[发明专利]基于人工神经网络的近红外光谱茶叶主要成分检测方法

说明书

本发明公开了一种基于人工神经网络的近红外光谱茶叶主要成分检测方法，利用交叉验证方法处理方法，对校正集和预测集采用误差均方根作为评估标准，将茶叶主成分的近红外光谱矩阵作为、人工神经网络输入，在保证信息不丢失的情况下，降低了人工神经网络的输入因子个数，有效解决了利用人工神经网络进行预测时，输入因子过多，运算复杂，预测结果准确性不高的问题。

技术领域

本公开涉及一种基于人工神经网络的近红外光谱茶叶主要成分检测方法，属于茶叶加工及成分检测领域。

背景技术

现有茶叶主要成分检测方法主要是通过茶样磨碎后在电热恒温干燥箱中加热、除去水分至恒重后用于茶叶主成分含量的测定；而在茶树育种中经常碰到的问题是茶叶样品太少，不够用于按照国标法测定茶叶主成分含量，因此导致茶树早期鉴定延后，育种周期延长；另一方面，由于烘干等步骤可能会引起茶叶各种生化成分的转化，导致测定的数据并不能真实的反应茶叶中各种物质的含量，因此也存在误差。

最近几年也有采用近红外光谱检测，其检测过程具有省时简单、不用破坏和浪费样品、分析速度快、成本低、结果重现性好等特点，是一种快速、方便和无损坏的检测方法；但也存在着难以实现定量的分析、检测信噪比低等缺点；该技术需要与化学计量学结合，其中常用的化学计量学技术主要有多元线性回归、主成分回归、偏最小二乘回归和神经网络等。

发明内容

本公开为了解决上述问题，提出了一种基于人工神经网络的近红外光谱茶叶主要成分检测方法，本发明能够对茶业主成分的进行较精确测量。

本发明采用如下技术方案：

一种基于人工神经网络的近红外光谱茶叶主要成分检测方法，包括以下步骤：

(1)、茶叶样本的准备，采摘新鲜茶业洗净干燥并密封冷藏；

(2)、将密封冷藏的茶叶组成样本集，用交叉验证方法将样本集分为校正集和预测集；

(3)、扫描件所有校正集合预测集的近红外光谱；

(4)、利用酒石酸铁比色法测定茶叶中茶多酚含量，利用蒽酮比色法检测茶叶中茶多糖的含量；

(5)、建立近红外光谱定量分析模型，使用BP神经网络构建校正集样茶叶主成分含量与近红外特征光谱之间的定量校正模型；

(6)、近红外定量分析模型测定预测集样本的茶叶主要成分含量，将预测集样品的近红外光谱信息数据输入所述校正模型，得到预测集样本的主要成分含量。

优选的，利用近红外光谱仪进行近红外光谱的采集，测定范围5000-10000cm-1，分年率8cm-1，扫描次数不低于60次。

优选的，对样品光谱利用基线校正、平滑方法、一阶微分、二阶微分、多元散射校正方法或标准正态变换方法进行预处理。

优选的，采用传播神迹网络算法进行计算，人工神经网络为3层，选取近红外光谱数据，然后将光谱数据进行主成分样品变换作为神经网络的输入并建立相应模型，形成网络输入层与隐含层、隐含层于输出层节点的传递函数；并采用校正集样本，将化学分析法测定的糖度含量作为标准值，作为建模的输出量。

优选的，所述校正集和预测集之间用相关系统评价其相关性，误差均方耿作为网络训练的评估标注，预测误差差军方根反应模型对未知样本的预测效果。

与现有技术相比，本公开的有益效果为：

本公开利用交叉验证方法处理方法，对校正集和预测集采用误差均方根作为评估标准，，将茶叶主成分的近红外光谱矩阵作为、人工神经网络输入，在保证信息不丢失的情况下，降低了人工神经网络的输入因子个数，有效解决了利用人工神经网络进行预测时，输入因子过多，运算复杂，预测结果准确性不高的问题。

具体实施方式：