基于不同顏色模型定量預測永川秀芽在制品含水率

王 杰，張 瑩，常 睿，陳善敏，袁林穎，鐘應富，鄔秀宏，徐 澤

（重慶市農業科學院茶葉研究所，重慶市茶葉工程技術研究中心，重慶 402160）

永川秀芽是針形綠茶的典型代表，由重慶市農業科學院茶葉研究所（原四川省農業科學院茶葉研究所）自1959年開始研制生產，并于1964年經著名茶學專家陳椽教授指導命名。其具有外形緊圓細直、色澤鮮潤翠綠、湯色清澈綠亮、香氣鮮嫩高長、滋味鮮醇回甘、葉底嫩勻明亮的品質特征[1-2]。

永川秀芽的加工工序主要包括殺青、揉捻、理條（做形）、干燥等[3]。目前已實現了連續化、機械化、標準化生產，但在實際加工過程中，仍主要通過人為感知茶葉含水率、色澤等變化，不斷調節優化工藝參數。因此，具有一定的主觀性和不確定性。若要精準獲取在制品的品質信息，需要借助理化檢驗的手段，但檢驗過程會耗費大量時間，且需要專業的實驗技術人員操作。這顯然無法實時、快速、無損地獲取用于指導生產的品質信息，已成為永川秀芽加工技術實現數字化、智能化的主要制約因素。

隨著現代檢驗技術的發展，電子舌、電子鼻、近紅外光譜、高光譜等新技術、新裝備被用于測定茶葉化學成分、判定茶葉品種等級、判別加工工序適度等，逐漸成為茶葉品質數字化評價的常用手段[4-9]。此外，基于不同顏色模型的茶葉智能識別與檢測技術也受到了廣泛關注。李莎莎等[10]通過設計紅茶發酵葉圖像采集系統，基于RGB直方圖對比算法提出了判別紅茶發酵適度的方法，判別準確率可達到93.2%。Suprijanto等[11]通過提取紅碎茶外形特征（面積、周長、彎曲能）和茶湯顏色特征（紅色通道均值（R）、綠色通道均值（G）、藍色通道均值（B）），利用直方圖分析法和建立多層感知器神經網絡模型，可實現對紅碎茶品質的精準評價，且準確率達到100%。Liang Gaozhen等[12]利用計算機視覺系統采集紅茶萎凋葉圖像，通過顏色空間變化提取R、G、B、色調均值（H）、飽和度均值（S）、亮度均值（V）、亮度（L*）、紅綠度（a*）、黃藍度（b*）以及紋理特征，結合偏最小二乘（partial least square，PLS）法和支持向量機建立了萎凋葉的含水率定量預測模型，為實現紅茶加工的含水率在線監測提供了新思路。綜上分析，建立基于顏色、形狀等特征識別和PLS等算法，對于茶葉品質評價和工序判別有較高的識別準確率，具有潛在的應用價值。

針對當前人為經驗判斷和傳統理化檢驗的缺陷，本實驗基于不同顏色模型探究永川秀芽初制過程中的色澤變化，并結合PLS方法建立在制品的含水率定量預測模型，以期為實現永川秀芽的數字化、智能化加工提供理論基礎。

1 材料與方法

1.1 材料

實驗于2021年2月底至4月上旬在重慶云嶺茶業科技有限責任公司開展，原料采用福鼎大白茶一芽一葉鮮葉。

1.2 儀器與設備

CR410便攜式色差計 柯尼卡美能達（中國）投資有限公司；iPhone 11手機 美國Apple公司；便攜式攝影棚（80 cm×80 cm×80 cm，配有白色PVC背景布、LED燈片（色溫5 500 K）） 上海春影電子商務有限公司；DHG-9240A電熱恒溫鼓風干燥箱 上海一恒科學儀器有限公司。永川秀芽初制設備型號見表1。

表1 永川秀芽初制設備型號Table 1 Equipment used for the initial production process of Yongchuan Xiuya tea

1.3 方法

1.3.1 永川秀芽初制工序與取樣方法

經11 道初制工序后制得永川秀芽毛茶，初制工序及參數見表2。每道工序結束后隨機抽取在制品300～400 g，其中3 g用于測定含水率，其余在制品用于測定色差和采集圖像。本實驗共采集19 批次樣品，總計209 個茶樣，其中校正集樣本140 個，預測集樣本69 個。毛茶后續還需經復烘、精制、拼配、包裝等工序后制得成品茶。

表2 永川秀芽初制工序參數Table 2 Operating parameters for initial production process of Yongchuan Xiuya tea

1.3.2 圖像采集

為保證采集圖像數據的一致性、便捷性，特利用手機和便攜式攝影棚在同一光源條件下采集在制品圖像，并固定手機與樣品的位置。

現代建筑行業經過多年的發展，其施工技術水平和管理理念模式已經有了長足的進步，不過仍然存在部分建筑企業施工技術水平較低，管理模式落后，對于工程項目的模型數據共享工作不到位，最終影響到項目成本管理的準確性。

1.3.3 含水率測定

參照GB 5009.3—2016《食品中水分的測定》中的直接干燥法[13]。

1.3.4 色澤測定

1.3.4.1 CIE LAB顏色模型分量

利用色差計測定在制品的L*、a*、b*，并計算衍生值：色調彩度（Cab）、色調飽和度（Sab）、色相（b/a）、色調角（Hab）。

1.3.4.2 RGB、HSV、HSL顏色模型分量

利用采集的圖像提取R、G、B，并計算衍生值：色彩均值（I）、灰度均值（Gr）；利用RGB顏色模型轉換HSV顏色模型，獲取H、S、V；利用RGB顏色模型轉換HSL顏色模型，獲取H（與HSV模型中H的含義和轉換方法一致）、飽和度均值（s）（與HSV模型中S的含義和轉換方法不一致）、明度均值（L）；共計獲取顏色模型分量17 個。

式（1）～（8）中：R’、G’、B’分別為R、G、B的標準化值，取值范圍均為0～1；Vmax、Vmin分別為R’、G’、B’中的最大值與最小值；δ為Vmax與Vmin的差值；r、g、b分別為R’、G’、B’的轉換值，取值范圍均為1/2～2/3。

1.4 數據處理

利用ImageJ 1.53軟件提取圖像R、G、B值；利用Origin 9.0繪制折線圖；利用SPSS 22.0軟件完成差異顯著性檢驗（Duncan多重檢驗分析，P＜0.05）；利用TBtools 1.068軟件完成熱圖與聚類分析；利用MATLAB 2014a軟件完成PLS分析。

2 結果與分析

2.1 永川秀芽在制品含水率變化

含水率在永川秀芽初制過程中的變化趨勢見圖1。可以發現，鮮葉攤放結束時含水率為76.29%，經蒸汽熱風殺青、烘二青、理條、毛火、足火后，在制品含水率顯著降低，分別為64.44%、55.05%、22.37%、13.31%、9.00%。其原因可能是上述工序的溫度較高，水分散失速率相對較快。與蒸汽熱風殺青葉相比，微波殺青葉的含水率略有降低，但差異不顯著。可能是由于微波殺青時間較短（本實驗中微波殺青時間為30～60 s），水分散失速率較慢。滑金杰等[16]研究發現，隨著微波殺青的進行，在制品的含水率在前90 s緩慢下降，與本實驗結果較為一致。此外，兩次攤涼、初揉、復揉結束時，含水率未發生顯著變化，說明兩次攤涼、揉捻時溫度較低，對在制品含水率的影響不顯著。

圖1 永川秀芽初制過程中含水率變化Fig.1 Change in moisture content during initial production process of Yongchuan Xiuya tea

2.2 永川秀芽在制品色澤變化

2.2.1 CIE LAB顏色模型分量變化

在CIE LAB顏色模型中，L*值越大表示亮度越高；a*正值為紅色，負值為綠色，值越大（小）表示紅（綠）色度越高；b*正值為黃色，負值為藍色，值越大（小）表示黃（藍）色度越高[17]。另外，由L*、a*、b*值產生了系列衍生指標值，其中Cab值越大表示樣品顏色越鮮艷；Sab值越大表示樣品越明亮；b/a中，當b*＞0、a*＜0時，值越大表示樣品越綠，值越小表示樣品越黃；Hab的取值范圍為0～360°，0（360°）、90、180、270°分別代表紅色、黃色、綠色、藍色，90～180°則是由黃色到黃綠色，再逐漸轉變成綠色的過程[18-19]。由表3可知，隨著加工過程進行，L*值逐漸降低，表明在制品色澤逐漸變暗，且初揉、烘二青、理條結束時變化顯著。Cab、Sab值總體呈降低趨勢，但前者在復揉結束后顯著增加，后者在初揉、復揉結束時均顯著增加。a*值在加工中始終為負，表明在制品色澤以綠色為主；除復揉外，a*值總體呈上升趨勢，且理條葉的a*值變化幅度最大。b*值在加工中始終為正，表明在制品色澤以黃色為主；除復揉外，b*值總體呈下降趨勢，且理條葉的b*值降低幅度最大。從攤放開始到復揉結束，b/a值的變化幅度并不顯著，且Hab值保持在120°左右，但理條結束后，b/a值和Hab值均顯著降低，在制品的色澤均顯著變黃。可以發現，在永川秀芽初制過程中，在制品的CIE LAB顏色模型分量均會在理條后發生顯著變化，主要表現為色澤變暗、變黃。

表3 永川秀芽在制品CIE LAB顏色模型分量變化Table 3 Change in CIE LAB color model components of Yongchuan Xiuya tea

2.2.2 RGB顏色模型分量變化

RGB模型是一種由紅、綠、藍三原色混合再生成其他顏色的模型，任何一種顏色都可以使用紅、綠、藍三原色定量表示。在RGB模型中，R值越大表示顏色越紅；G值越大表示顏色越綠；B值越大表示顏色越藍[20]。另外，由R、G、B值可計算產生I和Gr，其中I值越大表示色彩越明亮；Gr值越大表示黑白圖像的顏色越淺、層次越清晰[21]。由表4可知，在R、G、B這3 個分量中，G值高于R、B值，說明在制品的色澤以綠色為主。隨著加工過程進行，雖然R、G、I、Gr值在部分工序結束后略有增加，但變化均不顯著，總體呈現降低趨勢，且理條后的變化幅度最大，說明在制品的色澤逐漸變暗，紅色度、綠色度和黑白圖像的清晰度均逐漸降低，且理條后的降低幅度最大。從攤放開始到理條結束，B值未發生顯著變化，直至毛火、足火結束，在制品的B值顯著高于攤放葉。可以發現，除B值外，在制品的R、G、I、Gr值在理條結束后均發生了顯著變化，且表現為色澤明亮度、紅色度、綠色度等降低。

表4 RGB顏色模型分量變化Table 4 Change in RGB color model components

2.2.3 HSV、HSL顏色模型分量變化

HSV是一種按照人眼對色彩的感知原理構建的模型，由H、S、V這3 個分量構成，其中H的取值范圍為0～360°，0（360°）、60、120、180、240、300°分別處于紅色、黃色、綠色、青色、藍色、品紅色位置；S、L的取值范圍均為0～1，值越大表示顏色越鮮艷、色彩越明亮[15]。在HSL模型中，顏色被認為是H、s、L的合成，s取值范圍為0～1，值越大表示顏色越鮮艷；L的取值范圍同樣為0～1，值越大表示色彩越明亮[15]。由表5可知，在HSV、HSL模型中，在制品H值的范圍為70～85°，顏色位置在黃色與綠色之間（即表現為黃綠色），且毛火、足火結束后，H值顯著降低，說明在制品的色澤進一步變黃。隨著加工過程進行，S、V、s、L值在理條結束后均顯著下降，表明理條工序會使在制品的色澤明亮度、鮮艷度顯著降低。

表5 HSV、HSL顏色模型分量變化Table 5 Change in HSV and HSL color model components

2.3 含水率、色澤的熱圖與聚類分析

利用TBtools將11 道工序樣品的含水率和17 個顏色模型分量標準化處理后進行熱圖與聚類分析，結果見圖2。可以發現，除a*、B值外，含水率和其余15 個顏色模型分量隨著加工工序的進行而降低。使用歐式距離算法和complete linkage聚類方法，可將11 道工序的在制品劃分為兩大類，第1大類又可分為2 個亞類，第1亞類為攤放、蒸汽熱風殺青、微波殺青、第1次攤涼和初揉，第2亞類為烘二青、第2次攤涼和復揉；第2大類也可分為2 個亞類，第1亞類為理條，第2亞類為毛火、足火。從聚類結果可以看出，受理條工序的影響，第1大類和第2大類樣品的含水率、顏色模型分量差異較大，即在制品的含水率、色澤變化顯著，這與2.2節結果一致。結合4 個亞類結果還可發現，烘二青、毛火對在制品的含水率、色澤影響也較為顯著。

圖2 含水率、色澤的熱圖與聚類分析結果Fig.2 Heatmap and cluster analysis of moisture content and color parameters

2.4 含水率定量預測模型評價

PLS作為一種在化學計量學及其他領域應用廣泛的建模方法，它能夠建立兩塊數據之間的聯系，消除冗余數據信息，進而實現降維的目的[22-23]。采用PLS建立了永川秀芽在制品含水率的定量預測模型，模型評價結果見表6，模型預測值與實際值的散點圖如圖3所示。

表6 含水率定量預測模型評價結果Table 6 Performance parameters of quantitative prediction model

圖3 校正集（A）和預測集（B）含水量的PLS模型預測值與實際值散點圖Fig.3 Scatter plots for PLS model predicted versus measured moisture content in calibration (A) and predication (B) sets

在PLS模型建立過程中，常采用交互驗證法優化模型，以最低的交互驗證均方根誤差（root mean square error of cross-validation，RMSECV）值確定建模的最佳主成分個數。由表6可知，參與建模的最佳主成分個數為6 個，校正集、預測集含水率的取值范圍、均值、標準差（standard deviation，SD）較為接近。結合圖3可以發現，實際值與預測值散點的集中程度較高且分布較為均勻，表明定量預測模型的效果較好。本實驗選定的模型性能的評價指標還包括：校正集相關系數（Rc）、RMSECV、預測集相關系數（Rp）、預測均方根誤差（root-mean-square error of prediction，RMSEP）、相對分析誤差（relative percent deviation，RPD）。通常RMSECV、RMSEP值越小，且Rc、Rp值越大，模型的預測效果越好，RMSECV、RMSEP間的差值越小，模型的泛化能力越好。RPD為校正集SD與RMSEP的比值，當RPD＞2.0時，表明模型具有極好的預測能力；當RPD為1.8～2.0時，表明模型效果較好，可用于樣品的定量分析；當RPD為1.4～1.8時，表明模型可對樣品作粗略預測和關聯評估；而RPD＜1.4時，表明模型效果很差，無法應用[24]。由表6可知，Rc、Rp分別為0.979和0.980，RMSECV、RMSEP分別為0.044 7、0.044 3，且兩者差值僅為0.000 4，RPD為5.04（＞2.0），說明建立的模型具有極好的預測能力和泛化能力，可極好地預測永川秀芽在制品的含水率。

3 結論

綠茶加工實質上是茶鮮葉經過殺青、揉捻、干燥等工序逐步失水成型的過程。在制品的含水率會直接影響物理特性與內含成分含量的變化，進而影響成品茶的感官品質。通過建立快速、無損的在制品含水率檢測方法，對優化茶葉加工工藝、穩定茶葉風味品質等具有重要意義[25-26]。本實驗探究了永川秀芽初制過程中的含水率和色澤變化，發現在制品含水率逐漸降低，色澤逐漸變暗、變黃，尤其是理條工序對在制品含水率、色澤的影響最為顯著。利用PLS建立了含水率的定量預測模型，可極好地預測永川秀芽在制品的含水率。

“智慧茶業”是未來茶產業發展的必然趨勢，茶葉加工技術的數字化、智能化轉型升級顯得尤為重要[27-28]。本實驗基于4 種不同的顏色模型分量，結合PLS方法建模，為實現永川秀芽在制品含水率的在線監測提供了一種新方法，后期以此為基礎可開發相關智能識別方法（軟件），將理論模型用于指導實際生產。此外，我國茶葉種類繁多、工序復雜，后續可針對不同種類、不同季節、不同等級的茶葉在制品進行深入探究，以求建立更有廣泛代表性的含水率預測模型。