本技術(shù)涉及茶葉加工，更具體地，涉及一種茶葉原料水分含量檢測(cè)模型構(gòu)建方法、系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)：

1、茶葉是由茶鮮葉經(jīng)過(guò)一系列物理和化學(xué)變化加工而成的，殺青是茶葉加工時(shí)非常重要的一道工序，要求高溫瞬時(shí)鈍化酶的活性，否則會(huì)發(fā)生酶促氧化反應(yīng)，導(dǎo)致鮮葉變紅、變質(zhì)，嚴(yán)重影響茶葉品質(zhì)。

2、當(dāng)前常通過(guò)檢測(cè)殺青葉水分含量的高低，然后再反饋調(diào)整殺青時(shí)鮮葉投葉量、殺青溫度和殺青時(shí)間，進(jìn)而得到最佳的殺青葉品質(zhì)。然而，目前茶葉含水率的測(cè)量是將樣品烘干后再計(jì)算含水量，這種測(cè)量方法通常需要持續(xù)大約2h，檢測(cè)結(jié)果耗時(shí)較長(zhǎng)，使得殺青工序參數(shù)的調(diào)整具有嚴(yán)重的滯后性，不能及時(shí)調(diào)整殺青工序參數(shù)，因而不利于指導(dǎo)高品質(zhì)茶葉的生產(chǎn)。有鑒于此，亟需研發(fā)出一種殺青葉水分含量的實(shí)時(shí)快速檢測(cè)方法。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的至少一個(gè)缺陷或改進(jìn)需求，本技術(shù)提供了一種茶葉原料水分含量檢測(cè)模型構(gòu)建方法、系統(tǒng)、設(shè)備及介質(zhì)，用于至少實(shí)現(xiàn)對(duì)殺青葉水分含量的實(shí)時(shí)快速檢測(cè)。

2、為實(shí)現(xiàn)上述目的，第一方面，本技術(shù)提供了一種茶葉原料水分含量檢測(cè)模型構(gòu)建方法，包括：

3、獲取不同殺青程度的樣品含水量已知的茶葉原料樣品；

4、掃描所述茶葉原料樣品，獲取其的近紅外光譜數(shù)據(jù)和高光譜數(shù)據(jù)；

5、對(duì)其的近紅外光譜數(shù)據(jù)和高光譜數(shù)據(jù)進(jìn)行去噪預(yù)處理，獲取經(jīng)過(guò)去噪預(yù)處理后的近紅外光譜數(shù)據(jù)和高光譜數(shù)據(jù)；

6、分別將近紅外光譜頻段和高光譜頻段劃分為不同的光譜區(qū)間，從各光譜區(qū)間中篩選出最佳融合光譜區(qū)間組合；所述最佳融合光譜區(qū)間組合包括：所述近紅外光譜頻段所對(duì)應(yīng)的第一最佳光譜區(qū)間和所述高光譜頻段所對(duì)應(yīng)的第二最佳光譜區(qū)間；

7、從所述第一最佳光譜區(qū)間中篩選出至少一個(gè)第一光譜數(shù)據(jù)特征點(diǎn)，以及從所述第二最佳光譜區(qū)間中篩選出至少一個(gè)第二光譜數(shù)據(jù)特征點(diǎn)；

8、根據(jù)所述第一光譜數(shù)據(jù)特征點(diǎn)從經(jīng)過(guò)去噪預(yù)處理后的近紅外光譜數(shù)據(jù)中分別提取出對(duì)應(yīng)的第一特征向量，以及根據(jù)所述第二光譜數(shù)據(jù)特征點(diǎn)從經(jīng)過(guò)去噪預(yù)處理后的高光譜數(shù)據(jù)中分別提取出對(duì)應(yīng)的第二特征向量，得到各茶葉原料樣品所對(duì)應(yīng)的融合特征向量；所述融合特征向量包括：所述第一特征向量和所述第二特征向量；

9、以所述融合特征向量為輸入，以所述茶葉原料樣品的含水量為輸出，基于人工神經(jīng)網(wǎng)絡(luò)方法，訓(xùn)練以構(gòu)建多光譜融合預(yù)測(cè)模型。

10、進(jìn)一步地，所述最佳融合光譜區(qū)間組合的篩選方法包括：

11、使用jordan-elman?nets模型對(duì)每個(gè)所述第一特征向量和第二特征向量進(jìn)行建模，并計(jì)算對(duì)應(yīng)的交互驗(yàn)證均方根誤差和決定系數(shù)；

12、比較不同光譜區(qū)間的模型性能，選擇交互驗(yàn)證均方根誤差最小且決定系數(shù)最大的光譜區(qū)間的組合作為所述最佳融合光譜區(qū)間組合。

13、進(jìn)一步地，所述第一光譜數(shù)據(jù)特征點(diǎn)和第二光譜數(shù)據(jù)特征點(diǎn)的篩選算法包括：間隔區(qū)間偏最小二乘法。

14、進(jìn)一步地，所述人工神經(jīng)網(wǎng)絡(luò)方法為非線性的ward?nets人工神經(jīng)網(wǎng)絡(luò)方法。

15、進(jìn)一步地，所述多光譜融合預(yù)測(cè)模型的神經(jīng)元與傳遞函數(shù)的組合為：6個(gè)神經(jīng)元+sigmoid傳遞函數(shù)。

16、進(jìn)一步地，所述去噪預(yù)處理的方法包括：矢量歸一化+二階導(dǎo)數(shù)。

17、進(jìn)一步地，每類殺青程度的茶葉原料樣品均由芽、1芽1葉和1芽2葉的芽葉部位組成；

18、其中，1芽1葉的茶葉原料樣品由芽、第1葉和短嫩梗組成；1芽2葉的茶葉原料樣品由芽、第1葉、第2葉和嫩梗組成。

19、第二方面，本技術(shù)提供了一種茶葉原料水分含量檢測(cè)模型構(gòu)建系統(tǒng)，包括：

20、采集模塊，用于獲取不同殺青程度的樣品含水量已知的茶葉原料樣品；

21、掃描模塊，用于掃描所述茶葉原料樣品，獲取其的近紅外光譜數(shù)據(jù)和高光譜數(shù)據(jù)；

22、預(yù)處理模塊，用于對(duì)其的近紅外光譜數(shù)據(jù)和高光譜數(shù)據(jù)進(jìn)行去噪預(yù)處理，獲取經(jīng)過(guò)去噪預(yù)處理后的近紅外光譜數(shù)據(jù)和高光譜數(shù)據(jù)；

23、光譜區(qū)間劃分與篩選模塊，用于分別將近紅外光譜頻段和高光譜頻段劃分為不同的光譜區(qū)間，從各光譜區(qū)間中篩選出最佳融合光譜區(qū)間組合；所述最佳融合光譜區(qū)間組合包括：所述近紅外光譜頻段所對(duì)應(yīng)的第一最佳光譜區(qū)間和所述高光譜頻段所對(duì)應(yīng)的第二最佳光譜區(qū)間；

24、光譜數(shù)據(jù)特征點(diǎn)篩選模塊，用于從所述第一最佳光譜區(qū)間中篩選出至少一個(gè)第一光譜數(shù)據(jù)特征點(diǎn)，以及從所述第二最佳光譜區(qū)間中篩選出至少一個(gè)第二光譜數(shù)據(jù)特征點(diǎn)；

25、特征向量提取模塊，用于根據(jù)所述第一光譜數(shù)據(jù)特征點(diǎn)從經(jīng)過(guò)去噪預(yù)處理后的近紅外光譜數(shù)據(jù)中分別提取出對(duì)應(yīng)的第一特征向量，以及根據(jù)所述第二光譜數(shù)據(jù)特征點(diǎn)從經(jīng)過(guò)去噪預(yù)處理后的高光譜數(shù)據(jù)中分別提取出對(duì)應(yīng)的第二特征向量，得到各茶葉原料樣品所對(duì)應(yīng)的融合特征向量；所述融合特征向量包括：所述第一特征向量和所述第二特征向量；

26、多光譜融合預(yù)測(cè)模型構(gòu)建模塊，用于以所述融合特征向量為輸入，以所述茶葉原料樣品的含水量為輸出，基于人工神經(jīng)網(wǎng)絡(luò)方法，訓(xùn)練以構(gòu)建多光譜融合預(yù)測(cè)模型。

27、第三方面，本技術(shù)提供了一種電子設(shè)備，包括至少一個(gè)處理單元、以及至少一個(gè)存儲(chǔ)單元，其中，所述存儲(chǔ)單元存儲(chǔ)有計(jì)算機(jī)程序，當(dāng)所述計(jì)算機(jī)程序被所述處理單元執(zhí)行時(shí)，使得所述處理單元能夠執(zhí)行上述任一項(xiàng)所述方法的步驟。

28、第四方面，本技術(shù)提供了一種存儲(chǔ)介質(zhì)，其存儲(chǔ)有可由訪問(wèn)認(rèn)證設(shè)備執(zhí)行的計(jì)算機(jī)程序，當(dāng)所述計(jì)算機(jī)程序在訪問(wèn)認(rèn)證設(shè)備上運(yùn)行時(shí)，使得所述訪問(wèn)認(rèn)證設(shè)備能夠執(zhí)行上述任一項(xiàng)所述方法的步驟。

29、總體而言，通過(guò)本技術(shù)所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，能夠取得下列有益效果：

30、(1)本技術(shù)公開(kāi)的茶葉原料水分含量檢測(cè)模型構(gòu)建方法首先獲取茶葉原料樣品的近紅外光譜數(shù)據(jù)和高光譜數(shù)據(jù)，使得建模光譜信息更全面；然后，分別將近紅外光譜頻段和高光譜頻段劃分為不同的光譜區(qū)間，從各光譜區(qū)間中篩選出最佳融合光譜區(qū)間組合，進(jìn)一步從最佳融合光譜區(qū)間組合中篩選出相應(yīng)的光譜數(shù)據(jù)特征點(diǎn)，從而可降低建模的運(yùn)算量，簡(jiǎn)化模型；最后，基于光譜數(shù)據(jù)特征點(diǎn)提取相應(yīng)的特征向量并作為輸入，以茶葉原料樣品的含水量為輸出，基于人工神經(jīng)網(wǎng)絡(luò)方法，經(jīng)過(guò)若干次訓(xùn)練即可構(gòu)建更高預(yù)測(cè)準(zhǔn)確度及魯棒性的多光譜融合預(yù)測(cè)模型，從而可實(shí)現(xiàn)對(duì)茶葉原料水分含量的及時(shí)且精確的檢測(cè)，進(jìn)而可實(shí)現(xiàn)及時(shí)精準(zhǔn)調(diào)控殺青工藝參數(shù)的目的，為得到最佳的殺青葉品質(zhì)提供了理論基礎(chǔ)。

31、(2)本技術(shù)應(yīng)用非線性的jordan-elman?nets人工神經(jīng)網(wǎng)絡(luò)方法能夠更精準(zhǔn)地篩選出最能反映殺青葉含水量的圖像紋理光譜信息和成分光譜信息的最佳融合光譜區(qū)間組合；在此基礎(chǔ)上，應(yīng)用間隔區(qū)間偏最小二乘法進(jìn)一步從最佳融合光譜區(qū)間組合中提取出若干個(gè)光譜數(shù)據(jù)特征點(diǎn)(該若干個(gè)光譜數(shù)據(jù)特征點(diǎn)占全部光譜數(shù)據(jù)點(diǎn)的比例極低，不超過(guò)1.5％)；緊接著，基于光譜數(shù)據(jù)特征點(diǎn)提取相應(yīng)的特征向量并作為輸入，以茶葉原料樣品的含水量為輸出，通過(guò)不斷反復(fù)優(yōu)化非線性的ward?nets人工神經(jīng)網(wǎng)絡(luò)的神經(jīng)元個(gè)數(shù)與傳遞函數(shù)(6個(gè)神經(jīng)元+sigmoid傳遞函數(shù))，最終實(shí)現(xiàn)了殺青葉含水量的實(shí)時(shí)在線精準(zhǔn)檢測(cè)，該殺青葉含水量檢測(cè)模型結(jié)構(gòu)簡(jiǎn)單，檢測(cè)精準(zhǔn)率高，具有很強(qiáng)的實(shí)際應(yīng)用性。

32、(3)本技術(shù)以芽、1芽1葉和1芽2葉的殺青葉原料為研究對(duì)象，原料具有節(jié)間短和嫩度高的特點(diǎn)，得到的光譜信息中夾雜的噪聲信息較少，反映殺青葉含水量的圖像光譜信息和成分光譜信息會(huì)更多。