茶葉干燥過程水分含量的近紅外光譜檢測方法研究

吳繼忠，王新宇，藍黃博恩，譚浩東，殷思佳，陳曉宏，歐陽琴

（1.江蘇大學食品與生物工程學院，江蘇鎮江 212013；2.鎮江市金山翠芽茶業責任有限公司，江蘇鎮江 212111）

0 引言

干燥是各類茶產品加工的一道重要工序，不僅是水分散失和穩固外形的過程，更是內含成分發生微妙變化的過程，對茶葉的色澤、香氣和滋味的形成尤為重要。傳統茶葉干燥過程采用輝鍋干燥，干燥過程品質的控制依賴工人師傅感官經驗，然而人工感官評價手段容易受到師傅經驗、性別、年齡、環境等主客觀因素的影響，使茶葉品質的穩定性得不到保證。近年來，盡管現代化茶葉干燥機已在很多茶葉加工企業推廣應用，茶葉加工機械化得到了全面推廣，但茶葉加工過程的智能化和數字化監控并沒有實施。研究茶葉加工過程品質的智能化監控方法，開發茶葉加工的智能化和數字化裝備，對于提高機械制茶品質的穩定性具有重要意義。

水分是衡量茶葉干燥過程最重要的品質因子。近紅外光譜主要是有機物含氫基團（C-H，O-H，N-H）等的倍頻和合頻吸收，具有快速、無損、準確等優勢[1]，近年來，該技術在食品水分檢測中受到了越來越多的關注。Pan Talens等人[2]利用近紅外高光譜圖像技術的光譜信息預測火腿的水分含量。Lu Ying-guo等人[3]利用近紅外光譜技術預測方便面的水分量。Eva Achata等人[4]利用近紅外高光譜圖像技術的光譜信息預測咖啡、薄餅、大豆的濕度和水分含量。朱逢樂等人[5]利用近紅外高光譜圖像技術的光譜信息預測三文魚的水分含量。王婉嬌等人[6]利用可見-近紅外高光譜成像技術的光譜信息預測冷鮮羊肉的水分含量。

在茶葉品質檢測方面，王勝鵬等人[7]利用近紅外光譜技術評價茶鮮葉的水分含量；Deng Shuiguang等人[8]利用近紅外光譜技術檢測茶葉的水分含量。然而，近紅外光譜技術在茶葉加工過程品質的水分含量檢測還比較少見。研究嘗試近紅外光譜技術檢測茶葉干燥過程的水分含量，對茶葉干燥過程品質的智能化和數字化監測，以及茶葉智能化加工裝備的開發具有重要意義。

1 材料與方法

1.1 試驗材料

采集鎮江金山翠芽茶業有限責任公司綠茶（烏牛草品種）加工干燥過程的樣本為研究對象，取干燥過程不同時間節點的樣本共90個。每個樣本取20 g，使用精度為0.1 g的電子天平稱質量，樣本密封保存。

1.2 光譜采集及預處理

研究構建了便攜式的近紅外光譜系統用于樣本的光譜采集，該系統主要包括以下幾個部分：①近紅外光譜儀（NIRQUEST512，海洋光學）；②Y型光纖 （QR400-7-VIS-NIR，海洋光學）；③光源（HL-2000，海洋光學）；④計算機，采用漫反射方式采集光譜，光譜范圍900～1 700 nm，參數設定為積分時間500 ms，平均次數3次，平滑度5。光譜采集軟件為Spectra Suite軟件。每個樣本采集3次光譜，以3次光譜的平均值為樣本的原始光譜，并采用標準正態變量變換（SNV）預處理光譜，用于后續模型分析。

茶葉干燥過程樣本原始光譜圖（a）和經SNV預處理后的光譜圖（b） 見圖1。

1.3 水分含量參考值測定

參考GB 5009.3—2016的直接干燥法對茶葉樣本進行含水率測量。其測量步驟如下：將含蓋稱量瓶置于烘箱內，在105℃條件下保持1 h后取出，于干燥皿內自然冷卻至室溫，將烘干后的稱量瓶放在精度為0.000 1 g的天平上稱質量，記為Ma，清零，再將茶葉樣品放入稱量瓶中稱質量，得出樣品濕質量（M0）。

圖1 茶葉干燥過程樣本原始光譜圖（a）和經SNV預處理后的光譜圖（b）

1.4 數據處理

研究比較應用全光譜偏最小二乘模型（PLS）、競爭性自適應加權抽樣偏最小二乘模型（CARSPLS）、遺傳偏最小二乘模型（GA-PLS） 建立模型，采用交互驗證優化模型建立和優化模型。采用交互驗證方法得到最佳主成分數，當交互驗證均方根誤差（RMSECV）最小時，對應的主成分數即為最優。同時通過校正集的相關系數（Rc）、校正均方根誤差（RMSEC），預測集的相關系數（Rp）和預測均方根誤差（RMSEP） 評價所建模型的性能。RMSEC和RMSEP，Rc和Rp之間差異越小，最佳主成分數越小，模型性能越好。

建立模型時，將樣本隨機劃分為校正集和預測集樣本。校正集樣本用于建立茶葉干燥過程水分含量的近紅外光譜預測模型，預測集用于評價模型的準確性和可靠性。

校正集和預測集中樣本水分含量值分布見表1。

將茶葉樣品放入烘箱內，120℃時計時，1 h后取出，移入干燥皿內，冷卻至室溫。然后取出茶葉樣品連同稱量瓶稱質量，記為M2。

茶葉含水率公式如下：

表1 校正集和預測集中樣本水分含量值分布

2 結果和分析

2.1 PLS模型

PLS是一種應用廣泛的模型建立方法。該方法是利用茶葉干燥過程的全光譜近紅外數據進行建模，所用到的光譜數據一共為512個。

PLS模型中校正集RMSECV與主成分數變化關系（a），校正集和預測集樣本的預測值與實測值之間的散點圖（b） 見圖2。

圖2 PLS模型中校正集RMSECV與主成分數變化關系（a）校正集和預測集樣本的預測值與實測值之間的散點圖（b）

由圖2（a）可看出，當主成分數為8時，RMSECV最低，此時建模效果最好。圖2（b） 顯示了當主成分為8時，PLS模型中校正集和預測集樣本的預測值與實測值之間的散點圖，校正集Rc=0.978 7，RMSEC=0.846；預測集Rp=0.970 3，RMSEP=1.02。

2.2 GA-PLS模型

GA-PLS的特點是可以進行全局快速搜索，結合GA算法和PLS算法，建立的模型更加穩定，預測效果更好。該方法的主要步驟是確定控制參數（群體大小、交叉變異概率）、編碼、確定適應度函數、產生初始群體、選擇算子、交叉運算、變異、收斂。

采用GA優選變量時，初始群體大小、交叉概率、變異概率和遺傳迭代次數分別設定為50，0.5，0.01，100。圖3（a） 為GA變量篩選的頻次圖，頻次在8以上的變量被選中，共58個變量。

GA篩選變量的頻次見圖3（a），GA-PLS模型中校正集和預測集樣本的預測值與實測值之間的散點圖見圖3（b）。

圖3 GA篩選變量的頻次圖（a）GA-PLS模型中校正集和預測集樣本的預測值與實測值之間的散點圖（b）

圖3（b） 為GA-PLS模型中茶葉干燥過程最佳校正集和預測集的含水率預測值與實測值的散點圖，結果顯示，當主成分數為8時，該模型校正集Rc=0.992 7、RMSEC=0.497，預測集Rp=0.986 8，RMSEP=0.696。結果顯示，GA-PLS建模結果優于PLS模型，變量數大大減少，簡化了模型，且模型性能得到提高。

2.3 CARS-PLS模型

CARS模仿達爾文進化理論中“適者生存”的原則優選變量，具體包含如下步驟：①采用蒙特卡羅抽樣法選取校正集中80%～90%的樣本建模；②建立PLS模型，得到每個變量對應的回歸系數，并計算其權重；③根據指數遞減函數（Exponentially Decreasing function，EDF） 和自適應加權采樣ARS（Adaptive reweighted sampling，ARS） 兩步篩選變量；④用每次產生的新變量子集建立PLS回歸模型，最后選出RMSECV最低的子集，即為最優變量子集[9]。

運行CARS-PLS時，隨機選取校正集80%的樣本（48個樣本）用于構建模型，蒙特卡羅采樣次數為50，采用5倍交互驗證優化模型，依據最低RMSECV值確定最佳變量和模型。

CARS篩選變量的過程見圖4（a），CARS-PLS模型中校正集和預測集樣本的預測值與實測值之間的散點圖見圖4（b）。

圖4 CARS篩選變量的過程圖（a）CARS-PLS模型中校正集和預測集樣本的預測值與實測值之間的散點圖（b）

圖4（a） 顯示了RMSECV與采樣次數的關系，當采樣次數為35時，RMSECV值最低，之后逐漸增加，說明運行35次以上時，CARS開始剔除與水分含量相關的特征變量。圖4（b） 為被選中的變量數與采樣次數的關系，從中可見，被選中的變量數隨采樣次數的增加而逐漸下降，且下降趨勢由快到慢，體現了變量粗選和精選2個過程。從圖4（b）可知，當采樣次數為35次時，獲得最小的RMSECV值，此時，篩選的變量數為11個，圖中以“*”代表RMSECV值最小的位置及篩選變量數。以CARS-PLS篩選的11個變量建立茶葉干燥過程水分含量的近紅外光譜預測模型，其主成分數為7，校正集Rc和RMSEC分別為0.991 3，0.543，預測集Rp和RMSEP分別為0.990 7，0.574。

2.4 討論

近紅外光譜結合不同模型預測茶葉干燥過程水分含量的結果見表2。

表2 近紅外光譜結合不同模型預測茶葉干燥過程水分含量的結果

表2顯示了PLS，GA-PLS和CARS-PLS 3種方法建立的茶葉干燥過程水分含量的近紅外光譜分析結果。從表中可以得出，CARS-PLS模型結果最佳，該模型的變量數最少，模型最簡單，其校正集和預測集均具有較高的模型預測精度，且RMSEC和RMSEP，Rc和Rp之間差異最小，表明模型更加穩健。因此，CARS-PLS模型效果最好，說明通過篩選變量提高預測準確度是有效的。

3 結論

研究采用近紅外光譜技術對茶葉干燥過程的水分含量進行評價分析，比較應用PLS，GA-PLS和CARS-PLS建立茶葉干燥過程水分含量的近紅外光譜分析模型。結果表明，CARS-PLS模型的預測效果最佳，變量數為11，主成分數為7校正集的Rc=0.991 3，RMSEC=0.543，預測集的Rp=0.990 7，RMSEP=0.574。研究結果表明，采用近紅外光譜技術結合合適的化學計量學方法評價茶葉干燥過程的水分含量具有可行性，為茶葉干燥過程品質的數字化、智能化監控提供方法。