茶叶干燥过程水分含量的近红外光谱检测方法研究

吴继忠，王新宇，蓝黄博恩，谭浩东，殷思佳，陈晓宏，欧阳琴

（1.江苏大学食品与生物工程学院，江苏镇江 212013；2.镇江市金山翠芽茶业责任有限公司，江苏镇江 212111）

0 引言

干燥是各类茶产品加工的一道重要工序，不仅是水分散失和稳固外形的过程，更是内含成分发生微妙变化的过程，对茶叶的色泽、香气和滋味的形成尤为重要。传统茶叶干燥过程采用辉锅干燥，干燥过程品质的控制依赖工人师傅感官经验，然而人工感官评价手段容易受到师傅经验、性别、年龄、环境等主客观因素的影响，使茶叶品质的稳定性得不到保证。近年来，尽管现代化茶叶干燥机已在很多茶叶加工企业推广应用，茶叶加工机械化得到了全面推广，但茶叶加工过程的智能化和数字化监控并没有实施。研究茶叶加工过程品质的智能化监控方法，开发茶叶加工的智能化和数字化装备，对于提高机械制茶品质的稳定性具有重要意义。

水分是衡量茶叶干燥过程最重要的品质因子。近红外光谱主要是有机物含氢基团（C-H，O-H，N-H）等的倍频和合频吸收，具有快速、无损、准确等优势[1]，近年来，该技术在食品水分检测中受到了越来越多的关注。Pan Talens等人[2]利用近红外高光谱图像技术的光谱信息预测火腿的水分含量。Lu Ying-guo等人[3]利用近红外光谱技术预测方便面的水分量。Eva Achata等人[4]利用近红外高光谱图像技术的光谱信息预测咖啡、薄饼、大豆的湿度和水分含量。朱逢乐等人[5]利用近红外高光谱图像技术的光谱信息预测三文鱼的水分含量。王婉娇等人[6]利用可见-近红外高光谱成像技术的光谱信息预测冷鲜羊肉的水分含量。

在茶叶品质检测方面，王胜鹏等人[7]利用近红外光谱技术评价茶鲜叶的水分含量；Deng Shuiguang等人[8]利用近红外光谱技术检测茶叶的水分含量。然而，近红外光谱技术在茶叶加工过程品质的水分含量检测还比较少见。研究尝试近红外光谱技术检测茶叶干燥过程的水分含量，对茶叶干燥过程品质的智能化和数字化监测，以及茶叶智能化加工装备的开发具有重要意义。

1 材料与方法

1.1 试验材料

采集镇江金山翠芽茶业有限责任公司绿茶（乌牛草品种）加工干燥过程的样本为研究对象，取干燥过程不同时间节点的样本共90个。每个样本取20 g，使用精度为0.1 g的电子天平称质量，样本密封保存。

1.2 光谱采集及预处理

研究构建了便携式的近红外光谱系统用于样本的光谱采集，该系统主要包括以下几个部分：①近红外光谱仪（NIRQUEST512，海洋光学）；②Y型光纤 （QR400-7-VIS-NIR，海洋光学）；③光源（HL-2000，海洋光学）；④计算机，采用漫反射方式采集光谱，光谱范围900～1 700 nm，参数设定为积分时间500 ms，平均次数3次，平滑度5。光谱采集软件为Spectra Suite软件。每个样本采集3次光谱，以3次光谱的平均值为样本的原始光谱，并采用标准正态变量变换（SNV）预处理光谱，用于后续模型分析。

茶叶干燥过程样本原始光谱图（a）和经SNV预处理后的光谱图（b） 见图1。

1.3 水分含量参考值测定

参考GB 5009.3—2016的直接干燥法对茶叶样本进行含水率测量。其测量步骤如下：将含盖称量瓶置于烘箱内，在105℃条件下保持1 h后取出，于干燥皿内自然冷却至室温，将烘干后的称量瓶放在精度为0.000 1 g的天平上称质量，记为Ma，清零，再将茶叶样品放入称量瓶中称质量，得出样品湿质量（M0）。

图1 茶叶干燥过程样本原始光谱图（a）和经SNV预处理后的光谱图（b）

1.4 数据处理

研究比较应用全光谱偏最小二乘模型（PLS）、竞争性自适应加权抽样偏最小二乘模型（CARSPLS）、遗传偏最小二乘模型（GA-PLS） 建立模型，采用交互验证优化模型建立和优化模型。采用交互验证方法得到最佳主成分数，当交互验证均方根误差（RMSECV）最小时，对应的主成分数即为最优。同时通过校正集的相关系数（Rc）、校正均方根误差（RMSEC），预测集的相关系数（Rp）和预测均方根误差（RMSEP） 评价所建模型的性能。RMSEC和RMSEP，Rc和Rp之间差异越小，最佳主成分数越小，模型性能越好。

建立模型时，将样本随机划分为校正集和预测集样本。校正集样本用于建立茶叶干燥过程水分含量的近红外光谱预测模型，预测集用于评价模型的准确性和可靠性。

校正集和预测集中样本水分含量值分布见表1。

将茶叶样品放入烘箱内，120℃时计时，1 h后取出，移入干燥皿内，冷却至室温。然后取出茶叶样品连同称量瓶称质量，记为M2。

茶叶含水率公式如下：

表1 校正集和预测集中样本水分含量值分布

2 结果和分析

2.1 PLS模型

PLS是一种应用广泛的模型建立方法。该方法是利用茶叶干燥过程的全光谱近红外数据进行建模，所用到的光谱数据一共为512个。

PLS模型中校正集RMSECV与主成分数变化关系（a），校正集和预测集样本的预测值与实测值之间的散点图（b） 见图2。

图2 PLS模型中校正集RMSECV与主成分数变化关系（a）校正集和预测集样本的预测值与实测值之间的散点图（b）

由图2（a）可看出，当主成分数为8时，RMSECV最低，此时建模效果最好。图2（b） 显示了当主成分为8时，PLS模型中校正集和预测集样本的预测值与实测值之间的散点图，校正集Rc=0.978 7，RMSEC=0.846；预测集Rp=0.970 3，RMSEP=1.02。

2.2 GA-PLS模型

GA-PLS的特点是可以进行全局快速搜索，结合GA算法和PLS算法，建立的模型更加稳定，预测效果更好。该方法的主要步骤是确定控制参数（群体大小、交叉变异概率）、编码、确定适应度函数、产生初始群体、选择算子、交叉运算、变异、收敛。

采用GA优选变量时，初始群体大小、交叉概率、变异概率和遗传迭代次数分别设定为50，0.5，0.01，100。图3（a） 为GA变量筛选的频次图，频次在8以上的变量被选中，共58个变量。

GA筛选变量的频次见图3（a），GA-PLS模型中校正集和预测集样本的预测值与实测值之间的散点图见图3（b）。

图3 GA筛选变量的频次图（a）GA-PLS模型中校正集和预测集样本的预测值与实测值之间的散点图（b）

图3（b） 为GA-PLS模型中茶叶干燥过程最佳校正集和预测集的含水率预测值与实测值的散点图，结果显示，当主成分数为8时，该模型校正集Rc=0.992 7、RMSEC=0.497，预测集Rp=0.986 8，RMSEP=0.696。结果显示，GA-PLS建模结果优于PLS模型，变量数大大减少，简化了模型，且模型性能得到提高。

2.3 CARS-PLS模型

CARS模仿达尔文进化理论中“适者生存”的原则优选变量，具体包含如下步骤：①采用蒙特卡罗抽样法选取校正集中80%～90%的样本建模；②建立PLS模型，得到每个变量对应的回归系数，并计算其权重；③根据指数递减函数（Exponentially Decreasing function，EDF） 和自适应加权采样ARS（Adaptive reweighted sampling，ARS） 两步筛选变量；④用每次产生的新变量子集建立PLS回归模型，最后选出RMSECV最低的子集，即为最优变量子集[9]。

运行CARS-PLS时，随机选取校正集80%的样本（48个样本）用于构建模型，蒙特卡罗采样次数为50，采用5倍交互验证优化模型，依据最低RMSECV值确定最佳变量和模型。

CARS筛选变量的过程见图4（a），CARS-PLS模型中校正集和预测集样本的预测值与实测值之间的散点图见图4（b）。

图4 CARS筛选变量的过程图（a）CARS-PLS模型中校正集和预测集样本的预测值与实测值之间的散点图（b）

图4（a） 显示了RMSECV与采样次数的关系，当采样次数为35时，RMSECV值最低，之后逐渐增加，说明运行35次以上时，CARS开始剔除与水分含量相关的特征变量。图4（b） 为被选中的变量数与采样次数的关系，从中可见，被选中的变量数随采样次数的增加而逐渐下降，且下降趋势由快到慢，体现了变量粗选和精选2个过程。从图4（b）可知，当采样次数为35次时，获得最小的RMSECV值，此时，筛选的变量数为11个，图中以“*”代表RMSECV值最小的位置及筛选变量数。以CARS-PLS筛选的11个变量建立茶叶干燥过程水分含量的近红外光谱预测模型，其主成分数为7，校正集Rc和RMSEC分别为0.991 3，0.543，预测集Rp和RMSEP分别为0.990 7，0.574。

2.4 讨论

近红外光谱结合不同模型预测茶叶干燥过程水分含量的结果见表2。

表2 近红外光谱结合不同模型预测茶叶干燥过程水分含量的结果

表2显示了PLS，GA-PLS和CARS-PLS 3种方法建立的茶叶干燥过程水分含量的近红外光谱分析结果。从表中可以得出，CARS-PLS模型结果最佳，该模型的变量数最少，模型最简单，其校正集和预测集均具有较高的模型预测精度，且RMSEC和RMSEP，Rc和Rp之间差异最小，表明模型更加稳健。因此，CARS-PLS模型效果最好，说明通过筛选变量提高预测准确度是有效的。

3 结论

研究采用近红外光谱技术对茶叶干燥过程的水分含量进行评价分析，比较应用PLS，GA-PLS和CARS-PLS建立茶叶干燥过程水分含量的近红外光谱分析模型。结果表明，CARS-PLS模型的预测效果最佳，变量数为11，主成分数为7校正集的Rc=0.991 3，RMSEC=0.543，预测集的Rp=0.990 7，RMSEP=0.574。研究结果表明，采用近红外光谱技术结合合适的化学计量学方法评价茶叶干燥过程的水分含量具有可行性，为茶叶干燥过程品质的数字化、智能化监控提供方法。