CN109492701A - 一种工夫红茶萎凋适度性判别方法及*** - Google Patents
一种工夫红茶萎凋适度性判别方法及*** Download PDFInfo
- Publication number
- CN109492701A CN109492701A CN201811392034.4A CN201811392034A CN109492701A CN 109492701 A CN109492701 A CN 109492701A CN 201811392034 A CN201811392034 A CN 201811392034A CN 109492701 A CN109492701 A CN 109492701A
- Authority
- CN
- China
- Prior art keywords
- congou tea
- withering
- feature
- appropriateness
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明提出了一种工夫红茶萎凋适度性判别方法及***,所述方法包括步骤:对预设数量的工夫红茶分别采集图像和光谱信息,并按照预设比例将图像划分为训练集和测试集;分别从图像和光谱信息中提取特征信息和特征波长变量,融合后作为第一特征,并对第一特征进行预处理;对第一特征进行主成分分析,获取第二特征;建立工夫红茶萎凋性分类模型,并利用第二特征和训练集,对模型进行训练;利用第二特征和测试集,对训练后的模型进行验证,当验证得到的判别率大于预设阈值时,输出模型;采集待检测工夫红茶的图像,提取得到第二特征,将该第二特征作为分类模型的输入变量,获得分类结果;该方法实现了工夫红茶萎凋过程中萎凋性的智能化检测。
Description
技术领域
本发明涉及机器学习技术领域,更具体地,涉及一种工夫红茶萎凋适度性判别方法及***。
背景技术
茶叶作为世界三大饮料之一,是我国重要的经济作物。茶叶加工制作过程主要包括萎稠、揉捻、发酵及干燥等作业环节,而萎凋是该过程的重要环节之一,良好的萎凋工艺不仅能够增强酶活性,进而促进生化反应,而且能够增进茶叶的色香味,从而提高茶叶的品质等级。茶叶萎凋适度性的判定主要是以鲜叶的失水率作为量化指标,在保证茶叶品质的基础上,工夫红茶的萎凋适度标准为含水率60%左右,在实际生产中,工夫红茶的萎凋性主要依靠人工判断为主,人工通过观察工夫红茶叶面的颜色变化和用手握工夫红茶并观察成团情况进而判断萎凋性,该过程存在着易受情绪变化、外界环境以及技术水平等因素影响的问题,进而会影响对工夫红茶萎凋质量的判断结果。所以,如何设计一种可以取代人工判断萎凋性的方法,是目前面临的一个主要问题。
发明内容
本发明的目的在于提供一种工夫红茶萎凋适度性判别方法及***,解决目前人工判断工夫红茶的萎凋性时,出现的易受到外界因素干扰导致结果不准确的问题。
为实现上述目的,本发明提供了一种工夫红茶萎凋适度性判别方法,包括以下步骤:
对预设数量的工夫红茶分别采集图像和光谱信息,并按照预设比例将所述图像划分为训练集和测试集,所述光谱信息中包含特征波长变量;
分别从所述图像和所述光谱信息中提取特征信息和特征波长变量,将所述特征信息和特征波长变量进行融合,融合后得到第一特征,并对所述第一特征进行预处理;
对预处理后的第一特征进行主成分分析,得到第二特征;
建立工夫红茶萎凋性分类模型,并利用所述第二特征和训练集,对所述工夫红茶萎凋性分类模型进行训练;
利用所述第二特征和测试集,对训练后的工夫红茶萎凋性分类模型进行验证,当验证得到的判别率大于预设阈值时,输出验证后的工夫红茶萎凋性分类模型;
采集待检测工夫红茶萎凋叶的图像和光谱信息,利用所述待检测工夫红茶萎凋叶的图像和光谱信息,以及所述验证后的工夫红茶萎凋性分类模型,获得待检测工夫红茶萎凋叶的萎凋适度性分类结果。
优选地,所述预处理具体为数据标准化变换处理。
优选地,所述特征信息包含颜色特征和纹理特征。
优选地,基于支持向量机算法建立工夫红茶萎凋性分类模型。
优选地,所述预设阈值为95%。
为实现上述目的,本发明还提供了一种工夫红茶萎凋适度性判别***,包括:
图像和光谱信息采集模块,用于对预设数量的工夫红茶分别采集图像和光谱信息,并按照预设比例将所述图像划分为训练集和测试集;
第一特征提取模块,用于分别从所述图像和所述光谱信息中提取特征信息和特征波长变量,将所述特征信息和特征波长变量进行融合,融合后得到第一特征,并对所述第一特征进行预处理;
第二特征提取模块,用于对预处理后的第一特征进行主成分分析,得到第二特征;
模型建立和训练模块,用于建立工夫红茶萎凋性分类模型,并利用所述第二特征和训练集,对所述工夫红茶萎凋性分类模型进行训练;
模型验证模块,用于利用所述第二特征和测试集,对训练后的工夫红茶萎凋性分类模型进行验证,当验证得到的判别率大于预设阈值时,输出验证后的工夫红茶萎凋性分类模型;
分类结果输出模块,用于采集待检测工夫红茶萎凋叶的图像和光谱信息,利用所述待检测工夫红茶萎凋叶的图像和光谱信息,以及所述验证后的工夫红茶萎凋性分类模型,获得待检测工夫红茶萎凋叶的萎凋适度性分类结果。
优选地,所述预处理具体为数据标准化变换处理。
优选地,所述特征信息包含颜色特征和纹理特征。
优选地,所述模型建立和训练模块基于支持向量机算法建立工夫红茶萎凋性分类模型。
优选地,所述预设阈值为95%。
本发明与现有技术相比,具有以下优点及突出性效果:
本发明提出的工夫红茶萎凋适度性判别方法及***通过建立工夫红茶萎凋性分类模型,采集工夫红茶萎凋过程中不同阶段的图像对上述模型进行训练和验证,在验证之后分类模型对萎凋性的判别率达到预设阈值的情况下,即得到了最佳的分类模型,判别性能最优,实现了工夫红茶萎凋过程中萎凋性的智能化检测,为工夫红茶自动化加工生产的发展提供了基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一公开的一种工夫红茶萎凋适度性判别方法的流程示意图;
图2为本发明实施例一公开的一种工夫红茶萎凋适度性判别方法中RMSECV值随采样次数的变化趋势示意图;
图3为本发明实施例一公开的一种工夫红茶萎凋适度性判别方法中被选中波长变量数随采样次数的变化趋势示意图;
图4为本发明实施例一公开的一种工夫红茶萎凋适度性判别方法中主成分分析示意图;
图5为本发明实施例二公开的一种工夫红茶萎凋适度性判别***的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例一
如图1所示,本发明实施例一公开了一种工夫红茶萎凋适度性判别方法,包括以下步骤:
S101,对预设数量的工夫红茶分别采集图像和光谱信息,并按照预设比例将上述图像划分为训练集和测试集。具体来说,将工夫红茶置于人工气候箱内进行萎凋处理,并设置好温度和相对湿度,在整个萎凋的过程中,按照预设时间作为时间间隔,并按照预设重量进行取样,然后对取样得到的工夫红茶进行图像采集和近红外光谱扫描,并对这些工夫红茶通过快速水分测定仪测定含水率,按照工夫红茶轻度萎凋、适度萎凋和过度萎凋的判断标准,将每片工夫红茶对应的图像归类到轻度萎凋、适度萎凋或过度萎凋类型中,直到获取到轻度萎凋、适度萎凋和过度萎凋三个类型的预设数量的工夫红茶图像和光谱信息,然后按照预设比例将上述三个类型的工夫红茶图像各自划分出训练集和测试集。
本实施例中,将20kg的茶鲜叶置于人工气候箱内进行萎凋处理,人工气候箱内设置的温度为35℃,相对湿度为50%,每间隔30分钟取样1次,每次取6组样本,每组样本100g。利用单反相机和弧形均匀光源对所有样本进行图像采集,以及利用光谱仪对所有样本进行光谱信息采集,同时利用快速水分测定仪测定所有样本的含水率。在整个萎凋过程中,按照测定的样本含水率将所有样本对应的图像划分为轻度萎凋、适度萎凋和过度萎凋三个类型。然后将样本划分为200组,一组为50g,其中,轻度萎凋有80组样本,适度萎凋有80组样本,过度萎凋有40组样本;轻度萎凋的标准为含水率大于60%,适度萎凋的标准为含水率介于55%和60%之间,过度萎凋的标准为含水率小于55%。然后对每个类型的样本图像都依据基于马氏距离的Kennard-Stone方法,按照3:1比例对应划分为训练集和测试集。本实施例采用的单反相机型号为Canon DS60D,弧形均匀光源的光源强度为100勒克斯,光谱仪型号为IAS-2000,采集的光谱信息为900-1650nm波长范围的光谱。
S102,分别从步骤S101中采集到的图像和光谱信息中提取特征信息和特征波长变量,将上述特征信息和特征波长变量进行融合,融合后得到第一特征,并对该第一特征进行预处理。上述特征信息包含颜色特征和纹理特征。具体来说,对步骤S101中得到的轻度萎凋、适度萎凋和过度萎凋三个类型包含的200个样本图像利用图像监控***分别提取颜色特征和纹理特征,其中,颜色特征具体包括红色分量均值、绿色分量均值、蓝色分量均值、色相均值、亮度均值、饱和度均值、明度分量均值、a分量均值和b分量均值,纹理特征具体包括平均灰度值、标准差、平滑度、三阶矩、一致性和熵。上述图像监控***利用现有技术实现。
然后利用CARS_PLS(Competitive adaptive reweighted_partial leastsquares,竞争性自适应重加权算法)法从上述光谱信息中提取特征波长变量,即采用10折PLS(partial least squares,偏最小二乘)交叉验证建模,CARS算法的采样次数设为50次,选取RMSECV(Root Mean Square Error of Cross Validation,交叉验证均方根误差)值最小的一次作为最优采样点。图2公开了本实施例中RMSECV值随采样次数的变化趋势,如图2所示,当采样次数达到27次时,RMSECV值最低,然后逐渐增加,表明运行27次以后,该算法开始剔除与萎凋程度相关的特征变量。图3公开了本实施例中被选中波长变量数随着采样次数的变化趋势,如图3所示,采样次数为27次时对应的波长变量数为32个,特征波长分别为:921nm、964nm、965nm、982nm、983nm、1019nm、1020nm、1021nm、1034nm、1045nm、1046nm、1102nm、1108nm、1134nm、1135nm、1205nm、1211nm、1330nm、1335nm、1336nm、1355nm、1356nm、1369nm、1402nm、1462nm、1511nm、1530nm、1532nm、1543nm、1549nm、1574nm、1611nm,筛选出的这32个特征波长点即为光谱信息中的特征波长。
由于提取的包含图像的颜色特征、纹理特征和光谱信息的特征波长变量在内的第一特征数据为多元高维数组,数组的量纲和数量级不同,为了便于考察图像、特征波长变量在萎凋过程中的动态变化规律,需要先对第一特征进行预处理,即数据标准化变换处理,以消除量纲和数量级限制。
本实施例中,采用Zscore方法进行标准化变换处理,即基于第一特征数据的均值和标准差进行数据标准化变换处理,具体来说,将所有第一特征数据转换为原数据与均值的差再除以标准差之后得到结果。
S103,对上述预处理后的第一特征进行主成分分析,得到第二特征。主成分分析是通过特定的线性投影,将高维的数据映射到低维的空间中表示,并期望在所投影的维度上数据方差达到最大,以此使用较少的数据维度,同时保留住较多的原数据点的特性。本实施例采用主成分分析法对上述颜色特征、纹理特征和特征波长变量进行分析,确定有效的主成分。本实施例中,对主成分的判断标准是这些主成分对应的累积方差贡献率不低于90%,图4公开了本实施例中主成分分析的过程,如图4所示,本实施例选取前6个主成分作为第二特征。
S104,建立工夫红茶萎凋性分类模型,并利用上述第二特征和训练集,对工夫红茶萎凋性分类模型进行训练。本实施例采用支持向量机算法建立工夫红茶萎凋性分类模型,并且本实施例中此模型的惩罚参数c值为5.3016,核函数参数g值为0.001812。然后将上述第二特征作为工夫红茶萎凋性分类模型的输入变量,利用训练集对工夫红茶萎凋性分类模型进行训练。
S105,利用上述第二特征和测试集,对训练后的工夫红茶萎凋性分类模型进行验证,当验证得到的判别率大于预设阈值时,输出验证后的工夫红茶萎凋性分类模型。具体来说,由于经过训练集训练后的工夫红茶萎凋性分类模型的分类性能存在不确定性,所以需要将第二特征数据作为工夫红茶萎凋性分类模型的输入变量,然后利用测试集对训练后的工夫红茶萎凋性分类模型进行验证,得到工夫红茶萎凋性分类模型在测试集中的判别率,若该判别率大于预设阈值,则输出上述工夫红茶萎凋性分类模型。本实施例中,预设阈值为95%。
S106,采集待检测工夫红茶萎凋叶的图像和光谱信息,利用上述待检测工夫红茶萎凋叶的图像和光谱信息,以及上述验证后的工夫红茶萎凋性分类模型,获得待检测工夫红茶萎凋叶的萎凋适度性分类结果。具体来说,按照步骤S101中所示的方法采集待检测工夫红茶萎凋叶的图像和光谱信息,然后分别从待检测工夫红茶萎凋叶的图像和光谱信息中提取出特征信息和特征波长变量,上述特征信息包含颜色特征和纹理特征,对图像中的特征信息和光谱信息中的特征波长变量进行融合,融合后得到第一特征,然后将融合后的第一特征数据进行标准化变换处理,依据主成分分析法从处理后的第一特征数据提取出第二特征,将该第二特征数据作为步骤S105中输出的工夫红茶萎凋性分类模型的输入变量,然后得到待检测的工夫红茶萎凋叶的萎凋适度性分类的判别结果。
实施例二
基于同一发明构思,本发明实施例二公开了一种工夫红茶萎凋适度性判别***,该***的实施可参照上述方法的过程实现,重复之处不再冗述。如图5所示,本实施例公开的工夫红茶萎凋适度性判别***包括:
图像和光谱信息采集模块201,用于对预设数量的工夫红茶分别采集图像和光谱信息,并按照预设比例将上述图像划分为训练集和测试集。具体来说,将工夫红茶置于人工气候箱内进行萎凋处理,并设置好温度和相对湿度,在整个萎凋的过程中,按照预设时间作为时间间隔,并按照预设重量进行取样,然后对取样得到的工夫红茶进行图像采集和近红外光谱扫描,并对这些工夫红茶通过快速水分测定仪测定含水率,按照工夫红茶轻度萎凋、适度萎凋和过度萎凋的判断标准,将每片工夫红茶对应的图像归类到轻度萎凋、适度萎凋或过度萎凋类型中,直到获取到轻度萎凋、适度萎凋和过度萎凋三个类型的预设数量的工夫红茶图像和光谱信息,然后按照预设比例将上述三个类型的工夫红茶图像各自划分出训练集和测试集。
第一特征提取模块202,用于分别从图像采集模块201中采集到的图像和光谱信息中提取特征信息和特征波长变量,将上述特征信息和特征波长变量进行融合,融合后得到第一特征,并对该第一特征进行预处理。上述特征信息包含颜色特征和纹理特征。具体来说,对图像采集模块201中得到的轻度萎凋、适度萎凋和过度萎凋三个类型的样本图像利用图像监控***分别提取颜色特征和纹理特征,其中,颜色特征具体包括红色分量均值、绿色分量均值、蓝色分量均值、色相均值、亮度均值、饱和度均值、明度分量均值、a分量均值和b分量均值,纹理特征具体包括平均灰度值、标准差、平滑度、三阶矩、一致性和熵。上述图像监控***利用现有技术实现。
然后利用CARS_PLS(Competitive adaptive reweighted_partial leastsquares,竞争性自适应重加权算法)法从上述光谱信息中提取特征波长变量,即采用10折PLS(partial least squares,偏最小二乘)交叉验证建模,CARS算法的采样次数设为50次,选取RMSECV(Root Mean Square Error of Cross Validation,交叉验证均方根误差)值最小的一次作为最优采样点。
由于提取的包含图像的颜色特征、纹理特征和光谱信息的特征波长变量在内的第一特征数据为多元高维数组,数组的量纲和数量级不同,为了便于考察图像、特征波长变量在萎凋过程中的动态变化规律,需要先对第一特征进行预处理,即数据标准化变换处理,以消除量纲和数量级限制。
第二特征提取模块203,用于对上述预处理后的第一特征进行主成分分析,得到第二特征。主成分分析是通过特定的线性投影,将高维的数据映射到低维的空间中表示,并期望在所投影的维度上数据方差达到最大,以此使用较少的数据维度,同时保留住较多的原数据点的特性。本实施例采用主成分分析法对上述颜色特征、纹理特征和特征波长变量进行分析,确定有效的主成分。
模型建立和训练模块204,用于建立工夫红茶萎凋性分类模型,并利用上述第二特征和训练集,对工夫红茶萎凋性分类模型进行训练。本实施例采用支持向量机算法建立工夫红茶萎凋性分类模型,并且本实施例中此模型的惩罚参数c值为5.3016,核函数参数g值为0.001812。然后将上述第二特征作为工夫红茶萎凋性分类模型的输入变量,利用训练集对工夫红茶萎凋性分类模型进行训练。
模型验证模块205,用于利用上述第二特征和测试集,对训练后的工夫红茶萎凋性分类模型进行验证,当验证得到的判别率大于预设阈值时,输出验证后的工夫红茶萎凋性分类模型。具体来说,由于经过训练集训练后的工夫红茶萎凋性分类模型的分类性能存在不确定性,所以需要将第二特征数据作为工夫红茶萎凋性分类模型的输入变量,然后利用测试集对训练后的工夫红茶萎凋性分类模型进行验证,得到工夫红茶萎凋性分类模型在测试集中的判别率,若该判别率大于预设阈值,则输出上述工夫红茶萎凋性分类模型。本实施例中,预设阈值为95%。
分类结果输出模块206,用于采集待检测工夫红茶萎凋叶的图像和光谱信息,对图像中的特征信息和光谱信息中的特征波长变量进行融合,融合后得到第一特征,对该第一特征进行预处理并提取第二特征,将提取到的第二特征作为验证后输出的工夫红茶萎凋性分类模型的输入变量,获得工夫红茶萎凋适度性分类结果。上述特征信息包含颜色特征和纹理特征。
本发明实施例公开的工夫红茶萎凋适度性判别方法及***通过建立工夫红茶萎凋性分类模型,采集工夫红茶萎凋过程中不同阶段的图像对上述模型进行训练和验证,在验证之后分类模型对萎凋性的判别率达到预设阈值的情况下,即得到了最佳的分类模型,判别性能最优,实现了工夫红茶萎凋过程中萎凋性的智能化检测,为工夫红茶自动化加工生产的发展提供了基础。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种工夫红茶萎凋适度性判别方法,其特征在于,包括以下步骤:
对预设数量的工夫红茶分别采集图像和光谱信息,并按照预设比例将所述图像划分为训练集和测试集;
分别从所述图像和所述光谱信息中提取特征信息和特征波长变量,将所述特征信息和特征波长变量进行融合,融合后得到第一特征,并对所述第一特征进行预处理;
对预处理后的第一特征进行主成分分析,得到第二特征;
建立工夫红茶萎凋性分类模型,并利用所述第二特征和训练集,对所述工夫红茶萎凋性分类模型进行训练;
利用所述第二特征和测试集,对训练后的工夫红茶萎凋性分类模型进行验证,当验证得到的判别率大于预设阈值时,输出验证后的工夫红茶萎凋性分类模型;
采集待检测工夫红茶萎凋叶的图像和光谱信息,利用所述待检测工夫红茶萎凋叶的图像和光谱信息,以及所述验证后的工夫红茶萎凋性分类模型,获得待检测工夫红茶萎凋叶的萎凋适度性分类结果。
2.如权利要求1所述的一种工夫红茶萎凋适度性判别方法,其特征在于,所述预处理具体为数据标准化变换处理。
3.如权利要求1所述的一种工夫红茶萎凋适度性判别方法,其特征在于,所述特征信息包含颜色特征和纹理特征。
4.如权利要求1所述的一种工夫红茶萎凋适度性判别方法,其特征在于,基于支持向量机算法建立工夫红茶萎凋性分类模型。
5.如权利要求1所述的一种工夫红茶萎凋适度性判别方法,其特征在于,所述预设阈值为95%。
6.一种工夫红茶萎凋适度性判别***,其特征在于,包括:
图像和光谱信息采集模块,用于对预设数量的工夫红茶分别采集图像和光谱信息,并按照预设比例将所述图像划分为训练集和测试集;
第一特征提取模块,用于分别从所述图像和所述光谱信息中提取特征信息和特征波长变量,将所述特征信息和特征波长变量进行融合,融合后得到第一特征,并对所述第一特征进行预处理;
第二特征提取模块,用于对预处理后的第一特征进行主成分分析,得到第二特征;
模型建立和训练模块,用于建立工夫红茶萎凋性分类模型,并利用所述第二特征和训练集,对所述工夫红茶萎凋性分类模型进行训练;
模型验证模块,用于利用所述第二特征和测试集,对训练后的工夫红茶萎凋性分类模型进行验证,当验证得到的判别率大于预设阈值时,输出验证后的工夫红茶萎凋性分类模型;
分类结果输出模块,用于采集待检测工夫红茶萎凋叶的图像和光谱信息,利用所述待检测工夫红茶萎凋叶的图像和光谱信息,以及所述验证后的工夫红茶萎凋性分类模型,获得待检测工夫红茶萎凋叶的萎凋适度性分类结果。
7.如权利要求6所述的一种工夫红茶萎凋适度性判别***,其特征在于,所述预处理具体为数据标准化变换处理。
8.如权利要求6所述的一种工夫红茶萎凋适度性判别***,其特征在于,所述特征信息包含颜色特征和纹理特征。
9.如权利要求6所述的一种工夫红茶萎凋适度性判别***,其特征在于,所述模型建立和训练模块基于支持向量机算法建立工夫红茶萎凋性分类模型。
10.如权利要求6所述的一种工夫红茶萎凋适度性判别***,其特征在于,所述预设阈值为95%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811392034.4A CN109492701A (zh) | 2018-11-21 | 2018-11-21 | 一种工夫红茶萎凋适度性判别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811392034.4A CN109492701A (zh) | 2018-11-21 | 2018-11-21 | 一种工夫红茶萎凋适度性判别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109492701A true CN109492701A (zh) | 2019-03-19 |
Family
ID=65697160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811392034.4A Pending CN109492701A (zh) | 2018-11-21 | 2018-11-21 | 一种工夫红茶萎凋适度性判别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492701A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111524092A (zh) * | 2020-03-16 | 2020-08-11 | 中国农业科学院茶叶研究所 | 一种红茶萎凋程度指标的无损检测方法 |
CN112881323A (zh) * | 2021-01-14 | 2021-06-01 | 云南中烟工业有限责任公司 | 卷烟主流烟气的品质评价方法 |
CN113519637A (zh) * | 2021-05-31 | 2021-10-22 | 三江侗族自治县仙池茶业有限公司 | 一种提高绿茶杀青工艺质量的方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101419166A (zh) * | 2008-11-18 | 2009-04-29 | 江苏大学 | 基于近红外光谱和机器视觉技术的茶叶品质无损检测方法及装置 |
CN101915738A (zh) * | 2010-06-23 | 2010-12-15 | 江苏大学 | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 |
CN104297203A (zh) * | 2014-09-28 | 2015-01-21 | 安徽农业大学 | 一种基于近红外光谱分析技术的工夫红茶发酵质量的快速判别方法 |
CN106290230A (zh) * | 2016-07-26 | 2017-01-04 | 安徽农业大学 | 一种近红外光谱结合化学成分的红茶萎凋程度的判别方法 |
-
2018
- 2018-11-21 CN CN201811392034.4A patent/CN109492701A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101419166A (zh) * | 2008-11-18 | 2009-04-29 | 江苏大学 | 基于近红外光谱和机器视觉技术的茶叶品质无损检测方法及装置 |
CN101915738A (zh) * | 2010-06-23 | 2010-12-15 | 江苏大学 | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 |
CN104297203A (zh) * | 2014-09-28 | 2015-01-21 | 安徽农业大学 | 一种基于近红外光谱分析技术的工夫红茶发酵质量的快速判别方法 |
CN106290230A (zh) * | 2016-07-26 | 2017-01-04 | 安徽农业大学 | 一种近红外光谱结合化学成分的红茶萎凋程度的判别方法 |
Non-Patent Citations (2)
Title |
---|
宁井铭 等: "基于图像和光谱信息融合的红茶萎凋程度量化判别", 《农业工程学报》 * |
施炜: "《大学计算机应用基础》", 31 December 2007 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111524092A (zh) * | 2020-03-16 | 2020-08-11 | 中国农业科学院茶叶研究所 | 一种红茶萎凋程度指标的无损检测方法 |
CN111524092B (zh) * | 2020-03-16 | 2024-03-12 | 中国农业科学院茶叶研究所 | 一种红茶萎凋程度指标的无损检测方法 |
CN112881323A (zh) * | 2021-01-14 | 2021-06-01 | 云南中烟工业有限责任公司 | 卷烟主流烟气的品质评价方法 |
CN112881323B (zh) * | 2021-01-14 | 2022-03-08 | 云南中烟工业有限责任公司 | 卷烟主流烟气的品质评价方法 |
CN113519637A (zh) * | 2021-05-31 | 2021-10-22 | 三江侗族自治县仙池茶业有限公司 | 一种提高绿茶杀青工艺质量的方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106290230B (zh) | 一种近红外光谱结合化学成分的红茶萎凋程度的判别方法 | |
CN109492701A (zh) | 一种工夫红茶萎凋适度性判别方法及*** | |
CN103822879B (zh) | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 | |
CN103034838B (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
CN110763698B (zh) | 一种基于特征波长的高光谱柑橘叶片病害识别方法 | |
JP7078175B2 (ja) | 検査装置及び方法 | |
CN102521564A (zh) | 基于颜色和形状识别茶叶的方法 | |
CN109001218A (zh) | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 | |
CN107273890A (zh) | 针对字符组合的图形验证码识别方法及装置 | |
CN105004722A (zh) | 一种烟叶成熟度快速检测方法 | |
CN112974303A (zh) | 一种基于高光谱的果品品质检测方法、设备及介质 | |
CN109509188A (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
CN108960413A (zh) | 一种应用于螺钉表面缺陷检测的深度卷积神经网络方法 | |
JP2021196304A (ja) | 繊維製品等の色変化評価方法 | |
CN113570538A (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
CN114778484A (zh) | 茶叶品质等级分类方法及装置、设备、存储介质 | |
CN112651173B (zh) | 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化*** | |
WO2016115845A1 (zh) | 纸币鉴别的质量控制方法及其*** | |
Nie et al. | Machine vision-based apple external quality grading | |
CN115661024A (zh) | 雪茄茄衣颜色判别方法、装置、存储介质及服务器 | |
CN109145966B (zh) | 有孔虫化石自动鉴定方法 | |
CN112184627A (zh) | 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 | |
CN111968078A (zh) | 一种变电设备的外观检测方法、装置、设备和存储介质 | |
CN115330721A (zh) | 基于形状和颜色信息的香蕉果梳饱满度检测方法与*** | |
CN110363752B (zh) | 一种成衣材质缺陷模拟生成方法、计算机可读介质及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190319 |
|
RJ01 | Rejection of invention patent application after publication |