樣品形態對綠茶品質成分近紅外定量預測的影響

徐榮榮，任廣鑫，王勝鵬，王玉霞，張正竹

（安徽農業大學茶葉生物化學與生物技術教育部重點實驗室，安徽合肥230036）

樣品形態對綠茶品質成分近紅外定量預測的影響

徐榮榮，任廣鑫，王勝鵬，王玉霞，張正竹*

（安徽農業大學茶葉生物化學與生物技術教育部重點實驗室，安徽合肥230036）

對110份綠茶樣采用偏最小二乘法（PLS）建立水分、全氮量、粗纖維、水浸出物、茶多酚、咖啡堿和游離氨基酸的近紅外預測模型。考察完整樣、粉碎樣的近紅外光譜對該7種成分的建模效果，以及茶湯的近紅外光譜對水浸出物、茶多酚、咖啡堿和游離氨基酸的建模影響。研究顯示粉碎樣光譜建立的模型最優，交叉驗證均方差（RMSECV）和預測均方差（RMSEP）均小于0.5，外部驗證的決定系數（R2）除粗纖維的為0.8598外，其余成分的R2均在0.9以上。茶湯光譜建立的模型效果不理想，其中咖啡堿和游離氨基酸的R2不超過0.5，相對分析誤差（RPD）小于2.5%。結果表明：綠茶進行粉碎處理比完整樣以及制備成茶湯建立的模型更為可靠，使用近紅外光譜技術可以快速檢測綠茶的7種成分。

綠茶，近紅外光譜，樣品形態，定量模型，快速分析

綠茶在我國產區分布最廣，產銷量最大，位居世界第一，其出口量占世界綠茶貿易總量的70%以上[1]。茶葉中含有水分、粗纖維、茶多酚、咖啡堿、氨基酸等多種成分，這些成分與茶葉品質直接相關[1-2]。隨著茶葉產量和貿易量的增加，對茶葉品質分析手段提出了更高的要求。現有的茶葉成分分析方法大都利用不同化學方法（如比色法、HPLC法）對各成分進行逐一測定，操作復雜、費時費力、測試成本高且具破壞性，不能實現快速分析。因此迫切需要開發快速、簡便、準確的茶品質成分分析的新方法。近紅外光譜分析技術因其無污染、成本低、速度快、多組分同時測定等優點，被廣泛應用于食品、農產品、醫藥和石油等領域[3-11]。國內外大量的研究表明，利用近紅外光譜技術可以定量分析茶葉中的水分、茶多酚、咖啡堿、氨基酸等內含物的含量[12-20]。前人研究大都選擇完整茶葉或粉碎樣品中某一種樣品形態建立模型，而采用不同形態樣品（完整茶葉、粉碎樣、茶湯）進行的研究鮮有報道。樣品是否經過前處理，是液態還是固態等，對近紅外檢測結果影響很大[21-22]。本研究對綠茶進行近紅外光譜解析，采用偏最小二乘法建立綠茶中7種成分的預測模型，旨在探討完整茶樣、粉碎樣和茶湯三種樣品形態對模型預測效果的影響，以期為綠茶品質檢測提供一種快速、科學、準確的方法。

1 材料與方法

1.1 材料與儀器

綠茶 收集當年生產的高、中、低檔綠茶樣品110個，產地主要是安徽、江蘇、浙江等綠茶主產區，樣品種類包括毛峰、瓜片、黃芽、猴魁、龍井、碧螺春等名優茶以及大宗炒青綠茶等。每個樣品分兩份，各約35g，一份不經處理，一份用JFSD-100型粉碎機磨碎，過40目篩，所有樣品密封4℃冷藏備用；茶湯制備稱取3g粉碎樣（3份）置于500mL錐形瓶中，加入煮沸蒸餾水450mL，沸水浴中浸提45min，趁熱抽濾，殘渣用少量蒸餾水洗3次，將濾液移入500mL容量瓶中，冷卻后用蒸餾水定容，搖勻備用。

MPA傅里葉變換近紅外光譜儀 德國布魯克光學儀器公司。

1.2 近紅外光譜采集

采用MPA傅里葉變換近紅外光譜儀，掃描譜區范圍800～2500nm（12500～4000cm-1），工作溫度為25℃，分辨率8cm-1，PbS檢測器。采用97mm金屬樣品杯配套自動旋轉樣品臺采集完整樣與粉碎樣的漫反射光譜，掃描次數32次，完成一次光譜采集約32s；通過液體專用樣品池采集茶湯的透射光譜，掃描次數16次，完成一次光譜采集約16s。每個樣品均裝樣三次，取平均光譜作為分析光譜。

1.3 化學測定

水分采用120℃烘箱法，依據GB/T 8304-2002測定；水浸出物采用恒重法，依據GB/T 8305-2002測定；茶多酚采用福林酚法，依據GB/T 8313-2008測定；游離氨基酸采用茚三酮比色法，依據GB/T 8314-2002測定；咖啡堿采用紫外分光光度法，依據GB/T 8313-2002測定；粗纖維利用CXC-06型纖維素分析儀器，依據GB/T 8310-2002測定；全氮量采用GB/T 5009.5-1985方法測定。每個樣品平行測定3次，取平均值為樣品的化學值。

1.4 模型的建立與評價

為消除高頻隨機噪聲、基線漂移和樣品厚度不均等影響，對采集的光譜數據進行平滑、導數處理、多元散射校正和歸一化等[23-24]必要的預處理。采用偏最小二乘法（PLS）作為建立模型的化學計量學方法，通過OPUS-QUANT2定量分析軟件完成光譜數據的處理、模型的建立和驗證。對建模樣品采用留一法進行內部交叉驗證建立模型，用剩余樣品對模型進行外部驗證，以交叉驗證均方差（RMSECV）、預測均方差（RMSEP）、決定系數（R2）和相對分析誤差（RPD）作為評價模型預測效果的指標。R2越大，RMSECV、RMSEP越小，建立的模型越可靠。當3%≤RPD＜10%時，表明模型效果良好，預測精度高，可用于實際檢驗；如果2.5%＜RPD＜3%，模型預測效果一般，模型有待進一步優化；如果RPD≤2.5%，則說明難以用于定量分析[25-26]。

2 結果與分析

2.1 綠茶近紅外光譜測量結果

綠茶中有機物的含氫基團（C-H，O-H，N-H）振動的倍頻與合頻的吸收構成了近紅外光譜的核心部分。圖1中a、b、c分別是110個綠茶完整樣、粉碎樣和茶湯樣的平均光譜圖。從圖1可以看出，完整樣與粉碎樣的光譜曲線大致呈現3個波段形狀。第一個波段（12500～7000cm-1）是這些基團振動的高級倍頻區，譜帶較弱；第二個波段（7000～5200cm-1）和第三個波段（5200～4000cm-1）是這些基團振動的一級倍頻和合頻譜區，信息較強[27]。水分子中的O-H在近紅外譜區有兩個特征譜帶：1940nm（5155cm-1）的組合頻和1440nm（6944cm-1）伸縮振動的一級倍頻。這兩個特征吸收會干擾非水分的測定。圖1中可以看出，茶湯中的水分對近紅外光譜的吸收峰影響較大，為防止水分的干擾，在篩選波長范圍時應盡量避開水分特征吸收區[28]。

圖1 綠茶完整樣（a）、粉碎樣（b）的近紅外漫反射光譜和茶湯（c）的透射光譜圖Fig.1 Near infrared diffuse reflectance spectra of integrated（a）and crushed（b）samples and transmission spectra of green tea soup（c）

2.2 異常樣品的剔除與樣品集的劃分

建立模型時會出現樣品組分測定值或光譜數據出現較大誤差的情況，該類異常樣品的存在會影響模型預測的準確性，需要從樣品集中剔除。剔除異常樣品的方法是采用PLS法和留一法通過內部交叉驗證對全部樣品光譜進行異常值檢驗，馬氏距離大于3.0的樣品被視為異常樣品[29]，均被剔除。將非異常樣品按各成分的含量大小排列后按隔二選一法劃分為校正集和檢驗集，樣品分集結果以及含量分布見表1。

2.3 不同樣品形態的PLS模型的建立與評價

對完整樣、粉碎和茶湯三類樣品形態的近紅外光譜，使用校正集樣品內部交叉驗證建立了各成分的PLS模型，結果見表2。從表2可以看出，不同樣品形態的近紅外光譜建立的各成分模型的結果有明顯差異，由粉碎樣建立的7種成分的模型，R2、RPD值均比其完整樣的模型高，RMSECV小；用茶湯光譜建立的水浸出物、茶多酚、咖啡堿和游離氨基酸的模型，RMSECV較大，R2、RPD值較小，其中水浸出物和茶多酚茶湯模型的R2為0.8473、0.7679，咖啡堿和游離氨基酸茶湯模型R2不超過0.5，RPD值小于2.5%，預測效果遠不如固體光譜建立的模型。R2越接近1，RMSECV越小，表明模型對樣品的預測結果越準確，模型的可靠性越高。因此由表2可知粉碎樣光譜建立的模型效果最好。

表1 樣品分集結果以及各成分的含量分布Table 1 The diversity results of samples and the contents distribution of measured values for each component

表2 不同樣品形態下建立的PLS模型交叉驗證的統計數據Table 2 Statistical values of cross－validation models by PLS with different sample shape

表3 最優模型的處理方法Table 3 Treatments of optimal models

使用粉碎樣光譜，利用軟件中的自動優化功能選擇最佳的光譜預處理方法、譜區范圍和主成分數，得到所有成分模型的最佳處理方法和預測結果見表3、表4。從表3可以看出，光譜經一階導數處理，當主成分為8，選擇波數范圍在12493.1～4597.7cm－1時，建立的水分模型最優；光譜經矢量歸一化處理，分別選擇主成分數為11和10時，水浸出物和全氮量模型建立的效果最好，對應的最佳譜區分別是12493.1～6098.1、5450.1～4246.7和6101.9～4246.7cm－1；粗纖維模型在7502～5446.2、4424.1～4246.7cm－1，光譜經一階導數+MSC處理，主成分為10時效果最好；光譜經過一階導數+MSC和多元散射校正處理，主成分數都為9時，分別選擇譜區在6101.9～5446.2和7502～5446.2、4424.1～4246.7cm－1時，建立的茶多酚和咖啡堿模型最優；光譜經一階導數+矢量歸一化，在7502～6800.1、5450.1～4246.7cm－1，主成分數為13時，游離氨基酸模型效果最好。

表4 近紅外模型內部交叉驗證與外部驗證的結果Table 4 The results of models in cross validation and external validation

由表4可知，水分、全氮量、粗纖維、水浸出物、茶多酚、咖啡堿、游離氨基酸內部交叉驗證的R2分別為0.9862、0.9183、0.8707、0.9367、0.9334、0.9609、0.9201，RMSECV分別為0.182、0.098、0.394、0.452、0.366、0.078、0.193。除粗纖維外，其他6種成分的模型的R2均在0.90以上，具有較好的相關性，RPD均大于3%，RMSECV均小于0.5，說明模型的預測精度較高。其中水分和咖啡堿模型效果最好，全氮量和粗纖維模型預測效果稍差，游離氨基酸的主成分數偏大，建立的模型較復雜，有待進一步優化。

2.4 模型效果的驗證

對于建立的定量模型，需要用外部驗證的方法進一步檢驗其準確性和實用性。對檢驗集樣品的水分、全氮量、粗纖維、水浸出物、茶多酚、咖啡堿以及游離氨基酸含量進行預測，近紅外模型預測值與化學測定值之間的相關關系見圖2，驗證結果見表4。從表4可以看出，粗纖維模型預測決定系數R2為0.8598，RPD為2.68%，只能用于粗略檢測，模型有待進一步優化。其余成分的R2均在0.91以上，表明該6種成分的模型預測值與化學值有很好的相關性；RPD值均在3.5%以上，說明模型穩定性和預測能力好，可以用于實際檢測。其中水分和咖啡堿的預測決定系數R2大于0.95，RPD超過5%，模型的預測性能最好。

3 結論與討論

通過對綠茶完整樣、粉碎樣和茶湯的近紅外光譜進行PLS建模，粉碎樣建立的模型除粗纖維RPD為2.68%外，其余成分的RPD均大于3%，預測穩定性和精度較高，可以實現綠茶中7種成分含量的快速測定。使用透射方式獲得的茶湯光譜建立模型效果較差，不能用于實際檢測，可能是由于浸提出來的茶湯中水分占大部分，水分的強吸收信號會使光譜出現吸收峰飽和，而且掩蓋了含量小的有機物的吸收信號，引起光譜測量誤差，試驗中雖然優化了建模的譜區以避開水峰的干擾，但模型預測結果仍不理想，在以后的研究中可以嘗試選擇合適光譜測量條件如改變光程來提高靈敏度和減少水分的飽和干擾。另外，樣品的數量和種類有限，難以覆蓋綠茶所有含量范圍，有待進一步擴大樣品范圍，以提高模型的適用性。當分析樣品和所采用的儀器改變時，須進一步優化模型并進行驗證和定期校正。

圖2 綠茶7種成分的近紅外模型的預測值與化學真值的相關性Fig.2 Correlation between predicted values of NIR models and true values of seven components in green tea

[1]顧謙.茶葉化學[M].合肥：中國科學技術大學出版社，2002：48-50，142.

[2]劉軍海，李志洲.茶葉中有效成分應用及其提取工藝研究進展[J].食品研究與開發，2007，28（3）：173-177.

[3]劉冰，楊季冬.近紅外光譜法快速鑒別涪陵榨菜品牌的研究[J].食品工業科技，2011，32（8）：397-403.

[4]王麗，韓曉祥，徐歡，等.近紅外光譜法測定金華火腿生產過程中的品質參數[J].中國食品學報，2011，11（7）：181-184.

[5]宋尚新，梁靈.近紅外光譜技術鑒別方便面品牌的研究[J].現代食品科技，2010，26（10）：1153-1156.

[6]孫曉榮，劉翠玲，吳靜珠，等.基于近紅外光譜的淀粉含水量快速檢測研究[J].食品工業科技，2011，32（10）：441-442.

[7]吳靜珠，李慧，劉翠玲，等.基于近紅外的蔬菜農殘快速定性檢測技術研究[J].食品工業科技，2010，31（10）：377-379.

[8]陳坤杰，龔紅菊，李毅念.基于近紅外光譜的大米加工精度等級快速判定[J].中國糧油學報，2011，26（3）：105-109.

[9]孫春曉.近紅外光譜法應用于肝素鈉質量控制的技術研究[D].濟南：山東大學，2010.

[10]金鳴，胡敏，池文杰，等.近紅外漫反射光譜法快速檢測維C銀翹片中的對乙酰氨基酚[J].中國藥師，2011，14（8）：1145-1147.

[11]孔翠萍，褚小立，杜澤學，等.近紅外光譜方法預測生物柴油主要成分[J].分析化學，2010，38（6）：805-810.

[12]張正竹，廖步巖，閻守和，等.近紅外光譜（NIRS）技術在茶葉品質保真中的應用前景[J].食品工業科技，2009，30（9）：349-352.

[13]周小芬，葉陽，陳芃，等.近紅外光譜技術在茶葉品質評價中的研究與應用[J].食品工業科技，2012，33（5）：413-417.

[14]王勝鵬，宛曉春，林茂先，等.基于水分、全氮量和粗纖維含量的茶鮮葉原料質量近紅外評價方法[J].茶葉科學，2011，31（1）：66-71.

[15]李曉麗，程術希，何勇.基于漫反射光譜的初制綠茶含水率無損檢測方法[J].農業工程學報，2010，26（5）：195-200.

[16]吳瑞梅，趙杰文，陳全勝，等.近紅外光譜技術結合特征變量篩選快速檢測綠茶滋味品質[J].光譜學與光譜分析，2011，31（7）：1782-1785.

[17]牛智有，林新.茶葉定性和定量近紅外光譜分析方法研究[J].光譜學與光譜分析，2009，29（9）：2417-2420.

[18]趙紅波，譚紅，徐瑋，等.近紅外光譜法對茶葉中的咖啡堿含量的快速測定[J].中國釀造，2011（8）：169-171.

[19]Luypaert J，Zhang M H，Massart D L.Feasibility study for the use of near infrared spectroscopy in the qualitative and quantitative analysis of green tea，camellia sinensis[J].Analytica Chimica Acta，2003，478（2）：303-312.

[20]Shou-he Yan.Review：Evaluation of the composition and sensory properties of tea using near infrared spectroscopy and principal component analysis[J].Journal of Near Infrared Spectroscopy，2005，13（6）：313-325.

[21]于海燕，應義斌，劉燕德.農產品品質近紅外光譜分析結果影響因素研究綜述[J].農業工程學報，2005，21（11）：160-163.

[22]祝詩平，王剛，楊飛，等.粉末樣品顆粒大小對花椒揮發油近紅外光譜定量預測的影響研究[J].光譜學與光譜分析，2008，28（4）：775-779.

[23]褚小立，袁洪福，陸婉珍.近紅外分析中光譜預處理及波長選擇方法進展與應用[J].化學進展，2004，16（4）：528-542.

[24]嚴衍祿.近紅外光譜分析基礎與應用[M].北京：中國輕工業出版社，2005：8-9.

[25]牛智有，林新.茶葉定性和定量近紅外光譜分析方法研究[J].光譜學與光譜分析，2009，29（9）：2417-2420.

[26]朱大洲，孟超英，屠振華，等.不同類型近紅外模型在蘋果汁檢測中的應用[J].農業工程學報，2009，25（S2）：325-329.

[27]李軍會，秦西云，張文娟，等.樣品年份、化學值分布參數對近紅外檢測結果的影響[J].光譜學與光譜分析，2007，27（9）：1754-1756.

[28]姜禮義，劉福莉，陳華才，尹軍鋒.綠茶湯中茶多酚近紅外定量分析的光程選擇[J].中國計量學院學報，2009，20（2）：135-138.

[29]林新，牛智有.綠茶茶多酚近紅外光譜定量分析模型優化研究[J].食品科學，2009，30（10）：144-148.

Influence of sample shape on the quantitative prediction of the quality components in green tea by near infrared spectroscopy（NIRS）

XU Rong-rong，REN Guang-xin，WANG Sheng-peng，WANG Yu-xia，ZHANG Zheng-zhu*
（Key Laboratory of Tea Biochemistryamp;Biotechnology，Ministry of Education，Anhui Agricultural University，Hefei 230036，China）

The quantitative prediction models of seven main components including moisture content，total nitrogen，total crude fiber，water extract，tea polyphenols（TPP），caffeine and free amino acids（AA）in 110 green tea samples were established through partial least squares（PLS）by NIRS respectively.The effect of NIR spectra of integrated and crushed samples on the models of seven components as well as the green tea soup on the models of water extract，tea polyphenols（TPP），caffeine and free amino acids（AA）were investigated. The optimal models of seven components were developed by crushed samples.The root mean square errors of cross-validation（RMSECV）and the root mean square errors of prediction（RMSEP）were less than 0.5.The determination coefficients（R2）of validation exceeded 0.9，except for crude fiber model with R2of 0.8598.The effect of models established by tea soup was not ideal，among which the ratios of prediction to deviation（RPD）of caffeine and AA were less than 2.5%with R2not exceeding 0.5.The results showed that the models built by crushed green tea samples were more reliable than by integrated samples or tea soup，NIRS technology could be employed for quantitative determination of seven kinds of components in green tea rapidly.

green tea；near infrared spectroscopy（NIRS）；sample shape；quantitative model；rapid determination

TS272.5+1

A

1002-0306（2012）14-0072-05

2011－11－29 *通訊聯系人

徐榮榮（1987-），女，碩士研究生，主要從事茶葉生物化學方面的研究。

農業部948項目（2011-Z64）；農業科技成果轉化資金項目（2010GB2C300204）。