基于近红外光谱技术(NIRS)对工夫红茶审评品质客观评价研究

刘洪林

(1.重庆第二师范学院旅游与服务管理系,重庆 400065;2.西南大学,重庆北碚 400715)



基于近红外光谱技术(NIRS)对工夫红茶审评品质客观评价研究

刘洪林1,2

(1.重庆第二师范学院旅游与服务管理系,重庆 400065;2.西南大学,重庆北碚 400715)

目的:提出一种利用近红外光谱技术客观评价工夫红茶品质的新方法。方法:实验样品共计240个,手动选择180个样品作为校正级,剩余60个样品作为预测集;利用OPUS7.0软件优化出各模型最佳波数段和最佳预处理方法,平滑点数17,维数1,结合感官审评结果进行建立预测模型,分析预测模型的预测性能。结果:各预测模型预测精准度高,均可用于工夫红茶审评品质预测。其中,各模型校正相关系数(Rc)为96.07%～98.80%,校正均方根误差(RMSEC)为0.148～0.419;预测相关系数(Rp)为90.04%～98.34%,预测均方根误差(RMSEP)为0.105～0.357。各模型校正集和预测集均有较高的拟合度,总分模型预测精准度高于其他几个单因子感官模型。结论:近红外光谱图结合感官审评结果建立的各预测模型预测性能优,适合工夫红茶审评品质评价。

工夫红茶,近红外光谱技术,感官审评,预测模型

茶叶被誉为“世界三大饮料之首”,富含多种药理活性成分,有很强的保健功效[1]。工夫红茶是我国特有的红茶品种,也是我国传统出口商品[2],目前已成为我国传统茶叶中最受消费者喜爱的茶类之一。因此,工夫红茶的品质评价尤为重要。一直以来,工夫红茶的品质评价多以主观感官审评为主,因个体差异,主观感官审评受到各种因素的影响和限制,因此主观感官审评难以对工夫红茶的品质进行定量评价和分析[3]。

近红外光谱(NIRS)是一种介于可见光谱区和中红外光谱区的电磁波,波长在780～2526 nm(12820～2959 cm-1)范围内[3]。由于近红外光谱分析技术具有速度快、效率高、成本低、测试重现性好、测量方便、客观等特点[4-9],近年来国内外利用近红外光谱技术对茶叶种类的识别[10]和真假茶的鉴别[11]等研究成为热点之一。但目前利用近红外光谱技术客观评价工夫红茶审评品质还鲜有报道。

因此,本研究以2013年随机抽取的240个工夫红茶茶样为原料,利用OPUS7.0软件将工夫红茶近红外光谱图谱和感官审评评分结果结合建立定量分析预测模型,探讨近红外光谱客观评价技术与感官评价的一致性,以期为客观快速评价工夫红茶品质提供一种新方法。

1　材料与方法

1.1材料与仪器

240个工夫红茶茶样:2013年随机抽取的240个工夫红茶茶样,60个红茶品种,每个品种4个茶样(含特级、一级、二级、三级四个等级)。分别从安徽、福建、广东、广西、贵州、湖北、湖南、江苏、江西、山东、陕西、四川、云南、浙江和斯里兰卡地区抽取2、5、4、11、4、3、4、1、3、3、4、8、1、6、1个红茶品种。

布鲁克MPA型傅立叶变换近红外光谱仪BRUKER公司;FA2004A型分析天平海津天电子仪器有限公司。

1.2实验方法

1.2.1工夫红茶样品近红外光谱图采集方法参照周小芬[12]方法,本实验采用完整茶样进行实验。实验条件为:扫描范围:800～2500 nm(波数12500～4000 cm-1)[13],扫描次数:32次,分辨率:8cm-1。测试前,将97 mm自动旋转式样品杯擦拭干净,确保样品杯中装入2/3以上茶叶[14],样品杯中装入20 g工夫红茶样品,通过OPUS软件控制光谱仪扫描,每个样品扫描3次,取平均谱作为该样品的近红外光谱。

1.2.2感官审评方法根据GB/T23776-2009茶叶感官审评方法[16],由三名国家高级评茶师对工夫红茶茶样进行感官审评,审评分数取平均值。审评方法如下:准确称取3 g干茶样,观察干茶外形(色泽和形状),用150 mL 85 ℃矿泉水冲泡5 min后,将茶汤倒入审评碗中,开汤审评汤色、香气、滋味和叶底,并计算出审评总分。公式如下:

审评总分=外形(10分)+汤色(20分)+香气(20分)+滋味(30分)+叶底(20分)

1.2.3工夫红茶茶样波数选择和近红外光谱图预处理方法实验对240个工夫红茶茶样结合感官审评结果利用0PUS7.0软件进行建模,通过软件剔除高频区和低频区的无效光谱,采用无光谱预处理、一阶导数(FD)、二阶导数(SD)、消除常数偏移量、矢量归一化(SNV)、减去一条直线、最小-最大归一化、多元散射校正(MSC)、一阶导数(FD)+减去一条直线、一阶导数(FD)+矢量归一化(SNV)、一阶导数(FD)+多元散射校正(MSC)等光谱预处理方法进行光谱预处理[15]。同时实验通过OPUS7.0软件进行方法优化选择建模最佳波数段和最佳预处理方式,以总样本均方根误差RMSEC总作为衡量标准(RMSEC总越小,效果越好)。

1.2.4基于近红外光谱图对感官审评结果的建模方法实验样品共计240个,样品集分为校正集(定标集)和预测集(验证集)二者样品数约为2∶1～3∶1[12]。预测集的选择方式有两种:即随机选择和手动选择。为了避免随机选择中可能存在同一等级茶样品集中被选中,从而影响模型的定标范围和定标精准度,因此本实验利用手动选择方式选择预测集样品。方法为:对样品感官审评得分进行高低排序,从上而下每隔3个校正集样品选择一个预测集样品。因此本实验的校正集样品数为180个,预测集样品数为60个。在最佳波数段利用最佳预处理方法对原始光谱曲线进行有效信息提取,并对预处理后的光谱曲线结合感官审评结果建立预测分析模型。

1.2.5数据统计分析各实验至少重复3次以上,采用OPUS软件及其软件自带的偏最小二乘法(PLS)分析方法,将近红外光谱图结合感官审评结果进行建模分析[17]。

建模结果表示方式以校正相关系数(Rc)、校正均方根误差(RMSEC)、预测相关系数(Rp)、预测均方根误差(RMSEP)表示[18]。

2　结果与分析

2.1近红外光谱图的采集

工夫红茶的近红外光谱图是其内在品质的反映。茶叶无论品种、产地等是否相同,近红外光谱图都带有很多相似信息,这是由于近红外光谱吸收的都是茶叶中的C-H和N-H基团,这些基团的周围环境发生变化时,会导致峰位的变化,但变化幅度并不大;决定近红外光谱峰位和峰强度的是样品中存在的成分含量[19]。而不同的工夫红茶中的成分含量都不一致,也就出现了不同的光谱图。240个工夫红茶近红外光谱扫描曲线如图1所示。

图1　工夫红茶茶样近红外光谱图Fig.1　Averaged NIR reflectance spectra after Congou black tea samples

从图1中可以看出,不同的工夫红茶的光谱曲线有明显区别,具有一定的特征性和指纹性[19],这一区别为不同工夫红茶审评品质评价奠定了数学建模基础。其中大于10000 cm-1和小于4000 cm-1主要贡献噪声,4000～10000 cm-1波数段为有效信息集中段[12]。

2.2工夫红茶感官审评结果

茶叶感官审评是凭借茶师的视觉、味觉、嗅觉和触觉审评茶叶品质的优劣[20]。具有一定的主观性,但是目前最直观也是最常见的茶叶审评方法。

表1　240个工夫红茶茶样感官审评评分结果Table 1　The sensory evaluation score results of 240 Congou black tea

注:“无”表示无显著性差异。

表2　感官品质模型波数和光谱预处理方法选择Table 2　Selection of wave number and spectral preprocessing method to organoleptic quality models

表1是三位高级评茶师对240个工夫红茶茶样外形、汤色、香气、滋味、叶底五因子和总分感官审评评分结果,240个工夫红茶茶样审评总分在67～94.1分之间。本实验采用最小显著差数法(LSD)对三组审评结果进行方差分析,结果表明三位高级评茶师对240个工夫红茶茶样的外形、汤色、香气、滋味、叶底和总分的审评结果之间均无显著性差异,因此取三组审评结果平均值进行近红外建模。

2.3波数选择和光谱预处理

实验对茶样4000～10000 cm-1波数段结合感官审评结果利用0PUS软件进行建模,同时选择建模最佳波数段和最佳预处理方式,表2为RMSEC总最小时对应的波数和预处理方法,分别为建模的最佳波数和预处理方法,平滑点数17,维数1[21-22]。

2.4基于近红外光谱技术的工夫红茶感官审评结果快速预测

提取工夫红茶光谱图谱信息,建立能充分反映光谱特征与茶叶审评品质专有属性关系的定量预测分析模型,找出被众多错综复杂的共性所掩盖着的专属特征,定量地描述不同样品谱图间的相似程度,这是近红外光谱技术可以用于评判茶叶品质专有属性的原因所在[23]。工夫红茶近红外光谱结合审评结果建模结果如表3所示:

表3　工夫红茶茶样感官审评结果校正集 与预测集模型的建模结果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。

实验利用工夫红茶近红外光谱图结合感官审评结果建立了工夫红茶茶样外形、汤色、香气、滋味、叶底和总分定量预测模型,并运用OPUS7.0软件中自带的偏最小二乘法对结果进行分析,结果如表3所示。由表3可知,工夫红茶茶样的Rc和Rp均在90%以上,模型定标效果较好,可用于工夫红茶品质预测,其中代表感官综合品质的总分模型预测精准度较高,单因子模型中以汤色、滋味和叶底模型精准度较高,Rc和Rp值都达到了96%以上。研究表明[18],所建立的定量模型精准度由预测集的Rp和RMSEP反映。当Rp值>0.9时,表明所建模型是比较好的模型,Rp值越接近1表明模型越好;RMSEP越小,RMSEP以接近0为最好,模型预测性能越优。按照外形、汤色、香气、滋味、叶底和总分的预测模型相关系数Rp分别为91.22%、97.02%、90.04%、97.30%、96.86%、98.34%;所对应的RMSEP分别为0.168、0.203、0.357、0.266、0.251、0.105,各模型预测精准度均较高,预测性能较优。

从模型看出,其中总分模型的Rc最高且RMSEC最低(分别为98.80%和0.148),说明该模型校正集样品拟合度最高;且总分模型的Rp最高且RMSEP最低(分别为98.34%和0.105),说明该模型预测集样品拟合度最高,预测性能最优。可以得知,工夫红茶的总分模型预测精准度优于其他几个单因子感官模型,说明工夫红茶建模其感官综合品质的预测性能优于单个感官因子;各单因子模型看,Rp和RMSEP趋势不同,这说明Rp和RMSEP还受原始数据因子间相互作用、质量、数量等的影响,因此不能以Rp或RMSEP单方面判断模型优劣,应综合判断[24]。

3　结论

240个工夫红茶茶样感官审评总分在67～94.1分之间,审评结果三组数据无显著性差异,利用三组审评数据平均值进行建模;同时手动选择180个样品作为校正级,剩余60个样品作为预测集;利用OPUS7.0软件优化出各模型最佳波数段和最佳预处理方法,平滑点数17,维数1,结合感官审评结果建立预测模型。

各模型预测精准度高,均可用于工夫红茶感官品质预测。其中,各模型校正相关系数(Rc)为96.07%～98.80%,校正均方根误差(RMSEC)为0.148～0.419;预测相关系数(Rp)为90.04%～98.34%,预测均方根误差(RMSEP)为0.105～0.357。各模型校正集和预测集均有较高的拟合度,总分模型预测精准度高于其他几个单因子感官模型。

总的来说,近红外光谱图结合感官审评结果建立预测模型预测性能优,适合工夫红茶审评品质评价预测,为快速客观评价工夫红茶审评品质提供了一种新方法。今后的方向可利用近红外光谱技术结合其它技术(如机器视觉技术)对工夫红茶品质评价建立优性能预测模型,进一步实现茶叶品质评价的快速性、准确性和客观性。

[1]梁月荣,陆建良.茶叶[M].北京:中国农业大学出版社,2006:20-25.

[2]巩志.中国红茶[M].杭州:浙江摄影出版社,2005:123-126.

[3]张正竹,廖步岩,阎守和,等.近红外光谱(NIRS)技术在茶叶品质保真中的应用前景[J].食品工业科技,2009,30(9):349-352.

[4]郭志明.近红外光谱法测定茶叶中游离氨基酸的研究[J].光谱仪器与分析,2011,20(Z1):105-109.

[5]赵杰文,郭志明,陈全胜,等.近红外光谱法快速检测绿茶中儿茶素的含量[J].光学学报,2008,28(12):2302-2306.

[6]刘辉军.基于近红外技术的茶叶成份快速分析仪的原理与设计[D].北京:中国计量科学研究院,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]陈全胜.无损检测新技术在茶叶品质检测中的应用[C]//食品安全监督与法制建设国际研讨会暨第二届中国食品研究生论坛论文集(上).杭州:食品安全监督局,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]罗一帆,郭振飞,朱振宇,等.近红外光谱测定茶叶中茶多酚和茶多糖的人工神经网络模型研究[J].光谱学与光谱分析,2005,25(8):1230-1233.

[11]龚加顺,刘佩瑛,刘勤晋,等.茶饮料品质相关成分的近红外线光谱技术分析[J].食品科学,2004,25(2):135-140.

[12]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):2971-2975.

[13]廖步岩,张正竹,夏涛,等.近红外光谱分析技术在茶叶品质属性甄别中的应用[J].安徽农业大学学报,2009,36(2):287-291.

[14]李晓丽.基于机器视觉及光谱技术的茶叶品质无损检测方法研究[D].浙江:浙江大学,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]中华人民共和国国家质量监督检验检疫总局中国国家标准化管理委员会.GB/T23776-2009,茶叶感官审评方法[S].北京:中国标准出版社,2009.

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

[18]严衍禄,赵龙莲,李军会.现代近红外光谱分析的信息处理技术[J].光谱学与光谱分析,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]陆松侯,施兆鹏.茶叶审评与检验[M].北京:中国农业出版社,2001:4-5.

[21]尼珍,胡昌勤.近红外光谱分析中光谱预处理方法的作用及其发展[J].药物分析杂志,2008,28(5):824-828.

[22]柳艳云,胡昌勤.近红外分析中光谱波长选择方法进展与应用[J].药物分析杂志,2010,30(5):968-975.

[23]王梦东,王胜鹏.适用于3类茶的定性分类及主要内含成分定量分析的近红外预测模型的建立[J]. 华中农业大学学报,2015,34(1):123-127.

[24]王刚力,田金改,聂黎行,等.近红外光谱鉴别高丽参的研究[J].中草药,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

刘洪林(1991-)，男，硕士，助教，研究方向：茶学，E-mail：475844900@qq.com。

TS207.3

A

1002-0306(2016)05-0311-05

10.13386/j.issn1002-0306.2016.05.054