基于色差系統的寶慶桂丁紅茶品質量化評價模型構建

杜邵龍，周志梅，雷亞蘭，李 瑾，田容積，唐 瀚,

（1.湖南興盛茶業科技有限公司，湖南邵陽 422900；2.湖南師范大學化學化工學院，湖南長沙 410083；3.邵陽市農業科學研究院，湖南邵陽 422000）

茶葉色澤是茶葉等級劃分的主要指標之一，在茶葉感官審評法中外形、湯色和葉底三項審評因子都與顏色有關[1]。茶葉的色澤一直茶葉感官審評的難點之一，其審評結果不僅與審評專業人員主觀喜好有關，還受到光線、審評器具等外部環境因素的干擾[2]。為盡可能消除人為因素對茶葉品質分析結果的干擾，廣大茶學研究學者嘗試采用茶湯色差值對茶葉品質進行定量化表征[3-6]。余書平等[7]對小葉種紅茶發酵過程中發酵葉色差及兒茶素、茶黃素等成分進行跟蹤檢測，發現發酵葉色差與茶樣感官品質和相關生化成分均呈現顯著性相關。楊娟等[8]測定了福鼎大白等10 個茶樹品種原料制成的工夫紅茶干茶、湯色和葉底色澤，并分析了各色澤L、a、b值與審評因子得分、色素含量和總得分的相關性，結果顯示紅茶試樣的感官審評評分與茶湯、葉底的色差均有較高的相關性。王家勤等[9]對26 個產于福建地區的工夫紅茶的43 個茶湯樣品進行色差分析，并結合多變量分析和線性回歸擬合，建立茶湯亮度預測方程。陳星等[10]測定了滇紅、祁紅等8 種工夫紅茶的茶湯色差、色素含量，并與感官審評評分進行相關性分析，結果顯示采用亨特-Lab 表色系表色法能夠較為準確、快速地反映茶湯色品質特點。以上研究都明確證實了茶葉色差與感官品質之間存在顯著相關性，但目前的研究主要針對特定品種紅茶的色差值與品質的相關性，且主要分析茶湯色澤，如需推廣至其他品種紅茶，需要根據具體品種色差值進行校正[11]。茶葉品質的影響因素眾多，例如茶葉品種、種植環境和加工工藝等，各個因素與茶葉品質多是非線性對應關系，但目前的研究主要采用線性回歸擬合的方法，難以滿足茶葉品質分析的要求。

人工神經網絡是人工智能的重要分支，采用并行分布式系統，具有自適應、自組織和實時學習的特點，在理論上可實現任意函數的逼近[12]。神經網絡能夠根據視覺圖像處理[13]、電子舌[14]、電子鼻[15]、近紅外光譜[16]等分析結果，實現對茶葉品質的準確評價。BP（Back Propagation）神經網絡是人工神經網絡中最為經典的模型之一，但由于BP 神經網絡采用梯度下降法，容易出現收斂速度慢，陷入局部極值等缺點[17]。遺傳算法（Genetic Algorithms，GA）是模擬自然界遺傳和生物進化論的一種隨機搜索優化算法，具有良好的全局尋優能力[18]。利用遺傳算法生成BP 神經網絡的權值和閾值，能夠提高BP 神經網絡的泛化和學習能力，從而改進神經網絡的整體搜索效率[19]。

寶慶桂丁茶是湖南省新邵縣特有的茶樹品種，歷史上曾是明清兩朝貢茶。寶慶桂丁紅茶是湖南興盛茶業科技有限公司在湖南農業大學和邵陽市農科院茶科所指導下，借鑒湖南紅茶工夫紅茶加工技術規程，自主研發的新品類[20]。寶慶桂丁紅茶花蜜香濃郁，滋味鮮爽，回味甘甜，品質優異。目前，關于寶慶桂丁紅茶的品質研究還處于起步階段，相關研究還鮮有報道。本文在感官審評的基礎上，測定了不同等級寶慶桂丁紅茶干茶、茶湯和葉底的色澤，利用GABP 神經網絡建立寶慶桂丁紅茶品質量化評價模型，以期為寶慶桂丁紅茶品質評判和工藝優化提供數據支撐。

1 材料與方法

1.1 材料與儀器

供試的110 份寶慶桂丁紅茶 全部由湖南興盛茶業科技有限公司提供，2021 年3 月至6 月采自湖南省新邵縣巨口鋪鎮，參照湖南紅茶工夫紅茶制作規程生產制作，按照采制時間順序編號為1～110 號；試驗用水 為農夫山泉天然飲用水。

NH300 電腦色差儀、色差儀多功能測試組件深圳市三恩時科技有限公司；FA1004 電子分析天平上海力辰邦西儀器科技有限公司。

1.2 實驗方法

1.2.1 感官審評方法 參照《GB/T 23776-2018 茶葉感官審評方法》[21]，稱取3 g 茶樣，用沸水150 mL 沖泡5 min 后，將茶湯倒入審評碗。由7 名專業審評人員分別對茶樣的外形、湯色、香氣、滋味和葉底進行感官審評，具體標準見表1。綜合得分采用權數法：外形20%，湯色10%，香氣30%，滋味30%，葉底10%。去除最高分和最低分后，余下的5 個審評結果取平均得到最終審評結果。

表1 寶慶桂丁綠茶感官評定標準和評分系數Table 1 Sensory evaluation standards and score coefficients of Baoqing guiding green tea

1.2.2 茶湯和葉底色差的測定方法 參照陸建良等[22]提出的方法。感官審評余下的茶湯經濾紙過濾后，冷卻至40 ℃，倒入萬能測試組件配備的石英比色皿，以蒸餾水為對照，用NH300 電腦色差儀測定色度，重復5次，取平均值。將沖泡后的紅茶葉底置于萬能測試組件的粉末測試盒，用NH300 電腦色差儀測試色度。色差值采用CIE-1976 色差系，測定三個分量L、a、b。

1.2.3 干茶色澤的測定方法 參照嚴俊等[23]提出的方法。取茶樣10 g，用粉碎機粉碎后，過100 目篩。取5 g 茶樣，置于萬能測試組件的粉末測試盒中測定色差值。用NH300 電腦色差儀測試色度，測量5次，記錄L、a、b值，取平均值。

1.3 數據處理

采用EXCEL 和SPSS 26.0 軟件對試驗數據進行分析處理。采用MATLAB2020b 軟件進行GABP 神經網絡構建，隨機取110 份茶樣中的88 份測試結果用于評價模型的建立，余下22 份用于模型的驗證。

2 結果與分析

2.1 寶慶桂丁紅茶的色差測試的描述性分析

對110 個寶慶桂丁紅茶茶樣分別測試了干茶、湯色和葉底的色差值，并進行了描述性分析，結果見表2。

表2 寶慶桂丁紅茶色差結果描述性分析Table 2 Descriptive statistics of color difference analysis of Baoqing guiding black tea

表2色差分析結果顯示，寶慶桂丁紅茶湯L值在64.25～76.26 之間，平均值為68.95，a值在16.16～25.73，平均值為22.33，b值在60.88～77.34，平均值為71.58。根據CIE-LAB 表色體系，L值越大，說明茶湯的亮度越高，a值越大則顏色偏紅，b值越大則顏色偏黃[24]，因此，寶慶桂丁紅茶茶湯呈現出橙黃明亮的特征。

寶慶桂丁紅茶干茶的L值在16.29～19.55 之間，平均值為17.77，a值在2.15～3.14 之間，平均值為2.66，b值在4.08～4.92 之間，平均值為4.52。因此，寶慶桂丁紅茶的干茶顏色特征為黑色，符合烏黑油潤的顏色描述。

寶慶桂丁紅茶葉底的L值為24.28～26.33，平均值為25.02，a值為8.24～11.06，平均值為9.79，b值為9.04～16.35，平均值為12.84。因此，寶慶桂丁紅茶的葉底顏色特征為紅褐色。

2.2 寶慶紅茶色差與品質的相關性

2.2.1 寶慶紅茶湯色與品質的相關性分析 對寶慶桂丁紅茶茶湯色差與品質的相關性進行了分析，結果見表3。

表3 寶慶桂丁紅茶茶湯色差與品質相關性分析Table 3 Analysis on correlation between infusion color and quality of Baoqing guiding black tea

從表3 的結果可以看出，寶慶桂丁紅茶湯色指標、綜合品質這兩個指標均與茶湯的L值呈極顯著的負相關（P＜0.01），而與a值和b值呈極顯著正相關（P＜0.01）。且茶湯的L、a、b值之間呈極顯著相關性（P＜0.01），其中L值與a、b值之間為負相關，a和b值之間呈正相關。

2.2.2 干茶色澤與品質的相關性分析 對寶慶桂丁紅茶的干茶色澤與品質之間的相關性進行了分析，結果見表4。

表4 寶慶桂丁紅茶干茶色差結果相關性分析Table 4 Analysis on correlation between tea color and quality of Baoqing guiding black tea

從表4 的結果來看，寶慶桂丁紅茶茶葉外形指標與綜合品質這兩個指標與干茶的L和b值相關性較低，而干茶的a值與外形和綜合品質都呈顯著正相關（P＜0.05），這可能與茶葉外形審評時，不僅僅看色澤，還需要考慮茶葉的緊細度和凈度等其他指標有關[25]。干茶的L、a、b值之間存在一定的相關性，其中L值與a、b值之間為負相關，a和b值之間呈正相關。

2.2.3 葉底色澤與品質的相關性分析 對寶慶桂丁紅茶葉底色澤與品質的相關性進行了分析，結果見表5。

從表5 的結果可以看出，寶慶桂丁紅茶葉底指標和綜合品質這兩個指標與葉底的L值均呈極顯著負相關（P＜0.01），而與a值和b值呈極顯著正相關（P＜0.01）。且葉底的L、a、b值之間呈極顯著相關性（P＜0.01），其中L值與a、b值之間為負相關，a和b值之間呈正相關。

表5 寶慶桂丁紅茶葉底色差結果相關性分析Table 5 Analysis on correlation between leaves’ color and quality of Baoqing guiding black tea

從以上相關性分析得出，茶葉的茶湯、葉底和綜合品質指標與茶湯和葉底三者的L、a、b值之間呈極顯著相關性（P＜0.01）。這是因為在對茶湯和葉底進行感官審評時顏色是最重要的審評標準，茶湯要求是橙紅或橙黃明亮，而葉底則要求紅勻明亮。因此，采用茶葉色差值作為茶葉品質的評價方法是可行的。

2.3 基于神經網絡的寶慶桂丁紅茶品質量化評價模型的構建

2.3.1 神經網絡的選擇 為了選擇合適的神經網絡，對BP 神經網絡和GA-BP 神經網絡的擬合情況進行了比較，結果見圖1 和圖2。兩個神經網絡的結構均為9-5-1 結構，即隱含層的節點數為5。其余神經網絡結構參數為：神經網絡算法為Levenberg-Marquardt算法，最大循環次數為1000次，學習速率為0.1，方差目標為0.0001。遺傳算法初始化參數為：種群規模為10，進化迭代數為200，染色體編碼長度為55，學習因子為C1=C2=1.5，交叉概率為0.4，變異概率為0.1。本文將110 組數據的80%（即88 組）劃分為訓練集、驗證集和測試集，分別為62 組、13 組和13 組數據，用于模型的構建，余下的22 組數據作為預測集進行模型的驗證。

圖1 BP 神經網絡和GA-BP 神經網絡的擬合效果對比Fig.1 Comparisonof fitting ability of BP network and GA-BP network

圖2 GA-BP 網絡殘差分析圖Fig.2 Residual analysis of GA-BP network

從圖1 中可以看出，BP 網絡和GA-BP 網絡都具有較好的擬合精度，決定系數R2都大于0.9。在相同的數據和神經網絡結構情況下，GA-BP 網絡的訓練、驗證、測試和預測的決定系數（R2）都明顯高于BP 網絡，說明GA-BP 網絡的訓練和擬合效果要優于BP 網絡。GA-BP 網絡采用遺傳算法（GA）對BP 神經網絡連接權值和閾值進行優化，利用遺傳算法全局搜索最優解的算法，將BP 神經網絡最優解的搜索范圍縮小到一個較小的解空間，使得網絡訓練過程中收斂速度加快，同時解決BP 神經網絡容易下入局部最優的問題[26]。

從圖2 和圖3 可以看出，2 種模型的測試集和預測集樣本擬合結果的標準殘差大部分都落在[-2,2]的95%置信區間內，標準殘差點的分布沒有明顯規律，均勻地分布在0 的兩側，表明擬合結果誤差服從正態分布，具有很好的隨機性，模型的選擇是合適的。

對比圖2 和圖3 可以發現，GA-BP 網絡的訓練集和預測集的殘差也明顯優于BP 網絡。GA-BP 網絡的訓練和預測的殘差全部均勻地落在[-1,1]區間內，而BP 網絡的訓練的殘差也大多落在[-1,1]區間內，大約有不到10%的殘差落在[-1,1]區間之外，但預測的殘差波動相對大一些，22 個預測殘差絕對值中有3 個超過1，其中兩個甚至超過2。這表明GA-BP 模型的擬合精度比BP 模型高，GA-BP 模型更適合于對寶慶桂丁紅茶品質量化模型的構建。

圖3 BP 網絡殘差分析圖Fig.3 Residual analysis of BP network

2.3.2 GA-BP 神經網絡模型的構建 為了進一步優化GA-BP 模型的結構，在[3,8]范圍內對不同隱含層節點數GA-BP 神經網絡分別進行5次訓練、驗證、測試和預測，取5次的決定系數（R2）進行分析，結果見圖4。從圖4 的結果可以看出，GA-BP 模型的訓練效果都非常好，隱含層的增加對訓練結果影響不大，所有擬合的決定系數都在0.99 左右。但隱含層節點數對驗證、測試和預測的決定系數影響較大，且都呈現先增大而后減少的趨勢，在隱含層節點數為5 時達到最大值，驗證、測試和預測的平均決定系數分別為0.973、0.988 和0.962，因此選擇隱含層節點數為5 進行模型的構建。

圖4 不同隱含層節點數擬合比較Fig.4 Comparison of fitting ability of different hidden layer nodes

對GA-BP 模型構建過程的均方誤差（RMSE）進行觀察，結果見圖5。從圖5 的結果可以看出，在GA-BP 神經網絡訓練的初期，訓練、驗證和測試的均方誤差在第2次訓練RMSE 即下降至0.1 以下，而后驗證和預測集的RMSE 基本保持不變，訓練集的RMSE 仍持續下降至0.01，在訓練至第8次時，驗證的RMSE 開始上升至0.1 左右。從網絡的均方誤差變化情況來看，在模型訓練的后期可能存在一定的過擬合情況，導致驗證的誤差開始變大。通過對隱含層節點數的觀察，最終的GA-BP 神經網絡采用9-5-1 的3 層網絡結構。

圖5 GA-BP 神經網絡訓練曲線圖Fig.5 Training curve of GA-BP network

圖6是88 組數據在模型訓練時的擬合效果，可以看出，GA-BP 模型的訓練集、驗證集和測試集的決定系數R2都大于0.9，說明該模型能夠較好地完成輸入數據與輸出數據之間的非線性映射。訓練集的決定系數最大，驗證集的決定系數次之，測試集的決定系數最小，這樣反映出GA-BP 神經網絡在訓練過程中存在一定的過擬合。結合圖1 的對比結果也可以發現遺傳算法的引進，對于BP 神經網絡存在的過擬合情況也有一定程度的改善，模型測試的決定系數也達到0.933。未來，我們將通過增加數據組數和算法優化等方面的努力，進一步提高模型的預測能力，解決過擬合現象。

圖6 GA-BP 神經網絡擬合優度圖Fig.6 Goodness of fit of GA-BP network

2.3.3 模型的預測結果分析 為了驗證所構建的GA-BP 模型的預測精度，將22 組數據對模型進行驗證，結果見圖7。

圖7 GA-BP 模型預測值與感官審評值的比較圖Fig.7 Comparison of model predict value and sensor evaluation

從圖7 中可以看出，雖然預測的決定系數仍然小于模型訓練和驗證的決定系數，但達到0.95，說明GA-BP 模型的預測性能是比較好的，可以準確地反映寶慶桂丁紅茶品質情況，所構建地寶慶桂丁紅茶品質量化評價神經網絡模型是可靠的。

3 結論

茶葉色澤的審評普遍是通過人眼觀察，并結合經驗進行感官審評，不僅受到感官審評環境（亮度等）的影響，也容易受個人喜好所左右[27-28]。為了提高紅茶品質評價的客觀性，本文在感官審評的基礎上，用色差儀對寶慶桂丁紅茶的干茶、茶湯和葉底的色差值進行測定，并利用GA-BP 神經網絡構建量化評價模型。研究結果表明：

寶慶桂丁紅茶的感官審評因子和綜合品質與茶湯和葉底的L、a、b值之間呈現極顯著相關性（P＜0.01），與干茶的L、a、b值之間相關性不顯著。這說明感官審評在進行湯色和葉底審評時重點關注顏色，而對外形審評時不僅關注顏色，還有外形精細、顯毫等其他維度。這也表明，利用茶葉色差值對茶湯和茶葉的顏色進行檢測能夠反映茶葉品質的優劣，因此基于色差值構建量化評價模型是可行的。

通過對比GA-BP 神經網絡和BP 神經網絡，可以發現通過遺傳算法GA 的引進能夠較好地解決BP 神經網絡局部優化和收斂速度低等問題，更好地反映色差值與茶葉品質之間的非線性映射關系[29]。

通過對比不同隱含層的擬合效果，優選出9-5-1的網絡結構，驗證、測試和預測的平均決定系數分別為0.973、0.988 和0.962。對構建的GA-BP 神經網絡模型的預測能力進行驗證，發現該模型預測值與感官審評值的決定系數達到0.95，說明該模型具有可接受的預測網絡輸出的能力，且誤差較小。

本文采用GA-BP 神經網絡對茶葉色差值與感官審評綜合品質評價得分進行非線性關聯，對茶葉品質的色差分析以及非線性數學模型的構建進行了探索，為茶葉品質評價提供了新的思路和方法。課題組也發現因為所構建遺傳算法和神經網絡模型屬于“黑箱”模型，無法揭示色差值與茶葉品質的內在關聯關系，因此，構建的模型在理論上只能針對特定茶葉品種[30]。另外，神經網絡容易出現過擬合的現象，也是在進一步優化模型算法時需要關注的方向。