[發明專利]一種紅茶萎凋程度指標的無損檢測方法

在審

• 申請號: 202010183049.0
• 申請日: 2020-03-16
• 公開（公告）號: CN111524092A
• 公開（公告）日: 2020-08-11
• 發明（設計）人: 董春旺;安霆;楊崇山;劉中原;楊艷芹;王近近;李佳;江用文;袁海波;鄧余良;滑金杰
• 申請（專利權）人: 中國農業科學院茶葉研究所
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06Q10/04;G06F16/55
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 彭啟強

1.一種紅茶萎凋程度指標的無損檢測方法，其特征在于，所述檢測方法是將不同萎凋程度的茶葉分別置于工業相機下進行樣品圖片的拍攝，同時檢測萎凋程度指標，對拍攝的樣品圖片進行預處理，用萎凋葉圖片信息和萎凋程度指標數據搭建卷積神經網絡數據庫，對卷積神經網絡數據庫中的萎凋程度指標進行分類，根據萎凋程度指標分類所得置信度建立紅茶萎凋程度指標定量預測模型。

2.根據權利要求1所述的一種紅茶萎凋程度指標的無損檢測方法，其特征在于，所述檢測方法包括以下步驟：

S1.樣品圖片的拍攝，將不同萎凋時間節點的茶葉樣品，分別通過樣品池置于工業相機下，拍攝得到不同萎凋時間節點下的樣品圖片；

S2.樣品萎凋程度指標的檢測，檢測不同萎凋時間節點萎凋葉的萎凋程度指標；

S3.對拍攝的樣品圖片進行預處理，得到翻倍的樣品圖片；

S4.卷積神經網絡數據庫的建立，將S3預處理后的圖片隨機挑出總量的1％～2％圖片作為外部驗證樣本，剩余圖片與S2步驟的不同萎凋時間下茶葉樣品的萎凋程度指標數據建立卷積神經網絡數據庫，通過卷積神經網絡數據庫對外部驗證樣本進行萎凋程度指標分類，得到該樣本在各個萎凋程度指標下所占置信度，每一個萎凋程度指標與其置信度相乘，最后再將各個相乘結果累加，作為該輸入樣本萎凋程度指標的預測值，根據預測樣本相關系數判斷預測模型的性能；

S5.萎凋樣品程度指標的快速檢測，通過數據線連接到電腦客戶端，對拍攝的萎凋樣品圖片進行實時傳輸，結合采集軟件寫入的預測模型，在軟件界面端實時分析萎凋樣本萎凋程度指標的預測值，實現紅茶萎凋過程中萎凋程度指標的定量快速檢測。

3.根據權利要求2所述的一種紅茶萎凋程度指標的無損檢測方法，其特征在于，所述S1步驟中不同萎凋時間節點為萎凋0h至萎凋11h中的每個整點時刻，共12個萎凋時間節點。

4.根據權利要求2所述的一種紅茶萎凋程度指標的無損檢測方法，其特征在于，所述工業相機光譜成像范圍為可見光、近紅外或遠紅外波段。

5.根據權利要求4所述的一種紅茶萎凋程度指標的無損檢測方法，其特征在于，所述S1步驟中圖片拍攝的條件為選用DOME單色純白弧形光源，強度為1000勒克斯，曝光時間0.09s，分辨率1080像素*1080像素。

6.根據權利要求1或2所述的一種紅茶萎凋程度指標的無損檢測方法，其特征在于，所述萎凋程度指標為不同萎凋時間節點下萎凋葉的含水率值，所述含水率值采用水分測定儀測定。

7.根據權利要求6所述的一種紅茶萎凋程度指標的無損檢測方法，其特征在于，所述萎凋程度指標預測值表達式為：Y表示萎凋葉水分預測值，Yi表示輸入水分值的標簽，Ni表示輸入每一個卷積神經網絡輸出的水分值標簽的置信度。

8.根據權利要求2所述的一種紅茶萎凋程度指標的無損檢測方法，其特征在于，所述S3步驟中的圖片預處理包括對圖片進行平移、翻轉、旋轉、隨機顏色處理。

9.根據權利要求2所述的一種紅茶萎凋程度指標的無損檢測方法，其特征在于，所述S4步驟中的剩余圖片樣本按照8：2的比例劃分為訓練集、測試集用于構建卷積神經網絡數據庫。

10.根據權利要求2所述的一種紅茶萎凋程度指標的無損檢測方法，其特征在于，所述卷積神經網絡數據庫結構包括5個卷積層，2個最大池化層，1個softmax層，1個全連接層，1個損失函數層。

11.根據權利要求10所述的一種紅茶萎凋程度指標的無損檢測方法，其特征在于，所述卷積神經網絡數據庫結構順序為卷積層1、卷積層2、最大池化層1、卷積層3、卷積層4、最大池化層2、卷積層5、全連接層、softmax層。