[发明专利]一种基于近红外光谱技术预测绿茶摊青叶含水量的方法

权利要求书

1.一种基于近红外光谱技术预测绿茶摊青叶含水量的方法，其特征在于，应用近红外光谱仪、以积分球为光学平台进行扫描，具体包括以下步骤：

步骤一、摊放鲜叶的选取：

分别选取不同摊放时间的单芽、一芽一叶、一芽二叶和一芽三叶的鲜叶作为样品，然后将这些鲜叶样品随机划分为校正集和验证集；

步骤二、摊放鲜叶样品含水量的测定：

根据国家标准测定方法，用烘箱分别测定上述选取鲜叶样品的含水量；

步骤三、摊放鲜叶样品近红外光谱扫描：

a、将近红外光谱仪放置于室内，保持室内温度在20-25°，湿度在30％-50％，并预热该近红外光谱仪1h以上；

b、用该近红外光谱仪扫描摊青叶的近红外光谱，逐一对每个样品采集6条光谱，取6条采集光谱的平均值作为该样品的最终光谱；

步骤四、摊放鲜叶样品近红外光谱预测模型的建立：

a、将鲜叶样品近红外光谱全部转化为成对的数据点，以便进行数据分析；

b、利用联合区间偏最小二乘法建立水分含量预测模型：

(1)通过决定系数R²、交互验证均方根误差RMSEC、预测均方根误差RMSEV判断模型精度，R²越高，RMSEC和RMSEP越小，模型的精度越高：

R2=1-Σi=1n(yi′-yi)2Σi=1n(yii-y‾)2]]>

RMSECV=Σi=1n(yi′-yi)2n]]>

RMSEP=Σi=1n(yi-yi′)2n]]>

式中，R²为决定系数，n表示样本数，y_i和y_i’分别为样品集中第i个样品的实测值和预测值，包括校正集和预测集；为样品集中第i个样品的实测值的平均值，其中i≤n；

(2)联合区间偏最小二乘法算法步骤如下：

第一步：将样品光谱区间等分为10-25个等宽的子区间；

第二步：分别在多个子区间上建立摊青叶含水量预测模型，以RMSECV最小时建立的模型为最佳；

第三步：以RMSECV最小时的预测模型为最佳，筛选建模时的特征光谱区间，得到最终的摊青叶水分含量近红外光谱预测模型；

c、模型稳定性检验：

以验证集样品建模建立模型的稳健性，当样品的含水量与预测值非常接近时，表明所建模型的预测精度非常高，模型的预测效果非常好。