無損檢測技術(shù)在茶葉加工中的應(yīng)用研究進展

摘要：農(nóng)業(yè)農(nóng)村部等多部門聯(lián)合發(fā)文，提出要打造茶產(chǎn)業(yè)現(xiàn)代加工體系，推動茶葉加工向數(shù)字化、智能化方向轉(zhuǎn)型升級。本文綜述了電特性、電子鼻、機器視覺、近紅外光譜和高光譜等無損檢測技術(shù)在茶葉加工領(lǐng)域應(yīng)用的研究進展，并總結(jié)了目前存在的不足。

關(guān)鍵詞：茶葉；加工技術(shù)；無損檢測

我國是茶葉生產(chǎn)和消費第一大國，茶產(chǎn)業(yè)在我國經(jīng)濟發(fā)展中占有重要地位。2021年，農(nóng)業(yè)農(nóng)村部等三部門聯(lián)合印發(fā)了《關(guān)于促進茶產(chǎn)業(yè)健康發(fā)展的指導(dǎo)意見》[1]，提出要打造涵蓋生產(chǎn)、加工、流通等環(huán)節(jié)的茶產(chǎn)業(yè)全產(chǎn)業(yè)鏈。在茶葉加工環(huán)節(jié)，要打造現(xiàn)代加工體系，推進茶葉加工設(shè)施裝備的更新升級。近年來，隨著云計算、大數(shù)據(jù)和人工智能等技術(shù)的飛速發(fā)展，電特性、機器視覺、光譜技術(shù)等先進無損檢測技術(shù)已被應(yīng)用于茶葉加工過程[2]，并取得了一定的研究成果，為推動茶葉加工方式向數(shù)字化、智能化方向轉(zhuǎn)型升級做出重要貢獻。

1 電特性檢測技術(shù)在茶葉加工中的研究及應(yīng)用

電特性檢測技術(shù)是通過測試待測物質(zhì)電磁特性隨內(nèi)含成分變化的規(guī)律來實現(xiàn)食品質(zhì)量檢測的一種無損檢測技術(shù)[3]。劉飛等[4]測定不同頻率下的電特性參數(shù)，發(fā)現(xiàn)茶葉的電特性參數(shù)與含水量之間存在高度相關(guān)性，利用逐步回歸分析構(gòu)建了基于電特性參數(shù)的含水量預(yù)測模型，進而實現(xiàn)綠茶干燥過程中含水量的快速無損檢測。王盛琳等[5]通過電特性檢測技術(shù)與化學(xué)計量學(xué)方法的結(jié)合，發(fā)現(xiàn)并聯(lián)等效電容、損耗因子和電抗在低頻范圍（0.05～0.10 kHz）內(nèi)對茶多酚含量變化最為敏感，基于Z標(biāo)準(zhǔn)化預(yù)處理和VCPA-IRIV算法，構(gòu)建了紅茶發(fā)酵過程中茶多酚含量的預(yù)測模型，實現(xiàn)紅茶發(fā)酵中茶多酚含量的快速無損檢測。

2 電子鼻技術(shù)在茶葉加工中的研究及應(yīng)用

電子鼻是利用氣體傳感器陣列的響應(yīng)圖案來識別氣味的電子系統(tǒng)，被廣泛應(yīng)用于食品工業(yè)。蔣建軍等[6]

嘗試在不同鍋溫下進行綠茶殺青，并利用PEN3電子鼻收集數(shù)據(jù)，分析傳感器響應(yīng)值與綠茶品質(zhì)之間的關(guān)聯(lián)，發(fā)現(xiàn)階段變溫控制可顯著提升綠茶的殺青品質(zhì)，保留較高的茶多酚和氨基酸含量，同時降低了氧化酶活性，實現(xiàn)利用氣味在線檢測技術(shù)來優(yōu)化綠茶鍋式殺青過程中的鍋溫控制。徐敏[7]利用電子鼻、電子舌和電子眼的融合技術(shù)，基于特征級和決策級融合的分類模型，使得茶葉等級、產(chǎn)地及貯藏期品質(zhì)的檢測效果得到了顯著提升，準(zhǔn)確率超過90%。使用量子粒子群優(yōu)化算法優(yōu)化后的融合特征集，在預(yù)測茶葉中兒茶素、茶多酚和咖啡堿含量時，融合信號的R2值均超過了0.97，大幅提高了對茶葉中化合物含量的預(yù)測精度。

3 機器視覺技術(shù)在茶葉加工中的研究及應(yīng)用

機器視覺技術(shù)是用計算機來模擬人的視覺功能，從客觀事物的圖像中提取信息并理解分析，是一門涉及計算機圖形學(xué)、圖像處理、模式識別、人工智能和機器學(xué)習(xí)等多種技術(shù)的綜合性學(xué)科，具有快速、無損、經(jīng)濟和一致等檢測特點。近年來，得益于巨量數(shù)據(jù)的出現(xiàn)、深度學(xué)習(xí)的重大進展以及計算能力的快速提升，機器視覺技術(shù)得到了飛速發(fā)展。梁高震[8]構(gòu)建了基于機器視覺的圖像信息采集平臺，選取了18個關(guān)鍵的紅茶萎凋葉的色澤和紋理特征參數(shù)，發(fā)現(xiàn)色澤特征如R、G、H、S、V、L等與水分變化有顯著的相關(guān)性，進而建立了SVR水分含量智能感知模型，還集成了水分在線感知系統(tǒng)，該系統(tǒng)預(yù)測水分的時間大約需要40～50 s，且預(yù)測值與實測值之間的相關(guān)系數(shù)R2高達0.9894，實現(xiàn)了工夫紅茶萎凋過程中水分含量的在線快速檢測。吳鑫等[9]利用機器視覺技術(shù)實時采集茶葉在微波殺青過程中的色澤和紋理特征，結(jié)合ELM、GA-BP和CNN模型進行含水率、茶多酚和氨基酸含量預(yù)測，可實現(xiàn)在線監(jiān)測茶葉微波殺青中的品質(zhì)變化。常春等[10]

選取茶葉的面積、周長、凸殼面積等8個關(guān)鍵特征，通過BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，研制出一款智能鮮茶葉分選機，實現(xiàn)了對茶鮮葉的自動分類，在實驗中展現(xiàn)了高達90%以上的分類準(zhǔn)確率，但分揀效率仍需進一步提高。高震宇等[11]采集了各等級茶葉的樣本圖像，搭建卷積神經(jīng)網(wǎng)絡(luò)模型，成功實現(xiàn)了對單芽、一芽一葉、一芽二葉、一芽三葉、單片葉、葉梗等茶葉等級的有效識別和分選，識別正確率高達90%以上，有效解決了傳統(tǒng)分選方法精度不足的問題。

4 近紅外光譜技術(shù)在茶葉加工中的研究及應(yīng)用

近紅外光譜技術(shù)是一種介于可見光和中紅外之間的電磁輻射波技術(shù)，其波長在780～2 526 nm。這項技術(shù)主要通過研究物質(zhì)在近紅外光照射下所體現(xiàn)出的光譜吸收特性和散射特性，來分析有機物組分和結(jié)構(gòu)的信息，確定組分含量。近紅外光譜技術(shù)具有快速、無損、簡便、環(huán)保、重復(fù)性好等優(yōu)勢，已被廣泛應(yīng)用于農(nóng)業(yè)、食品工業(yè)、環(huán)境科學(xué)等諸多領(lǐng)域。

在茶葉加工領(lǐng)域，近紅外光譜技術(shù)主要被應(yīng)用于茶葉的生化成分定量檢測、茶葉等級劃分、發(fā)酵程度控制等方面。吳繼忠等[12]采用便攜式近紅外光譜系統(tǒng)來采集茶葉在干燥環(huán)節(jié)的光譜數(shù)據(jù)，并運用全光譜偏最小二乘模型（PLS）、遺傳偏最小二乘模型（GA-PLS）以及競爭性自適應(yīng)加權(quán)抽樣偏最小二乘模型（CARS-PLS）進行數(shù)據(jù)分析，最終發(fā)現(xiàn)，在檢測茶葉干燥過程中的水分含量時，CARS-PLS模型展現(xiàn)出最佳性能，為茶葉干燥品質(zhì)的智能化監(jiān)控提供了新的方法。董春旺等[13]結(jié)合了機器視覺和近紅外光譜技術(shù)，采集了105條不同時序下的殺青葉光譜信息和相應(yīng)的105張圖像信息，利用競爭性自適應(yīng)權(quán)重取樣（CARS）算法提取特征并建立支持向量回歸（SVR）預(yù)測模型，實現(xiàn)對綠茶殺青過程中水分含量的快速有效檢測，為綠茶殺青過程的精準(zhǔn)控制奠定了理論基礎(chǔ)。胡永光等[14]利用可見-近紅外光譜分析，建立偏最小二乘回歸預(yù)測模型，實現(xiàn)綠茶殺青葉料含水率的快速無損檢測。王勝鵬等[15]建立了近紅外光譜數(shù)據(jù)與茶鮮葉含水量、全氮量和粗纖維含量的相關(guān)模型，提出了基于這三個參數(shù)的茶鮮葉質(zhì)量系數(shù)方程，開發(fā)了一種利用近紅外光譜技術(shù)無損快速評價茶鮮葉原料質(zhì)量的新方法。王曼等[16]利用近紅外光譜技術(shù)，結(jié)合偏最小二乘法和人工神經(jīng)網(wǎng)絡(luò)，構(gòu)建黃山毛峰茶鮮葉中含水率、全氮量和粗纖維含量的定量模型，模型預(yù)測精度較高，等級判別率達到93.10%，為茶葉品質(zhì)快速評價提供了新方法。鄧余良等[17]利用近紅外光譜和化學(xué)計量學(xué)方法，通過精細(xì)的預(yù)處理和變量篩選步驟，成功建立了紅茶發(fā)酵中TFs/TRs比值的預(yù)測模型，為紅茶發(fā)酵品質(zhì)的快速評價提供了新方法。寧井銘等[18]利用近紅外光譜技術(shù)與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合建立模型，能精確區(qū)分不同發(fā)酵階段的普洱茶，效果超越傳統(tǒng)感官評估。

5 高光譜技術(shù)在茶葉加工中的研究及應(yīng)用

高光譜成像技術(shù)可以同時獲得樣品的光譜和圖像信息，既能利用圖像信息分析樣品的外部形態(tài)，又能基于光譜信息表征樣品的內(nèi)部品質(zhì)，結(jié)合了機器視覺和近紅外光譜的優(yōu)勢，在茶葉加工領(lǐng)域也有了一定的應(yīng)用。孔慶波等[19]通過采集鐵觀音茶葉鮮葉樣本的高光譜數(shù)據(jù)，構(gòu)建并驗證了葉綠素含量的估算模型，研究發(fā)現(xiàn)，使用第5、6片葉的DV 640參量構(gòu)建的模型具有最高的估測精度，達到了93%。李曉麗等[20]結(jié)合高光譜成像技術(shù)與化學(xué)計量學(xué)方法，成功建立光譜與EGCG（表沒食子兒茶素沒食子酸酯）濃度的回歸模型，可視化了EGCG在茶葉中的分布。劉翠玲等[21]利用高光譜成像技術(shù)采集茶葉的光譜數(shù)據(jù)，應(yīng)用二維相關(guān)光譜波段篩選算法來提取特征光譜，并結(jié)合極限學(xué)習(xí)機來構(gòu)建預(yù)測模型，顯著提升了茶葉中茶多酚含量預(yù)測的準(zhǔn)確性和精度。楊崇山[22]將高光譜數(shù)據(jù)通過SNV預(yù)處理、PCA分析以及SPA特征篩選，并配合機器學(xué)習(xí)算法，建立了能夠精確判別發(fā)酵程度和預(yù)測關(guān)鍵品質(zhì)成分（如兒茶素）的模型，實現(xiàn)紅茶發(fā)酵內(nèi)質(zhì)信息的可視化。戴春霞等[23]通過采集茶鮮葉的高光譜圖像，并應(yīng)用四種預(yù)處理方法和兩種回歸模型對數(shù)據(jù)進行分析，確定偏最小二乘回歸模型的預(yù)測效果最佳，實現(xiàn)在茶葉加工過程中對茶鮮葉含水率的快速無損檢測。寧井銘等[24]

通過主成分分析法篩選出5個特征波長及其對應(yīng)的光譜特征值，并提取了這些特征波長圖像的紋理特征值，并結(jié)合化學(xué)計量學(xué)方法建立判別模型，實現(xiàn)了紅茶萎凋程度量化判別。安霆[25]利用光譜與圖像技術(shù)，構(gòu)建了紅茶萎凋水分的感知模型，通過預(yù)處理和特征波段篩選，優(yōu)化了模型的預(yù)測精度，從而實現(xiàn)了萎凋葉水分的快速無損檢測與可視化。

6 結(jié)語

綜上所述，無損檢測技術(shù)在茶葉加工中主要應(yīng)用于以下場景：（1）殺青、萎凋、干燥等加工環(huán)節(jié)中茶葉的水分及其他化合物含量的檢測；（2）茶鮮葉的分級分類；（3）紅茶、普洱茶等發(fā)酵茶的發(fā)酵程度判別。通過以上應(yīng)用，可實現(xiàn)對茶葉加工過程的實時監(jiān)控和優(yōu)化，提升成品茶質(zhì)量的穩(wěn)定性和統(tǒng)一性。但是，這些應(yīng)用目前還存在如下問題：（1）部分技術(shù)對操作環(huán)境要求較高，還處于實驗室數(shù)據(jù)階段，尚未真正應(yīng)用于茶葉加工現(xiàn)場；（2）基于茶葉本身的多樣性和復(fù)雜性，大部分研究結(jié)果僅適用于所研究的樣品茶，普適性不強；（3）目前的設(shè)備主要依靠先進的硬件和復(fù)雜的算法，成本較高，對于中小規(guī)模的茶企來說，投資回報周期長，普及率有限。總的來說，無損檢測技術(shù)在茶葉加工中的應(yīng)用尚處于起步階段，具有很大的發(fā)展?jié)摿Α?/p>

參考文獻

[1] 中華人民共和國農(nóng)業(yè)農(nóng)村部.關(guān)于促進茶產(chǎn)業(yè)健康發(fā)展的指導(dǎo)意見[EB/OL].www.moa.gov.cn/nybgb/

2021/202110/202112/t20211208_6384205.htm.，2021-12-08.

[2] 沈帥，袁海波，朱宏凱，等.茶葉數(shù)字化加工技術(shù)研究進展[J].中國茶葉，2022，44（8）：1-8.

[3] Shyam Narayan J，Narsaiah K，et al.Measurement

techniques and application of electrical properties

for nondestructive quality evaluation of food [J].J Food Sci Technol，2011，48（4）：387-411.

[4] 劉飛，葉陽，董春旺，等.基于電特性參數(shù)的綠茶干燥過程在制品含水量變化規(guī)律研究[J].中國農(nóng)機化學(xué)報，2014，35（2）：94-98.

[5] 王盛琳，楊崇山，劉中原，等.基于電特性的紅茶發(fā)酵中茶多酚含量快速檢測方法[J].茶葉科學(xué)，2021，41（2）：251-260.

[6] 蔣建軍，李臻峰，宋飛虎.基于氣味在線檢測的綠茶鍋式殺青系統(tǒng)研究[J].食品與機械，2021，37（2）：111-118.

[7] 徐敏.基于電子鼻、電子舌和電子眼融合技術(shù)對龍井茶品質(zhì)的檢測[D].杭州：浙江大學(xué)，2020.

[8] 梁高震.工夫紅茶萎凋機水分在線感知系統(tǒng)的研究[D].石河子：石河子大學(xué)，2019.

[9] 吳鑫，宋飛虎，裴永勝，等.基于機器視覺的茶葉微波殺青中品質(zhì)變化與預(yù)測研究[J].茶葉科學(xué)，2021，41（6）：854-864.

[10] 常春，陳怡群，肖宏儒，等.基于神經(jīng)網(wǎng)絡(luò)圖像分析的智能鮮茶葉分選機[J].中國農(nóng)機化學(xué)報，2013，34（1）：137-141.

[11] 高震宇，王安，劉勇，等.基于卷積神經(jīng)網(wǎng)絡(luò)的鮮茶葉智能分選系統(tǒng)研究[J].農(nóng)業(yè)機械學(xué)報，2017，48（7）：53-58.

[12] 吳繼忠，王新宇，藍黃博恩，等.茶葉干燥過程水分含量的近紅外光譜檢測方法研究[J].農(nóng)產(chǎn)品加工，2018（9）：44-47.

[13] 董春旺，劉中原，楊明，等.基于多源信息融合的綠茶殺青葉水分含量智能感知方法[J].食品科學(xué)，2022，43（20）：242-251.

[14] 胡永光，陳培培，趙夢龍.綠茶殺青葉料含水率可見-近紅外光譜檢測[J].農(nóng)業(yè)機械學(xué)報，2013，44（8）：174-179.

[15] 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(zhì)量近紅外評價方法[J].茶葉科學(xué)，2011，31（1）：66-71.

[16] 王曼，張正竹，寧井銘，等.基于近紅外光譜的黃山毛峰茶鮮葉品質(zhì)分析及等級快速評價[J].食品工業(yè)科技，2014，35（22）：57-64.

[17] 鄧余良，胡強，夏康炎，等.基于近紅外的紅茶發(fā)酵中TFs/TRs評價模型研究[J].現(xiàn)代農(nóng)業(yè)裝備，2019，40（4）：64-70.

[18] 寧井銘，宛曉春，張正竹，等.近紅外光譜技術(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)判別普洱茶發(fā)酵程度[J].農(nóng)業(yè)工程學(xué)報，2013，29（11）：255-260.

[19] 孔慶波，張青，章明清，等.基于高光譜參量茶葉葉綠素含量估算模型研究[J].福建農(nóng)業(yè)科技，2014（1）：27-29.

[20] 李曉麗，魏玉震，徐劼，等.基于高光譜成像的茶葉中EGCG分布可視化[J].農(nóng)業(yè)工程學(xué)報，2018，34（7）：180-186.

[21] 劉翠玲，朱銳，徐金陽，等.基于高光譜成像技術(shù)快速檢測茶葉茶多酚含量[J].食品安全質(zhì)量檢測學(xué)報，2022，13（17）：5504-5510.

[22] 楊崇山.基于高光譜的紅茶發(fā)酵品質(zhì)信息檢測技術(shù)研究[D].石河子：石河子大學(xué)，2021.

[23] 戴春霞，劉芳，葛曉峰.基于高光譜技術(shù)的茶鮮葉含水率檢測與分析[J].茶葉科學(xué)，2018，38（3）：281-286.

[24] 寧井銘，孫京京，朱小元，等.基于圖像和光譜信息融合的紅茶萎凋程度量化判別[J].農(nóng)業(yè)工程學(xué)報，2016，32（24）：303-308.

[25] 安霆.基于光譜與圖像的紅茶萎凋水分感知模型研究[D].石河子：石河子大學(xué)，2020.