基于近紅外光譜的黃山毛峰茶鮮葉品質分析及等級快速評價

王 曼，張正竹，寧井銘，韋玲冬，李露青

（安徽農業大學茶與食品科技學院，安徽合肥 230036）

基于近紅外光譜的黃山毛峰茶鮮葉品質分析及等級快速評價

王 曼，張正竹*，寧井銘，韋玲冬，李露青

（安徽農業大學茶與食品科技學院，安徽合肥 230036）

為科學分析茶鮮葉品質，快速直觀評價鮮葉等級，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-鮮葉內含成分-鮮葉等級間相關性，得到鮮葉等級近紅外預測模型。結果表明，茶鮮葉中含水率、全氮量、粗纖維預測模型相關系數（RP）分別為0.9109，0.8989，0.8895，預測均方根誤差（RMSEP）為0.361，0.103，0.195，鮮葉等級NIR模型的判別率為93.10%，模型有較高的預測性能。在此基礎上自主研發的SNIR-2101茶葉品質分析儀適用性良好，這為茶鮮葉品質分析和等級快速評價提供新思路。

近紅外光譜，茶鮮葉，品質分析，等級評價，定量模型

茶鮮葉原料質量是茶葉品質的基礎，鮮葉的準確驗收是實現茶葉標準化加工的前提。目前茶鮮葉原料的質量評估主要通過感官方法進行，所得結果易受主觀因素影響，缺乏量化的評價指標。因此建立一種科學、客觀、便捷的茶鮮葉質量評價方法對茶葉標準化加工，科學指導生產，合理定價，減少茶農與生產加工企業之間的矛盾，都具有極其重要的作用[1-2]。

近年來，近紅外光譜技術（NIRS）已經廣泛應用于食品、紡織、煙草、石油化工、醫藥定性定量分析等諸多領域[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、茶葉的產地和真偽鑒別[7-11]等方面已經取得了一定的研究成果。在茶鮮葉品 質 分 析 方 面 ，王 勝 鵬 等[12]首 次 提 出 了 利 用 質 量系數定量評價鮮葉質量。利用NIRS技術建立茶鮮葉等級分析模型直觀評價鮮葉原料質量的相關研究鮮有報道。

本文以黃山毛峰茶鮮葉為研究對象，利用PLS法建立茶鮮葉主要內含成分含水率、全氮量、粗纖維含量的近紅外定量預測模型，通過人工神經網絡（BPANN）算法分析近紅外光譜-鮮葉內含成分-鮮葉等級間相關性，實現利用近紅外光譜技術建立黃山毛峰茶鮮葉等級分析模型，為茶鮮葉原料質量快速、量化評價提供新的思路。

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準等級茶鮮葉樣品231份，含特一級39份，特二級38份，特三級40份，一級46份，二級37份，三級36份，另外收集原樣46份，單芽樣23份。

表1 標準等級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 上海嘉定糧油儀器有限公司；DHG-9240A型電熱恒溫鼓風干燥箱 上海精宏實驗設備有限公司；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 重慶頤洋企業發展有限公司；UDK-159型全自動凱式定氮儀 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 上海躍進醫療器械廠；SNIR-2101型茶葉品質分析儀 采用由合肥美亞光電有限責任公司與安徽農業大學茶葉重點實驗室聯合研制的。

1.2 樣品近紅外光譜采集

稱取樣品約50g裝入旋轉樣品杯中，用壓樣器壓實后采集光譜。光譜掃描波長為900～1700nm，分辨率為3nm，每份樣品旋轉8次，每次光譜掃描時間為16s，系統自動計算8條光譜平均值作為該鮮葉樣品的光譜。裝樣時，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 化學測定方法

茶鮮葉含水率測定：GB/T 8304-2002 《茶水分測定》。

茶鮮葉全氮量測定：GB/T5009.5-2010《食品中蛋白質的測定方法》。

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

表3 茶鮮葉主要內含成分NIR模型校正集與驗證集結果Table 3 Results of different NIRS models

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

對待測樣品的兩個平行樣進行4次測定，保證同一樣品的兩次測定誤差不得超過允許的誤差范圍，取4次測定的平均值作為樣品的化學分析值。

1.4 數據分析方法

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據的處理、模型的建立和驗證。通過比較建模參數（光譜預處理方法、譜區范圍和主成分數）的不同組合對組分含量校正模型結果的影響，最終確定各組分的最優定量分析模型。以組分的實測值與預測值的決定系數（R2）、交叉驗證均方差（RMSECV）、預 測 相 關 系 數（RP）、預 測 均 方 差（RMSEP）和相對分析誤差（RPD）作為評價模型預測效果的指標。RP、R2越大，RMSECV、RMSEP越小，建立的模型越可靠。一般認為RPD作為評價校正模型預測能力的指標，模型RPD 5～7之間為好，3～5之間為普通[13-16]。

1.4.2 人工神經網絡 人工神經網絡（artificial neural network，ANN）是通過人工建立的以有向圖形組成拓撲結構的動態系統。通過輸入連續或離散的初始信息，進行計算后按誤差逆傳播（back propagation，BP）算法的前饋神經網絡，最終實現輸出和輸入之間的高度非線性映射，要求輸入的變量少。通過不斷學習和修正，使網絡的學習誤差達到最小[14，17-19]。本文主要運用人工神經網絡算法分析茶鮮葉主要內含成分與鮮葉等級之間的相關性。

2 結果與分析

2.1 茶鮮葉內含成分NIR定量模型的建立

2.1.1 樣品集的選擇與劃分 對收集的所有樣品，剔除化學測定值和光譜數據有較大誤差的異常樣品，選擇的建模樣品數至少大于100份，以3∶1的比例分成校正集和驗證集，其中極值點必須納入校正集中，各組分校正集和驗證集的最大值、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測模型。比較不同預處理方法的建模效果，通過軟件自動選擇RMSECV最小時主成分因子數作為模型最佳主成分數，得到主要內含成分的最優建模結果如圖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測模型結果Fig.1 Results of different NIRS models

2.2 內含成分-等級相關性分析

將主要內含成分含量作為BP的輸入節點，分別從含水率、全氮量、粗纖維含量中任意選擇兩個組合和三個組合作為輸入，主要輸出節點為標準六個等級值，通過多次建模實驗，訓練過程中的學習因子和動量因子都置為0.1，模型中間層單元數通過訓練的結果來優化，結果表明以含水率、全氮量、粗纖維含量三個主要內在成分含量作為輸入，隱含層節點取8時，建立等級模型輸出預測結果效果達到最好。故建立一個3輸入節點-8隱含層節點-1輸出節點的三層BP-ANN模型，見圖2，該等級模型的相關系數達到0.9644。

圖2 主要內含成分-等級相關性模型結果Fig.2 Relationships between actual value and network prediction

2.3 鮮葉等級NIR評價模型的建立

建模結果如下：剔除異常樣品后，選擇同一批次收集的六個標準等級的樣品128份，建模樣品數99份，驗證集29份，光譜經消除常數偏移量預處理，建模譜區為13282.9～12016.4、10190.4～9134.9、8638.9～7287.9、6844.6～5831.3cm-1。最佳主成分數選擇10，采用PLS法內部交叉驗證建立校正模型，結果如圖3所示。

圖3 茶鮮葉等級近紅外光譜分析模型結果Fig.3 Results of tea leaves’class NIR model

選擇29個樣品對鮮葉等級NIR模型進行外部驗證，當模型預測值與真值差的絕對值小于0.5時，能夠達到等級劃分與判別，由此判定模型預測正確，結果（見表4）顯示，等級模型的判別率為93.10%。表明利用近紅外光譜法對黃山毛峰茶鮮葉原料進行等級量化評價是有效可行的。

表4 鮮葉等級預測結果Table 4 Predicted result of class model

茶葉的內含成分是一個客觀值，由于這些客觀成分（如水分、含氮量等）分子的振動，轉化為對光的吸收，所以將茶鮮葉的內含成分與其吸收光譜建立了一一對應的數據庫，通過PLS法建立有效的NIR定量分析模型。另一方面，標準等級鮮葉原料依照DB34/T871-2008《黃山毛峰茶清潔化加工技術規程》中鮮葉分級標準對黃山毛峰茶鮮葉原料進行拼配分級[20]，BP-ANN模型結果表明內含成分與鮮葉等級之間具有很好的相關性。因而直接建立茶鮮葉等級的近紅外預測模型是可行的。上述研究結果表明利用近紅外光譜分析技術進行黃山毛峰茶鮮葉品質分析和等級評價是有效可行的。

在此基礎上，合肥美亞光電技術股份有限公司與安徽農業大學共同研制了SNIR-2101近紅外茶葉品質分析儀，該儀器主要技術參數如下：尺寸460mm× 418mm×310mm，重20kg，波長范圍為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，還包括測樣附件旋轉樣品杯。2013年4月該儀器在黃山謝裕大茶葉有限公司投入試用，對茶鮮葉主要內含成分和等級的檢測結果如表5所示，預測準確性較好，實現了對茶鮮葉主要內含成分和等級的快速評價，且儀器操作簡易，檢測速度快，顯示結果直觀準確。

表5 茶葉品質分析儀檢測結果Table 5 Test results of NIRS analyzer

3 結論

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、粗纖維含量和等級的近紅外定量分析模型，達到了利用近紅外光譜技術有效預測黃山毛峰茶鮮葉主要內含成分和等級評價的目的。筆者設想此途徑可應用于其他茶類的鮮葉品質分析和等級評估，通過模型擴充，使其適應一大類茶葉的等級評估，另一方面可嘗試應用于干茶品質分析和等級評價。

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

[2]周小芬，葉陽，周竹定，等.基于近紅外光譜法的大佛龍井茶品質評 價研究[J]. 光譜 學與光譜 分析，2012，32（11）：2971-2973.

[3]王晶，孫國英，潘安龍，等.利用近紅外光譜法測定玉米皮渣中的木質素，灰分及蛋白質[J]. 光譜實驗室，2012，29（4）：1975-1978.

[4]寧井銘，張正竹，毛小文，等.近紅外光譜技術結合人工神經網絡判別普洱茶發酵程度[J]. 農業工程學報，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[J].光譜實驗室，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]. 光譜學與光譜分析，2012，32（8）：2094-2097.

[7]王毅，馬翔，溫亞東，等.應用近紅外光譜分析不同年度工業分級煙葉的特性[J]. 光譜學與 光譜分析 ，2012，32（11）：3013-3016.

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

[9]陳全勝，趙杰文，張海東，等.基于支持向量機的近紅外光譜鑒別茶葉的真偽[J]. 光學學報，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成分近紅 外定 量 分 析 模型的建立[J]. 茶葉 科 學 ，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量近紅外評價方法[J]. 茶葉科學，2011，31（1）：66-71.

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

[14]陳波，靳保輝，梁宏，等.近紅外光譜技術與聚類分析鑒別中國名茶[J]. 光譜實驗室，2012，29（5）：2900-2903.

[15]吳江，黃富榮，黃才歡，等.近紅外光譜結合主成分分析和BP神經網絡的轉基因大豆無損鑒別研究[J].光譜學與光譜分析，2013，33（6）：1537-1540.

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

[17]李曉麗，程術希，何勇.基于漫反射光譜的初制綠茶含水率無損檢測方法[J]. 農業工程學報，2010，26（5）：195-199.

[18]陳全勝，趙杰文，蔡健榮.基于近紅外光譜和機器視覺的多信息融合技術評判茶葉品質[J]. 農業工程學報，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在茶葉鑒別中的應用研究[J]. 光譜學與光譜分析，2006，26（9）：1602-1605.

[20] 安徽省地方標準. 黃山毛 峰茶 清 潔化 加工技 術規 程[S]. DB34/T 871-2008. 安徽：安徽省質量技術監督局，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，主要從事茶葉品質檢測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方面的研究。

十二五科技支撐計劃（2011BAD01B03-2）；教育部茶葉次生代謝與質量安全創新團隊。