茶葉中茶多酚含量電子鼻技術檢測模型研究

張紅梅，田 輝，何玉靜，常粉玲，余泳昌

(河南農業(yè)大學機電工程學院，河南鄭州450002)

綠茶的特性決定了它較多的保留了鮮葉內的天然物質．其中茶多酚、咖啡堿保留了鮮葉的85%以上，葉綠素保留約50%，維生素損失也較少，從而形成了綠茶具有清湯綠葉，滋味收斂性強的特點．綠茶中茶多酚的含量較高，茶多酚是形成茶葉色香味的主要成分之一，也是茶葉中有保健功能的主要成分之一．茶多酚常規(guī)的檢測方法有酒石酸亞比色法、高錳酸鉀滴定法和高效液相層析法(HPLC)等．這些方法不僅周期長、費用高、易產(chǎn)生污染．很難應用于實際檢測在線分析、快速測定和無損檢測等．因此研究綠茶品質成分的快速準確測定方法具有重要的現(xiàn)實意義．近年來，隨著電子鼻技術的興起，出現(xiàn)了一種通過氣味來評價茶葉品質的快速無損新方法．電子鼻采用了人工智能技術，實現(xiàn)了由儀器“嗅覺”對產(chǎn)品進行客觀分析［1］．YANG等［2］檢測日本綠茶中濃縮香豆素的含量以及其獨特的香氣，結果表明電子鼻技術結合主成分分析和聚類分析方法能正確識別7個不同香豆素含量的茶葉樣本．CHEN等［3］利用電子鼻技術結合模式識別技術成功的對綠茶品質進行了檢測．于慧春等［4，5］采用電子鼻技術以5組不同等級的茶葉、茶水、葉底以及4個不同等級的龍井茶為研究對象，對茶葉品質進行了系統(tǒng)研究．DUTTA等［6］利用電子鼻技術對5種不同加工工藝的茶葉進行分析和評價，結果表明采用RBF的模式識別方法時，可以100%區(qū)分5種不同加工工藝的茶葉．NABARUM等［7］用電子鼻技術對紅茶發(fā)酵過程中的氣味進行實時監(jiān)測，以便預測最佳的發(fā)酵時間，避免發(fā)酵時間不當影響成品茶葉品質．張紅梅等［8］利用氣敏傳感器陣列對3個等級的信陽毛尖茶進行了檢測，結果表明利用茶葉氣味可以對信陽毛尖茶等級進行區(qū)分．近年來也有一些新技術用于茶葉的品質和內部成分的定性檢測．劉輝軍等［9］利用近紅外光譜技術檢測了茶葉的茶多酚含量．耿響等［10］利用近紅外光譜模型對茶葉咖啡堿進行了定性預測．李曉麗等［11］建立了一種基于漫反射光譜的初制綠茶含水率無損檢測方法．張紅梅等［12］利用電子鼻技術對綠茶的咖啡堿含量進行檢測．本研究將電子鼻技術用于茶葉的茶多酚含量的快速檢測，以便為茶葉品質和茶多酚快速檢測提供一種快速有效地方法．

1 材料與方法

1．1 試驗材料

茶葉樣品來自河南信陽同一茶園和采用同一加工工藝的2010年清明前信陽毛尖炒青茶，共有3個品質等級，3個等級茶葉為2010年春季采摘，1級1芽2葉初展;2，3級1芽2葉為主，兼采2葉嫩對夾葉．分別命名為T1，T2和T3:T1為1級茶葉、T2為2級茶葉、T3為3級茶葉．對3個等級的信陽毛尖茶各取30個樣品，每個樣品5 g．這些樣品分別被盛放在500 mL燒瓶內，用保鮮膜密封后，置于25℃左右的室內，60 min后進行電子鼻頂空取樣．待測茶葉樣本的揮發(fā)氣味在傳感器陣列室內與傳感器陣列反應，產(chǎn)生電信號，通過采集電路把數(shù)據(jù)采集到計算機進行處理．

1．2 化學成分測定

茶多酚的測定采用GB 8313—87《茶 茶多酚測定》，酒石酸亞鐵比色法．

1．3 電子鼻

試驗是用德國Airsense公司的PEN2電子鼻，這一電子鼻包含有l(wèi)0個金屬氧化物傳感器組成的陣列．10個傳感器名稱分別為 W1C，W5S，W3C，W6S，W5C，W1S，W1W，W2S，W2W 和 W3S，按順序依次表示為S1～S10．傳感器對不同的化學成分有不同的響應值．響應信號為傳感器接觸到樣品揮發(fā)物后的電導率G與傳感器在經(jīng)過標準活性碳過濾氣體的電導率G0的比值．測量時記錄10個不同選擇性傳感器的G/G0比值，作為進一步統(tǒng)計分析的數(shù)據(jù)．每次測量前后，傳感器都進行清洗，這有效地保證了電子鼻測量數(shù)據(jù)的穩(wěn)定性和精確度．結合電子鼻自帶WinMuster軟件對數(shù)據(jù)進行采集、測量和分析．儀器組成主要包含:傳感器通道、采樣通道、計算機．該電子鼻具有自動調整、自動校準及系統(tǒng)自動富集的功能．本試驗研究中，檢測時間設定為60 s，清洗時間設置為90 s，可以基本使傳感器響應恢復到初始狀態(tài)．

1．4 模型的建立和評價

為了能夠找到較好的預測模型，分別建立了電子鼻傳感器陣列響應信號和茶多酚含量之間的多元線性回歸模型、二次多項式逐步回歸模型和BP網(wǎng)絡模型．并以茶多酚含量的預測值和實測值之間的相關系數(shù)、預測標準誤差和平均誤差百分比為指標進行比較，以便找到能很好預測茶多酚含量的預測模型．

2 結果與分析

2．1 毛尖茶茶多酚的檢測

茶多酚(Tea polyphenols)是茶葉中多酚類物質的總稱，包括黃烷醇類、花色苷類、黃酮類、黃酮醇類和酚酸類等．茶多酚是茶葉中的重要化學成分，與茶葉品質有密切關系，對人體也具有重要生理活性，具有抗氧化作用，對心血管疾病，癌癥都有良好抑制作用［13］．圖1所示是3個等級的信陽毛尖茶茶多酚含量．從圖1可以看出，茶葉等級越高，茶多酚含量越高．

圖1 不同等級信陽毛尖茶葉的茶多酚含量Fig．1 Tea polyphenol content of different grades of Xinyangmaojian tea

2．2 氣敏傳感器陣列對茶葉氣味的響應

圖2 所示是傳感器陣列對1級茶葉的響應曲線．從圖2可以看出，傳感器S2對茶葉氣味反應比較大，響應值也比較大．傳感器S6，S7，S8和S9正向偏離1，響應值有所增強．傳感器S1，S3和S5負向偏離1，信號有所變化．傳感器S4和S10響應值基本沒有變化，所以去掉S4和S10這2個傳感器響應信號，其余的8個傳感器信號用于數(shù)據(jù)分析．從圖2可以看出，傳感器的響應值在50 s之后趨于穩(wěn)定．為了便于數(shù)據(jù)處理和正確區(qū)分，對每條響應曲線進行了特征提取，特征值選取為響應曲線的穩(wěn)定值．因為穩(wěn)定值反映了氣敏傳感器對茶葉響應的最終值，體現(xiàn)了主要特征，因此選擇60s時刻的響應信號用于數(shù)據(jù)分析．

圖2 10個傳感器對1級茶葉的響應Fig．2 Response curves of 10 sensors to tea samples of grade 1

2．3 模型的建立

2．3．1 多元線性回歸模型(MLR) MLR分析計算方法見文獻［14］．將8個傳感器對茶葉的響應信號作為自變量，化學成分茶多酚含量分別作為因變量．電子鼻系統(tǒng)所測的3個品質的茶葉:每個等級30個樣品共90個數(shù)據(jù)，從每個等級茶葉所測數(shù)據(jù)中隨機抽取25個共75個作為訓練集用于建立回歸模型，剩余的15個作為測試集用于對所建模型進行驗證．

運用多元線性回歸分析方法得到的茶多酚含量回歸模型為:

式中:TP表示茶葉化學成分茶多酚的含量;x1～x9分別表示S1～S9傳感器的信號．

對回歸方程進行檢驗，回歸方程(1)顯著性檢驗 F 值為45．14，顯著水平 P ＜0．01，相關系數(shù)為0．90，方程中各個回歸系數(shù)的偏相關系數(shù)顯著水平也小于0．01．說明所建的回歸方程是是有效的．

建立的MLR模型預測茶多酚含量與實測茶多酚含量關系如圖3所示．訓練集與測試集的實測和預測茶多酚含量的相關系數(shù)、預測標準誤差和平均相對誤差分別為 0．90，0．42，1．2% 和 0．86，0．61，2．5%．

圖3 茶葉中茶多酚含量多元線性回歸模型預測值與實測值的相關關系Fig．3 The relationship between the predicted and measured values of tea polyphenol content using the multipine linear regression model

2．3．2 二次多項式逐步回歸模型(QPSR) 采用二次多項式逐步回歸方法建立傳感器信號與茶葉茶多酚含量之間的非線性關系．即把正交試驗和回歸分析有機結合起來，在正交試驗的基礎上利用回歸分析，在給出的因素和指標之間，找到一個明確的函數(shù)表達式．在處理數(shù)據(jù)矩陣時，除原始數(shù)據(jù)外還自動生成包含數(shù)據(jù)的二次多項式．利用訓練集建立的二次多項式回歸模型為:

對回歸方程進行檢驗，回歸方程(2)顯著性檢驗F值為113．33，顯著水平 P＜0．01，相關系數(shù)為0．92，方程中各個回歸系數(shù)的偏相關系數(shù)顯著水平也小于0．01．說明所建的回歸方程是是有效的．

建立的二次多項式回歸模型預測茶多酚含量與實測茶多酚含量關系如圖4所示．訓練集與測試集的實測和預測茶多酚含量的相關系數(shù)、預測標準誤差和平均相對誤差分別為 0．94，0．11，0．99% 和0．90，0．5，1．5%．二次多項式回歸對茶葉中茶多酚含量有很好的預測結果．

圖4 茶葉中茶多酚含量二次多項式回歸模型預測值與實測值的相關關系Fig．4 The relationship between the predicted and measured values of tea polyphenol content using the quadratic polynomial step regression model

2．3．3 BP神經(jīng)網(wǎng)絡模型 網(wǎng)絡結構的設計，首先需要獲得網(wǎng)絡的輸入和目標樣本．本研究試驗樣品是3個等級的茶葉，每個樣品有30個重復共有90組，75組作為訓練集，15組作為測試集．傳感器陣列是由8個傳感器組成．茶葉茶多酚含量檢測結果作為網(wǎng)絡的輸出．采用1個具有2個隱含層BP網(wǎng)絡，輸入特征向量的分量數(shù)即8個傳感器的響應．所以本研究的BP網(wǎng)絡結構是:輸入層有8個神經(jīng)元，2個隱含層都有17個神經(jīng)元，最小訓練速率取0．9;動態(tài)參數(shù)取0.6;允許誤差取為0．000 01;Sigmoid參數(shù)取為0.9，該參數(shù)調整神經(jīng)元激勵函數(shù)形式．最大迭代次數(shù)取為5 000．

通過對傳感器陣列數(shù)據(jù)的BP網(wǎng)絡訓練，并用訓練集和測試集帶入網(wǎng)絡進行模擬．建立的BP模型預測茶多酚含量與實測茶多酚含量關系如圖5所示．訓練集與測試集的實測和預測茶多酚含量的相關系數(shù)、預測標準誤差和平均相對誤差分別為0．96，0．09，0．99%和 0．92，0．14，1．0%．BP 網(wǎng)絡對茶葉中茶多酚含量有很好的預測結果．表明系統(tǒng)對茶葉茶多酚含量的檢測具有很高的定量分析精度．

圖5 茶葉中茶多酚含量BP網(wǎng)絡模型預測值與實測值的相關關系Fig．5 The relationship between the predicted and measured values of tea polyphenol content using the BP net

2．4 MLR，QPSR和BP網(wǎng)絡模型比較

分別采用MLR，QPSR和BP神經(jīng)網(wǎng)絡3種建模方法建立了基于氣敏傳感器信號的信陽毛尖茶茶多酚含量預測模型．利用相關系數(shù)、預測標準誤差SEP和平均誤差百分比為評價指標，三者對測試集的預測結果如表1所示．由表1可知，3種建模方法對測試集的預測結果都很好，相比之下非線性建模方法二次多項式回歸和BP神經(jīng)網(wǎng)絡的預測結果要優(yōu)于MLR方法的預測結果．3種建模方法中BP神經(jīng)模型的預測效果最好，具有最大的相關系數(shù)、最小的預測誤差百分比和最小的相對誤差百分比．說明采用非線性方法來建立因素與指標之間的關系，能夠反映二者之間復雜的非線性關系以及因素之間的交互作用．3種模型中BP神經(jīng)網(wǎng)絡模型的相關系數(shù)最大，預測標準差最小，相對誤差百分比最?。纱丝梢源_定，對于本研究中信陽毛尖茶品質的電子鼻分析中，最優(yōu)模型為BP神經(jīng)網(wǎng)絡．

表1 不同模型預測結果比較Table1 Predicted results comparison of different models

3 結語

1)測試結果表明3個品質茶葉的茶多酚含量從1級到3級依次降低，說明所測樣品中的茶多酚含量與品質呈顯著的正相關．根據(jù)傳感器陣列對茶葉香氣的響應曲線，去掉2個響應不顯著的傳感器S4和S10，選擇其余的8個傳感器在60 s時刻的響應信號用建模分析．

2)采用多元線性回歸、二次多項式回歸分析和BP神經(jīng)網(wǎng)絡分別建立傳感器信號和信陽毛尖茶的茶多酚含量之間的預測模型．3種建模方法對茶多酚含量的預測結果都很好，但最優(yōu)模型為BP神經(jīng)網(wǎng)絡．基于氣敏傳感器陣列所建立的BP神經(jīng)網(wǎng)絡可以快速預測茶葉中茶多酚的含量．從而為茶葉品質的快速檢測提供了一種新的檢測方法．

3)在建模效果最好的BP網(wǎng)絡模型中，對于訓練集和測試集茶多酚含量的預測值和測試值的相關系數(shù)、預測標準誤差和平均誤差百分比分別為0．96，0．09，0．99% 和 0．92，0．14，1．0%．結果表明電子鼻技術結合有效地模式識別方法可以用于茶葉理化成分的快速檢測．

［1］ 周亦斌，王 ?。录夹g在茶葉品質評價中應用的現(xiàn)狀及趨勢［J］．茶葉科學，2004，24(2):82－85．

［2］ YANG Z Y，DONG F，SHIMIZU K，et al．Identification of coumarin-enriched Japanese green teas and their particular flavor using electronic nose［J］．Journal of Food Engineering，2009，92:312－316．

［3］ CHEN Q S，ZHAO J W，CHEN Z，et al．Discrimination of green tea quality using the electronic nose technique and the human panel test，comparison of linear and nonlinear classification tools［J］．Sensors and Actuators B，2011，159:294 －300．

［4］ 于慧春，王 ?。娮颖羌夹g在茶葉品質檢測中的應用研究［J］．傳感技術學報，2008，21(5):748－752．

［5］ 于慧春，王 俊，張紅梅，等．龍井茶葉品質的電子鼻檢測方法［J］．農業(yè)機械學報，2007，38(7):103－106．

［6］ DUTTA R，HINES E L，GARDNER J W，et al．Tea quality prediction using a tin oxide-based electronic nose:an artificial intelligence approach［J］．Sensors and Actuators B，2003，94:228－237．

［7］ NABARUN B，BIPAN T，ARUN J，et al．Preemptive identification of optimum fermentation time for black tea using electronic nose［J］．Sensors and Actuators B，2008，99:110－116．

［8］ 張紅梅，高獻坤，徐國強，等．基于氣敏傳感器陣列的茶葉等級檢測方法研究［J］．河南農業(yè)大學學報，2010，44(2):176－179．

［9］ 劉輝軍，呂 進．，張維剛，等．茶葉中茶多酚含量的近紅外光譜檢測模型研究［J］．紅外技術，2007，29(7):429－432．

［10］ 耿 響，陳 斌，葉 靜，等．茶葉咖啡堿近紅外光譜模型簡化方法［J］．農業(yè)工程學報，2009，25(10):345－349．

［11］ 李曉麗，程術希，何 勇．基于漫反射光譜的初制綠茶含水率無損檢測方法［J］．農業(yè)工程學報，2010，26(5):195－201．

［12］ 張紅梅，王 俊，余泳昌，等．基于電子鼻技術的信陽毛尖茶咖啡堿檢測方法［J］．傳感技術學報，2011，24(8):1223－1227．

［13］ 郭桂義，胡 強，劉 黎，等．信陽毛尖茶春季不同時期化學成分與品質的變化［J］．河南農業(yè)科學，2007(12):48－50．

［14］ 張紅梅．基于氣敏傳感器陣列的幾種農產(chǎn)品品質檢測研究［D］．杭州:浙江大學，2007．