CN116485418A - 一种茶叶精制生产溯源方法及*** - Google Patents
一种茶叶精制生产溯源方法及*** Download PDFInfo
- Publication number
- CN116485418A CN116485418A CN202310735477.3A CN202310735477A CN116485418A CN 116485418 A CN116485418 A CN 116485418A CN 202310735477 A CN202310735477 A CN 202310735477A CN 116485418 A CN116485418 A CN 116485418A
- Authority
- CN
- China
- Prior art keywords
- detection data
- sse
- dimensional detection
- value
- tea
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 136
- 241001122767 Theaceae Species 0.000 title claims abstract description 132
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 51
- 238000007670 refining Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 241
- 230000008569 process Effects 0.000 claims abstract description 96
- 238000012216 screening Methods 0.000 claims abstract description 49
- 230000006870 function Effects 0.000 claims description 19
- 238000009825 accumulation Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000003064 k means clustering Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 18
- 230000000877 morphologic effect Effects 0.000 abstract description 2
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000011895 specific detection Methods 0.000 description 5
- 238000012847 principal component analysis method Methods 0.000 description 4
- 238000000855 fermentation Methods 0.000 description 3
- 230000004151 fermentation Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及产品生产溯源管理技术领域,具体涉及一种茶叶精制生产溯源方法及***。该方法获取某种检测指标下每份茶叶的检测值并构成该种检测指标下的一维检测数据后再计算其方差贡献率,将同一工艺流程的一维检测数据的方差贡献率从大到小排序,以工艺流程顺序和从大到小顺序对方差贡献率累加并以累加值确定初步筛选一维检测数据,从初步筛选一维检测数据中选取不同一维检测数据形成不同组合,对比每种组合对应所得SSE折线图的形态差异确定最优组合作为最佳降维后的多维数据,并对其进行聚类完成茶叶产品溯源分类管理。本发明实现了对降维后多维数据的更优选取,可明显提高对茶叶产品溯源分类管理的合理、准确度。
Description
技术领域
本发明涉及产品生产溯源管理技术领域,具体涉及一种茶叶精制生产溯源方法及***。
背景技术
茶叶溯源是指通过技术手段对茶叶的生产、加工、包装、流通等环节进行全程追溯和管理,以确保茶叶品质、安全和真实性,并提高消费者的信任度和满意度。茶叶溯源体系需借助一物一码技术,给每件产品赋予独一无二的“身份码”,再应用物码关联技术,把茶叶的生产过程信息和溯源***后台相关联,从而把茶叶生产的全过程、全路径可视化呈现给消费者,让消费者清晰了解到茶叶的产品、生产过程、以及生产方式等信息。
溯源码的赋予对于商品面向客户的信誉度、提高企业市场前景具有较大影响,由于茶叶生产量较大、包装较小,一般按照采摘时段、生产批次、检测指标、转运批次等将同溯源数据的茶叶公用一个溯源码,也即由同一生产批次生产出的若干袋茶叶,一般公用同一个溯源码。同溯源码的批量茶叶所用各项纪录数据均为平均化后的表征值,但在实际的生产过程中,即使是同一批次下的各袋茶叶,其生产加工过程中的各项指标也是必然存在一定差异的,所以,用同一个溯源码对该批次下的所有茶叶产品的生产加工过程进行表征,就存在着产品溯源分类管理不够合理、精细的问题,从而导致溯源数据不准确、真实性存疑。
发明内容
本发明提供了一种茶叶精制生产溯源方法及***,用以解决现有的茶叶产品溯源分类管理不够合理、准确的技术问题,所采用的技术方案具体如下:
本发明的一种茶叶精制生产溯源方法,包括以下步骤:
将同一批茶叶划分为若干份,获取每份茶叶在精制加工过程中各检测指标下的检测值,将某种检测指标在每份茶叶中的检测值组成序列作为该种检测指标的一维检测数据,从而得到数量与检测指标项数相同的多个一维检测数据;
计算各个一维检测数据的方差贡献率,将同一个工艺流程下的各个一维检测数据的方差贡献率从大到小排序,然后将各个工艺流程下排序次序相同的方差贡献率按照工艺流程的顺序进行累加;所述累加过程中,先对排序次序靠前的方差贡献率进行累加,后对排序次序靠后的方差贡献率进行累加;当方差贡献率的累加值不小于预设累加阈值时停止累加,并将已经累加的各个方差贡献率所对应的一维检测数据作为初步筛选一维检测数据;
从初步筛选一维检测数据中选取一维检测数据,并在选取过程中确定一维检测数据的数量为设定数量且一维检测数据不完全相同的各种一维检测数据组合,每一种组合均作为一个待定特征数据组;所述设定数量的取值范围为预设数量到初步筛选一维检测数据中一维检测数据的总数量;对每种待定特征数据组均进行聚类数量从一到预设聚类数量的多次k-means聚类,确定每个聚类数量下聚类中心点和数据点之间的距离平方和SSE值,基于各个聚类数量对应所得SSE值构成当前待定特征数据组的SSE折线图;将肘点突出程度大、肘点早现程度大且平滑程度小的SSE折线图对应的待定特征数据组作为最优特征数据组;
对最优特征数据组中的多维检测数据重新进行k-means聚类,根据聚类结果完成茶叶产品的溯源分类。
本发明的有益效果为:
本发明将每个检测指标下各份茶叶的检测值构成序列而形成一维检测数据,即完成了对茶叶生产过程中多维检测数据的获取与构建,后续将各个一维检测数据的方差贡献率从大到小排序后进行累加的过程中加入工艺流程的限制,即可避免在多维数据降维后所选取的方差较大的一维检测数据集中在某个或某几个工艺流程中,从而避免了对茶叶分类判断不够全面导致分类准确度较低;之后将降维后的初步筛选一维检测数据按照SSE折线图的形态特性进行各个待定特征数据组之间的最优选取,实现了对分类来说最为合理、准确的多维数据的确定,从而最大程度上提高了对茶叶产品溯源分类管理的合理、准确度。
进一步的,所述一维检测数据组合的获取方法为:
从初步筛选一维检测数据中选取Y个一维检测数据得到个待定特征数据组,其中Y为所述设定数量,Y的取值范围为/>,/>为所述预设数量,/>为所述初步筛选一维检测数据中一维检测数据的总数量。
进一步的,所述方差贡献率的累加值为:
其中,W表示一维检测数据的方差贡献率累加值,R表示不同工艺流程下的检测指标的数量,也即不同工艺流程下对应所得一维检测数据的数量,L表示工艺流程的数量,表示对第z个工艺流程下所有一维检测数据的方差贡献率以从大到小方式排序后第r个一维检测数据的方差贡献率。
进一步的,确定肘点突出程度、肘点早现程度以及SSE折线图的平滑程度的方法为:
计算SSE折线图上肘点两侧相邻线段的斜率差异程度与SSE折线图上每个k值两侧相邻线段的斜率差异程度的平均值之间的第一比值,第一比值越大,则肘点突出程度越大;
计算SSE折线图上肘点对应的k值与所述预设聚类数量之间的第二比值,第二比值越小则肘点早现程度越大;
计算SSE折线图上各个线段的斜率的均方差,所述各个线段的斜率的均方差越大则SSE折线图的平滑程度越小。
进一步的,确定所述最优特征数据组的方法为:
建立关于所述肘点突出程度、肘点早现程度以及平滑程度的最优目标函数,所述最优目标函数与所述肘点突出程度以及所述肘点早现程度成正比,与所述平滑程度成反比;
确定各个待定特征数据组的最优目标函数取值,将最优目标函数取值最大的待定特征数据组作为所述最优特征数据组。
进一步的,所述最优目标函数为:
其中,表示最优目标函数,/>表示待定特征数据组对应所得SSE折线图上第k个和第k+1个SSE值之间所构成的线段的斜率,/>表示待定特征数据组对应所得SSE折线图上第k-1个和第k个SSE值之间所构成的线段的斜率,/>与/>分别表示待定特征数据组对应所得SSE折线图上第k个和第k+1个SSE值的大小,待定特征数据组对应所得SSE折线图上的横坐标k值,表示在对待定特征数据组进行聚类而得到横坐标k值对应的SSE值的过程中具体的聚类数量为k,/>表示求取/>的最大值,也表示待定特征数据组对应所得SSE折线图上肘点处两侧线段斜率的变化值,/>表示对待定特征数据组对应所得SSE折线图上任意两个相邻线段之间的斜率差值的绝对值求平均后所得平均值,/>代表待定特征数据组对应所得SSE折线图上肘点处对应的k值,/>表示预设聚类数量,/>表示待定特征数据组对应所得SSE折线图上各个线段的斜率的均方差,/>表示求取/>的最大值。
进一步的,所述对最优特征数据组中的多维检测数据重新进行k-means聚类的方法为:
将所述最优特征数据组对应SSE折线图上肘点处的k值作为最优聚类数量,以最优聚类数量对所述最优特征数据组进行k-means聚类。
本发明还提供了一种茶叶精制生产溯源***,包括存储器和处理器,所述处理器用于执行存储在所述存储器中的指令以实现上述介绍的茶叶精制生产溯源方法,并达到与该方法相同的技术效果。
附图说明
图1是本发明一种茶叶精制生产溯源方法的流程图;
图2是本发明对传送带上同批次茶叶进行份数划分的示意图;
图3是本发明的对每个工艺流程下的一维检测数据按照方差贡献率从大到小进行排序后进行方差贡献率累加的示意图;
图4是本发明的SSE折线图。
具体实施方式
本发明的构思为:
本发明首先将同一批茶叶划分为多份,然后获取每份在各个检测指标下的检测值,将同一个检测指标下每一份茶叶的检测值组成序列以作为该检测指标所对应的一维检测数据,然后计算各个一维检测数据的方差贡献率;在按照主成分分析思想对所有一维检测数据构成的原始多维检测数据进行降维处理时,并不直接按照所有方差贡献率从大到小的方式进行累加,而是加入工艺流程的顺序这一限制条件,避免按照现有主成分分析思想进行降维时所得初次降维数据集中在某个或某些工艺流程,然后对初次降维后的数据再次进行降维处理,具体方法是从初次降维后的数据中选取不同数量、不同内容的一维检测数据构成多个待定特征数据组,然后通过对比每个待定特征数据组对应的SSE折线图的形态,来确定聚类效果最好的待定特征数据组,基于该待定特征数据组进行k-means聚类完成对茶叶产品的溯源分类管理。
下面结合附图及实施例,对本发明的一种茶叶精制生产溯源方法及***进行详细说明。
方法实施例:
本发明的一种茶叶精制生产溯源方法实施例,其整体流程如图1所示,具体过程如下:
步骤一,将同一批茶叶划分为若干份,获取每份茶叶在精制加工过程中各检测指标下的检测值,将某种检测指标在每份茶叶中的检测值组成序列作为该种检测指标的一维检测数据,从而得到数量与检测指标项数相同的多个一维检测数据。
本实施例以茶叶产品溯源过程中最核心的精制加工生产数据为例进行说明,容易理解的是在其它实施例中还可以对茶叶生产加工过程中的非精制加工生产过程下的数据进行分析。
茶叶精制加工生产过程包括但不限于:筛分(将茶筛分成粗细不同等级)、剪切(需要较细的条形时,可用切碎机将茶叶切碎)、发酵(通过发酵控制茶叶颜色、香味和口感)、拔梗(将部分散离的茶质分离出来,充分释放汁液)、覆火(干燥不够时,再干燥一次,也称补火)、风选(将精制过的茶用风来吹,使碎末和细片分离出来)。经过一系列精制加工程序后所得到的茶叶,就是可以上市的精制茶,其每一个处理工序中均包括若干项茶叶检测指标,如筛分过程的检测指标包括茶叶形状、大小、粗细、薄厚等,发酵过程中的检测指标包括发酵时间、温度、湿度、PH值等。
可以看出,茶叶精制过程中的每一步处理工序中均包含多种检测指标,也即包含多维检测数据,而容易理解的是,茶叶生产过程中即使是同一批次的茶叶,各部分之间的加工情况也会存在着些许差别,反应在检测数据上即是各部分茶叶的同一检测指标在具体数值上的不同。也即,即使是同一批茶叶,经加工生产后实际上也是存在着进一步细分类并对不同类别各自赋予不同溯源码的必要的。
本实施例为提高对茶叶产品的溯源分类管理精细度,更进一步缩小同一溯源码中茶叶各项检测数据的差异程度,提高茶叶产品溯源分类管理的合理性与精细程度,首先将同一批茶叶划分为若干份,然后获取每份茶叶生产过程中的所有检测指标下的具体检测数据,从而根据对所有检测数据的分析完成对茶叶的细分类并按所分类别给予相应的溯源码。
具体的,如图2所示,本实施例将生产线上同一批次精制完成后待包装的茶叶在传送带上均匀铺平,然后为最大程度地精细化分类,按照茶叶袋装时每袋的克重数来对该批次的茶叶进行份数划分,使每份的克重与后续袋装时克重相同。当然,容易理解的是,本实施例是为了最大化地实现对茶叶的精细化分类才将划分出的每份茶叶的克重数设置成每袋茶叶的克重数,在其它实施例中,还可以将划分出的每份茶叶的克重数设置成多袋茶叶克重数之和,而只需保证划分出多份茶叶即可同样实现对茶叶相较于现有溯源管理方法的更精细化分类。
完成份数划分后,从每份茶叶中取样并将样本送入自动检测流程中,获取样本茶叶的检测数据,每个样本的检测数据即可认为是对应份内茶叶的检测数据。检测数据具体即包括不同加工工艺中各个检测指标下的检测数据,在获取所有份茶叶的所有检测数据后,将同一种检测指标在所有各份茶叶中的具体检测数据也即具体检测值构建为一维序列,即可得到该种检测指标所对应的一维检测数据,从而可将各份茶叶的所有检测数据,均构建成为按照检测指标而划分的一维检测数据,一维检测数据的数量与检测指标的项数相同,也即在精制加工过程中有多少项对茶叶的检测指标,最终即可得到多少个一维检测数据。在本实施例中,为了分析便捷性,每个一维检测数据中各个具体检测值的排序按照茶叶所划分的份数顺序排列,当然在其它实施例中也可以按照其它方式对各个具体检测值排序。
步骤二,计算各个一维检测数据的方差贡献率,将同一个工艺流程下的各个一维检测数据的方差贡献率从大到小排序,然后将各个工艺流程下排序次序相同的方差贡献率按照工艺流程的顺序进行累加;所述累加过程中,先对排序次序靠前的方差贡献率进行累加,后对排序次序靠后的方差贡献率进行累加;当方差贡献率的累加值不小于预设累加阈值时停止累加,并将已经累加的各个方差贡献率所对应的一维检测数据作为初步筛选一维检测数据。
步骤一中所获取的一维检测数据的数量与精制加工过程中对茶叶的检测指标的项数相同,而精制过程中,每一个加工工艺下均包括多个检测指标,且精制加工过程中又包括多个加工工艺,这就导致最终的检测指标的项数很多,也即一维检测数据的数量很多,而每个一维检测数据即代表对茶叶状态的一个表征维度,所以所有一维检测数据所构成的整体茶叶检测数据,实际上就是一个维数很高的多维检测数据。
在茶叶精制生产溯源过程中,要根据整体检测数据对茶叶进行聚类类别划分,并根据分类结果赋予溯源码,聚类以完成类别划分的依据即为上述的由所有一维检测数据所构成的多维检测数据,现有传统多维数据k-means聚类算法在完成类别划分时,均首先需要进行数据降维,即将高维度的数据保留下最重要的一些特征,去除噪声和不重要的特征。
根据主成分分析的思想,在多维数据降维时,一般是将一维检测数据集中方差较大的某个或某几个一维检测数据选为特征数据,构建模型去度量数据之间的差异或者距离从而完成聚类类别划分。简单理解的话,特征数据即为不同茶叶样本之间差异较大的某个或某些一维检测数据,而将不同茶叶样本之间差异较小的一维检测数据视为无用特征并舍弃。
现有主成分分析法是根据方差贡献率累加和去选择若干个维度数量的数据来作为特征数据进行保留的,方差贡献率计算方法是每个一维检测数据的方差除以所有一维检测数据的方差总和,按照方差贡献率由大到小的顺序进行累加得到方差贡献率累加和,一般选择方差贡献率累加和达到80%时已累加的一维检测数据,作为降维后的特征数据组内的一维检测数据。
由于主成分分析是选取内部方差较大的一维检测数据作为特征数据,但在当茶叶精制过程中,同一批茶叶在流水线上由于某个工艺出现了偏差,会导致该工艺下所检测得到的大部分一维检测数据内部均会有较大的差异,即该工艺下的大部分一维检测数据均具有较高的方差贡献率,因此根据现有的主成分分析方法按照方差较大为依据选择特征数据时,极大概率会使降维后的特征数据组中的一维检测数据,集中在某一个或几个工艺流程中。由于很大程度上减少了剩余工艺流程下检测数据的占比或者说含量,所以直接以现有主成分分析方法来对多维检测数据进行降维,显然会导致对多维数据相似度的判定不够全面,也即,对于茶叶溯源而言,仅根据内部方差较大的测量数据进行多维数据相似度计算,无疑会放大样本数据之间的差异,因此需要优化多维检测数据降维过程中对特征数据的选取方法。由此,我们调整现有主成分分析法中对方差贡献率的累加方式:
按照茶叶精加工的工艺流程,前一个工艺流程由于参数或加工工艺出现偏差导致同一批量生产的茶叶存在差异时,必然会对后续的工艺流程也产生一定影响,因此前边的工艺流程中的检测数据优先级更高,所以在累加方差贡献率时,需按照工艺流程顺序进行累加。本实施例将某个工艺流程下的各个检测指标所对应的一维检测数据的方差贡献率按照由大到小的方式进行排序,从而完成所有工艺流程下的一维检测数据的方差贡献率的排序。如图3所示,A1、A2以及A3分别表示第一个工艺流程下,由大到小排序后第一、第二以及第三的一维检测数据的方差贡献率,B1、B2以及B3分别表示第二个工艺流程下,由大到小排序后第一、第二以及第三的一维检测数据的方差贡献率,C1、C2以及C3分别表示第三个工艺流程下,由大到小排序后第一、第二以及第三的一维检测数据的方差贡献率。剩余各行(也即剩余后续工艺流程下)的一维检测数据的方差贡献率的排序情况相同。
在进行具体的方差贡献率累加时,本实施例首先将各个工艺流程中排序第一的一维检测数据的方差贡献率按照工艺流程顺序进行依次累加,然后再将各个工艺流程中排序第二的一维检测数据的方差贡献率按照工艺流程顺序进行依次累加,之后再将各个工艺流程中排序第三的一维检测数据的方差贡献率按照工艺流程顺序进行依次累加,以此类推,每轮均是将各个工艺流程中排序相较于前一轮依次累加时,排序级别低一级的一维检测数据的方差贡献率按照工艺流程顺序进行依次累加。再次结合图3来看,也即首先是将图3中左侧第一列的各个方差贡献率按照从上到下的顺序进行依次累加,并在累加完成后再对左侧第二列的各个方差贡献率同样按照从上到下的顺序进行依次累加,以此类推完成对各个方差贡献率的依次累加。
按照上述,计算方差贡献率的累加值为:
其中,W表示一维检测数据的方差贡献率累加值,R表示不同工艺流程下的检测指标的数量,也即不同工艺流程下对应所得一维检测数据的数量,L表示工艺流程的数量,表示对第z个工艺流程下所有一维检测数据的方差贡献率以从大到小方式排序后第r个一维检测数据的方差贡献率。
当一维检测数据的方差贡献率累加和W大于设定累加阈值时,则停止累加并统计此时已被累加的方差贡献率所对应的各个一维检测数据,将统计所得各个一维检测数据作为初步筛选后的一维检测数据,并由所得初步筛选一维检测数据组成初步筛选特征数据组,假设所得到的初步筛选一维检测数据有N个,则显然初步筛选特征数据组中包括N个一维检测数据。
关于设定累加阈值,本实施例优选其取值为80%也即0.8,在其它实施例中,还可以根据对茶叶细分程度的具体要求而取其它值。
本实施例该种对一维检测数据方差贡献率的特定累加方式从而完成一维检测数据的初步筛选,避免了所选取的方差较大的一维检测数据集中在一个或少量几个工艺流程中的情况,使得对茶叶样本多维检测数据之间的相似性进行计算时更为全面,并且经过对一维检测数据的初步筛选,另一方面还可以极大缩小后续最优化计算时的计算量,减少迭代计算的时间复杂度。
步骤三,从初步筛选一维检测数据中选取一维检测数据,并在选取过程中确定一维检测数据的数量为设定数量且一维检测数据不完全相同的各种一维检测数据组合,每一种组合均作为一个待定特征数据组;所述设定数量的取值范围为预设数量到初步筛选一维检测数据中一维检测数据的总数量;对每种待定特征数据组均进行聚类数量从一到预设聚类数量的多次k-means聚类,确定每个聚类数量下聚类中心点和数据点之间的距离平方和SSE值,基于各个聚类数量对应所得SSE值构成当前待定特征数据组的SSE折线图;将肘点突出、肘点早现程度早且平滑程度小的SSE折线图对应的待定特征数据组作为最优特征数据组。
在经步骤二获取到初步筛选一维检测数据后,本实施例同时考虑到,为避免初步筛选一维检测数据中因包含过多内部方差较大的一维检测数据而导致同一批茶叶出现大量分类结果的不合理情况,也即考虑到应避免初步筛选一维检测数据中方差贡献率最大的头部部分中,各个一维检测数据的方差很大而导致对茶叶细分过度从而使溯源分类不合理,所以本实施例对初步筛选一维检测数据继续进行二次筛选,从初步筛选一维检测数据中选取部分一维检测数据作为最终实际用于聚类的特征数据。
在具体说明本实施例对初步筛选一维检测数据进行进一步筛选的原理前,需要先对改进得到该原理时所基于的现有技术手段的内容进行必要的介绍。
我们知道k-means聚类算法需要预设聚类数量k值,常用手肘法的方式对聚类数量k进行确定,即通过迭代k值然后评价不同k值下的聚类结果的方式获取较优k值。但是对于数据降维过程,根据特征数据所构建的距离度量参数会导致k-means迭代k值时的聚类结果失真,在手肘图中难以确定真实肘点,进而无法得到k值。
手肘法的步骤为:
迭代k值对数据集进行k-means 聚类,并计算出每个聚类中心点和数据点之间的距离平方和(SSE)。将聚类数量k的不同取值下所对应的 SSE 值绘制成一个如图4所示的折线图。观察折线图中的曲线形状,找到第一个显示出“手肘”的位置,手肘通常是指 SSE 值的快速下降趋势被改变的位置,也即SSE值的变化趋势改变最明显的位置,或者说是折线图中的曲线开始趋于平稳的地方,具体也即图4中聚类数量k值取4时所对应的位置。找到手肘位置后,即可将手肘点处的聚类数量k作为最佳聚类数。
容易理解的是,聚类结果的好坏可以影响手肘图中肘点的突出或模糊,也即手肘图中肘点的突出或模糊情况可以用来反应聚类结果的好坏。上述现有手肘法的过程是在多维数据确定的情况下,也即在数据维度数量以及每个维度下的具体数据内容均确定的情况下,通过观察随着k值的变化所形成的SSE图像的变化情况,具体即通过寻找随着k值变化所形成的SSE图像中最明显的拐点来确定的最佳k值。
但反过来,考虑到k-means多维聚类无非就是数据特征降维和k值选取这两个核心元素,那么如果我们将目的转变一下,不再对已知多维数据来通过SSE图像上的手肘点而确定最佳k值,而是在初步筛选一维检测数据中选取不同数量的一维检测数据,组成维数不同的待定特征数据组后通过对各个待定特征数据组在k值迭代过程中所分别构成的各个SSE折线图进行对比评价,即可直接反映根据各个待定特征数据组进行多维聚类结果的好坏,进而从待定特征数据组中确定最优特征数据组,由于最优特征数据组是由初步筛选一维检测数据中的部分一维检测数据所组成的,所以完成对最优特征数据组的确定实际上就完成了对初步筛选一维检测数据的二次筛选,得到了最终实际用于聚类的特征数据。
利用该原理完成对初步筛选一维检测数据的二次筛选的具体过程如下:
首先我们设置从初步筛选一维检测数据中选择一维检测数据的预设数量Y,考虑到要保证对茶叶聚类细分的准确度,本实施例优选预设数量为5,在其它实施例中当然还可以根据对茶叶聚类细分的准确度的具体要求而将预设数量取其它值,如取值为2。在确定预设数量取值为5之后,即可从N个初步筛选一维检测数据中选取出5个一维检测数据,得到也即/>个待定特征数据组,然后在预设数量的基础上逐次加一,从N个初步筛选一维检测数据中选取6个一维检测数据,得到/>也即/>个待定特征数据组,以及从N个初步筛选一维检测数据中选取7个一维检测数据,得到/>也即/>个待定特征数据组,以此类推直到得到/>个待定特征数据组,换句话说,也就是从初步筛选一维检测数据中选取/>个待定特征数据组,且从初步筛选一维检测数据中选取一维检测数据的数量Y的取值范围为/>。
对所得到的各个待定特征数据组,均进行k值由1到预设聚类数量的多次聚类,并根据每次聚类后也即每个k值下对应所得SSE值生成SSE图像,从而得到每个待定特征数据组所对应的SSE图像。其中关于预设聚类数量/>的取值,由于我们是对同一批生产的茶叶进行细分类,因此在生产工艺成熟的情况下,期望的k值不会太大,因此根据经验本实施例优选预设聚类数量/>的具体取值为10,容易理解的是在其它实施例中可将预设聚类数量/>的具体取值设置为其它值。
关于生成的每个待定特征数据组所对应的SSE图像:
1、若SSE折线图随着k值的变化而变化趋势始终比较平缓,即代表此时的待定特征数据组中各个一维检测数据的内部方差均很小,样本数据之间差异界限模糊,无法确定肘点位置。
2、若SSE折线图随着k值的变化而变化趋势始终比较剧烈,代表此时的待定特征数据组中各个一维检测数据的方差很大,样本之间距离度量参数差异较大,这会导致聚簇的聚类数量k值远远大于预设聚类数量时才会出现肘点,但此时的k值显然并非是真实的聚类数量。
3、若SSE折线图随着k值的变化在初期变化比较剧烈,然后逐渐变缓并出现明显的肘点,那么认为此时的待定特征数据组中的各个一维检测数据可以有效代表多维数据进行聚类。
根据上述对SSE折线图的分析内容,构建最优目标函数:
其中,表示最优目标函数,/>表示待定特征数据组对应所得SSE折线图上第k个和第k+1个SSE值之间所构成的线段的斜率,/>表示待定特征数据组对应所得SSE折线图上第k-1个和第k个SSE值之间所构成的线段的斜率,/>与/>分别表示待定特征数据组对应所得SSE折线图上第k个和第k+1个SSE值的大小,待定特征数据组对应所得SSE折线图上的横坐标k值,表示在对待定特征数据组进行聚类而得到横坐标k值对应的SSE值的过程中具体的聚类数量为k,/>表示求取/>的最大值,也表示待定特征数据组对应所得SSE折线图上肘点处两侧线段斜率的变化值,/>表示对待定特征数据组对应所得SSE折线图上任意两个相邻线段之间的斜率差值的绝对值求平均后所得平均值,/>代表待定特征数据组对应所得SSE折线图上肘点处对应的k值,/>表示预设聚类数量,/>表示待定特征数据组对应所得SSE折线图上各个线段的斜率的均方差,/>表示求取/>的最大值。
上式中,代表相邻折线线段斜率的变化值,进而/>则代表折线图上各个相邻折线线段斜率变化值的平均值,而同时又因为/>代表该折线图上的肘点处两侧折线线段斜率的变化值,所以/>越大则代表SSE折线图上的肘点越突出。接着在最优目标函数中添加惩罚项,/>代表肘点处对应的k值,/>表示预设聚类数量也即SSE折线图上横坐标k值的数量,且k值也表示了在获取SSE折线图的过程中聚类迭代的总次数,那么/>即可表示SSE折线图上肘点出现的位置在总迭代次数中的位置,也即表征肘点在SSE折线图上是靠前的还是靠后的,由于上述提到,当初步筛选一维检测数据中含过多内部方差较大的一维检测数据时,按照现有的手肘法确定出的最佳k值会偏大,也即会出现大量分类结果,此时因最佳k值偏大从而在SSE折线图上肘点出现的位置就会明显靠后,但本实施例的目的是要防止对茶叶过度分类而导致产生大量分类结果的不合理情况,所以期望的是从初步筛选一维检测数据选取若干一维检测数据而构成的待定特征数据组中,其对应所得SSE折线图上肘点出现的位置靠前,由于越大时,代表肘点出现位置越靠后从而越背离期望,所以可将/>作为最优目标函数中的惩罚因子;除此之外,SSE折线图越平缓,则代表当前的待定特征数据组中各个一维检测数据之间,也即待定特征数据组所代表的多维检测数据之间的差异界线模糊,无法有效地确定肘点或者很可能出现多个肘点,所以通过计算SSE折线图上相邻折线线段斜率的均方差作为另一个惩罚因子,容易理解的是,当均方差越小时折线图越平缓,相应地惩罚应该越大,因此取相邻折线斜率的均方差的倒数/>与现有惩罚因子相乘构成惩罚项;同时,为了避免因均方差为0而导致惩罚项上的分母出现取0的不合理情况,对分母补常数1,得到最终的惩罚项/>。当惩罚项中肘点出现得越靠后、或SSE折线图整体越平缓,则/>越大,/>会越小。
最终,通过寻找最优目标函数的最大取值,也即获取,即代表最优目标函数收敛,此时所对应的待定特征数据组即为最优特征数据组,其中的各个一维检测数据,即为对初步筛选一维检测数据进行二次筛选后的数据,也就是本实施例对初始的各个一维检测数据所构成的多维检测数据完成降维后所得到的最优筛选多维检测数据。
步骤四,对最优特征数据组中的多维检测数据重新进行k-means聚类,根据聚类结果完成茶叶产品的溯源分类。
步骤三中所得到的最优特征数据组中的数据,实际上即为最优的降维后多维检测数据,此时所得降维后多维检测数据避免了数据集中在茶叶精制生产的某一个或几个工艺流程,也避免了聚类后会产生过多分类结果而导致溯源分类不合理的情况发生,而且其对茶叶差异的表征效果最优,所以基于所得最优特征数据组重新进行k-means聚类,便可实现对茶叶产品最为合理的分类。
不过在此之前,需要一个基本的多维数据差异度量,或者说距离度量模型,才能进行后续聚类计算。我们将所有待定特征数据组的一维检测数据代入欧式范数模型,输出结果作为多维数据之间距离的度量模型。该度量模型的获取为现有技术,故本实施例不再赘述。
在获取多维数据之间距离的度量模型后,重新计算最优特征数据组中不同茶叶样品之间多维检测数据的距离度量,也即对最优特征数据组重新进行k-means聚类,得到聚类结果。容易理解的是,重新进行k-means聚类时的聚类数量即为最优特征数据组对应所得SSE折线图中手肘处的聚类数量值。
按照聚类结果,即可在完成茶叶袋装后,赋予同聚簇的已包装茶叶相同的溯源码,溯源码中记录的检测数据,为聚簇中所有茶叶样品的各项检测数据的平均值,并用均方差作为误差波动区间,一并记录。
按照所有向消费者公开的生产记录,填充对应项的质量检测数据,完成填充后的单元格即为溯源矩阵,然后便可利用二维码、条形码等方式将溯源矩阵转为溯源码,每个样品位置对应包装的茶叶,根据其所属的聚类结果赋予溯源码。
至此完成对同批生产茶叶的细分类以及溯源码的重新分配,使销售后的茶叶,根据溯源码追溯生产数据时,所记录的茶叶质量检测数据更具可信度,提高生产企业品牌力。
***实施例:
该实施例提供了一种茶叶精制生产溯源***,包括存储器和处理器,存储器和处理器之间通过内部总线进行相互通信,处理器可以为微处理器MCU、可编程逻辑器件FPGA等处理装置。
处理器可以调用存储器中的逻辑指令,以实现一种茶叶精制生产溯源方法,在方法实施例中已对该方法做了详细介绍,故此处不再赘述。
综上所述,本发明对于茶叶精制生产过程中样品所有工艺流程的多维检测数据,利用主成分分析法的方差贡献率筛选思想进行降维筛选,其中对筛选特征数据时方差贡献率的累加方式,提出根据工艺流程顺序和方差贡献率顺序进行累加的方式,可以避免主成分分析时所筛选的方差较大的检测数据集中在某一个或几个工艺流程中,造成后续多维数据相似度计算不够全面的问题。然后通过对初始特征数据组中的一维检测数据类型进行迭代,构建目标函数,获取SSE折线图中肘点最突出、肘点出现最早且SSE折线图平滑度最小的一组特征数据,作为最优降维特征数据组,该最优降维特征数据组可以使多维数据的k-means聚类结果更加准确,使每个工艺流程中由于工艺偏差造成的样品差异分级最为全面,进而每一类茶叶聚簇分配相同的溯源码,可以使溯源信息更加准确、合理和可信,使产品销售质量得到保证。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种茶叶精制生产溯源方法,其特征在于,包括以下步骤:
将同一批茶叶划分为若干份,获取每份茶叶在精制加工过程中各检测指标下的检测值,将某种检测指标在每份茶叶中的检测值组成序列作为该种检测指标的一维检测数据,从而得到数量与检测指标项数相同的多个一维检测数据;
计算各个一维检测数据的方差贡献率,将同一个工艺流程下的各个一维检测数据的方差贡献率从大到小排序,然后将各个工艺流程下排序次序相同的方差贡献率按照工艺流程的顺序进行累加;所述累加过程中,先对排序次序靠前的方差贡献率进行累加,后对排序次序靠后的方差贡献率进行累加;当方差贡献率的累加值不小于预设累加阈值时停止累加,并将已经累加的各个方差贡献率所对应的一维检测数据作为初步筛选一维检测数据;
从初步筛选一维检测数据中选取一维检测数据,并在选取过程中确定一维检测数据的数量为设定数量且一维检测数据不完全相同的各种一维检测数据组合,每一种组合均作为一个待定特征数据组;所述设定数量的取值范围为预设数量到初步筛选一维检测数据中一维检测数据的总数量;对每种待定特征数据组均进行聚类数量从一到预设聚类数量的多次k-means聚类,确定每个聚类数量下聚类中心点和数据点之间的距离平方和SSE值,基于各个聚类数量对应所得SSE值构成当前待定特征数据组的SSE折线图;将肘点突出程度大、肘点早现程度大且平滑程度小的SSE折线图对应的待定特征数据组作为最优特征数据组;
对最优特征数据组中的多维检测数据重新进行k-means聚类,根据聚类结果完成茶叶产品的溯源分类。
2.根据权利要求1所述的茶叶精制生产溯源方法,其特征在于,所述一维检测数据组合的获取方法为:
从初步筛选一维检测数据中选取Y个一维检测数据得到个待定特征数据组,其中Y为所述设定数量,Y的取值范围为/>,/>为所述预设数量,/>为所述初步筛选一维检测数据中一维检测数据的总数量。
3.根据权利要求1所述的茶叶精制生产溯源方法,其特征在于,所述方差贡献率的累加值为:
其中,W表示一维检测数据的方差贡献率累加值,R表示不同工艺流程下的检测指标的数量,也即不同工艺流程下对应所得一维检测数据的数量,L表示工艺流程的数量,表示对第z个工艺流程下所有一维检测数据的方差贡献率以从大到小方式排序后第r个一维检测数据的方差贡献率。
4.根据权利要求1所述的茶叶精制生产溯源方法,其特征在于,确定肘点突出程度、肘点早现程度以及SSE折线图的平滑程度的方法为:
计算SSE折线图上肘点两侧相邻线段的斜率差异程度与SSE折线图上每个k值两侧相邻线段的斜率差异程度的平均值之间的第一比值,第一比值越大,则肘点突出程度越大;
计算SSE折线图上肘点对应的k值与所述预设聚类数量之间的第二比值,第二比值越小则肘点早现程度越大;
计算SSE折线图上各个线段的斜率的均方差,所述各个线段的斜率的均方差越大则SSE折线图的平滑程度越小。
5.根据权利要求1-4任一项所述的茶叶精制生产溯源方法,其特征在于,确定所述最优特征数据组的方法为:
建立关于所述肘点突出程度、肘点早现程度以及平滑程度的最优目标函数,所述最优目标函数与所述肘点突出程度以及所述肘点早现程度成正比,与所述平滑程度成反比;
确定各个待定特征数据组的最优目标函数取值,将最优目标函数取值最大的待定特征数据组作为所述最优特征数据组。
6.根据权利要求5所述的茶叶精制生产溯源方法,其特征在于,所述最优目标函数为:
其中,表示最优目标函数,/>表示待定特征数据组对应所得SSE折线图上第k个和第k+1个SSE值之间所构成的线段的斜率,/>表示待定特征数据组对应所得SSE折线图上第k-1个和第k个SSE值之间所构成的线段的斜率,/>与/>分别表示待定特征数据组对应所得SSE折线图上第k个和第k+1个SSE值的大小,待定特征数据组对应所得SSE折线图上的横坐标k值,表示在对待定特征数据组进行聚类而得到横坐标k值对应的SSE值的过程中具体的聚类数量为k,/>表示求取/>的最大值,也表示待定特征数据组对应所得SSE折线图上肘点处两侧线段斜率的变化值,/>表示对待定特征数据组对应所得SSE折线图上任意两个相邻线段之间的斜率差值的绝对值求平均后所得平均值,/>代表待定特征数据组对应所得SSE折线图上肘点处对应的k值,/>表示预设聚类数量,/>表示待定特征数据组对应所得SSE折线图上各个线段的斜率的均方差,表示求取/>的最大值。
7.根据权利要求1所述的茶叶精制生产溯源方法,其特征在于,所述对最优特征数据组中的多维检测数据重新进行k-means聚类的方法为:
将所述最优特征数据组对应SSE折线图上肘点处的k值作为最优聚类数量,以最优聚类数量对所述最优特征数据组进行k-means聚类。
8.一种茶叶精制生产溯源***,其特征在于,包括存储器和处理器,所述处理器用于执行存储在所述存储器中的指令以实现如权利要求1-7任一项所述的茶叶精制生产溯源方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310735477.3A CN116485418B (zh) | 2023-06-21 | 2023-06-21 | 一种茶叶精制生产溯源方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310735477.3A CN116485418B (zh) | 2023-06-21 | 2023-06-21 | 一种茶叶精制生产溯源方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116485418A true CN116485418A (zh) | 2023-07-25 |
CN116485418B CN116485418B (zh) | 2023-09-05 |
Family
ID=87214151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310735477.3A Active CN116485418B (zh) | 2023-06-21 | 2023-06-21 | 一种茶叶精制生产溯源方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485418B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078281A (zh) * | 2023-10-17 | 2023-11-17 | 肥城恒丰塑业有限公司 | 一种防音布生产防伪溯源管理方法及*** |
CN117094611A (zh) * | 2023-10-20 | 2023-11-21 | 济南优谷生物技术有限公司 | 一种用于食品加工的质量安全溯源管理方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778838A (zh) * | 2016-11-29 | 2017-05-31 | 北京科技大学 | 一种预测空气质量的方法 |
CN108241925A (zh) * | 2016-12-23 | 2018-07-03 | 重庆邮电大学 | 一种基于离群点检测的离散制造机械产品质量溯源方法 |
CN111671128A (zh) * | 2020-06-05 | 2020-09-18 | 江苏中烟工业有限责任公司 | 一种打叶复烤烟叶加工属性分类方法 |
CN112487720A (zh) * | 2020-11-30 | 2021-03-12 | 重庆大学 | 基于K-means三维聚类算法的风压系数快速分区方法及***和存储介质 |
CN112766440A (zh) * | 2021-02-01 | 2021-05-07 | 中穗科技股份有限公司 | 基于区块链的茶叶生产流通溯源管理方法及*** |
CN113257364A (zh) * | 2021-05-26 | 2021-08-13 | 南开大学 | 基于多目标进化的单细胞转录组测序数据聚类方法及*** |
US20220076003A1 (en) * | 2020-09-04 | 2022-03-10 | Hitachi, Ltd. | Action recognition apparatus, learning apparatus, and action recognition method |
CN115165950A (zh) * | 2022-05-07 | 2022-10-11 | 安徽农业大学 | 一种通过双相萃取nmr谱鉴别茶叶产地溯源的方法及其应用 |
CN116205738A (zh) * | 2023-03-09 | 2023-06-02 | 浙江科技学院 | 一种基于深度聚类的金融数据选择优化方法 |
-
2023
- 2023-06-21 CN CN202310735477.3A patent/CN116485418B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778838A (zh) * | 2016-11-29 | 2017-05-31 | 北京科技大学 | 一种预测空气质量的方法 |
CN108241925A (zh) * | 2016-12-23 | 2018-07-03 | 重庆邮电大学 | 一种基于离群点检测的离散制造机械产品质量溯源方法 |
CN111671128A (zh) * | 2020-06-05 | 2020-09-18 | 江苏中烟工业有限责任公司 | 一种打叶复烤烟叶加工属性分类方法 |
US20220076003A1 (en) * | 2020-09-04 | 2022-03-10 | Hitachi, Ltd. | Action recognition apparatus, learning apparatus, and action recognition method |
CN112487720A (zh) * | 2020-11-30 | 2021-03-12 | 重庆大学 | 基于K-means三维聚类算法的风压系数快速分区方法及***和存储介质 |
CN112766440A (zh) * | 2021-02-01 | 2021-05-07 | 中穗科技股份有限公司 | 基于区块链的茶叶生产流通溯源管理方法及*** |
CN113257364A (zh) * | 2021-05-26 | 2021-08-13 | 南开大学 | 基于多目标进化的单细胞转录组测序数据聚类方法及*** |
CN115165950A (zh) * | 2022-05-07 | 2022-10-11 | 安徽农业大学 | 一种通过双相萃取nmr谱鉴别茶叶产地溯源的方法及其应用 |
CN116205738A (zh) * | 2023-03-09 | 2023-06-02 | 浙江科技学院 | 一种基于深度聚类的金融数据选择优化方法 |
Non-Patent Citations (1)
Title |
---|
郭小媛,董俊杰,叶影,叶俭慧,梁月荣: "化学指纹图谱检测技术在茶叶领域的应用", 《茶叶》, vol. 46, no. 1, pages 1 - 7 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078281A (zh) * | 2023-10-17 | 2023-11-17 | 肥城恒丰塑业有限公司 | 一种防音布生产防伪溯源管理方法及*** |
CN117078281B (zh) * | 2023-10-17 | 2024-01-09 | 肥城恒丰塑业有限公司 | 一种防音布生产防伪溯源管理方法及*** |
CN117094611A (zh) * | 2023-10-20 | 2023-11-21 | 济南优谷生物技术有限公司 | 一种用于食品加工的质量安全溯源管理方法及*** |
CN117094611B (zh) * | 2023-10-20 | 2024-01-09 | 济南优谷生物技术有限公司 | 一种用于食品加工的质量安全溯源管理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116485418B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116485418B (zh) | 一种茶叶精制生产溯源方法及*** | |
CN107609111B (zh) | 一种枇杷果实品种鉴别、品质分级和成熟度判定的检索方法 | |
EP1760634B1 (en) | Method, Apparatus and computer program for measurement of mitotic activity | |
CN105320970B (zh) | 一种马铃薯病害诊断装置、诊断***及诊断方法 | |
Yro et al. | Cocoa beans fermentation degree assessment for quality control using machine vision and multiclass svm classifier | |
CN117196659B (zh) | 基于区块链技术的产品追溯方法及*** | |
Sari et al. | Classification quality of tobacco leaves as cigarette raw material based on artificial neural networks | |
Waliyansyah et al. | Comparison of tree method, support vector machine, Naïve Bayes, and logistic regression on coffee bean image | |
CN114332492B (zh) | 一种基于长时间序列的植被特征提取及选择方法 | |
CN114549485A (zh) | 一种基于x射线视觉的梗签检测方法 | |
Susetyoko et al. | Characteristics of Accuracy Function on Multiclass Classification Based on Best, Average, and Worst (BAW) Subset of Random Forest Model | |
CN112529838A (zh) | 一种基于图像处理技术的烟叶成熟度在线判别方法 | |
CN116326654B (zh) | 一种茶叶初制过程中各单元协同控制方法及*** | |
Gourav | Rice Grain Quality Determination Using OTSU's Thresholding Method | |
CN113220658B (zh) | 冰箱的食材检测方法、冰箱及存储介质 | |
CN117689999B (zh) | 一种用于实现tc4卷带工艺优化的方法及*** | |
Prabhakar et al. | Computer vision based technique for surface defect detection of apples | |
CN113218880B (zh) | 冰箱的食材检测方法、冰箱及存储介质 | |
CN116664172B (zh) | 基于大数据的食品销售数据挖掘分析方法 | |
Thinh | Using Random Forest Algorithm to Grading Mango’s Quality Based on External Features Extracted from Captured Images | |
CN113218141B (zh) | 冰箱的食材检测方法、冰箱及存储介质 | |
CN110443272B (zh) | 一种基于模糊择近原则的复杂烟株图像分类方法 | |
Ramadhani et al. | Random Forest Analysis In Classifying Orange Quality Data | |
Rangkuti et al. | Development of Banana Image Retrieval Based on its Class Using the CNN Model and Image Distance | |
Biswas et al. | Morphology based Quality Estimation of Cocoa Beans using Digital Imaging |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method and system for tracing the origin of tea refining production Granted publication date: 20230905 Pledgee: Bank of China Limited Xiamen hi tech Park sub branch Pledgor: Fujian Jicha Biotechnology Co.,Ltd. Registration number: Y2024980002632 |