數(shù)字茶業(yè)，綠茶加工過程含水率在線檢測技術(shù)研究

殺青是綠茶加工過程的關(guān)鍵工序。若殺青程度不足，葉中氧化酶未能充分滅活，會導(dǎo)致紅梗等不良現(xiàn)象;若殺青過度，則葉片水分低，導(dǎo)致揉捻、做形階段難以成形，斷碎率高。含水率是評價(jià)綠茶殺青程度的重要指標(biāo)，一般認(rèn)為殺青葉含水率58%~62%為適度。目前殺青葉含水率的檢測方法包括實(shí)驗(yàn)室分析和制茶師傅人工評判，前者盡管檢測結(jié)果準(zhǔn)確，但分析過程費(fèi)時(shí)費(fèi)力，無法應(yīng)用于加工在線檢測;后者依賴制茶師傅的經(jīng)驗(yàn)，存在準(zhǔn)確率低、一致性差等缺陷。因此，當(dāng)前迫切需要建立綠茶殺青過程含水率快速、準(zhǔn)確、量化的在線檢測方法。

近紅外光譜技術(shù)(Near infrared spectroscopy， NIR)是一項(xiàng)成熟的二級檢測技術(shù)，具有樣品無損、檢測快速、無需化學(xué)試劑等優(yōu)勢，因此被廣泛應(yīng)用于茶葉品質(zhì)檢測與分析。目前，茶葉中主要成分，包括水分、茶多酚、兒茶素、咖啡堿、游離氨基酸、茶黃素等的近紅外預(yù)測模型已被相繼建立，并取得了較好的預(yù)測性能。在茶葉加工品質(zhì)評判方面，DONG等基于近紅外光譜技術(shù)對紅茶發(fā)酵品質(zhì)進(jìn)行了研究，建立了發(fā)酵過程關(guān)鍵品質(zhì)成分(兒茶素、酚氨比、茶黃素、茶紅素、茶褐素)的快速檢測模型;陳琳等對近紅外光譜在紅茶干燥過程含水率檢測中的可行性進(jìn)行了探究，利用烘干葉的近紅外光譜信號建立的PLS模型性能較好，Rp = 0.9593，RMSEP = 0.0395;JIN等采用茶多酚降解率作為評估紅茶發(fā)酵程度的關(guān)鍵指標(biāo)，引入近紅外光譜技術(shù)對不同發(fā)酵階段茶樣進(jìn)行了快速檢測，采用連續(xù)投影算法和相關(guān)性分析提取特征光譜，并結(jié)合非線性建模算法建立了發(fā)酵程度的評估模型，取得了較高的判別率。

現(xiàn)有的研究多針對紅茶加工，且采用的近紅外光譜設(shè)備多是實(shí)驗(yàn)室臺式儀器，在實(shí)驗(yàn)室穩(wěn)定的溫濕度環(huán)境下開展的。基于在線近紅外光譜儀開展的綠茶加工過程含水率快速原位檢測研究報(bào)道較少。因此，研究采用一款在線近紅外光譜儀，探究其在綠茶殺青葉含水率檢測中的可行性。通過在線近紅外光譜儀實(shí)時(shí)采集殺青葉的光譜信息，分別采用光譜預(yù)處理和特征光譜篩選方法去除噪聲和降低數(shù)據(jù)維度，結(jié)合定量預(yù)測算法，建立殺青葉含水率的實(shí)時(shí)檢測模型。

01

材料與方法

1、材料與儀器

試驗(yàn)所用的茶鮮葉來自安徽農(nóng)業(yè)大學(xué)高新技術(shù)農(nóng)業(yè)園，茶樹品種為舒茶早，采摘標(biāo)準(zhǔn)為一芽一葉。通過調(diào)節(jié)殺青溫度和殺青時(shí)間，得到不同程度的殺青葉。在2022年4月至7月開展了3次試驗(yàn)，共計(jì)得到415份殺青葉樣本，含水率范圍為49.76%~70.61%。

采用無錫迅杰光遠(yuǎn)科技有限公司(IAS)的在線式光譜分析儀IAS-online-S100。光源類型：10 W鹵鎢燈;波長范圍：900~1700 nm;分辨率：8 nm;波長準(zhǔn)確性：<1 nm;光源工作距離：100 mm;光斑直徑：60 mm。如圖1所示，在線近紅外光譜儀搭建在傳送帶上，實(shí)現(xiàn)殺青葉光譜信息的實(shí)時(shí)采集。

2、含水率測定

采用GB/T 8304—2013快速法對茶葉含水率進(jìn)行測定。將在線檢測光譜所對應(yīng)的殺青葉樣品(約5 g)取下依次編號，置于鋁盒內(nèi)，放入120 ℃烘箱中干燥，干燥1 h后置于干燥器中放至常溫，隨后使用萬分之一天平稱重，檢測其水分含量，重復(fù)操作直到與上一次稱重≤ 0.05 g，即為恒重。每份樣本重復(fù)測定三次，以三次測定的均值作為該樣本的實(shí)測含水率。

3、光譜數(shù)據(jù)處理

(1)光譜預(yù)處理

近紅外光譜儀在采集信息時(shí)易受外界環(huán)境影響，導(dǎo)致獲取的信號中存在基線漂移、隨機(jī)噪音等。為了消除原始光譜信號中的噪聲干擾，分別采用SG平滑、SNV、MSC、Detrending等預(yù)處理方法，并結(jié)合PLS算法分別建立含水率的定量模型。以模型精度評價(jià)指標(biāo)為依據(jù)，篩選最優(yōu)的預(yù)處理方法。

(2)數(shù)據(jù)集劃分

將試驗(yàn)中采集得到的415份殺青葉樣本按2∶1的比例隨機(jī)劃分為彼此獨(dú)立的校正集和預(yù)測集，其中校正集的277份樣本用于建立定量模型，預(yù)測集的138份樣本用于驗(yàn)證所建模型的預(yù)測性能。

(3)特征光譜篩選

全波段光譜數(shù)據(jù)中包含了900~1700 nm范圍內(nèi)的連續(xù)801條波長信息，其中包含了與水分含量無關(guān)的冗余光譜信息。為了消除這部分冗余光譜信息，簡化建模過程，分別采用遺傳算法GA和競爭性自適應(yīng)復(fù)權(quán)抽樣CARS篩選水分特征光譜變量。在GA中，交叉概率和初始群體大小分別設(shè)置為0.50和50.0，遺傳迭代次數(shù)和變異概率分別設(shè)置為100和0.01。在CARS中，Monte Carlo采樣數(shù)設(shè)置為50。

(4)定量模型建立與驗(yàn)證

采用PLS算法建立近紅外光譜信號與殺青葉含水率的關(guān)聯(lián)預(yù)測模型。PLS是目前應(yīng)用最廣的線性回歸算法，具有結(jié)構(gòu)簡單、易于獲得的優(yōu)勢，同時(shí)在處理高維光譜數(shù)據(jù)方面優(yōu)勢顯著。建模過程中，使用校正集的樣本構(gòu)建PLS模型，并采用5-fold交叉驗(yàn)證對PLS模型的關(guān)鍵參數(shù)LVs進(jìn)行優(yōu)選，獲得最低的交互驗(yàn)證均方根誤差。隨后，將優(yōu)化的PLS模型對預(yù)測集的樣本進(jìn)行外部驗(yàn)證，以評估所建模型的預(yù)測能力。PLS模型的評價(jià)指標(biāo)包括相關(guān)系數(shù)(校正集Rc和預(yù)測集Rp)和均方根誤差(校正集RMSEC和預(yù)測集RMSEP)，其中均方根誤差越低表示模型預(yù)測性能越高。

4、數(shù)據(jù)處理

光譜預(yù)處理采用CAMO公司的The Unscrambler X 10.4軟件，數(shù)據(jù)集劃分、光譜特征篩選和PLS建模采用MATLAB 2014a軟件。

02

結(jié)果與分析

1、原始及預(yù)處理近紅外光譜信號

415份殺青茶樣的原始近紅外光譜信號如圖2所示。所有的光譜曲線呈現(xiàn)出相似的趨勢和吸收峰位置，分別在970~980 nm、1180~1200 nm和1430~1440 nm處有明顯的吸收峰，這些被認(rèn)為可能是水分的特征吸收峰。經(jīng)預(yù)處理后的光譜信號分別如圖2所示。與原始光譜曲線相比，預(yù)處理后的光譜曲線更平滑，吸收峰更凸顯。

2、基于全波段的PLS模型性能

分別基于原始光譜和預(yù)處理后的光譜信號，建立了殺青葉含水率的PLS預(yù)測模型，結(jié)果如表1所示。對于校正集，原始光譜信號和不同光譜預(yù)處理信號的PLS模型性能相當(dāng)，未表現(xiàn)出明顯的差異，RMSEC為1.77%~1.81%。當(dāng)分別被用于預(yù)測集樣本的驗(yàn)證時(shí)，SNV預(yù)處理后的SNV-PLS模型表現(xiàn)最優(yōu)，在所有模型中取得了最高的Rp值0.9395和最低的RMSEP值1.58%。因此，SNV被作為最優(yōu)的光譜預(yù)處理方法，進(jìn)行后續(xù)特征光譜變量的篩選。

3、特征波長篩選結(jié)果

在SNV預(yù)處理基礎(chǔ)上，分別采用GA和CARS篩選水分的特征波長，以此降低數(shù)據(jù)維度和簡化建模過程。篩選結(jié)果分別如圖3所示。經(jīng)過100次迭代，優(yōu)選出頻次超過9的63個(gè)特征光譜變量。表2分別列出了63條特征波長，與801條全波長相比，超過92%的無關(guān)變量被剔除。CARS共篩選出48條特征波長，剔除了超過94%的無關(guān)光譜變量?？傮w上看，GA和CARS均實(shí)現(xiàn)了光譜數(shù)據(jù)維度的降低，從而減少了建模所需的變量數(shù)，簡化了建模過程。

4、基于特征波長的PLS模型性能

分別基于篩選得到的特征光譜波長，建立了簡化的SNV-GA-PLS和SNV-CARS-PLS模型，結(jié)果如表3和圖4所示。對于校正集，SNV-GA-PLS和SNV-CARS-PLS模型的Rc值較SNV-PLS模型有較大提高，分別從0.9359提高至0.9440和0.9422，而均方根誤差RMSEC值分別從1.64%降低至1.53%和1.56%，說明無關(guān)變量的剔除顯著提高了建模性能。對于預(yù)測集，簡化后的SNV-GA-PLS和SNV-CARS-PLS模型與簡化前的SNV-PLS模型性能相當(dāng)。綜合來看，SNV-CARS-PLS模型對殺青葉含水率的預(yù)測性能最優(yōu)，預(yù)測集相關(guān)系數(shù)Rp和均方根誤差RMSEP分別為0.9402和1.57%，能夠?qū)崿F(xiàn)殺青葉含水率的準(zhǔn)確預(yù)測。

03

討 論

在實(shí)際生產(chǎn)中，由于缺乏快速準(zhǔn)確的含水率檢測方法，導(dǎo)致殺青葉質(zhì)量不穩(wěn)定，極大地影響了綠茶產(chǎn)品的質(zhì)量。近紅外光譜技術(shù)基于含氫基團(tuán)(包括C-H、N-H、O-H和S-H等)物質(zhì)在近紅外光譜區(qū)域伸縮振動的各級倍頻及合頻吸收而產(chǎn)生的指紋性圖譜，并且含氫基團(tuán)物質(zhì)濃度與吸收強(qiáng)度呈正相關(guān)。因此這些含氫基團(tuán)成分(包括水分)的信息能夠被近紅外光譜特征所描述，并通過結(jié)合化學(xué)計(jì)量學(xué)建立樣品吸收光譜與含水率的關(guān)聯(lián)模型。在對未知樣品進(jìn)行分析檢測時(shí)，僅需采集代表性吸收光譜數(shù)據(jù)，帶入校正模型，即可快速獲得樣品的含水率。

本研究開發(fā)了基于在線近紅外光譜的含水率檢測模型，對預(yù)測樣本的均方根誤差僅為1.57%，實(shí)現(xiàn)了綠茶殺青葉含水率的準(zhǔn)確檢測。同時(shí)，整個(gè)分析過程快速、無損，適用于綠茶殺青工序的在線檢測和品控。

盡管如此，為實(shí)現(xiàn)綠茶加工智能化的目標(biāo)，未來仍需要在以下幾方面做出進(jìn)一步探索：

一是消除應(yīng)用場景環(huán)境對信號的干擾。與實(shí)驗(yàn)室相比，加工生產(chǎn)線具有溫度、濕度變異性大的特點(diǎn)。而近紅外光譜信號極易受環(huán)境溫度變化的影響，導(dǎo)致預(yù)先建立的模型失效。因此，需要克服環(huán)境溫度對光譜信號的影響，引入溫度補(bǔ)償算法，建立跨溫度的穩(wěn)健定量模型。

二是增強(qiáng)模型對樣本狀態(tài)的適應(yīng)性。目前綠茶加工遍布我國各產(chǎn)區(qū)，不同產(chǎn)區(qū)的茶葉品種、采摘標(biāo)準(zhǔn)、物理特性、生化含量等各不相同，同時(shí)在殺青方式等加工措施上也存在較大差異?；趩晤惒铇铀ǖ膶Ｓ媚Ｐ屯鶅H適用于單類樣本，而對其他差異樣本的適用性差。因此，需要廣泛采集具有代表性的建模樣本，建立通用型的近紅外數(shù)據(jù)庫，通過大樣本和大數(shù)據(jù)結(jié)合深度學(xué)習(xí)等先進(jìn)算法，提高模型的適用性。

三是集成綠茶殺青在線檢測和自動控制系統(tǒng)。將普適性強(qiáng)的加工在線檢測系統(tǒng)與智能加工裝備集成，搭建自動控制系統(tǒng)，從而實(shí)現(xiàn)加工過程“信息深度自感知、智能優(yōu)化自決策、精準(zhǔn)控制自執(zhí)行”。

李毛玉

安徽農(nóng)業(yè)大學(xué)茶學(xué)系碩士研究生，主要開展綠茶加工水分快速檢測技術(shù)研究，期間參與“十四五”國家重點(diǎn)研發(fā)計(jì)劃子課題1項(xiàng)，發(fā)表論文2篇。