基于近红外光谱的黄山毛峰茶鲜叶品质分析及等级快速评价

王 曼，张正竹，宁井铭，韦玲冬，李露青

（安徽农业大学茶与食品科技学院，安徽合肥 230036）

基于近红外光谱的黄山毛峰茶鲜叶品质分析及等级快速评价

王 曼，张正竹*，宁井铭，韦玲冬，李露青

（安徽农业大学茶与食品科技学院，安徽合肥 230036）

为科学分析茶鲜叶品质，快速直观评价鲜叶等级，采用偏最小二乘（PLS）法建立茶鲜叶中含水率、全氮量和粗纤维含量的近红外定量模型，通过分析近红外光谱-鲜叶内含成分-鲜叶等级间相关性，得到鲜叶等级近红外预测模型。结果表明，茶鲜叶中含水率、全氮量、粗纤维预测模型相关系数（RP）分别为0.9109，0.8989，0.8895，预测均方根误差（RMSEP）为0.361，0.103，0.195，鲜叶等级NIR模型的判别率为93.10%，模型有较高的预测性能。在此基础上自主研发的SNIR-2101茶叶品质分析仪适用性良好，这为茶鲜叶品质分析和等级快速评价提供新思路。

近红外光谱，茶鲜叶，品质分析，等级评价，定量模型

茶鲜叶原料质量是茶叶品质的基础，鲜叶的准确验收是实现茶叶标准化加工的前提。目前茶鲜叶原料的质量评估主要通过感官方法进行，所得结果易受主观因素影响，缺乏量化的评价指标。因此建立一种科学、客观、便捷的茶鲜叶质量评价方法对茶叶标准化加工，科学指导生产，合理定价，减少茶农与生产加工企业之间的矛盾，都具有极其重要的作用[1-2]。

近年来，近红外光谱技术（NIRS）已经广泛应用于食品、纺织、烟草、石油化工、医药定性定量分析等诸多领域[3-6]。茶叶中儿茶素、纤维素、茶多糖等有效成分快速分析、茶叶的种类鉴别、茶叶的产地和真伪鉴别[7-11]等方面已经取得了一定的研究成果。在茶鲜叶品 质 分 析 方 面 ，王 胜 鹏 等[12]首 次 提 出 了 利 用 质 量系数定量评价鲜叶质量。利用NIRS技术建立茶鲜叶等级分析模型直观评价鲜叶原料质量的相关研究鲜有报道。

本文以黄山毛峰茶鲜叶为研究对象，利用PLS法建立茶鲜叶主要内含成分含水率、全氮量、粗纤维含量的近红外定量预测模型，通过人工神经网络（BPANN）算法分析近红外光谱-鲜叶内含成分-鲜叶等级间相关性，实现利用近红外光谱技术建立黄山毛峰茶鲜叶等级分析模型，为茶鲜叶原料质量快速、量化评价提供新的思路。

1 材料与方法

1.1 材料与仪器

春茶样品 2012年4月3日~2012年5月12日于黄山谢裕大杨村茶厂收集春茶样品300份，按表1的不同拼配比例得到标准等级茶鲜叶样品231份，含特一级39份，特二级38份，特三级40份，一级46份，二级37份，三级36份，另外收集原样46份，单芽样23份。

表1 标准等级黄山毛峰茶鲜叶原料拼配比例（%）Table 1 Mixing ratio of tea materials（%）

FA 1104A型电子天平 上海精天电子仪器有限公司；JFSD-100-Ⅱ型高速手提式粉碎机 上海嘉定粮油仪器有限公司；DHG-9240A型电热恒温鼓风干燥箱 上海精宏实验设备有限公司；KO5200E型超声波清洗器 昆山市超声波仪器有限公司；艾科普纯水机 重庆颐洋企业发展有限公司；UDK-159型全自动凯式定氮仪 意大利VELP公司；DK 8S型消化炉 意大利VELP公司；FIWE6型纤维素测定仪及全套配件反射板 意大利VELP公司；KSW-4D-11型箱式电阻炉温度控制器 上海跃进医疗器械厂；SNIR-2101型茶叶品质分析仪 采用由合肥美亚光电有限责任公司与安徽农业大学茶叶重点实验室联合研制的。

1.2 样品近红外光谱采集

称取样品约50g装入旋转样品杯中，用压样器压实后采集光谱。光谱扫描波长为900～1700nm，分辨率为3nm，每份样品旋转8次，每次光谱扫描时间为16s，系统自动计算8条光谱平均值作为该鲜叶样品的光谱。装样时，保证鲜叶铺满样品杯杯底不留缝隙，并避免表面积过大的单片叶平铺在杯底，压样时力度适中保证鲜叶均匀放置，且厚度一致。样品装好后通过软件控制仪器扫描光谱。

1.3 化学测定方法

茶鲜叶含水率测定：GB/T 8304-2002 《茶水分测定》。

茶鲜叶全氮量测定：GB/T5009.5-2010《食品中蛋白质的测定方法》。

表2 茶鲜叶样本含水量、全氮量及粗纤维含量测定结果Table 2 Contents of moisture，total nitrogen and crude fiber in tea leaf samples

表3 茶鲜叶主要内含成分NIR模型校正集与验证集结果Table 3 Results of different NIRS models

茶鲜叶粗纤维含量测定：GB/T8310-2002《茶叶中粗纤维的测定方法》。

对待测样品的两个平行样进行4次测定，保证同一样品的两次测定误差不得超过允许的误差范围，取4次测定的平均值作为样品的化学分析值。

1.4 数据分析方法

1.4.1 偏最小二乘（PLS）法 采用偏最小二乘法（PLS）作为建立模型的多元校正方法，通过OPUS定量分析软件完成光谱数据的处理、模型的建立和验证。通过比较建模参数（光谱预处理方法、谱区范围和主成分数）的不同组合对组分含量校正模型结果的影响，最终确定各组分的最优定量分析模型。以组分的实测值与预测值的决定系数（R2）、交叉验证均方差（RMSECV）、预 测 相 关 系 数（RP）、预 测 均 方 差（RMSEP）和相对分析误差（RPD）作为评价模型预测效果的指标。RP、R2越大，RMSECV、RMSEP越小，建立的模型越可靠。一般认为RPD作为评价校正模型预测能力的指标，模型RPD 5～7之间为好，3～5之间为普通[13-16]。

1.4.2 人工神经网络 人工神经网络（artificial neural network，ANN）是通过人工建立的以有向图形组成拓扑结构的动态系统。通过输入连续或离散的初始信息，进行计算后按误差逆传播（back propagation，BP）算法的前馈神经网络，最终实现输出和输入之间的高度非线性映射，要求输入的变量少。通过不断学习和修正，使网络的学习误差达到最小[14，17-19]。本文主要运用人工神经网络算法分析茶鲜叶主要内含成分与鲜叶等级之间的相关性。

2 结果与分析

2.1 茶鲜叶内含成分NIR定量模型的建立

2.1.1 样品集的选择与划分 对收集的所有样品，剔除化学测定值和光谱数据有较大误差的异常样品，选择的建模样品数至少大于100份，以3∶1的比例分成校正集和验证集，其中极值点必须纳入校正集中，各组分校正集和验证集的最大值、最小值及平均值见表2。

2.1.2 定量模型建立 利用OPUS软件，采用PLS法通过交差验证分别建立茶鲜叶含水率、全氮量、粗纤维含量近红外定量预测模型。比较不同预处理方法的建模效果，通过软件自动选择RMSECV最小时主成分因子数作为模型最佳主成分数，得到主要内含成分的最优建模结果如图1及表3所示。

图1 茶鲜叶含水率、全氮量、粗纤维含量近红外预测模型结果Fig.1 Results of different NIRS models

2.2 内含成分-等级相关性分析

将主要内含成分含量作为BP的输入节点，分别从含水率、全氮量、粗纤维含量中任意选择两个组合和三个组合作为输入，主要输出节点为标准六个等级值，通过多次建模实验，训练过程中的学习因子和动量因子都置为0.1，模型中间层单元数通过训练的结果来优化，结果表明以含水率、全氮量、粗纤维含量三个主要内在成分含量作为输入，隐含层节点取8时，建立等级模型输出预测结果效果达到最好。故建立一个3输入节点-8隐含层节点-1输出节点的三层BP-ANN模型，见图2，该等级模型的相关系数达到0.9644。

图2 主要内含成分-等级相关性模型结果Fig.2 Relationships between actual value and network prediction

2.3 鲜叶等级NIR评价模型的建立

建模结果如下：剔除异常样品后，选择同一批次收集的六个标准等级的样品128份，建模样品数99份，验证集29份，光谱经消除常数偏移量预处理，建模谱区为13282.9～12016.4、10190.4～9134.9、8638.9～7287.9、6844.6～5831.3cm-1。最佳主成分数选择10，采用PLS法内部交叉验证建立校正模型，结果如图3所示。

图3 茶鲜叶等级近红外光谱分析模型结果Fig.3 Results of tea leaves’class NIR model

选择29个样品对鲜叶等级NIR模型进行外部验证，当模型预测值与真值差的绝对值小于0.5时，能够达到等级划分与判别，由此判定模型预测正确，结果（见表4）显示，等级模型的判别率为93.10%。表明利用近红外光谱法对黄山毛峰茶鲜叶原料进行等级量化评价是有效可行的。

表4 鲜叶等级预测结果Table 4 Predicted result of class model

茶叶的内含成分是一个客观值，由于这些客观成分（如水分、含氮量等）分子的振动，转化为对光的吸收，所以将茶鲜叶的内含成分与其吸收光谱建立了一一对应的数据库，通过PLS法建立有效的NIR定量分析模型。另一方面，标准等级鲜叶原料依照DB34/T871-2008《黄山毛峰茶清洁化加工技术规程》中鲜叶分级标准对黄山毛峰茶鲜叶原料进行拼配分级[20]，BP-ANN模型结果表明内含成分与鲜叶等级之间具有很好的相关性。因而直接建立茶鲜叶等级的近红外预测模型是可行的。上述研究结果表明利用近红外光谱分析技术进行黄山毛峰茶鲜叶品质分析和等级评价是有效可行的。

在此基础上，合肥美亚光电技术股份有限公司与安徽农业大学共同研制了SNIR-2101近红外茶叶品质分析仪，该仪器主要技术参数如下：尺寸460mm× 418mm×310mm，重20kg，波长范围为900~1700nm，光谱分辨率为3nm，光源寿命大于2000h，通道接口为USB/RS232，参考校正附件为聚四氟乙烯白板，还包括测样附件旋转样品杯。2013年4月该仪器在黄山谢裕大茶叶有限公司投入试用，对茶鲜叶主要内含成分和等级的检测结果如表5所示，预测准确性较好，实现了对茶鲜叶主要内含成分和等级的快速评价，且仪器操作简易，检测速度快，显示结果直观准确。

表5 茶叶品质分析仪检测结果Table 5 Test results of NIRS analyzer

3 结论

本文采用偏最小二乘法，建立了黄山毛峰茶鲜叶含水率、全氮量、粗纤维含量和等级的近红外定量分析模型，达到了利用近红外光谱技术有效预测黄山毛峰茶鲜叶主要内含成分和等级评价的目的。笔者设想此途径可应用于其他茶类的鲜叶品质分析和等级评估，通过模型扩充，使其适应一大类茶叶的等级评估，另一方面可尝试应用于干茶品质分析和等级评价。

[1]谢丽娟，刘东红，张宇环，等.分辨率对近红外光谱和定量分析的影响研究[J]. 光谱学与光谱 分析，2007，27（8）：1487-1450.

[2]周小芬，叶阳，周竹定，等.基于近红外光谱法的大佛龙井茶品质评 价研究[J]. 光谱 学与光谱 分析，2012，32（11）：2971-2973.

[3]王晶，孙国英，潘安龙，等.利用近红外光谱法测定玉米皮渣中的木质素，灰分及蛋白质[J]. 光谱实验室，2012，29（4）：1975-1978.

[4]宁井铭，张正竹，毛小文，等.近红外光谱技术结合人工神经网络判别普洱茶发酵程度[J]. 农业工程学报，2013，29（11）：254-257.

[5]任广鑫，张正竹，宁井铭，等.基于ATR校正的红茶成分近红外光谱无损检测[J].光谱实验室，2012，29（4）：2149-2153.

[6]牛晓颖，邵利敏，赵志磊，等.基于BP－ANN的草莓品种近红外光谱无损鉴别方法研究[J]. 光谱学与光谱分析，2012，32（8）：2094-2097.

[7]王毅，马翔，温亚东，等.应用近红外光谱分析不同年度工业分级烟叶的特性[J]. 光谱学与 光谱分析 ，2012，32（11）：3013-3016.

[8] 周健，成浩，贺巍，等. 基于近红外的 Fisher 分类法识别茶叶原料品种的研究[J]. 光谱学与光谱分析，2009，10（1）：2559-2562.

[9]陈全胜，赵杰文，张海东，等.基于支持向量机的近红外光谱鉴别茶叶的真伪[J]. 光学学报，2006，26（6）：932-935.

[10]王玉霞，徐荣荣，任广鑫，等.绿茶茶汤中主要品质成分近红 外定 量 分 析 模型的建立[J]. 茶叶 科 学 ，2011，31（4）：354-357.

[11]李晓丽，何勇，裘正军，等.一种基于可见近红外光谱快速鉴别茶叶品种的新方法[J]. 光谱学与光谱分析，2007，27（2）：278-281.

[12]王胜鹏，宛晓春，林茂先，等.基于水分、全氮量和粗纤维含量的茶鲜叶原料质量近红外评价方法[J]. 茶叶科学，2011，31（1）：66-71.

[13] 任广鑫，范起业，何鑫，等. 近红外光谱（NIRS）技术在茶叶领域研究中的应用与展望[J]. 中国茶叶加工，2013（1）：22-25.

[14]陈波，靳保辉，梁宏，等.近红外光谱技术与聚类分析鉴别中国名茶[J]. 光谱实验室，2012，29（5）：2900-2903.

[15]吴江，黄富荣，黄才欢，等.近红外光谱结合主成分分析和BP神经网络的转基因大豆无损鉴别研究[J].光谱学与光谱分析，2013，33（6）：1537-1540.

[16]何勇，李晓丽，邵咏妮.基于主成分分析和神经网络的近红外光谱苹果品种鉴别方法研究[J]. 光谱学与光谱分析，2006，26（5）：850-853.

[17]李晓丽，程术希，何勇.基于漫反射光谱的初制绿茶含水率无损检测方法[J]. 农业工程学报，2010，26（5）：195-199.

[18]陈全胜，赵杰文，蔡健荣.基于近红外光谱和机器视觉的多信息融合技术评判茶叶品质[J]. 农业工程学报，2008，24（3）：8-11.

[19]赵杰文，陈全胜，张海东，等.近红外光谱分析技术在茶叶鉴别中的应用研究[J]. 光谱学与光谱分析，2006，26（9）：1602-1605.

[20] 安徽省地方标准. 黄山毛 峰茶 清 洁化 加工技 术规 程[S]. DB34/T 871-2008. 安徽：安徽省质量技术监督局，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，在读研究生，主要从事茶叶品质检测与综合利用方面的研究。

* 通讯作者：张正竹（1969-），男，博士，教授，主要从事茶叶生物化学方面的研究。

十二五科技支撑计划（2011BAD01B03-2）；教育部茶叶次生代谢与质量安全创新团队。