數(shù)字茶業(yè)，綠茶加工過(guò)程含水率在線檢測(cè)技術(shù)研究

殺青是綠茶加工過(guò)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(huì)導(dǎo)致紅梗等不良現(xiàn)象;若殺青過(guò)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(píng)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(cè)方法包括實(shí)驗(yàn)室分析和制茶師傅人工評(píng)判，前者盡管檢測(cè)結(jié)果準(zhǔn)確，但分析過(guò)程費(fèi)時(shí)費(fèi)力，無(wú)法應(yīng)用于加工在線檢測(cè);后者依賴(lài)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(guò)程含水率快速、準(zhǔn)確、量化的在線檢測(cè)方法。

近紅外光譜技術(shù)(Near infrared spectroscopy， NIR)是一項(xiàng)成熟的二級(jí)檢測(cè)技術(shù)，具有樣品無(wú)損、檢測(cè)快速、無(wú)需化學(xué)試劑等優(yōu)勢(shì)，因此被廣泛應(yīng)用于茶葉品質(zhì)檢測(cè)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(cè)模型已被相繼建立，并取得了較好的預(yù)測(cè)性能。在茶葉加工品質(zhì)評(píng)判方面，DONG等基于近紅外光譜技術(shù)對(duì)紅茶發(fā)酵品質(zhì)進(jìn)行了研究，建立了發(fā)酵過(guò)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(cè)模型;陳琳等對(duì)近紅外光譜在紅茶干燥過(guò)程含水率檢測(cè)中的可行性進(jìn)行了探究，利用烘干葉的近紅外光譜信號(hào)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(píng)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(duì)不同發(fā)酵階段茶樣進(jìn)行了快速檢測(cè)，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(píng)估模型，取得了較高的判別率。

現(xiàn)有的研究多針對(duì)紅茶加工，且采用的近紅外光譜設(shè)備多是實(shí)驗(yàn)室臺(tái)式儀器，在實(shí)驗(yàn)室穩(wěn)定的溫濕度環(huán)境下開(kāi)展的?；谠诰€近紅外光譜儀開(kāi)展的綠茶加工過(guò)程含水率快速原位檢測(cè)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(cè)中的可行性。通過(guò)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(cè)算法，建立殺青葉含水率的實(shí)時(shí)檢測(cè)模型。

01

材料與方法

1、材料與儀器

試驗(yàn)所用的茶鮮葉來(lái)自安徽農(nóng)業(yè)大學(xué)高新技術(shù)農(nóng)業(yè)園，茶樹(shù)品種為舒茶早，采摘標(biāo)準(zhǔn)為一芽一葉。通過(guò)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(kāi)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(wú)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(lèi)型：10 W鹵鎢燈;波長(zhǎng)范圍：900~1700 nm;分辨率：8 nm;波長(zhǎng)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(cè)定

采用GB/T 8304—2013快速法對(duì)茶葉含水率進(jìn)行測(cè)定。將在線檢測(cè)光譜所對(duì)應(yīng)的殺青葉樣品(約5 g)取下依次編號(hào)，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(wàn)分之一天平稱(chēng)重，檢測(cè)其水分含量，重復(fù)操作直到與上一次稱(chēng)重≤ 0.05 g，即為恒重。每份樣本重復(fù)測(cè)定三次，以三次測(cè)定的均值作為該樣本的實(shí)測(cè)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(hào)中存在基線漂移、隨機(jī)噪音等。為了消除原始光譜信號(hào)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(píng)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(cè)集，其中校正集的277份樣本用于建立定量模型，預(yù)測(cè)集的138份樣本用于驗(yàn)證所建模型的預(yù)測(cè)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(zhǎng)信息，其中包含了與水分含量無(wú)關(guān)的冗余光譜信息。為了消除這部分冗余光譜信息，簡(jiǎn)化建模過(guò)程，分別采用遺傳算法GA和競(jìng)爭(zhēng)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(hào)與殺青葉含水率的關(guān)聯(lián)預(yù)測(cè)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(jiǎn)單、易于獲得的優(yōu)勢(shì)，同時(shí)在處理高維光譜數(shù)據(jù)方面優(yōu)勢(shì)顯著。建模過(guò)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(duì)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(duì)預(yù)測(cè)集的樣本進(jìn)行外部驗(yàn)證，以評(píng)估所建模型的預(yù)測(cè)能力。PLS模型的評(píng)價(jià)指標(biāo)包括相關(guān)系數(shù)(校正集Rc和預(yù)測(cè)集Rp)和均方根誤差(校正集RMSEC和預(yù)測(cè)集RMSEP)，其中均方根誤差越低表示模型預(yù)測(cè)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(hào)

415份殺青茶樣的原始近紅外光譜信號(hào)如圖2所示。所有的光譜曲線呈現(xiàn)出相似的趨勢(shì)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(hào)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(hào)，建立了殺青葉含水率的PLS預(yù)測(cè)模型，結(jié)果如表1所示。對(duì)于校正集，原始光譜信號(hào)和不同光譜預(yù)處理信號(hào)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(cè)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(zhǎng)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(zhǎng)，以此降低數(shù)據(jù)維度和簡(jiǎn)化建模過(guò)程。篩選結(jié)果分別如圖3所示。經(jīng)過(guò)100次迭代，優(yōu)選出頻次超過(guò)9的63個(gè)特征光譜變量。表2分別列出了63條特征波長(zhǎng)，與801條全波長(zhǎng)相比，超過(guò)92%的無(wú)關(guān)變量被剔除。CARS共篩選出48條特征波長(zhǎng)，剔除了超過(guò)94%的無(wú)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(jiǎn)化了建模過(guò)程。

4、基于特征波長(zhǎng)的PLS模型性能

分別基于篩選得到的特征光譜波長(zhǎng)，建立了簡(jiǎn)化的SNV-GA-PLS和SNV-CARS-PLS模型，結(jié)果如表3和圖4所示。對(duì)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(shuō)明無(wú)關(guān)變量的剔除顯著提高了建模性能。對(duì)于預(yù)測(cè)集，簡(jiǎn)化后的SNV-GA-PLS和SNV-CARS-PLS模型與簡(jiǎn)化前的SNV-PLS模型性能相當(dāng)。綜合來(lái)看，SNV-CARS-PLS模型對(duì)殺青葉含水率的預(yù)測(cè)性能最優(yōu)，預(yù)測(cè)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(cè)。

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(cè)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(dòng)的各級(jí)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(guò)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(duì)未知樣品進(jìn)行分析檢測(cè)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(kāi)發(fā)了基于在線近紅外光譜的含水率檢測(cè)模型，對(duì)預(yù)測(cè)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(cè)。同時(shí)，整個(gè)分析過(guò)程快速、無(wú)損，適用于綠茶殺青工序的在線檢測(cè)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(lái)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(chǎng)景環(huán)境對(duì)信號(hào)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(hào)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(duì)光譜信號(hào)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(duì)樣本狀態(tài)的適應(yīng)性。目前綠茶加工遍布我國(guó)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?lèi)茶樣所建的專(zhuān)用模型往往僅適用于單類(lèi)樣本，而對(duì)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(kù)，通過(guò)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(cè)和自動(dòng)控制系統(tǒng)。將普適性強(qiáng)的加工在線檢測(cè)系統(tǒng)與智能加工裝備集成，搭建自動(dòng)控制系統(tǒng)，從而實(shí)現(xiàn)加工過(guò)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(kāi)展綠茶加工水分快速檢測(cè)技術(shù)研究，期間參與“十四五”國(guó)家重點(diǎn)研發(fā)計(jì)劃子課題1項(xiàng)，發(fā)表論文2篇。