基于近紅外光譜的黃山毛峰茶鮮葉品質(zhì)分析及等級(jí)快速評(píng)價(jià)

王 曼，張正竹，寧井銘，韋玲冬，李露青

（安徽農(nóng)業(yè)大學(xué)茶與食品科技學(xué)院，安徽合肥 230036）

基于近紅外光譜的黃山毛峰茶鮮葉品質(zhì)分析及等級(jí)快速評(píng)價(jià)

王 曼，張正竹*，寧井銘，韋玲冬，李露青

（安徽農(nóng)業(yè)大學(xué)茶與食品科技學(xué)院，安徽合肥 230036）

為科學(xué)分析茶鮮葉品質(zhì)，快速直觀評(píng)價(jià)鮮葉等級(jí)，采用偏最小二乘（PLS）法建立茶鮮葉中含水率、全氮量和粗纖維含量的近紅外定量模型，通過分析近紅外光譜-鮮葉內(nèi)含成分-鮮葉等級(jí)間相關(guān)性，得到鮮葉等級(jí)近紅外預(yù)測(cè)模型。結(jié)果表明，茶鮮葉中含水率、全氮量、粗纖維預(yù)測(cè)模型相關(guān)系數(shù)（RP）分別為0.9109，0.8989，0.8895，預(yù)測(cè)均方根誤差（RMSEP）為0.361，0.103，0.195，鮮葉等級(jí)NIR模型的判別率為93.10%，模型有較高的預(yù)測(cè)性能。在此基礎(chǔ)上自主研發(fā)的SNIR-2101茶葉品質(zhì)分析儀適用性良好，這為茶鮮葉品質(zhì)分析和等級(jí)快速評(píng)價(jià)提供新思路。

近紅外光譜，茶鮮葉，品質(zhì)分析，等級(jí)評(píng)價(jià)，定量模型

茶鮮葉原料質(zhì)量是茶葉品質(zhì)的基礎(chǔ)，鮮葉的準(zhǔn)確驗(yàn)收是實(shí)現(xiàn)茶葉標(biāo)準(zhǔn)化加工的前提。目前茶鮮葉原料的質(zhì)量評(píng)估主要通過感官方法進(jìn)行，所得結(jié)果易受主觀因素影響，缺乏量化的評(píng)價(jià)指標(biāo)。因此建立一種科學(xué)、客觀、便捷的茶鮮葉質(zhì)量評(píng)價(jià)方法對(duì)茶葉標(biāo)準(zhǔn)化加工，科學(xué)指導(dǎo)生產(chǎn)，合理定價(jià)，減少茶農(nóng)與生產(chǎn)加工企業(yè)之間的矛盾，都具有極其重要的作用[1-2]。

近年來，近紅外光譜技術(shù)（NIRS）已經(jīng)廣泛應(yīng)用于食品、紡織、煙草、石油化工、醫(yī)藥定性定量分析等諸多領(lǐng)域[3-6]。茶葉中兒茶素、纖維素、茶多糖等有效成分快速分析、茶葉的種類鑒別、茶葉的產(chǎn)地和真?zhèn)舞b別[7-11]等方面已經(jīng)取得了一定的研究成果。在茶鮮葉品 質(zhì) 分 析 方 面 ，王 勝 鵬 等[12]首 次 提 出 了 利 用 質(zhì) 量系數(shù)定量評(píng)價(jià)鮮葉質(zhì)量。利用NIRS技術(shù)建立茶鮮葉等級(jí)分析模型直觀評(píng)價(jià)鮮葉原料質(zhì)量的相關(guān)研究鮮有報(bào)道。

本文以黃山毛峰茶鮮葉為研究對(duì)象，利用PLS法建立茶鮮葉主要內(nèi)含成分含水率、全氮量、粗纖維含量的近紅外定量預(yù)測(cè)模型，通過人工神經(jīng)網(wǎng)絡(luò)（BPANN）算法分析近紅外光譜-鮮葉內(nèi)含成分-鮮葉等級(jí)間相關(guān)性，實(shí)現(xiàn)利用近紅外光譜技術(shù)建立黃山毛峰茶鮮葉等級(jí)分析模型，為茶鮮葉原料質(zhì)量快速、量化評(píng)價(jià)提供新的思路。

1 材料與方法

1.1 材料與儀器

春茶樣品 2012年4月3日~2012年5月12日于黃山謝裕大楊村茶廠收集春茶樣品300份，按表1的不同拼配比例得到標(biāo)準(zhǔn)等級(jí)茶鮮葉樣品231份，含特一級(jí)39份，特二級(jí)38份，特三級(jí)40份，一級(jí)46份，二級(jí)37份，三級(jí)36份，另外收集原樣46份，單芽樣23份。

表1 標(biāo)準(zhǔn)等級(jí)黃山毛峰茶鮮葉原料拼配比例（%）Table 1 Mixing ratio of tea materials（%）

FA 1104A型電子天平 上海精天電子儀器有限公司；JFSD-100-Ⅱ型高速手提式粉碎機(jī) 上海嘉定糧油儀器有限公司；DHG-9240A型電熱恒溫鼓風(fēng)干燥箱 上海精宏實(shí)驗(yàn)設(shè)備有限公司；KO5200E型超聲波清洗器 昆山市超聲波儀器有限公司；艾科普純水機(jī) 重慶頤洋企業(yè)發(fā)展有限公司；UDK-159型全自動(dòng)凱式定氮儀 意大利VELP公司；DK 8S型消化爐 意大利VELP公司；FIWE6型纖維素測(cè)定儀及全套配件反射板 意大利VELP公司；KSW-4D-11型箱式電阻爐溫度控制器 上海躍進(jìn)醫(yī)療器械廠；SNIR-2101型茶葉品質(zhì)分析儀 采用由合肥美亞光電有限責(zé)任公司與安徽農(nóng)業(yè)大學(xué)茶葉重點(diǎn)實(shí)驗(yàn)室聯(lián)合研制的。

1.2 樣品近紅外光譜采集

稱取樣品約50g裝入旋轉(zhuǎn)樣品杯中，用壓樣器壓實(shí)后采集光譜。光譜掃描波長(zhǎng)為900～1700nm，分辨率為3nm，每份樣品旋轉(zhuǎn)8次，每次光譜掃描時(shí)間為16s，系統(tǒng)自動(dòng)計(jì)算8條光譜平均值作為該鮮葉樣品的光譜。裝樣時(shí)，保證鮮葉鋪滿樣品杯杯底不留縫隙，并避免表面積過大的單片葉平鋪在杯底，壓樣時(shí)力度適中保證鮮葉均勻放置，且厚度一致。樣品裝好后通過軟件控制儀器掃描光譜。

1.3 化學(xué)測(cè)定方法

茶鮮葉含水率測(cè)定：GB/T 8304-2002 《茶水分測(cè)定》。

茶鮮葉全氮量測(cè)定：GB/T5009.5-2010《食品中蛋白質(zhì)的測(cè)定方法》。

表2 茶鮮葉樣本含水量、全氮量及粗纖維含量測(cè)定結(jié)果Table 2 Contents of moisture，total nitrogen and crude fiber in tea leaf samples

表3 茶鮮葉主要內(nèi)含成分NIR模型校正集與驗(yàn)證集結(jié)果Table 3 Results of different NIRS models

茶鮮葉粗纖維含量測(cè)定：GB/T8310-2002《茶葉中粗纖維的測(cè)定方法》。

對(duì)待測(cè)樣品的兩個(gè)平行樣進(jìn)行4次測(cè)定，保證同一樣品的兩次測(cè)定誤差不得超過允許的誤差范圍，取4次測(cè)定的平均值作為樣品的化學(xué)分析值。

1.4 數(shù)據(jù)分析方法

1.4.1 偏最小二乘（PLS）法 采用偏最小二乘法（PLS）作為建立模型的多元校正方法，通過OPUS定量分析軟件完成光譜數(shù)據(jù)的處理、模型的建立和驗(yàn)證。通過比較建模參數(shù)（光譜預(yù)處理方法、譜區(qū)范圍和主成分?jǐn)?shù)）的不同組合對(duì)組分含量校正模型結(jié)果的影響，最終確定各組分的最優(yōu)定量分析模型。以組分的實(shí)測(cè)值與預(yù)測(cè)值的決定系數(shù)（R2）、交叉驗(yàn)證均方差（RMSECV）、預(yù) 測(cè) 相 關(guān) 系 數(shù)（RP）、預(yù) 測(cè) 均 方 差（RMSEP）和相對(duì)分析誤差（RPD）作為評(píng)價(jià)模型預(yù)測(cè)效果的指標(biāo)。RP、R2越大，RMSECV、RMSEP越小，建立的模型越可靠。一般認(rèn)為RPD作為評(píng)價(jià)校正模型預(yù)測(cè)能力的指標(biāo)，模型RPD 5～7之間為好，3～5之間為普通[13-16]。

1.4.2 人工神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）是通過人工建立的以有向圖形組成拓?fù)浣Y(jié)構(gòu)的動(dòng)態(tài)系統(tǒng)。通過輸入連續(xù)或離散的初始信息，進(jìn)行計(jì)算后按誤差逆?zhèn)鞑ィ╞ack propagation，BP）算法的前饋神經(jīng)網(wǎng)絡(luò)，最終實(shí)現(xiàn)輸出和輸入之間的高度非線性映射，要求輸入的變量少。通過不斷學(xué)習(xí)和修正，使網(wǎng)絡(luò)的學(xué)習(xí)誤差達(dá)到最小[14，17-19]。本文主要運(yùn)用人工神經(jīng)網(wǎng)絡(luò)算法分析茶鮮葉主要內(nèi)含成分與鮮葉等級(jí)之間的相關(guān)性。

2 結(jié)果與分析

2.1 茶鮮葉內(nèi)含成分NIR定量模型的建立

2.1.1 樣品集的選擇與劃分 對(duì)收集的所有樣品，剔除化學(xué)測(cè)定值和光譜數(shù)據(jù)有較大誤差的異常樣品，選擇的建模樣品數(shù)至少大于100份，以3∶1的比例分成校正集和驗(yàn)證集，其中極值點(diǎn)必須納入校正集中，各組分校正集和驗(yàn)證集的最大值、最小值及平均值見表2。

2.1.2 定量模型建立 利用OPUS軟件，采用PLS法通過交差驗(yàn)證分別建立茶鮮葉含水率、全氮量、粗纖維含量近紅外定量預(yù)測(cè)模型。比較不同預(yù)處理方法的建模效果，通過軟件自動(dòng)選擇RMSECV最小時(shí)主成分因子數(shù)作為模型最佳主成分?jǐn)?shù)，得到主要內(nèi)含成分的最優(yōu)建模結(jié)果如圖1及表3所示。

圖1 茶鮮葉含水率、全氮量、粗纖維含量近紅外預(yù)測(cè)模型結(jié)果Fig.1 Results of different NIRS models

2.2 內(nèi)含成分-等級(jí)相關(guān)性分析

將主要內(nèi)含成分含量作為BP的輸入節(jié)點(diǎn)，分別從含水率、全氮量、粗纖維含量中任意選擇兩個(gè)組合和三個(gè)組合作為輸入，主要輸出節(jié)點(diǎn)為標(biāo)準(zhǔn)六個(gè)等級(jí)值，通過多次建模實(shí)驗(yàn)，訓(xùn)練過程中的學(xué)習(xí)因子和動(dòng)量因子都置為0.1，模型中間層單元數(shù)通過訓(xùn)練的結(jié)果來優(yōu)化，結(jié)果表明以含水率、全氮量、粗纖維含量三個(gè)主要內(nèi)在成分含量作為輸入，隱含層節(jié)點(diǎn)取8時(shí)，建立等級(jí)模型輸出預(yù)測(cè)結(jié)果效果達(dá)到最好。故建立一個(gè)3輸入節(jié)點(diǎn)-8隱含層節(jié)點(diǎn)-1輸出節(jié)點(diǎn)的三層BP-ANN模型，見圖2，該等級(jí)模型的相關(guān)系數(shù)達(dá)到0.9644。

圖2 主要內(nèi)含成分-等級(jí)相關(guān)性模型結(jié)果Fig.2 Relationships between actual value and network prediction

2.3 鮮葉等級(jí)NIR評(píng)價(jià)模型的建立

建模結(jié)果如下：剔除異常樣品后，選擇同一批次收集的六個(gè)標(biāo)準(zhǔn)等級(jí)的樣品128份，建模樣品數(shù)99份，驗(yàn)證集29份，光譜經(jīng)消除常數(shù)偏移量預(yù)處理，建模譜區(qū)為13282.9～12016.4、10190.4～9134.9、8638.9～7287.9、6844.6～5831.3cm-1。最佳主成分?jǐn)?shù)選擇10，采用PLS法內(nèi)部交叉驗(yàn)證建立校正模型，結(jié)果如圖3所示。

圖3 茶鮮葉等級(jí)近紅外光譜分析模型結(jié)果Fig.3 Results of tea leaves’class NIR model

選擇29個(gè)樣品對(duì)鮮葉等級(jí)NIR模型進(jìn)行外部驗(yàn)證，當(dāng)模型預(yù)測(cè)值與真值差的絕對(duì)值小于0.5時(shí)，能夠達(dá)到等級(jí)劃分與判別，由此判定模型預(yù)測(cè)正確，結(jié)果（見表4）顯示，等級(jí)模型的判別率為93.10%。表明利用近紅外光譜法對(duì)黃山毛峰茶鮮葉原料進(jìn)行等級(jí)量化評(píng)價(jià)是有效可行的。

表4 鮮葉等級(jí)預(yù)測(cè)結(jié)果Table 4 Predicted result of class model

茶葉的內(nèi)含成分是一個(gè)客觀值，由于這些客觀成分（如水分、含氮量等）分子的振動(dòng)，轉(zhuǎn)化為對(duì)光的吸收，所以將茶鮮葉的內(nèi)含成分與其吸收光譜建立了一一對(duì)應(yīng)的數(shù)據(jù)庫(kù)，通過PLS法建立有效的NIR定量分析模型。另一方面，標(biāo)準(zhǔn)等級(jí)鮮葉原料依照DB34/T871-2008《黃山毛峰茶清潔化加工技術(shù)規(guī)程》中鮮葉分級(jí)標(biāo)準(zhǔn)對(duì)黃山毛峰茶鮮葉原料進(jìn)行拼配分級(jí)[20]，BP-ANN模型結(jié)果表明內(nèi)含成分與鮮葉等級(jí)之間具有很好的相關(guān)性。因而直接建立茶鮮葉等級(jí)的近紅外預(yù)測(cè)模型是可行的。上述研究結(jié)果表明利用近紅外光譜分析技術(shù)進(jìn)行黃山毛峰茶鮮葉品質(zhì)分析和等級(jí)評(píng)價(jià)是有效可行的。

在此基礎(chǔ)上，合肥美亞光電技術(shù)股份有限公司與安徽農(nóng)業(yè)大學(xué)共同研制了SNIR-2101近紅外茶葉品質(zhì)分析儀，該儀器主要技術(shù)參數(shù)如下：尺寸460mm× 418mm×310mm，重20kg，波長(zhǎng)范圍為900~1700nm，光譜分辨率為3nm，光源壽命大于2000h，通道接口為USB/RS232，參考校正附件為聚四氟乙烯白板，還包括測(cè)樣附件旋轉(zhuǎn)樣品杯。2013年4月該儀器在黃山謝裕大茶葉有限公司投入試用，對(duì)茶鮮葉主要內(nèi)含成分和等級(jí)的檢測(cè)結(jié)果如表5所示，預(yù)測(cè)準(zhǔn)確性較好，實(shí)現(xiàn)了對(duì)茶鮮葉主要內(nèi)含成分和等級(jí)的快速評(píng)價(jià)，且儀器操作簡(jiǎn)易，檢測(cè)速度快，顯示結(jié)果直觀準(zhǔn)確。

表5 茶葉品質(zhì)分析儀檢測(cè)結(jié)果Table 5 Test results of NIRS analyzer

3 結(jié)論

本文采用偏最小二乘法，建立了黃山毛峰茶鮮葉含水率、全氮量、粗纖維含量和等級(jí)的近紅外定量分析模型，達(dá)到了利用近紅外光譜技術(shù)有效預(yù)測(cè)黃山毛峰茶鮮葉主要內(nèi)含成分和等級(jí)評(píng)價(jià)的目的。筆者設(shè)想此途徑可應(yīng)用于其他茶類的鮮葉品質(zhì)分析和等級(jí)評(píng)估，通過模型擴(kuò)充，使其適應(yīng)一大類茶葉的等級(jí)評(píng)估，另一方面可嘗試應(yīng)用于干茶品質(zhì)分析和等級(jí)評(píng)價(jià)。

[1]謝麗娟，劉東紅，張宇環(huán)，等.分辨率對(duì)近紅外光譜和定量分析的影響研究[J]. 光譜學(xué)與光譜 分析，2007，27（8）：1487-1450.

[2]周小芬，葉陽(yáng)，周竹定，等.基于近紅外光譜法的大佛龍井茶品質(zhì)評(píng) 價(jià)研究[J]. 光譜 學(xué)與光譜 分析，2012，32（11）：2971-2973.

[3]王晶，孫國(guó)英，潘安龍，等.利用近紅外光譜法測(cè)定玉米皮渣中的木質(zhì)素，灰分及蛋白質(zhì)[J]. 光譜實(shí)驗(yàn)室，2012，29（4）：1975-1978.

[4]寧井銘，張正竹，毛小文，等.近紅外光譜技術(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)判別普洱茶發(fā)酵程度[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29（11）：254-257.

[5]任廣鑫，張正竹，寧井銘，等.基于ATR校正的紅茶成分近紅外光譜無損檢測(cè)[J].光譜實(shí)驗(yàn)室，2012，29（4）：2149-2153.

[6]牛曉穎，邵利敏，趙志磊，等.基于BP－ANN的草莓品種近紅外光譜無損鑒別方法研究[J]. 光譜學(xué)與光譜分析，2012，32（8）：2094-2097.

[7]王毅，馬翔，溫亞東，等.應(yīng)用近紅外光譜分析不同年度工業(yè)分級(jí)煙葉的特性[J]. 光譜學(xué)與 光譜分析 ，2012，32（11）：3013-3016.

[8] 周健，成浩，賀巍，等. 基于近紅外的 Fisher 分類法識(shí)別茶葉原料品種的研究[J]. 光譜學(xué)與光譜分析，2009，10（1）：2559-2562.

[9]陳全勝，趙杰文，張海東，等.基于支持向量機(jī)的近紅外光譜鑒別茶葉的真?zhèn)蝃J]. 光學(xué)學(xué)報(bào)，2006，26（6）：932-935.

[10]王玉霞，徐榮榮，任廣鑫，等.綠茶茶湯中主要品質(zhì)成分近紅 外定 量 分 析 模型的建立[J]. 茶葉 科 學(xué) ，2011，31（4）：354-357.

[11]李曉麗，何勇，裘正軍，等.一種基于可見近紅外光譜快速鑒別茶葉品種的新方法[J]. 光譜學(xué)與光譜分析，2007，27（2）：278-281.

[12]王勝鵬，宛曉春，林茂先，等.基于水分、全氮量和粗纖維含量的茶鮮葉原料質(zhì)量近紅外評(píng)價(jià)方法[J]. 茶葉科學(xué)，2011，31（1）：66-71.

[13] 任廣鑫，范起業(yè)，何鑫，等. 近紅外光譜（NIRS）技術(shù)在茶葉領(lǐng)域研究中的應(yīng)用與展望[J]. 中國(guó)茶葉加工，2013（1）：22-25.

[14]陳波，靳保輝，梁宏，等.近紅外光譜技術(shù)與聚類分析鑒別中國(guó)名茶[J]. 光譜實(shí)驗(yàn)室，2012，29（5）：2900-2903.

[15]吳江，黃富榮，黃才歡，等.近紅外光譜結(jié)合主成分分析和BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)基因大豆無損鑒別研究[J].光譜學(xué)與光譜分析，2013，33（6）：1537-1540.

[16]何勇，李曉麗，邵詠妮.基于主成分分析和神經(jīng)網(wǎng)絡(luò)的近紅外光譜蘋果品種鑒別方法研究[J]. 光譜學(xué)與光譜分析，2006，26（5）：850-853.

[17]李曉麗，程術(shù)希，何勇.基于漫反射光譜的初制綠茶含水率無損檢測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26（5）：195-199.

[18]陳全勝，趙杰文，蔡健榮.基于近紅外光譜和機(jī)器視覺的多信息融合技術(shù)評(píng)判茶葉品質(zhì)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2008，24（3）：8-11.

[19]趙杰文，陳全勝，張海東，等.近紅外光譜分析技術(shù)在茶葉鑒別中的應(yīng)用研究[J]. 光譜學(xué)與光譜分析，2006，26（9）：1602-1605.

[20] 安徽省地方標(biāo)準(zhǔn). 黃山毛 峰茶 清 潔化 加工技 術(shù)規(guī) 程[S]. DB34/T 871-2008. 安徽：安徽省質(zhì)量技術(shù)監(jiān)督局，2008-12-20.

Study on quality analysis and class rapid evaluation of tea leaf materials based on near infrared technology

WANG Man，ZHANG Zheng-zhu*，NING Jing-ming，WEI Ling-dong，LI Lu-qing
（School of Tea and Food Science&Technology，Anhui Agricultural University，Hefei 230036，China）

Three quantitative analysis models for fresh tea leaves，including moisture，total nitrogen and crude fiber，were built by applying near infrared spectroscopy combined with partial squares （NIR-PLS） ，in order to analyze the quality of the fresh tea leaves，class correlation model based on three main contents by BP-ANN were built.Results showed that both the calibration samples and the prediction samples of models had acquired a high fitting degree ，the value of RPwere 0.9109 ，0.8989 ，0.8895，RMSEP were 0.361 ，0.103，0.195. Based on the high correlation between near-infrared spectroscopy，fresh tea leaves component and class，class model were built by NIR-PLS，the discrimination ratio were 93.10%，the model had high prediction precision. This provided a new way of thinking for quality analysis and class rapid evaluation of tea leaf materials.

nearinfraredspectroscopy（NIRS）；freshtealeaves；qualityanalysis；classevaluation；quantitativemodel

TS272.2

A

1002-0306（2014）22-0057-05

10.13386/j.issn1002-0306.2014.22.003

2014－03－11

王曼（1989-），女，在讀研究生，主要從事茶葉品質(zhì)檢測(cè)與綜合利用方面的研究。

* 通訊作者：張正竹（1969-），男，博士，教授，主要從事茶葉生物化學(xué)方面的研究。

十二五科技支撐計(jì)劃（2011BAD01B03-2）；教育部茶葉次生代謝與質(zhì)量安全創(chuàng)新團(tuán)隊(duì)。