基于電特性的紅茶發(fā)酵中茶多酚含量快速檢測方法

王盛琳，楊崇山，劉中原，柳善建，董春旺*

基于電特性的紅茶發(fā)酵中茶多酚含量快速檢測方法

王盛琳1,2，楊崇山2，劉中原2，柳善建1*，董春旺2*

1. 山東理工大學(xué)農(nóng)業(yè)工程與食品科學(xué)學(xué)院，山東 淄博 255000；2. 中國農(nóng)業(yè)科學(xué)院茶葉研究所，浙江 杭州 310008

茶多酚是紅茶品質(zhì)的重要評價指標(biāo)。以工夫紅茶發(fā)酵在制品為研究對象，利用電特性檢測技術(shù)與化學(xué)計量學(xué)方法相結(jié)合，構(gòu)建發(fā)酵中茶多酚含量的預(yù)測模型。探討了發(fā)酵中電參數(shù)的變化規(guī)律，以及不同標(biāo)準(zhǔn)化預(yù)處理和變量篩選算法對模型的影響。結(jié)果表明，對茶多酚最敏感的電參數(shù)為并聯(lián)等效電容（）損耗因子（）和電抗（），且集中在低頻范圍（0.05~0.10?kHz）。在茶多酚預(yù)測模型構(gòu)建中，Z標(biāo)準(zhǔn)化（Center and zero mean normalization，Zscore）預(yù)處理、迭代空間收縮算法混合迭代保留信息變量算法（Variables combination population analysis and iterative retained information variable algorithm，VCPA-IRIV）能有效提升模型性能。VCPA-IRIV算法將引入變量數(shù)由162降低到31，壓縮率達(dá)80.86%；VCPA-IRIV模型的最低交互驗(yàn)證均方根誤差（Root-mean-squares error of calibration，）和預(yù)測均方根誤差（Root-mean-square error of prediction，）分別為0.630和1.116，預(yù)測集的相關(guān)系數(shù)（Correlation coefficient of predication set，）和相對標(biāo)準(zhǔn)偏差（Relative percent deviation，）為0.941和2.956，表明電特性檢測技術(shù)對紅茶發(fā)酵中茶多酚含量的快速無損檢測是可行的。

紅茶發(fā)酵；電特性；茶多酚；變量篩選；模型

紅茶是世界消費(fèi)量最大的茶類，發(fā)酵是其品質(zhì)形成的關(guān)鍵工序[1]。發(fā)酵過程中，揉捻葉細(xì)胞內(nèi)以兒茶素為主體的多酚類物質(zhì)與多酚氧化酶充分接觸，發(fā)生酶促氧化、聚合和縮合等一系列生化反應(yīng)，形成了“紅葉紅湯”為特征的感官品質(zhì)[2-3]。多酚類物質(zhì)的組成及氧化聚合程度影響紅茶的湯色和滋味特征，是紅茶發(fā)酵品質(zhì)形成的物質(zhì)基礎(chǔ)[4]。

國內(nèi)外紅茶生產(chǎn)中，對發(fā)酵品質(zhì)適度的把握，主要依據(jù)制茶師傅的經(jīng)驗(yàn)判斷，具有主觀性和不穩(wěn)定性。若要精準(zhǔn)把握發(fā)酵品質(zhì)，需借助理化檢測手段分析茶多酚等內(nèi)質(zhì)成分的變化。茶多酚含量的檢測，主要采用紫外分光光度法和高效液相色譜法（HPLC），存在預(yù)處理復(fù)雜、周期長、成本高等缺點(diǎn)，難以滿足紅茶自動化、規(guī)?；a(chǎn)中對產(chǎn)品質(zhì)量快速檢測和在線成分含量監(jiān)控的需求[5]。

電特性檢測技術(shù)可直接測量樣本內(nèi)部的整體信息，建立待測物的電特性參數(shù)（介電常數(shù)、電容、電阻、電抗、損耗因子和阻抗）與內(nèi)含生化成分的關(guān)聯(lián)，具有快速、靈敏、無損、低成本的優(yōu)點(diǎn)，已在農(nóng)產(chǎn)品貯藏保鮮、食品加工、品質(zhì)檢測、篩選分級等方面顯示出特殊的優(yōu)勢和廣泛應(yīng)用前景，但在茶葉領(lǐng)域研究較少[6-8]。Mizukami等[9]研究了不同測試頻率（10?Hz~1.0?MHz）、不同嫩度的蒸青綠茶在制品的電特性參數(shù)（阻抗、電容）與水分含量之間的數(shù)學(xué)關(guān)系。胡永光等[10]分析了冷凍損傷茶鮮葉的生理指標(biāo)和電參數(shù)（電容、阻抗、電阻和電抗）間的關(guān)系，并驗(yàn)證使用電特性表征臨界寒冷溫度的可行性。馮呈艷等[11]利用LCR數(shù)字電橋儀分析了不同茶樹品種、原料嫩度及水分含量對物料介電常數(shù)的影響規(guī)律。Zhu等[12]基于電參數(shù)檢測技術(shù)，采集了工夫紅茶發(fā)酵過程中11個電參數(shù)值（測試頻率為100?Hz），明確了兒茶素和茶色素與電參數(shù)存在較顯著關(guān)聯(lián)，并基于機(jī)器學(xué)習(xí)算法建立了4種不同紅茶發(fā)酵程度（揉捻葉、未適度發(fā)酵、適度發(fā)酵和過度發(fā)酵）的定性判別模型。

總結(jié)上述文獻(xiàn)發(fā)現(xiàn)，紅茶發(fā)酵品質(zhì)快速、無損、定量檢測的研究較少，尚未有紅茶發(fā)酵加工過程中對茶多酚含量的電特性檢測研究報道。本文以紅茶發(fā)酵在制品為研究對象，探索電特性參數(shù)與茶多酚間的量化解析關(guān)系，并篩選電參數(shù)特征變量和測試頻率，結(jié)合偏最小二乘法（Partial least squares，PLS）建模方法，構(gòu)建紅茶發(fā)酵過程中茶多酚含量的預(yù)測模型，旨在為實(shí)際生產(chǎn)中精準(zhǔn)預(yù)測發(fā)酵品質(zhì)和研制專用儀器提供理論參考和依據(jù)。

1 材料和方法

1.1 樣品制備

茶鮮葉原料采摘于中國農(nóng)業(yè)科學(xué)院茶葉研究所嵊州市基地，茶樹品種為鐵觀音，嫩度為一芽一葉。按照鮮葉→萎凋→揉捻→發(fā)酵→毛火干燥→足火干燥的工序加工紅茶，保持各工序的工藝參數(shù)一致。發(fā)酵試驗(yàn)采用紅茶自動化發(fā)酵機(jī)，發(fā)酵溫度28℃，相對濕度≥90%，發(fā)酵時間為6?h，使樣本集覆蓋到不同發(fā)酵階段（揉捻葉、輕發(fā)酵、適度發(fā)酵、過度發(fā)酵）。發(fā)酵過程中，每隔30?min取樣1次，每次多點(diǎn)取樣8個，單個樣品的質(zhì)量為150?g，共獲取104個發(fā)酵過程樣品，分別用于電特性和理化檢測。

1.2 理化成分測定

對樣品進(jìn)行凍干和磨粉預(yù)處理，參照國標(biāo)法（GB/T 8313—2018《茶葉中茶多酚和兒茶素類含量的測定方法》）測定茶多酚含量。所有生化成分的檢測均重復(fù)3次，檢測值以3次重復(fù)的平均值表示[13]。

1.3 茶鮮葉細(xì)胞切片方法

采用振動切片法對萎凋葉、揉捻葉和發(fā)酵3?h的在制品進(jìn)行葉細(xì)胞切片，設(shè)備為VT1000S型LEICA振動切片機(jī)（北京拓普時代科技有限公司），具體操作流程如下：

（1）取材：在每組待測樣中選取具有代表性的葉片沿中脈切成1?cm×1?cm正方形小塊，取材要準(zhǔn)確、迅速和新鮮，以免細(xì)胞組織發(fā)生自溶現(xiàn)象。

（2）固定：將切好的葉片組織迅速投入甲醛-乙酸-乙醇（FAA）固定液中，并于4℃條件下固定3?d以上，材料固定后轉(zhuǎn)入15%~30%蔗糖溶液中，并置于4℃冰箱過夜，次日用于振動切片。

（3）沖洗：將固定好的材料用鑷子夾出，然后用0.2?moL·L-1磷酸鹽緩沖（PBS）溶液漂洗3~5次，每次10?min。

（4）包埋：將沖洗好的葉片用濾紙吸干表面緩沖液，然后插入冷卻至45℃左右的3%瓊脂多糖溶液中，使包埋劑完全浸沒葉片組織，待冷卻至室溫且完全固化后用于制備切片。

（5）修塊：使用解剖刀，將包埋塊修整合適。

（6）切片：在切片機(jī)上固定好包埋塊和切片刀，調(diào)整刀位后進(jìn)行對刀、進(jìn)刀，完成細(xì)修后切片，厚度在10~20?μm以上。

（7）鏡檢：使用鑷子將制好的切片放于載玻片上，蓋好蓋玻片，在光學(xué)顯微鏡下觀察試驗(yàn)結(jié)果，每片觀察5~10個視野，拍照保存。

1.4 電特性測定

電特性檢測系統(tǒng)由2816B型LCR電橋測試儀（常州同惠電子有限公司）、自制測試盒、自制平行電極及配套采集軟件組成。電極材質(zhì)為鍍金銅，電極板的接觸表面積均為20?cm2（長、寬、厚分別為5?cm、4?cm和1?mm）。通過終端采集軟件，實(shí)現(xiàn)電參數(shù)信息的實(shí)時檢測和自動記錄，信息采集與分析流程如圖1所示。

測量前，LCR測量儀開機(jī)預(yù)熱30?min，并校準(zhǔn)清零。然后稱取每個待測樣品50?g，均勻裝入到測試盒內(nèi)，再將LCR的測量電極與平行極板的外接線連接，開展樣品的電參數(shù)測定。LCR測試儀的測試頻率范圍為50?Hz~200?kHz，測試電壓設(shè)為1?V，測量在50、60、80、100、200、300、400、500、600、800?Hz和1、2、3、4、5、6、8、10、20、30、40、50、60、80、100、150、200?kHz等27個測試頻率對應(yīng)的電參數(shù)。

LCR的電參數(shù)測試電路分為串聯(lián)、并聯(lián)等效電路模型，通常低阻抗元件用串聯(lián)，從數(shù)值上來說，即阻抗小于100?Ω用串聯(lián)[14-15]。本試驗(yàn)中測試的阻抗最小值大于200?Ω，故選用并聯(lián)測試電路。測試的電特性參數(shù)為：并聯(lián)等效電容（）、復(fù)阻抗（）、電阻（）、電抗（）、損耗因子（）和相位損耗角（），整個發(fā)酵過程中可獲得104個27（測試頻率）×6（電參數(shù)）的二維矩陣。

圖1 電特性信息采集與分析方法流程

1.5 數(shù)據(jù)處理與分析

1.5.1 數(shù)據(jù)的標(biāo)準(zhǔn)化

各電參數(shù)的量綱和數(shù)量級不同，故對電特性參數(shù)進(jìn)行標(biāo)準(zhǔn)化預(yù)處理，將電信號數(shù)據(jù)轉(zhuǎn)換到同一數(shù)量級水平。本研究分別采用卷積平滑（Smooth）、多元散射校正（Multiplicative scatter correction，MSC）、離差標(biāo)準(zhǔn)化（Min-Max normalization，Min-Max）和Z標(biāo)準(zhǔn)化（Center and Zero mean normalization，ZScore）等4種方法。

1.5.2 特征變量篩選方法

電參數(shù)的全頻率變量間還存在一定的相關(guān)性，某個頻率點(diǎn)下的變量能夠由其他頻率點(diǎn)下的變量共同解釋，因此該變量即為冗余信息[16]。這些冗余信息在建模時會增加模型的復(fù)雜度，降低模型的精度，所以對原始信息進(jìn)行篩選十分重要[17]。本文采用經(jīng)典的競爭性自適應(yīng)權(quán)重取樣法（Competitive adaptive reweighted sampling，CARS）和連續(xù)投影（Successive projections algorithm，SPA）、蒙特卡洛無信息變量消除（Monte Carlo based uninformative variable elimination，MCUVE），以及較新的變量迭代空間收縮算法（Variable iterative space shrinkage approach，VISSA）、混合算法-迭代空間收縮算法和迭代保留信息變量（Variables combination population analysis and iterative retained information variable algorithm，VCPA-IRIV）等算法對電參數(shù)進(jìn)行特征變量篩選，并確定最優(yōu)的變量選擇方法。

1.5.3 建模方法與性能評價

以VCPA-PLS模型為例，為基于VCPA算法篩選的特征變量為輸入，采用PLS建立茶多酚含量的線性預(yù)測模型。VCPA-IRIV-PLS模型是在VCPA算法篩選的變量基礎(chǔ)上，用IRIV算法進(jìn)一步挖掘和精簡變量，最后利用經(jīng)兩種算法聯(lián)合篩選的特征變量為輸入，構(gòu)建茶多酚含量的PLS預(yù)測模型（即VCPA-IRIV-PLS）。

模型建立過程中，采用交互驗(yàn)證法優(yōu)化模型，以最低的交互驗(yàn)證均方根誤差（Root-mean-squares error of calibration，）值確定建模的最優(yōu)主成分個數(shù)。模型性能評價指標(biāo)包括校正集的相關(guān)系數(shù)（Correlation coefficient of calibration set，）和，以及預(yù)測集的相關(guān)系數(shù)（Correlation coefficient of predication set，）和預(yù)測均方根誤差（Root-mean-square error of prediction，）。通常值和值越小，且和值越大，模型的預(yù)測效果越好，并且和值間的差值越小，則預(yù)測模型的泛化性能越好[17]。同時，引入相對標(biāo)準(zhǔn)偏差（Relative percent deviation，）作為關(guān)鍵評判指標(biāo)[18-19]。

建模之前，先采用Kennard Stone（K-S）法[20]從收集的104個樣本中挑選出30個作為預(yù)測集，余下的74個作為校正集，預(yù)測集和校正集比例約為3∶7。所有的數(shù)據(jù)處理在MATLAB 2019a（Math Works，Natick，USA）平臺下完成。

2 結(jié)果與分析

2.1 葉面顯微結(jié)構(gòu)變化

采用振動切片法采集萎凋葉、揉捻葉、發(fā)酵葉的細(xì)胞切片，40倍光學(xué)顯微鏡下的顯微結(jié)構(gòu)如圖2所示，茶葉經(jīng)揉捻后，柵欄組織和海綿組織細(xì)胞出現(xiàn)損傷，細(xì)胞液內(nèi)的果膠質(zhì)（茶汁）釋放。同時，隨著發(fā)酵中茶汁內(nèi)多酚類物質(zhì)的氧化聚合反應(yīng)，形成了色素類化合物，使切片內(nèi)細(xì)胞組織呈現(xiàn)“黃褐色”。生物體是由電介質(zhì)、導(dǎo)體和電解質(zhì)組合成的復(fù)合體，在外電場作用下，物質(zhì)分子中的束縛電荷將對外加電場形成一定的響應(yīng)關(guān)系[21]。紅茶發(fā)酵過程中，細(xì)胞結(jié)構(gòu)和成分的變化，將引起發(fā)酵中電荷阻抗能力提升，容抗能力減小[12,15]。

2.2 測試頻率對電特性的影響

以27個測試頻率點(diǎn)和13個發(fā)酵時間節(jié)點(diǎn)為（，）坐標(biāo)軸，各電參數(shù)值為軸，繪制3因素間的影響關(guān)系的三維網(wǎng)絡(luò)圖（圖3）。由圖3可知，檢測頻率對紅茶發(fā)酵樣品電參數(shù)有明顯的影響，且發(fā)酵時間對電參數(shù)的影響力小于頻率。

由圖3-A和3-C可以看出，紅茶發(fā)酵樣品的和值變化規(guī)律基本吻合，均隨頻率增大而逐漸減小，隨發(fā)酵進(jìn)程而逐漸增加。由圖3-B和3-E可知，紅茶發(fā)酵樣品的和值變化規(guī)律相似，均隨著測試頻率的增加呈先增后降的趨勢，分別在4?kHz和10?kHz附近達(dá)到峰值。由圖3-D和3-F可知，紅茶發(fā)酵樣品的和值變化規(guī)律相反，值隨測試頻率的增加急劇降低，頻率越低變化越劇烈，在800?Hz后趨于穩(wěn)定。值隨著頻率的增大呈現(xiàn)先緩慢增加，在1?kHz后急劇下降的變化規(guī)律。

2.3 發(fā)酵時間對電特性和茶多酚含量的影響

由于發(fā)酵樣品的電參數(shù)在不同測試頻率，而1?kHz是本LCR測試儀高低頻段的臨界點(diǎn)，因此選1?kHz作為特征頻率，進(jìn)一步明確發(fā)酵時間對電特性的影響，結(jié)果如圖4所示。整體來看，各電特性參數(shù)均呈現(xiàn)規(guī)律性變化，其中與呈先增后降趨勢，、和隨發(fā)酵時間逐漸增加，且損耗因子在發(fā)酵2?h后趨于穩(wěn)定。和的變化曲線基本吻合，均呈四段式（0~2?h、2.5~3?h、3.5~4.5?h和5~6?h）趨勢，其中0~2?h時緩慢增加，隨后急劇升高。電容和茶多酚含量均隨發(fā)酵時間呈線性減小趨勢，表明茶多酚含量與50?Hz的電容值存在較高的相關(guān)性。

2.4 變量信息關(guān)聯(lián)分析

提取13個發(fā)酵節(jié)點(diǎn)下各頻率的值，可得一組27×13的變量矩陣，對變量矩陣進(jìn)行相關(guān)性分析，并繪制相關(guān)性系數(shù)的二維熱力圖（圖5-A）和三維切片圖（圖5-B）。如圖5-A所示，相關(guān)性系數(shù)在低頻段（50~800?Hz）與高頻段（1~200?kHz）相對獨(dú)立，2個波段之間的變量呈負(fù)相關(guān)，2個波段內(nèi)部的變量呈正相關(guān)；低頻段與低頻段和高頻段變量均有較高的相關(guān)性，其中高頻段內(nèi)部變量之間相關(guān)程度較復(fù)雜，但整體存在較高關(guān)聯(lián)性。圖5-B所示，各變量間的相關(guān)系數(shù)絕對值大多高于0.5，電特性數(shù)據(jù)在頻率、電參數(shù)間均存在較嚴(yán)重的相互干擾和較大冗余，應(yīng)進(jìn)行特征變量的篩選和主成分提取。

圖2 不同工序下的茶葉細(xì)胞切片

2.5 電參數(shù)數(shù)據(jù)預(yù)處理方法優(yōu)選

采用Smooth、Min-Max、MSC和Zscore對電參數(shù)數(shù)據(jù)進(jìn)行預(yù)處理，并建立茶多酚的PLS預(yù)測模型，結(jié)果如表1所示。結(jié)果表明，經(jīng)Smooth、MSC方法處理后的模型與原始模型性能相當(dāng)。而Min-Max和Zscore方法明顯優(yōu)于其他預(yù)處理方法，其中Zscore為電特性參數(shù)最佳預(yù)處理方法，其將值從原始數(shù)據(jù)的0.715提高至0.819，為1.231，也顯著低于其他預(yù)處理方法。此外，Zscore模型的和的差值為0.429，在所有預(yù)處理方法中最小，表明Zscore標(biāo)準(zhǔn)化處理后使模型具備較好的泛化性能。

2.6 特征電參數(shù)篩選和線性預(yù)測模型

將27個頻率下的電參數(shù)（）按順序循環(huán)排列，可得162個變量組合，利用化學(xué)計量學(xué)方法對組合變量進(jìn)行篩選，提取與茶多酚成分有關(guān)聯(lián)的特征變量和特征頻率，以建立共線性最小、更為簡潔的預(yù)測模型。發(fā)酵樣品的電參數(shù)經(jīng)過Zscore預(yù)處理后，分別利用MCUVE、SPA、CARS、VISSA和VCPA-IRIV等5種算法結(jié)合PLS，建立發(fā)酵過程中茶多酚含量的預(yù)測模型。

圖3 電特性參數(shù)隨頻率和發(fā)酵時間的變化規(guī)律

圖4 電特性參數(shù)及茶多酚在發(fā)酵中的變化規(guī)律

注：A為相關(guān)系數(shù)的二維熱力圖，B為相關(guān)系數(shù)的三維切片圖

表2為各變量篩選方法優(yōu)選的特征變量，表3為不同篩選方法的模型結(jié)果。由表2可知，不同方法篩選的特征變量中，尤其是排名靠前的變量，主要集中在低頻段（0.05、0.08、0.1?kHz），且較相關(guān)的電參數(shù)均為和。

由表3可知，SPA、MCUVE、CARS、VISSA和VCPA-IRIV篩選的變量數(shù)分別4、22、15、47、31個，各方法均有效壓縮了變量，壓縮率在80%以上。對比5種變量選擇方法，各方法模型的性能參數(shù)均優(yōu)于全譜模型，其中VCPA-IRIV方法的結(jié)果最優(yōu)，SPA、VISSA方法次之，而CARS方法則較差。較全變量的PLS模型，VCPA-IRIV-PLS模型將校正集和預(yù)測集的相關(guān)系數(shù)分別由0.857、0.819上升為0.983、0.941；及則分別由0.802、1.231下降為0.630、1.116。建模所用的變量數(shù)由162壓縮為31，變量壓縮率達(dá)81%，在保證模型性能前提下，有效篩選出對茶多酚敏感的特征變量。此外，VCPA-IRIV-PLS模型的為2.956（大于2.5），表明模型具有非常好的預(yù)測能力，可用于定量分析及生產(chǎn)實(shí)際中的品質(zhì)控制。

表1 不同預(yù)處理方法對模型性能的影響

表2 不同變量選擇方法篩選的特征電參數(shù)

注：*表示變量篩選方法篩選的變量數(shù)較多，并且排名較后的變量對結(jié)果影響較小，僅列出排在前10的特征變量

Note: *It means that the variable screening method screens more variables, and the lower-ranked variables have less influence on the results, and only the top 10 characteristic variables are listed

表3 不同變量優(yōu)選方法所建茶多酚預(yù)測模型的結(jié)果

3 討論與結(jié)論

本研究采集紅茶發(fā)酵在制品電特性信息，表明發(fā)酵過程中電抗與損耗角呈先增后降趨勢，損耗因子、電阻和阻抗隨發(fā)酵時間逐漸增加，電容和茶多酚含量呈線性降低趨勢，且不同測試頻率、不同電參數(shù)變量間存在較高的相關(guān)性。對茶多酚變化敏感的電參數(shù)為、和，且集中在0.05、0.08、0.1?kHz等低頻率范圍。利用CARS、SPA、MCUVE、VISSA和VCPA-IRIV算法篩選電參數(shù)特征變量，其中VCPA-IRIV模型的性能最佳，將變量數(shù)由162個壓縮為31個，僅占原變量數(shù)的19.14%?；诤Y選的特征變量，構(gòu)建了的茶多酚含量的VCPA-IRIV預(yù)測模型，其、和值分別為0.941、1.116、2.956，表明采用電參數(shù)可實(shí)現(xiàn)紅茶發(fā)酵品質(zhì)的快速檢測。

變量優(yōu)選后模型優(yōu)于全變量模型的原因在于紅茶發(fā)酵是以消耗多酚類物質(zhì)為底物的復(fù)雜化學(xué)發(fā)應(yīng)，發(fā)酵過程中酚類物質(zhì)的組分、含量和比例均發(fā)生變化，導(dǎo)致復(fù)雜的電響應(yīng)特性，使電參數(shù)信息呈現(xiàn)出時序性和多變性特征。適合的變量篩選方法，能夠從光譜矩陣中尋找含有最低限度冗余信息的變量，在一定程度上集中和提高了電信號與目標(biāo)成分的關(guān)聯(lián)。同時，VCPA-IRIV是一種考慮了所有變量組合效應(yīng)的新型混合算法變量，可剔除大量干擾變量和共線性信息，基于篩選的特征電參數(shù)，使茶多酚含量的定量預(yù)測模型性能有顯著提高。

此外，Li等[22]開展了基于近紅外光譜的茶多酚含量預(yù)測模型，最優(yōu)回歸模型驗(yàn)證相關(guān)性為0.905，均方根誤差為1.027，能測定14個茶樹品種中茶多酚含量。將本研究的電特性模型預(yù)測結(jié)果與之比較，結(jié)果表明，兩種模型的和值相當(dāng)，電特性法略優(yōu)于近紅外光譜法，均能較好檢測紅茶的茶多酚含量。但近紅外光譜檢測點(diǎn)為紅茶樣品的表面，而電特性檢測樣品為堆積狀，模型結(jié)果更能反映樣品的整體信息而非葉面變化，更符合生產(chǎn)工藝技術(shù)要求。本研究結(jié)果為紅茶品質(zhì)的在線動態(tài)監(jiān)控及數(shù)字化、智能化加工設(shè)備的研發(fā)提供了理論依據(jù)和技術(shù)支撐。

[1] Turkmen N, Velioglu Y S. Determination of alkaloids and phenolic compounds in black tea processed by two different methods in different plucking seasons [J]. Journal of the Science of Food and Agriculture, 2007, 87(7): 1408-1416.

[2] Sharma V, Rao L J M. A thought on the biological activities of black tea [J]. Critical Reviews in Food Science and Nutrition, 2009, 49(5): 379-404.

[3] Pou K J, Paul S K, Malakar S. Industrial processing of CTC black tea [M]//Grumezescu A M, Holban A M. Caffeinated and Cocoa Based Beverages. Cambridge: Woodhead Publishing, 2019: 131-162.

[4] 宛曉春. 茶葉生物化學(xué)[M]. 3版. 北京: 中國農(nóng)業(yè)出版社, 2003. Wan X C. Tea biochemistry [M]. 3rd ed. Beijing: China Agriculture Press, 2003.

[5] 盧莉, 程曦, 張渤, 等. 小種紅茶茶多酚和咖啡堿近紅外定量分析模型的建立[J]. 茶葉科學(xué), 2020, 40(5): 689-695. Lu L, Cheng X, Zhang B, et al. Establishment of predictive model for quantitative analysis of tea polyphenols and caffeine of souchong by near infrared spectroscopy [J]. Journal of Tea Science, 2020, 40(5): 689-695.

[6] Imaizumi Y, Tanaka T, Hamanaka D, et al.Effects of hot water treatment on electrical properties, cell membrane structure and texture of potato tubers [J]. Journal of Food Engineering, 2015, 162: 56-62.

[7] Li X T K, Ihara I. Coagulation process of soymilk characterized by electrical impedance spectroscopy [J]. Journal of Food Engineering, 2011, 105(3): 563-568.

[8] Kuson P, Terdwongworakul A. Minimally-destructive evaluation of durian maturity based on electrical impedance measurement [J]. Journal of Food Engineering, 2013, 116(1): 50-56.

[9] Mizukami Y, Sawai Y, Yamaguchi Y. Moisture content measurement of tea leaves by electrical impedance and capacitance [J]. Biosystems Engineering, 2006, 93(3): 293-299.

[10] 胡永光, 江豐, Mahmood A, 等. 春茶采摘末期遮蔭對其生長和品質(zhì)的影響[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2018, 49(1): 283-289. Hu Y G, Jiang F, Mahmood A, et al. Effects of shading cultivation on growth and quality of spring tea during final harvesting period [J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(1): 283-289.

[11] 馮呈艷, 余志, 陳玉瓊, 等. 茶鮮葉介電特性的初步研究[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報, 2014, 33(2): 111-115. Feng C Y, Yu Z, Chen Y Q, et al. Researches on the dielectric property of fresh tea leaves [J]. Journal of Huazhong Agricultural University, 2014, 33(2): 111-115.

[12] Zhu H K, Liu F, Ye Y, et al. Application of machine learning algorithms in quality assurance of fermentation process of black tea-based on electrical properties [J]. Journal of Food Engineering, 2019, 263(12): 165-172.

[13] 全國茶葉標(biāo)準(zhǔn)化技術(shù)委員會. 茶葉中茶多酚和兒茶素類含量的檢測方法: GB/T 8313—2018 [S]. 北京: 中國標(biāo)準(zhǔn)出版社, 2018. National Technical Committee 339 on Tea of Standardization Administration of China. Determination of total polyphenols and catechins content in tea: GB/T 8313—2018 [S]. Beijing: China Standard Press, 2018.

[14] 郭文川, 王東陽, 孔繁榮, 等. 基于介電特性的豆?jié){固形物含量檢測[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2016, 47(7): 239-245. Guo W C, Wang D Y, Kong F R, et al. Solids content detection of soybean milk based on permittivities [J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(7): 239-245.

[15] Dong C W, An T , Zhu H K, et al. Rapid sensing of key quality components in black tea fermentation using electrical characteristics coupled to variables selection algorithms [J]. Scientific Reports, 2020, 10: 1598. doi: 10.1038/s41598-020-58637-9.

[16] Dong C W, Zhu H K, Wang J J, et al. Prediction of black tea fermentation quality indices using NIRS and nonlinear tools [J]. Food Science and Biotechnology, 2017, 26(4): 853-860.

[17] 周小芬. 基于近紅外的大佛龍井茶品質(zhì)評價研究[D]. 北京: 中國農(nóng)業(yè)科學(xué)院, 2012: 47-49. Zhou X F. Study on quality evaluation of Dafolongjing tea based on near infrared spectroscopy [D]. Beijing: Chinese Academy of Agricultural Sciences, 2012: 47-49.

[18] Ouyang Q, Liu Y, Chen Q, et al. Intelligent evaluation of color sensory quality of black tea by visible-near infrared spectroscopy technology: a comparison of spectra and color data information [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2017, 180: 91-96.

[19] Dong C W, Li J, Wang J J, et al. Rapid determination by near infrared spectroscopy of theaflavins-to-thearubigins ratio during Congou black tea fermentation process [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2018, 205: 227-234.

[20] 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, 2018, 34(24): 306-313. Dong C W, Liang G Z, An T, 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, 2018, 34(24): 306-313.

[21] 郭文川, 劉振華, 朱新華. 基于電學(xué)特性的生鮮牛乳蛋白質(zhì)含量檢測儀研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2020, 51(4): 387-393. Guo W C, Liu Z H, Zhu X H. Design of protein content detector for raw milk based on electrical properties [J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(4): 387-393.

[22] Li X L, Sun C J, Luo L B, et al. Determination of tea polyphenols content by infrared spectroscopy coupled with iPLS and random frog techniques [J]. Computers and Electronics in Agriculture, 2015, 112: 28-35.

Rapid Detection Method of Tea Polyphenol Content in Black Tea Fermentation Based on Electrical Properties

WANG Shenglin1,2, YANG Chongshan2, LIU Zhongyuan2, LIU Shanjian1*, DONG Chunwang2*

1. School of Agricultural and Food Engineering, Shandong University of Technology, Zibo 255000, China; 2. Tea Research Institute, The Chinese Academy of Agricultural Sciences, Hangzhou 310008, China

Tea polyphenols are an important evaluation index for the quality of black tea. The quantitative prediction model of tea polyphenol content in the fermentation process was established by combining electrical characteristics detection technology with chemometric method. The changes of electrical parameters during the fermentation process and the influence of different standardized pretreatment methods and variable optimization algorithms on the model were discussed. The results show that the most sensitive electrical parameters to tea polyphenols were,and, all of which were concentrated in the low frequency range (0.05-0.10?kHz). In the construction of tea polyphenol prediction model, normalization processing (Zscore) and mixed variable screening (VCPA-IRIV) can effectively improve the performance of the model. The number of variables introduced in the VCPA-IRIV-PLS model was reduced from 162 to 31, and the compression rate reached 80.86%.andwere reduced to 0.630 and 1.116, respectively.andwere increased to 0.941 and 2.956. The research results show that the electrical characteristics detection technology is feasible for the rapid non-destructive detection of the content of tea polyphenols in black tea fermentation.

black tea fermentation, electrical characteristics, tea polyphenols, variable screening, model

S571；TS207.3

A

1000-369X(2021)02-251-10

2020-11-09

2021-01-19

國家自然科學(xué)基金（31972466）、中央級院所科研基本業(yè)務(wù)專項(xiàng)（1610212016018）

王盛琳，碩士研究生，主要從事農(nóng)產(chǎn)品加工技術(shù)研究。*通信作者：liushanjian08@163.com；dongchunwang@163.com

（責(zé)任編輯：黃晨）