青磚茶壓制壓力優(yōu)化及GCG近紅外快速檢測模型建立

王勝鵬，滕 靖，鄭鵬程，劉盼盼，龔自明，高士偉，桂安輝，葉 飛，王雪萍，鄭 琳

青磚茶壓制壓力優(yōu)化及GCG近紅外快速檢測模型建立

王勝鵬，滕 靖，鄭鵬程，劉盼盼，龔自明※，高士偉，桂安輝，葉 飛，王雪萍，鄭 琳

（湖北省農(nóng)業(yè)科學(xué)院果樹茶葉研究所，武漢 430064）

青磚茶壓制壓力的選擇至關(guān)重要，為探求壓力與青磚茶品質(zhì)及內(nèi)含成分間的相互關(guān)系，并嘗試對關(guān)鍵成分進(jìn)行快速預(yù)測。以青磚茶為研究對象，設(shè)置了5個(gè)等級的壓力值，通過感官審評和相關(guān)關(guān)系法分析了最佳壓力值與品質(zhì)和內(nèi)含成分間的相關(guān)關(guān)系；應(yīng)用標(biāo)準(zhǔn)變量變換、多元散射校正、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)及組合方法進(jìn)行降噪處理，應(yīng)用反向區(qū)間偏最小二乘法篩選特征光譜區(qū)間并進(jìn)行主成分分析，將主成分分別輸入到3種信息傳遞函數(shù)的jump connection nets結(jié)構(gòu)人工神經(jīng)網(wǎng)絡(luò)中建立定量分析模型。結(jié)果表明，最佳壓力值為18 MPa；關(guān)鍵內(nèi)含成分為：沒食子兒茶素沒食子酸酯（Gallocatechin Gallate，GCG）（<0.05）；最佳預(yù)處理方法：多元散射校正+一階導(dǎo)數(shù)組合方法；特征光譜區(qū)間：9 734.9～10 000，8 924.9～9 191.1，5 368.9～5 638.8，7 011.9～7 281.9，6 190.4～6 460.4，4 821.2～5 091.2，9 194.9～9 461.1，7 559.6～7 829.6，5 916.5～6 186.5 cm-1，前3個(gè)主成分累積貢獻(xiàn)率為97.82%，以應(yīng)用tanh傳遞函數(shù)建立的GCG人工神經(jīng)網(wǎng)絡(luò)模型結(jié)果最佳（R2=0.980，RMSEP=0.027），并有較好的實(shí)際應(yīng)用效果（R2=0.948，RMSEP=0.041）。研究結(jié)果為其它重量規(guī)格青磚茶產(chǎn)品的研發(fā)和品質(zhì)的快速檢測奠定了理論基礎(chǔ)。

壓力；品質(zhì)控制；近紅外光譜；青磚茶；反向區(qū)間偏最小二乘法；主成分分析；人工神經(jīng)網(wǎng)絡(luò)

0 引 言

青磚茶[1]是湖北省特有的一種黑茶，其中渥堆是非常關(guān)鍵的一道加工工序，會發(fā)生一系列以多酚類物質(zhì)為主的生化反應(yīng)[2]，形成了特有的品質(zhì)特點(diǎn)。飲用青磚茶除利于消化外，還具有分解脂肪[3]、舒暢腸胃[4]、抗氧化[5]、降血糖[6]和殺菌止瀉等功效，早已成為中國邊疆少數(shù)民族群眾和外國茶友[7]日常生活中不可或缺的一種必需品。壓制是形成青磚茶周正（學(xué)術(shù)用語）外形的關(guān)鍵工序，傳統(tǒng)的壓制工藝主要由蒸制茶坯、液壓壓制、保壓定型等工序組成[8-10]。在傳統(tǒng)工藝中液壓機(jī)的壓力大小需依賴于制茶工人的經(jīng)驗(yàn)而隨機(jī)決定，具有很大的不確定性，難以確保磚茶外形品質(zhì)的穩(wěn)定，由于缺乏相應(yīng)的壓力試驗(yàn)，青磚茶壓制工藝標(biāo)準(zhǔn)化推行還存在一定難度。

模內(nèi)蒸制工藝是基于精簡化生產(chǎn)思路而提出的一種新的磚茶生產(chǎn)工藝[11]，是將傳統(tǒng)生產(chǎn)工藝中茶坯蒸制、壓制成型工序完全集中在模具內(nèi)完成。相較于傳統(tǒng)的蒸茶爐方式，減少了蒸茶爐設(shè)備投入，蒸制效果均勻一致、產(chǎn)品轉(zhuǎn)換方便，同時(shí)杜絕了二次污染，有利于青磚茶壓制工藝的質(zhì)量提升。但到目前為止，還很少有探討青磚茶壓制壓力、內(nèi)含成分與感官品質(zhì)三者間內(nèi)在聯(lián)系的研究報(bào)道。

近紅外光譜（near infrared spectroscopy, NIRS）主要反映的樣品中X-H化學(xué)鍵信息，是分子振動一級、二級倍頻和組合頻信息，具有不破壞樣品的優(yōu)勢，目前已經(jīng)廣泛應(yīng)用于農(nóng)業(yè)、石油化工、紡織業(yè)和醫(yī)藥等行業(yè)[12-14]。國內(nèi)外很多學(xué)者應(yīng)用NIRS技術(shù)實(shí)現(xiàn)了對茶中水分含量、兒茶素[15]、咖啡堿[16]等成分含量預(yù)測、茶鮮葉質(zhì)量的快速評估[17]和茶葉種類判別[18]，但目前還較少有用于不同壓制壓力青磚茶樣品關(guān)鍵內(nèi)含成分的快速預(yù)測方面的研究報(bào)道。

本研究以自主研制的青磚茶壓制生產(chǎn)線為載體，以5種壓制壓力生產(chǎn)的100 g規(guī)格的青磚茶樣品為研究對象，分別進(jìn)行感官審評和內(nèi)含成分測定，得出最佳壓力值；應(yīng)用統(tǒng)計(jì)方法分析壓力、內(nèi)含成分和感官品質(zhì)間的內(nèi)在聯(lián)系，得出關(guān)鍵內(nèi)含成分；在此基礎(chǔ)上，應(yīng)用近紅外光譜技術(shù)結(jié)合多種光譜預(yù)處理方法、反向區(qū)間偏最小二乘法、主成分分析法和人工神經(jīng)網(wǎng)絡(luò)方法，嘗試建立關(guān)鍵成分的近紅外預(yù)測模型，對關(guān)鍵成分進(jìn)行快速預(yù)測，試圖為其它重量規(guī)格青磚茶產(chǎn)品的研發(fā)和品質(zhì)快速檢測提供理論依據(jù)和數(shù)據(jù)支撐。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)材料為復(fù)制后的中茶108（一芽五葉），取自趙李橋茶廠有限責(zé)任公司。原料經(jīng)渥堆后，用于壓制100 g規(guī)格的青磚茶樣品。青磚茶樣品一共130個(gè)，其中120個(gè)樣品用于建立近紅外光譜模型，10個(gè)樣品含量未知，用于檢驗(yàn)?zāi)Ｐ偷膶?shí)際預(yù)測效果。120個(gè)樣品按照3:1比例分為校正集和驗(yàn)證集2個(gè)集合，其中90個(gè)樣品建立校正集模型，30個(gè)樣品建立驗(yàn)證集模型，用于檢驗(yàn)校正集模型的預(yù)測效果。在壓制青磚茶樣品時(shí)，每個(gè)壓制壓力（3、6、12、18、24 MPa）下青磚茶樣品各24塊。

1.2 主要設(shè)備與儀器

1.2.1 壓制設(shè)備

本單位研制了青磚茶自動壓制設(shè)備[19]。設(shè)備由成型設(shè)備和烘制設(shè)備構(gòu)成，成型設(shè)備包含蒸汽發(fā)生器、蒸制裝置、成型模具和油壓機(jī)，如圖1所示。

1.蒸汽發(fā)生器 2.油壓機(jī) 3.蒸制裝置 4.上模 5.下模 6.模板

蒸汽發(fā)生器采用電加熱方式，出口壓力0.04 MPa，整機(jī)功率9 kW，接觸茶坯前蒸汽溫度加熱至114 ℃，試驗(yàn)場地環(huán)境溫度23 ℃，氣壓0.103 MPa。油壓機(jī)采用三梁四柱結(jié)構(gòu)，公稱力為1 200 kN，操作臺面1 000 mm× 800 mm。油壓機(jī)含2個(gè)執(zhí)行油缸（主油缸和副油缸），缸直徑分別為220和120 mm，行程為600 和350 mm。油壓機(jī)主缸運(yùn)行模式分快進(jìn)、工進(jìn)、保壓和回退。副缸運(yùn)行模式分為伸出和縮回，其伸出速度可調(diào)。主缸配置有開關(guān)節(jié)點(diǎn)，負(fù)油缸無檢測點(diǎn)。管路油壓通過比例溢流閥控制，主油路設(shè)置有壓力變送器（型號HQ 800），測量范圍0～30 MPa。蒸制裝置模框溫度控制在87 ℃，成型模板由面溫度控制，溫控精度±2 ℃，模板與模具間隔熱采用玻璃纖維板，厚度5 mm。上模組件和下模組件2部分分別與壓力機(jī)活動橫梁和下橫梁固定安裝。下模組件為導(dǎo)柱框架結(jié)構(gòu)，中置有活動臺板，活動臺板裝置有位移監(jiān)測傳感器（型號KTF 200），檢測精度0.05%。模板模具框尺寸為87 mm×116 mm，一次成型4片青磚茶成品。

1.2.2 儀 器

HHS型恒溫水浴鍋上海博迅實(shí)業(yè)有限公司醫(yī)療設(shè)備廠；島津UV-2550紫外-可見光分光光度計(jì)日本島津公司；Milli-RO PLUS 30 純水機(jī)法國Millipore 公司；CM-5色差計(jì)柯尼美能達(dá)投資有限公司；Waters 2695高效液相色譜、2998 PDA檢測器美國Waters公司；phenomenex 粒徑5m的ODS 250 mm× 4.6 mm C18反相柱美國Phenomenex公司。

1.3 方法

1.3.1 感官審評

根據(jù)《茶葉感官審評方法GB/T 23776-2018》，準(zhǔn)確稱取青磚茶樣品5.0 g置于250 mL評審杯中，注滿沸水，加蓋浸泡5.0 min，按照沖泡次序依次等速將茶湯瀝入評茶碗中。3名感官審評專家對青磚茶品質(zhì)進(jìn)行打分，滿分為100分，青磚茶品質(zhì)越好，分?jǐn)?shù)越高。

1.3.2 內(nèi)含成分檢測

應(yīng)用國家標(biāo)準(zhǔn)方法檢測水浸出物含量[20]、茶多酚含量[21]、游離氨基酸含量[22]；三氯化鋁法測定黃酮含量[23]；系統(tǒng)分析法測定茶紅素、茶黃素和茶褐素含量[24]；HPLC方法檢測沒食子酸、咖啡堿、兒茶素和其單體含量。

1.3.3 近紅外光譜采集

采用美國賽默飛.世爾Antaris Ⅱ型傅里葉變換近紅外光譜儀；光譜掃描范圍4 000～10 000 cm-1，分辨率8 cm-1，檢測器InGaAs。在掃描光譜前，需將儀器開機(jī)預(yù)熱1 h待狀態(tài)穩(wěn)定后再掃描光譜。掃描過程中，將青磚茶樣品裝入與儀器配套的樣品杯中，采用漫反射方式掃描光譜。掃描過程中樣品杯會旋轉(zhuǎn)360°，每個(gè)樣品掃描3條光譜后進(jìn)行光譜平均，以平均光譜作為該樣品的最終光譜（圖2）。

圖2 青磚茶平均近紅外光譜

1）將每條樣品近紅外光譜轉(zhuǎn)化為1 557對數(shù)據(jù)點(diǎn)于execl表中保存，數(shù)據(jù)點(diǎn)間隔為3.86 cm-1，再分別應(yīng)用TQ Analyst 9.4.45軟件、OPUS 7.0軟件和Matlab 2012a軟件對數(shù)據(jù)進(jìn)行分析。

2）為有效去除光譜中夾雜的大量背景信息和噪聲信息，提高建模時(shí)光譜的信噪比，分別應(yīng)用無光譜預(yù)處理（None）、標(biāo)準(zhǔn)變量變換（Standard Normal Variate，SNV）、多元散射校正（Multiple Scatter Correction，MSC）、一階導(dǎo)數(shù)（1stDerivative, FD）和二階導(dǎo)數(shù)（2ndDerivative, SD）以及它們的組合等光譜預(yù)處理方法對原始光譜進(jìn)行降噪處理，篩選出最佳光譜預(yù)處理方法。

3）應(yīng)用反向區(qū)間偏最小二乘法（Backward Interval Partial Least Squares, bi-PLS）[25]將預(yù)處理后的全部光譜數(shù)據(jù)均等劃分為22個(gè)光譜子區(qū)間，通過留一法，用余下的-1個(gè)光譜子區(qū)間建立偏最小二乘法模型。當(dāng)模型的交互驗(yàn)證均方根誤差（Root Mean Square Error of Cross Validation, RMSECV）最小時(shí)，此時(shí)得到的光譜區(qū)間即為篩選的反映關(guān)鍵成分的特征光譜子區(qū)間。

RMSECV 計(jì)算方法如下：

式中為校正集樣品數(shù)，y是樣品實(shí)測值，y′是校正集樣品預(yù)測值。

4）對得到的特征光譜進(jìn)行主成分分析（Principal Component Analysis, PCA）[26]，以主成分?jǐn)?shù)為輸入值，以關(guān)鍵成分含量為輸出值，應(yīng)用jump connection nets人工神經(jīng)網(wǎng)絡(luò)方法（Back Propagation-Artificial Neural Network, BP-ANN）建立關(guān)鍵內(nèi)含成分近紅外光譜預(yù)測模型，并比較3種信息傳遞函數(shù)的模型預(yù)測效果，所得結(jié)果用校正集決定系數(shù)（Determination Coefficient of Cross Validation,R2），預(yù)測集決定系數(shù)（Determination Coefficient of Prediction,R2），交互驗(yàn)證均方根誤差（Root Mean Square Error of Cross Validation, RMSECV），預(yù)測均方根均誤差（Root Mean Square Error of Prediction, RMSEP）表示。其中，以2越大、RMSEP越小時(shí)，模型預(yù)測效果越好。應(yīng)用SPSS 19.0軟件對青磚茶內(nèi)含成分和壓力值間進(jìn)行相關(guān)關(guān)系分析[27]，判斷是否呈顯著性差異（<0.05）。

2 結(jié)果與分析

2.1 青磚茶壓制壓力與感官審評

分別應(yīng)用3、6、12、18和24 MPa壓力對青磚茶原料分別進(jìn)行壓制，待磚面固定后將樣品取出置于烘箱進(jìn)行烘干，然后對青磚茶外形磚面和總體品質(zhì)進(jìn)行感官審評。結(jié)果見表1。

表1 不同壓力下青磚茶感官審評結(jié)果

從表1可以看出，當(dāng)用3 MPa壓力壓制青磚茶時(shí)，得到的茶磚較松散（75分），表明壓力不足，原料間隙還較大；隨著壓力從3逐漸增大到6 MPa時(shí)，原料間隙也隨之逐漸減少，茶磚較緊實(shí)（85分）；當(dāng)壓力增加到12 MPa時(shí)，原料間隙變的較小，茶磚較緊實(shí)，周正（學(xué)術(shù)評語）87分）；當(dāng)壓力逐漸增大到18甚至24 MPa時(shí)，此時(shí)茶磚緊實(shí)，周正，棱角分明，外形感官評分也最高（均為90分）。因此，對100 g規(guī)格的青磚茶來講，當(dāng)壓力為18 或24 MPa時(shí)外形感官評審結(jié)果最佳。但從不同壓力青磚茶的感官評審總體分?jǐn)?shù)來看，隨著壓力的逐漸增大，青磚茶感官審評分?jǐn)?shù)也逐漸增大，其中3 MPa壓力壓制的青磚茶感官審評總分最低（73分），18 MPa壓力壓制的青磚茶感官審評總分最高（93分），超過24 MPa壓力壓制的青磚茶感官審評總分（91分），因此，初步得出最適合壓制100 g青磚茶樣品的最佳壓力值為18 MPa。從表1還可以看出，青磚茶樣品的內(nèi)質(zhì)成分也在慢慢的發(fā)生變化，并且對總體品質(zhì)的貢獻(xiàn)越來越大，因此，非常有必要分析壓力與青磚茶內(nèi)含成分和總體品質(zhì)間的相互關(guān)系。

在財(cái)務(wù)會計(jì)信息上能夠清楚反映企業(yè)的經(jīng)營情況和收益利潤，因此企業(yè)把財(cái)務(wù)預(yù)算作為預(yù)算的重點(diǎn)，非常的關(guān)注，忽略了對其他環(huán)節(jié)的管理和控制，預(yù)算管理的投入與關(guān)注不成比例，沒有建立完善的預(yù)算管理機(jī)制，全面的預(yù)算管理無法充分發(fā)揮其職能，企業(yè)在市場競爭中的競爭力比較低，不能達(dá)到最佳的狀態(tài)，由于長期的過多的忽視財(cái)務(wù)預(yù)算的管理機(jī)制，加之目前我國還沒形成關(guān)于企業(yè)整體預(yù)算管理的系統(tǒng)機(jī)制，因此企業(yè)在執(zhí)行預(yù)算管理的工作上也很不全面，缺乏根本性的管理與認(rèn)識。

2.2 壓力與內(nèi)含成分和品質(zhì)間相互關(guān)系

為進(jìn)一步探討壓力與感官審評總分以及內(nèi)含成分間的相互關(guān)系，本研究嘗試應(yīng)用SPSS 19.0統(tǒng)計(jì)軟件進(jìn)行相關(guān)關(guān)系分析，所得相關(guān)系數(shù)結(jié)果見表2。

表2 壓力值、審評分?jǐn)?shù)和內(nèi)含成分間相互關(guān)系

注：1：感官分?jǐn)?shù)；2：壓力值；3：沒食子酸；4：咖啡堿；5：沒食子兒茶素；6：表沒食子兒茶素；7：表沒食子兒茶素沒食子酸酯；8：沒食子兒茶素沒食子酸酯；9：兒茶素沒食子酸酯；10：總兒茶素；11：茶多酚；12：氨基酸；13：黃酮；14：水浸出物；15：茶黃素；16：茶紅素；17：茶褐素。a為顯著,<0.05；為極顯著，<0.01。

Note:1is sensory score;2is pressure;3is gallic acid;4is caffeine;5is gallocatechin’;6is epigallocatechin;6epigallocatechin;7is epigallocatechin gallate;8isgallocatechin gallate;9is catechin gallate;10is catechin;10is catechin;11istea polyphenol;12isamino acid;13isflavone;14is aqueous extract;15is theaflavin;16is thearubigins;17theabrownin; a means significant,<0.05; b means highly significant,<0.01.

從表2可以看出，壓力值與青磚茶感官評審分?jǐn)?shù)呈極顯著正相關(guān)（<0.01），因此，在壓制青磚茶時(shí)，選擇合適的壓力值對青磚茶總體品質(zhì)影響巨大。沒食子兒茶素沒食子酸酯與品質(zhì)分?jǐn)?shù)和壓力值均呈顯著正相關(guān)關(guān)系（<0.05），而且是僅有的一種內(nèi)含成分，因此，沒食子兒茶素沒食子酸酯可作為反映青磚茶壓制壓力和審評品質(zhì)的僅有的一種關(guān)聯(lián)關(guān)鍵成分，這可能是由于青磚茶在渥堆和后發(fā)酵過程中，多酚類物質(zhì)發(fā)生了復(fù)雜的氧化反應(yīng)，而其中一種主要的產(chǎn)物就是沒食子兒茶素沒食子酸酯，它具有多個(gè)-OH基團(tuán)，具有很強(qiáng)的抗氧化作用，這也是青磚茶具有抗氧化功效的一個(gè)重要原因，但它并不與水浸出物呈顯著相關(guān)關(guān)系。水浸出物雖然在內(nèi)含成分檢測中含量最高，但是其并不與青磚茶總體品質(zhì)呈顯著相關(guān)關(guān)系，可見，內(nèi)含成分含量高低并不是其與青磚茶品質(zhì)間呈顯著關(guān)系的必要條件，而是主要取決于這種成分的重要性。盡管沒食子兒茶素沒食子酸酯的含量相對較低，但是對青磚茶品質(zhì)影響很大，依然會對青磚茶品質(zhì)產(chǎn)生重要的影響作用。

2.3 關(guān)鍵成分GCG快速預(yù)測模型的建立

2.3.1 光譜預(yù)處理方法比較

GCG作為反映青磚茶品質(zhì)和壓制壓力的關(guān)鍵成分，對其含量進(jìn)行快速預(yù)測就顯得非常重要。從圖2可以看出，光譜在長波段（4 000～7 000 cm-1）范圍內(nèi)具有較多的吸收峰，而吸收峰的高低是與內(nèi)含成分的含量密切相關(guān)的，而GCG含量相對較低，很有可能會造成GCG 的吸收峰被其它內(nèi)含成分的吸收峰掩蓋，這將會影響到GCG近紅外光譜模型的預(yù)測效果。因此在建立模型前，還需要先對光譜進(jìn)行預(yù)處理，提高光譜的信噪比。本研究應(yīng)用多種光譜預(yù)處理方法對青磚茶樣品進(jìn)行預(yù)處理后，應(yīng)用偏最小二乘法（Partial Least Squares，PLS）建立GCG的近紅外光譜預(yù)測模型，所得結(jié)果見表3。

表3 不同預(yù)處理方法GCG模型結(jié)果

注：None為無光譜預(yù)處理；SNV為標(biāo)準(zhǔn)變量變換；MSC為多元散射校正；FD為一階導(dǎo)數(shù)；SD為二階導(dǎo)數(shù); SNV+FD為標(biāo)準(zhǔn)變量變換+一階導(dǎo)數(shù)；SNV+SD為標(biāo)準(zhǔn)變量變換+二階導(dǎo)數(shù)；MSC+FD為多元散射校正+一階導(dǎo)數(shù)；MSC+SD為多元散射校正+二階導(dǎo)數(shù)。

Note: None is no spectral pretreatment; SNV is transformation of standard variables; MSC is multivariate scattering correction; FD is first derivative; SD is second derivative; SNV+FD is standard variable transformation + first derivative; SNV+SD is transformation of standard variable + second derivative; MSC+FD is multiple scattering correction + first derivative; MSC+SD is multiple scattering correction + second derivative.

從表3可以看出，在對原始光譜進(jìn)行上述9種光譜預(yù)處理后建立的模型結(jié)果中，以原始光譜建立的GCG模型結(jié)果最差（R2=0.584，RMSECV=0.141）；對光譜進(jìn)行單一預(yù)處理方法處理后建立的模型中，以FD預(yù)處理方法建立的GCG模型結(jié)果較佳（R2=0.594，RMSECV=0.138），但預(yù)測結(jié)果均比組合預(yù)處理方法建立的結(jié)果稍差；在組合預(yù)處理方法處理后建立的模型中，以MSC+FD組合方法建立的GCG模型預(yù)測結(jié)果最佳（R2=0.692，RMSECV=0.114），與用原始光譜建立的模型預(yù)測結(jié)果相比，RMSECV降低了19.14%。因此，在建立模型前，非常有必要對原始光譜進(jìn)行預(yù)處理，本研究的最佳光譜預(yù)處理方法為MSC+FD組合方法，但是建立的模型預(yù)測結(jié)果還很差，無法滿足對青磚茶中GCG含量進(jìn)行精準(zhǔn)預(yù)測。

2.3.2 特征光譜區(qū)間篩選

由于光譜信息存在著重疊、覆蓋和交叉等作用，因此，有必要進(jìn)一步篩選與GCG密切相關(guān)的光譜區(qū)間，提高模型的預(yù)測精度。本試驗(yàn)嘗試應(yīng)用反向區(qū)間偏最小二乘法（backward interval partial least squares, bi-PLS）篩選特征光譜區(qū)間，將全部光譜數(shù)據(jù)劃分為22個(gè)光譜子區(qū)間，在建模過程中采用光譜子區(qū)間逐一去除法，當(dāng)模型的RMSECV最小時(shí)，此時(shí)得到的光譜子區(qū)間即為篩選的特征光譜區(qū)間。所得結(jié)果見表4。

表4 bi-PLS方法篩選特征光譜區(qū)間結(jié)果

從表4可以看出，在建立GCG預(yù)測模型的過程中，當(dāng)RMSECV最小為0.097時(shí)，建模的光譜子區(qū)間為9個(gè)，分別為：[22,19,6,12,9,4,20,14,8]。對應(yīng)的光譜區(qū)間段分別為：9 734.9～10 000、8 924.9～9 191.1，5 368.9～5 638.8，7 011.9～7 281.9、6 190.4～6 460.4、4 821.2～5 091.2、9 194.9～9 461.1、7 559.6～7 829.6、5 916.5～6 186.5 cm-1。特征光譜區(qū)間占全部光譜區(qū)間的比例為36.36%。可見，應(yīng)用bi-PLS方法篩選得到了反映GCG的特征光譜區(qū)間，大大降低了建模的光譜數(shù)據(jù)量，同時(shí)，模型的預(yù)測精度又得到了提高，RMSECV比最佳PLS模型又下降了14.91%。

2.3.3 主成分分析

在建立GCG神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)預(yù)測模型前，要求輸入的光譜數(shù)據(jù)量較少，因此需要對篩選得到的特征光譜區(qū)間進(jìn)行主成分分析，所得結(jié)果見表5。

表5 前6個(gè)主成分累計(jì)貢獻(xiàn)率

從表5可以看出，對特征光譜區(qū)間進(jìn)行主成分分析后，前6個(gè)主成分的貢獻(xiàn)率迅速降低，其中PC1貢獻(xiàn)率為90.25%，PC1～PC6累計(jì)貢獻(xiàn)率為99.98%，前3個(gè)主成分的累積貢獻(xiàn)率為97.82%，根據(jù)主成分分析原理可知，前3個(gè)主成分的信息就可以代表特征光譜區(qū)間的全部信息[28]。

2.3.4 神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立

以上述主成分分析得到的前3個(gè)主成分為輸入變量，以關(guān)鍵成分GCG含量的輸出變量，應(yīng)用jump connection nets人工神經(jīng)網(wǎng)絡(luò)建立GCG含量的近紅外光譜預(yù)測模型。在建立模型的過程中，各傳遞層之間的傳遞函數(shù)不同，模型預(yù)測結(jié)果也不同。本文在建立人工神經(jīng)網(wǎng)絡(luò)模型過程中，設(shè)定人工神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)速率為0.10，應(yīng)用3種傳遞函數(shù)，分別為：linear[0,1]函數(shù)，logistic函數(shù)和tanh函數(shù)。所得結(jié)果見表6。

表6 3種傳遞函數(shù)人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果

從表6可以看出，3種傳遞函數(shù)jump connection nets人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果不同，其中相對較差的為應(yīng)用linear[0,1]函數(shù)建立的模型（R2=0.876，RMSEP=0.065），這可能是由于青磚茶在渥堆和后發(fā)酵過程中發(fā)生了大量的化學(xué)反應(yīng)，內(nèi)部成分復(fù)雜，得到的內(nèi)含成分近紅外光譜信息也異常復(fù)雜，光譜信息間非線性特征明顯，因此，線性傳遞函數(shù)linear[0,1]建立的GCG人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果最差；而logistic函數(shù)和tanh函數(shù)具有較強(qiáng)的非線性特性，應(yīng)用這兩種傳遞函數(shù)建立的人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果都要優(yōu)于linear[0,1]函數(shù)的模型預(yù)測結(jié)果，其中預(yù)測精度最佳的為應(yīng)用tanh傳遞函數(shù)建立的GCG人工神經(jīng)網(wǎng)絡(luò)模型（R2=0.980，RMSEP=0.027）。但通過對logistic函數(shù)和tanh函數(shù)建立的模型對預(yù)測集樣品的GCG含量進(jìn)行預(yù)測，預(yù)測結(jié)果間無顯著性差異（>0.05）。

2.4 模型應(yīng)用效果檢驗(yàn)

應(yīng)用建立的最佳jump connection nets人工神經(jīng)網(wǎng)絡(luò)模型對未知含量的10個(gè)青磚茶樣品的GCG含量進(jìn)行預(yù)測，所得結(jié)果見圖3。

圖3 未知青磚茶樣品GCG含量預(yù)測結(jié)果

從圖3可以看出，應(yīng)用最佳的tanh傳遞函數(shù)建立的人工神經(jīng)網(wǎng)絡(luò)模型對10個(gè)未知青磚茶樣品的GCG含量進(jìn)行預(yù)測（R2=0.948，RMSEP=0.041），所得結(jié)果具有較好的預(yù)測性能，表明建立的模型具有較好的穩(wěn)健性，沒有出現(xiàn)過擬合現(xiàn)象，可準(zhǔn)確的預(yù)測青磚茶中關(guān)鍵成分GCG的含量。

3 結(jié) 論

1）青磚茶在壓制過程中，選擇適當(dāng)?shù)膲褐茐毫Ψ浅Ｖ匾?，因?yàn)閴毫^小，則青磚茶未能充分壓實(shí)，易松散；壓力過大，雖然青磚茶得到了充分壓實(shí)，但不利于存放過程中后發(fā)酵化學(xué)反應(yīng)的發(fā)生。本研究以100 g青磚茶樣品為研究對象，分別比較了3、6、12、18和24 MPa壓力下青磚茶的感官品質(zhì)，得出最佳壓力值為18 MPa，關(guān)鍵內(nèi)含成分為GCG（<0.05）。

2）應(yīng)用近紅外光譜技術(shù)，先應(yīng)用MSC+FD預(yù)處理方法剔除部分噪聲信息后，再結(jié)合反向區(qū)間偏最小二乘法篩選反映CGC成分的特征光譜區(qū)間，經(jīng)主成分分析后建立了GCG的3種信息傳遞函數(shù)的jump connection nets人工神經(jīng)網(wǎng)絡(luò)模型，最佳傳遞函數(shù)為非線性的tanh傳遞函數(shù)，模型的R2和RMSEP 分別為0.980和0.027。

3）建立的最佳模型對未知青磚茶樣品具有較好的實(shí)際預(yù)測性能（R2=0.948，RMSEP=0.041）。本研究結(jié)果為今后其它規(guī)格青磚茶產(chǎn)品的研發(fā)提供了前期基礎(chǔ)研究和數(shù)據(jù)支撐，為獲得最佳的青磚茶產(chǎn)品品質(zhì)及其快速檢測提供了技術(shù)支持。

[1] 中國國家標(biāo)準(zhǔn)化管理委員會. 緊壓茶第9部分：青磚茶GB/T 9833.9-2013[S]. 北京：中國標(biāo)準(zhǔn)出版社，2013.

[2] 宛曉春. 茶葉生物化學(xué)[M]. 北京：中國農(nóng)業(yè)出版社，2003.

[3] Martins F, Noso T M, Porto V B, et al. Mate tea inhibits in vitro pancreatic lipase activity and has hypolipidemic effect on high-fat diet-induced obese mice[J]. Obesity, 2010, 18: 42-47.

[4] 李世剛，鄭倩倩，何建剛，等. 湖北青磚茶對IBS-D模型大鼠腸道敏感性的影響[J]. 茶葉科學(xué)，2016，36(3)：245-249.

Li Shigang, Zheng Qianqian, He Jianguo, et al. The effects of Hubei Qingzhuan tea on intestinal sensitivity in IBS-D mouse model[J]. Journal of Tea Science, 2016, 36(3): 245-249. (in Chinese with English abstract)

[5] Yang Xinhe, Huang Mingjun, Qin Caiqin, et al. Structural characterization and evaluation of the antioxidant activities of polysaccharides extracted from Qingzhuan brick tea[J]. International Journal of Biological Macromolecules, 2017, 101: 768-775.

[6] 陳玉瓊，張偉，倪德江，等. 湖北青磚茶輔助降血脂作用及其抗氧化效果[J]. 茶葉科學(xué)，2010，30(2)：124-128.

Chen Yuqiong, Zhang Wei, Ni Dejiang, et al. Study on the hypolipidemic effect and antioxidative activity of Hubei Qingzhuan Tea[J]. Journal of Tea Science, 2010, 30(2): 124-128. (in Chinese with English abstract)

[7] 潘琳. “一帶一路”戰(zhàn)略下中國茶葉擴(kuò)大俄羅斯市場占有率的思考[J]. 當(dāng)代經(jīng)濟(jì)，2017，23：56-59.

Pan Lin. Thoughts on expanding russian market share of Chinese tea under the strategy of “One Belt and One Road”[J]. Contemporary Economy, 2017, 23: 56-59. (in Chinese with English abstract)

[8] 金心怡. 茶葉加工工程[M]. 北京：中國農(nóng)業(yè)出版社, 2014.

[9] 鄭鵬程，龔自明，王勝鵬，等. 青磚茶加工工藝及展望[J].中國茶葉加工，2017(2)：46-49.

Zheng Pengcheng, Gong Ziming, Wang Shengpeng, et al. Status and prospect of Qingzhuan Tea processing technology[J]. Chinese Tea Processing, 2017(2): 46-49. (in Chinese with English abstract)

[10] 夏濤. 制茶學(xué)[M]. 北京：中國農(nóng)業(yè)出版社，2016.

[11] 龔自明，滕靖，鄭鵬程，等. 一種茶葉壓制成型設(shè)備及茶葉壓制成型工藝過程[P]. 中國發(fā)明專利，ZL201310304977.8，2013-5-30.

[12] Guillemain A, Dégardin K, Roggo Y. Performance of NIR handheld spectrometers for the detection of counterfeit tablets[J]. Talanta, 2017, 165: 632-640.

[13] Malegori C, Marques E J N, Freitas S T, et al. Comparing the analytical performances of Micro-NIR and FT-NIR spectrometers in the evaluation of acerola fruit quality, using PLS and SVM regression algorithms[J]. Talanta, 2017, 165: 112-116.

[14] Forina M, Oliveri P, Bagnasco L, et al. Artificial nose, NIR and UV–visible spectroscopy for the characterisation of the PDO Chianti Classico olive oil[J]. Talanta, 2015, 144: 1070-1078.

[15] 董春旺，梁高震，安霆，等. 紅茶感官品質(zhì)及成分近紅外光譜快速檢測模型建立[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(24)：306-313.

Dong Chunwang, Liang Gaozhen, An Ting, et al. Near-infrared spectroscopy detection model for sensory quality and chemical constituents of black tea[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(24): 306-313. (in Chinese with English abstract)

[16] Yan Shouhe. Evaluation of the composition and sensory properties of tea using near infrared spectroscopy and principal component analysis[J]. J Near Infrared Spec, 2005, 13(6): 313-325.

[17] Wang Shengpeng, Zhang Zhengzhu, Ning Jingming, et al. Back propagation-artificial neural network model for prediction of the quality of tea shoots through selection of relevant near infrared spectral data via synergy interval partial least squares[J]. Analytical Letters, 2013, 46: 184-195.

[18] Ren Guangxin, Wang Shengpeng, Ning Jingming, et al. Quantitative analysis and geographical traceability of black tea using Fourier transform near-infrared spectroscopy (FT-NIRS)[J]. Food Research International, 2013, 53: 822-826.

[19] 滕靖，龔自明，高士偉，等. 一種小餅茶自動化壓制成型設(shè)備及其壓制成型工藝過程[P].中國專利，ZL201310304897.2，2013-5-30.

[20] 中國國家標(biāo)準(zhǔn)化管理委員會. 茶水浸出物測定：GB/T 8305－2013 [S]. 北京：中國標(biāo)準(zhǔn)出版社，2013.

[21] 中國國家標(biāo)準(zhǔn)化管理委員會. 茶葉中茶多酚和兒茶素類含量的檢測方法：GB/T 8313－2008[S]. 北京：中國標(biāo)準(zhǔn)出版社，2008.

[22] 中國國家標(biāo)準(zhǔn)化管理委員會. 茶游離氨基酸總量的測定：GB/T 8314-2013 [S]. 北京：中國標(biāo)準(zhǔn)出版社，2013.

[23] 鐘蘿. 茶葉品質(zhì)理化分析[M]. 上海：上海科學(xué)技術(shù)出版社，1989.

[24] Roberts E A H, Smith R F. Spectrophotometric measurements of theaflavins and thearubigins in black tea liquors in assessments of quality in teas[J]. Analyst, 1961, 86(10): 94-98.

[25] Norgaard L, Saudland A, Wagner J, et al. Interval partial least squares regression (iPLS): A comparative chemometric study with an example from near-infrared spectroscopy[J]. Appl. Spectrosc, 2000, 54: 413-419.

[26] Shahdoosti H R, Ghassemiaan H. Combining the spectral PCA and spatial PCA fusion methods by an optimal filter[J]. Information Fusion, 2016, 27: 150-160.

[27] Xi C P, Zhang S N, Xiong G, et al. Two-dimensional multifractal cross-correlation analysis[J]. Chaos, Solitons & Fractals, 2017, 96: 59-69.

[28] 沃爾夫?qū)す吕眨麏W波德·西馬(著)，陳詩一(譯). 應(yīng)用多元統(tǒng)計(jì)分析[M]. 北京：北京大學(xué)出版社.

Optimizing processing pressure of qingzhuan tea and development of GCG models for near infrared spectroscopy detection

Wang Shengpeng, Teng Jing, Zheng Pengcheng, Liu Panpan, Gong Ziming※, Gao Shiwei, Gui Anhui, Ye Fei, Wang Xueping, Zheng Lin

(,,430064,)

Processing pressure is an important parameter during the production of Qingzhuan tea, and also for the identification of tea quality. Taking 100g Qingzhuan tea as the research object, this study aims to optimize the processing pressure, and then establish a quantitative model of key components, including pressure, quality and contents of Qingzhuan tea, using the near infrared spectroscopy. The processing pressure was set as 3, 6, 12, 18 and 24 MPa in the test. The sensory evaluation and correlation methods were used to analyze the relationship between the optimal pressure, the quality and the contents of Qingzhuan tea. Standard normal variate (SNV), multiple scatter correction (MSC), first derivative (FD) and second derivative (SD) and their combined methods were used to denoise the original raw spectrum during the preprocessing of data. Then, the backward partial least squares algorithm was used to select the characteristic spectral intervals, while the principal component analysis method was used to analyze them. Finally, the principal components were input into the jump connection nets structure artificial neural network (ANN) of three kinds of transfer functions, as linear [0,1] functions, logistic functions and tanh functions, respectively, to establish a quantitative analysis model. The results showed that 1) the optimum pressure was 18 MPa, while the content of gallocatechin gallate (GCG) was closely related to the pressure and the quality of Qingzhuan tea (<0.05); 2) the optimum pretreatment method was MSC+FD method; 3) the characteristic spectral intervals were 9 734.9-10 000, 8 924.9-9191.1 cm-1, 5 368.9-5 638.8, 7 011.9-7 281.9, 6 190.4-6 460.4, 4 821.2-5 091.2, 9 194.9-9 461.1 cm-1, 7 559.6-7 829.6, 5 916.5-6 186.5 cm-1; 4) the cumulative contribution rate of the first three principal components was 97.82%; 5) the GCG artificial neural network model that established by tanh transfer function indicated the best results (R2=0.980, RMSEP = 0.027), with better practical application effect (R2=0.948, RMSEP=0.041). The findings can provide a theoretical foundation to develop more types of Qingzhuan tea products, and to rapidly detect their quality in tea industry.

pressure; quality control; near infrared spectroscopy; qingzhuan tea; backward partial least squares; principal component analysis; artificial neural network

王勝鵬，滕靖，鄭鵬程，等. 青磚茶壓制壓力優(yōu)化及GCG近紅外快速檢測模型建立[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(8)：271-277.doi：10.11975/j.issn.1002-6819.2020.08.033 http://www.tcsae.org

Wang Shengpeng, Teng Jing, Zheng Pengcheng, et al. Optimizing processing pressure of qingzhuan tea and development of GCG models for near infrared spectroscopy detection[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(8): 271-277. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.08.033 http://www.tcsae.org

2019-09-26

2020-03-31

國家現(xiàn)代茶產(chǎn)業(yè)技術(shù)體系建設(shè)專項(xiàng)（CARS-19）；中央引導(dǎo)地方科技發(fā)展專項(xiàng)（2018ZYYD009）；湖北省農(nóng)業(yè)科技創(chuàng)新中心創(chuàng)新團(tuán)隊(duì)項(xiàng)目（2016-620-000-001-032）；國家自然科學(xué)基金項(xiàng)目（31400586）

王勝鵬，博士，副研究員，研究方向?yàn)椴枞~加工、茶葉品質(zhì)快速無損檢測。Email：wwsspp0426@163.com

龔自明，研究員，研究方向?yàn)椴枞~加工。Email：ziminggong@163.com

10.11975/j.issn.1002-6819.2020.08.033

TS272

A

1002-6819(2020)-08-0271-07