设的误差标准。在本实施例中，通过多次试验方法来确定，通过观察发现当训练次数为6000时，模型基本可以达到误差稳定。各层神经元的数量是通过试凑法给定的，其输入节点、隐藏节点和输出节点数分别为2、9、1。隐藏层和输出层的激活函数分别为单极性s函数和线性函数。levenberg
‑
marquardt算法用于训练elman神经网络，同时将学习率设置为0.0001。
[0081]
为了能对所建模型做出客观评价，本实施例选用预测集中55个未参与elman模型训练的萎凋叶光谱数据作为模型的验证集，以其相关系数(r)、均方根误差(rmsep)、rpd(定义为标准偏差(sd)与rmsep之比)作为模型预测性能的评价指标。
[0082]
在萎凋叶的光谱数据集中，校正集中165个萎凋叶光谱数据经过6000次训练后，对所得模型进行外部预测集测试。提出模型的外部预测集相关系数rp为0.9615，外部预测集均方根误差rmse为0.3958，rpd为16.1132，表明本发明提出的模型对萎凋叶的含水率具有准确的预测能力。如图5(a)所示，我们展示了55个外部验证集预测值与实测值的散点图，从图中可以看出，模型在55个从未在训练集出现过的样本时，所得出预测值与实际值基本重合，且外部验证集相对误差均小于0.014，如图5(b)所示，说明模型具有较强的鲁棒性和泛化能力。
[0083]
对照实施例1
[0084]
将本发明提出的基于扩展输入空间的elman神经网络模型和传统的线性模型偏最小二乘回归(pls)、非线性模型bp神经网络模型的预测效果进行比较。关于萎凋叶含水率的偏最小二乘回归(pls)与bp神经网络模型分析如下：
[0085]
1.pls线性模型
[0086]
pls作为典型的线性回归模型，可有效解决多重共线性问题。如图6(a)所示，表示
[0087]
模型误差值与选取不同主成分数之间的关系，当主成分数npc为10时，模型的rmsev值低，所得模型的r p值为0.8755，rmsep值为1.7751，rpd为2.5491，相对误差值均小于0.0840。表明建立的pls模型对萎凋叶的含水率具有较好的预测功能。预测值与实测值散点分布如图6
‑
(b)所示。
[0088]
2.bp神经网络模型
[0089]
bp神经网络模型作为经典的非线性模型，通过对样本模式的学习模拟信息之间的内在机制，实现输入与输出之间的高度非线性映射。当训练次数为1000时，模型基本可以达到误差稳定。各层神经元的数量是通过试凑法给定的，其输入节点、隐藏节点和输出节点数分别为1、4、1。同时将学习率设置为0.0001。模型的rmsev值低，所得模型的rp值为0.94951，rmsep值为1.320，rpd为4.4732，相对对误差值均小于0.0541。表明建立的bp模型对萎凋叶的含水率具有较好的预测功能。预测值与实测值散点分布如图7(a)。
[0090]
3.模型对比与分析
[0091]
将线性模型pls、非线性模型bp神经网络模型与本发明提出的elman模型做对比，其结果如表1所示：
[0092]
表1不同预测模型的结果对比
[0093][0094][0095]
从预测集结果可以看出，三种模型的rpd值均大于2，表明对于萎凋叶含水率的预测均具有良好的预测能力，且基于扩展输入空间的elman模型具有最大rp和rpd值，是三种模型中的最优模型。此外由图5(a)、图6(b)、图7(a)模型外部预测集实际值与预测值可看出基于扩展输入空间的elman模型相比其余两种模型有较强的鲁棒性和泛化能力，因此本发明可以实现便携式的红茶萎凋叶含水率的检测。
[0096]
对照实施例2
[0097]
以国标法检测结果为对照，对快速水分测定仪、台式近红外光谱仪、便携式近红外光谱仪等三种方式不同萎凋程度含水率测定效果进行比较，结果见表2。从表2可以看出：基于微型计算机raspberry pi 1(树莓派)和智能手机2操控的便携式近红外光谱仪检测含水率的时间最短，仅33s，同时含水率检测的精准度较其他2种显著高，达96.78％，并且检测不受条件限制，可应用于不同类型的作业场地，即证明了本发明获得的红茶萎凋程度数字化的快速无损检测方法可行、科学。
[0098]
表2不同含水率检测方式结果对比
[0099][0100]
注：国标法采用gb 5009.3
‑
2016《食品安全国家标准食品中的水分的测定》中的直接干燥法对不同萎凋程度的含水率进行测定；快速水分测定仪设定130℃、称取3.0g样品对不同萎凋程度的含水率进行测定。含水率检测精准度为不同方式检测出的不同萎凋程度叶含水率与真实含水率比值的均值。
[0101]
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。