茶叶品质评价技术研究进展

刘奇，欧阳建，刘昌伟，陈宏宇，李娟,3，熊立瑰,3，刘仲华,3*，黄建安,3*

茶叶品质评价技术研究进展

刘奇1,2，欧阳建1,2，刘昌伟1,2，陈宏宇1,2，李娟1,2,3，熊立瑰1,2,3，刘仲华1,2,3*，黄建安1,2,3*

1. 茶学教育部重点实验室，湖南 长沙 410125；2. 国家植物功能成分利用工程技术研究中心，湖南 长沙 410125；3. 植物功能成分利用省部共建协同创新中心，湖南 长沙 410125

茶叶品质是茶叶外形与内质的体现，快速准确地对茶叶品质作出评价，对于茶叶加工和茶叶贸易等至关重要。感官审评、成分分析检测以及新兴技术是目前主要的茶叶品质评价技术方法。综述了近年来3种主要评价技术的研究进展，并重点分析了新兴技术的发展趋势。感官审评受主观因素影响较大，但结合定量描述分析可以降低主观性的影响；成分分析检测门槛高、操作难、耗时耗力，得出的结果相对准确；新兴技术具有简单、快速、无损等特点，但目前还无法达到令人满意的准确率。在茶叶产品多样化的今天，唯有多维度综合利用多种方法，才能快速、高效检测茶叶品质，为茶产业健康高效发展提供助力。

茶叶品质；计算机视觉；光谱技术；电化学方法

茶是全世界非常受欢迎的饮料之一。茶叶品质是其外形与内质的综合体现，并受诸多因素影响。茶叶中丰富的生物活性成分，如茶多酚、氨基酸、咖啡碱、茶色素等，对茶叶品质形成具有重要作用；茶叶种类繁多、加工工艺复杂，每类茶叶都具有独特的品质特征与品质标准，从茶树生长条件到茶叶加工过程的变化都会导致品质的变化。品质的优劣决定了其经济价值与营养价值，但市场中的商品茶经常出现以次充好、以假乱真的现象，不仅损害消费者的利益，也损害生产者的声誉，给茶叶经济带来不良影响。因此，对茶叶品质的检测与评价尤为重要。

目前茶叶品质评价方法主要包括感官审评、成分分析检测和新兴技术（图1）。感官审评是茶叶品质评价的基本方法，具有方便、直观、快捷等特点，但主观性限制了其发展；成分分析检测是借助分析仪器对茶叶的内含成分进行检测的方法，结果更加准确客观，但成本高、时间长、对样品破坏性大；近年来发展迅速的新兴技术是茶叶品质评价的重要方法，包括计算机视觉、光谱技术、电化学方法等，能够快速、无损、客观的检测茶叶样品，但在准确率方面还有待提高。本文综述了以上3种类型的评价方法，以期为茶叶品质检测、茶叶生产加工提供理论基础。

1 感官审评

茶叶感官审评（Sensory evaluation of tea）主要通过术语与评分对茶叶品质进行评价，发展至今已经形成了现代学科体系，茶叶感官审评方法《GB/T 23776—2018》对审评室条件与审评人员都提出了较高的要求。其中对审评室条件的要求包括设备条件、环境条件、操作要求等，以此来保证结果的可靠性；对于审评人员，不仅需要敏锐的感官审评能力，还需要掌握茶树栽培、茶叶加工、茶叶生物化学等领域的基础知识，拥有丰富的生产和审评经验。

图1 茶叶品质评价技术

茶叶感官审评术语《GB/T 14487—2017》是我国具有代表性的食品感官术语，使用统一的感官分析术语和描述词，能够准确地表达出对茶叶的感官体验。随着近年来茶产业的发展，张颖彬等[1]认为目前茶叶感官术语还存在有待完善之处，如术语词义易混淆、部分术语定义存在疑难点、部分程度术语关系不明确、组合术语数量过多等。因此，张颖彬等[2]对茶叶的感官术语进行了整理，并参照其他食品领域，构建了中国茶叶的风味轮（Flavor wheel）。此外，也有关于茯砖茶[3]、黄茶[4]、红茶[5]等风味轮构建的报道，都为进一步完善茶叶感官审评方法做出了重要贡献。风味轮能够将感官术语简化、浓缩，更适合于消费者的学习与使用，但无法覆盖茶叶的所有风味特征。感官审评具有主观性，无论是在茶叶还是其他食品行业[6-7]，人类感觉器官、身体状态和心理状态都存在差异，从而导致了感官审评结果的不一致性和不可预测性。因此，研究人员引入了定量描述分析（Quantitative descriptive analysis，QDA），通过线性尺度对感官属性的强度进行量化评价，确定并比较不同样品的感官特征，QDA方法不仅在一定程度上降低了个体差异对结果的影响，而且保留了直观、快捷的优点，成功地提高了感官审评的客观性与可控性，广泛应用于茶叶品质研究中[8-9]。

感官审评能够发现仪器难以检测到的品质变化，也是消费者最易获取的茶叶品质评价方法，随着感官审评培训的推进，消费者与从业者能够借此提高自身的茶叶审评水平，从而预防掺假、假冒伪劣等现象的发生。因此，茶叶感官审评目前依然是及时反应茶叶品质水平的基本方法，对茶叶生产、科学研究都起着指导和促进作用，因其具有方便、直观、快捷等特点而被广泛运用[10]。

2 成分分析检测

随着现代分析仪器的出现，研究人员开始应用物理和化学等方法对茶叶的内含物质进行检测，探究茶叶品质与生化成分之间的关联性，相较于感官审评检测结果更加客观、准确。

茶叶中的生化成分主要通过紫外-可见分光光度计（UV-vis）和高效液相色谱（HPLC）等仪器进行检测[11]。另外，超高效液相色谱（UPLC）[12]、液相色谱-质谱联用（LC-MC）[13]、气相色谱-质谱联用（GC-MS）[10,14]、核磁共振波谱（NMR）[15]等高灵敏度、高准确度、高数据量的复杂仪器，也常被用于茶叶品质研究。Wang等[16]通过NMR和HPLC-MC分析发现，黑茶在发酵过程中形成了新型标志化合物8--ethyl-2-pyrrolidinone substituted flavan-3-ols（EPSFs）；Dai等[17]通过UPLC-MS对储藏过程中的白茶进行了全面的代谢组学分析，发现在储藏过程中茶氨酸经过Strecker降解和环化反应生成了1-ethyl-5-hydroxy-2-pyrrolidinone，然后与黄烷醇反应生成了EPSFs，其含量与储藏时间呈正相关，能作为白茶储藏时间判别的标记化合物。然而，分析仪器价格昂贵、体积庞大、操作复杂，不适用于快速检测茶叶品质。色差分析可以数值化干茶与茶汤的颜色属性，目前的研究主要通过色差法预测茶叶品质相关参数。王家勤等[18]利用色差法对工夫红茶茶汤亮度进行了量化评价并建立了茶汤亮度预测方程，其判别正确率达到了90.7%。Huang等[19]将色差法与紫外光谱结合对黄山毛峰进行了快速分级鉴定，但该方法只能对颜色进行评价，对品质参数的预测准确率较低，在研究中一般用于对其他方法的补充。

茶叶中内含物质很复杂，目前茶叶中分离、鉴定的已知化合物有700多种[20]。复杂的内含物质及其对茶叶品质的多维贡献，使得化学分析仪器的品质评价过程非常复杂，如使用HPLC确定样品中儿茶素组分的含量通常需要30 min左右，并且需要复杂的前处理；茶叶中茶黄素、茶红素、茶褐素与可溶性糖的测定方法，不仅需要使用危险的试剂，而且由于方法的局限性，检测结果与实际值偏差较大。此外，茶叶品质由多种内含物质相互协调、相互作用形成，成分检测结果不足以全面反应茶叶品质。

3 新兴技术的应用

茶叶感官审评和成分分析检测两种方式目前已经有相对成熟、完整的工序，但无法达到快速、准确、客观的要求。随着科学技术的发展，许多科技问题的解决需要超越传统学科边界，融合多学科领域知识[21]。因此，研究人员将新兴科学技术应用于茶叶研究中，使茶叶品质化学研究得到进一步发展[22]。

3.1 计算机视觉系统

计算机视觉系统（Computer vision system，CVs）是一种能够执行人类视觉系统部分任务的智能系统[23]。其原理是利用图像传感器获得目标图像信号，然后通过图像处理系统将图像信号转换成数字信号，并提取出目标的特征信息，最终对目标进行识别、检测[24]，具有检测分析简单、快速和无损的明显优势。

目前已有基于CVs进行茶叶采摘的报道，在名优茶采摘季节可有效降低劳动力短缺的影响，并降低人工成本[25]。Yang等[26]通过CVs获取茶叶的图像，再通过粒子群优化-支持向量机（Particle swarm optimization-support vector machine，PSO-SVM）算法识别嫩叶，研发出了高品质茶叶自动采摘机器人。CVs能够对不同的茶类进行识别，目前已经运用于红茶[27]、绿茶[28-30]、黑茶[31]等茶类的品质评价及分类。同时，也有对不同茶类通用模型的报道，Bakhshipour等[32]通过CVs比较了4种不同的数据挖掘方法，区分4种不同的伊朗红茶，其分类率达到了96.25%；同时，又基于模糊算法和决策树方法辅助的CVs，对伊朗红茶与绿茶进行了自动分类[33]。Wu等[34]基于机器学习和CVs开发的茶叶类别识别系统对绿茶、乌龙茶和红茶进行分类，其灵敏度分别为95.2%、90.4%和98.4%，获得了94.7%的总准确率。Zhang等[35]提出了一种卷积神经网络和随机池相结合的新模型，结合CVs对乌龙茶、绿茶和红茶的识别灵敏度分别为99.5%、97.5%和98.0%，总体准确率为98.33%。另外，也有关于CVs在茶园病虫害[36-38]、茶叶加工监测[27,39-40]等方面应用的报道。

化学计量学模型的比较选择对于提高CVs的预测准确度非常重要，研究人员已经尝试了多种模型，主要包括随机森林算法（Random forests，RF）[30]、卷积神经网络模型（Convolutional neural network，CNN）[35-36,41]、支持向量机模型（Support vector machine，SVM）[42-43]、贝叶斯网络模型（Bayesian network，BN）[40]、径向基函数神经网络模型（Radial basis function，RBF）[28]、人工神经网络模型（Artificial neural networks，ANN）[32]、深度神经网络模型（Deep neural network，DNN）[44]、决策树（Decision tree，DT）[33]、BP神经网络模型（Back propagation neural network，BPNN）[39]和k近邻算法（k-nearest neighbor，KNN）[45]等。

3.2 光谱技术

目前应用于茶叶品质评价领域的光谱技术主要包括近红外光谱（Near-infrared spectroscopy，NIRS）、中红外光谱（Mid-infrared spectroscopy，MIRS）、拉曼光谱（Raman spectroscopy，RS）、太赫兹光谱（Terahertz spectroscopies，THz）、高光谱成像（Hyperspectral imaging，HSI）等[46]。其中，NIRS在茶叶品质研究领域中应用最为广泛，HSI具有可视化的能力，在茶叶内含物质检测、茶叶加工过程的监测等方面具有较大潜力。

3.2.1 近红外光谱

NIRS是一种反映近红外光区域（波长：780～2 526 nm）含氢基团分子伸缩振动的电磁光谱[47]，通过扫描样品，可以得到样品中有机分子含氢基团的特征信息，具有无损、快速、准确的特点。随着光学仪器的改进以及化学计量学的发展，近红外光谱技术已广泛应用于茶叶品质分析领域[48]，并且是最常用的光谱技术之一。

NIRS技术最早应用于茶叶内含物质检测，包括茶多酚类[49-50]、儿茶素类[51]、咖啡碱[50,52-53]、氨基酸[54]、水浸出物[54]等，能够有效克服传统茶叶理化成分检测方法对样品破坏性大、耗时耗力等缺点。Lee等[55]采用NIRS法测定了665个茶样的咖啡碱和9种儿茶素的含量，其预测值与HPLC所测定的参考值具有良好的相关性。Guo等[56]利用NIRS技术结合群体智能算法能同时定量绿茶中的活性成分，无需不同测量方案即可达到较好的预测效果。Liu等[57]将NIRS技术应用于普洱茶的多组分定量分析。此外，NIRS技术还应用于茶叶内色素含量的检测[58]。由于所构建的模型不能应用于其他茶类，有研究人员进行了通用型近红外光谱的研究。Huang等[48]通过可见-近红外光谱结合化学计量学建立了通用光谱模型，能够快速准确测定不同品种、不同叶位茶叶中儿茶素和咖啡碱的含量。Wang等[59]利用NIRS技术结合化学计量学方法建立跨类别识别模型，能预测不同茶类（红茶、黑茶、乌龙茶、绿茶）的茶多酚、咖啡碱和游离氨基酸含量。

NIRS技术也已应用于茶叶品质研究方面，包括水分含量测定、茶叶等级分类、产地溯源等。水分含量是影响茶叶品质的主要因素之一，传统的烘箱法速度慢，快速有效的测定茶叶水分含量对提高茶叶品质具有重要意义，Huang等[60]利用可见-近红外光谱技术结合化学计量学建立了不同品种茶叶水分含量的自动测定模型，能消除批次与品种的影响，表现出较强的预测性能。NIRS技术可以快速、无损的对茶叶进行鉴定分类，Liu等[61]利用NIRS技术对江西4种茶叶所制不同等级绿茶进行了等级、品种的分类鉴别，预测准确率达到了100%；Ren等[62]采用NIRS技术对祁门红茶7个等级样品进行了分类，并建立了祁门红茶等级识别的模型，正确判别率达到了99.01%；Firmani等[63]利用NIRS技术结合偏最小二乘判别分析（Partial least squares-discriminant analysis，PLS-DA）鉴别大吉岭红茶与其他品种红茶及掺假样品，所构建判别模型的正确鉴别率达到了97.3%。产地溯源对于控制茶叶质量和保证消费者利益同样至关重要，Meng等[64]利用NIRS技术结合核磁共振波谱区分铁观音的地理来源，识别精度达到了90.2%。

为了从近红外光谱数据中获得可靠和高精度的结果，化学计量学模型的选择也起着关键作用。Guo等[65]利用NIRS技术和不同的多变量算法，发现组合区间偏最小二乘法-模拟退火算法（SiPLS-SA）和组合区间偏最小二乘法-连续投影算法（SiPLS-SPA）是具有更精确度和更高预测性能的最佳模型，校正集相关系数（）和预测集相关系数（）都在97%以上，表明近红外预测数据与参考数据之间存在很强的相关性。以上结果说明近红外光谱技术可以应用于茶叶研究中，并能取得很好的效果，具有很大的研究潜力。

3.2.2 高光谱成像技术

HSI是一种结合了图像与光谱的检测技术，可以同时从样品中获取空间信息和光谱信息，在茶叶品质检测中呈现出了极大的优越性，目前主要应用于茶叶内含物质检测和茶叶分类。在茶类判别方面，Ning等[66]利用HSI对绿茶、黄茶、白茶、红茶和乌龙茶样品进行了分类，所构建模型分类准确率达到了98.39%；Yan等[67]利用HSI技术对龙井的鲜叶进行了鉴定和分析，结合改进后的BPNN判别率达到了100%。在茶叶内含物质检测方面，HSI技术可以通过分布图来显示目标化合物在茶叶样品中的分布。Sun等[68]利用HSI有效实现了茶叶水分含量的定量检测，并得到了茶叶含水量分布图，从视觉图像上反映茶叶中不同水分含量的分布。Wang等[69]对6种茶类的茶多酚含量进行了评估，利用分布图直观地显示了不同茶叶样品中茶多酚的空间分布差异，茶叶分类定性鉴别模型预测集准确度达100%，茶多酚定量分析模型也取得了满意的预测结果。

HSI在茶叶领域中的应用尚处于初始阶段，在茶叶加工监控、茶树病虫害监测、茶叶内含物质检测等方面采用HSI将使分析结果更加全面，应借鉴HSI在其他农产品上的应用，促进其在茶叶领域的应用进程。

3.3 电化学方法

电化学方法是电子学、电化学和化学计量学的成功结合，目前的应用主要包括电子鼻（Electronic nose）和电子舌（Electronic tongue）。传感器的选择和化学计量学模型的选择对于电子感官至关重要，其中最常用的传感器是金属氧化物传感器[70]。

3.3.1 电子鼻

茶叶中的挥发性有机化合物（Volatile organic compounds，VOCs）是茶叶品质检测的重要指标之一。电子鼻能够利用气体传感器阵列对特定气味产生不同的指纹响应，通过捕捉VOCs将其暴露在气体传感器阵列的表面从而产生电信号，电信号经过信号处理和模式识别系统被放大并转化为数字信号，最终完成气味的特征评价与检测[71]。

电子鼻应用于茶叶品质研究中的多个方面，可以作为一种可靠、快速的茶叶品质分级方法[72]。Hidayat等[73]将其用以评估红茶的质量，通过电子鼻-SVM-线性模型结合信号预处理方法，区分来自不同品牌和不同生产批次红茶样品的质量等级，分类正确率达到了100%；Liu等[74]提出的电子鼻结合MBPNN的多任务模型，在有机绿茶的等级分类和质量评价任务中都取得了较好的效果。地理溯源对于茶叶品质评价也非常重要，Yuan等[75]利用电子鼻鉴别不同价位的西湖龙井茶和不同贮藏年份的普洱茶，发现所有样品都具有电子鼻可以识别的特定香气特征。电子鼻技术也被用于研究茶叶的香气，Wang等[76]用电子鼻比较了茉莉花茶样品中VOCs的差异，发现其在区分由VOCs浓度引起的等级差异方面有较好的效果；王淑燕等[77]通过电子鼻研究了茉莉花茶香气成分的产地差异，此外，还有关于乌龙茶[78]、绿茶[79]、抹茶[80]等香气研究的报道。电子鼻也常被用于茶树病虫害的检测[81]，在茶园中，灰茶尺蠖和茶尺蠖比例的确定对于茶园管理具有重大意义，但两者所造成的危害很相似，视觉技术难以区别。研究人员发现，害虫的侵害会产生不同的特异性诱导因子，从而导致茶树释放不同的VOCs。Sun等[82]采用电子鼻技术，对不同灰茶尺蠖和茶尺蠖侵害茶树的比例进行预测，结果表明训练集的分类正确率为100%，测试集的分类正确率为93.75%。同时，她又利用电子鼻从茶树损伤的类型（未损伤、机械损伤、灰茶尺蠖侵害、茶尺蠖侵害）[83]，以及入侵严重程度和入侵时间等方面对茶树害虫危害进行了检测[84]，结果表明电子鼻技术在各个方面都具有较好的预测性能，证明其可以用于识别茶树的损伤类型和虫害的入侵严重程度及入侵时间。

化学计量学模型的选择对于电子鼻系统具有重要意义。Wang等[85]将迁移成分分析（Transfer component analysis，TCA）与LightGBM分类器相结合，研究表明TrLightGBM模型的分类性能优于其他机器学习模型，能够降低电子鼻传感器漂移的影响。Liu等[74]提出了一种基于BPNN的多任务模型MBPNN，基于MBPNN的电子鼻不仅可以对茶叶进行等级分类，而且可以准确预测有机绿茶的价格。在以上两项研究中，化学计量学模型的选择与改进都提高了电子鼻的预测性能。

电子鼻作为一种气味分析方法，已经广泛运用于茶叶品质研究中，相比于化学分析仪器，能够直接获得样品中挥发性化合物的全部信息，与感官分析相比，更加准确、客观、快速。但电子鼻还存在气味传感器易受环境温度、湿度影响，基线易漂移，灵敏度不够等问题，新型传感器和化学计量学模型的开发与应用还需要进一步研究[86]。

3.3.2 电子舌

滋味是构成茶叶品质的核心因子之一，电子舌为滋味的量化评价提供了一种新的技术手段，与人类感官审评相比，具有可检测有毒物质、无检测疲劳等优点。伏安型电子舌操作简单、成本低、原始响应丰富[87]，在研究中较为常见。

茶叶内有丰富的呈味物质，主要包括茶多酚、游离氨基酸、咖啡碱、儿茶素单体和茶色素等，含量、种类以及比例的不同导致滋味品质的差别，电子舌能够快速、准确的检测出茶叶中的滋味成分。Ouyang等[88]采用伏安法电子舌，通过Si-PLS结合变量组合集群分析（Variable combination population analysis，VCPA），即Si-VCPA-PLS算法，测定红茶中的总游离氨基酸含量，比较和融合了两种工作电极，数据融合的=0.841 4，表现出较好的预测能力；此外，检测了115份不同红茶中茶黄素的含量，通过Si-PLS结合竞争自适应重加权抽样算法（Competitive adaptive reweighted sampling，CARS），即Si-CARS-PLS算法，得出的预测集=0.830 2，同样表现出较好的预测能力。电子舌也能用于茶叶品质等级的鉴定，Chen等[89]使用了一种基于惰性金属传感器和多频大幅度脉冲扫描系统的新型智能伏安式电子舌系统，用以鉴别7个不同等级的祁门红茶，通过将排序差异和算法（Sum of ranking difference，SRD）与PLS-DA方法相结合构建更强大的PLS-DA-SRD分类模型，校正集精度和预测集精度分别为0.993和1.000。Ren等[90]对7个等级的滇红工夫红茶共700份茶叶进行检测，通过引入蚁群算法（Ant colony optimization，ACO）构建LS-SVM模型，对红茶样品的预测精度达到99.14%。Huang等[91]对7个等级的祁门红茶和滇红工夫红茶进行了检测，电子舌能成功区分两种茶类，结合PLS-DA和BPNN能有效识别茶叶等级。样品的复杂性会产生重叠且庞大的数据，所以化学计量学对于电子舌的研究同样重要。

电子舌在茶叶品质研究中应用广泛，并已成为茶叶滋味评价中常用的研究手段，但与电子鼻相似，其味觉传感器的抗干扰能力、灵敏度，以及模式识别算法的准确度都有待提高，并且无法检测出茶汤中滋味物质的全部信息，今后的研究重点应倾向于体积小，响应信号稳定，环境因素抗干扰性强，针对茶叶专一性电子舌的开发。

4 新兴技术在茶叶品质评价中的联合应用与小型化

4.1 新兴技术的联合应用

茶叶样品的特征需要同时使用描述味觉、视觉、嗅觉等方面的技术，以获取更高的准确率。而计算机视觉系统只能提供茶叶的外形信息，电子舌只能识别滋味物质，电子鼻只能检测香气物质，近红外光谱只能获取茶叶的单点光谱信息。但多技术联合系统带来了数据量增加的问题，原始数据中生成了更多的冗余与噪音。因此，研究人员将数据融合技术带入茶叶品质研究中，能够综合不同来源获取的信息，提高检测准确度，其包括数据层融合、特征层融合和决策层融合3种常用的融合策略。

Zou等[92]联合电子鼻和电子舌检测不同绿茶的苦味和涩味，两种技术的联用能够降低数据建模的难度，提高机器识别的效率。Jin等[93]利用FT-NIR和CVs相结合的方法，并结合特征层数据融合策略，对红茶发酵程度进行综合评价，综合了两种技术后的评价方法得到的结果优于独立评价方法。徐敏[70]在数据融合技术上做了较多工作。他将电子鼻和CVs联合应用于检测茶叶香气和茶叶外观，引入了不同的数据融合策略，结果显示，决策层融合策略作为茶叶品质快速检测的方法预测性能最好[72]。此外，为了识别不同产地的龙井茶，他利用数据融合技术对电子鼻和CVs信号进行融合，并采用皮尔逊分析（Pearson analysis，PA）、信息增益（Information gain，IG）和F分数（F-scores）对传统融合策略进行修正，改进的融合策略总体上优于独立决策融合策略和原融合策略[45]。将电子鼻、电子舌、电子眼信号进行融合，提出基于特征层融合的信号集成策略，在定性评价茶叶品质，定量预测茶叶中氨基酸、儿茶素、多酚和咖啡因等化学成分的含量方面都表现出较好的性能[94]。

4.2 新兴技术的小型化

新兴技术作为实验室检测方法，能够得到准确、客观的结果，但仪器庞大、昂贵，需要专业的操作人员，限制了其在日常生活中的应用，而仪器的小型化有利于现场检测，对于茶叶品质评价具有重要意义。

Li等[42]提出了一种基于智能手机成像结合微型近红外光谱仪对祁门红茶品质等级进行分类的低成本评价方法，最佳SVM模型的预测集准确率能达到94.29%。同时通过建立不同的化学计量学模型，对绿茶中的糖和糯米粉等掺杂物进行定性与定量分析，用于茶叶质量监测[95]。Wang等[96]组装了一套便携式近红外光谱系统，结合化学计量学，对抹茶样品中的氨基酸和茶多酚进行定量测定，同时将茶多酚和氨基酸的比值用于抹茶样品的分类，对不同等级抹茶分类的准确率达到83.33%。Wang等[97]通过智能手机连接的微型近红外光谱仪评估红茶的味道属性，结合不同变量选择方法的NIRS系统成功应用于评价红茶滋味属性。

电子舌与电子鼻同样有关于小型化仪器的报道，Dutta等[98]开发了一种基于计算机辅助技术的电子鼻系统，使用了一种新型多目标分类系统，消除了传统电子鼻系统所需的几个高功耗组件，使其尺寸、重量、成本实现最小化，采集的80个不同茶叶样品，测量结果准确率达90%。Ouyang等[88]利用便携式电子舌系统结合化学计量学快速检测红茶中的总茶黄素含量，作为一种新颖、快速、低成本的茶黄素含量预测方法，具有较好的预测性能。

5 新兴技术在茶叶加工过程中的应用

近年来，随着科学技术的发展和劳动力成本的增加，茶叶加工也慢慢转向机械化和标准化。茶叶采摘与加工过程中用新兴技术代替感官评价，既可以避免人为评价的主观性，又可以消除对人工的依赖，加强茶产业的机械化并提高茶产品质量。

茶叶品质受鲜叶质量的显著影响。Zhang等[40]基于CVs确定鲜叶的最佳采收时间，识别准确率达90%，但该技术在对环境的适应性上有所欠缺。类胡萝卜素是茶叶内重要的香气前体物质，在拉曼激光下会产生独特而强烈的指纹图谱，Zhang等[99]通过拉曼光谱扫描鲜叶预测茶叶中类胡萝卜素的含量，以此预测鲜叶的嫩度，研究表明，随着鲜叶成熟度的增加，类胡萝卜素的含量也在增加，基于类胡萝卜素的拉曼光谱可以作为茶叶嫩度测定的方法。

发酵是红茶加工过程中的关键环节，在揉捻工序开始后，随着细胞膜、液泡膜的破裂，茶多酚和儿茶素等物质与多酚氧化酶和过氧化物酶接触，发生酶促氧化反应并产生茶黄素、茶红素、茶褐素等茶色素，从而形成红茶的独特风味。然而发酵不足或发酵过度都会降低红茶的品质。目前发酵适度的判断标准主要依靠人的视觉与嗅觉，具有较强的主观性。红茶的发酵涉及颜色、香气、内含成分的变化，Ghosh等[100]利用红茶发酵过程中香气的变化，以发酵期间茶黄素含量作为发酵水平的判定依据，分别用电子鼻[101]、电子舌[102]来预测红茶的最佳发酵时间，显示出了其检测茶叶发酵过程的潜力。董春旺课题组用多种方法对红茶发酵过程进行了研究：采用CVs结合非线性建模算法[103]，利用红茶在发酵过程中明显的颜色变化，探究图像颜色和品质指标的变化规律，并建立了定量评价模型；通过NIRS快速测定红茶发酵过程中茶黄素与茶红素的比值，预测红茶发酵的程度[104]；通过电学测量结合化学计量学预测红茶发酵过程中儿茶素的含量[105]；通过HSI定量预测和可视化红茶发酵过程中多种关键理化成分[106]，能够实时检测和可视化红茶关键品质成分在不同时间的分布和变化状态，更加准确的了解发酵信息。以上研究促进了红茶发酵品质智能检测技术的进一步发展，为实现红茶加工智能化、标准化、信息化提供了理论依据。同时，宁井铭课题组将多技术联合系统应用于红茶发酵监控，综合评价红茶发酵过程的变化：根据发酵过程中茶多酚的降解率对发酵程度进行分级，并结合NIRS和CVs，采用中层数据融合策略对红茶发酵进行综合评价[93]；进一步将该联合系统小型化，采用廉价的微型NIRS和实验室自制的CVs评价红茶发酵品质[107]。该团队所做研究克服了单一传感器预测精度较低和仪器体积过大的问题，对数据融合策略和化学计量学模型也进行了深入探讨，对实现红茶加工自动化、低成本化具有重要意义。

茶叶在加工过程中有着丰富的物质变化。怎样生产出质量稳定的茶叶产品，是目前茶叶领域面临的一个难题。现今的茶叶加工方式已趋向于机械化、自动化、标准化和智能化，但是具体步骤适度的标准依旧要由有经验的技术人员决定。此外，茶叶加工过程研究的重心仍偏向于工艺改进，对智能化在线检测技术的探究还处于发展阶段，研究人员已对红茶发酵过程做了较多工作，研究结果都表现出较好的预测性能。六大茶类都有其独特的加工工艺，如白茶萎凋、黄茶闷黄、黑茶渥堆、乌龙茶摇青等，目前也有一些关于绿茶[28]和乌龙茶[108]加工的研究，但相对较少，需进一步加强，以促进未来茶叶加工的自动化。

6 总结与展望

感官审评伴随着制茶史的发展，凝聚了民间传统智慧和几代茶叶专家的智慧，已形成了完整的科学体系，目前仍然是茶叶品质表观评价最基本的方式。QDA方法的广泛运用，也提高了感官审评在科研工作中的客观性与科学性，同时保留了直观、快速、低成本的优点。但对于消费者而言，一方面需要加强对感官审评能力的培养，另一方面还是需要借助新兴、简易的茶叶品质评价技术。

成分分析检测发展至今，仪器新旧更替带动了研究的进步，从基础的物理检验到HPLC、MS、NMR等，强大的仪器已经具备了获取高精准度数据的能力，将更好地帮助科研人员进行茶叶品质研究，并得出更加精准的研究结果。但对于消费者而言，高门槛、难操作使成分分析检测目前只能应用于实验室检测。

新兴技术与现有的检测技术相比，显示出了良好的应用前景，光谱技术、电化学方法、计算机视觉等有望成为快速有效检测茶叶品质的可靠技术。然而，这些新兴技术还有待进一步完善之处，如仪器昂贵、传感器灵敏度不够、化学计量学模型的预测性能有待提高、多技术联合应用时的数据融合策略有待进一步探究。本文对新兴技术的发展提出了3个方向，首先是技术的联合应用，由于茶叶的复杂性，未来唯有将多种技术联合，才能更加精准、有效地对茶叶进行评价；其次，小型化的仪器能大幅降低成本，更利于消费者与从业者的使用，促进茶叶贸易的健康发展；最后，应进一步研究各类茶叶加工过程中的品质监控技术，不仅能促进茶叶加工的机械化发展，也将消除对专业人员的依赖，促进茶叶品质研究的发展。

总之，每种检测方法都有其存在的合理性，成分分析检测与新兴技术在仪器的进步中已经得到了较大的发展，感官审评在结合QDA方法后也取得了新进展。如何快速、简单、客观的对茶叶做出品质评价，仍然是目前茶叶科研领域值得深入研究的课题。但盲目舍弃其中一种方法，大力发展其他方法的做法是不可取的，各种方法应紧密联合，多维度综合利用才是正确的发展方向，而如何将感官审评与仪器技术更好地结合也将是一个值得深入探讨的问题。

[1] 张颖彬, 刘栩, 鲁成银. 中国茶叶感官审评术语的形成与发展现状[J]. 茶叶科学, 2019, 39(2): 123-130.

Zhang Y B, Liu X, Lu C Y. Formation and development of Chinese tea sensory terminology [J]. Journal of Tea Science, 2019, 39(2): 123-130.

[2] 张颖彬, 刘栩, 鲁成银. 中国茶叶感官审评术语基元语素研究与风味轮构建[J]. 茶叶科学, 2019, 39(4): 474-483.

Zhang Y B, Liu X, Lu C Y. Study on primitive morpheme in sensory terminology and flavor wheel construction of Chinese tea [J]. Journal of Tea Science, 2019, 39(4): 474-483.

[3] Li H H, Luo L Y, Wang J, et al. Lexicon development and quantitative descriptive analysis of Hunan fuzhuan brick tea infusion [J]. Food Research International, 2019, 120: 275-284.

[4] 戴前颖, 叶颖君, 安琪, 等. 黄大茶感官特征定量描述与风味轮构建[J]. 茶叶科学, 2021, 41(4): 535-544.

Dai Q Y, Ye Y J, An Q, et al. Sensory characteristics of yellow large leaf tea by quantitative descriptive analysis and construction of flavor wheel [J]. Journal of Tea Science, 2021, 41(4): 535-544.

[5] 安会敏, 熊一帆, 张杨波, 等. 临沧工夫红茶季节判定模型及风味轮的构建[J]. 食品工业科技, 2019, 40(23): 199-206.

An H M, Xiong Y F, Zhang Y B, et al. Construction of seasonal decision model and flavor wheel for Lincang gongfu black tea [J]. Science and Technology of Food Industry, 2019, 40(23): 199-206.

[6] 高涛, 罗黄洋, 吴韧, 等. 主客观组合权重法在食品感官评价中的应用[J]. 食品工业科技, 2021, 42(18): 300-307.

Gao T, Luo H Y, Wu R, et al. Application of subjective and objective combination weighting method in food sensory evaluation [J]. Science and Technology of Food Industry, 2021, 42(18): 300-307.

[7] Galmarini M V. The role of sensory science in the evaluation of food pairing [J]. Current Opinion in Food Science, 2020, 33: 149-155.

[8] Li H, Luo L, Ma M, et al. Characterization of volatile compounds and sensory analysis of jasmine scented black tea produced by different scenting processes [J]. Journal of Food Science, 2018, 83(11): 2718-2732.

[9] Ni H, Jiang Q X, Lin Q, et al. Enzymatic hydrolysis and auto-isomerization during-glucosidase treatment improve the aroma of instant white tea infusion [J]. Food Chemistry, 2021, 342: 128565. doi: 10.1016/j.foodchem.2020.128565.

[10] Qi D D, Miao A Q, Cao J X, et al. Study on the effects of rapid aging technology on the aroma quality of white tea using GC-MS combined with chemometrics: in comparison with natural aged and fresh white tea [J]. Food Chemistry, 2018, 265: 189-199.

[11] Wang Y, Yang X, Li K, et al. Simultaneous determination of theanine, gallic acid, purine alkaloids, catechins, and theaflavins in black tea using HPLC [J]. International Journal of Food Science & Technology, 2010, 45(6): 1263-1269.

[12] Pan H B, Zhang D, Li B, et al. A rapid UPLC method for simultaneous analysis of caffeine and 13 index polyphenols in black tea [J]. Journal of Chromatographic Science, 2017, 55(5): 495-496.

[13] Tan J, Dai W, Lu M, et al. Study of the dynamic changes in the non-volatile chemical constituents of black tea during fermentation processing by a non-targeted metabolomics approach [J]. Food Research International, 2016, 79: 106-113.

[14] Yun J, Cui C J, Zhang S H, et al. Use of headspace GC/MS combined with chemometric analysis to identify the geographic origins of black tea [J]. Food Chemistry, 2021, 360: 130033. doi: 10.1016/j.foodchem.2021.130033.

[15] Rubel Mozumder N H M, Lee Y R, Hwang K H, et al. Characterization of tea leaf metabolites dependent on tea () plant age through1H NMR-based metabolomics [J]. Applied Biological Chemistry, 2020, 63: 10. doi: 10.1186/s13765-020-0492-7.

[16] Wang W N, Zhang L, Wang S, et al. 8--ethyl-2-pyrrolidinone substituted flavan-3-ols as the marker compounds of Chinese dark teas formed in the post-fermentation process provide significant antioxidative activity [J]. Food Chemistry, 2014, 152: 539-545.

[17] Dai W D, Tan J F, Lu M L, et al. Metabolomics investigation reveals that 8--ethyl-2-pyrrolidinone-substituted flavan-3-ols are potential marker compounds of stored white teas [J]. Journal of Agricultural and Food Chemistry, 2018, 66(27): 7209-7218.

[18] 王家勤, 姚月凤, 袁海波, 等. 基于色差系统的工夫红茶茶汤亮度的量化评价方法研究[J]. 茶叶科学, 2020, 40(2): 259-268.

Wang J Q, Yao Y F, Yuan H B, et al. A quantitative method for brightness evaluation of Congou black tea infusions based on color difference analysis [J]. Journal of Tea Science, 2020, 40(2): 259-268.

[19] Huang D Y, Qiu Q L, Wang Y M, et al. Rapid identification of different grades of Huangshan Maofeng tea using ultraviolet spectrum and color difference [J]. Molecules, 2020, 25(20): 4665. doi: 10.3390/molecules25204665.

[20] 宛晓春. 茶叶生物化学[M]. 3版. 北京: 中国农业出版社, 2003.

Wan X C. Tea Biochemistry [M]. 3rd ed. Beijing: China Agriculture Press, 2003.

[21] 张雪, 张志强. 学科交叉研究系统综述[J]. 图书情报工作, 2020, 64(14): 112-125.

Zhang X, Zhang Z Q. Review on interdisciplinary research [J]. Library and Information Service, 2020, 64(14): 112-125.

[22] 宛晓春, 李大祥, 张正竹, 等. 茶叶生物化学研究进展[J]. 茶叶科学, 2015, 35(1): 1-10.

Wan X C, Li D X, Zhang Z Z, et al. Research advance on tea biochemistry [J]. Journal of Tea Science, 2015, 35(1): 1-10.

[23] Huang T S. Computer vision: evolution and promise [J]. 19th CERN School of Computing, 1996: 21-25.

[24] Chen Q, Zhao J, Cai J. Identification of tea varieties using computer vision [J]. Transactions of the ASABE, 2008, 51(2): 623-628.

[25] Chen Y T, Chen S F. Localizing plucking points of tea leaves using deep convolutional neural networks [J]. Computers and Electronics in Agriculture, 2020, 171: 105298. doi: 10.1016/j.compag.2020.105298.

[26] Yang H L, Chen L, Ma Z B, et al. Computer vision-based high-quality tea automatic plucking robot using Delta parallel manipulator [J]. Computers and Electronics in Agriculture, 2021, 181(7): 105946. doi: 10.1016/j.compag.2020.105946.

[27] Gill G S, Kumar A, Agarwal R. Nondestructive grading of black tea based on physical parameters by texture analysis [J]. Biosystems Engineering, 2013, 116(2): 198-204.

[28] Zhu H K, Ye Y, He H F, et al. Evaluation of green tea sensory quality via process characteristics and image information [J]. Food and Bioproducts Processing, 2017, 102: 116-122.

[29] 伍洵, 刘飞, 陈之威, 等. 基于计算机视觉的绿茶炒干中在制品理化变化研究[J]. 茶叶科学, 2020, 40(2): 194-204.

Wu X, Liu F, Chen Z W, et al. Study on the changes of physical and chemical components during the frying process of green tea by computer vision [J]. Journal of Tea Science, 2020, 40(2): 194-204.

[30] Liu P, Wu R M, Yang P X, et al. Study of sensory quality evaluation of tea using computer vision technology and forest random method [J]. Spectroscopy and Spectral Analysis, 2019, 39(1): 193-198.

[31] Zou Y, Ma W J, Tang Q, et al. A high-precision method evaluating color quality of Sichuan Dark Tea based on colorimeter combined with multi-layer perceptron [J]. Journal of Food Process Engineering, 2020, 43(8): e13444. doi: 10.1111/jfpe.13444.

[32] Bakhshipour A, Sanaeifar A, Payman S H, et al. Evaluation of data mining strategies for classification of black tea based on image-based features [J]. Food Analytical Methods, 2018, 11(4): 1041-1050.

[33] Bakhshipour A, Zareiforoush H, Bagheri I. Application of decision trees and fuzzy inference system for quality classification and modeling of black and green tea based on visual features [J]. Journal of Food Measurement and Characterization, 2020, 14(3): 1402-1416.

[34] Wu X Y, Yang J Q, Wang S H. Tea category identification based on optimal wavelet entropy and weighted k-Nearest Neighbors algorithm [J]. Multimedia Tools and Applications, 2018, 77(3): 3745-3759.

[35] Zhang Y D, Muhammad K, Tang C. Twelve-layer deep convolutional neural network with stochastic pooling for tea category classification on GPU platform [J]. Multimedia Tools and Applications, 2018, 77(17): 22821-22839.

[36] Chen J, Liu Q, Gao L W. Visual tea leaf disease recognition using a convolutional neural network model [J]. Symmetry, 2019, 11(3): 343. doi: 10.3390/sym11030343.

[37] Chen J F, He Q. Tea disease spot recognition based on image feature points extraction and matching [J]. Global NEST Journal, 2020, 22(4): 492-501.

[38] Yang N, Yuan M, Wang P, et al. Tea diseases detection based on fast infrared thermal image processing technology [J]. Journal of the Science of Food and Agriculture, 2019, 99(7): 3459-3466.

[39] 吴正敏, 曹成茂, 谢承健, 等. 基于图像处理技术和神经网络实现机采茶分级[J]. 茶叶科学, 2017, 37(2): 182-190.

Wu Z M, Cao C M, Xie C J, et al. Grading of machine picked tea based on image processing technology and neural network [J]. Journal of Tea Science, 2017, 37(2): 182-190.

[40] Zhang L, Zhang H, Chen Y, et al. Real-time monitoring of optimum timing for harvesting fresh tea leaves based on machine vision [J]. International Journal of Agricultural and Biological Engineering, 2019, 12(1): 6-9.

[41] 张怡, 赵珠蒙, 王校常, 等. 基于ResNet卷积神经网络的绿茶种类识别模型构建[J]. 茶叶科学, 2021, 41(2): 261-271.

Zhang Y, Zhao Z M, Wang X C, et al. Construction of green tea recognition model based on ResNet convolutional neural network [J]. Journal of Tea Science, 2021, 41(2): 261-271.

[42] Li L Q, Wang Y J, Jin S S, et al. Evaluation of black tea by using smartphone imaging coupled with micro-near-infrared spectrometer [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2021, 246: 118991. doi: 10.1016/j.saa.2020.118991.

[43] Wang S H, Phillips P, Liu A J, et al. Tea category identification using computer vision and generalized eigenvalue proximal SVM [J]. Fundamenta Informaticae, 2017, 151(1/4): 325-339.

[44] Liu C L, Lu W Y, Gao B Y, et al. Rapid identification of chrysanthemum teas by computer vision and deep learning [J]. Food Science & Nutrition, 2020, 8(4): 1968-1977.

[45] Xu M, Wang J, Jia P F, et al. Identification of Longjing teas with different geographic origins based on e-nose and computer vision system combined with data fusion strategies [J]. Transactions of the ASABE, 2021, 64(1): 327-340.

[46] Lin X, Sun D W. Recent developments in vibrational spectroscopic techniques for tea quality and safety analyses [J]. Trends in Food Science & Technology, 2020, 104: 163-176.

[47] 任广鑫, 金珊珊, 李露青, 等. 近红外光谱技术在茶叶品控与装备创制领域的研究进展[J]. 茶叶科学, 2020, 40(6): 707-714.

Ren G X, Jin S S, Li L Q, et al. Research progress of near-infrared spectroscopy in tea quality control and equipment development [J]. Journal of Tea Science, 2020, 40(6): 707-714.

[48] Huang Y F, Dong W T, Sanaeifar A, et al. Development of simple identification models for four main catechins and caffeine in fresh green tea leaf based on visible and near-infrared spectroscopy [J]. Computers and Electronics in Agriculture, 2020, 173: 105388. doi: 10.1016/j.compag.2020.105388.

[49] Hazarika A K, Chanda S, Sabhapondit S, et al. Quality assessment of fresh tea leaves by estimating total polyphenols using near infrared spectroscopy [J]. Journal of Food Science and Technology, 2018, 55(12): 4867-4876.

[50] Sanaeifar A, Huang X, Chen M, et al. Nondestructive monitoring of polyphenols and caffeine during green tea processing using Vis-NIR spectroscopy [J]. Food Science & Nutrition, 2020, 8(11): 5860-5874.

[51] Chen Q S, Chen M, Liu Y, et al. Application of FT-NIR spectroscopy for simultaneous estimation of taste quality and taste-related compounds content of black tea [J]. Journal of Food Science & Technology, 2018, 55(10): 4363-4368.

[52] Chanda S, Hazarika A K, Choudhury N, et al. Support vector machine regression on selected wavelength regions for quantitative analysis of caffeine in tea leaves by near infrared spectroscopy [J]. Journal of Chemometrics, 2019, 33(10): e3172. doi: 10.1002/cem.3172.

[53] 卢莉, 程曦, 张渤, 等. 小种红茶茶多酚和咖啡碱近红外定量分析模型的建立[J]. 茶叶科学, 2020, 40(5): 689-695.

Lu L, Cheng X, Zhang B, et al. Establishment of predictive model for quantitative analysis of tea polyphenols and caffeine of souchong by near infrared spectroscopy [J]. Journal of Tea Science, 2020, 40(5): 689-695.

[54] Zareef M, Chen Q, Ouyang Q, et al. Prediction of amino acids, caffeine, theaflavins and water extract in black tea using FT-NIR spectroscopy coupled chemometrics algorithms [J]. Analytical Methods, 2018, 10(25): 3023-3031.

[55] Lee M S, Hwang Y S, Lee J, et al. The characterization of caffeine and nine individual catechins in the leaves of green tea (L.) by near-infrared reflectance spectroscopy [J]. Food Chemistry, 2014, 158: 351-357.

[56] Guo Z M, Barimah A O, Shujat A, et al. Simultaneous quantification of active constituents and antioxidant capability of green tea using NIR spectroscopy coupled with swarm intelligence algorithm [J]. LWT, 2020, 129: 109510. doi: 10.1016/j.lwt.2020.109510.

[57] Liu Z, Xie H L, Chen L, et al. An improved weighted partial least squares method coupled with near infrared spectroscopy for rapid determination of multiple components and anti-oxidant activity of pu-erh tea [J]. Molecules, 2018, 23(5): 1058. doi: 10.3390/molecules23051058.

[58] 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.

[59] Wang J H, Wang Y F, Cheng J J, et al. Enhanced cross-category models for predicting the total polyphenols, caffeine and free amino acids contents in Chinese tea using NIR spectroscopy [J]. LWT, 2018, 96: 90-97.

[60] Huang Z X, Sanaeifar A, Tian Y, et al. Improved generalization of spectral models associated with Vis-NIR spectroscopy for determining the moisture content of different tea leaves [J]. Journal of Food Engineering, 2021, 293: 110374. doi: 10.1016/j.jfoodeng.2020.110374.

[61] Liu P, Wen Y P, Huang J S, et al. A novel strategy of near-infrared spectroscopy dimensionality reduction for discrimination of grades, varieties and origins of green tea [J]. Vibrational Spectroscopy, 2019, 105: 102984. doi: 10.1016/j.vibspec.2019.102984.

[62] Ren G X, Wang Y J, Ning J M, et al. Highly identification of keemun black tea rank based on cognitive spectroscopy: Near infrared spectroscopy combined with feature variable selection [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2020, 230: 118079. doi: 10.1016/j.saa.2020.118079.

[63] Firmani P, Luca S D, Bucci R, et al. Near infrared (NIR) spectroscopy-based classification for the authentication of Darjeeling black tea [J]. Food Control, 2019, 100: 292-299.

[64] Meng W, Xu X, 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.

[65] Guo Z M, Barimah A O, Yin L M, et al. Intelligent evaluation of taste constituents and polyphenols-to-amino acids ratio in matcha tea powder using near infrared spectroscopy [J]. Food Chemistry, 2021, 353: 129372. doi: 10.1016/j.foodchem.2021.129372.

[66] Ning J M, Sun J J, Li S H, et al. Classification of five Chinese tea categories with different fermentation degrees using visible and near-infrared hyperspectral imaging [J]. International Journal of Food Properties, 2017, 20(s2): 1515-1522.

[67] Yan L, Pang L, Wang H, et al. Recognition of different Longjing fresh tea varieties using hyperspectral imaging technology and chemometrics [J]. Journal of Food Process Engineering, 2020, 43(4): e13378. doi: 10.1111/jfpe.13378.

[68] Sun J, Zhou X, Hu Y G, et al. Visualizing distribution of moisture content in tea leaves using optimization algorithms and NIR hyperspectral imaging [J]. Computers and Electronics in Agriculture, 2019, 160: 153-159.

[69] Wang Y J, Liu Y, Chen Y Y, et al. Spatial distribution of total polyphenols in multi-type of tea using near-infrared hyperspectral imaging [J]. LWT, 2021, 148: 111737. doi: 10.1016/j.lwt.2021.111737.

[70] 徐敏. 基于电子鼻、电子舌和电子眼的多源信息融合技术对龙井茶品质的检测[D]. 杭州: 浙江大学, 2020.

Xu M. Quality detection of Longjing tea based on the multi-source information fusion of E-nose, E-tongue and E-eye [D]. Hangzhou: Zhejiang University, 2020.

[71] Jia W S, Liang G, Jiang Z J, et al. Advances in electronic nose development for application to agricultural products [J]. Food Analytical Methods, 2019, 12(10): 2226-2240.

[72] Xu M, Wang J, Gu S. Rapid identification of tea quality by E-nose and computer vision combining with a synergetic data fusion strategy [J]. Journal of Food Engineering, 2019, 241: 10-17.

[73] Hidayat S N, Triyana K, Fauzan I, et al. The electronic nose coupled with chemometric tools for discriminating the quality of black tea samples in situ [J]. Chemosensors, 2019, 7(3): 29. doi: 10.3390/chemosensors7030029.

[74] Liu H X, Yu D B, Gu Y. Classification and evaluation of quality grades of organic green teas using an electronic nose based on machine learning algorithms [J]. IEEE Access, 2019, 7: 172965-172973.

[75] Yuan H B, Chen X Q, Shao Y D, et al. Quality evaluation of green and dark tea grade using electronic nose and multivariate statistical analysis [J]. Journal of Food Science, 2019, 84(12): 3411-3417.

[76] Wang S Y, Zhao F, Wu W X, et al. Comparison of volatiles in different jasmine tea grade samples using electronic nose and automatic thermal desorption-gas chromatography-mass spectrometry followed by multivariate statistical analysis [J]. Molecules, 2020, 25(2): 380. doi: 10.3390/molecules25020380.

[77] 王淑燕, 赵峰, 饶耿慧, 等. 基于电子鼻和ATD-GC-MS技术分析茉莉花茶香气成分的产地差异[J]. 食品工业科技, 2021, 42(15): 234-239.

Wang S Y, Zhao F, Rao G H, et al. Origin difference analysis of aroma components in jasmine tea based on electronic nose and ATD-GC-MS [J]. Science and Technology of Food Industry, 2021, 42(15): 234-239.

[78] Zhu J C, Chen F, Wang L Y, et al. Evaluation of the synergism among volatile compounds in Oolong tea infusion by odour threshold with sensory analysis and E-nose [J]. Food Chemistry, 2017, 221: 1484-1490.

[79] 王宝怡, 王培强, 李晓晗, 等. 基于电子鼻技术对不同季节山东绿茶香气的分析[J]. 现代食品科技, 2020, 36(10): 284-289, 259.

Wang B Y, Wang P Q, Li X H, et al. Analysis of aroma of Shandong green tea in different seasons based on electronic nose technology [J]. Modern Food Science & Technology, 2020, 36(10): 284-289, 259.

[80] 王佳音, 王凤玲, 王福东, 等. 电子鼻对不同种类抹茶香气成分的辨别与分析[J]. 食品与发酵工业, 2019, 45(19): 270-276.

Wang J Y, Wang F L, Wang F D, et al. Identification and analysis of the aroma components of different species of Matcha by electronic nose [J]. Food And Fermentation Industries, 2019, 45(19): 270-276.

[81] 孙玉冰. 基于电子鼻技术的茶树虫害信息检测[D]. 杭州: 浙江大学, 2018.

Sun Y B. Study of pest information for tea plant based on electroinc nose [D]. Hangzhou: Zhejiang University, 2018.

[82] Sun Y, Wang J, Cheng S, et al. Detection of pest species with different ratios in tea plant based on electronic nose [J]. Annals of Applied Biology, 2019, 174(2): 209-218.

[83] Sun Y, Wang J, Sun L, et al. Evaluation of E-nose data analyses for discrimination of tea plants with different damage types [J]. Journal of Plant Diseases and Protection, 2019, 126(1): 29-38.

[84] Sun Y, Wang J, Cheng S. Discrimination among tea plants either with different invasive severities or different invasive times using MOS electronic nose combined with a new feature extraction method [J]. Computers and Electronics in Agriculture, 2017, 143: 293-301.

[85] Wang X R, Gu Y, Liu H X. A transfer learning method for the protection of geographical indication in china using an electronic nose for the identification of Xihu Longjing tea [J]. IEEE Sensors Journal, 2021, 21(6): 8065-8077.

[86] Loutfi A, Coradeschi S, Mani G K, et al. Electronic noses for food quality: a review [J]. Journal of Food Engineering, 2015, 144: 103-111.

[87] Liu T, Chen Y B, Li D Q, et al. Electronic tongue recognition with feature specificity enhancement [J]. Sensors, 2020, 20(3): 772. doi: 10.3390/s20030772.

[88] Ouyang Q, Yang Y C, Wu J Z, et al. Measurement of total free amino acids content in black tea using electronic tongue technology coupled with chemometrics [J]. LWT, 2020, 118: 108768. doi: 10.1016/j.lwt.2019.108768.

[89] Chen X J, Xu Y L, Meng L W, et al. Non-parametric partial least squares: discriminant analysis model based on sum of ranking difference algorithm for tea grade identification using electronic tongue data [J]. Sensors and Actuators B: Chemical, 2020, 311: 127924. doi: 10.1016/j.snb.2020.127924.

[90] Ren G X, Li T H, Wei Y M, et al. Estimation of Congou black tea quality by an electronic tongue technology combined with multivariate analysis [J]. Microchemical Journal, 2021, 163: 105899. doi: 10.1016/j.microc.2020.105899.

[91] Huang D Y, Bian Z, Qiu Q L, et al. Identification of similar Chinese Congou black teas using an electronic tongue combined with pattern recognition [J]. Molecules, 2019, 24(24): 4549. doi: 10.3390/molecules24244549.

[92] Zou G Y, Xiao Y Z, Wang M S, et al. Detection of bitterness and astringency of green tea with different taste by electronic nose and tongue [J]. Plos One, 2018, 13(12): e0206517. doi: 10.1371/journal.pone.0206517.

[93] 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, 2020, 125: 109216. doi: 10.1016/j.lwt.2020.109216.

[94] Xu M, Wang J, Zhu L Y. The qualitative and quantitative assessment of tea quality based on E-nose, E-tongue and E-eye combined with chemometrics [J]. Food Chemistry, 2019, 289: 482-489.

[95] Li L Q, Jin S S, Wang Y J, et al. Potential of smartphone-coupled micro NIR spectroscopy for quality control of green tea [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2021, 247: 119096. doi: 10.1016/j.saa.2020.119096.

[96] Wang J, Zareef M, He P, et al. Evaluation of matcha tea quality index using portable NIR spectroscopy coupled with chemometric algorithms [J]. Journal of the Science of Food and Agriculture, 2019, 99(11): 5019-5027.

[97] Wang Y J, Li T H, Li L Q, et al. Evaluating taste-related attributes of black tea by micro-NIRS [J]. Journal of Food Engineering, 2020, 290: 110181. doi: 10.1016/j.jfoodeng.2020.110181.

[98] Dutta L, Talukdar C, Hazarika A, et al. A novel low-cost hand-held tea flavor estimation system [J]. IEEE Transactions on Industrial Electronics, 2018, 65(6): 4983-4990.

[99] Zhang Y Y, Gao W J, Cui C J, et al. Development of a method to evaluate the tenderness of fresh tea leaves based on rapid,Raman spectroscopy scanning for carotenoids [J]. Food chemistry, 2020, 308: 125648. doi: 10.1016/j.foodchem.2019.125648.

[100] Ghosh S, Tudu B, Bhattacharyya N, et al. A recurrent Elman network in conjunction with an electronic nose for fast prediction of optimum fermentation time of black tea [J]. Neural Computing and Applications, 2019, 31(2): 1165-1171.

[101] Sharma P, Ghosh A, Tudu B, et al. Monitoring the fermentation process of black tea using QCM sensor based electronic nose [J]. Sensors and Actuators B: Chemical, 2015, 219: 146-157.

[102] Ghosh A, Bag A K, Sharma P, et al. Monitoring the fermentation process and detection of optimum fermentation time of black tea using an electronic tongue [J]. IEEE Sensors Journal, 2015, 15(11): 6255-6262.

[103] Dong C W, Liang G Z, Hu B, et al. Prediction of Congou black tea fermentation quality indices from color features using non-linear regression methods [J]. Scientific Reports, 2018, 8(1): 10535. doi: 10.1038/s41598-018-28767-2.

[104] 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.

[105] Dong C W, Ye Y L, Yang C S, et al. Rapid detection of catechins during black tea fermentation based on electrical properties and chemometrics [J]. Food Bioscience, 2021, 40: 100855. doi: 10.1016/j.fbio.2020.100855.

[106] Yang C S, Zhao Y, An T, et al. Quantitative prediction and visualization of key physical and chemical components in black tea fermentation using hyperspectral imaging [J]. LWT, 2021, 141: 110975. doi: 10.1016/j.lwt.2021.110975.

[107] Jin G, Wang Y J, Li M H, et al. Rapid and real-time detection of black tea fermentation quality by using an inexpensive data fusion system [J]. Food Chemistry, 2021, 358: 129815. doi: 10.1016/j.foodchem.2021.129815.

[108] Tseng T S, Hsiao M H, Chen P A, et al. Utilization of a gas-sensing system to discriminate smell and to monitor fermentation during the manufacture of Oolong tea leaves [J]. Micromachines, 2021, 12(1): 93. doi: 10.3390/mi12010093.

Research Progress of Tea Quality Evaluation Technology

LIU Qi1,2, OUYANG Jian1,2, LIU Changwei1,2, CHEN Hongyu1,2, LI Juan1,2,3, XIONG Ligui1,2,3, LIU Zhonghua1,2,3*, HUANG Jianan1,2,3*

1. Key Laboratory of Tea Science of Ministry of Education, Changsha 410125, China; 2. National Research Center of Engineering and Technology for Utilization of Botanical Functional Ingredients, Changsha 410125, China; 3. Co-Innovation Center of Education Ministry for Utilization of Botanical Functional Ingredients, Changsha 410125, China

The quality of tea is the embodiment of the shape and inner quality of tea, and evaluating the quality of tea quickly and accurately is essential for tea trade and processing. Sensory evaluation, composition analysis and detection, and emerging technologies are the main tea quality evaluation techniques at present. This article summarized the research progress of three major evaluation technologies in recent years, and focused on the development trend of emerging technologies. Sensory evaluation is greatly influenced by subjective factors, but combined with quantitative description and analysis can reduce the influence of subjectivity. Component analysis detection has high threshold, difficult operation, time-consuming and labor-consuming, and the results obtained are relatively accurate. Emerging technologies are simple, fast, and non-destructive, but at present they cannot achieve satisfactory accuracy. In the tea product diversification today, only multi-dimensional comprehensive utilization of multiple methods can quickly and efficiently detect the quality of tea, and provide assistance for the healthy and efficient development of the tea industry.

tea quality, computer vision, spectroscopic techniques, electrochemical methods

S571.1

A

1000-369X(2022)03-316-15

2021-11-23

2022-01-04

湖南省重点研发计划（2020NK2026、2020NK2047）、国家自然科学基金（32102004）、云南省科技人才和平台计划（202104AC100001-B01）

刘奇，男，硕士研究生，主要从事茶叶加工与品质化学方向研究。*通信作者：larkin-liu@163.com；jian7513@sina.com

（责任编辑：黄晨）