[发明专利]一种基于深度学习的青砖茶渥堆程度精准预测方法

说明书

本发明涉及一种青砖茶原料渥堆程度的预测方法，更具体的说涉及一种基于近红外光谱技术和卷积神经网络方法的青砖茶原料渥堆程度的预测方法。本发明公开了一种基于深度学习的青砖茶渥堆程度精准预测方法，包括以下步骤，步骤一、茶样品收集与分类；步骤二、近红外光谱扫描；步骤三、光谱预处理方法筛选；步骤四、深度学习模型建立；步骤五、模型稳健性检验；步骤六、未知原料样品渥堆程度预测。针对上述背景技术所提出的问题，本发明的目的是：克服现有人工方法评审青砖茶原料渥堆程度存在较大的主观性、极易出现误判等缺陷，提供一种青砖茶原料渥堆程度的精准预测方法。

技术领域

本发明涉及一种青砖茶原料渥堆程度的预测方法，更具体的说涉及一种基于近红外光谱技术和卷积神经网络方法的青砖茶原料渥堆程度的预测方法。

背景技术

青砖茶是湖北省的特产，渥堆是形成青砖茶特有品质的关键工序，青砖茶的品质随着渥堆程度的不同而呈现显著地差异。当渥堆程度较轻时，青砖茶汤色浅淡，滋味淡薄，品质差；当渥堆程度适宜时，青砖茶汤色红亮、陈香足，品质佳；当渥堆程度过度时，则茶汤略带酸味，青砖茶品质下降，因此在实际生产中非常需要精准掌控青砖茶原料的渥堆程度，准确判断渥堆进程，才能生产出高品质的青砖茶。

目前，通常采用人工方法来评审青砖茶原料的渥堆程度，该方法主要依靠个人感官器官灵敏度和经验阅历来评估原料渥堆程度，具有较大主观性，误判几率较大。为有效提高渥堆程度的分析准确性，亟需建立一种快速准确地预测青砖茶原料渥堆程度的方法，以便达到最佳的渥堆原料品质。近红外光谱技术是一种准确、便捷的快速无损检测技术，卷积神经网络方法是一种深度学习智能方法，基于近红外光谱技术和卷积神经网络方法的精准预测青砖茶原料渥堆程度的方法尚未有报道，非常迫切建立一种青砖茶原料渥堆程度的智能化精准预测方法。

发明内容

针对上述背景技术所提出的问题，本发明的目的是：克服现有人工方法评审青砖茶原料渥堆程度存在较大的主观性、极易出现误判等缺陷，提供一种青砖茶原料渥堆程度的精准预测方法。

一种基于深度学习的青砖茶渥堆程度精准预测方法，包括以下步骤，

步骤一、茶样品收集与分类；

收集3类不同渥堆程度的茶样品，依据渥堆程度不同，将每类不同渥堆程度的样品按照3:1比例划分为校正集和验证集两个集合，其中校正集样品用于建立预测模型，验证集样品用于检验预测模型效果；

步骤二、近红外光谱扫描；

应用近红外光谱仪扫描获得全部3类不同渥堆程度样品的近红外光谱，光谱扫描范围4000-10000cm^-1、分辨率8cm^-1、检测器为InGaAs，每个样品采集3次光谱、每次扫描64次，然后对3次采集的光谱进行平均，以平均光谱作为该样品的最终光谱用于后续建立模型。

步骤三、光谱预处理方法筛选；

应用化学计量学软件对步骤二中扫描得到的不同渥堆程度样品的近红外光谱进行预处理，通过比较交互验证均方根误差(RMSECV)值，当RMSECV最小时，即为得到的最佳光谱预处理方法；

步骤四、深度学习模型建立；

以预处理后的光谱为输入，以不同渥堆程度为输出值，应用卷积神经网络方法直接建立原料不同渥堆程度的精准预测模型，通过建立参数正交试验，不断调整算法、卷积层数和收敛速度等参数，经比较模型的相关系数(correlation coefficient ofcalibration，Rc)、交互验证均方根误差(root mean square error of crossvalidation，RMSECV)、判别率和概率P值，最终得到最佳分析模型。其中，当R_c最大、RMSECV最小时，表示此时建立的校正集模型结果最佳；

其中，RMSECV计算公式为：

Rc计算公式为：