基于不同颜色模型定量预测永川秀芽在制品含水率

王 杰，张 莹，常 睿，陈善敏，袁林颖，钟应富，邬秀宏，徐 泽

（重庆市农业科学院茶叶研究所，重庆市茶叶工程技术研究中心，重庆 402160）

永川秀芽是针形绿茶的典型代表，由重庆市农业科学院茶叶研究所（原四川省农业科学院茶叶研究所）自1959年开始研制生产，并于1964年经著名茶学专家陈椽教授指导命名。其具有外形紧圆细直、色泽鲜润翠绿、汤色清澈绿亮、香气鲜嫩高长、滋味鲜醇回甘、叶底嫩匀明亮的品质特征[1-2]。

永川秀芽的加工工序主要包括杀青、揉捻、理条（做形）、干燥等[3]。目前已实现了连续化、机械化、标准化生产，但在实际加工过程中，仍主要通过人为感知茶叶含水率、色泽等变化，不断调节优化工艺参数。因此，具有一定的主观性和不确定性。若要精准获取在制品的品质信息，需要借助理化检验的手段，但检验过程会耗费大量时间，且需要专业的实验技术人员操作。这显然无法实时、快速、无损地获取用于指导生产的品质信息，已成为永川秀芽加工技术实现数字化、智能化的主要制约因素。

随着现代检验技术的发展，电子舌、电子鼻、近红外光谱、高光谱等新技术、新装备被用于测定茶叶化学成分、判定茶叶品种等级、判别加工工序适度等，逐渐成为茶叶品质数字化评价的常用手段[4-9]。此外，基于不同颜色模型的茶叶智能识别与检测技术也受到了广泛关注。李莎莎等[10]通过设计红茶发酵叶图像采集系统，基于RGB直方图对比算法提出了判别红茶发酵适度的方法，判别准确率可达到93.2%。Suprijanto等[11]通过提取红碎茶外形特征（面积、周长、弯曲能）和茶汤颜色特征（红色通道均值（R）、绿色通道均值（G）、蓝色通道均值（B）），利用直方图分析法和建立多层感知器神经网络模型，可实现对红碎茶品质的精准评价，且准确率达到100%。Liang Gaozhen等[12]利用计算机视觉系统采集红茶萎凋叶图像，通过颜色空间变化提取R、G、B、色调均值（H）、饱和度均值（S）、亮度均值（V）、亮度（L*）、红绿度（a*）、黄蓝度（b*）以及纹理特征，结合偏最小二乘（partial least square，PLS）法和支持向量机建立了萎凋叶的含水率定量预测模型，为实现红茶加工的含水率在线监测提供了新思路。综上分析，建立基于颜色、形状等特征识别和PLS等算法，对于茶叶品质评价和工序判别有较高的识别准确率，具有潜在的应用价值。

针对当前人为经验判断和传统理化检验的缺陷，本实验基于不同颜色模型探究永川秀芽初制过程中的色泽变化，并结合PLS方法建立在制品的含水率定量预测模型，以期为实现永川秀芽的数字化、智能化加工提供理论基础。

1 材料与方法

1.1 材料

实验于2021年2月底至4月上旬在重庆云岭茶业科技有限责任公司开展，原料采用福鼎大白茶一芽一叶鲜叶。

1.2 仪器与设备

CR410便携式色差计 柯尼卡美能达（中国）投资有限公司；iPhone 11手机 美国Apple公司；便携式摄影棚（80 cm×80 cm×80 cm，配有白色PVC背景布、LED灯片（色温5 500 K）） 上海春影电子商务有限公司；DHG-9240A电热恒温鼓风干燥箱 上海一恒科学仪器有限公司。永川秀芽初制设备型号见表1。

表1 永川秀芽初制设备型号Table 1 Equipment used for the initial production process of Yongchuan Xiuya tea

1.3 方法

1.3.1 永川秀芽初制工序与取样方法

经11 道初制工序后制得永川秀芽毛茶，初制工序及参数见表2。每道工序结束后随机抽取在制品300～400 g，其中3 g用于测定含水率，其余在制品用于测定色差和采集图像。本实验共采集19 批次样品，总计209 个茶样，其中校正集样本140 个，预测集样本69 个。毛茶后续还需经复烘、精制、拼配、包装等工序后制得成品茶。

表2 永川秀芽初制工序参数Table 2 Operating parameters for initial production process of Yongchuan Xiuya tea

1.3.2 图像采集

为保证采集图像数据的一致性、便捷性，特利用手机和便携式摄影棚在同一光源条件下采集在制品图像，并固定手机与样品的位置。

现代建筑行业经过多年的发展，其施工技术水平和管理理念模式已经有了长足的进步，不过仍然存在部分建筑企业施工技术水平较低，管理模式落后，对于工程项目的模型数据共享工作不到位，最终影响到项目成本管理的准确性。

1.3.3 含水率测定

参照GB 5009.3—2016《食品中水分的测定》中的直接干燥法[13]。

1.3.4 色泽测定

1.3.4.1 CIE LAB颜色模型分量

利用色差计测定在制品的L*、a*、b*，并计算衍生值：色调彩度（Cab）、色调饱和度（Sab）、色相（b/a）、色调角（Hab）。

1.3.4.2 RGB、HSV、HSL颜色模型分量

利用采集的图像提取R、G、B，并计算衍生值：色彩均值（I）、灰度均值（Gr）；利用RGB颜色模型转换HSV颜色模型，获取H、S、V；利用RGB颜色模型转换HSL颜色模型，获取H（与HSV模型中H的含义和转换方法一致）、饱和度均值（s）（与HSV模型中S的含义和转换方法不一致）、明度均值（L）；共计获取颜色模型分量17 个。

式（1）～（8）中：R’、G’、B’分别为R、G、B的标准化值，取值范围均为0～1；Vmax、Vmin分别为R’、G’、B’中的最大值与最小值；δ为Vmax与Vmin的差值；r、g、b分别为R’、G’、B’的转换值，取值范围均为1/2～2/3。

1.4 数据处理

利用ImageJ 1.53软件提取图像R、G、B值；利用Origin 9.0绘制折线图；利用SPSS 22.0软件完成差异显著性检验（Duncan多重检验分析，P＜0.05）；利用TBtools 1.068软件完成热图与聚类分析；利用MATLAB 2014a软件完成PLS分析。

2 结果与分析

2.1 永川秀芽在制品含水率变化

含水率在永川秀芽初制过程中的变化趋势见图1。可以发现，鲜叶摊放结束时含水率为76.29%，经蒸汽热风杀青、烘二青、理条、毛火、足火后，在制品含水率显著降低，分别为64.44%、55.05%、22.37%、13.31%、9.00%。其原因可能是上述工序的温度较高，水分散失速率相对较快。与蒸汽热风杀青叶相比，微波杀青叶的含水率略有降低，但差异不显著。可能是由于微波杀青时间较短（本实验中微波杀青时间为30～60 s），水分散失速率较慢。滑金杰等[16]研究发现，随着微波杀青的进行，在制品的含水率在前90 s缓慢下降，与本实验结果较为一致。此外，两次摊凉、初揉、复揉结束时，含水率未发生显著变化，说明两次摊凉、揉捻时温度较低，对在制品含水率的影响不显著。

图1 永川秀芽初制过程中含水率变化Fig.1 Change in moisture content during initial production process of Yongchuan Xiuya tea

2.2 永川秀芽在制品色泽变化

2.2.1 CIE LAB颜色模型分量变化

在CIE LAB颜色模型中，L*值越大表示亮度越高；a*正值为红色，负值为绿色，值越大（小）表示红（绿）色度越高；b*正值为黄色，负值为蓝色，值越大（小）表示黄（蓝）色度越高[17]。另外，由L*、a*、b*值产生了系列衍生指标值，其中Cab值越大表示样品颜色越鲜艳；Sab值越大表示样品越明亮；b/a中，当b*＞0、a*＜0时，值越大表示样品越绿，值越小表示样品越黄；Hab的取值范围为0～360°，0（360°）、90、180、270°分别代表红色、黄色、绿色、蓝色，90～180°则是由黄色到黄绿色，再逐渐转变成绿色的过程[18-19]。由表3可知，随着加工过程进行，L*值逐渐降低，表明在制品色泽逐渐变暗，且初揉、烘二青、理条结束时变化显著。Cab、Sab值总体呈降低趋势，但前者在复揉结束后显著增加，后者在初揉、复揉结束时均显著增加。a*值在加工中始终为负，表明在制品色泽以绿色为主；除复揉外，a*值总体呈上升趋势，且理条叶的a*值变化幅度最大。b*值在加工中始终为正，表明在制品色泽以黄色为主；除复揉外，b*值总体呈下降趋势，且理条叶的b*值降低幅度最大。从摊放开始到复揉结束，b/a值的变化幅度并不显著，且Hab值保持在120°左右，但理条结束后，b/a值和Hab值均显著降低，在制品的色泽均显著变黄。可以发现，在永川秀芽初制过程中，在制品的CIE LAB颜色模型分量均会在理条后发生显著变化，主要表现为色泽变暗、变黄。

表3 永川秀芽在制品CIE LAB颜色模型分量变化Table 3 Change in CIE LAB color model components of Yongchuan Xiuya tea

2.2.2 RGB颜色模型分量变化

RGB模型是一种由红、绿、蓝三原色混合再生成其他颜色的模型，任何一种颜色都可以使用红、绿、蓝三原色定量表示。在RGB模型中，R值越大表示颜色越红；G值越大表示颜色越绿；B值越大表示颜色越蓝[20]。另外，由R、G、B值可计算产生I和Gr，其中I值越大表示色彩越明亮；Gr值越大表示黑白图像的颜色越浅、层次越清晰[21]。由表4可知，在R、G、B这3 个分量中，G值高于R、B值，说明在制品的色泽以绿色为主。随着加工过程进行，虽然R、G、I、Gr值在部分工序结束后略有增加，但变化均不显著，总体呈现降低趋势，且理条后的变化幅度最大，说明在制品的色泽逐渐变暗，红色度、绿色度和黑白图像的清晰度均逐渐降低，且理条后的降低幅度最大。从摊放开始到理条结束，B值未发生显著变化，直至毛火、足火结束，在制品的B值显著高于摊放叶。可以发现，除B值外，在制品的R、G、I、Gr值在理条结束后均发生了显著变化，且表现为色泽明亮度、红色度、绿色度等降低。

表4 RGB颜色模型分量变化Table 4 Change in RGB color model components

2.2.3 HSV、HSL颜色模型分量变化

HSV是一种按照人眼对色彩的感知原理构建的模型，由H、S、V这3 个分量构成，其中H的取值范围为0～360°，0（360°）、60、120、180、240、300°分别处于红色、黄色、绿色、青色、蓝色、品红色位置；S、L的取值范围均为0～1，值越大表示颜色越鲜艳、色彩越明亮[15]。在HSL模型中，颜色被认为是H、s、L的合成，s取值范围为0～1，值越大表示颜色越鲜艳；L的取值范围同样为0～1，值越大表示色彩越明亮[15]。由表5可知，在HSV、HSL模型中，在制品H值的范围为70～85°，颜色位置在黄色与绿色之间（即表现为黄绿色），且毛火、足火结束后，H值显著降低，说明在制品的色泽进一步变黄。随着加工过程进行，S、V、s、L值在理条结束后均显著下降，表明理条工序会使在制品的色泽明亮度、鲜艳度显著降低。

表5 HSV、HSL颜色模型分量变化Table 5 Change in HSV and HSL color model components

2.3 含水率、色泽的热图与聚类分析

利用TBtools将11 道工序样品的含水率和17 个颜色模型分量标准化处理后进行热图与聚类分析，结果见图2。可以发现，除a*、B值外，含水率和其余15 个颜色模型分量随着加工工序的进行而降低。使用欧式距离算法和complete linkage聚类方法，可将11 道工序的在制品划分为两大类，第1大类又可分为2 个亚类，第1亚类为摊放、蒸汽热风杀青、微波杀青、第1次摊凉和初揉，第2亚类为烘二青、第2次摊凉和复揉；第2大类也可分为2 个亚类，第1亚类为理条，第2亚类为毛火、足火。从聚类结果可以看出，受理条工序的影响，第1大类和第2大类样品的含水率、颜色模型分量差异较大，即在制品的含水率、色泽变化显著，这与2.2节结果一致。结合4 个亚类结果还可发现，烘二青、毛火对在制品的含水率、色泽影响也较为显著。

图2 含水率、色泽的热图与聚类分析结果Fig.2 Heatmap and cluster analysis of moisture content and color parameters

2.4 含水率定量预测模型评价

PLS作为一种在化学计量学及其他领域应用广泛的建模方法，它能够建立两块数据之间的联系，消除冗余数据信息，进而实现降维的目的[22-23]。采用PLS建立了永川秀芽在制品含水率的定量预测模型，模型评价结果见表6，模型预测值与实际值的散点图如图3所示。

表6 含水率定量预测模型评价结果Table 6 Performance parameters of quantitative prediction model

图3 校正集（A）和预测集（B）含水量的PLS模型预测值与实际值散点图Fig.3 Scatter plots for PLS model predicted versus measured moisture content in calibration (A) and predication (B) sets

在PLS模型建立过程中，常采用交互验证法优化模型，以最低的交互验证均方根误差（root mean square error of cross-validation，RMSECV）值确定建模的最佳主成分个数。由表6可知，参与建模的最佳主成分个数为6 个，校正集、预测集含水率的取值范围、均值、标准差（standard deviation，SD）较为接近。结合图3可以发现，实际值与预测值散点的集中程度较高且分布较为均匀，表明定量预测模型的效果较好。本实验选定的模型性能的评价指标还包括：校正集相关系数（Rc）、RMSECV、预测集相关系数（Rp）、预测均方根误差（root-mean-square error of prediction，RMSEP）、相对分析误差（relative percent deviation，RPD）。通常RMSECV、RMSEP值越小，且Rc、Rp值越大，模型的预测效果越好，RMSECV、RMSEP间的差值越小，模型的泛化能力越好。RPD为校正集SD与RMSEP的比值，当RPD＞2.0时，表明模型具有极好的预测能力；当RPD为1.8～2.0时，表明模型效果较好，可用于样品的定量分析；当RPD为1.4～1.8时，表明模型可对样品作粗略预测和关联评估；而RPD＜1.4时，表明模型效果很差，无法应用[24]。由表6可知，Rc、Rp分别为0.979和0.980，RMSECV、RMSEP分别为0.044 7、0.044 3，且两者差值仅为0.000 4，RPD为5.04（＞2.0），说明建立的模型具有极好的预测能力和泛化能力，可极好地预测永川秀芽在制品的含水率。

3 结论

绿茶加工实质上是茶鲜叶经过杀青、揉捻、干燥等工序逐步失水成型的过程。在制品的含水率会直接影响物理特性与内含成分含量的变化，进而影响成品茶的感官品质。通过建立快速、无损的在制品含水率检测方法，对优化茶叶加工工艺、稳定茶叶风味品质等具有重要意义[25-26]。本实验探究了永川秀芽初制过程中的含水率和色泽变化，发现在制品含水率逐渐降低，色泽逐渐变暗、变黄，尤其是理条工序对在制品含水率、色泽的影响最为显著。利用PLS建立了含水率的定量预测模型，可极好地预测永川秀芽在制品的含水率。

“智慧茶业”是未来茶产业发展的必然趋势，茶叶加工技术的数字化、智能化转型升级显得尤为重要[27-28]。本实验基于4 种不同的颜色模型分量，结合PLS方法建模，为实现永川秀芽在制品含水率的在线监测提供了一种新方法，后期以此为基础可开发相关智能识别方法（软件），将理论模型用于指导实际生产。此外，我国茶叶种类繁多、工序复杂，后续可针对不同种类、不同季节、不同等级的茶叶在制品进行深入探究，以求建立更有广泛代表性的含水率预测模型。