学位论文 > 优秀研究生学位论文题录展示
基于电子鼻技术的茶叶品质检测研究
作 者: 于慧春
导 师: 王俊
学 校: 浙江大学
专 业: 农业机械化工程
关键词: 茶叶品质 贮藏时间 电子鼻 特征提取 模式识别
分类号: TS272
类 型: 博士论文
年 份: 2007年
下 载: 780次
引 用: 10次
阅 读: 论文下载
内容摘要
我国茶叶总产量占世界第二,茶叶除了给人们带来生活的享受外,也是出口创汇的重要商品,尤其江浙一带更是以绿茶——西湖龙井,闻名遐迩!但是一直以来,对于茶叶品质的评定,国内外现普遍采用的是感官审评法。感官审评法往往受评茶师个人的经验、心理与生理等因素以及环境温度、光线、亮度等因素的影响,重复性比较差。其他各审定方法也还都处于发展完善中,存在很多的不足。这就对茶叶品质的检测和评定提出了更高的要求,要求其更加科学化和规范化。茶叶香气是决定茶叶品质的重要因子之一,而且茶叶的“香”,与“味”之间也有比较密切的关系,一般来讲有了好的香气,必然会有好的滋味。茶叶呈现的香气是多种香气成分共同作用的结果,不是某一二种物质所决定的。电子鼻技术模拟了哺乳动物的嗅觉机理,从总体上来扫描待测物质的香气成分,让人们认识到综合评价气味整体信息的巨大潜力。但是目前国内外电子鼻技术应用于茶叶方面的研究还很少。本课题将电子鼻技术用于茶叶品质的检测,着重解决对茶叶的品质等级及贮藏时间进行评定和预测时特征值提取及模式识别的问题。研究以两组茶叶样品为对象进行预备试验,在当电子鼻流速为100ml/min、茶叶样品5g的条件下,通过对电子鼻响应信号相对标准差的分析,确定较优的实验条件和参数设置。从分析结果来看,不同的顶空空间对电子鼻各传感器响应影响显著,尤其顶空容积较小和较大时差异更为显著,较大容积的顶空空间有利于保持信号的稳定。不同顶空生成时间对电子鼻各传感器影响也显著,但是差异主要来自于过长时间的静置;在较短的时间时,差异并不显著。通过对电子鼻响应最大值的分析,水蒸气对信号的影响也比较显著。并且确定电子鼻的采样和清洗时间分别为60s和70s。课题以五组不同等级的茶叶、茶水、茶底为研究对象,通过电子鼻检测并提取其各特征值,生成高维的特征向量。采用主成分及遗传算法的方法提取其相应的主成分分量及最优特征组合,构成模式识别的输入。采用线性判别分析利BP神经网络的方法进行模式识别分析,对茶叶的不同等级和贮藏时间进行判别分析和预测。线性判别分析结果显示,采用电子鼻对于干茶叶的响应信号,两种特征提取方法得到的特征向量对茶叶的不同贮藏时间的判别分析结果较好;采用电子鼻对茶水的响应信号,用前五个主成分值作为特征向量时,对茶叶等级的判别结果比较好;采用电子鼻对茶底的响应信号进行分析时,两种方法获得的特征向量,无论是对茶叶等级,还是贮藏时间的判别分析结果都不太好。BP神经网络的方法对茶叶的贮藏时间进行预测,采用干茶叶的电子鼻响应信号,对茶叶贮藏时间进行预测,所有预测样本中只有8.8%的预测误差超过10天。所有预测样品中,对于贮藏了120天的各等级茶叶预测的最大误差约为31天(T100较低等级的茶叶),对于贮藏了180天的各等级茶叶其预测的最大误差约为21天(T100较低等级的茶叶),预测结果较佳。采用茶水和茶底的电子鼻信号时,预测的误差平均值较大,预测结果相对于采用干茶叶的较差。同时对茶叶香气成份进行了分析,茶叶香气成份变化复杂,有些随着贮藏时间延长或等级降低含量减少,反之,有些增加。总之,茶叶的香型特征是多种成分,并且在一个适当比例时的结果。通过建立其多元线性回归模型,对茶叶香气成分某些主要类别以及某些主要成分的变化与电子鼻响应间的关系进行分析,探讨各类茶叶香气成分及一些主要茶叶香气成分与电子鼻响应间的关系以各类香气成分作为因变量,电子鼻各传感器的信号作为自变量,建立两者间的逐步线性回归模型,探讨了各传感器与各类香气成分间的线性关系。不同传感器与不同类的香气成分的线性相关的显著性程度不同。随传感器特性不同,有的呈显著正相关,有的呈显著负相关,有的不相关而未被引入所建立的回归模型。对各等级茶叶不同贮藏时间时的香气成分进行分析,以电子鼻各传感器的信号作为因变量,以某些被选出的随着贮藏时间含量变化比较明显的具体香气成分作为自变量,建立两者之间的多元线性关系模型。对随着贮藏时间的变化,茶叶各具体香气成分含量与相应电子鼻信号的变化之间的相关关系进行探讨。
|
全文目录
摘要 4-6 ABSTRACT 6-11 第一章 绪论 11-22 1.1 立题依据及意义 11-13 1.2 茶叶品质的国内外研究现状 13-16 1.2.1 传统茶叶品质检测及评定的研究 13-14 1.2.2 新技术、新方法在茶叶品质检测评定中的应用研究 14-16 1.3 电子鼻技术的发展及在农产品方面应用现状 16-20 1.3.1 肉类 16-17 1.3.2 油类 17-18 1.3.3 水产类 18 1.3.4 谷物及其制品 18 1.3.5 果蔬类 18-19 1.3.6 烟、酒及饮料类 19-20 1.4 本论文的主要研究内容 20-22 第二章 试验材料与方法 22-34 2.1 试验样品的来源及时间安排 22-23 2.1.1 试验样品的来源 22 2.1.2 试验内容及时间安排 22-23 2.1.3 分装与贮藏 23 2.2 茶叶香气成分的理化分析 23-24 2.2.1 气相色谱/质谱联用仪 23 2.2.2 茶叶香气成分的萃取方法 23 2.2.3 茶叶香精油中香气成分含量的计算 23-24 2.3 茶叶、茶水、茶底样品的电子鼻检测 24-26 2.3.1 电子鼻系统 24-25 2.3.2 茶叶香气成分的电子鼻检测 25 2.3.3 茶水、茶底香气成分的电子鼻检测 25-26 2.4 数据处理方法 26-33 2.4.1 数据的标准化处理 26 2.4.2 特征提取方法 26-30 2.4.3 模式识别方法 30-32 2.4.4 茶叶香气成分同电子鼻响应间回归分析 32-33 2.5 本章小结 33-34 第三章 电子鼻响应特性和香气成分检测的影响因素 34-47 3.1 电子鼻响应特性影响研究 34-44 3.1.1 样品顶空空间对电子鼻响应特性的影响 34-40 3.1.2 样品顶空生成时间对电子鼻响应特性的影响 40-43 3.1.3 水蒸气对电子鼻响应特性的影响 43-44 3.2 电子鼻检测参数的选择及优化 44-46 3.2.1 采样时间的确定 44-45 3.2.2 清洗时间的确定 45 3.2.3 EDU单元参数的确定 45-46 3.3 本章小结 46-47 第四章 特征向量的提取与选择 47-60 4.1 茶叶的特征生成 47-51 4.1.1 各时刻响应值选择 48 4.1.2 最大响应值和均值 48-49 4.1.3 各响应曲线最大斜率的计算 49-50 4.1.4 方差最大时刻的响应值 50-51 4.1.5 各响应曲线的积分值 51 4.2 茶叶样本的特征提取与选择 51-54 4.2.1 主成分分析 51-53 4.2.2 遗传算法来选择判别茶叶的最优特征向量 53-54 4.3 茶水、茶底的特征生成 54-55 4.3.1 茶水、茶底各响应曲线积分值的计算 54-55 4.3.2 茶水、茶底响应的最大值及各时刻响应值 55 4.4 茶水、茶底的特征提取与选择 55-59 4.4.1 主成分分析 55-58 4.4.2 遗传算法来选择用于判别茶水和茶底的最优特征向量组合 58-59 4.5 本章小结 59-60 第五章 茶叶、茶水、茶底的分类判别 60-83 5.1 不同品质等级茶叶样本的分类判别分析 60-67 5.1.1 Fisher线性判别方法对干茶叶等级的判别分析 60-64 5.1.2 BP神经网络方法对茶叶等级的判别分析 64-67 5.1.3 两种判别方法的比较 67 5.2 不同贮藏时间干茶叶样本的分类判别分析 67-73 5.2.1 Fisher线性判别方法对干茶叶贮藏时间的判别分析 68-69 5.2.2 BP神经网络方法对干茶叶贮藏时间的预测 69-72 5.2.3 两种特征值网络预测结果比较 72-73 5.3 不同等级茶水、茶底的分类判别分析 73-77 5.3.1 Fisher线性判别方法对茶水和茶底等级的判别分析 73-76 5.3.2 BP神经网络方法对茶水和茶底等级的判别分析 76-77 5.4 不同贮藏时间茶水、茶底样本的分类判别分析 77-81 5.4.1 Fisher线性判别方法对茶水和茶底贮藏时间的判别分析 77-79 5.4.2 BP神经网络方法对茶水和茶底贮藏时间的预测 79-81 5.4.3 BP神经网络方法对干茶叶、茶水和茶底贮藏时间的预测结果比较 81 5.5 本章小结 81-83 第六章 茶叶香气成分与电子鼻响应的相关模型 83-108 6.1 不同等级茶叶香气成分同电子鼻响应间的关系 83-92 6.1.1 不同等级茶叶香气成分 83-87 6.1.2 电子鼻对不同等级茶叶的响应 87-89 6.1.3 不同等级茶叶香气与电子鼻响应间的关系 89-92 6.2 不同贮藏时间茶叶香气成分同电子鼻响应间的关系 92-107 6.2.1 不同等级茶叶贮藏不同时间时香气成分 92-104 6.2.2 电子鼻对不同贮藏时间茶叶的响应 104-105 6.2.3 不同贮藏时间茶叶香气与电子鼻响应间的关系 105-107 6.3 本章小结 107-108 第七章 结论与展望 108-111 7.1 主要结论 108-109 7.2 本论文的主要创新性成果 109-110 7.3 论文的进一步研究方向 110-111 参考文献 111-116 致谢 116-117 研究生期间主要成果 117-118 附表 118-132
|
相似论文
- 基于流形学习的高维流场数据分类研究,V231.3
- 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
- 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
- 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
- Q学习在基于内容图像检索技术中的应用,TP391.41
- 直推式支持向量机研究及其在图像检索中的应用,TP391.41
- 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
- 基于仿生模式识别的文本分类技术研究,TP391.1
- 空间交会接近视觉测量方法研究,TP391.41
- 图像实时采集、存储与处理方法研究,TP391.41
- 唇读中的特征提取、选择与融合,TP391.41
- 多币种纸币处理技术的研究与实现,TP391.41
- 基于类Harr特征和最小包含球的纸币识别方法的研究,TP391.41
- 基于图像的路面破损识别,TP391.41
- 移动机器人视觉检测和跟踪研究,TP242.62
- 高光谱与高空间分辨率遥感图像融合算法研究,TP751
- 基于随机森林的植物抗性基因识别方法研究,Q943
- 基于图像处理技术的烟叶病害自动识别研究,S435.72
- 氮磷钾配施对茶树生理代谢和茶叶品质的影响,S571.1
- 基于视觉的番木瓜外观品质检测技术研究,S667.9
- 羊绒与羊毛纤维鉴别系统的研究,TS101.921
中图分类: > 工业技术 > 轻工业、手工业 > 食品工业 > 饮料冷食制造工业 > 茶
© 2012 www.xueweilunwen.com
|