茶葉數(shù)字化加工研究現(xiàn)狀

一、鮮葉品質(zhì)質(zhì)量檢測(cè)與分級(jí)

在茶葉加工過(guò)程中，對(duì)鮮葉質(zhì)量等級(jí)的判定是確定加工過(guò)程技術(shù)參數(shù)的前提。利用近紅外光譜技術(shù)，以含水率、粗纖維總量和全氮量作為鮮葉質(zhì)量的判斷依據(jù)，建立了茶鮮葉原料質(zhì)量的在線評(píng)價(jià)模型，為評(píng)價(jià)茶鮮葉原料的質(zhì)量提供了準(zhǔn)確、快捷的新方法。

研究人員利用茶鮮葉圖像的面積、周長(zhǎng)、長(zhǎng)軸長(zhǎng)度、短軸長(zhǎng)度等幾何特征，以及圖像的對(duì)比度、平滑度等紋理特征進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建，可將茶鮮葉按嫩度等級(jí)進(jìn)行準(zhǔn)確分類。通過(guò)設(shè)計(jì)一套茶鮮葉智能分選系統(tǒng)，搭建基于7層結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)判別模型，可實(shí)現(xiàn)茶鮮葉的智能識(shí)別和等級(jí)分選。

鮮茶葉智能分選系統(tǒng)結(jié)構(gòu)示意圖

二、攤放程度分析與檢測(cè)

攤放是茶葉加工的重要工序，進(jìn)行攤放過(guò)程中攤青葉含水率實(shí)時(shí)、準(zhǔn)確和無(wú)損檢測(cè)，實(shí)現(xiàn)攤青葉含水率的在線精準(zhǔn)控制，對(duì)于茶葉攤放工序的數(shù)字化、智能化生產(chǎn)具有重要意義。利用近紅外光譜技術(shù)提出預(yù)測(cè)綠茶攤青葉含水率的方法，通過(guò)將鮮葉樣品近紅外光譜全部轉(zhuǎn)化為成對(duì)的數(shù)據(jù)點(diǎn)，利用聯(lián)合區(qū)間偏最小二乘法建立含水率預(yù)測(cè)模型，可以實(shí)現(xiàn)綠茶攤青葉含水率的快速預(yù)測(cè)。利用近紅外光譜技術(shù)通過(guò)VCPA-GA提取特征波長(zhǎng)建立PLSR和支持向量回歸預(yù)測(cè)模型，可以準(zhǔn)確無(wú)損地預(yù)測(cè)綠茶攤青葉的含水率，解決了攤青葉含水率定量預(yù)測(cè)，對(duì)綠茶加工設(shè)備的數(shù)字化具有重要的指導(dǎo)意義。

三、萎凋程度檢測(cè)與判別

在實(shí)際生產(chǎn)中，準(zhǔn)確評(píng)估萎凋程度是提高紅茶品質(zhì)的前提。將圖像和光譜信息融合后分別與線性判別分析法和PLS結(jié)合的技術(shù)，以光譜和紋理特征值融合數(shù)據(jù)建立紅茶萎凋程度的線性判別模型和兒茶素與氨基酸比值的PLS預(yù)測(cè)模型，使得萎凋程度判別準(zhǔn)確率達(dá)到94.64%，此方法可實(shí)現(xiàn)對(duì)紅茶萎凋程度數(shù)字化判別。

此外，研究者依靠微型近紅外光譜與智能手機(jī)相結(jié)合，開發(fā)了基于Elman神經(jīng)網(wǎng)絡(luò)（ENN）的萎凋葉含水率預(yù)測(cè)模型。該方法通過(guò)ENN結(jié)合了主成分分析，既可以提取光譜特征，又可以進(jìn)行動(dòng)態(tài)信息處理，提高了模型的抗干擾能力和訓(xùn)練效率，為預(yù)測(cè)萎凋葉含水率提供了一種便攜、準(zhǔn)確、快速、無(wú)損的方法。

(a)微型近紅外光譜儀；(b)智能手機(jī)上的光譜采集接口

四、殺青程度判別與控制

通過(guò)對(duì)殺青葉含水率的準(zhǔn)確判斷，可有效檢測(cè)生產(chǎn)中綠茶的殺青程度。利用可見(jiàn)-近紅外光譜和高光譜成像技術(shù)，通過(guò)對(duì)龍井43殺青葉高光譜信息的預(yù)處理和特征提取，分別建立含水率的光譜和成像檢測(cè)模型，從而為實(shí)現(xiàn)綠茶殺青葉含水率數(shù)字化在線檢測(cè)提供技術(shù)支撐。利用機(jī)器視覺(jué)對(duì)微波殺青過(guò)程中在制品的色澤和紋理特征實(shí)時(shí)監(jiān)測(cè)，通過(guò)建立ELM、遺傳神經(jīng)網(wǎng)絡(luò)、CNN模型可對(duì)殺青葉含水率、茶多酚和氨基酸含量進(jìn)行在線檢測(cè)，該方法在快速檢測(cè)茶葉殺青品質(zhì)和茶葉數(shù)字化殺青作業(yè)中具有很好的應(yīng)用前景。

基于機(jī)器視覺(jué)的茶葉微波殺青中品質(zhì)變化與預(yù)測(cè)研究

五、揉捻程度檢測(cè)與判別

近年來(lái)揉捻研究主要集中在揉捻數(shù)字化和基礎(chǔ)研究等方面，主要包括對(duì)揉捻過(guò)程中在制品基本物理特性、外觀紋理、力學(xué)特性、電學(xué)特性、光學(xué)特性、顯微結(jié)構(gòu)及主要化學(xué)成分的變化進(jìn)行了相關(guān)研究，經(jīng)相關(guān)分析初步建立了揉捻程度的評(píng)價(jià)方法及揉捻機(jī)數(shù)字化控制策略。

六、發(fā)酵和渥堆的品質(zhì)質(zhì)量檢測(cè)與程度判別

1.發(fā)酵質(zhì)量檢測(cè)和程度判別

（1）視覺(jué)角度解析發(fā)酵品質(zhì)的方法研究。通過(guò)機(jī)器視覺(jué)技術(shù)分析了紅茶發(fā)酵過(guò)程圖片信息的RGB、Lab和HSV顏色空間變化規(guī)律，以顏色特征參數(shù)作為發(fā)酵程度模型的輸入來(lái)建立茶色素的非線性定量預(yù)測(cè)模型，計(jì)算機(jī)圖像的顏色特征和隨機(jī)森林模型、SVM非線性算法可對(duì)紅茶發(fā)酵過(guò)程中品質(zhì)指標(biāo)進(jìn)行數(shù)字化評(píng)價(jià)。

（2）光學(xué)光譜檢測(cè)理化成分方法研究。該領(lǐng)取近年來(lái)主要建立了主要內(nèi)質(zhì)成分（茶褐素、茶紅素、兒茶素、咖啡堿和可溶性糖）定量預(yù)測(cè)模型，將紅茶不同時(shí)期的關(guān)鍵品質(zhì)指標(biāo)分布可視化，實(shí)時(shí)檢測(cè)紅茶發(fā)酵過(guò)程中關(guān)鍵內(nèi)質(zhì)成分的變化狀態(tài)和分布，為發(fā)酵信息的可視化和數(shù)字化展現(xiàn)提供技術(shù)支撐。

（3）電特性技術(shù)在發(fā)酵品質(zhì)檢測(cè)中的應(yīng)用。以工夫紅茶發(fā)酵在制品為研究對(duì)象，利用電特性檢測(cè)技術(shù)與化學(xué)計(jì)量學(xué)方法相結(jié)合，構(gòu)建發(fā)酵葉茶多酚含量的預(yù)測(cè)模型，探討了發(fā)酵葉電參數(shù)（并聯(lián)等效電容、損耗因子和電抗）的變化規(guī)律，試驗(yàn)表明電特性檢測(cè)技術(shù)可用于紅茶發(fā)酵過(guò)程中茶多酚含量的數(shù)字化預(yù)測(cè)。

電特性信息采集與分析方法流程

（4）多元信息融合技術(shù)在發(fā)酵品質(zhì)檢測(cè)中的應(yīng)用。提出了基于低成本微近紅外光譜和實(shí)驗(yàn)室制造的計(jì)算機(jī)視覺(jué)系統(tǒng)進(jìn)行紅茶發(fā)酵質(zhì)量的在線快速檢測(cè)，建立了PAC-SVM的兒茶素和茶黃素定量預(yù)測(cè)模型，利用顏色、光譜和數(shù)據(jù)融合信息對(duì)紅茶發(fā)酵程度進(jìn)行數(shù)字化表征。

2.渥堆質(zhì)量檢測(cè)和程度判別

利用近紅外光譜儀得到了不同渥堆程度的渥堆原料樣品的空間分布圖，不同渥堆程度青磚茶渥堆原料樣品在空間中沒(méi)有出現(xiàn)交叉分布的情況，從而實(shí)現(xiàn)了渥堆程度的數(shù)字化預(yù)測(cè)。

七、干燥程度檢測(cè)與判別

將熱風(fēng)干燥過(guò)程中的烘干溫度、滾筒轉(zhuǎn)速、烘干初始水分、預(yù)測(cè)時(shí)間作為輸入，含水率作為輸出，分別利用多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)以及粒子群優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)算法建立烘干過(guò)程茶葉含水率預(yù)測(cè)模型，該方法的優(yōu)異預(yù)測(cè)效果對(duì)茶葉干燥的數(shù)字化作業(yè)具有指導(dǎo)作用。

本文節(jié)選自《中國(guó)茶葉》2022年第8期，P1-8，《茶葉數(shù)字化加工技術(shù)研究進(jìn)展》，作者：沈帥，袁海波，朱宏凱，江用文。圖片來(lái)源于網(wǎng)絡(luò)。

信息貴在分享，如涉及版權(quán)問(wèn)題請(qǐng)聯(lián)系刪除