绿茶杀青叶料含水率可见-近红外光谱检测

为实现绿茶杀青叶料含水率的快速无损检测,基于可见-近红外光谱分析建立含水率的预测模型。使用FieldSpec 3型便携式地物光谱仪,采集192个杀青叶料样品的漫反射光谱信息,基于X-Y共生距离的样本划分算法SPXY,确定144个样本的校正集和48个样本的预测集。进行一阶微分和移动平滑滤波预处理后,采用相关系数法优选出11个特征波段,建立了含水率检测的偏最小二乘回归、主成分回归、人工神经网络及其组合的模型。结果表明,选用5个主成分的偏最小二乘回归模型最佳,其校正和预测模型的相关系数分别为0.990和0.819,均方根误差分别为0.011和0.037,预测含水率的平均相对误差为3.30%。

基于多源信息融合的绿茶杀青叶水分含量智能感知方法

为了实现绿茶杀青过程中水分含量的快速有效检测,利用机器视觉结合近红外光谱技术,构建绿茶杀青过程中水分含量变化的定量预测模型。首先采集杀青过程中在制品的光谱和图像信息,然后采用竞争性自适应权重取样(competitive adaptive reweighted sampling,CARS)法、变量组合集群分析(variables combination population analysis,VCPA)法、变量组合集群分析法结合迭代保留信息变量(variable combination population analysis and iteratively retains informative variables,VCPA-IRIV)法和随机蛙跳法(random frog,RF)4种变量筛选方法提取光谱中的特征波长,并融合图像中的15个色泽和纹理特征建立线性偏最小二乘回归(partial least squares regression,PLSR)和非线性支持向量回归(support vector regression,SVR)预测模型。结果表明,与单一数据相比,基于融合数据所建立的模型能有效提高预测精度,其中基于CARS算法提取光谱特征波长融合图像的15个颜色特征,并结合归一化预处理和主成分分析(principal component analysis,PCA)建立的SVR模型效果最佳,其中校正集相关系数为0.974 2,预测集相关系数为0.971 9,相对分析误差(relative percent deviation,RPD)为4.154 6,表明模型具有极好的预测性能。综上,本研究证明融合光谱和图像技术对绿茶杀青过程中水分含量预测的可行性,克服了单一传感器预测精度低的问题,为实现绿茶杀青叶水分含量的快速无损检测和精准把控杀青质量提供理论基础。

基于费舍尔判别法的绿茶杀青状态在线监测

茶叶加工过程的状态参数监测是自动化生产的重点和难点。针对茶叶杀青过程中的状态监测,利用自制的电子鼻,在优选传感器阵列的基础上,对杀青过程香气开展连续抽样监测,基于费舍尔判别法研究茶叶加工过程香气数据与茶叶加工状态的关系,构建茶叶加工状态的判别模型,试验表明建模组的回判准确率将近99%,验证组的判别准确率也达到了91.65%,对茶叶杀青过程状态的在线监测与控制具有重要意义。

绿茶杀青叶浸提物理化特性研究

研究了提取温度对绿茶杀青叶提取物的物理和化学特性的影响。结果表明,茶汤固形物、茶多酚、咖啡因、氨基酸和主要儿茶素类化合物的提取率随提取温度上升而提高;茶汤明度和绿色程度随提取温度上升而下降;冷后浑和黄色程度随提取温度上升而提高。结论:在50℃提取的绿茶杀青叶提取物作为绿茶饮料的原料较理想。

富硒绿茶电磁杀青温度控制器的设计与研究

为提高富硒绿茶电磁杀青机的智能控制及富硒绿茶茶叶品质,提出了一种富硒绿茶电磁杀青温度控制器的设计方案.该控制器以STM32F407IGT6为控制核心,采用自适应增量式PID控制算法,控制人机交互、频率跟踪、感应加热、温度采集与控制等模块.结果表明:该控制器能实现富硒绿茶电磁杀青温度智能控制,并能快速实现杀青箱体内温度场的稳定.

绿茶加工过程含水率在线检测技术研究

实现绿茶加工过程含水率在线检测对于稳定产品质量具有重要意义。针对传统人工评判存在的准确率低、一致性差等缺陷,研究提出利用在线近红外光谱建立绿茶加工过程含水率快速、准确、量化的检测方法。以多季节、多批次的415份杀青叶样本为研究材料,采用在线光谱仪实时采集杀青叶的近红外光谱信号,随后采用传统烘干法测定杀青叶真实含水率。分别采用SG平滑(Savitzky-Golay,SG)、标准正态变量变换(Standard Normal Variate,SNV)、多元散射校正(Multiplicative Scatter Correction,MSC)、去趋势(Detrending)等预处理方法消除原始光谱中的噪声等干扰信息,比较遗传算法(Genetic Algorithms,GA)和竞争性自适应复权抽样(Competitive Adaptive Reweighted Sampling,CARS)对水分特征波长的筛选效果,并结合偏最小二乘回归(Partial Least Squares regression,PLS)算法分别建立含水率的PLS,GA-PLS和CARS-PLS定量检测模型。结果表明,光谱预处理能够降低原始信号中的噪声干扰,显著提高模型的预测精度,其中SNV的效果最优;GA和CARS均能有效降低数据维度,其中CARS取得了最优的预测性能,所建的SNV-CARS-PLS模型对预测集样本的预测精度为相关系数Rp=0.9402,预测均方根误差RMSEP=1.57%,残余预测偏差RPD=2.90。研究建立的绿茶杀青叶含水率在线检测方法,能够为杀青环节质量状况提供实时量化反馈,为实现绿茶的智能化加工提供重要基础。