電子鼻/舌融合技術(shù)的信陽(yáng)毛尖茶品質(zhì)檢測(cè)

鄒光宇，王萬(wàn)章，王淼森，肖焱中，張紅梅*

（河南農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，河南 鄭州 45000 2）

茶葉香氣和滋味是評(píng)判茶葉品質(zhì)的兩大因素。電子鼻與電子舌分別是模仿人體嗅覺(jué)與味覺(jué)機(jī)理研制出來(lái)的一種智能識(shí)別系統(tǒng)[1-3]，電子鼻與電子舌聯(lián)用可有效分析茶葉香氣和茶湯滋味，達(dá)到對(duì)茶葉品質(zhì)的判別。電子鼻具有檢測(cè)時(shí)間短，樣品預(yù)處理簡(jiǎn)單，檢測(cè)結(jié)果可靠等優(yōu)點(diǎn)[4]，已應(yīng)用于肉類[5-7]、水果[8-9]、食用油[10]等食品領(lǐng)域，在茶葉香氣的檢測(cè)上也有獨(dú)特的優(yōu)勢(shì)。Tudu等[11]用電子鼻技術(shù)對(duì)印度紅茶進(jìn)行分類，結(jié)果表明徑向基神經(jīng)網(wǎng)絡(luò)能有效區(qū)分4 個(gè)不同茶園的茶葉；Shi Bolin等[12]對(duì)西湖龍井進(jìn)行檢測(cè)研究，采用遺傳算法對(duì)電子鼻傳感器陣列進(jìn)行優(yōu)化，結(jié)果表明電子鼻可對(duì)3 個(gè)不同產(chǎn)地的兩類茶葉進(jìn)行識(shí)別；Yu Huichun等[13]通過(guò)電子鼻檢測(cè)干茶葉、茶湯與茶渣以區(qū)分5 種不同采摘時(shí)間的茶葉，結(jié)果表明經(jīng)主成分分析（principal component analysis，PCA）特征提取后有效提高線性判別分析與反向傳遞神經(jīng)網(wǎng)絡(luò)對(duì)茶葉的區(qū)分度；Qin Zihan等[14]對(duì)3 個(gè)不同品質(zhì)的中國(guó)綠茶、紅茶進(jìn)行識(shí)別，結(jié)果顯示電子鼻能清晰快速區(qū)分不同茶葉品質(zhì)差異。

電子舌模擬人的舌頭對(duì)樣品進(jìn)行分析，可快速反應(yīng)樣品整體的質(zhì)量信息[15]，在醋類[16]、酒類[17-18]、乳制品[19]等食品領(lǐng)域都有所運(yùn)用，在茶葉的檢測(cè)方面也有廣泛的應(yīng)用。Yan Simin等[20]采用電子舌技術(shù)通過(guò)PCA、偏最小二乘判別分析（partial least squares-discriminant analysis，PLS-DA）區(qū)分安吉白茶真假，結(jié)果表明PLSDA分類效果優(yōu)于PCA；Li Yanjie等[21]利用電子舌對(duì)4 種不同產(chǎn)地的鐵觀音進(jìn)行區(qū)分，結(jié)果顯示相比于反向傳遞神經(jīng)網(wǎng)絡(luò)，Levenberg-Marquardt訓(xùn)練算法模型對(duì)茶葉有更好區(qū)分度；Palit等[22]通過(guò)電子舌對(duì)比不同預(yù)處理對(duì)紅茶分類的影響，結(jié)果發(fā)現(xiàn)電子舌對(duì)紅茶具有良好識(shí)別能力。

單一的檢測(cè)系統(tǒng)信息不夠全面，不能從香氣、滋味等方面多角度反映樣品的信息，電子鼻能夠反映樣品整體氣味信息，電子舌能夠反映樣品的甜、苦、澀、咸等綜合滋味信息，可從不同角度對(duì)食品品質(zhì)進(jìn)行檢測(cè)評(píng)定。徐寶才等[23]采用電子鼻和電子舌分析鹽水鴨風(fēng)味的差異性，陳曉婷等[24]把電子鼻和電子舌優(yōu)化技術(shù)用于藍(lán)圓鲹調(diào)味基料的制備中。Haddi等[25]將電子鼻和電子舌聯(lián)用提高果汁樣品的識(shí)別度。Hong Xuezhen等[26]同時(shí)使用電子鼻與電子舌對(duì)櫻桃汁摻假進(jìn)行檢測(cè)。這些研究結(jié)果表明電子鼻、電子舌聯(lián)用比單一的電子鼻和電子舌技術(shù)對(duì)樣品有更高的分類識(shí)別性能。

目前，多檢測(cè)技術(shù)信息融合研究還比較少，尤其是在茶葉品質(zhì)檢測(cè)中，對(duì)于茶葉品質(zhì)的研究大多只采用單一的檢測(cè)技術(shù)，或?qū)Χ鄠€(gè)檢測(cè)技術(shù)分別單獨(dú)分析。本研究采用電子鼻/舌聯(lián)用技術(shù)，從氣味和滋味綜合對(duì)茶葉品質(zhì)進(jìn)行識(shí)別研究。通過(guò)PCA降維對(duì)比單一的電子鼻/舌檢測(cè)信息與電子鼻/舌聯(lián)用檢測(cè)信息，探討一種對(duì)茶葉品質(zhì)分類識(shí)別能力更強(qiáng)的方法。同時(shí)，基于電子鼻/舌融合數(shù)據(jù)建立茶多酚、咖啡堿預(yù)測(cè)模型。采用對(duì)比多元線性回歸、多元線性逐步回歸以及二次多項(xiàng)式逐步回歸建立回歸預(yù)測(cè)模型，并對(duì)模型預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析。

1 材料與方法

1.1 材料

茶葉樣品為2017年4月河南信陽(yáng)浉河所摘采的信陽(yáng)毛尖明前茶，由專業(yè)生產(chǎn)茶葉的廠家按攤放、殺青、揉捻、解塊、理?xiàng)l、初烘、攤涼、復(fù)烘工藝流程進(jìn)行加工。品質(zhì)由高到低分別為特級(jí)、一級(jí)和二級(jí)（T1、T2、T3），實(shí)驗(yàn)前各等級(jí)茶葉用錫紙袋密封包裝，置于－4 ℃貯藏。

1.2 儀器與設(shè)備

PEN 3型便攜式電子鼻由德國(guó)Airsense 公司生產(chǎn)，主要構(gòu)成部件由傳感器陣列、采樣及清洗通道、數(shù)據(jù)采集系統(tǒng)和計(jì)算機(jī)組成。傳感器陣列由10 個(gè)金屬氧化物傳感器組成，各傳感器特性及名稱如表1所示。

表1 電子鼻傳感器陣列性能描述Table 1 Performance description of the electronic nose sensor array

SA402B電子舌分析系統(tǒng)由日本Insent公司生產(chǎn)，主要由主機(jī)、傳感器陣列、操作電腦3 部分組成。傳感器陣列是由味覺(jué)傳感器和參比電極組成，其中味覺(jué)傳感器薄膜電勢(shì)是根據(jù)參比電極的變化檢測(cè)得出。電子舌自帶軟件可將所測(cè)得的各味覺(jué)傳感器電勢(shì)自動(dòng)轉(zhuǎn)化為味覺(jué)值。味覺(jué)傳感器陣列信息如表2所示。

表2 電子舌味覺(jué)傳感器陣列性能描述Table 2 Performance description of the electronic tongue sensor array

1.3 方法

1.3.1 茶葉氣味的電子鼻檢測(cè)

3 個(gè)等級(jí)茶葉每個(gè)等級(jí)有5 個(gè)平行樣本，每個(gè)平行樣本取3 份共15 個(gè)子樣本，每個(gè)子樣本為5 g（精確到0.01 g），共45 個(gè)子樣本。每個(gè)子樣本分別放入250 mL燒杯中雙層薄膜密封靜置45 min。頂空取樣，電子鼻每隔1 s采樣1 次，連續(xù)采樣60 s，清洗時(shí)間50 s，可以基本使傳感器響應(yīng)恢復(fù)初始狀態(tài)，在室溫25 ℃完成。

1.3.2 茶葉滋味的電子舌檢測(cè)

3 個(gè)等級(jí)茶葉每個(gè)等級(jí)有5 個(gè)平行樣本，每個(gè)平行樣本取3 份共15 個(gè)子樣本，每個(gè)子樣本為5 g（精確到0.01 g），共45 個(gè)子樣本。每個(gè)子樣本分別加入250 mL的100 ℃熱水沖泡5 min后過(guò)濾成為實(shí)驗(yàn)所用茶湯，茶水比1∶50（g/mL），冷卻至室溫（（25±2）℃）后進(jìn)行電子舌數(shù)據(jù)采集，清洗時(shí)間5.5 min，傳感器自檢時(shí)間30 s，樣品測(cè)試 時(shí)間30 s，測(cè) 量回味30 s。

1.3.3 理化成分測(cè)定

茶多酚含量：參照GB/T 8313—2008《茶葉中茶多酚和兒茶素類含量的檢測(cè)方法》采用分光光度法進(jìn)行測(cè)定；咖啡堿含量：參照GB/T 8312—2013《茶 咖啡堿測(cè)定》采用高效液相色譜法進(jìn)行測(cè)定。

1.4 數(shù)據(jù)處理

首先對(duì)原始數(shù)據(jù)信息做歸一化處理，歸一化公式如式（1）所示；進(jìn)而采用PCA對(duì)比單一儀器與兩者聯(lián)用的檢測(cè)效果；然后對(duì)電子鼻與電子舌響應(yīng)值做PCA特征提取實(shí)現(xiàn)數(shù)據(jù)融合；最后使用融合數(shù)據(jù)對(duì)茶多酚與咖啡堿建立多元線性回歸、多元線性逐步回歸、二次多項(xiàng)式逐步回歸模型，對(duì)比3 個(gè)模型擬合效果，得出較佳預(yù)測(cè)模型。PCA由SPSS 21.0軟件完成，多元線性回歸、多元線性逐 步回歸及二次多項(xiàng)式逐步回歸由Matlab 2014a軟件完成。

式中：z為標(biāo)準(zhǔn)分?jǐn)?shù)；x為原始數(shù)據(jù)；μ為平均數(shù)；σ為標(biāo)準(zhǔn)差。

2 結(jié)果與分析

2.1 基于傳感器響應(yīng)的茶葉香氣和滋味分析

分別提取電子鼻傳感器陣列響應(yīng)的穩(wěn)態(tài)平均值，與電子舌味覺(jué)傳感器陣列所測(cè)得的味覺(jué)值作為特征值。如圖1所示，電子鼻傳感器陣列顯示傳感器S6、S7、S9的響應(yīng)值較大，茶葉等級(jí)與響應(yīng)值呈負(fù)相關(guān)。這3 個(gè)傳感器分別對(duì)甲烷、硫化成分及芳香成分反應(yīng)靈敏。傳感器S9響應(yīng)信息可反映出二級(jí)茶葉的氣味較為濃郁，特級(jí)茶葉氣味較為清淡。同時(shí)，雖然傳感器S1、S2、S8響應(yīng)值較為接近，但茶葉等級(jí)與響應(yīng)值仍呈良好線性關(guān)系。這3 個(gè)傳感器分別對(duì)芳香成分、氨氧化合物及乙醇靈敏。其中傳感器S1對(duì)芳香氣味的響應(yīng)結(jié)果與傳感器S9結(jié)果一致。

電子舌味覺(jué)傳感器陣列顯示3 類茶葉口感較為接近，其中二級(jí)茶葉苦、澀味值最高，一級(jí)茶葉苦、澀味值最低。茶葉中苦味的主要呈味成分是咖啡堿，咖啡堿是茶葉中主要的生物堿，占茶葉干質(zhì)量的2%～5%[27-28]。澀味的主要呈味成分是茶多酚，其中兒茶素占茶多酚總量的70%～80%，呈苦澀味[29-30]，此外茶多酚中的黃酮類化合物也能增強(qiáng)茶葉的苦澀口感[31]。因而電子舌味覺(jué)傳感器給出的苦味值和澀味值，可在一定程度上對(duì)茶葉咖啡堿與茶多酚進(jìn)行預(yù)測(cè)。在電子舌味覺(jué)傳感器酸、鮮味響應(yīng)上茶葉等級(jí)呈線性分布，茶葉中酸味來(lái)源主要是加工過(guò)程中茶葉發(fā)酵導(dǎo)致，鮮味主要是茶葉中部分氨基酸所呈現(xiàn)[32-33]。

圖1 不同品質(zhì)茶葉電子鼻/舌傳感器響應(yīng)雷達(dá)圖Fig. 1 Radar diagram of electronic nose and tongue sensor responses to tea of different qualities

2.2 理化成分分析

茶多酚與咖啡堿是影響茶葉香氣和茶湯滋味的兩大重要因素。如表3所示，各等級(jí)茶葉茶多酚含量有明顯變化，茶多酚質(zhì)量分?jǐn)?shù)與茶葉等級(jí)呈正相關(guān)。特級(jí)毛尖咖啡堿含量最多，一級(jí)與二級(jí)毛尖咖啡堿含量較少且較為接近。茶多酚、咖啡堿及氨基酸相互作用對(duì)茶葉香氣和滋味的影響，是造成茶葉氣味與口感多樣化的重要原因。

2.3 PCA

圖2 3 個(gè)等級(jí)茶葉PCAFig. 2 Comparison of principal component analysis of different grades of tea

電子鼻與電子舌采集得到的多維數(shù)據(jù)，無(wú)法直觀分析茶葉所屬類別，因而采用PCA降低數(shù)據(jù)維度，達(dá)到識(shí)別目的。首先分別對(duì)電子鼻、電子舌所測(cè)數(shù)據(jù)以及電子鼻電子舌所測(cè)融合后數(shù)據(jù)做z-score歸一化處理，然后進(jìn)行PCA降維識(shí)別。如圖2a所示，電子鼻傳感器陣列響應(yīng)降維后T1、T2、T3茶葉得到初步區(qū)分。PC1與PC2貢獻(xiàn)率分別為75.23%、17.16%，累計(jì)解釋方差的92.39%。如圖2b所示，電子舌味覺(jué)傳感器陣列響應(yīng)降維后T2、T3茶葉有部分重疊，不能得到較好區(qū)分效果。PC1與PC2的貢獻(xiàn)率分別為46.39%、35.38%，累計(jì)解釋方差的81.77%。如圖2c所示，電子鼻與電子舌味覺(jué)傳感器陣列數(shù)據(jù)融合降維后T1、T2、T3茶葉區(qū)分度有明顯提升，3 類茶葉的類內(nèi)聚集效果提高。PC1與PC2貢獻(xiàn)率分別為59.91%、24.38%，累計(jì)解釋方差的84.29%。通過(guò)對(duì)比可知，電子鼻檢測(cè)可使各類別茶葉得到區(qū)分，但各類茶葉的組內(nèi)聚集效果較差；電子舌檢測(cè)使茶葉組內(nèi)聚集效果提升，但茶葉的識(shí)別能力下降。而電子鼻與電子舌傳感器的數(shù)據(jù)融合綜合了兩者的優(yōu)點(diǎn)，識(shí)別效果優(yōu)于單一儀器的檢測(cè)效果。這反映出電子鼻與電子舌聯(lián)用可從嗅覺(jué)與味覺(jué)2個(gè)角度對(duì)茶葉品質(zhì)進(jìn)行評(píng)判，豐富了茶葉的特征信息，能有效提高對(duì)茶葉樣品的分離度。

2.4 電子鼻/舌融合的茶多酚和咖啡堿預(yù)測(cè)模型結(jié)果

2.4.1 融合數(shù)據(jù)優(yōu)化結(jié)果

對(duì)電子鼻/舌所測(cè)得的原始數(shù)據(jù)進(jìn)行數(shù)據(jù)融合含有豐富的茶葉信息特征，但融合后數(shù)據(jù)維度高且含有大量冗余信息，不利于后期數(shù)據(jù)處理，因此需對(duì)融合數(shù)據(jù)進(jìn)行優(yōu)化處理。本實(shí)驗(yàn)采用PCA方法分別對(duì)電子鼻和電子舌進(jìn)行特征提取。為保證提取的主成分信息保留大量原始變量信息，對(duì)累計(jì)解釋98%以上的原始變量信息主成分進(jìn)行提取。電子鼻傳感器陣列提取前5 個(gè)主成分（X1、X2、X3、X4、X5），可累計(jì)解釋原始變量信息的99.36%；電子舌傳感器陣列提取前3 個(gè)主成分（X6、X7、X8），可累計(jì)解釋原始變量信息的98.48%。將提取后的特征重新組合成一個(gè)8 維矩陣。經(jīng)優(yōu)化處理后，新特征矩陣保留原始數(shù)據(jù)大量信息特征，剔除部分冗余信息，降低數(shù)據(jù)維度，可有效減小計(jì)算量。

2.4.2 基于融合優(yōu)化后數(shù)據(jù)的茶多酚預(yù)測(cè)模型結(jié)果

茶多酚是形成茶葉香氣的主要成分之一，也是茶葉澀味的主要呈味物質(zhì)。對(duì)茶多酚建立多元回歸模型以預(yù)測(cè)含量。將優(yōu)化后的8個(gè)特征值作為自變量、茶多酚含量作為因變量，采用多元線性回歸、多元線性逐步回歸、二次多項(xiàng)式逐步回歸分別建立茶多酚預(yù)測(cè)模型，回歸模型分別如式（2）～（4），3 種模型的決定系數(shù)和均方根誤差如表4所示。

式中：TPMLR、TPMSLR、TPQPSR分別代表多元線性回歸、多元線性逐步回歸、二次多項(xiàng)式逐步回歸模型中茶多酚的預(yù)測(cè)含量；x1～x8分別對(duì)應(yīng)X1～X8主成分值。

表4 茶多酚的3 種回歸模型Table 4 Three regression models for tea polyphenols

3 種回歸模型的P值均小于0.01，表明回歸系數(shù)檢驗(yàn)顯著，傳感器陣列特征值能有效預(yù)測(cè)茶葉中茶多酚的變化規(guī)律。建模集決定系數(shù)顯示3 種回歸模型決定系數(shù)均大于0.99，驗(yàn)證集決定系數(shù)顯示3 種回歸模型決定系數(shù)均大于0.97，茶多酚預(yù)測(cè)值和實(shí)測(cè)值呈顯著線性相關(guān)。建模集和驗(yàn)證集均方根誤差顯示預(yù)測(cè)值與實(shí)際值偏差較小，3 種回歸模型均對(duì)茶葉中茶多酚含量有良好的預(yù)測(cè)能力。多元線性回歸與多元線性逐步回歸模型旨在尋找多元自變量對(duì)因變量的線性關(guān)系，要求自變量與因變量之間的關(guān)系必須是線性的[34]。二次多項(xiàng)式逐步回歸模型預(yù)測(cè)效果較佳，回歸后建模集和驗(yàn)證集的決定系數(shù)分別為0.999、0.975。二次多項(xiàng)式回歸的優(yōu)越性主要在于，把正交試驗(yàn)與回歸分析相結(jié)合，在原始數(shù)據(jù)的基礎(chǔ)上，生成新的二項(xiàng) 式，考慮數(shù)據(jù)交叉作用結(jié)果[35]。

2.4.3 基于融合優(yōu)化后數(shù)據(jù)的咖啡堿預(yù)測(cè)模型

咖啡堿是構(gòu)成茶葉苦味的重要物質(zhì)，對(duì)茶葉品質(zhì)有著重要影響。將優(yōu)化后的8 個(gè)特征作為自變量、咖啡堿含量作為因變量，其多元線性回歸、多元線性逐步回歸、二次多項(xiàng)式逐步回歸模型分別如式（5）～（7），3 種模型的決定系數(shù)和均方根誤差如表5所示。

式中：CAFMLR、CAFMSLR、CAFQPSR分別代表多元線性回歸、多元線性逐步回歸、二次多項(xiàng)式逐步回歸模型中咖啡堿的預(yù)測(cè)含量；x1～x8對(duì)應(yīng)X1～X8主成分值。

表5 咖啡堿的3 種回歸模型Table 5 Three regression models for caffeine

3 種回歸模型中的回歸系數(shù)檢驗(yàn)顯著，P值均小于0.01，表明傳感器陣列特征值能有效預(yù)測(cè)茶葉中咖啡堿含量。建模集3 種模型決定系數(shù)均大于0.98，驗(yàn)證集決定系數(shù)表明多元線性逐步回歸的預(yù)測(cè)能力較差，決定系數(shù)僅為0.567。建模集和驗(yàn)證集均方根誤差偏小表明模型預(yù)測(cè)值與實(shí)際值較為接近。多元線性回歸和二次多項(xiàng)式逐步回歸模型可對(duì)茶葉中咖啡堿進(jìn)行良好預(yù)測(cè)，其中二次多項(xiàng)式逐步回歸模型效果較佳，回歸后建模集和驗(yàn)證集的決定系數(shù)分別為0.985、0.978。

3 結(jié) 論

本實(shí)驗(yàn)采用電子鼻和電子舌結(jié)合理化成分檢測(cè)對(duì)3 個(gè)等級(jí)的信陽(yáng)毛尖茶品質(zhì)進(jìn)行分析，結(jié)果表明：3 個(gè)等級(jí)茶葉的茶多酚、咖啡堿含量隨茶葉品質(zhì)提升而增加，表明茶多酚、咖啡堿含量與茶葉品質(zhì)呈正相關(guān)。對(duì)電子鼻和電子舌傳感器陣列進(jìn)行PCA能有效區(qū)分3 個(gè)不同等級(jí)的茶葉，電子鼻/舌數(shù)據(jù)融合可顯著提高茶葉品質(zhì)的識(shí)別能力。將電子鼻/舌數(shù)融合數(shù)據(jù)對(duì)茶多酚和咖啡堿建立多元線性回歸、多元線性逐步回歸、二次多項(xiàng)式逐步回歸模型。結(jié)果顯示傳感器陣列對(duì)茶多酚和咖啡堿的建模中，二次多項(xiàng)式逐步回歸模型效果較佳。茶多酚建模集和驗(yàn)證集的決定系數(shù)分別為0.999、0.975，均方根誤差分別為0.083、0.174；咖啡堿建模集和驗(yàn)證集的決定系數(shù)分別為0.985、0.978，均方根誤差分別為0.015、0.048。電子鼻/舌聯(lián)用技術(shù)能準(zhǔn)確預(yù)測(cè)茶葉品質(zhì)和理化成分含量。