紅茶是國際茶葉貿易中流通量和消費量最大的茶產品，在國際茶葉貿易中占據主體地位。紅茶中水浸出物是衡量茶湯內含物質豐富程度的重要指標，對其含量的檢測是評價紅茶質量優(yōu)劣的重要依據之一。近年來，隨著紅茶加工機械化和自動化水平的提升，伴隨著產量增加的同時，存在質量良莠不齊的隱患。傳統(tǒng)的紅茶產品品質評價主要通過制茶師傅“看茶做茶”的方式進行把控，缺乏現代化的茶葉品質檢測手段，難以實現茶葉品質關鍵成分含量的快速、客觀檢測。目前，茶葉交易市場上紅茶產品質量較為混亂，存在以次充好的現象，這給茶葉公平交易和保障消費者權益帶來了不良影響。因此，亟需建立紅茶質量的快速檢測方法，以提升我國茶葉品質的數字化檢測手段，規(guī)范市場秩序。
紅茶品質分析方法主要是感官評審法和理化檢測法。感官評審通過視、嗅、味等感覺器官探知茶的色、香、味、形等質量特征，通過評茶人員的感官質量得分來進行評價。檢測結果易受評審小組成員的感官敏感程度、審美觀念、生理、心理、實踐經驗等因素的影響，主觀性相對較強。茶葉理化檢測法主要以國家、地方、行業(yè)等標準為參考，檢測其主要品質成分含量來評價茶葉品質，該法通常需要借助高效液相色譜、氣相色譜、分光光度計等儀器條件實現。一般來說，理化分析結果較為準確，但實驗過程較長，樣品一般需要前處理，且較為復雜，無法實現多樣本組分含量的快速檢測。因此，研究和開發(fā)一種既準確、穩(wěn)健，又快速、便捷，能適應加工、質檢等環(huán)節(jié)的紅茶質量檢測方法顯得尤為重要。
目前，利用近紅外光譜和高光譜等技術對茶葉主要品質成分進行無損快速檢測的研究報道較多。然而由于近紅外光譜和高光譜的儀器成本高，不利于實際的應用推廣，價格低廉的紫外可見光譜有望成為茶葉質量快速檢測技術開發(fā)與儀器推廣的突破口。但是利用紫外可見光譜技術快速檢測紅茶水浸出物含量仍鮮有文獻報道。文章利用紫外可見光譜技術對國內主要紅茶產區(qū)(安徽、福建、云南等省份)紅茶產品的水浸出物含量進行分析，建立紅茶水浸出物含量的定量預測模型，以期為茶葉品質智能檢測提供新途徑。
01
材料與方法
1、實驗材料
實驗所使用的材料為2022年秋季的紅茶樣品共計50個。其中，安徽紅茶樣品(祥源茶業(yè)股份有限公司)16個、云南紅茶樣品(云南雙江勐庫茶葉有限責任公司)16個、福建紅茶樣品(福建正山堂茶業(yè)有限責任公司)18個。所選用樣品為我國主要紅茶產區(qū)的茶產品，具有一定的代表性。用粉碎機將紅茶樣品粉碎，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，用于進一步的分析。
2、水浸出物含量的測定
紅茶樣本中水浸出物的含量測定參照GB/T 8305—2013《茶 水浸出物測定》方法執(zhí)行。每個樣本的水浸出物含量檢測均重復三次實驗，取三次實驗結果的平均值作為分析值，供后續(xù)建模使用。
3、樣品紫外可見光譜采集
取1 g茶樣加150 mL的沸蒸餾水，在標準審評杯中沖泡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型紫外可見光譜儀采集待測溶液在200~900 nm內的紫外可見光譜信息，并將譜圖信息轉化為波長點，用于后續(xù)的模型建立。
4、回歸系數法
回歸系數(Regression coefficient， RC)法是常見的光譜特征波長選擇方法之一，該法探討了變量間的相互關系。由一組或多組因變量，求出回歸函數，并擬合各變量間的統(tǒng)計關聯度。該函數能近似地反映自變量和因數的關系，即為回歸函數。利用RC法對光譜特征進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模型，得到每個波長變量對應的RC值，并將其按照降序排列;
2)選擇樣本波長與RC關系的波譜圖上的拐點值(即波形的RC最大/最小值)作為特征波長子集進行PLS法交叉檢驗，計算得到所有子集所建交互驗證模型的交互驗證均方根誤差(Root mean square error of cross validation， RMSECV)，并逐一剔除變量子集中模型預測能力低的變量，最終優(yōu)化得到最佳波長。
5、PLS法
PLS算法在食品、農產品快速無損檢測領域得到較為廣泛的應用。該技術對原始譜圖進行主成分分析，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有用信息的丟失，并對重疊的光譜峰進行偏差校正，有助于消除光譜峰值的非線性，極大地提高了光譜數據診斷的準確性。研究采用PLS法建立紅茶水浸出物的定量分析模型。
6、模型評價
為評判所建紅茶水浸出物含量預測模型性能的優(yōu)劣，研究采用如下參數為模型評價指標：模型的相關系數(Correlation coefficient， R)、RMSECV、預測集中的預測均方根誤差(Root mean squared error of prediction， RMSEP)以及偏差(Bias)。其中，R的大小反映了預測值與實測值間的密切程度。RMSECV值和RMSEP值反映了預測值與實測值間的偏離程度。一般來說，R越大，RMSECV和RMSEP越小，模型的性能越好。模型評價指標的計算公式如下：
研究中，RC波長選擇算法和PLS建模算法均通過MATLAB 2019b軟件實現。
02
結果與分析
1、樣品集的劃分
實驗將所有50份樣品劃分成兩個樣品集，即校正樣品集和預測樣品集。校正集與預測集樣品劃分方法如下：按照2∶1的比例，將紅茶樣品隨機順次劃分到校正樣本集與預測樣本集中。得到33份樣品作為校正集，用于建立定量模型，余下的17份樣品作為預測集，用來驗證模型的穩(wěn)健性。所有50份紅茶樣品經光譜采集后，按國家標準方法測得其水浸出物含量，得到校正集和預測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Ｕ瘶悠返乃鑫锖糠秶w了預測集樣品相應含量的變化范圍，樣品集的劃分是合理的。
2、光譜分析
50個紅茶樣品紫外可見原始光譜如圖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，存在較強的吸收。在波長280 nm和波長300 nm附近有明顯的吸收峰，在400~900 nm區(qū)間光譜走勢開始趨于平緩。但由于光譜的區(qū)間范圍較大，涵蓋701個波長，其中的某些波長可能與樣品水浸出物的定量模型開發(fā)無關。因此，在建立模型前，有必要優(yōu)選特征波長，以簡化模型，提高預測模型的精準度。
3、特征光譜的選擇
采用回歸系數法對樣本紫外可見原始光譜進行特征波長篩選，其篩選結果如圖2所示。結果顯示，采用回歸系數算法對紅茶紫外可見原始光譜數據進行特征波段的優(yōu)化，最終優(yōu)選出以下九個特征波長，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光譜最優(yōu)特征波長，用于后續(xù)的PLS定量模型構建。
4、PLS模型的建立
(1)主成分因子的確定
通常來說，主成分因子數(Principal Component， PC)的選擇對模型性能的優(yōu)劣有重要影響。優(yōu)選的PC太少，可能會導致提取的光譜信息太少，弱化模型的可靠性。采納的PC太多，可能使模型引入無用的信息，造成過擬合，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與相應的RMSECV值的關系圖。從圖3a可以看出，RMSECV值隨PC的增加而逐漸減小，當PC為6時，RMSECV處于最低值，此時的PC為最佳的優(yōu)化結果。圖3b是采用RC法對特征波長進行篩選后PC與相應RMSECV的關系圖?？梢钥闯?，當PC=6時，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范圍對原始光譜進行分段優(yōu)化分析建模，建立的水浸出物含量的紫外可見光譜定量分析模型，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，基于原始光譜的預測集中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致模型預測結果準確度不夠高。
在RC法對特征波段進行優(yōu)化后，校正集中PLS模型的R為0.9629，RMSECV為1.9886，預測集中PLS模型的R為0.9668，RMSEP為0.9278?？梢?，經過特征波長篩選后紅茶水浸出物的校正集和預測集定量模型的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定值與國家標準方法實測值之間的差異性結果。表1結果顯示，基于RC法優(yōu)化特征波長建立的PLS預測模型的Bias值僅為0.5075。可見，模型預測值與傳統(tǒng)法測定值間的差異較小。這表明，優(yōu)化后模型的預測效果較好，在簡化模型復雜性的同時，有效地提高了其預測準確度。
(3)模型驗證
為了評估RC-PLS模型的實際預測效果，利用外部驗證的方式對17個預測集樣品中的水浸出物含量進行預測與驗證，預測統(tǒng)計結果見表2和圖4。水浸出物含量預測模型的R大于0.96，表明測量值與預測值間的相關性好。RMSEP值低于1%，表明模型預測能力良好，可用于流通中樣品的質量控制。利用配對雙邊t-檢驗法對預測數據進行顯著性差異分析(表2)結果顯示，水浸出物含量的p值大于0.05。顯著性水平大于0.05時，紫外可見光譜法與理化檢測法無顯著性差異。表明兩種方法間不存在系統(tǒng)誤差?？梢娮贤饪梢姽庾V法快速檢測紅茶水浸出物含量是可行的。
03
討論
研究構建了基于紫外可見光譜結合RC特征波長選擇和PLS算法的紅茶水浸出物含量的快速檢測模型。通過RC法優(yōu)選出同紅茶樣品水浸出物含量相關的特征波長，最終得到9個特征波段(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)。在預測集中的RC-PLS模型R為0.9668，RMSEP為0.9278。研究結果表明，利用紫外可見光譜并結合化學計量學方法能夠實現紅茶水浸出物含量的快速檢測，為紅茶質量的數字化評價提供了一種新思路。
雖然，紫外可見光譜法對食品、農產品質量成分快速檢測是可行的，但該法仍存在一定的局限性。在本研究中，使用的紫外可見光譜儀僅能對液態(tài)樣品的譜圖信息進行采集，且對樣品的濃度有一定要求。一般來說，低濃度的樣本溶液更適合使用該法進行檢測。此外，相比固態(tài)樣本，液態(tài)樣本的光譜采集質量會受到溶劑的干擾，對測定的準確度和靈敏度有一定的影響。因此，從實驗結果的精確性看，針對粉末樣本的光譜采集得到的信息準確性和全面性更好。針對液態(tài)樣本而言，紫外可見光譜儀操作簡便、價格低廉，適用于中小企業(yè)技術人員對產品的品控和檢驗。
當前，快速檢測技術在茶葉種植、生產和流通環(huán)節(jié)的實際應用仍處于初期階段，尚有不少可挖掘的研究問題，現對該技術未來的發(fā)展趨勢做如下概述：
(1)以市場需求為導向，研發(fā)可用于茶葉品質分析的通用型的模型數據庫，提升數據庫的利用效率和適用范圍，避免同一指標或應用點的多個模型低水平重復開發(fā)。
(2)市場上流通的快速檢測設備普遍售價較高，普通用戶難以承受，大規(guī)模推廣依舊困難。對于茶葉領域而言，無需追求大而全的儀器，轉而發(fā)展小而精的微型儀器，最大限度地降低儀器體積及生產成本，提升國產設備的競爭力。
(3)以云平臺為核心的實時精準計算控制平臺，能夠實現數據實時反饋至多臺設備共享中心。在未來，構建物聯網大數據的云端平臺將是快速檢測技術在茶葉質量控制應用領域發(fā)展的必然趨勢。
作者簡介：
吳瑞
淮南師范學院食品質量與安全專業(yè)在讀本科生，從事食品質量安全快速檢測技術研究。參與省部級以上科研項目2項，以第一作者發(fā)表科研論文2篇。
通訊作者：
任廣鑫
淮南師范學院食品工程系講師，博士，從事食品質量安全快速無損檢測技術與裝備開發(fā)方面的研究。近年來主持和參與省部級以上科研項目8項，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;主持質量工程項目1項。
來源：中國茶葉加工
如涉及版權問題請聯系刪除
暫無評論