基于嗅覺可視化技術的工夫紅茶發酵程度判定方法

陳琳，葉陽，董春旺，何華鋒

1. 中國農業科學院茶葉研究所，浙江省茶葉加工工程重點實驗室，國家茶產業工程技術研究中心，農業部茶樹生物學與資源利用重點實驗室，浙江 杭州 310008；2. 中國農業科學院研究生院，北京 100081

基于嗅覺可視化技術的工夫紅茶發酵程度判定方法

陳琳1,2，葉陽1*，董春旺1*，何華鋒1

1. 中國農業科學院茶葉研究所，浙江省茶葉加工工程重點實驗室，國家茶產業工程技術研究中心，農業部茶樹生物學與資源利用重點實驗室，浙江 杭州 310008；2. 中國農業科學院研究生院，北京 100081

發酵是工夫紅茶加工的關鍵工序，對紅茶品質形成起著極其重要的作用。本文提出一種基于嗅覺可視化技術的工夫紅茶發酵程度判定方法。基于硅膠薄層層析板與16種卟啉衍生物設計構建了嗅覺可視化傳感器及氣體檢測系統，用于工夫紅茶發酵過程中揮發性氣體數據采集。采用Fisher判別分析與BP-AdaBoost算法建立工夫紅茶發酵程度判別模型。分析表明，Fisher判別函數可以實現不同發酵程度紅茶100%分類，交叉驗證分組正確率達90.74%；BP-AdaBoost算法建立判別模型，訓練集相關系數（Rc）和預測集相關系數（Rp）分別為0.9578和0.9132；嗅覺可視化技術可以實現工夫紅茶發酵程度判定，為工夫紅茶發酵過程實時監控提供了理論依據。

紅茶；發酵程度；Fisher判別；BP-AdaBoost算法

發酵是工夫紅茶加工的關鍵工序，對紅茶品質的形成起著極其重要的作用。傳統發酵過程中，主要由熟練技師通過發酵葉的色、香、味變化特征，依據主觀判斷來確定發酵程度，沒有客觀的判定標準[1]。近年來，部分新技術以及新設備逐步應用于工夫紅茶發酵程度的判定中。在此基礎上，本文探索了嗅覺可視化技術在工夫紅茶發酵程度判定中應用的可能性。

作為人工嗅覺技術的一個分支，嗅覺可視化技術由美國伊利諾伊大學厄本那-香檳分校的KennethS. Suslick教授最先提出[2]，其原理是利用可視化傳感器與待測氣體反應前后顏色會發生變化的性質來對待測氣體進行定性及定量分析[3-4]。工夫紅茶發酵過程中，揮發性氣體成分會產生明顯變化，該變化與紅茶發酵程度及感官品質有極強的相關性，這一特征為嗅覺可視化技術的應用提供了理論基礎。利用嗅覺可視化技術檢測判別工夫紅茶發酵程度具有以下優勢：靈敏度高，選擇性強，受溫度濕度等環境條件影響較小，樣品無需前處理，相比于GC/MS等手段簡便快速成本低[5-6]。

目前，國內外嗅覺可視化技術的研究還較少，主要集中在簡單化學物質區分以及谷物、肉類、酒類、食醋等食品的品質檢測方面[7-9]。2004年Kenneth S. Suslick[10]首次制作了嗅覺可視化檢測裝置，該裝置可以識別32種有機小分子氣體，同時該課題組提出了制作嗅覺可視化傳感器的色敏材料及基板材料的特性與種類，并證明了環境濕度對傳感器影響較小。2005—2006年，Suslick課題小組經過多次實驗擴展了可視傳感器陣列的組成，實現了對烴類、醇類、酸類、酯類、酮類、胺類和芳香族等100多種常見揮發性有機氣體的響應[11-12]。2008年，江蘇大學趙杰文等[13]利用該技術對乙醇、甲醛、氨氣、丙酮、乙酸進行檢測，研究表明采用聚類分析取合適的相似度時可以將5種物質完全分開。2015年，Quansheng Chen等[14]利用嗅覺可視化技術結合PCA分析與LDA線性判別進行了不同等級烏龍茶的分類，效果較好。

本文采用嗅覺可視化技術結合Fisher判別分析及BP-AdaBoost模式識別方法，探索它在工夫紅茶發酵程度判定方面的應用能力。

1 材料與方法

1.1 實驗材料與儀器設備

1.1.1 材料

茶葉鮮葉（鮮葉原料來自浙江千島銀珍農業開發有限公司，品種為鳩坑種，等級為一芽二葉），卟啉衍生物及酸堿指示劑（Sigma，美國），二氯甲烷，硅膠薄層層析板（Merck TLC Silica gel 60）。

1.1.2 儀器設備

嗅覺可視化傳感器，嗅覺可視化檢測裝置，Cannon DS1263111相機（1200萬像素），SartoriusB S224S精密電子天平（德國Sartorius公司，精確度為0.000 1 g），氣體循環泵（QC-1B型號），6CR-35型揉捻機，人工氣候箱，提香機（福建佳友茶葉機械有限公司）。

1.2 檢測裝置設計及應用

本研究設計紅茶發酵過程中氣體檢測裝置，該裝置主要由傳感器陣列、反應容器、循環氣泵、相機、漫反射積分球組成。圖1為檢測裝置設計原理圖，檢測步驟如下：

①反應進行前，使用相機獲取嗅覺傳感器初始圖像數據；

②稱取固定質量的工夫紅茶發酵葉于容器A中，傳感器置于容器B中，并啟動循環泵，促進發酵葉揮發性氣體與傳感器反應；

③反應結束后，使用相機獲取反應后傳感器最終圖像數據；

④反應前后圖像數據點對點做差，獲得該發酵過程樣的特征圖譜，進行下一步分析。

檢測裝置反應容器為圓柱體，分上中下3層，直徑10 cm，層高5 cm，總計高度15 cm，玻璃材質，密閉性良好；光源采用漫反射積分球，底部環形光源，保證其內部光線均勻穩定，光照強度一致；相機經預實驗后選用手動模式固定參數（參數設定為：感光度ISO100，光圈F20，快門速度1/8，曝光補償0，光強4級），保證每次拍攝條件一致，保證數據采集穩定可靠；循環泵氣體流速400 μL·min-1，反應時間為8 min；前期預實驗證明，傳感器受外界環境溫濕度影響較小，因此本試驗在室溫條件下進行。

1.3 傳感器制作

經過前期大量實驗處理，根據工夫紅茶發酵過程中香氣物質變化特征，從40種卟啉衍生物及酸堿指示劑中篩選出16種與紅茶發酵過程揮發性氣體反應最靈敏的物質作為色敏材料（表1）。選擇Merck TLC Silica gel 60硅膠薄層層析板作為色敏材料載體，其疏水特性及細密的表面結構可以減少環境濕度對傳感器的影響，提高色敏材料擴散均勻性。將16種色敏材料印染至硅膠薄層層析板上，制作完成對工夫紅茶發酵過程樣具有敏感性的4×4傳感器陣列（圖2）。

1.4 茶葉樣品制備及傳感器響應數據采集

圖1 嗅覺可視化檢測裝置Fig. 1 Detection device of olfaction visualization system

表1 對紅茶發酵過程中揮發性氣體有響應的色敏材料Table 1 Chemical dyes responding to volatile gases during black tea fermentation

按照工夫紅茶標準加工工藝進行樣品處理，主要工序為萎凋、揉捻、發酵、干燥。15 kg鮮葉在可控溫控濕的萎凋室進行萎凋處理，溫度25℃，相對濕度60%，萎凋時間15 h；揉捻采用6CR-35型揉捻機，按照“輕、重、輕”的原則固定行程加壓；發酵在人工氣候箱進行，處理溫度35℃，相對濕度90%；人工氣候箱環境穩定且發酵過程取樣累計不足2 kg，取樣對發酵進程影響較小。發酵處理時間8 h，每間隔1 h抽取15 g樣品，按照上述方法與嗅覺可視化傳感器進行反應，每個時間節點分別取樣12次，采集圖像數據，共計圖像數據108個。反應后發酵葉經120℃毛火10 min，85℃足火20 min進行干燥固樣，干燥樣品進行感官審評。

1.5 模式識別

嗅覺傳感器陣列對不同發酵程度的茶葉揮發性氣體產生與之相對應的差值特征圖像即指紋圖譜，對傳感器反應前后的差值特征圖譜提取RGB值，使圖像數據數字化，再借助模式識別對已知樣本進行學習和訓練，構建一個判別模型或預測模型來完成對未知氣味的分類及預測。

Fisher判別法利用投影的方法使多維問題簡化為一維問題來進行處理，通過建立線性判別函數計算出各個觀測量在各個變量維度上的坐標，并得出樣本距離各個類中心的距離，以此作為分類依據。Fisher判別分析可以最大限度的縮小同類中各個樣本點之間的差距，又能最大限度地擴大不同類別之間各個樣本點的差異，因此可以獲得較高的判別效率。

BP-ANN是一種典型的多層前饋人工神經網絡，可以模擬人的大腦處理信息的方式，進行輸入與輸出信號的并行處理及非線性轉換，對于非線性問題的解決具有良好的效果。但由于神經網絡的基本原理其預測模型會出現低穩定性等問題，BP-AdaBoost算法將BP-ANN和AdaBoost算法進行有效結合，使用BP神經網絡作為弱分類器建立模型，反復訓練神經網絡預測樣本輸出，加強預測精度低的樣本權重，減弱預測精度高的的樣本權重，最終通過線性組合的方法得到多個BP-ANN弱分類器組成的強分類器，以增強預測效果[15]。

本研究嘗試Fisher判別分析和BP-Adaboost算法進行工夫紅茶發酵程度判定。所有數據分析都是在Matlab Version 7.10.0及SPSS軟件環境下運行。

2 結果與分析

2.1 感官審評結果

公共場所英語標識語在很大程度上可以體現一個城市的整體形象，同時在一定程度上也可以反應當地政府的管理能力。政府職能部門要及時加強對公共場所錯誤標識語的糾正；對英語標識語的翻譯進行監督和管理。同時，政府職能部門應該發動全社會的力量，號召和鼓勵大家參與到城市英語標識語的糾錯活動中，全民配合，全民行動，對找出錯誤的市民應該給予獎勵，并認真做出改正，這樣，肯定會提高長春市的整體語言環境。另外，相關職能部門也要重視相關研究者的研究成果，加大執行力度，改善長春市公共場所英語標識語，彰顯長春市作為省會城市應有的國際形象和活力。

茶葉審評按照國家標準GB/T 23776—2009執行，評價工夫紅茶外形、湯色、香氣、滋味、葉底5項，各審評因子的權數分別為25%、10%、25%、30%、10%，依據感官審評結果評價每個樣品的發酵程度，并對其評級。工夫紅茶感官審評結果如表2所示。根據審評得分及評語，將工夫紅茶發酵程度劃分為3個等級，即輕度發酵、適度發酵、重度發酵（表2）。

2.2 傳感器特征信號提取

色敏材料與工夫紅茶發酵過程樣揮發性氣體相互作用后發生顏色反應，只有對傳感器反應前后的顏色圖像進行數據處理后轉化為數字模式才能進一步進行定性及定量描述。基于這一原理開發了一款具有在線自動識別、分析功能的圖像處理軟件。用戶輸入反應前的初始圖像及反應后的最終圖像，點擊自動識別即可以進行反應前后的對比計算。軟件將檢測到的圓形色敏點劃分為三部分，去除外部輪廓及內部點樣點附近區域，利用有效色敏區域進行計算，增強數據可信度。不能自動識別的區域可以通過人工編輯狀態進行手動添加及修正，完成對比后用戶可以導出最終對比結果圖像及數值。

每個色敏點包含3個變量ΔR、ΔG、ΔB（ΔR=Re－Rs、ΔG=Ge－Gs、ΔB=Be－Bs），16個色敏點共提取48個變量。利用48個變量進行發酵程度判別。

表2 工夫紅茶發酵樣品感官審評結果及發酵程度等級評定Table 2 Sensory evaluation and the degree of fermentation grade evaluation of black tea samples

2.3 基于嗅覺可視化技術紅茶發酵程度判定

2.3.1 可視化傳感器響應信號

圖3為嗅覺可視化傳感器與0～8 h的工夫紅茶發酵葉進行反應的特征圖譜。由特征圖像可以看出，每幅圖的顏色變化都有所不同。這是由于工夫紅茶全發酵過程中，揮發性物質的種類會出現先增加后降低的趨勢，且不同階段不同揮發性物質其含量存在較大差異。篩選出的色敏材料對茶葉發酵過程中產生的醇類、醛類及酯類等物質具有較強的敏感性，而隨著發酵過程的進行，醇類及酯類揮發性物質相對含量不斷降低，醛類揮發性物質會出現相反的變化趨勢，揮發性物質種類及含量不斷變化的特征為嗅覺可視化技術鑒別紅茶發酵程度提供了理論依據。

2.3.2 Fisher判別分析

依據感官審評結果將108個茶樣按照發酵程度劃分為3類，即輕度發酵、適度發酵、重度發酵，并分別編號為1、2、3，每類發酵程度各包含36個茶樣。將48個特征變量進行主成分分析，以主成分得分作為數據輸入，以發酵程度1、2、3作為數據輸出，進行判別分析。

圖2 16種氣敏材料制作的嗅覺可視化傳感器陣列Fig. 2 Sensor arrays made by 16 kinds of gas-sensitive dyes

圖4與表3為不同發酵程度茶樣Fisher判別分類結果，由圖4及表3可知，Fisher判別分析法通過建立兩個函數模型可以實現發酵程度100%分類。對108個發酵過程樣進行交叉驗證，36個輕度發酵茶樣全部分組正確；36個適度發酵茶樣中，3個劃分為輕度，31個劃分為適度，2個劃分為重度；36個重度發酵茶樣中，3個劃分為輕度，2個劃分為適度，31個劃分為重度；交叉驗證分類正確率達90.74%。Fisher判別分析可以實現不同發酵程度茶樣的有效分類。

2.3.3 BP-AdaBoost

圖3 0～8 h發酵過程樣反應前后特征圖像Fig. 3 Typical images of different fermented tea from 0 to 8 h

圖4 不同發酵程度茶樣Fisher分類結果Fig. 4 Fisher result for discrimination of different fermented tea

表3 不同發酵程度茶樣Fisher判別與BP-AdaBoost算法分類結果Table 3 Fisher and BP-AdaBoost results for discrimination of different fermented tea

圖5 不同主成分數最優模型Rc與Rp值Fig. 5 Rc and Rp of optimal model

圖6 主成分為10時BP-AdaBoost模型輸出結果Fig. 6 Result of BP-AdaBoost model (PC=10)

利用BP-AdaBoost建立預測模型預測工夫紅茶發酵程度。48個變量進行主成分分析，分別以5～12個主成分作為數據輸入，以1、2、3這3個數值代表輕度發酵、適度發酵、重度發酵作為數據輸出，建立預測模型。設置模型隱含層數N為0～20，步長為1；誤差閾值Ф為0～1，步長0.05；重復訓練次數200次，學習速率0.01，動量因子0.7；以預測集預測均方根誤差RMSEP和預測集相關系數Rp作為衡量模型效果的指標。圖5表示了5～12個不同主成分數下最佳預測模型Rc與Rp值，由圖可知，當主成分為10時，所建模型預測效果最好，訓練集相關系數為0.9578，預測集相關系數為0.9132。圖6-A表示了當主成分為10時，所有預測的模型的RMSEP值，RMSEP越小，模型預測精度越高，最終確定模型隱含層N為16，誤差閾值Ф為1；圖6-B 3條曲線分別代表預測集的實際值、最優模型預測值、BP-ANN預測值，預測集分組正確率為91.67%。利用BP-AdaBoost算法結合嗅覺可視化技術可以實現工夫紅茶發酵程度判定。

3 討論

通過對工夫紅茶0～8 h發酵過程108個樣品進行嗅覺可視化數據分析，結果表明，嗅覺可視化技術結合Fisher判別分析與BP-AdaBoost算法可以實現工夫紅茶發酵程度的快速無損判別。Fisher判別分析，建立兩個判別函數可以實現工夫紅茶發酵程度100%分類；BP-AdaBoost算法建立工夫紅茶發酵程度預測模型，預測精度達到91.32%。由于茶葉品種較多，工夫紅茶加工季節時間及加工工藝、設備也存在較大差異，導致嗅覺可視化技術的廣泛應用存在一定的缺陷，因此該技術可以針對工夫紅茶固定加工工藝、設備或生產線進行深入研究，建立具有針對性的工夫紅茶發酵程度判別函數及預測模型，實現工夫紅茶發酵過程中的實時監控，提高紅茶品質。

[1] 錢園鳳, 葉陽, 周小芬. 紅茶發酵技術研究現狀分析[J].食品工業科技, 2012, 33(23): 388-392.

[2] NA Rakow, KS Suslick. A colorimetric sensor array for odour visualization [J]. Nature, 2000(406): 710-713.

[3] Long Jing, Xu Jian-Hua, Xia Shuang. Volatile organic compund colorimetric array based on znic porphyrin and metalloporphyrin derivatives [J]. Energy procedia, 2011, 12: 625-631.

[4] 黃星奕, 周芳, 蔣飛燕. 基于嗅覺可視化技術的豬肉新鮮度等級評判[J]. 農業機械學報, 2011, 42(5): 142-145.

[5] Gardner JW, Bartelet P N. Electronic nose: Principles and Applications [M]. London: Oxford University Press, 1999: 1-4, 185-207.

[6] 趙杰文, 黃曉瑋, 鄒小波, 等. 基于嗅覺可視化技術的豬肉新鮮度檢測[J]. 食品科學技術學報, 2013, 31(1): 9-13.

[7] J Long, JH Xu, YJ Yang, et al. A colorimetric array of metalloporphyrin derivatives for the detection of volatile organic compounds [J]. Materials Science and Engineering B: Advanced Functional Solid-State Materials, 2011(176): 1271-1276.

[8] Quansheng Chen, Weiwei Hu, Jie Su, et al. Nondestructively sensing of total viable count (TVC) in chicken using an artificial olfaction system based colorimetric sensor array [J]. Journal of Food Engineering, 2016(168): 259-266.

[9] Quansheng Chen, Aiping Liu, Jiewen Zhao, et al. Monitoring vinegar acetic fermentation using a colorimetric sensor array [J]. Sensors and Actuators B, 2013(183): 608-616.

[10] KS Suslick, NA Rakow, A Sen. Colorimetric sensor array for molecular recognition [J]. Tetrahedron, 2004(60): 11133-11138.

[11] Neal A Rakow, Avijit Sen, Michael C Janzen, et al. Molecular recognition and discrimination of amines with a colorimetric array [J]. Angewardte Chemie International Edition, 2005, 44(29): 4528-4532.

[12] Janzen MC, Ponder JB, Bailey DP, et al. Colorimetric sensor arrays for volatile organie compounds [J]. Anal Chem, 2006, 78: 3591-3600.

[13] 趙杰文, 張建, 鄒小波. 嗅覺可視化技術及其對5種化學物質的區分[J]. 江蘇大學學報: 自然科學版, 2008(1): 7-10.

[14] Quansheng Chen, Cuicui Sun, Qin Ouyang, et al. Classification of different varieties of Oolong tea using novel artificial sensing tools and data fusion [J]. LWT-Food Science and Technology, 2015(60): 781-787.

[15] 李楊, 楊寶華, 李雙. BP-AdaBoost分類算法的MapReduce并行化實現[J]. 計算機應用與軟件, 2014, 31(8): 261-264.

Monitoring Black Tea Fermentation Using a Colorimetric Sensor Array-based Artificial Olfaction System

CHEN Lin1,2, YE Yang1*, DONG Chunwang1*, HE Huafeng1
1. Tea Research Institute, Chinese Academy of Agricultural Sciences, Key Laboratory of Tea Processing Engineering of Zhejiang Province, National Engineering Technology Research Center of Tea Industry, Key Laboratory of Tea Biology and Resource Utilization of Ministry of Agriculture, Hzngzhou 310008, China; 2. Graduate School of Chinese Academy of Agricultural Sciences, Beijing 100081, China

As the crucial procedure for production of black tea, fermentation plays an important role in quality control of black tea. This paper proposed a colorimetric sensor array-based artificial olfaction system to monitor black tea fermentation. Herein, a colorimetric sensor array by printing 16 chemical dyes including porphyrins/metalloporphyrins on a Silica gel thin-layer chromatography plate was utilized to detect volatile gases during black tea fermentation. Discrimination model was established by fisher discriminatory analysis and adaptive boosting algorithm based on BP-ANN (BP-Adaboost). Results showed that the discrimination rate and discrimination rate of cross-validation reached 100% and 90.74% respectively. BP-Adaboost model showed that the correlation coefficient of calibration set (Rc) and prediction set (Rp) were 0.9578 and 0.9132 respectively. This work demonstrates that it is feasible to distinguish the degree of black tea fermentation using a colorimetric sensor array-based artificial olfaction system.

black tea, fermentation degree, Fisher discriminatory analysis, BP-Adaboost algorithm

TS272.5+2；TS272.3

A

1000-369X（2017）03-258-08

2016-08-16

：2016-10-13

浙江省自然科學基金（LY16C160002）、浙江省重點研發計劃（2015C02001）、國家星火計劃（2015GA700006）

陳琳，男，碩士研究生，主要從事茶葉加工方面的研究。*通訊作者：yeyang@tricaas.com，dongchunwang@tricaas.com