基于嗅覺可視化技術(shù)的工夫紅茶發(fā)酵程度判定方法

陳琳，葉陽，董春旺，何華鋒

1. 中國農(nóng)業(yè)科學(xué)院茶葉研究所，浙江省茶葉加工工程重點(diǎn)實(shí)驗(yàn)室，國家茶產(chǎn)業(yè)工程技術(shù)研究中心，農(nóng)業(yè)部茶樹生物學(xué)與資源利用重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 310008；2. 中國農(nóng)業(yè)科學(xué)院研究生院，北京 100081

基于嗅覺可視化技術(shù)的工夫紅茶發(fā)酵程度判定方法

陳琳1,2，葉陽1*，董春旺1*，何華鋒1

1. 中國農(nóng)業(yè)科學(xué)院茶葉研究所，浙江省茶葉加工工程重點(diǎn)實(shí)驗(yàn)室，國家茶產(chǎn)業(yè)工程技術(shù)研究中心，農(nóng)業(yè)部茶樹生物學(xué)與資源利用重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 310008；2. 中國農(nóng)業(yè)科學(xué)院研究生院，北京 100081

發(fā)酵是工夫紅茶加工的關(guān)鍵工序，對(duì)紅茶品質(zhì)形成起著極其重要的作用。本文提出一種基于嗅覺可視化技術(shù)的工夫紅茶發(fā)酵程度判定方法?；诠枘z薄層層析板與16種卟啉衍生物設(shè)計(jì)構(gòu)建了嗅覺可視化傳感器及氣體檢測(cè)系統(tǒng)，用于工夫紅茶發(fā)酵過程中揮發(fā)性氣體數(shù)據(jù)采集。采用Fisher判別分析與BP-AdaBoost算法建立工夫紅茶發(fā)酵程度判別模型。分析表明，F(xiàn)isher判別函數(shù)可以實(shí)現(xiàn)不同發(fā)酵程度紅茶100%分類，交叉驗(yàn)證分組正確率達(dá)90.74%；BP-AdaBoost算法建立判別模型，訓(xùn)練集相關(guān)系數(shù)（Rc）和預(yù)測(cè)集相關(guān)系數(shù)（Rp）分別為0.9578和0.9132；嗅覺可視化技術(shù)可以實(shí)現(xiàn)工夫紅茶發(fā)酵程度判定，為工夫紅茶發(fā)酵過程實(shí)時(shí)監(jiān)控提供了理論依據(jù)。

紅茶；發(fā)酵程度；Fisher判別；BP-AdaBoost算法

發(fā)酵是工夫紅茶加工的關(guān)鍵工序，對(duì)紅茶品質(zhì)的形成起著極其重要的作用。傳統(tǒng)發(fā)酵過程中，主要由熟練技師通過發(fā)酵葉的色、香、味變化特征，依據(jù)主觀判斷來確定發(fā)酵程度，沒有客觀的判定標(biāo)準(zhǔn)[1]。近年來，部分新技術(shù)以及新設(shè)備逐步應(yīng)用于工夫紅茶發(fā)酵程度的判定中。在此基礎(chǔ)上，本文探索了嗅覺可視化技術(shù)在工夫紅茶發(fā)酵程度判定中應(yīng)用的可能性。

作為人工嗅覺技術(shù)的一個(gè)分支，嗅覺可視化技術(shù)由美國伊利諾伊大學(xué)厄本那-香檳分校的KennethS. Suslick教授最先提出[2]，其原理是利用可視化傳感器與待測(cè)氣體反應(yīng)前后顏色會(huì)發(fā)生變化的性質(zhì)來對(duì)待測(cè)氣體進(jìn)行定性及定量分析[3-4]。工夫紅茶發(fā)酵過程中，揮發(fā)性氣體成分會(huì)產(chǎn)生明顯變化，該變化與紅茶發(fā)酵程度及感官品質(zhì)有極強(qiáng)的相關(guān)性，這一特征為嗅覺可視化技術(shù)的應(yīng)用提供了理論基礎(chǔ)。利用嗅覺可視化技術(shù)檢測(cè)判別工夫紅茶發(fā)酵程度具有以下優(yōu)勢(shì)：靈敏度高，選擇性強(qiáng)，受溫度濕度等環(huán)境條件影響較小，樣品無需前處理，相比于GC/MS等手段簡(jiǎn)便快速成本低[5-6]。

目前，國內(nèi)外嗅覺可視化技術(shù)的研究還較少，主要集中在簡(jiǎn)單化學(xué)物質(zhì)區(qū)分以及谷物、肉類、酒類、食醋等食品的品質(zhì)檢測(cè)方面[7-9]。2004年Kenneth S. Suslick[10]首次制作了嗅覺可視化檢測(cè)裝置，該裝置可以識(shí)別32種有機(jī)小分子氣體，同時(shí)該課題組提出了制作嗅覺可視化傳感器的色敏材料及基板材料的特性與種類，并證明了環(huán)境濕度對(duì)傳感器影響較小。2005—2006年，Suslick課題小組經(jīng)過多次實(shí)驗(yàn)擴(kuò)展了可視傳感器陣列的組成，實(shí)現(xiàn)了對(duì)烴類、醇類、酸類、酯類、酮類、胺類和芳香族等100多種常見揮發(fā)性有機(jī)氣體的響應(yīng)[11-12]。2008年，江蘇大學(xué)趙杰文等[13]利用該技術(shù)對(duì)乙醇、甲醛、氨氣、丙酮、乙酸進(jìn)行檢測(cè)，研究表明采用聚類分析取合適的相似度時(shí)可以將5種物質(zhì)完全分開。2015年，Quansheng Chen等[14]利用嗅覺可視化技術(shù)結(jié)合PCA分析與LDA線性判別進(jìn)行了不同等級(jí)烏龍茶的分類，效果較好。

本文采用嗅覺可視化技術(shù)結(jié)合Fisher判別分析及BP-AdaBoost模式識(shí)別方法，探索它在工夫紅茶發(fā)酵程度判定方面的應(yīng)用能力。

1 材料與方法

1.1 實(shí)驗(yàn)材料與儀器設(shè)備

1.1.1 材料

茶葉鮮葉（鮮葉原料來自浙江千島銀珍農(nóng)業(yè)開發(fā)有限公司，品種為鳩坑種，等級(jí)為一芽二葉），卟啉衍生物及酸堿指示劑（Sigma，美國），二氯甲烷，硅膠薄層層析板（Merck TLC Silica gel 60）。

1.1.2 儀器設(shè)備

嗅覺可視化傳感器，嗅覺可視化檢測(cè)裝置，Cannon DS1263111相機(jī)（1200萬像素），SartoriusB S224S精密電子天平（德國Sartorius公司，精確度為0.000 1 g），氣體循環(huán)泵（QC-1B型號(hào)），6CR-35型揉捻機(jī)，人工氣候箱，提香機(jī)（福建佳友茶葉機(jī)械有限公司）。

1.2 檢測(cè)裝置設(shè)計(jì)及應(yīng)用

本研究設(shè)計(jì)紅茶發(fā)酵過程中氣體檢測(cè)裝置，該裝置主要由傳感器陣列、反應(yīng)容器、循環(huán)氣泵、相機(jī)、漫反射積分球組成。圖1為檢測(cè)裝置設(shè)計(jì)原理圖，檢測(cè)步驟如下：

①反應(yīng)進(jìn)行前，使用相機(jī)獲取嗅覺傳感器初始圖像數(shù)據(jù)；

②稱取固定質(zhì)量的工夫紅茶發(fā)酵葉于容器A中，傳感器置于容器B中，并啟動(dòng)循環(huán)泵，促進(jìn)發(fā)酵葉揮發(fā)性氣體與傳感器反應(yīng)；

③反應(yīng)結(jié)束后，使用相機(jī)獲取反應(yīng)后傳感器最終圖像數(shù)據(jù)；

④反應(yīng)前后圖像數(shù)據(jù)點(diǎn)對(duì)點(diǎn)做差，獲得該發(fā)酵過程樣的特征圖譜，進(jìn)行下一步分析。

檢測(cè)裝置反應(yīng)容器為圓柱體，分上中下3層，直徑10 cm，層高5 cm，總計(jì)高度15 cm，玻璃材質(zhì)，密閉性良好；光源采用漫反射積分球，底部環(huán)形光源，保證其內(nèi)部光線均勻穩(wěn)定，光照強(qiáng)度一致；相機(jī)經(jīng)預(yù)實(shí)驗(yàn)后選用手動(dòng)模式固定參數(shù)（參數(shù)設(shè)定為：感光度ISO100，光圈F20，快門速度1/8，曝光補(bǔ)償0，光強(qiáng)4級(jí)），保證每次拍攝條件一致，保證數(shù)據(jù)采集穩(wěn)定可靠；循環(huán)泵氣體流速400 μL·min-1，反應(yīng)時(shí)間為8 min；前期預(yù)實(shí)驗(yàn)證明，傳感器受外界環(huán)境溫濕度影響較小，因此本試驗(yàn)在室溫條件下進(jìn)行。

1.3 傳感器制作

經(jīng)過前期大量實(shí)驗(yàn)處理，根據(jù)工夫紅茶發(fā)酵過程中香氣物質(zhì)變化特征，從40種卟啉衍生物及酸堿指示劑中篩選出16種與紅茶發(fā)酵過程揮發(fā)性氣體反應(yīng)最靈敏的物質(zhì)作為色敏材料（表1）。選擇Merck TLC Silica gel 60硅膠薄層層析板作為色敏材料載體，其疏水特性及細(xì)密的表面結(jié)構(gòu)可以減少環(huán)境濕度對(duì)傳感器的影響，提高色敏材料擴(kuò)散均勻性。將16種色敏材料印染至硅膠薄層層析板上，制作完成對(duì)工夫紅茶發(fā)酵過程樣具有敏感性的4×4傳感器陣列（圖2）。

1.4 茶葉樣品制備及傳感器響應(yīng)數(shù)據(jù)采集

圖1 嗅覺可視化檢測(cè)裝置Fig. 1 Detection device of olfaction visualization system

表1 對(duì)紅茶發(fā)酵過程中揮發(fā)性氣體有響應(yīng)的色敏材料Table 1 Chemical dyes responding to volatile gases during black tea fermentation

按照工夫紅茶標(biāo)準(zhǔn)加工工藝進(jìn)行樣品處理，主要工序?yàn)槲?、揉捻、發(fā)酵、干燥。15 kg鮮葉在可控溫控濕的萎凋室進(jìn)行萎凋處理，溫度25℃，相對(duì)濕度60%，萎凋時(shí)間15 h；揉捻采用6CR-35型揉捻機(jī)，按照“輕、重、輕”的原則固定行程加壓；發(fā)酵在人工氣候箱進(jìn)行，處理溫度35℃，相對(duì)濕度90%；人工氣候箱環(huán)境穩(wěn)定且發(fā)酵過程取樣累計(jì)不足2 kg，取樣對(duì)發(fā)酵進(jìn)程影響較小。發(fā)酵處理時(shí)間8 h，每間隔1 h抽取15 g樣品，按照上述方法與嗅覺可視化傳感器進(jìn)行反應(yīng)，每個(gè)時(shí)間節(jié)點(diǎn)分別取樣12次，采集圖像數(shù)據(jù)，共計(jì)圖像數(shù)據(jù)108個(gè)。反應(yīng)后發(fā)酵葉經(jīng)120℃毛火10 min，85℃足火20 min進(jìn)行干燥固樣，干燥樣品進(jìn)行感官審評(píng)。

1.5 模式識(shí)別

嗅覺傳感器陣列對(duì)不同發(fā)酵程度的茶葉揮發(fā)性氣體產(chǎn)生與之相對(duì)應(yīng)的差值特征圖像即指紋圖譜，對(duì)傳感器反應(yīng)前后的差值特征圖譜提取RGB值，使圖像數(shù)據(jù)數(shù)字化，再借助模式識(shí)別對(duì)已知樣本進(jìn)行學(xué)習(xí)和訓(xùn)練，構(gòu)建一個(gè)判別模型或預(yù)測(cè)模型來完成對(duì)未知?dú)馕兜姆诸惣邦A(yù)測(cè)。

Fisher判別法利用投影的方法使多維問題簡(jiǎn)化為一維問題來進(jìn)行處理，通過建立線性判別函數(shù)計(jì)算出各個(gè)觀測(cè)量在各個(gè)變量維度上的坐標(biāo)，并得出樣本距離各個(gè)類中心的距離，以此作為分類依據(jù)。Fisher判別分析可以最大限度的縮小同類中各個(gè)樣本點(diǎn)之間的差距，又能最大限度地?cái)U(kuò)大不同類別之間各個(gè)樣本點(diǎn)的差異，因此可以獲得較高的判別效率。

BP-ANN是一種典型的多層前饋人工神經(jīng)網(wǎng)絡(luò)，可以模擬人的大腦處理信息的方式，進(jìn)行輸入與輸出信號(hào)的并行處理及非線性轉(zhuǎn)換，對(duì)于非線性問題的解決具有良好的效果。但由于神經(jīng)網(wǎng)絡(luò)的基本原理其預(yù)測(cè)模型會(huì)出現(xiàn)低穩(wěn)定性等問題，BP-AdaBoost算法將BP-ANN和AdaBoost算法進(jìn)行有效結(jié)合，使用BP神經(jīng)網(wǎng)絡(luò)作為弱分類器建立模型，反復(fù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)樣本輸出，加強(qiáng)預(yù)測(cè)精度低的樣本權(quán)重，減弱預(yù)測(cè)精度高的的樣本權(quán)重，最終通過線性組合的方法得到多個(gè)BP-ANN弱分類器組成的強(qiáng)分類器，以增強(qiáng)預(yù)測(cè)效果[15]。

本研究嘗試Fisher判別分析和BP-Adaboost算法進(jìn)行工夫紅茶發(fā)酵程度判定。所有數(shù)據(jù)分析都是在Matlab Version 7.10.0及SPSS軟件環(huán)境下運(yùn)行。

2 結(jié)果與分析

2.1 感官審評(píng)結(jié)果

公共場(chǎng)所英語標(biāo)識(shí)語在很大程度上可以體現(xiàn)一個(gè)城市的整體形象，同時(shí)在一定程度上也可以反應(yīng)當(dāng)?shù)卣墓芾砟芰?。政府職能部門要及時(shí)加強(qiáng)對(duì)公共場(chǎng)所錯(cuò)誤標(biāo)識(shí)語的糾正；對(duì)英語標(biāo)識(shí)語的翻譯進(jìn)行監(jiān)督和管理。同時(shí)，政府職能部門應(yīng)該發(fā)動(dòng)全社會(huì)的力量，號(hào)召和鼓勵(lì)大家參與到城市英語標(biāo)識(shí)語的糾錯(cuò)活動(dòng)中，全民配合，全民行動(dòng)，對(duì)找出錯(cuò)誤的市民應(yīng)該給予獎(jiǎng)勵(lì)，并認(rèn)真做出改正，這樣，肯定會(huì)提高長春市的整體語言環(huán)境。另外，相關(guān)職能部門也要重視相關(guān)研究者的研究成果，加大執(zhí)行力度，改善長春市公共場(chǎng)所英語標(biāo)識(shí)語，彰顯長春市作為省會(huì)城市應(yīng)有的國際形象和活力。

茶葉審評(píng)按照國家標(biāo)準(zhǔn)GB/T 23776—2009執(zhí)行，評(píng)價(jià)工夫紅茶外形、湯色、香氣、滋味、葉底5項(xiàng)，各審評(píng)因子的權(quán)數(shù)分別為25%、10%、25%、30%、10%，依據(jù)感官審評(píng)結(jié)果評(píng)價(jià)每個(gè)樣品的發(fā)酵程度，并對(duì)其評(píng)級(jí)。工夫紅茶感官審評(píng)結(jié)果如表2所示。根據(jù)審評(píng)得分及評(píng)語，將工夫紅茶發(fā)酵程度劃分為3個(gè)等級(jí)，即輕度發(fā)酵、適度發(fā)酵、重度發(fā)酵（表2）。

2.2 傳感器特征信號(hào)提取

色敏材料與工夫紅茶發(fā)酵過程樣揮發(fā)性氣體相互作用后發(fā)生顏色反應(yīng)，只有對(duì)傳感器反應(yīng)前后的顏色圖像進(jìn)行數(shù)據(jù)處理后轉(zhuǎn)化為數(shù)字模式才能進(jìn)一步進(jìn)行定性及定量描述?；谶@一原理開發(fā)了一款具有在線自動(dòng)識(shí)別、分析功能的圖像處理軟件。用戶輸入反應(yīng)前的初始圖像及反應(yīng)后的最終圖像，點(diǎn)擊自動(dòng)識(shí)別即可以進(jìn)行反應(yīng)前后的對(duì)比計(jì)算。軟件將檢測(cè)到的圓形色敏點(diǎn)劃分為三部分，去除外部輪廓及內(nèi)部點(diǎn)樣點(diǎn)附近區(qū)域，利用有效色敏區(qū)域進(jìn)行計(jì)算，增強(qiáng)數(shù)據(jù)可信度。不能自動(dòng)識(shí)別的區(qū)域可以通過人工編輯狀態(tài)進(jìn)行手動(dòng)添加及修正，完成對(duì)比后用戶可以導(dǎo)出最終對(duì)比結(jié)果圖像及數(shù)值。

每個(gè)色敏點(diǎn)包含3個(gè)變量ΔR、ΔG、ΔB（ΔR=Re－Rs、ΔG=Ge－Gs、ΔB=Be－Bs），16個(gè)色敏點(diǎn)共提取48個(gè)變量。利用48個(gè)變量進(jìn)行發(fā)酵程度判別。

表2 工夫紅茶發(fā)酵樣品感官審評(píng)結(jié)果及發(fā)酵程度等級(jí)評(píng)定Table 2 Sensory evaluation and the degree of fermentation grade evaluation of black tea samples

2.3 基于嗅覺可視化技術(shù)紅茶發(fā)酵程度判定

2.3.1 可視化傳感器響應(yīng)信號(hào)

圖3為嗅覺可視化傳感器與0～8 h的工夫紅茶發(fā)酵葉進(jìn)行反應(yīng)的特征圖譜。由特征圖像可以看出，每幅圖的顏色變化都有所不同。這是由于工夫紅茶全發(fā)酵過程中，揮發(fā)性物質(zhì)的種類會(huì)出現(xiàn)先增加后降低的趨勢(shì)，且不同階段不同揮發(fā)性物質(zhì)其含量存在較大差異。篩選出的色敏材料對(duì)茶葉發(fā)酵過程中產(chǎn)生的醇類、醛類及酯類等物質(zhì)具有較強(qiáng)的敏感性，而隨著發(fā)酵過程的進(jìn)行，醇類及酯類揮發(fā)性物質(zhì)相對(duì)含量不斷降低，醛類揮發(fā)性物質(zhì)會(huì)出現(xiàn)相反的變化趨勢(shì)，揮發(fā)性物質(zhì)種類及含量不斷變化的特征為嗅覺可視化技術(shù)鑒別紅茶發(fā)酵程度提供了理論依據(jù)。

2.3.2 Fisher判別分析

依據(jù)感官審評(píng)結(jié)果將108個(gè)茶樣按照發(fā)酵程度劃分為3類，即輕度發(fā)酵、適度發(fā)酵、重度發(fā)酵，并分別編號(hào)為1、2、3，每類發(fā)酵程度各包含36個(gè)茶樣。將48個(gè)特征變量進(jìn)行主成分分析，以主成分得分作為數(shù)據(jù)輸入，以發(fā)酵程度1、2、3作為數(shù)據(jù)輸出，進(jìn)行判別分析。

圖2 16種氣敏材料制作的嗅覺可視化傳感器陣列Fig. 2 Sensor arrays made by 16 kinds of gas-sensitive dyes

圖4與表3為不同發(fā)酵程度茶樣Fisher判別分類結(jié)果，由圖4及表3可知，F(xiàn)isher判別分析法通過建立兩個(gè)函數(shù)模型可以實(shí)現(xiàn)發(fā)酵程度100%分類。對(duì)108個(gè)發(fā)酵過程樣進(jìn)行交叉驗(yàn)證，36個(gè)輕度發(fā)酵茶樣全部分組正確；36個(gè)適度發(fā)酵茶樣中，3個(gè)劃分為輕度，31個(gè)劃分為適度，2個(gè)劃分為重度；36個(gè)重度發(fā)酵茶樣中，3個(gè)劃分為輕度，2個(gè)劃分為適度，31個(gè)劃分為重度；交叉驗(yàn)證分類正確率達(dá)90.74%。Fisher判別分析可以實(shí)現(xiàn)不同發(fā)酵程度茶樣的有效分類。

2.3.3 BP-AdaBoost

圖3 0～8 h發(fā)酵過程樣反應(yīng)前后特征圖像Fig. 3 Typical images of different fermented tea from 0 to 8 h

圖4 不同發(fā)酵程度茶樣Fisher分類結(jié)果Fig. 4 Fisher result for discrimination of different fermented tea

表3 不同發(fā)酵程度茶樣Fisher判別與BP-AdaBoost算法分類結(jié)果Table 3 Fisher and BP-AdaBoost results for discrimination of different fermented tea

圖5 不同主成分?jǐn)?shù)最優(yōu)模型Rc與Rp值Fig. 5 Rc and Rp of optimal model

圖6 主成分為10時(shí)BP-AdaBoost模型輸出結(jié)果Fig. 6 Result of BP-AdaBoost model (PC=10)

利用BP-AdaBoost建立預(yù)測(cè)模型預(yù)測(cè)工夫紅茶發(fā)酵程度。48個(gè)變量進(jìn)行主成分分析，分別以5～12個(gè)主成分作為數(shù)據(jù)輸入，以1、2、3這3個(gè)數(shù)值代表輕度發(fā)酵、適度發(fā)酵、重度發(fā)酵作為數(shù)據(jù)輸出，建立預(yù)測(cè)模型。設(shè)置模型隱含層數(shù)N為0～20，步長為1；誤差閾值Ф為0～1，步長0.05；重復(fù)訓(xùn)練次數(shù)200次，學(xué)習(xí)速率0.01，動(dòng)量因子0.7；以預(yù)測(cè)集預(yù)測(cè)均方根誤差RMSEP和預(yù)測(cè)集相關(guān)系數(shù)Rp作為衡量模型效果的指標(biāo)。圖5表示了5～12個(gè)不同主成分?jǐn)?shù)下最佳預(yù)測(cè)模型Rc與Rp值，由圖可知，當(dāng)主成分為10時(shí)，所建模型預(yù)測(cè)效果最好，訓(xùn)練集相關(guān)系數(shù)為0.9578，預(yù)測(cè)集相關(guān)系數(shù)為0.9132。圖6-A表示了當(dāng)主成分為10時(shí)，所有預(yù)測(cè)的模型的RMSEP值，RMSEP越小，模型預(yù)測(cè)精度越高，最終確定模型隱含層N為16，誤差閾值Ф為1；圖6-B 3條曲線分別代表預(yù)測(cè)集的實(shí)際值、最優(yōu)模型預(yù)測(cè)值、BP-ANN預(yù)測(cè)值，預(yù)測(cè)集分組正確率為91.67%。利用BP-AdaBoost算法結(jié)合嗅覺可視化技術(shù)可以實(shí)現(xiàn)工夫紅茶發(fā)酵程度判定。

3 討論

通過對(duì)工夫紅茶0～8 h發(fā)酵過程108個(gè)樣品進(jìn)行嗅覺可視化數(shù)據(jù)分析，結(jié)果表明，嗅覺可視化技術(shù)結(jié)合Fisher判別分析與BP-AdaBoost算法可以實(shí)現(xiàn)工夫紅茶發(fā)酵程度的快速無損判別。Fisher判別分析，建立兩個(gè)判別函數(shù)可以實(shí)現(xiàn)工夫紅茶發(fā)酵程度100%分類；BP-AdaBoost算法建立工夫紅茶發(fā)酵程度預(yù)測(cè)模型，預(yù)測(cè)精度達(dá)到91.32%。由于茶葉品種較多，工夫紅茶加工季節(jié)時(shí)間及加工工藝、設(shè)備也存在較大差異，導(dǎo)致嗅覺可視化技術(shù)的廣泛應(yīng)用存在一定的缺陷，因此該技術(shù)可以針對(duì)工夫紅茶固定加工工藝、設(shè)備或生產(chǎn)線進(jìn)行深入研究，建立具有針對(duì)性的工夫紅茶發(fā)酵程度判別函數(shù)及預(yù)測(cè)模型，實(shí)現(xiàn)工夫紅茶發(fā)酵過程中的實(shí)時(shí)監(jiān)控，提高紅茶品質(zhì)。

[1] 錢園鳳, 葉陽, 周小芬. 紅茶發(fā)酵技術(shù)研究現(xiàn)狀分析[J].食品工業(yè)科技, 2012, 33(23): 388-392.

[2] NA Rakow, KS Suslick. A colorimetric sensor array for odour visualization [J]. Nature, 2000(406): 710-713.

[3] Long Jing, Xu Jian-Hua, Xia Shuang. Volatile organic compund colorimetric array based on znic porphyrin and metalloporphyrin derivatives [J]. Energy procedia, 2011, 12: 625-631.

[4] 黃星奕, 周芳, 蔣飛燕. 基于嗅覺可視化技術(shù)的豬肉新鮮度等級(jí)評(píng)判[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2011, 42(5): 142-145.

[5] Gardner JW, Bartelet P N. Electronic nose: Principles and Applications [M]. London: Oxford University Press, 1999: 1-4, 185-207.

[6] 趙杰文, 黃曉瑋, 鄒小波, 等. 基于嗅覺可視化技術(shù)的豬肉新鮮度檢測(cè)[J]. 食品科學(xué)技術(shù)學(xué)報(bào), 2013, 31(1): 9-13.

[7] J Long, JH Xu, YJ Yang, et al. A colorimetric array of metalloporphyrin derivatives for the detection of volatile organic compounds [J]. Materials Science and Engineering B: Advanced Functional Solid-State Materials, 2011(176): 1271-1276.

[8] Quansheng Chen, Weiwei Hu, Jie Su, et al. Nondestructively sensing of total viable count (TVC) in chicken using an artificial olfaction system based colorimetric sensor array [J]. Journal of Food Engineering, 2016(168): 259-266.

[9] Quansheng Chen, Aiping Liu, Jiewen Zhao, et al. Monitoring vinegar acetic fermentation using a colorimetric sensor array [J]. Sensors and Actuators B, 2013(183): 608-616.

[10] KS Suslick, NA Rakow, A Sen. Colorimetric sensor array for molecular recognition [J]. Tetrahedron, 2004(60): 11133-11138.

[11] Neal A Rakow, Avijit Sen, Michael C Janzen, et al. Molecular recognition and discrimination of amines with a colorimetric array [J]. Angewardte Chemie International Edition, 2005, 44(29): 4528-4532.

[12] Janzen MC, Ponder JB, Bailey DP, et al. Colorimetric sensor arrays for volatile organie compounds [J]. Anal Chem, 2006, 78: 3591-3600.

[13] 趙杰文, 張建, 鄒小波. 嗅覺可視化技術(shù)及其對(duì)5種化學(xué)物質(zhì)的區(qū)分[J]. 江蘇大學(xué)學(xué)報(bào): 自然科學(xué)版, 2008(1): 7-10.

[14] Quansheng Chen, Cuicui Sun, Qin Ouyang, et al. Classification of different varieties of Oolong tea using novel artificial sensing tools and data fusion [J]. LWT-Food Science and Technology, 2015(60): 781-787.

[15] 李楊, 楊寶華, 李雙. BP-AdaBoost分類算法的MapReduce并行化實(shí)現(xiàn)[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2014, 31(8): 261-264.

Monitoring Black Tea Fermentation Using a Colorimetric Sensor Array-based Artificial Olfaction System

CHEN Lin1,2, YE Yang1*, DONG Chunwang1*, HE Huafeng1
1. Tea Research Institute, Chinese Academy of Agricultural Sciences, Key Laboratory of Tea Processing Engineering of Zhejiang Province, National Engineering Technology Research Center of Tea Industry, Key Laboratory of Tea Biology and Resource Utilization of Ministry of Agriculture, Hzngzhou 310008, China; 2. Graduate School of Chinese Academy of Agricultural Sciences, Beijing 100081, China

As the crucial procedure for production of black tea, fermentation plays an important role in quality control of black tea. This paper proposed a colorimetric sensor array-based artificial olfaction system to monitor black tea fermentation. Herein, a colorimetric sensor array by printing 16 chemical dyes including porphyrins/metalloporphyrins on a Silica gel thin-layer chromatography plate was utilized to detect volatile gases during black tea fermentation. Discrimination model was established by fisher discriminatory analysis and adaptive boosting algorithm based on BP-ANN (BP-Adaboost). Results showed that the discrimination rate and discrimination rate of cross-validation reached 100% and 90.74% respectively. BP-Adaboost model showed that the correlation coefficient of calibration set (Rc) and prediction set (Rp) were 0.9578 and 0.9132 respectively. This work demonstrates that it is feasible to distinguish the degree of black tea fermentation using a colorimetric sensor array-based artificial olfaction system.

black tea, fermentation degree, Fisher discriminatory analysis, BP-Adaboost algorithm

TS272.5+2；TS272.3

A

1000-369X（2017）03-258-08

2016-08-16

：2016-10-13

浙江省自然科學(xué)基金（LY16C160002）、浙江省重點(diǎn)研發(fā)計(jì)劃（2015C02001）、國家星火計(jì)劃（2015GA700006）

陳琳，男，碩士研究生，主要從事茶葉加工方面的研究。*通訊作者：yeyang@tricaas.com，dongchunwang@tricaas.com