买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江工业大学

摘要：本发明属于红茶发酵技术领域，公开了一种基于数据增强和标签生成的发酵红茶儿茶素定量方法，包括以下步骤：S1.实验平台搭建；S2.发酵红茶图像数据采集与儿茶素测定；S3.发酵红茶光谱与标签数据生成；S4.生成数据质量评估；S5.数据增强效果评估。本发明提出的方法利用光谱学和机器学习做到了快速无损的检测，本方法节省了成本以及时间；本发明提出的DCGAN‑L模型相比直接利用DCGAN同时生成光谱加标签，生成的数据更加接近真实数据，不存在异常分布情况；DCGAN‑L模型，可以推广应用于各类茶叶发酵领域，以及机器学习数据增强领域，在准确定量茶类物质发酵过程中化学值含量方面潜力巨大。

主权项：1.一种基于数据增强和标签生成的发酵红茶儿茶素定量方法，其特征在于，包括以下步骤：S1.实验平台搭建：搭建实验平台，并完成设备的调试；S2.发酵红茶图像数据采集与儿茶素测定：对实验样本进行高光谱图像的数据采集，并对采集到的图像数据进行预处理，选取感兴趣区域并提取平均光谱，图像采集完成后通过超高效液相色谱对实验样本进行化学值测定；S3.发酵红茶光谱与标签数据生成：设计DCGAN-L模型，基于发酵红茶训练集数据生成假光谱数据与假标签数据；S3中用DCGAN-L模型同时生成假光谱数据及其对应的多个标签值，以扩充训练集数据样本，DCGAN-L模型包含两个生成器，分别是生成器G-Ⅰ和生成器G-Ⅱ，和一个鉴别器D，其中生成器G-Ⅰ和鉴别器D用于生成假光谱数据，生成器G-Ⅱ为假光谱数据生成标签值；S3中DCGAN-L模型中DCGAN网络结构由生成器G-Ⅰ和鉴别器D组成，生成器G-Ⅰ由连续四层反卷积层组成，DCGAN网络首先接收100×1的高斯噪声向量Z，前三层反卷积层的每一个反卷积操作后均进行批量归一化，并通过LeakyReLU激活函数处理，依次产生128×17，32×35和16×70大小的特征向量，最后一层反卷积层反卷积后接一个tanh激活函数，最终生成具有140个通道的输出光谱；鉴别器D由四层卷积层组成，其结构与生成器G-Ⅰ在顺序上呈相反，鉴别器G-Ⅰ的输入层接受1×140的光谱数据，前三层卷积后均应用LeakyReLU非线性激活函数，最后一个卷积层后接sigmoid函数，产生单一的标量，计算输入光谱被分类为真实数据的概率；S3中DCGAN-L模型中Label网络结构由人工标签生成器G-Ⅱ构成，用于给从G-Ⅰ生成的光谱数据分配标签数据，G-Ⅱ使用最近邻回归算法KNN为假光谱标记标签，将生成的假光谱和真实红茶发酵光谱映射到多维的空间中，利用KNN算法找到与假光谱数据最邻近的五个样本；找到与假光谱数据最邻近的真实光谱样本的公式如下（2）： ，（2）其中Dij表示第i个假光谱数据和第j个真实数据之间的距离，Fik表示第i个假光谱的第k个波段，而Fjk表示第j个真实光谱的第k个波段，M代表光谱波段数；对于每个假光谱，在计算所有Dij后，选择最接近假光谱的真实光谱数据点，它们的距离表示为Diz，首先根据公式（3）计算五个最接近假光谱的真实光谱距离权重Wiz，公式如下（3）： ，（3）其中Diz表示与生成的第i条假光谱最近的五条真实光谱之间的距离；然后使用以下权重公式给生成的第i条假光谱赋予标签值： ，（4）其中Lih表示第i条假光谱数据的第h个化学值，Czh表示最接近第i条假光谱的第z条真实光谱对应的第h个化学值，Wiz表示最接近第i条假光谱的第z条真实光谱对应的权重；DCGAN-L模型中生成器G-1和鉴别器D训练，基于Adam优化器，通过反向传播训练生成器G-Ⅰ和鉴别器D，当训练完成后固定生成器G-Ⅰ的参数，输入多个100*1的高斯噪声，最终生成多个假光谱数据，随后将多个假光谱数据输入到生成器G-Ⅱ中，为该批假光谱数据标注化学值标签，在训练过程中提出的DCGAN-L网络的超参数设置为：批次=4，学习率=0.0001，训练周期=5000，LeakyReLU函数的斜率=0.2；S4.生成标签数据质量评估：采用光谱相似性指标评估步骤S3中生成的假光谱数据的质量，采用显著性分析对比步骤S3中生成的假标签数据与真实标签数据分布的相似性，以评估生成标签数据的质量；S5.数据增强效果评估：用S3步骤中生成的假光谱数据对发酵红茶训练集进行数据增强，对比随机森林RF和宽度学习BLS两种回归模型在数据增强前后的模型性能，以评估数据增强对发酵红茶儿茶素定量分析的有效性。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种基于数据增强和标签生成的发酵红茶儿茶素定量方法