茶叶品质等级分类方法及装置、设备、存储介质

技术领域

本发明属于茶叶品质检测技术领域，具体涉及一种茶叶品质等级分类方法及装置、设备、存储介质。

背景技术

由于栽培管理措施的差异、加工过程中的人为因素的干扰，同一等级的茶鲜叶所制茶叶的品质参差不齐。因此，毛茶或成品茶在出厂验收或销售前通常需要经过品控师对毛茶或成品茶进行感官评价(口感、嗅觉)，以确定毛茶或成品茶的品质等级，进而分等级定价销售。这种方法往往对品控师的要求较高，不仅要熟悉市场走向，也要对消费者的喜好非常了解，且主观性强。

另一方面毛茶验收是茶叶拼配的第一个环节，也是成品茶品质好坏的关键环节。品质验收是毛茶验收的核心，而审评定级是毛茶验收和品质验收的核心。因此，审评定级贯穿于从毛茶验收、精制加工到销售整个环节，而审评定级需要品控师，对专业要求高且依赖于经验，不仅会增加人力成本，也并不适应当今茶叶向工业化发展的要求，阻碍茶叶从农产品向快消品的转变。

目前，因近红外光谱(Near Infrared Spectroscopy，NIR)技术具有快速、便捷、无损等优点，广泛应用于茶叶的生化成分(如茶多酚、咖啡因、茶黄素、氨基酸和含水量)定量分析，以及茶叶种类判别和产地溯源等定性分析。在生产实践中，审评定级(品质等级)是毛茶验收和茶叶拼配的核心，但现有基于近红外光谱的茶叶品质评定方案，主要采用直接获取成品茶的近红外光谱数据通过机器学习算法进行简单识别分级，从而导致等级分类准确性较低。

发明内容

本发明的目的在于提供一种茶叶品质等级分类方法及装置、设备、存储介质，可以提高茶叶品质定级的准确性。

本发明第一方面公开一种茶叶品质等级分类方法，包括：

获取待测茶样的待测光谱；

将所述待测光谱与预设修正光谱进行合并，获得合并矩阵；

确定与多种指定内含物一一对应的多个预处理模式；

按照每个所述预处理模式对所述合并矩阵分别进行预处理，获得与多种指定内含物一一对应的多个光谱矩阵；

将每个所述光谱矩阵输入相应的定量模型，获得所述待测茶样的多种指定内含物的预测值；其中，多个定量模型与多种指定内含物一一对应；

将所述待测茶样的多种指定内含物的预测值输入分类模型，获得所述待测茶样的品质等级分类结果；

计算所述合并矩阵的均值光谱作为新的预设修正光谱，以对预设修正光谱进行更新。

在一些实施例中，所述将每个所述光谱矩阵输入相应的定量模型，获得所述待测茶样的多种指定内含物的预测值，包括：

对每个所述光谱矩阵进行特征变量提取，获得与多种指定内含物一一对应的多个特征光谱；

将每个所述特征光谱输入相应的定量模型，获得所述待测茶样的多种指定内含物的预测值。

在一些实施例中，所述对每个所述光谱矩阵进行特征变量提取，获得与多种指定内含物一一对应的多个特征光谱，包括：

确定与多种指定内含物一一对应的多个特征波长；

根据每个所述特征波长，对相应的光谱矩阵进行特征变量提取，获得与多种指定内含物一一对应的多个特征光谱。

在一些实施例中，所述确定与多种指定内含物一一对应的多个预处理模式，包括：

确定与所述待测茶样相匹配的茶叶种类；

获取与所述茶叶种类对应的目标预处理模式集合；

从所述目标预处理模式集合中确定出与多种指定内含物一一对应的多个预处理模式。

在一些实施例中，所述获取待测茶样的待测光谱，包括：

获取待测茶样的近红外光谱；

对所述近红外光谱进行卷积平滑处理及降噪，获得待测茶样的待测光谱。

本发明第二方面公开一种茶叶品质等级分类装置，包括：

获取单元，用于获取待测茶样的待测光谱；

合并单元，用于将所述待测光谱与预设修正光谱进行合并，获得合并矩阵；

确定单元，用于确定与多种指定内含物一一对应的多个预处理模式；

预处理单元，用于按照每个所述预处理模式对所述合并矩阵分别进行预处理，获得与多种指定内含物一一对应的多个光谱矩阵；

定量单元，用于将每个所述光谱矩阵输入相应的定量模型，获得所述待测茶样的多种指定内含物的预测值；其中，多个定量模型与多种指定内含物一一对应；

定级单元，用于将所述待测茶样的多种指定内含物的预测值输入分类模型，获得所述待测茶样的品质等级分类结果；

更新单元，用于计算所述合并矩阵的均值光谱作为新的预设修正光谱，以对预设修正光谱进行更新。

在一些实施例中，所述定量单元包括：

提取子单元，用于对每个所述光谱矩阵进行特征变量提取，获得与多种指定内含物一一对应的多个特征光谱；

预测子单元，用于将每个所述特征光谱输入相应的定量模型，获得所述待测茶样的多种指定内含物的预测值。

在一些实施例中，所述提取子单元，具体用于确定与多种指定内含物一一对应的多个特征波长；以及，根据每个所述特征波长，对相应的光谱矩阵进行特征变量提取，获得与多种指定内含物一一对应的多个特征光谱。

在一些实施例中，所述确定单元，具体用于确定与所述待测茶样相匹配的茶叶种类；以及，获取与所述茶叶种类对应的目标预处理模式集合；以及，从所述目标预处理模式集合中确定出与多种指定内含物一一对应的多个预处理模式。

在一些实施例中，所述获取单元，具体用于获取待测茶样的近红外光谱；以及，对所述近红外光谱进行卷积平滑处理及降噪，获得待测茶样的待测光谱。

本发明第三方面公开一种电子设备，包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行第一方面公开的茶叶品质等级分类方法。

本发明第四方面公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，其中，所述计算机程序使得计算机执行第一方面公开的茶叶品质等级分类方法。

本发明的有益效果在于，所提供的茶叶品质等级分类方法及装置、设备、存储介质，通过在获取待测茶样的待测光谱之后，将待测光谱与预设修正光谱进行合并获得合并矩阵；然后确定与多种指定内含物一一对应的多个预处理模式，对合并矩阵分别进行预处理，获得与多种指定内含物一一对应的多个光谱矩阵，将每个光谱矩阵输入相应的定量模型，获得待测茶样的多种指定内含物的预测值；最后将待测茶样的多种指定内含物的预测值输入分类模型，获得待测茶样的品质等级分类结果；在合并待测光谱与预设修正待测光谱之后，还计算合并后的合并矩阵的均值光谱作为新的预设修正光谱，以对预设修正光谱进行更新，作为下一待测茶样进行等级分类时的预设修正光谱，从而可以利用未知样本光谱训练预设修正光谱，提高待测光谱的准确性，进而提高茶叶品质定级的准确性。

附图说明

此处的附图，示出了本发明所述技术方案的具体实例，并与具体实施方式构成说明书的一部分，用于解释本发明的技术方案、原理及效果。

除非特别说明或另有定义，不同附图中，相同的附图标记代表相同或相似的技术特征，对于相同或相似的技术特征，也可能会采用不同的附图标记进行表示。

图1是本发明实施例公开的一种茶叶品质等级分类方法的流程图；

图2是本发明实施例公开的一种茶叶品质等级分类装置的结构示意图；

图3是本发明实施例公开的一种电子设备的结构示意图。

附图标记说明：

201、获取单元；202、合并单元；203、确定单元；204、预处理单元；205、定量单元；206、定级单元；207、更新单元；301、存储器；302、处理器。

具体实施方式

为了便于理解本发明，下面将参照说明书附图对本发明的具体实施例进行更详细的描述。

除非特别说明或另有定义，本文所使用的所有技术和科学术语与所属技术领域的技术人员通常理解的含义相同。在结合本发明的技术方案以现实的场景的情况下，本文所使用的所有技术和科学术语也可以具有与实现本发明的技术方案的目的相对应的含义。本文所使用的“第一、第二…”仅仅是用于对名称的区分，不代表具体的数量或顺序。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。本文所使用的“所述”、“该”为相应位置之前所提及或描述的技术特征或技术内容，该技术特征或技术内容与其所提及的技术特征或技术内容可以是相同的，也可以是相似的。

毫无疑义，与本发明的目的相违背，或者明显矛盾的技术内容或技术特征，应被排除在外。

如图1所示，本发明实施例公开一种茶叶品质等级分类方法，该分类方法主要是依据茶样的光谱获取茶样的指定内含物信息，并基于此指定内含物信息对茶样的茶叶品质进行评定。可适用于茶青鲜叶、初制品毛茶等茶叶原料，或者茶成品的等级分类，因此可以针对不同等级的茶青细化分级，如一等茶青制作成的毛茶再细分为一等一级、一等二级等，从而可细化茶叶品质定级和提高定级的解释性。其中，以红茶毛茶为例，可以采用红茶中含量>2％的茶多酚、可溶性糖、游离氨基酸、咖啡碱等内含物作为指定内含物，以这四种指定内含物为例，本茶叶品质等级分类方法包括以下步骤S10～S60：

S10、获取待测茶样的待测光谱和预设修正光谱。

在本实施例中，步骤S10中的待测光谱指的是待测茶样的近红外光谱。或者是，在获取待测茶样的近红外光谱之后，在MATLAB软件上对近红外光谱进行卷积平滑处理，所获得的待测茶样的待测光谱。

其中，待测光谱的特征波长、采样频率均与标准光谱的一致；卷积平滑处理的方式优选为Savitzky-Golay滤波，即S-G滤波平滑处理方式。利用多项式进行数据平滑，基于最小二乘法，能够保留分析信号中的有用信息，消除随机噪声，在信号光谱中最直接的结果就是将光谱的“毛刺”去掉，使得整个光谱更加平滑，从而可以提高预测精度，进而提高分类精度。

在执行步骤S10之前，需要先构建定量模型和分类模型。建模过程具体包括以下步骤S01～S04：

S01、使用常规的化学法，检测红茶毛茶训练样本中的茶多酚、可溶性糖、游离氨基酸、咖啡碱四种指定内含物的含量；

S02、将红茶毛茶训练样本研磨成粉后，利用近红外光谱仪获取对应茶粉的完整光谱，光谱波长范围为780～2526nm，采样点数为1557。在MATLAB上对完整光谱进行卷积平滑处理降噪(3阶)后，获得红茶毛茶训练样本的标准光谱；

S03、分别建立标准光谱与四种指定内含物的含量之间的定量模型，分别包括茶多酚定量模型、可溶性糖定量模型、游离氨基酸定量模型、咖啡碱定量模型。

在定量模型的构建过程中，针对不同指定内含物，对标准光谱采用不同的预处理模式以及特征选择方式以尽可能提高定量模型的预测能力，选择特征波长及波长个数依据指定内含物及其对应的最佳算法确定。

其中优选的，茶多酚定量模型的构建过程中，采用的预处理模式为使用SNV(校正方式)+自标度化(标准化方式)的预处理模式，采用的特征选择方式为利用IVSO算法提取特征波长，采用偏最小二乘法对此特征波长对应的标准光谱变量与利用化学法检测的茶多酚含量建立回归模型以得到茶多酚定量模型；

可溶性糖定量模型的构建过程中，采用的预处理模式为使用airpls(校正方式)+归一化(标准化方式)的预处理模式，采用的特征选择方式为利用VCPA—IRIV算法提取特征波长，采用偏最小二乘法对此特征波长对应的标准光谱变量与利用化学法检测的可溶性糖含量建立回归模型以得到可溶性糖定量模型；

游离氨基酸定量模型的构建过程中，采用的预处理模式为使用MSC(校正方式)+中心化(标准化方式)的预处理模式，采用的特征选择方式为使用VCPA—GA算法提取特征波长，采用偏最小二乘法对此特征波长对应的标准光谱变量与利用化学法检测的游离氨基酸含量建立回归模型以得到游离氨基酸定量模型；

咖啡碱定量模型的构建过程中，采用的预处理模式为使用MSC(校正方式)+中心化(标准化方式)的预处理模式，采用的特征选择方式为使用VCPA—IRIV算法提取特征波长，采用偏最小二乘法对此特征波长对应标准光谱变量与利用化学法检测的咖啡碱含量建立回归模型以得到咖啡碱定量模型。

S04、通过多位熟悉茶叶市场的专业品茶师对红茶毛茶训练样本的品质等级标记，至少包括三个等级：一等、二等、三等，或者一级、二级、三级，获得毛茶品质等级标记。然后依据毛茶品质等级标记，建立毛茶品质等级与四种指定内含物的含量之间的分类模型。其中，分类模型优选采用随机森林法建立。

S20、将待测光谱与预设修正光谱进行合并，获得合并矩阵。

S30、确定与多种指定内含物一一对应的多个预处理模式。

由于在建模过程中，针对不同种的指定内含物，采用了不同的预处理模式进行预处理，因此可以将这些预处理模式与其对应的指定内含物进行关联存储，从而在分类应用过程中，通过关联存储的索引获得到相应的预处理模式，以各不相同的多个预处理模式，对待测茶样的校正待测光谱分别进行预处理。

在其它一些可能的实施例中，针对不同种类的茶叶(如不同等级的茶青)，还可以通过调试使用不同的预处理模式进行预处理，进而建立合适的定量模型。因此步骤S30具体的实施方式可以包括：

确定与待测茶样相匹配的茶叶种类，获取与茶叶种类对应的目标预处理模式集合，该预处理模式集合包括该茶叶种类下各种内含物的预处理模式；

然后从目标预处理模式集合中确定出与多种指定内含物一一对应的多个预处理模式。

S40、按照每个预处理模式对合并矩阵分别进行预处理，获得与多种指定内含物一一对应的多个光谱矩阵。

步骤S40中，可以采用标准光谱的预处理过程中的预处理模式(包括预处理方式及相应预处理参数)进行预处理，预处理包括先后进行校正处理和标准化处理，预处理模式则对应包括校正方式及校正参数、标准化方式及标准化参数。具体的，先按照每个预处理模式中的校正方式及校正参数，对合并矩阵分别进行校正处理，获得与多种指定内含物一一对应的多个预处理矩阵，然后从每个预处理矩阵中抽取出与待测光谱对应的光谱矩阵，而后按照每个预处理模式中的标准化方式及标准化参数，对相应的光谱矩阵进行标准化处理，最终获得校正和标准化处理后的多个光谱矩阵。

其中，在校正处理过程中利用预设修正光谱对合并矩阵进行整体性变形修正，例如，预设修正光谱数量为待测光谱数量的多倍数，如2、4、5倍。以4倍为例，将待测光谱并入预设修正光谱中，合并后的合并矩阵A包含N个待测茶样的待测光谱以及4N个相同的预设修正光谱。然后按照每个预处理模式中的校正处理方式及校正参数，对合并矩阵A进行校正处理，获得预处理矩阵，而后从预处理矩阵中抽取出与待测光谱大小相同的N个光谱矩阵。

在预处理矩阵中，行数据代表样本，列数据代表光谱信息特征变量，因此从预处理矩阵中抽取出光谱矩阵，也即是抽取其中的行数据，以获得与待测光谱大小相同的光谱矩阵。之后再对抽出来的光谱矩阵进行标准化处理，同样是根据不同种指定内含物对应的预处理模式中的标准化方式及标准化参数进行标准化处理。因此在本实施例中，优选的通过调用对应定量模型的预处理参数，而非以待测光谱自身进行校正和标准化处理，这样在提高光谱数据显著性的同时保留与定量模型的相关信息。

S50、将每个光谱矩阵输入相应的定量模型，获得待测茶样的多种指定内含物的预测值；其中，多个定量模型与多种指定内含物一一对应。

具体的，步骤S50可以包括以下步骤S51～S52：

S51、对每个光谱矩阵进行特征变量提取，获得与多种指定内含物一一对应的多个特征光谱。

其中，光谱矩阵的列数据，与预处理矩阵同样代表光谱信息特征变量，因此提取出的特征光谱包括从相应光谱矩阵中抽取的若干列光谱信息特征变量，与光谱矩阵相比，该特征光谱的维度大大降低，通过特征变量提取，可以去除光谱矩阵中的无关信息，而抽取有用的关键变量，以提高定量模型的预测效率及准确性。

由于在建模过程中已经提取到针对不同种指定内含物的特征波长，那么在分类应用中，可以以相应的特征波长，分别进行特征变量提取，而非以统一特征波长进行特征变量提取，这样在提高光谱数据显著性的同时保留与定量模型的相关信息。也即优选的，步骤S51的具体实施方式包括：

确定与多种指定内含物一一对应的多个特征波长；将光谱矩阵中与各个特征波长对应的列数据(光谱信息特征变量)分别复制出来，获得与多种指定内含物一一对应的多个特征光谱。

进一步的，针对不同种类的茶叶，还可以通过调试使用其它特征选择方式进行获取特征波长，进而建立合适的定量模型。因此，确定与多种指定内含物一一对应的多个特征波长的具体实施方式可以包括：

确定与待测茶样相匹配的茶叶种类，获取与茶叶种类对应的目标特征波长集合，该目标特征波长集合包括该茶叶种类下各种内含物对应的特征波长；然后从目标特征波长集合中确定出与多种指定内含物一一对应的多个特征波长。

S52、将每个特征光谱输入相应的定量模型，获得待测茶样的多种指定内含物的预测值。

其中，预测值为定量模型预测出的相应指定内含物的含量值。以上述四种指定内含物茶多酚、可溶性糖、游离氨基酸、咖啡碱为例，通过各自对应的定量模型，可预测得到待测茶样中茶多酚、可溶性糖、游离氨基酸、咖啡碱各自的含量值。

S60、将待测茶样的多种指定内含物的预测值输入分类模型，获得待测茶样的品质等级分类结果。

步骤S60中，将待测茶样中茶多酚、可溶性糖、游离氨基酸、咖啡碱各自的含量值，输入分类模型，分类模型即分配到各个等级(一等、二等、三等)的概率值，然后根据最大概率值确认其等级，从而获得品质等级分类结果。

另一方面，在步骤S20中将待测光谱与预设修正光谱进行合并之后，可以对合并后的合并矩阵A求取均值光谱作为下一次检测时使用的预设修正光谱，也即执行步骤S70。

S70、计算合并矩阵的均值光谱作为新的预设修正光谱，以对预设修正光谱进行更新。

需要说明的是，在首次进行分类时，即初始的预设修正光谱可以是预先对标准光谱进行处理后得到的，具体为在建模过程中所获得的标准光谱的均值光谱。而后在每一次的分类过程中，均会以本次待测茶样对预设修正光谱进行训练更新。

因此，实施本发明实施例，在提高红茶毛茶分级的客观性，实现红茶毛茶品质定级的快速准确、无损，为实现红茶精制拼配的精细化、智能化提供支撑的同时，还可以对待测光谱进行修正，而且在修正待测光谱之后，还可以利用待测茶样的待测光谱，对预设修正光谱进行更新，作为下一待测茶样进行定级时的预设修正光谱，从而可以利用未知样本光谱训练预设修正光谱，提高预设修正光谱的准确性，进而提高茶叶品质定级的准确性。

如图2所示，本发明实施例公开一种茶叶品质等级分类装置，包括获取单元201、合并单元202、确定单元203、预处理单元204、定量单元205、定级单元206和更新单元207，其中，

获取单元201，用于获取待测茶样的待测光谱和预设修正光谱；

合并单元202，用于将待测光谱与预设修正光谱进行合并，获得合并矩阵；

确定单元203，用于确定与多种指定内含物一一对应的多个预处理模式；

预处理单元204，用于按照每个预处理模式对合并矩阵分别进行预处理，获得与多种指定内含物一一对应的多个光谱矩阵；

定量单元205，用于将每个光谱矩阵输入相应的定量模型，获得待测茶样的多种指定内含物的预测值；多个定量模型与多种指定内含物一一对应；

定级单元206，用于将待测茶样的多种指定内含物的预测值输入分类模型，获得待测茶样的品质等级分类结果；

更新单元207，用于在合并单元202将待测光谱与预设修正光谱进行合并获得合并矩阵之后，计算合并矩阵的均值光谱作为新的预设修正光谱，以对预设修正光谱进行更新。

在一些实施例中，上述定量单元205可以包括以下未图示的子单元：

提取子单元，用于对每个光谱矩阵进行特征变量提取，获得与多种指定内含物一一对应的多个特征光谱；

预测子单元，用于将每个特征光谱输入相应的定量模型，获得待测茶样的多种指定内含物的预测值。

在本实施例中，上述提取子单元，具体用于确定与多种指定内含物一一对应的多个特征波长；以及，根据每个特征波长，对相应的光谱矩阵进行特征变量提取，获得与多种指定内含物一一对应的多个特征光谱。

在本实施例中，上述确定单元，具体用于确定与待测茶样相匹配的茶叶种类；以及，获取与茶叶种类对应的目标预处理模式集合；以及，从目标预处理模式集合中确定出与多种指定内含物一一对应的多个预处理模式。

在本实施例中，上述获取单元，具体用于获取待测茶样的近红外光谱；以及，对近红外光谱进行卷积平滑处理及降噪，获得待测茶样的待测光谱。

如图3所示，本发明实施例公开一种电子设备，包括存储有可执行程序代码的存储器301以及与存储器301耦合的处理器302；

其中，处理器302调用存储器301中存储的可执行程序代码，执行上述各实施例中描述的茶叶品质等级分类方法。

本发明实施例还公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行上述各实施例中描述的茶叶品质等级分类方法。

以上实施例的目的，是对本发明的技术方案进行示例性的再现与推导，并以此完整的描述本发明的技术方案、目的及效果，其目的是使公众对本发明的公开内容的理解更加透彻、全面，并不以此限定本发明的保护范围。

以上实施例也并非是基于本发明的穷尽性列举，在此之外，还可以存在多个未列出的其他实施方式。在不违反本发明构思的基础上所作的任何替换与改进，均属本发明的保护范围。