本發明涉及一種同一品種茶鮮葉的判別方法，更具體的說涉及一種近紅外光譜判別不同栽培環境同一品種茶鮮葉的方法。

背景技術：

茶樹與當地環境是統一體。茶樹在生長發育過程中，適應了當地的生態環境條件，而這些生態環境則關系著茶樹的生存，對茶樹的形態、結構、生理、生化特性都有重要影響。因此，同一品種的茶樹在不同的栽培環境下，其鮮葉的理化性狀是存在些許不同的。但是，目前還沒有一種準確、無損的判別不同栽培環境下的同一品種茶鮮葉的方法。

技術實現要素：

本發明的目的在于針對目前沒有一種判別不同栽培環境下的同一品種茶鮮葉方法的問題，提供一種近紅外光譜判別不同栽培環境同一品種茶鮮葉的方法。

為實現上述目的，本發明的技術解決方案是：一種近紅外光譜判別不同栽培環境同一品種茶鮮葉的方法，掃描獲得不同栽培環境的同一品種鮮葉樣品近紅外光譜，然后對鮮葉樣品光譜進行主成分分析，再以主成分為輸入值建立多種信息傳遞方式的不同栽培環境鮮葉的人工神經網絡預測模型判定鮮葉的不同栽培環境，具體包括以下步驟：

步驟一、鮮葉樣品采集與分類

分別采集兩種不同栽培環境的同一品種茶鮮葉樣品，依據栽培環境不同，將樣品隨機劃分為校正集和驗證集2個集合；

步驟二、光譜采集

應用傅里葉型近紅外光譜儀掃描獲得全部鮮葉樣品的近紅外光譜；

步驟三、光譜預處理

應用化學計量學軟件對全部鮮葉樣品的近紅外光譜進行求導和平滑預處理，然后將鮮葉樣品光譜轉化為成對的數據點；

步驟四、鮮葉樣品光譜主成分分析

應用Matlab軟件對全部鮮葉樣品的光譜數據進行主成分分析，求得全部鮮葉樣品光譜數據的得分Score1值和Score2值，主成分數及其貢獻率；

步驟五、建立人工神經網絡預測模型

以校正集樣品光譜的前3個主成分為輸入值，以兩種不同栽培環境的同一品種茶鮮葉樣品為輸出值，經過反復優化，建立standard nets、jump connection nets和Jordan-Elman nets三種信息傳遞方式鮮葉不同栽培環境人工神經網絡預測模型，比較該三種模型相關系數R和交互驗證均方根方差RMSECV值，

其中相關系數R公式為：

交互驗證均方根方差RMSECV公式為：

式中，R為相關系數，n表示樣本數，y_i和y_i’分別為樣品集中第i個樣品的栽培環境實測值和栽培環境預測值，為樣品集中第i個樣品的實測值的平均值，式中i≤n，

其中以相關系數R最大和交互驗證均方根方差RMSECV最小的模型為最佳模型，經比較后得到最佳校正集模型；

步驟六、模型驗證

為避免出現過度擬合現象，應用驗證集樣品對得到的三種校正集模型預測效果進行檢驗，所得結果用相關系數R和驗證集均方差RMSEP表示，其中相關系數R越大和驗證集均方差RMSEP越小則表示檢驗效果越好，此時若得到的近紅外光譜的栽培環境預測值與栽培環境實測值基本一致，則表示對驗證集樣品的預測效果很好，最佳校正集模型可以準確的預測鮮葉樣品的不同栽培環境，

其中驗證集均方差RMSEP公式為：

式中，n表示樣本數，y_i和y_i’分別為樣品集中第i個樣品的栽培環境實測值和栽培環境預測值，式中i≤n。

所述的步驟一中鮮葉樣品數量為100份，兩種不同栽培環境鮮葉樣品各50個，鮮葉樣品按照7:3的比例隨機劃分為校正集和驗證集。

所述的步驟一中采摘的鮮葉樣品為芽，第一葉、第二葉、第三葉、一芽一葉、一芽二葉和一芽三葉。

所述步驟二中的傅里葉型近紅外光譜儀為用美國賽默飛·世爾Antaris Ⅱ型傅里葉近紅外光譜儀，光譜掃描范圍4000-10000cm^-1，分辨率8cm^-1，檢測器為InGaAs，每個樣品采集10次光譜，每次掃描64次，取10次采集光譜的平均值作為該樣品的最終光譜。

所述步驟三中的化學計量學軟件為TQ Analyst 9.4.45軟件和OPUS 7.0軟件。

與現有技術相比，本發明的有益效果：

本發明中基于近紅外光譜技術，結合主成分分析和多種信息傳遞方式的人工神經網絡模型判定不同栽培環境同一品種鮮葉，實現了不同栽培環境同一品種茶鮮葉的快速、準確、無損判定，有效的解決了不同栽培環境同一品種茶鮮葉判定難的問題，研究結果為探討茶樹與當地栽培生態環境間的互相作用關系提供了一種新思路。

附圖說明

圖1是本發明中全部100個鮮葉樣品光譜圖。

圖2是本發明中恩施市和咸豐縣龍井43鮮葉樣品Scores1值和Scores2值空間分布圖。

圖3是本發明中standard nets信息傳遞人工神經網絡結構。

圖4是本發明中jump connection nets信息傳遞人工神經網絡結構。

圖5是本發明中Jordan-Elman nets信息傳遞人工神經網絡結構。

具體實施方式

以下結合附圖說明和具體實施方式對本發明作進一步的詳細描述。

一種近紅外光譜判別不同栽培環境同一品種茶鮮葉的方法，掃描獲得不同栽培環境的同一品種茶鮮葉近紅外光譜，然后對樣品光譜進行主成分分析，再以主成分為輸入值建立多種信息傳遞方式的不同栽培環境鮮葉的人工神經網絡預測模型判定鮮葉的不同栽培環境。具體包括以下步驟：

步驟一、鮮葉樣品采集與分類

分別采集兩種不同栽培環境的同一品種茶鮮葉樣品，依據栽培環境不同，將樣品隨機劃分為校正集和驗證集2個集合；其中驗證集鮮葉樣品用于檢驗鮮葉不同栽培環境校正集預測模型的穩健性。

步驟二、光譜采集

應用傅里葉型近紅外光譜儀(FT-NIR)掃描獲得全部鮮葉樣品的近紅外光譜。

近紅外光譜(NIRS)是一種介于可見光區和中紅外光區之間的電磁波，具有快速、準確和無需預處理等特點，目前已經廣泛應用于農業、石化行業、紡織業、醫藥行業和煙草行業中。在茶葉應用領域中，近紅外光譜技術已經成功的實現了對咖啡堿、茶多酚總量的預測及對茶溯源地的判定等。

步驟三、光譜預處理

應用化學計量學軟件對全部鮮葉樣品的近紅外光譜進行求導和平滑等預處理，然后將鮮葉樣品光譜轉化為成對的數據點，用于后續建立鮮葉產地校正集預測模型和驗證集模型。

步驟四、鮮葉樣品光譜主成分分析(PCA)

應用Matlab軟件對全部鮮葉樣品的光譜數據進行主成分分析，求得全部鮮葉樣品光譜數據的得分Score1值和Score2值，主成分數及其貢獻率。

步驟五、建立人工神經網絡(BP-ANN)預測模型

以校正集樣品光譜的前3個主成分為輸入值，以兩種不同栽培環境的同一品種茶鮮葉樣品為輸出值，經過反復優化，建立standard nets、jump connection nets和Jordan-Elman nets三種信息傳遞方式鮮葉不同栽培環境人工神經網絡預測模型，比較該三種模型相關系數R和交互驗證均方根方差RMSECV值，

其中相關系數R公式為：

交互驗證均方根方差RMSECV公式為：

式中，R為相關系數，n表示樣本數，y_i和y_i’分別為樣品集中第i個樣品的栽培環境實測值和栽培環境預測值，為樣品集中第i個樣品的實測值的平均值，式中i≤n，

其中以相關系數R最大和交互驗證均方根方差RMSECV最小的模型為最佳模型，該模型精度最高，經比較后得到最佳校正集模型。

步驟六、模型驗證

為避免出現過度擬合現象，應用驗證集樣品對得到的三種校正集模型預測效果進行檢驗，即是用已經得到的三種校正集預測模型來預測驗證集樣品的鮮葉栽培環境預測值是否與已經知道的實測值是否一致。所得結果用相關系數R和驗證集均方差RMSEP表示，其中相關系數R越大和驗證集均方差RMSEP越小則表示檢驗效果越好；結果用驗證集樣品的數據進行表達，此時若得到的近紅外光譜的栽培環境預測值與栽培環境實測值基本一致，則表示對驗證集樣品的預測效果很好，最佳校正集模型可以準確的預測鮮葉樣品的不同栽培環境。

其中驗證集均方差RMSEP公式為：

式中，n表示樣本數，y_i和y_i’分別為樣品集中第i個樣品的栽培環境實測值和栽培環境預測值，式中i≤n。

具體的，所述的步驟一中鮮葉樣品數量為100份，兩種不同栽培環境鮮葉樣品各50個，鮮葉樣品按照7:3的比例隨機劃分為校正集和驗證集。

具體的，所述的步驟一中采摘的鮮葉樣品為芽，第一葉、第二葉、第三葉、一芽一葉、一芽二葉和一芽三葉。

具體的，所述步驟二中的傅里葉型近紅外光譜儀為用美國賽默飛·世爾Antaris Ⅱ型傅里葉近紅外光譜儀，光譜掃描范圍4000-10000cm^-1，分辨率8cm^-1，檢測器為InGaAs，每個樣品采集10次光譜，每次掃描64次，取10次采集光譜的平均值作為該樣品的最終光譜。

具體的，所述步驟三中的化學計量學軟件為TQ Analyst 9.4.45軟件和OPUS 7.0軟件。

具體實施例一：

(1)鮮葉樣品采集與分類

分別采集湖北省恩施市和咸豐縣的龍井43茶鮮葉樣品共100個，其中恩施市和咸豐縣龍井43鮮葉樣品各50個。采摘時間為2015年3月30日-4月5日；采摘的鮮葉樣品為芽，第一葉、第二葉、第三葉、一芽一葉、一芽二葉和一芽三葉。依據栽培地點不同，將樣品隨機劃分為校正集和驗證集2個集合，其中校正集70個樣品(恩施市和咸豐縣龍井43鮮葉樣品各35個)；驗證集樣品30個(恩施市和咸豐縣龍井43鮮葉樣品各15個)，驗證集用于檢驗校正集模型的穩健性。

(2)光譜采集

參見圖1，采用美國賽默飛·世爾Antaris Ⅱ型傅里葉近紅外光譜儀(FT-NIR)，選用積分球漫反射光學平臺；光譜掃描范圍4000-10000cm^-1；分辨率8cm^-1，檢測器為InGaAs。每個樣品采集10次光譜，每次掃描64次，取10次采集光譜的平均值作為該樣品的最終光譜。光譜采集前，將該光譜儀預熱1h，保持室內溫度和濕度基本一致后，將鮮葉樣品裝入與該儀器配套的旋轉杯中采集光譜，全部鮮葉樣品光譜參見圖1。

(3)光譜預處理

在光譜采集過程中，通常會產生高頻噪聲和基線漂移等影響模型預測效果的噪聲信息，因此，在建立校正集模型前需要對光譜進行預處理。因此應用化學計量學軟件TQ Analyst 9.4.45軟件和OPUS 7.0軟件對全部鮮葉樣品的近紅外光譜進行求導和平滑等預處理；然后將鮮葉樣品光譜轉化為1557對數據點，用于后續數據分析，建立判別模型。

(4)鮮葉光譜主成分分析(PCA)

應用Matlab軟件對全部鮮葉光譜進行主成分分析，求得主成分數及其貢獻率。前8個主成分的貢獻率分別如下：

表1前8個主成分貢獻率

從表1可以看出，PC1貢獻率最大，為91.53％，從PC1—PC8主成分貢獻率急劇降低，PC8貢獻率僅為0.01％。其中，PC1，PC2和PC3三個主成分的累計貢獻率為99.76％，完全可以代表上述光譜信息，用于后續數據分析。

根據上述主成分分析求得的全部鮮葉樣品光譜數據的得分Score1值和Score2值信息，得到得到恩施市和咸豐縣龍井43鮮葉樣品的空間位置分布圖，具體參見圖2。

從圖2可以看出，恩施市龍井43鮮葉樣品絕大部分分布在第一、第二象限，咸豐縣龍井43鮮葉樣品絕大部分分布在第三、四象限，有少部分樣品與恩施市龍井43鮮葉有交叉分布，混雜在一起。因此，僅應用主成分分析求得樣品scores1和scores2值進而確定其空間位置的方法無法達到準確判別恩施市和咸豐縣龍井43鮮葉樣品的目的。

(5)建立人工神經網絡(BP-ANN)預測模型

在建立人工神經網絡模型時，要求盡可能的減少輸入變量，但還要盡可能多的代表原始光譜數據信息，因此，選擇以上述主成分分析法篩選的前3個主成分(累計貢獻率為99.76％)為輸入值，以恩施市和咸豐縣龍井43鮮葉樣品類型為輸出值(恩施市龍井43樣品值為1.0000，咸豐縣龍井43鮮葉樣品值為2.0000)，經過反復優化，建立不同栽培環境的同一品種茶鮮葉樣品的人工神經網絡預測模型。在建立模型的過程中，由于人工神經網絡模型內部信息傳遞方式的不同，而導致建立模型的預測效果也會產生較大差異。在建模過程中，分別比較了standard nets、jump connection nets和Jordan-Elman nets三種信息傳遞方式人工神經網絡模型的預測效果，具體參見圖3，通過將前3個主成分分別輸入到3種人工神經網絡模型中，比較該三種模型相關系數R和交互驗證均方根方差RMSECV值，得到了最佳校正集預測模型。最佳校正集模型為Jordan-Elman nets傳遞方式人工神經網絡模型，R為0.945，RMSECV為0.169。

(6)模型驗證

為避免出現過度擬合現象，應用驗證集30份樣品對三種校正集模型進行檢驗，所得結果用相關系數R和驗證集均方差RMSEP表示，具體參見下面的表2：

表2 3種人工神經網絡模型建模結果比較

從表2可以看出，恩施市和咸豐縣龍井43鮮葉樣品standard nets結構人工神經網絡模型校正集相關系數R為0.710，交互驗證均方根方差RMSECV為0.441，當用驗證集樣品進行檢驗時，得到驗證集模型R為0.584，RMSEP為0.468。恩施市和咸豐縣龍井43鮮葉jump connection nets結構人工神經網絡模型校正集R為0.734，RMSECV為0.358，當用驗證集樣品進行檢驗時，得到驗證集模型R為0.604，RMSEP為0.452。恩施市和咸豐縣龍井43鮮葉Jordan-Elman nets結構人工神經網絡模型校正集R為0.945，RMSECV為0.169，當用驗證集樣品進行檢驗時，得到驗證集模型R為0.894，RMSEP為0.224。可見，在建立的3種信息傳遞方式人工神經網絡模式中，以Jordan-Elman nets結構模型最優，而standard nets結構模型和jump connection nets結構模型預測結果較為接近，預測效果不是很理想。

應用最佳Jordan-Elman nets結構模型對30個驗證集鮮葉樣品進行預測，判別結果具體見表3。從表3可以看出，最佳校正集模型可以準確的預測未知鮮葉樣品的栽培地，達到了較為理想的預測效果，判定準確率為100％。可見，Jordan-Elman nets結構人工神經網絡模型可以實現不同栽培環境鮮葉樣品的快速、準確判別。

表3 30個驗證集樣品預測結果

本發明應用近紅外光譜技術，先掃描獲得鮮葉樣品的近紅外光譜，有效降低噪聲信息后，對樣品光譜進行主成分分析求得Score1值和Score2值，但還不能完全區分2類不同栽培環境的鮮葉樣品；接著采用具有良好非線性特性的人工神經網絡方法，以前3個主成分為輸入值，建立了standard nets、jump connection nets和Jordan-Elman nets三種結構的不同栽培環境的鮮葉人工神經網絡模型，得到以Jordan-Elman nets結構模型預測效果最佳，驗證集模型R為0.894，RMSEP為0.224。實現了不同栽培環境同一品種茶鮮葉的快速、準確判別，有效的解決了不同栽培環境同一品種茶鮮葉判定存在的難題。同時，研究結果也為探討茶樹與當地栽培生態環境間的互相作用關系提供了一種新思路。

以上內容是結合具體的優選實施方式對本發明所作的進一步詳細說明，不能認定本發明的具體實施只局限于這些說明。對于本發明所屬技術領域的普通技術人員來說，在不脫離本發明構思的前提下，還可以做出若干簡單推演或替換，上述結構都應當視為屬于本發明的保護范圍。