工夫紅茶類別

找到約97條結(jié)果（用時(shí) 0.005 秒）

基于高光譜成像和外觀特征的祁門工夫紅茶質(zhì)量數(shù)字化評(píng)判

紅茶是世界上最受歡迎的無酒精飲料之一，由茶樹的幼嫩枝葉加工而成。近年來，隨著紅茶的藥用價(jià)值和保健作用得到實(shí)驗(yàn)的進(jìn)一步證實(shí)，全球紅茶消費(fèi)量持續(xù)增長。工夫紅茶作為紅茶的主要品類之一，是中國特有的一種茶品。其緊細(xì)的外形和醇厚的口感深受消費(fèi)者的喜愛。一般來說，茶葉的品質(zhì)與特定的感官特征如顏色、香氣、滋味、紋理和形態(tài)特征高度相關(guān)。茶葉按品質(zhì)的差異可以劃分為不同等級(jí)，這取決于其生長條件、收獲季節(jié)和加工工藝。在茶產(chǎn)品的實(shí)際流通銷售中，大多數(shù)消費(fèi)者無法準(zhǔn)確評(píng)估茶葉的質(zhì)量，這為不法商家提供了銷售假貨或以次充好的可能，給消費(fèi)者帶來了經(jīng)濟(jì)損失，也造成了消費(fèi)者與商家之間的不信任。因此，茶葉質(zhì)量的穩(wěn)定性和規(guī)范化一直受到消費(fèi)者的關(guān)注。

幾十年來，茶葉質(zhì)量評(píng)價(jià)主要采用兩種傳統(tǒng)方法，即感官品質(zhì)分析法和濕化學(xué)法。感官質(zhì)量分析是依靠訓(xùn)練有素的評(píng)茶員的經(jīng)驗(yàn)來實(shí)現(xiàn)的，缺乏客觀的量化。濕化學(xué)分析通過使用精密的儀器，準(zhǔn)確測定茶葉中各種化學(xué)成分的含量。然而，化學(xué)分析具有設(shè)備昂貴、樣品制備復(fù)雜、使用大量化學(xué)試劑、成本較高、耗時(shí)較長的局限性，開發(fā)快速、穩(wěn)定、準(zhǔn)確的茶葉品質(zhì)評(píng)價(jià)技術(shù)勢在必行。

目前，基于單一外形色澤、紋理等特征無創(chuàng)判別茶葉質(zhì)量的評(píng)價(jià)方法被大量報(bào)道。將茶葉色澤和紋理特征進(jìn)行特征數(shù)據(jù)融合，全面衡量祁門工夫紅茶品質(zhì)的方法至今少有文獻(xiàn)報(bào)道。因此，有必要建立一套基于紋理和色澤等融合特征的茶葉品質(zhì)快速評(píng)價(jià)體系與智能感知的新方法。

綜上，探索一種流通過程中工夫紅茶外觀品質(zhì)的快速判別方法，對(duì)實(shí)現(xiàn)品質(zhì)等級(jí)與外觀質(zhì)量的實(shí)時(shí)控制至關(guān)重要。祁門紅茶的紋理與色澤特征是形成其外在品質(zhì)的主要指標(biāo)，也是重要的感官品質(zhì)描述語，直接影響其在貿(mào)易中的銷售價(jià)值。而高光譜成像(Hyperspectral imaging， HSI)技術(shù)正適用于不同等級(jí)祁門工夫紅茶外觀品質(zhì)指標(biāo)與融合數(shù)據(jù)特征的快速無創(chuàng)檢測。

材料與方法

1、實(shí)驗(yàn)材料

研究以祥源茶業(yè)股份有限公司提供的祁門櫧葉種祁門工夫紅茶的七個(gè)等級(jí)茶產(chǎn)品標(biāo)準(zhǔn)樣(特級(jí)、一級(jí)、二級(jí)、三級(jí)、四級(jí)、五級(jí)和六級(jí))為研究對(duì)象，七個(gè)等級(jí)工夫型紅茶樣品的主要品質(zhì)成分含量和感官審評(píng)結(jié)果分別通過標(biāo)準(zhǔn)方法化驗(yàn)和專業(yè)評(píng)茶員把關(guān)。紅茶樣品數(shù)共計(jì)700份，每個(gè)等級(jí)茶樣數(shù)分別為100份。樣品的七個(gè)不同等級(jí)(特級(jí)、一級(jí)、二級(jí)、三級(jí)、四級(jí)、五級(jí)和六級(jí))分別以T、C1、C2、C3、C4、C5和C6表示。樣品的水分含量控制在7%左右。分析前，將樣品存放在真空壓縮的鋁箔袋中，并在恒溫干燥器中保存待用。

2、高光譜成像信息采集與處理

采集HSI數(shù)據(jù)時(shí)，每個(gè)樣品稱取15±0.5 g均勻鋪于培養(yǎng)皿(φ×h：9 cm×1 cm)中。為了獲得清晰的圖像，分別設(shè)置輸送帶速度、CCD相機(jī)曝光時(shí)間和鏡頭與樣品垂直距離三個(gè)調(diào)試參數(shù)為0.98 mm/s、30.01 ms和23.5 cm。將茶葉樣品放置在移動(dòng)平臺(tái)上，通過行掃描的方式進(jìn)行圖像采集。為了去除相機(jī)內(nèi)的噪聲和暗電流等因素的干擾，在進(jìn)行HSI數(shù)據(jù)分析前，需對(duì)原始圖像進(jìn)行黑白校正，校正公式如下：

其中Ic是校正后的圖像，Iraw是原始圖像，Idark是通過完全覆蓋攝像頭鏡頭獲得的暗參考圖像(幾乎為0%的反射率)，Iwhite是通過反射一個(gè)標(biāo)準(zhǔn)的特氟龍白瓷磚獲得的白色參考圖像(>99.9%的反射率)。

為降低HSI數(shù)據(jù)的空間維度，優(yōu)化茶樣原始圖像，實(shí)現(xiàn)冗余數(shù)據(jù)的消除和數(shù)據(jù)運(yùn)行速度的提升，主成分分析(Principal component analysis， PCA)被引入，用于數(shù)據(jù)降維和特征信息提取。該法將數(shù)據(jù)以線性變化的方式通過求解最大協(xié)方差，由高維度向低維度投影，獲得與原始變量線性組合的新變量。由于新變量間相互獨(dú)立，可消除相鄰波長間存在的數(shù)據(jù)冗余。高光譜特征波長圖像的確定是由前二至三個(gè)主成分(Principal component， PC)圖像的方差貢獻(xiàn)率決定，通過選取PCA變量線性組合的最大權(quán)重系數(shù)，進(jìn)而在PC圖像中優(yōu)選出相應(yīng)波長對(duì)應(yīng)的圖像。HSI數(shù)據(jù)的校正和PCA均由ENVI 4.7軟件實(shí)現(xiàn)。

3、紋理和色澤特征提取

茶葉的紋理特征和色澤特征能夠直接反映其外觀品質(zhì)。研究采用ENVI 4.7軟件的PCA模塊提取圖像紋理信息?？偟膩碚f，PCA的前幾個(gè)PCs對(duì)圖像總體信息做出了主要貢獻(xiàn)。首先，計(jì)算出前兩、三個(gè)PC的累積方差貢獻(xiàn)率，得到總變量貢獻(xiàn)率大于95%的PC對(duì)應(yīng)的載荷曲線。然后，將相應(yīng)PC載荷曲線的拐點(diǎn)(即波峰和波谷)作為特征波長，保存特征波長處的灰度圖像。最后，采用灰度統(tǒng)計(jì)矩陣(Grey-level gradient co-occurrence matrix， GLGCM)和灰度共生矩陣(Gray-level co-occurrence matrix， GLCM)兩種矩陣統(tǒng)計(jì)方法對(duì)茶葉圖像的紋理特征進(jìn)行提取和計(jì)算。GLCM法提取了指定圖像在特征波長下的六個(gè)不同的統(tǒng)計(jì)參數(shù)(即平均值、標(biāo)準(zhǔn)差、相關(guān)性、對(duì)比度、同質(zhì)性和能量)。GLGCM法基于灰度梯度的二階統(tǒng)計(jì)量，計(jì)算得到圖像的四個(gè)紋理統(tǒng)計(jì)值(熵、三階矩、一致性和平滑度)。將獲得的上述八個(gè)紋理參數(shù)和兩個(gè)統(tǒng)計(jì)參數(shù)(平均值和標(biāo)準(zhǔn)差)作為茶葉紋理特征變量，用于建立后續(xù)的紋理數(shù)據(jù)鑒別模型。上述紋理參數(shù)提取均通過MATLAB R2019b軟件實(shí)現(xiàn)。

采用MATLAB R2019b軟件選取樣品高光譜RGB圖像中200×200的像素區(qū)間為該圖像的感興趣區(qū)域(Region of interest， ROI)，通過RGB、CIE Lab和HSV間的顏色模型變換，分別提取該區(qū)域內(nèi)的紅色(R)、綠色(G)和藍(lán)色(B)通道均值，明度(L*)、紅綠度(a*)和黃藍(lán)度(b*)分量均值以及色調(diào)(H)、飽和度(S)和亮度(V)均值九個(gè)色澤評(píng)價(jià)參數(shù)作為樣品的外觀顏色特征值，用于后續(xù)的樣品質(zhì)量評(píng)價(jià)模型的構(gòu)建。利用HSI系統(tǒng)提取色澤特征示意圖如圖1所示。

2、多元分析方法

為使模型具備良好的泛化性能，采用Kennard-Stone(K-S)方法對(duì)樣本集特征進(jìn)行劃分。該算法將所有的樣本作為校正集的候選樣本，計(jì)算所有樣本的歐氏距離，選取距離最近和最遠(yuǎn)的兩個(gè)樣本劃入校正集。重復(fù)上述步驟，直到獲得滿足要求的樣品數(shù)量。利用該法可優(yōu)選出具有代表性的樣本劃入校正集，余下的樣品劃入預(yù)測集。

在模型構(gòu)建中，研究選用非線性的支持向量機(jī)(Support vector machine， SVM)、兼具線性功能的最小二乘支持向量機(jī)(Least squares support vector machine， LSSVM)和隨機(jī)森林(Random forest， RF)算法進(jìn)行建模，并對(duì)判別模型效果進(jìn)行比較，探索出評(píng)價(jià)茶葉品質(zhì)的最優(yōu)模型。

SVM法是數(shù)據(jù)分析中常用的多分類器。該算法基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，試圖提高泛化能力，降低預(yù)期風(fēng)險(xiǎn)。SVM鑒別器以徑向基函數(shù)(Radial basis function， RBF)為核函數(shù)，通過優(yōu)化兩個(gè)參數(shù)(即懲罰參數(shù)c和核參數(shù)g)獲得良好的預(yù)測。參數(shù)c用于獲得最小訓(xùn)練誤差和簡化模型;核函數(shù)g描述了輸入空間到隨機(jī)高維特征空間的非線性映射。

該方法的具體步驟概述如下：

(1)采用留一法交叉驗(yàn)證來優(yōu)化核心參數(shù)(c和g);

(2)采用網(wǎng)格搜索法確定最佳參數(shù)對(duì)(c和g);

(3)根據(jù)預(yù)測集中正確判別率(Correct discriminant rate， CDR)的最高輸出，建立最佳的SVM分類模型。

LSSVM是一種有效的非線性智能學(xué)習(xí)算法，能夠快速解決線性和非線性模式識(shí)別問題。該法重點(diǎn)研究了機(jī)器學(xué)習(xí)損失函數(shù)，并將第二范數(shù)應(yīng)用于目標(biāo)函數(shù)的優(yōu)化問題。算法使用等式約束代替不等式約束，將優(yōu)化問題轉(zhuǎn)化為對(duì)一組線性方程組的求解。對(duì)于任意已知輸入輸出的非線性樣本集，可以通過探索合適的非線性變換來建立LSSVM模型，其表達(dá)式如下：

在LSSVM模型中，核函數(shù)的選擇起著重要的作用。其核心思想是利用核函數(shù)將線性不可分的樣本映射到高維空間，解決維數(shù)的困擾?？紤]特征空間的結(jié)構(gòu)完全由核函數(shù)決定，核函數(shù)選擇對(duì)分類器的開發(fā)具有重要意義。在本研究中，RBF是由專家根據(jù)最小誤差和先驗(yàn)知識(shí)來選擇的。內(nèi)核函數(shù)的描述公式如下：

其中x為m維輸入向量，xi為第i個(gè)徑向基函數(shù)的中心，與x具有相同的維數(shù)。γ為徑向基函數(shù)核函數(shù)的參數(shù)。利用網(wǎng)格搜索法優(yōu)化了RBF的正則化參數(shù)gam(γ)和sig2(σ2)。該方法簡化了SVM優(yōu)化問題的求解，提高了計(jì)算效率，促進(jìn)了SVM的應(yīng)用和發(fā)展。

RF算法是基于回歸樹和分類樹的多個(gè)決策組合而構(gòu)建的模型集成方法。當(dāng)算法的運(yùn)行，每棵決策樹均進(jìn)行分類。以所有決策樹中分類結(jié)果最多的類別作為最終結(jié)果。算法提出了兩個(gè)關(guān)鍵參數(shù)：一是決策樹的數(shù)量(Number of decision trees， nDT);二是用于構(gòu)建決策樹的采樣特征的數(shù)量。RF具有不要求變量服從特定統(tǒng)計(jì)分布、訓(xùn)練樣本少、對(duì)過擬合靈敏度低、能夠?qū)μ卣鞯闹匾赃M(jìn)行排序等優(yōu)點(diǎn)。

該方法可以簡單概括為如下三個(gè)步驟：

(1)使用Bagging方法隨機(jī)生成T個(gè)訓(xùn)練數(shù)據(jù)子集;

(2)每個(gè)訓(xùn)練樣本被用來生成相應(yīng)的決策樹。在每個(gè)子節(jié)點(diǎn)選擇屬性之前，從M個(gè)屬性中隨機(jī)選擇m個(gè)屬性作為當(dāng)前節(jié)點(diǎn)的拆分屬性集，在M個(gè)屬性中以最佳拆分方式拆分節(jié)點(diǎn);

(3)每一棵樹在不修剪的情況下充分生長，用來測試預(yù)測集X中的相應(yīng)類別，利用T決策樹的多數(shù)票，對(duì)X進(jìn)行集合分類決策。

為評(píng)價(jià)判別模型的性能，用校正集和預(yù)測集的CDR來評(píng)估模型的預(yù)測能力。一般來說，一個(gè)優(yōu)秀的判別模型應(yīng)有較高的CDR值，其計(jì)算方法如下：

其中，NCDR為校正/預(yù)測樣本的正確估計(jì)數(shù)，Nt為校正/預(yù)測樣本的總數(shù)。上述建模算法均由MATLAB 2019b軟件在Windows 8平臺(tái)下自主開發(fā)。

結(jié)果與分析

1、樣品外觀品質(zhì)特征

七個(gè)不同等級(jí)(即T、C1、C2、C3、C4、C5和C6)的700份祁門工夫紅茶的九個(gè)顏色參數(shù)(R、G、B、L*、a*、b*、H、S和V)的變化情況如圖2所示。結(jié)果顯示，隨著樣本等級(jí)的降低，其外觀色調(diào)(H)和飽和度(S)值降低，其它七個(gè)指標(biāo)值則呈增長的趨勢。結(jié)果表明，茶樣的等級(jí)品質(zhì)越低，其色澤越暗，純度越低。

祁門紅茶樣本的紋理特征值的提取過程是利用ENVI軟件中PCA方法提取前兩個(gè)PC圖像的累計(jì)方差貢獻(xiàn)率達(dá)95.85%(PC1=92.19%，PC2=3.66%)(見圖3)，前兩個(gè)PCA載荷曲線的波峰與波谷處的波段被篩選為圖像特征波長。從PC1和PC2中獲得了三個(gè)最佳波長(696.74 nm、752.86 nm和975.91 nm)。

因此，基于GLCM和GLGCM法從上述三個(gè)最佳波長的圖像ROI中提取圖像紋理特征。GLCM法獲得的紋理參數(shù)包括兩個(gè)統(tǒng)計(jì)值(均值和標(biāo)準(zhǔn)差)×三個(gè)波段+四個(gè)紋理指標(biāo)×三個(gè)波段×四個(gè)方向(0°、45°、90°和135°)，即54個(gè)紋理特征。GLGCM方法可得到12個(gè)紋理數(shù)據(jù)(四個(gè)紋理特征×三個(gè)波段)，總計(jì)66個(gè)紋理值，用于后續(xù)模型構(gòu)建。

2、樣品集劃分與主成分分析

利用K-S方法將校正集和預(yù)測集樣本以2∶1的比例進(jìn)行劃分，得到校正集樣品數(shù)為467，預(yù)測集樣品數(shù)為233。樣品集的二維PC空間分布情況見圖4。結(jié)果顯示，祁紅樣品的單一特征(色澤或紋理)與融合特征的校正集和預(yù)測集樣品的空間分布相對(duì)分散，且校正集樣品分布包含了預(yù)測集樣品的分布范圍。表明樣品集的劃分是合理的。

不同等級(jí)祁紅樣品的二維PC空間分布情況如圖5所示。不同等級(jí)樣本的單一特征(色澤或紋理)與融合特征PC得分分布顯示，不同等級(jí)的樣本間重疊性較強(qiáng)，無論是單一特征還是融合特征均無法將不同等級(jí)的樣本區(qū)分開，有必要引入線性或非線性的分類算法，以實(shí)現(xiàn)對(duì)樣本品質(zhì)等級(jí)的準(zhǔn)確判別。

3、外觀品質(zhì)評(píng)價(jià)模型建立

基于SVM、LSSVM和RF智能算法的祁門紅茶外觀色澤、紋理及特征融合數(shù)據(jù)的等級(jí)評(píng)判模型結(jié)果見表1。

模型結(jié)果顯示，基于色澤、紋理與特征數(shù)據(jù)融合的祁門紅茶等級(jí)最優(yōu)LSSVM分類模型在校正集和預(yù)測集中的CDR分別為70.88%、72.96%、83.51%、86.27%和93.15%、94.85%。使用融合特征建立的最佳判別模型性能優(yōu)于單一紋理與色澤特征所建的模型，且紋理數(shù)據(jù)的建模效果高于色澤數(shù)據(jù)構(gòu)建的模型識(shí)別精度。此外，融合數(shù)據(jù)建立的所有模型的CDR均高于使用相同分類算法的紋理或色澤模型。實(shí)驗(yàn)結(jié)果表明，特征融合能夠更為有效地反映祁紅樣本的外觀品質(zhì)屬性，建模精度較基于單一特征(紋理或色澤)的模型更高，對(duì)樣本的解析更加有優(yōu)勢。

總結(jié)與討論

研究基于HSI技術(shù)和化學(xué)計(jì)量學(xué)算法，開發(fā)出一套快速、無損的工夫紅茶外觀品質(zhì)(色澤、紋理和融合數(shù)據(jù))的評(píng)判方法。探討了不同機(jī)器學(xué)習(xí)算法對(duì)七個(gè)等級(jí)的祁門工夫紅茶標(biāo)準(zhǔn)樣單一外觀特征和多信息特征融合的預(yù)測能力，以探求評(píng)價(jià)模型的最優(yōu)化。

利用HSI技術(shù)獲得祁門紅茶樣品的色澤和紋理特征數(shù)據(jù)，比較了基于SVM、RF和LSSVM算法對(duì)上述茶產(chǎn)品標(biāo)準(zhǔn)樣的單一外觀特征和融合特征的等級(jí)判別模型性能。結(jié)果表明，基于融合數(shù)據(jù)的建模性能優(yōu)于基于單一特征屬性(色澤或紋理)的模型。由單一外觀特征的模型性能可知，紋理特征模型精度最高，色澤特征數(shù)據(jù)的建模效果最差。利用LSSVM算法構(gòu)建的特征融合評(píng)價(jià)模型對(duì)祁紅樣品的預(yù)測準(zhǔn)確度最高，預(yù)測集判別率達(dá)到94.85%。利用特征融合數(shù)據(jù)所建模型具有更優(yōu)的預(yù)測能力，為工夫紅茶產(chǎn)品外觀品質(zhì)的快速評(píng)判提供了一種行之有效的方法。

在所有分類模型中，色澤數(shù)據(jù)模型的預(yù)測性能較差。有可能是對(duì)祁門紅茶樣本外觀的等級(jí)劃分標(biāo)準(zhǔn)更加側(cè)重于對(duì)茶葉嫩度高低的審定。紅茶樣品的持嫩度不同，其紋理差異較大。色澤特征主要與紅茶發(fā)酵程度關(guān)系緊密。在標(biāo)準(zhǔn)化的紅茶加工工藝模式下，發(fā)酵工序具有嚴(yán)格的參數(shù)控制，其品質(zhì)具有較強(qiáng)一致性。因此，不同等級(jí)的紅茶產(chǎn)品的色澤變化程度沒有紋理特征的差異性大，進(jìn)而導(dǎo)致色澤數(shù)據(jù)模型的性能較紋理特征差。

從分類算法的角度看，LSSVM模型的預(yù)測效果優(yōu)于SVM模型和RF模型。LSSVM模型的優(yōu)化可以理解為等式約束，解決了基于訓(xùn)練誤差平方的線性方程問題。在SVM算法的基礎(chǔ)上建立和開發(fā)的LSSVM方法，能夠得到一個(gè)更為簡單、有效、穩(wěn)健的模型。根據(jù)相關(guān)文獻(xiàn)，LSSVM分類器能夠有效提高茶葉品質(zhì)評(píng)價(jià)模型的計(jì)算速度和分類精度。此外，RF算法對(duì)于輸出數(shù)值較多的屬性可能會(huì)產(chǎn)生誤差。綜上，LSSVM分類工具能夠提供更好的解決線性和非線性問題的方案，更加有效地簡化問題的復(fù)雜性，增強(qiáng)模型性能。

作者簡介：

尹玲玲

馬鞍山人，在讀本科生，主要從事茶葉品質(zhì)分析與化學(xué)方向的研究。參與省部級(jí)以上科研項(xiàng)目3項(xiàng)，發(fā)表科研論文5篇。

通訊作者：

任廣鑫

博士，淮南師范學(xué)院生物工程學(xué)院食品工程系專任教師，主要從事茶葉品質(zhì)分析與茶葉質(zhì)量安全快速無損檢測技術(shù)方向的研究。近年來主持和參與省部級(jí)以上科研項(xiàng)目10余項(xiàng)，主持和參與省級(jí)、校級(jí)質(zhì)量工程項(xiàng)目多項(xiàng)。以第一作者和通訊作者發(fā)表科研論文20余篇，其中SCI收錄20余篇。

來源：中國茶葉加工

如涉及版權(quán)問題請(qǐng)聯(lián)系刪除

小種紅茶與工夫紅茶品質(zhì)特性的比較分析

紅茶屬全發(fā)酵茶，在加工過程中通過氧化聚合反應(yīng)生成茶黃素、茶紅素等有色物質(zhì)，與咖啡堿、游離氨基酸、可溶性糖等內(nèi)含成分共同影響著紅茶的湯色與滋味;同時(shí)，糖苷酶水解釋放出萜烯類化合物、不飽和脂肪酸的氧化降解等生化反應(yīng)則影響著紅茶的香氣類型。因而，制茶過程復(fù)雜的生化變化決定了紅茶“紅湯紅葉、滋味甜醇、香氣高甜”的品質(zhì)特征。根據(jù)加工工藝的不同，紅茶可分為小種紅茶、工夫紅茶及紅碎茶，其中小種紅茶和工夫紅茶均源自我國。

為更好地比較小種紅茶和工夫紅茶的品質(zhì)差異，本實(shí)驗(yàn)以同一茶樹品種、同一等級(jí)鮮葉為原料制成小種紅茶和工夫紅茶，比較其主要生化成分、茶湯物理特性和揮發(fā)性化合物的差異，通過氣味活度值(OAVs)來確定對(duì)香氣形成具有重要貢獻(xiàn)的化合物，從而掌握小種紅茶和工夫紅茶的品質(zhì)特性，為小種紅茶和工夫紅茶的加工提供理論依據(jù)和技術(shù)指導(dǎo)。

一、加工工藝

工夫紅茶：鮮葉→萎凋→揉捻→發(fā)酵→干燥。

小種紅茶：鮮葉→萎凋→揉捻→發(fā)酵→過紅鍋→干燥。

過紅鍋：發(fā)酵完成后，將1.5kg發(fā)酵葉投入到溫度為200℃左右的殺青鍋中，迅速翻炒3min，待葉子受熱變軟即可出鍋。

二、結(jié)果與分析

2.1小種紅茶和工夫紅茶主要生化成分分析

如表1所示，小種紅茶的茶多酚含量顯著高于工夫紅茶;咖啡堿、茶黃素、茶紅素含量顯著低于工夫紅茶;可溶性糖、可溶性蛋白、游離氨基酸含量與工夫紅茶相比差異不顯著。

導(dǎo)致這種差異的原因：

小種紅茶與工夫紅茶的茶多酚含量分別為18.88%、16.69%，茶黃素含量分別為10.78、12.64μmol/g，茶紅素含量分別為12.56%、13.64%。過紅鍋時(shí)鍋溫可達(dá)到200℃，高溫作用能迅速破壞茶葉體內(nèi)多酚氧化酶、過氧化物酶等一系列酶的活性，減少多酚類化合物氧化聚合成茶黃素、茶紅素的過程，從而能夠保留較多的茶多酚和降低茶黃素、茶紅素的含量。

小種紅茶與工夫紅茶的咖啡堿含量分別為2.57%、2.83%，由于咖啡堿在100℃以上高溫易發(fā)生升華作用，因而小種紅茶的咖啡堿含量低于工夫紅茶。

小種紅茶與工夫紅茶的可溶性糖含量分別為1.91%、1.85%，可溶性蛋白含量分別為0.82%、0.85%，游離氨基酸含量分別為3.02%、3.32%。

游離氨基酸含量既會(huì)隨蛋白質(zhì)的水解而增加，也會(huì)隨美拉德反應(yīng)的進(jìn)行而降低，其含量由蛋白質(zhì)水解速率和美拉德反應(yīng)效率決定。

小種紅茶經(jīng)過過紅鍋工藝后，咖啡堿、茶黃素、茶紅素等主要呈味物質(zhì)的含量低于工夫紅茶，表明小種紅茶的滋味強(qiáng)度、刺激性可能不如工夫紅茶，后期可通過感官評(píng)價(jià)來進(jìn)一步研究。

2.2小種紅茶和工夫紅茶茶湯物理特性分析

當(dāng)茶湯溫度較高時(shí)，茶黃素、茶紅素、咖啡堿等化合物各自呈游離狀態(tài);但溫度較低時(shí)，茶黃素、茶紅素等物質(zhì)可以與蛋白質(zhì)、咖啡堿結(jié)合形成絡(luò)合物。

由表1可知，小種紅茶中茶黃素、茶紅素、咖啡堿等生化成分含量低于工夫紅茶，因而小種紅茶茶湯的澄清度高于工夫紅茶。

與小種紅茶相比，工夫紅茶茶湯的顏色較黃、較紅，但茶湯的澄清度較低。由于過紅鍋時(shí)的高溫作用，小種紅茶中咖啡堿、茶黃素等化合物的含量低于工夫紅茶，進(jìn)而導(dǎo)致茶湯澄清度更高。因此，可以考慮以小種紅茶為原料來開發(fā)澄清度較高的紅茶飲料。

2.3小種紅茶和工夫紅茶揮發(fā)性化合物分析

2.3.1揮發(fā)性化合物類別、質(zhì)量濃度及相對(duì)含量分析

如表3所示，小種紅茶和工夫紅茶香氣組分的數(shù)量分別為55種和59種，總質(zhì)量濃度分別為260.90、236.95μg/L。小種紅茶的香氣組分?jǐn)?shù)量少于工夫紅茶，但總的質(zhì)量濃度高于工夫紅茶，可能是過紅鍋工藝帶來的變化。

此外，小種紅茶和工夫紅茶的香氣組分均以醛類、醇類、酯類化合物為主，其組分?jǐn)?shù)量、質(zhì)量濃度及相對(duì)含量均高于其他類型化合物;酮類、碳?xì)浠衔锏慕M分?jǐn)?shù)量較多，但質(zhì)量濃度及相對(duì)含量較低。小種紅茶與工夫紅茶中各類型香氣化合物的質(zhì)量濃度及相對(duì)含量具有明顯差異。

經(jīng)過過紅鍋工藝后，醛類、酮類、碳?xì)浠衔锏馁|(zhì)量濃度及相對(duì)含量均降低;酯類化合物的質(zhì)量濃度和相對(duì)含量均增加;醇類化合物的質(zhì)量濃度有少量增加，但相對(duì)含量基本不變，可能是高溫作用促使醛類、酮類、碳?xì)浠衔锊糠稚⑹Щ蛘呦虼碱?、酯類化合物轉(zhuǎn)化造成的。

小種紅茶在過紅鍋時(shí)，高溫能夠迅速破壞酶的活性，將生物化學(xué)作用轉(zhuǎn)變?yōu)闊峄瘜W(xué)作用，散失部分香氣化合物，同時(shí)促進(jìn)香氣成分之間相互轉(zhuǎn)化，以保持小種紅茶香氣甜純。

2.3.2揮發(fā)性化合物比較分析

通過GC-MS檢測分析和計(jì)算所有香氣化合物的OAVs，小種紅茶和工夫紅茶中OAVs大于1的香氣化合物分別有11種和13種。小種紅茶中的主要呈香物質(zhì)包括β-紫羅酮、苯甲酸甲酯、芳樟醇等，工夫紅茶中的主要呈香物質(zhì)包括β-大馬酮、β-紫羅酮、苯甲酸甲酯等;小種紅茶中苯甲酸甲酯的OAVs高于工夫紅茶，β-大馬酮、β-紫羅酮、β-二氫大馬酮等化合物的OAVs低于工夫紅茶，表明小種紅茶甜香濃郁，工夫紅茶花香明顯;過紅鍋工藝不僅能散失具有青草氣味的香氣成分(如己醛、青葉醛等)，也能形成具有甜香氣味的化合物(如苯甲酸甲酯、水楊酸甲酯等)，這對(duì)紅茶初制加工過程具有一定借鑒意義;β-大馬酮、己醛僅在工夫紅茶中被檢測到，兩者可能是工夫紅茶香型區(qū)別于小種紅茶的有效呈香化合物。

三、總結(jié)

本文對(duì)小種紅茶和工夫紅茶的化學(xué)品質(zhì)進(jìn)行了基本的研究，發(fā)現(xiàn)：小種紅茶的茶多酚含量顯著高于工夫紅茶;咖啡堿、茶黃素、茶紅素含量顯著低于工夫紅茶;可溶性糖、可溶性蛋白、游離氨基酸含量與工夫紅茶相比差異不顯著;小種紅茶的香氣組分?jǐn)?shù)量少于工夫紅茶，但總的質(zhì)量濃度高于工夫紅茶;小種紅茶和工夫紅茶中OAVs大于1的香氣化合物分別有11種和13種。

通過這些研究推測：導(dǎo)致這些差異的主要原因是小種紅茶的“過紅鍋”工藝。

來源：茶科學(xué)

如涉及版權(quán)問題請(qǐng)聯(lián)系刪除