小种红茶茶多酚和咖啡碱近红外定量分析模型的建立

卢莉，程曦，张渤，沈小霞，刘艳，熊丽，袁潇，李远华*，黎星辉*

小种红茶茶多酚和咖啡碱近红外定量分析模型的建立

卢莉1，程曦1，张渤1，沈小霞1，刘艳1，熊丽1，袁潇2，李远华1*，黎星辉2*

1. 武夷学院茶与食品学院，福建 武夷山 354300；2. 南京农业大学园艺学院，江苏 南京 210095

以76份有代表性的小种红茶为研究对象，采用现行国标方法测定的茶多酚和咖啡碱含量作为近红外预测模型的化学值，对应采集样品的近红外光谱值，分别建立小种红茶茶多酚和咖啡碱含量最佳偏最小二乘法（Partial least squares，PLS）模型。结果表明，所构建的茶多酚含量模型校正集决定系数（Coefficient of determination，2）为97.59%，校正均方差（Root mean square error of calibration，RMSEC）为0.566%，验证集2为95.06%，预测均方差（Root mean square error of prediction，RMSEP）为0.855%；咖啡碱含量模型校正集2为96.98%，RESEC为0.110%，验证集2为95.67%，RESEP为0.148%。茶多酚和咖啡碱含量定量分析模型效果均较好，可实现对小种红茶茶多酚和咖啡碱含量的快速检测。

小种红茶；近红外光谱；茶多酚；咖啡碱；模型

小种红茶起源于福建省武夷山市，至今已有近400年的历史。在小种红茶的基础上，又发展出工夫红茶和红碎茶。小种红茶由荷兰人传入英国以后，英国兴起了红茶文化，使红茶成为世界产销量最大的茶类。2005年以前，小种红茶绝大部分外销，国内消费市场有限，相关研究较少。2005年以来，随着金骏眉等高端产品的开发，小种红茶越来越受到国内消费者喜爱和追捧。茶多酚是形成红茶品质的重要物质，是茶汤呈现爽口和刺激性的主要成分；咖啡碱是茶叶的重要滋味物质，其与茶黄素以氢键缔合后形成的复合物具有鲜爽味，是构成红茶品质的重要因子[1]。

近红外光谱分析技术是一种间接分析技术，不同于常规的化学分析方法，而是采用统计学方法在样品待测属性值与近红外光谱数据之间建立一个关联模型（或称校正模型），再进行验证完成模型的建立，通过构建的模型来预测样品被测组分含量[2]。傅里叶近红外光谱具有操作简单、制样简单、不损伤样品、用样少、无污染物、灵敏度较高等特点[3]，适用于快速检测。近红外光谱技术已广泛应用于产地溯源、多组分检测以及过程控制等领域[4]。

近红外光谱技术在茶叶方面的应用已取得一定进展[5-10]。茶叶建模不能以某一茶类模型通用于其他茶类，需要对特定茶类进行单一建模。我国茶叶产品花色品种丰富，绿茶、红茶、黑茶、乌龙茶、白茶等茶类产品均有关于品质成分近红外光谱快速定量检测方面的研究，但尚未见到该技术在小种红茶茶多酚和咖啡碱检测上的应用研究。本试验采用偏最小二乘（Partial least squares，PLS）法建立小种红茶茶多酚和咖啡碱定量分析模型，为小种红茶中茶多酚和咖啡碱含量的快速检测提供参考和技术支持。

1 材料与方法

1.1 试验材料

试验所用样品部分采购于武夷山市茶企，部分由武夷山正山茶业有限公司等企业提供。为保证样品的代表性，收集茶样为不同厂家、不同类别、不同等级、不同品种、不同区域的茶样，共76个样品。

1.2 仪器与设备

VERTEX 70傅立叶近红外光谱仪（美国布鲁克仪器公司），Agilengt-1260高效液相色谱仪（安捷伦科技有限公司），Sartorius BS224S电子分析天平（德国赛多利斯公司），UV-1880紫外可见分光光度计（上海美谱达仪器有限公司），FZ-102微型植物粉碎机（天津市泰斯特仪器有限公司），ZFD-A5040A新型鼓风干燥箱（上海精宏实验设备有限公司）。

1.3 方法

1.3.1 近红外光谱的采集

样品使用微型植物粉碎机粉碎后，过80目筛，装袋密封。将粉碎后的样品粉末放入样品杯，漫反射旋转扫描模式采集光谱。光谱采集范围为4 000~12 000 cm-1，分辨率为8 cm-1，扫描次数为64次。采用空调控温，使测试环境温度控制在25℃左右。每个样品扫描3次，取平均值作为最终光谱数据。

1.3.2 茶多酚和咖啡碱含量的测定

茶多酚含量测定：采用国家标准方法《茶叶中茶多酚和儿茶素类含量的检测方法》（GB/T 8313—2018）[11]。

咖啡碱含量测定：采用国家标准方法《茶咖啡碱测定》（GB/T 8312—2013）第一法[12]。

1.3.3 建模方法

偏最小二乘法回归可以对全波谱数据或部分光谱数据进行分析，能够对光散射和其他组分带来的干扰做出补偿，适用于复杂体系，模型比较稳定[13]。茶叶成分复杂，因此，本试验采用PLS建立小种红茶茶多酚和咖啡碱定量分析模型。

1.3.4 模型评价方法

通常采用样本校正集与预测集决定系数（Coefficient of determination，2）、交互验证以及预测集均方根误差等指标评价模型。2的值越接近1，交互验证均方根误差（Root mean square error of cross validation，RMSECV）与预测均方差（Root mean square error of prediction，RMSEP）的值越小，则模型的预测效果越好[14]。

1.4 数据处理

使用OPUS 7.5软件进行数据格式的转换和构建模型，采用Origin 8.0软件作图。

2 结果与分析

2.1 茶多酚和咖啡碱化学值测定结果

应用OPUS 7.5软件按7∶3的比例，从76份小种红茶样品中随机选择54份样品作为校正集，其余22份样品作为验证集，用于茶多酚和咖啡碱含量定量分析模型的建立，结果如表1所示。茶多酚的校正集的含量范围为6.51%~19.88%，标准差为3.56%，验证集的含量范围为7.63%~19.63%，标准差为3.85%。咖啡碱的校正集的含量范围为3.05%~5.43%，标准差为0.61%，验证集的含量范围为3.06%~5.42%，标准差为0.71%。茶多酚和咖啡碱验证集含量范围均处在校正集样品含量范围之内。茶多酚和咖啡碱的校正集与验证集标准差均相近，茶多酚和咖啡碱含量变动范围较大，说明选择的样本合理，样品代表性较强。

2.2 光谱预处理方法的选择

仪器响应、散射光、杂射光、样品不均匀等与待测样品性质无关的因素均会对近红外光谱造成干扰，导致近红外光谱出现基线漂移或倾斜等现象。对光谱进行不同预处理，可以提高模型准确性和可靠性[15]。

本试验比较了无预处理（NONE）、最小-最大归一化（Min/max）、内部标准（Internal standards，IS）、消除常数偏移量（Elimination of constant offset，ECO）、减去一条直线（Minus a straight line，MSL）、标准归一化（Standard normal variate，SNV）、多元散射校正法（Multiplicative signal correction，MSC）、一阶导数（First derivative，FD）和二阶导数（Second derivative，SD）等12种光谱预处理方法。以RMSECV、RMSEP及2为考察指标，最终确定茶多酚含量定量分析模型的光谱预处理方法为SNV，用于咖啡碱含量定量分析模型的光谱预处理方法为FD＋MSL（表2）。

2.3 主成分数的选择

主成分数的选择对模型实际预测效果影响很大，主成分数选择太少，则不能反映被测组分所产生的全部光谱信息，导致模型欠拟合，模型预测准确度下降；主成分数选择过多，又会导致过拟合现象，使模型预测能力下降[16]。本研究以RMSECV为评价指标（RMSECV值越接近0越好），筛选最佳主成分数。茶多酚含量定量分析模型建立选择的最佳主成分数为10，咖啡碱含量定量分析模型建立选择的最佳主成分数为7。

2.4 茶多酚和咖啡碱定量分析模型的建立

使用Origin 8.0软件对近红外光谱图进行处理、OPUS 7.5软件进行模型建立，采用PLS法建立茶多酚和咖啡碱含量定量分析模型。茶多酚含量定量分析模型采用SNV，4 000~11 000 cm-1建模波段，主成分数为10，建模结果如图1所示，校正集2=97.59%，校正均方差（Root mean square error of calibration，RMSEC）=0.566%，验证集2=95.06%，RMSEP=0.855%。咖啡碱含量定量分析模型采用FD＋MSL，4 000~7 000 cm-1建模波段，主成分数为7，建模结果如图2所示，校正集2=96.98%，RMSEC=0.110%，验证集2=95.67%，RMSEP=0.148%。茶多酚和咖啡碱校正集和预测集相关系数均较高，说明其模型预测性能均较好。茶多酚模型的NIR预测值与实测值的偏差在–1.30~2.07范围内，咖啡碱模型的NIR预测值与实测值的偏差在–0.24~0.36范围内，说明茶多酚和咖啡碱的NIR预测值与实测值均相近，定量分析模型构建成功。

表1 校正集和验证集样品含量分布

2.5 茶多酚和咖啡碱定量分析模型的验证

将国标方法测得的茶多酚和咖啡碱化学值与模型预测值进行对比分析，对定量分析模型进行验证。22份验证集样品的茶多酚预测值和真实值结果如图3-A所示，绝对偏差为0.02%~2.07%，平均相对误差为5.02%；咖啡碱预测值和真实值结果如图3-B所示，绝对偏差为0.01%~0.36%，预测值与真实值较接近，平均相对误差为3.03%。茶多酚和咖啡碱模型的预测偏差均较小，准确度较高。说明所建立的小种红茶茶多酚和咖啡碱模型预测效果较好，可应用于小种红茶茶多酚和咖啡碱的快速检测。

%

表2 不同预处理方法对定量模型性能的影响

图1 小种红茶茶多酚含量的NIR预测值与参考值的相关图

图2 小种红茶咖啡碱含量的NIR预测值与参考值的相关图

图3 22份验证集样品茶多酚和咖啡碱的预测值和参考值

Fig. 3NIR predicted values and reference values of 22 samples of tea polyphenols and caffeine in validation set

3 讨论与结论

本研究采集小种红茶4 000~12 000 cm-1波长范围内的光谱图像，茶多酚选用光谱预处理方法为SNV，最佳建模波段为4 000~11 000 cm-1，主成分数为10；咖啡碱选用光谱预处理方法为FD＋MSL，最佳建模波段为4 000~7 000 cm-1，主成分数为7。所构建的小种红茶茶多酚含量模型校正集2为97.59%，RESEC为0.566%，验证集2为95.06%，RESEP为0.855%；咖啡碱含量模型校正集R为96.98%，RESEC为0.110%，验证集R为95.67%，RESEP为0.148%。Li等[17]基于红外光谱技术建立的茶多酚最优回归模型验证相关性为0.905 9，均方根误差（Root mean square error，RMSE）为1.027 7，能方便、有效测定14个茶树品种中茶多酚含量。赵峰等[18]采用TQ Analyst 8.5光谱分析计量学软件，比较不同数据预处理方法的建模结果，优选并成功建立了武夷岩茶茶多酚和咖啡碱的定量分析模型，预测模型相关系数分别为0.742 7和0.860 1，标准偏差分别为0.748%和0.139%。周小芬[19]采用NIRS-PLS法，对不同波数和光谱预处理方法进行优化选择，建立了大佛龙井茶咖啡碱定量分析模型，主成分因子数为7时，校正相关系数和预测相关系数分别为96.48%和95.36%，模型定标效果较好。王玉霞等[20]建立了绿茶茶汤中茶多酚和咖啡碱的定量分析模型，茶多酚交叉检验和预测模型的决定系数分别为99.21%和98.89%，咖啡碱交叉检验和预测模型的决定系数分别为95.27%和96.23%。陈美丽等[21]建立茉莉花茶茶多酚和咖啡碱的定量分析模型，预测值与真实值间的相关系数分别为96.15%和70.71%。说明近红外光谱技术可用于各类茶叶中茶多酚和咖啡碱含量的快速检测。

本研究针对红茶中的小种红茶进行单一建模，针对性强，所建立茶多酚和咖啡碱含量定量分析模型效果均较好。在今后应用过程中，将进一步对小种红茶的其他主要品质成分及感官滋味特征属性进行建模。目前自动化检测技术在小种红茶加工中鲜有应用，关键工序的程度掌握仍以感官评判为主，将近红外技术用于小种红茶生产过程的在线检测，可为推动小种红茶智能化生产提供科学依据。

[1] 宛晓春. 茶叶生物化学[M]. 3版. 北京: 中国农业出版社, 2003: 39, 191. Wan X C. Tea biochemistry [M]. 3rd ed. Beijing: China Agriculture Press, 2003: 39, 191.

[2] 田翔, 刘思辰, 王海岗, 等. 近红外漫反射光谱法快速检测谷子蛋白质和淀粉含量[J]. 食品科学, 2017, 38(16): 140-144.Tian X, Liu S C, Wang H G, et al. Application of near infrared diffuse reflectance spectroscopy in rapid detection of crude protein and starch in foxtail millet [J]. Food Science, 2017, 38(16): 140-144.

[3] Wu Y H, Zheng Y, Du Y P, et al. Study on difference between epidermis, phloem and xylem of radix Ginseng with near-infrared and infrared spectroscopy coupled with principal component analysis [J]. Vibrational Spectroscopy, 2011, 50(2): 201-206.

[4] 王怡淼, 朱金林, 张慧, 等. 基于MC-UVE、GA算法及因子分析对葡萄酒酒精度近红外定量模型的优化研究[J]. 发光学报, 2018, 39(9): 1310-1316.Wang Y M, Zhu J L, Zhang H, et al. Optimization of near infrared quantitative model for wine alcohol content based on MC-UVE，GA algorithm and factor analysis [J]. Chinese Journal of Luminescence, 2018, 39(9): 1310-1316.

[5] Jiang H, Chen Q. Chemometric models for the quantitative descriptive sensory properties of green tea (, L. ) using fourier transform near infrared ( FT-NIR) spectroscopy [J]. Food Anal Method, 2015, 8(4): 954-962.

[6] Ouyang Q, Liu Y, Chen Q, et al. Intelligent evaluation of color sensory quality of black tea by visible-near infrared spectroscopy technology: a comparison of spectra and color data information [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2017, 180: 91-96.

[7] Meng W J, Xu X N, Cheng K K, et al. Geographical origin discrimination of Oolong tea (TieGuanYin,, (L.) O. Kuntze) using proton nuclear magnetic resonance spectroscopy and near-infrared spectroscopy [J]. Food Analytical Methods, 2017, 10(11): 3508-3522.

[8] Dong C W, Li J, Wang J J, et al. Rapid determination by near infrared spectroscopy of theaflavins-to-thearubigins ratio during Congou black tea fermentation process [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2018, 205: 227-234.

[9] Li X L, Jin J J, Sun C J, et al. Simultaneous determination of six main types of lipid-soluble pigments in green tea by visible and near-infrared spectroscopy [J]. Food Chemistry, 2019, 270: 236-242.

[10] Jin G, Wang Y J, Li L Q, et al. Intelligent evaluation of black tea fermentation degree by FT-NIR and computer vision based on data fusion strategy [J]. LWT-Food Science and Technology, 2020, 125: 109216. doi: 10.1016/j.lwt.2020.109216.

[11] 全国茶叶标准化技术委员会. 茶叶中茶多酚和儿茶素类含量的检测方法: GB/T 8313—2018 [S]. 北京: 中国标准出版社, 2018.National Technical Committee 339 on Tea of Standardization Administration of China. Determination of total polyphenols and catechins content in tea: GB/T 8313—2018 [S]. Beijing: China Standard Press, 2018.

[12] 全国茶叶标准化技术委员会. 茶咖啡碱测定: GB/T 8312—2013 [S]. 北京: 中国标准出版社, 2013.National Technical Committee 339 on Tea of Standardization Administration of China.Tea-determination of caffeine content: GB/T 8312—2013 [S]. Beijing: China Standard Press, 2013.

[13] 王海霞, 林萍, 周文婷, 等. 广金钱草浸出物的近红外光谱法测定[J]. 中国医药工业杂志, 2014, 45(8): 779-781.Wang H X, Lin P, Zhou W T, et al. Determination of extracts content in desmodium styracifolium by near-infrared spectroscopy [J]. Chinese Journal of Pharmaceuticals, 2014, 45(8): 779-781.

[14] 李姝寰. 基于NIR和HSI技术的祁门工夫红茶数字化拼配研究[D]. 合肥: 安徽农业大学, 2018: 16. Li S H. Study on the digital tea blending tea of Keemun Gongfu black tea based on NIR and HSI technology [D]. Hefei: Anhui Agricultural University, 2018: 16.

[15] 李水芳, 单杨, 朱向荣, 等. 近红外光谱结合化学计量学方法检测蜂蜜产地[J]. 农业工程学报, 2011, 27(8): 350-354.Li S F, Shan Y, Zhu X R, et al. Detection of geographical origin of honey using near-infrared spectroscopy and chemometrics [J]. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(8): 350-354.

[16] 范睿, 孙晓凯, 周欣, 等. 基于近红外光谱定量分析花生牛奶可行性[J]. 食品科学, 2017, 38(24): 189-195. Fan R, Sun X K, Zhou X, et al. Feasibility of quantitative analysis of peanut milk based on near infrared spectroscopy [J]. Food Science, 2017, 38(24): 189-195.

[17] Li X L, Sun C J, Luo L B, et al. Determination of tea polyphenols content by infrared spectroscopy coupled with iPLS and random frog techniques [J]. Computers and Electronics in Agriculture, 2015, 112: 28-35.

[18] 赵峰, 林河通, 杨江帆, 等. 基于近红外光谱的武夷岩茶品质成分在线检测[J]. 农业工程学报, 2014, 30(2): 269-277.Zhao F, Lin H T, Yang J F, et al. Online quantitative determination of Wuyi Rock Tea quality compounds by near infrared spectroscopy [J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(2): 269-277.

[19] 周小芬. 基于近红外的大佛龙井茶品质评价研究[D]. 北京: 中国农业科学院, 2012: 47-49.Zhou X F. Study on quality evaluation of Dafo longjing tea based on near infrared spectroscopy [D]. Beijing: Chinese Academy of Agricultural Sciences, 2012: 47-49.

[20] 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): 355-361. Wang Y X, Xu R R, Ren G X, et al. Establishment of the predictive models for quantitative analysis of major components in green tea infusion by near infrared spectroscopy (NIRS) [J]. Journal of Tea Science, 2011, 31(4): 355-361.

[21] 陈美丽, 张俊, 龚淑英, 等. 茉莉花茶主要品质成分定量近红外光谱分析模型的建立[J]. 茶叶科学, 2013, 33(1): 21-26. Chen M L, Zhang J, Gong S Y, et al. Establishment of predictive model for quantitative analysis of major components in jasmine tea by near infrared spectroscopy (NIRS) [J]. Journal of Tea Science, 2013, 33(1): 21-26.

Establishment of Predictive Model for Quantitative Analysis of Tea Polyphenols and Caffeine of Souchong by Near Infrared Spectroscopy

LU Li1, CHENG Xi1, ZHANG Bo1, SHEN Xiaoxia1, LIU Yan1, XIONG Li1, YUAN Xiao2, LI Yuanhua1*, LI Xinghui2*

1. College of Tea and Food Sciences, Wuyi University, Wuyishan 354300, China; 2. College of Horticulture, Nanjing Agricultural University, Nanjing 210095, China

A total of 76 representative Souchong samples were studied. Quantitative models of tea polyphenols and caffeine of Souchong were established respectively by partial least squares (PLS). The chemical values of tea polyphenols and caffeine of 76 Souchong samples were measured by Chinese National Standard methods, combined with the near infrared spectrum. The results show that the2and RMSEC values of tea polyphenols of calibration set were 97.59% and 0.566%. And the2and RMSEP values of validation set were 95.06% and 0.855%. The2and RMSEC values of caffeine of calibration set were 96.98% and 0.110%. And the2and RMSEP values of validation set were 95.67% and 0.148%. The quantitative models had good prediction results, and could be used for rapid evaluation of the contents of tea polyphenols and caffeine in Souchong.

Souchong, near infrared spectroscopy (NIRS), tea polyphenols, caffeine, models

S571.1；O657.33

A

1000-369X(2020)05-689-07

2020-06-12

2020-07-25

福建省自然科学基金（2017J01648）、福建省科技创新平台建设（2018N2004）、国家自然科学基金（31870682）

卢莉，女，讲师，主要从事茶树栽培育种与茶叶加工技术研究。*通信作者：yhli@wuyiu.edu.cn；lxh@njau.edu.cn