论文部分内容阅读
萎凋是红茶加工的第一道工序,其品质的好坏直接会影响到成品茶的品质。含水率又是评判萎凋是否适度的主要指标,但目前大多数茶厂在对红茶萎凋时无法做到快速、无损、精确的判断萎凋叶的水分含量,并且无法客观的判断萎凋是否均匀;因此急需一种能够迅速、无损、准确判断萎凋叶水分含量以及萎凋均匀程度的方法。本研究基于光谱与图像技术,以萎凋叶水分的定量预测作为感知手段,建立萎凋时序下水分定量预测模型,并通过该模型实现萎凋叶水分可视化,以期为提高红茶品质,推动红茶萎凋加工的智能化发展提供理论基础。本文主要研究内容如下:光谱信息对萎凋叶水分的表征能力要强于图像信息对萎凋叶水分的表征能力。分别采集时序萎凋叶的光谱信息和图像信息并检测样品的水分含量,对光谱信息进行标准正态变换(SNV)预处理,联合区间偏最小二乘回归(Si-PLS)特征波段筛选后所得模型精度最高;对图像信息提取9个颜色参数:R、G、B、H、S、V、L*、a*、b*,6个纹理参数:m、δ、r、μ、U和e,共15个特征变量进行标准分数法(Z-score)以及主成分分析(PCA)预处理,并建立偏最小二乘回归(PLSR)水分预测模型。两个模型的RPD值均大于2,说明光谱与图像信息都能较好的表达萎凋叶中水分的信息,但是光谱信息表达萎凋叶中水分的能力更强一些。萎凋叶单叶片正面(反面)光谱建立的预测模型不能预测反面(正面)萎凋叶的水分含量,但预处理以及特征波段的筛选能够很大程度上削弱因叶片正反面干扰对模型性能的影响。基于高光谱图像技术,分别拍摄萎凋叶正、反面高光谱图像并提取其中的光谱信息,建立单叶片正、反面原始光谱信息的PLSR水分预测模型,并对预测模型做交叉验证,发现验证模型性能大幅度下降;当正面光谱经1阶导(1Der)预处理以及随机蛙跳(SFLA)筛选特征波段,反面光谱经多元散射校正(MSC)预处理以及竞争性自适应重加权(CARS)筛选特征波段后,无论是建立的PLSR预测模型性能还是交叉验证模型性能都比原始光谱建立的模型有明显提升。这说明预处理以及特征波长筛选能够消弱萎凋叶因正、反面误差对水分预测模型的影响,但并不能完全消除此类影响。建立基于堆积萎凋叶的水分预测模型并基于图像信息对萎凋叶的水分进行可视化处理。针对萎凋叶正、反面产生的光谱误差,对水分预测模型性能造成影响的问题,以堆积萎凋叶为研究对象,拍摄高光谱图像,提取高光谱图像中的光谱信息,对光谱信息进行预处理,消除光谱中的基线漂移、高频噪声、光程散射等误差,通过特征波长提取的方式减少输入模型冗余信息,分别建立PLSR线性模型以及支持向量机回归(SVR)非线性模型并对比模型性能,最终确定Si-SFLA-SVR非线性模型为最优水分预测模型。并通过该模型计算高光谱图像上每一个像素点的水分值,最终实现萎凋叶水分的可视化。