基于近紅外光譜技術(NIRS)對工夫紅茶審評品質客觀評價研究

劉洪林

(1.重慶第二師范學院旅游與服務管理系,重慶 400065;2.西南大學,重慶北碚 400715)

?

基于近紅外光譜技術(NIRS)對工夫紅茶審評品質客觀評價研究

劉洪林1,2

(1.重慶第二師范學院旅游與服務管理系,重慶 400065;2.西南大學,重慶北碚 400715)

目的:提出一種利用近紅外光譜技術客觀評價工夫紅茶品質的新方法。方法:實驗樣品共計240個,手動選擇180個樣品作為校正級,剩余60個樣品作為預測集;利用OPUS7.0軟件優化出各模型最佳波數段和最佳預處理方法,平滑點數17,維數1,結合感官審評結果進行建立預測模型,分析預測模型的預測性能。結果:各預測模型預測精準度高,均可用于工夫紅茶審評品質預測。其中,各模型校正相關系數(Rc)為96.07%～98.80%,校正均方根誤差(RMSEC)為0.148～0.419;預測相關系數(Rp)為90.04%～98.34%,預測均方根誤差(RMSEP)為0.105～0.357。各模型校正集和預測集均有較高的擬合度,總分模型預測精準度高于其他幾個單因子感官模型。結論:近紅外光譜圖結合感官審評結果建立的各預測模型預測性能優,適合工夫紅茶審評品質評價。

工夫紅茶,近紅外光譜技術,感官審評,預測模型

茶葉被譽為“世界三大飲料之首”,富含多種藥理活性成分,有很強的保健功效[1]。工夫紅茶是我國特有的紅茶品種,也是我國傳統出口商品[2],目前已成為我國傳統茶葉中最受消費者喜愛的茶類之一。因此,工夫紅茶的品質評價尤為重要。一直以來,工夫紅茶的品質評價多以主觀感官審評為主,因個體差異,主觀感官審評受到各種因素的影響和限制,因此主觀感官審評難以對工夫紅茶的品質進行定量評價和分析[3]。

近紅外光譜(NIRS)是一種介于可見光譜區和中紅外光譜區的電磁波,波長在780～2526 nm(12820～2959 cm-1)范圍內[3]。由于近紅外光譜分析技術具有速度快、效率高、成本低、測試重現性好、測量方便、客觀等特點[4-9],近年來國內外利用近紅外光譜技術對茶葉種類的識別[10]和真假茶的鑒別[11]等研究成為熱點之一。但目前利用近紅外光譜技術客觀評價工夫紅茶審評品質還鮮有報道。

因此,本研究以2013年隨機抽取的240個工夫紅茶茶樣為原料,利用OPUS7.0軟件將工夫紅茶近紅外光譜圖譜和感官審評評分結果結合建立定量分析預測模型,探討近紅外光譜客觀評價技術與感官評價的一致性,以期為客觀快速評價工夫紅茶品質提供一種新方法。

1　材料與方法

1.1材料與儀器

240個工夫紅茶茶樣:2013年隨機抽取的240個工夫紅茶茶樣,60個紅茶品種,每個品種4個茶樣(含特級、一級、二級、三級四個等級)。分別從安徽、福建、廣東、廣西、貴州、湖北、湖南、江蘇、江西、山東、陜西、四川、云南、浙江和斯里蘭卡地區抽取2、5、4、11、4、3、4、1、3、3、4、8、1、6、1個紅茶品種。

布魯克MPA型傅立葉變換近紅外光譜儀BRUKER公司;FA2004A型分析天平海津天電子儀器有限公司。

1.2實驗方法

1.2.1工夫紅茶樣品近紅外光譜圖采集方法參照周小芬[12]方法,本實驗采用完整茶樣進行實驗。實驗條件為:掃描范圍:800～2500 nm(波數12500～4000 cm-1)[13],掃描次數:32次,分辨率:8cm-1。測試前,將97 mm自動旋轉式樣品杯擦拭干凈,確保樣品杯中裝入2/3以上茶葉[14],樣品杯中裝入20 g工夫紅茶樣品,通過OPUS軟件控制光譜儀掃描,每個樣品掃描3次,取平均譜作為該樣品的近紅外光譜。

1.2.2感官審評方法根據GB/T23776-2009茶葉感官審評方法[16],由三名國家高級評茶師對工夫紅茶茶樣進行感官審評,審評分數取平均值。審評方法如下:準確稱取3 g干茶樣,觀察干茶外形(色澤和形狀),用150 mL 85 ℃礦泉水沖泡5 min后,將茶湯倒入審評碗中,開湯審評湯色、香氣、滋味和葉底,并計算出審評總分。公式如下:

審評總分=外形(10分)+湯色(20分)+香氣(20分)+滋味(30分)+葉底(20分)

1.2.3工夫紅茶茶樣波數選擇和近紅外光譜圖預處理方法實驗對240個工夫紅茶茶樣結合感官審評結果利用0PUS7.0軟件進行建模,通過軟件剔除高頻區和低頻區的無效光譜,采用無光譜預處理、一階導數(FD)、二階導數(SD)、消除常數偏移量、矢量歸一化(SNV)、減去一條直線、最小-最大歸一化、多元散射校正(MSC)、一階導數(FD)+減去一條直線、一階導數(FD)+矢量歸一化(SNV)、一階導數(FD)+多元散射校正(MSC)等光譜預處理方法進行光譜預處理[15]。同時實驗通過OPUS7.0軟件進行方法優化選擇建模最佳波數段和最佳預處理方式,以總樣本均方根誤差RMSEC總作為衡量標準(RMSEC總越小,效果越好)。

1.2.4基于近紅外光譜圖對感官審評結果的建模方法實驗樣品共計240個,樣品集分為校正集(定標集)和預測集(驗證集)二者樣品數約為2∶1～3∶1[12]。預測集的選擇方式有兩種:即隨機選擇和手動選擇。為了避免隨機選擇中可能存在同一等級茶樣品集中被選中,從而影響模型的定標范圍和定標精準度,因此本實驗利用手動選擇方式選擇預測集樣品。方法為:對樣品感官審評得分進行高低排序,從上而下每隔3個校正集樣品選擇一個預測集樣品。因此本實驗的校正集樣品數為180個,預測集樣品數為60個。在最佳波數段利用最佳預處理方法對原始光譜曲線進行有效信息提取,并對預處理后的光譜曲線結合感官審評結果建立預測分析模型。

1.2.5數據統計分析各實驗至少重復3次以上,采用OPUS軟件及其軟件自帶的偏最小二乘法(PLS)分析方法,將近紅外光譜圖結合感官審評結果進行建模分析[17]。

建模結果表示方式以校正相關系數(Rc)、校正均方根誤差(RMSEC)、預測相關系數(Rp)、預測均方根誤差(RMSEP)表示[18]。

2　結果與分析

2.1近紅外光譜圖的采集

工夫紅茶的近紅外光譜圖是其內在品質的反映。茶葉無論品種、產地等是否相同,近紅外光譜圖都帶有很多相似信息,這是由于近紅外光譜吸收的都是茶葉中的C-H和N-H基團,這些基團的周圍環境發生變化時,會導致峰位的變化,但變化幅度并不大;決定近紅外光譜峰位和峰強度的是樣品中存在的成分含量[19]。而不同的工夫紅茶中的成分含量都不一致,也就出現了不同的光譜圖。240個工夫紅茶近紅外光譜掃描曲線如圖1所示。

圖1　工夫紅茶茶樣近紅外光譜圖Fig.1　Averaged NIR reflectance spectra after Congou black tea samples

從圖1中可以看出,不同的工夫紅茶的光譜曲線有明顯區別,具有一定的特征性和指紋性[19],這一區別為不同工夫紅茶審評品質評價奠定了數學建模基礎。其中大于10000 cm-1和小于4000 cm-1主要貢獻噪聲,4000～10000 cm-1波數段為有效信息集中段[12]。

2.2工夫紅茶感官審評結果

茶葉感官審評是憑借茶師的視覺、味覺、嗅覺和觸覺審評茶葉品質的優劣[20]。具有一定的主觀性,但是目前最直觀也是最常見的茶葉審評方法。

表1　240個工夫紅茶茶樣感官審評評分結果Table 1　The sensory evaluation score results of 240 Congou black tea

注:“無”表示無顯著性差異。

表2　感官品質模型波數和光譜預處理方法選擇Table 2　Selection of wave number and spectral preprocessing method to organoleptic quality models

表1是三位高級評茶師對240個工夫紅茶茶樣外形、湯色、香氣、滋味、葉底五因子和總分感官審評評分結果,240個工夫紅茶茶樣審評總分在67～94.1分之間。本實驗采用最小顯著差數法(LSD)對三組審評結果進行方差分析,結果表明三位高級評茶師對240個工夫紅茶茶樣的外形、湯色、香氣、滋味、葉底和總分的審評結果之間均無顯著性差異,因此取三組審評結果平均值進行近紅外建模。

2.3波數選擇和光譜預處理

實驗對茶樣4000～10000 cm-1波數段結合感官審評結果利用0PUS軟件進行建模,同時選擇建模最佳波數段和最佳預處理方式,表2為RMSEC總最小時對應的波數和預處理方法,分別為建模的最佳波數和預處理方法,平滑點數17,維數1[21-22]。

2.4基于近紅外光譜技術的工夫紅茶感官審評結果快速預測

提取工夫紅茶光譜圖譜信息,建立能充分反映光譜特征與茶葉審評品質專有屬性關系的定量預測分析模型,找出被眾多錯綜復雜的共性所掩蓋著的專屬特征,定量地描述不同樣品譜圖間的相似程度,這是近紅外光譜技術可以用于評判茶葉品質專有屬性的原因所在[23]。工夫紅茶近紅外光譜結合審評結果建模結果如表3所示:

表3　工夫紅茶茶樣感官審評結果校正集 與預測集模型的建模結果Table 3　The Congou black tea samples sensory evaluation of the results of calibration set and prediction set model modeling results

注:Rc和Rp越接近100%越好,RMSEC和RMSEP越接近0越好。

實驗利用工夫紅茶近紅外光譜圖結合感官審評結果建立了工夫紅茶茶樣外形、湯色、香氣、滋味、葉底和總分定量預測模型,并運用OPUS7.0軟件中自帶的偏最小二乘法對結果進行分析,結果如表3所示。由表3可知,工夫紅茶茶樣的Rc和Rp均在90%以上,模型定標效果較好,可用于工夫紅茶品質預測,其中代表感官綜合品質的總分模型預測精準度較高,單因子模型中以湯色、滋味和葉底模型精準度較高,Rc和Rp值都達到了96%以上。研究表明[18],所建立的定量模型精準度由預測集的Rp和RMSEP反映。當Rp值>0.9時,表明所建模型是比較好的模型,Rp值越接近1表明模型越好;RMSEP越小,RMSEP以接近0為最好,模型預測性能越優。按照外形、湯色、香氣、滋味、葉底和總分的預測模型相關系數Rp分別為91.22%、97.02%、90.04%、97.30%、96.86%、98.34%;所對應的RMSEP分別為0.168、0.203、0.357、0.266、0.251、0.105,各模型預測精準度均較高,預測性能較優。

從模型看出,其中總分模型的Rc最高且RMSEC最低(分別為98.80%和0.148),說明該模型校正集樣品擬合度最高;且總分模型的Rp最高且RMSEP最低(分別為98.34%和0.105),說明該模型預測集樣品擬合度最高,預測性能最優。可以得知,工夫紅茶的總分模型預測精準度優于其他幾個單因子感官模型,說明工夫紅茶建模其感官綜合品質的預測性能優于單個感官因子;各單因子模型看,Rp和RMSEP趨勢不同,這說明Rp和RMSEP還受原始數據因子間相互作用、質量、數量等的影響,因此不能以Rp或RMSEP單方面判斷模型優劣,應綜合判斷[24]。

3　結論

240個工夫紅茶茶樣感官審評總分在67～94.1分之間,審評結果三組數據無顯著性差異,利用三組審評數據平均值進行建模;同時手動選擇180個樣品作為校正級,剩余60個樣品作為預測集;利用OPUS7.0軟件優化出各模型最佳波數段和最佳預處理方法,平滑點數17,維數1,結合感官審評結果建立預測模型。

各模型預測精準度高,均可用于工夫紅茶感官品質預測。其中,各模型校正相關系數(Rc)為96.07%～98.80%,校正均方根誤差(RMSEC)為0.148～0.419;預測相關系數(Rp)為90.04%～98.34%,預測均方根誤差(RMSEP)為0.105～0.357。各模型校正集和預測集均有較高的擬合度,總分模型預測精準度高于其他幾個單因子感官模型。

總的來說,近紅外光譜圖結合感官審評結果建立預測模型預測性能優,適合工夫紅茶審評品質評價預測,為快速客觀評價工夫紅茶審評品質提供了一種新方法。今后的方向可利用近紅外光譜技術結合其它技術(如機器視覺技術)對工夫紅茶品質評價建立優性能預測模型,進一步實現茶葉品質評價的快速性、準確性和客觀性。

[1]梁月榮,陸建良.茶葉[M].北京:中國農業大學出版社,2006:20-25.

[2]鞏志.中國紅茶[M].杭州:浙江攝影出版社,2005:123-126.

[3]張正竹,廖步巖,閻守和,等.近紅外光譜(NIRS)技術在茶葉品質保真中的應用前景[J].食品工業科技,2009,30(9):349-352.

[4]郭志明.近紅外光譜法測定茶葉中游離氨基酸的研究[J].光譜儀器與分析,2011,20(Z1):105-109.

[5]趙杰文,郭志明,陳全勝,等.近紅外光譜法快速檢測綠茶中兒茶素的含量[J].光學學報,2008,28(12):2302-2306.

[6]劉輝軍.基于近紅外技術的茶葉成份快速分析儀的原理與設計[D].北京:中國計量科學研究院,2006.

[7]LUypaert J M H,Zhang D L,Massart.Feasibility study for the use of near infrared spectroscopy in the qualitative and quantitative analysis of green tea[J]. Camellia sinensis(L.)Analytica Chimica Acta,2003,478(2):303-312.

[8]陳全勝.無損檢測新技術在茶葉品質檢測中的應用[C]//食品安全監督與法制建設國際研討會暨第二屆中國食品研究生論壇論文集(上).杭州:食品安全監督局,2005:5-6.

[9]Chen Q.Simultaneous analysis of main catechins contents in green tea(Camellia sinensis(L.)by Fourier transform near infrared reflectance(FT-NIR)spectroscopy[J]. Food Chemistry,2009,113(4):1272-1277.

[10]羅一帆,郭振飛,朱振宇,等.近紅外光譜測定茶葉中茶多酚和茶多糖的人工神經網絡模型研究[J].光譜學與光譜分析,2005,25(8):1230-1233.

[11]龔加順,劉佩瑛,劉勤晉,等.茶飲料品質相關成分的近紅外線光譜技術分析[J].食品科學,2004,25(2):135-140.

[12]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):2971-2975.

[13]廖步巖,張正竹,夏濤,等.近紅外光譜分析技術在茶葉品質屬性甄別中的應用[J].安徽農業大學學報,2009,36(2):287-291.

[14]李曉麗.基于機器視覺及光譜技術的茶葉品質無損檢測方法研究[D].浙江:浙江大學,2009.

[15]LEHRER M,MILLER L,NATALE J.Chapter 19-The OPUS System in Immunoassay Automation D.W. CHAN,D.W. CHANE ditors[M].Boston:Academic Press,1992:245-267.

[16]中華人民共和國國家質量監督檢驗檢疫總局中國國家標準化管理委員會.GB/T23776-2009,茶葉感官審評方法[S].北京:中國標準出版社,2009.

[17]Olivieriac,Escandar G M.Chapter9-Partial Least-Squares with Residual Bilinearization[M].Boston:Elsevier,2014:157-195.

[18]嚴衍祿,趙龍蓮,李軍會.現代近紅外光譜分析的信息處理技術[J].光譜學與光譜分析,2000,20(6):777-780.

[19]Sinija V R,Mishra H N.FT-NIR spectroscopy for caffeine estimation in instant green tea powder and granules[J]. LWT-Food Science and Technology,2009,42(5):998-1002.

[20]陸松侯,施兆鵬.茶葉審評與檢驗[M].北京:中國農業出版社,2001:4-5.

[21]尼珍,胡昌勤.近紅外光譜分析中光譜預處理方法的作用及其發展[J].藥物分析雜志,2008,28(5):824-828.

[22]柳艷云,胡昌勤.近紅外分析中光譜波長選擇方法進展與應用[J].藥物分析雜志,2010,30(5):968-975.

[23]王夢東,王勝鵬.適用于3類茶的定性分類及主要內含成分定量分析的近紅外預測模型的建立[J]. 華中農業大學學報,2015,34(1):123-127.

[24]王剛力,田金改,聶黎行,等.近紅外光譜鑒別高麗參的研究[J].中草藥,2008,39(2):277-280.

Research of evalution the quality of Congou black tea by near infrared spectroscopy

LIU Hong-lin1,2

(1.School of Tourism and Service Management,Chongqing University of Education,Chongqing 400065,China;2.Southwest University,Chongqing 400715,China)

Objective:This paper gave a new method about evaluating the quality of Congou black tea by near infrared spectroscopy. Methods:There were 240 test samples,180 samples of them used to be a correction stage as the remaining 60 samples a prediction set. Each model is optimized the best waves of the number of segments and best pretreatment method for model inguse to establish the quantitative prediction model by OPUS 7.0 software. The smooth points were 17 and dimension was 1. Results:The model predicted a high accuracy which can be used to predict the sensory quality of Congou black tea. The calibration correlation coefficient(Rc)was 96.07%～98.80%,correcting root mean square error(RMSEC)was 0.148～0.419;predictive correlation coefficient(Rp)was 90.04%～98.34%,and the RMSEP was 0.105～0.357. Each model calibration set and prediction set had a higher degree of fit,the out model’s prediction accuracy was higher than the other senses several single factor model. Conclusion:The combination of near-infrared spectra of each prediction model to predict the performance had an excellent organoleptic result which established for Congou black tea review quality evaluation.

Congou black tea;near infrared spectroscopy;sensory evaluation;prediction model

2015-06-25

劉洪林(1991-)，男，碩士，助教，研究方向：茶學，E-mail：475844900@qq.com。

TS207.3

A

1002-0306(2016)05-0311-05

10.13386/j.issn1002-0306.2016.05.054