紅茶是國(guó)際茶葉貿(mào)易中流通量和消費(fèi)量最大的茶產(chǎn)品，在國(guó)際茶葉貿(mào)易中占據(jù)主體地位。紅茶中水浸出物是衡量茶湯內(nèi)含物質(zhì)豐富程度的重要指標(biāo)，對(duì)其含量的檢測(cè)是評(píng)價(jià)紅茶質(zhì)量?jī)?yōu)劣的重要依據(jù)之一。近年來(lái)，隨著紅茶加工機(jī)械化和自動(dòng)化水平的提升，伴隨著產(chǎn)量增加的同時(shí)，存在質(zhì)量良莠不齊的隱患。傳統(tǒng)的紅茶產(chǎn)品品質(zhì)評(píng)價(jià)主要通過(guò)制茶師傅“看茶做茶”的方式進(jìn)行把控，缺乏現(xiàn)代化的茶葉品質(zhì)檢測(cè)手段，難以實(shí)現(xiàn)茶葉品質(zhì)關(guān)鍵成分含量的快速、客觀檢測(cè)。目前，茶葉交易市場(chǎng)上紅茶產(chǎn)品質(zhì)量較為混亂，存在以次充好的現(xiàn)象，這給茶葉公平交易和保障消費(fèi)者權(quán)益帶來(lái)了不良影響。因此，亟需建立紅茶質(zhì)量的快速檢測(cè)方法，以提升我國(guó)茶葉品質(zhì)的數(shù)字化檢測(cè)手段，規(guī)范市場(chǎng)秩序。
紅茶品質(zhì)分析方法主要是感官評(píng)審法和理化檢測(cè)法。感官評(píng)審?fù)ㄟ^(guò)視、嗅、味等感覺(jué)器官探知茶的色、香、味、形等質(zhì)量特征，通過(guò)評(píng)茶人員的感官質(zhì)量得分來(lái)進(jìn)行評(píng)價(jià)。檢測(cè)結(jié)果易受評(píng)審小組成員的感官敏感程度、審美觀念、生理、心理、實(shí)踐經(jīng)驗(yàn)等因素的影響，主觀性相對(duì)較強(qiáng)。茶葉理化檢測(cè)法主要以國(guó)家、地方、行業(yè)等標(biāo)準(zhǔn)為參考，檢測(cè)其主要品質(zhì)成分含量來(lái)評(píng)價(jià)茶葉品質(zhì)，該法通常需要借助高效液相色譜、氣相色譜、分光光度計(jì)等儀器條件實(shí)現(xiàn)。一般來(lái)說(shuō)，理化分析結(jié)果較為準(zhǔn)確，但實(shí)驗(yàn)過(guò)程較長(zhǎng)，樣品一般需要前處理，且較為復(fù)雜，無(wú)法實(shí)現(xiàn)多樣本組分含量的快速檢測(cè)。因此，研究和開(kāi)發(fā)一種既準(zhǔn)確、穩(wěn)健，又快速、便捷，能適應(yīng)加工、質(zhì)檢等環(huán)節(jié)的紅茶質(zhì)量檢測(cè)方法顯得尤為重要。
目前，利用近紅外光譜和高光譜等技術(shù)對(duì)茶葉主要品質(zhì)成分進(jìn)行無(wú)損快速檢測(cè)的研究報(bào)道較多。然而由于近紅外光譜和高光譜的儀器成本高，不利于實(shí)際的應(yīng)用推廣，價(jià)格低廉的紫外可見(jiàn)光譜有望成為茶葉質(zhì)量快速檢測(cè)技術(shù)開(kāi)發(fā)與儀器推廣的突破口。但是利用紫外可見(jiàn)光譜技術(shù)快速檢測(cè)紅茶水浸出物含量仍鮮有文獻(xiàn)報(bào)道。文章利用紫外可見(jiàn)光譜技術(shù)對(duì)國(guó)內(nèi)主要紅茶產(chǎn)區(qū)(安徽、福建、云南等省份)紅茶產(chǎn)品的水浸出物含量進(jìn)行分析，建立紅茶水浸出物含量的定量預(yù)測(cè)模型，以期為茶葉品質(zhì)智能檢測(cè)提供新途徑。
01
材料與方法
1、實(shí)驗(yàn)材料
實(shí)驗(yàn)所使用的材料為2022年秋季的紅茶樣品共計(jì)50個(gè)。其中，安徽紅茶樣品(祥源茶業(yè)股份有限公司)16個(gè)、云南紅茶樣品(云南雙江勐庫(kù)茶葉有限責(zé)任公司)16個(gè)、福建紅茶樣品(福建正山堂茶業(yè)有限責(zé)任公司)18個(gè)。所選用樣品為我國(guó)主要紅茶產(chǎn)區(qū)的茶產(chǎn)品，具有一定的代表性。用粉碎機(jī)將紅茶樣品粉碎，使其粒徑大小、均勻度一致。并將所有樣品裝入自封袋中密封，放在干燥器內(nèi)，用于進(jìn)一步的分析。
2、水浸出物含量的測(cè)定
紅茶樣本中水浸出物的含量測(cè)定參照GB/T 8305—2013《茶 水浸出物測(cè)定》方法執(zhí)行。每個(gè)樣本的水浸出物含量檢測(cè)均重復(fù)三次實(shí)驗(yàn)，取三次實(shí)驗(yàn)結(jié)果的平均值作為分析值，供后續(xù)建模使用。
3、樣品紫外可見(jiàn)光譜采集
取1 g茶樣加150 mL的沸蒸餾水，在標(biāo)準(zhǔn)審評(píng)杯中沖泡5 min，再取其茶湯1 mL定容在25 mL容量瓶中，作為待測(cè)溶液，供后續(xù)光譜采集使用。利用日本島津UV-2700i型紫外可見(jiàn)光譜儀采集待測(cè)溶液在200~900 nm內(nèi)的紫外可見(jiàn)光譜信息，并將譜圖信息轉(zhuǎn)化為波長(zhǎng)點(diǎn)，用于后續(xù)的模型建立。
4、回歸系數(shù)法
回歸系數(shù)(Regression coefficient， RC)法是常見(jiàn)的光譜特征波長(zhǎng)選擇方法之一，該法探討了變量間的相互關(guān)系。由一組或多組因變量，求出回歸函數(shù)，并擬合各變量間的統(tǒng)計(jì)關(guān)聯(lián)度。該函數(shù)能近似地反映自變量和因數(shù)的關(guān)系，即為回歸函數(shù)。利用RC法對(duì)光譜特征進(jìn)行篩選的具體步驟如下：
1)利用偏最小二乘(Partial least square， PLS)法建立校正集樣本回歸函數(shù)模型，得到每個(gè)波長(zhǎng)變量對(duì)應(yīng)的RC值，并將其按照降序排列;
2)選擇樣本波長(zhǎng)與RC關(guān)系的波譜圖上的拐點(diǎn)值(即波形的RC最大/最小值)作為特征波長(zhǎng)子集進(jìn)行PLS法交叉檢驗(yàn)，計(jì)算得到所有子集所建交互驗(yàn)證模型的交互驗(yàn)證均方根誤差(Root mean square error of cross validation， RMSECV)，并逐一剔除變量子集中模型預(yù)測(cè)能力低的變量，最終優(yōu)化得到最佳波長(zhǎng)。
5、PLS法
PLS算法在食品、農(nóng)產(chǎn)品快速無(wú)損檢測(cè)領(lǐng)域得到較為廣泛的應(yīng)用。該技術(shù)對(duì)原始譜圖進(jìn)行主成分分析，描述自變量矩陣X和因變量矩陣Y的信息，有效避免主成分分析中相關(guān)有用信息的丟失，并對(duì)重疊的光譜峰進(jìn)行偏差校正，有助于消除光譜峰值的非線(xiàn)性，極大地提高了光譜數(shù)據(jù)診斷的準(zhǔn)確性。研究采用PLS法建立紅茶水浸出物的定量分析模型。
6、模型評(píng)價(jià)
為評(píng)判所建紅茶水浸出物含量預(yù)測(cè)模型性能的優(yōu)劣，研究采用如下參數(shù)為模型評(píng)價(jià)指標(biāo)：模型的相關(guān)系數(shù)(Correlation coefficient， R)、RMSECV、預(yù)測(cè)集中的預(yù)測(cè)均方根誤差(Root mean squared error of prediction， RMSEP)以及偏差(Bias)。其中，R的大小反映了預(yù)測(cè)值與實(shí)測(cè)值間的密切程度。RMSECV值和RMSEP值反映了預(yù)測(cè)值與實(shí)測(cè)值間的偏離程度。一般來(lái)說(shuō)，R越大，RMSECV和RMSEP越小，模型的性能越好。模型評(píng)價(jià)指標(biāo)的計(jì)算公式如下：
研究中，RC波長(zhǎng)選擇算法和PLS建模算法均通過(guò)MATLAB 2019b軟件實(shí)現(xiàn)。
02
結(jié)果與分析
1、樣品集的劃分
實(shí)驗(yàn)將所有50份樣品劃分成兩個(gè)樣品集，即校正樣品集和預(yù)測(cè)樣品集。校正集與預(yù)測(cè)集樣品劃分方法如下：按照2∶1的比例，將紅茶樣品隨機(jī)順次劃分到校正樣本集與預(yù)測(cè)樣本集中。得到33份樣品作為校正集，用于建立定量模型，余下的17份樣品作為預(yù)測(cè)集，用來(lái)驗(yàn)證模型的穩(wěn)健性。所有50份紅茶樣品經(jīng)光譜采集后，按國(guó)家標(biāo)準(zhǔn)方法測(cè)得其水浸出物含量，得到校正集和預(yù)測(cè)集樣本中水浸出物含量變幅分別為37.54%~42.78%和37.89%~42.23%?？芍?，校正集樣品的水浸出物含量范圍涵蓋了預(yù)測(cè)集樣品相應(yīng)含量的變化范圍，樣品集的劃分是合理的。
2、光譜分析
50個(gè)紅茶樣品紫外可見(jiàn)原始光譜如圖1所示。在200~400 nm區(qū)域的光譜信息較為豐富，為樣本光譜有效信息的集中區(qū)域，存在較強(qiáng)的吸收。在波長(zhǎng)280 nm和波長(zhǎng)300 nm附近有明顯的吸收峰，在400~900 nm區(qū)間光譜走勢(shì)開(kāi)始趨于平緩。但由于光譜的區(qū)間范圍較大，涵蓋701個(gè)波長(zhǎng)，其中的某些波長(zhǎng)可能與樣品水浸出物的定量模型開(kāi)發(fā)無(wú)關(guān)。因此，在建立模型前，有必要優(yōu)選特征波長(zhǎng)，以簡(jiǎn)化模型，提高預(yù)測(cè)模型的精準(zhǔn)度。
3、特征光譜的選擇
采用回歸系數(shù)法對(duì)樣本紫外可見(jiàn)原始光譜進(jìn)行特征波長(zhǎng)篩選，其篩選結(jié)果如圖2所示。結(jié)果顯示，采用回歸系數(shù)算法對(duì)紅茶紫外可見(jiàn)原始光譜數(shù)據(jù)進(jìn)行特征波段的優(yōu)化，最終優(yōu)選出以下九個(gè)特征波長(zhǎng)，即205 nm、208 nm、219 nm、262 nm、299 nm、351 nm、546 nm、851 nm和856 nm，作為紅茶樣品水浸出物含量的紫外可見(jiàn)光譜最優(yōu)特征波長(zhǎng)，用于后續(xù)的PLS定量模型構(gòu)建。
4、PLS模型的建立
(1)主成分因子的確定
通常來(lái)說(shuō)，主成分因子數(shù)(Principal Component， PC)的選擇對(duì)模型性能的優(yōu)劣有重要影響。優(yōu)選的PC太少，可能會(huì)導(dǎo)致提取的光譜信息太少，弱化模型的可靠性。采納的PC太多，可能使模型引入無(wú)用的信息，造成過(guò)擬合，從而降低模型的穩(wěn)定性。研究選擇最小的RMSECV值作為模型所需的最佳PC。圖3a為紅茶樣品中水浸出物模型采納的PC與相應(yīng)的RMSECV值的關(guān)系圖。從圖3a可以看出，RMSECV值隨PC的增加而逐漸減小，當(dāng)PC為6時(shí)，RMSECV處于最低值，此時(shí)的PC為最佳的優(yōu)化結(jié)果。圖3b是采用RC法對(duì)特征波長(zhǎng)進(jìn)行篩選后PC與相應(yīng)RMSECV的關(guān)系圖。可以看出，當(dāng)PC=6時(shí)，RMSECV值最低。
(2)模型建立
采用The Unscramber X 10.4軟件中的PLS算法在200~900 nm范圍對(duì)原始光譜進(jìn)行分段優(yōu)化分析建模，建立的水浸出物含量的紫外可見(jiàn)光譜定量分析模型，其性能如表1所示?；谠脊庾V的校正集PLS模型的R為0.9351，RMSECV為2.500，基于原始光譜的預(yù)測(cè)集中PLS模型的R為0.9371，RMSEP為1.3009。模型性能一般，可能是由于樣品量較少導(dǎo)致模型預(yù)測(cè)結(jié)果準(zhǔn)確度不夠高。
在RC法對(duì)特征波段進(jìn)行優(yōu)化后，校正集中PLS模型的R為0.9629，RMSECV為1.9886，預(yù)測(cè)集中PLS模型的R為0.9668，RMSEP為0.9278?？梢?jiàn)，經(jīng)過(guò)特征波長(zhǎng)篩選后紅茶水浸出物的校正集和預(yù)測(cè)集定量模型的R均有所增大，RMSECV、RMSEP均有所降低。此外，偏差(bias)可以用于衡量回歸模型輸出的測(cè)定值與國(guó)家標(biāo)準(zhǔn)方法實(shí)測(cè)值之間的差異性結(jié)果。表1結(jié)果顯示，基于RC法優(yōu)化特征波長(zhǎng)建立的PLS預(yù)測(cè)模型的Bias值僅為0.5075。可見(jiàn)，模型預(yù)測(cè)值與傳統(tǒng)法測(cè)定值間的差異較小。這表明，優(yōu)化后模型的預(yù)測(cè)效果較好，在簡(jiǎn)化模型復(fù)雜性的同時(shí)，有效地提高了其預(yù)測(cè)準(zhǔn)確度。
(3)模型驗(yàn)證
為了評(píng)估RC-PLS模型的實(shí)際預(yù)測(cè)效果，利用外部驗(yàn)證的方式對(duì)17個(gè)預(yù)測(cè)集樣品中的水浸出物含量進(jìn)行預(yù)測(cè)與驗(yàn)證，預(yù)測(cè)統(tǒng)計(jì)結(jié)果見(jiàn)表2和圖4。水浸出物含量預(yù)測(cè)模型的R大于0.96，表明測(cè)量值與預(yù)測(cè)值間的相關(guān)性好。RMSEP值低于1%，表明模型預(yù)測(cè)能力良好，可用于流通中樣品的質(zhì)量控制。利用配對(duì)雙邊t-檢驗(yàn)法對(duì)預(yù)測(cè)數(shù)據(jù)進(jìn)行顯著性差異分析(表2)結(jié)果顯示，水浸出物含量的p值大于0.05。顯著性水平大于0.05時(shí)，紫外可見(jiàn)光譜法與理化檢測(cè)法無(wú)顯著性差異。表明兩種方法間不存在系統(tǒng)誤差?？梢?jiàn)紫外可見(jiàn)光譜法快速檢測(cè)紅茶水浸出物含量是可行的。
03
討論
研究構(gòu)建了基于紫外可見(jiàn)光譜結(jié)合RC特征波長(zhǎng)選擇和PLS算法的紅茶水浸出物含量的快速檢測(cè)模型。通過(guò)RC法優(yōu)選出同紅茶樣品水浸出物含量相關(guān)的特征波長(zhǎng)，最終得到9個(gè)特征波段(205 nm、208 nm、219 nm、262 nm、299 nm、351 nm、546 nm、851 nm和856 nm)。建立的RC-PLS模型同基于原始光譜所建的PLS模型相比，其性能更優(yōu)。在預(yù)測(cè)集中的RC-PLS模型R為0.9668，RMSEP為0.9278。研究結(jié)果表明，利用紫外可見(jiàn)光譜并結(jié)合化學(xué)計(jì)量學(xué)方法能夠?qū)崿F(xiàn)紅茶水浸出物含量的快速檢測(cè)，為紅茶質(zhì)量的數(shù)字化評(píng)價(jià)提供了一種新思路。
雖然，紫外可見(jiàn)光譜法對(duì)食品、農(nóng)產(chǎn)品質(zhì)量成分快速檢測(cè)是可行的，但該法仍存在一定的局限性。在本研究中，使用的紫外可見(jiàn)光譜儀僅能對(duì)液態(tài)樣品的譜圖信息進(jìn)行采集，且對(duì)樣品的濃度有一定要求。一般來(lái)說(shuō)，低濃度的樣本溶液更適合使用該法進(jìn)行檢測(cè)。此外，相比固態(tài)樣本，液態(tài)樣本的光譜采集質(zhì)量會(huì)受到溶劑的干擾，對(duì)測(cè)定的準(zhǔn)確度和靈敏度有一定的影響。因此，從實(shí)驗(yàn)結(jié)果的精確性看，針對(duì)粉末樣本的光譜采集得到的信息準(zhǔn)確性和全面性更好。針對(duì)液態(tài)樣本而言，紫外可見(jiàn)光譜儀操作簡(jiǎn)便、價(jià)格低廉，適用于中小企業(yè)技術(shù)人員對(duì)產(chǎn)品的品控和檢驗(yàn)。
當(dāng)前，快速檢測(cè)技術(shù)在茶葉種植、生產(chǎn)和流通環(huán)節(jié)的實(shí)際應(yīng)用仍處于初期階段，尚有不少可挖掘的研究問(wèn)題，現(xiàn)對(duì)該技術(shù)未來(lái)的發(fā)展趨勢(shì)做如下概述：
(1)以市場(chǎng)需求為導(dǎo)向，研發(fā)可用于茶葉品質(zhì)分析的通用型的模型數(shù)據(jù)庫(kù)，提升數(shù)據(jù)庫(kù)的利用效率和適用范圍，避免同一指標(biāo)或應(yīng)用點(diǎn)的多個(gè)模型低水平重復(fù)開(kāi)發(fā)。
(2)市場(chǎng)上流通的快速檢測(cè)設(shè)備普遍售價(jià)較高，普通用戶(hù)難以承受，大規(guī)模推廣依舊困難。對(duì)于茶葉領(lǐng)域而言，無(wú)需追求大而全的儀器，轉(zhuǎn)而發(fā)展小而精的微型儀器，最大限度地降低儀器體積及生產(chǎn)成本，提升國(guó)產(chǎn)設(shè)備的競(jìng)爭(zhēng)力。
(3)以云平臺(tái)為核心的實(shí)時(shí)精準(zhǔn)計(jì)算控制平臺(tái)，能夠?qū)崿F(xiàn)數(shù)據(jù)實(shí)時(shí)反饋至多臺(tái)設(shè)備共享中心。在未來(lái)，構(gòu)建物聯(lián)網(wǎng)大數(shù)據(jù)的云端平臺(tái)將是快速檢測(cè)技術(shù)在茶葉質(zhì)量控制應(yīng)用領(lǐng)域發(fā)展的必然趨勢(shì)。
作者簡(jiǎn)介：
吳瑞
淮南師范學(xué)院食品質(zhì)量與安全專(zhuān)業(yè)在讀本科生，從事食品質(zhì)量安全快速檢測(cè)技術(shù)研究。參與省部級(jí)以上科研項(xiàng)目2項(xiàng)，以第一作者發(fā)表科研論文2篇。
通訊作者：
任廣鑫
淮南師范學(xué)院食品工程系講師，博士，從事食品質(zhì)量安全快速無(wú)損檢測(cè)技術(shù)與裝備開(kāi)發(fā)方面的研究。近年來(lái)主持和參與省部級(jí)以上科研項(xiàng)目8項(xiàng)，以第一作者和通訊作者發(fā)表科研論文25篇，其中SCI收錄17篇;主持質(zhì)量工程項(xiàng)目1項(xiàng)。
來(lái)源：中國(guó)茶葉加工
如涉及版權(quán)問(wèn)題請(qǐng)聯(lián)系刪除
