應(yīng)用方向：

該論文在高光譜成像技術(shù)（HSI）上的應(yīng)用方向主要集中在茶葉質(zhì)量的非破壞性檢測與評(píng)估,。通過結(jié)合高光譜成像和化學(xué)計(jì)量學(xué)方法，研究實(shí)現(xiàn)了對(duì)藏茶中關(guān)鍵質(zhì)量參數(shù)（如總酚類物質(zhì)（TPs）和游離氨基酸（FAAs））的快速,、精準(zhǔn)預(yù)測和分級(jí)研究,。該研究能推動(dòng)藏茶質(zhì)量控制和標(biāo)準(zhǔn)化管理，提高了產(chǎn)業(yè)效率,，并為其他食品領(lǐng)域提供了新的非破壞性檢測思路,。

背景：

隨著藏茶產(chǎn)業(yè)的逐步發(fā)展，準(zhǔn)確,、快速地評(píng)估其質(zhì)量成為了一個(gè)重要問題,。傳統(tǒng)的茶葉質(zhì)量評(píng)估方法主要依賴于感官評(píng)定和化學(xué)分析，這些方法不僅具有主觀性,，還存在一定的破壞性,。為了克服這些限制，研究者開始探索了基于現(xiàn)代技術(shù)的非破壞性檢測方法,。近年來,，HSI在食品質(zhì)量檢測中得到了廣泛應(yīng)用，因其能夠提供豐富的光譜信息并進(jìn)行非破壞性檢測,。高光譜成像結(jié)合多變量分析技術(shù)能夠有效提取樣品的化學(xué)成分和物理特征，從而實(shí)現(xiàn)快速,、準(zhǔn)確的質(zhì)量評(píng)估,。本研究聚焦于藏茶的質(zhì)量檢測，旨在利用高光譜成像技術(shù)和化學(xué)計(jì)量學(xué)方法（如多變量分析）對(duì)藏茶的主要質(zhì)量指標(biāo)（TPs和FAAs）進(jìn)行定量分析以及對(duì)藏茶進(jìn)行分級(jí)研究,。該研究提供一種新的茶葉質(zhì)量評(píng)估方式,，以滿足日益增長的藏茶產(chǎn)業(yè)對(duì)高效、精準(zhǔn)檢測技術(shù)的需求,。

實(shí)驗(yàn)設(shè)計(jì)

1.1材料與方法

（1）樣品制備

從四川雅安茶廠有限公司購買了三個(gè)等級(jí)的藏茶,。藏茶的等級(jí)主要取決于茶葉的厚度。一級(jí)為毛尖,，選用最嫩的茶葉,；二級(jí)為雅西，通常是一芽一葉或一芽兩葉,；三級(jí)為金尖,，通常每芽有三葉或四葉,。茶葉被分為106個(gè)樣本，其中一級(jí)樣本33個(gè),，二級(jí)樣本35個(gè),，三級(jí)樣本38個(gè)，每個(gè)樣本重6克,。根據(jù)國家標(biāo)準(zhǔn)茶葉感官評(píng)價(jià)方法GB/T 23776-2018,，邀請(qǐng)了專業(yè)茶葉評(píng)審員對(duì)茶葉等級(jí)進(jìn)行感官評(píng)定。在確認(rèn)樣本后,，實(shí)驗(yàn)分為兩個(gè)步驟,。第一步是將茶葉樣本均勻地放入一個(gè)方形容器中（6.5 × 6.5 cm2），獲取高光譜圖像,，并在圖像采集后迅速將茶葉樣本封裝入密封袋,。第二步是將樣本送至四川農(nóng)業(yè)大學(xué)茶葉專業(yè)實(shí)驗(yàn)室，進(jìn)行TPs和FAAs的檢測,。圖1為藏茶檢測流程圖,。

圖1.藏茶的檢測流程圖

（2）高光譜成像采集

高光譜圖像由江蘇雙利合譜科技有限公司生產(chǎn)的Gaia Sorter高光譜分選儀獲得。高光譜系統(tǒng)由成像光譜儀和CCD相機(jī)組成,。該系統(tǒng)的光譜采集范圍為387 ~ 1035 nm,，光譜分辨率為2.8 nm，具有256個(gè)光譜通道,。由于光譜采集開始和結(jié)束時(shí)暗電流的影響,，僅保留420~1010 nm波段的信息作為原始光譜數(shù)據(jù)。所有茶葉樣品都測量了3次,。采樣臺(tái)移動(dòng)速度設(shè)置為4.0 mm/s,，采樣距離設(shè)置為170 mm，相機(jī)曝光時(shí)間設(shè)置為16 ms,。通過高光譜相機(jī)獲取圖像后,，對(duì)獲取的圖像進(jìn)行黑白校正。采集圖像后,，通過分析軟件從圖像中提取光譜數(shù)據(jù),。該軟件選擇一個(gè)矩形（面積為100 × 100像素）作為感興趣的區(qū)域。然后提取感興趣區(qū)域每個(gè)像元的光譜數(shù)據(jù),，并計(jì)算所有像元的平均光譜作為樣本的代表性光譜,。

（3）化學(xué)成分測定

TPs的含量采用國家標(biāo)準(zhǔn)GB/T 8313-2018中的Folin-Ciocalteu比色法進(jìn)行測定。FAAs的測定方法參照GB/T 8314-2013,，采用茚三酮比色法,。

（4）統(tǒng)計(jì)分析

所有實(shí)驗(yàn)均進(jìn)行三次重復(fù)，并以均值 ± 標(biāo)準(zhǔn)差的形式呈現(xiàn),。統(tǒng)計(jì)分析使用SPSS軟件進(jìn)行,，采用單因素方差分析加事后Duncan檢驗(yàn),，P < 0.05被定義為具有統(tǒng)計(jì)學(xué)顯著性。使用Origin 軟件進(jìn)行繪圖,。

（5）光譜預(yù)處理

除了樣本的化學(xué)成分信息外,，高光譜數(shù)據(jù)還包含一些不良影響，包括樣本,、工作環(huán)境和設(shè)備引起的隨機(jī)噪聲干擾,，這些因素與研究對(duì)象無關(guān)，但可能影響模型的評(píng)估指標(biāo),。因此,，在建立模型之前，使用了Savitzky-Golay（SG）,、SG-乘法散射校正（MSC）和SG-標(biāo)準(zhǔn)正態(tài)變量（SNV）方法進(jìn)行預(yù)處理,，以減少干擾信息的影響。

（6）特征提取

光譜共有256個(gè)波段,，可能存在大量冗余信息,，在一定程度上增加了數(shù)據(jù)處理時(shí)間，不利于建模,。采用PCA算法對(duì)原始和預(yù)處理的光譜數(shù)據(jù)進(jìn)行主成分分析,，提取關(guān)鍵特征。

（7）機(jī)器學(xué)習(xí)建模

在藏茶含量預(yù)測中,，采用AdaBoost,、梯度增強(qiáng)決策樹（Gradient Boosting Decision Tree，GBDT）和Extratree模型檢測藏茶中TPs和FAAs含量,。使用決策樹（DT）,、隨機(jī)森林分類器（RFC）、K近鄰（KNN）和支持向量機(jī)（SVM）等分類算法建立分類模型,。通過準(zhǔn)確度,、精密度和召回率來評(píng)估分類模型的性能，計(jì)算決定系數(shù)（R²）,、均方根誤差（RMSE）和殘差預(yù)測偏差（RPD）來評(píng)估回歸模型的性能,。

1.2.結(jié)果與討論

（1）統(tǒng)計(jì)結(jié)果

圖2（a,、b）為藏茶中TPs和FAAs的分布,。TPs和FAAs的中位數(shù)和范圍值因等級(jí)而異。TPs和FAAs的含量通常隨著茶葉等級(jí)的增加而增加,，因此,，茶葉等級(jí)中TPs和FAAs的差異有統(tǒng)計(jì)學(xué)意義（P < 0.05）。雖然G1和G2在TPs分布圖上的差異很小,，但中位數(shù)不同,。G1的TPs含量為8.42±0.61%,，F(xiàn)AAs含量為1.4±0.36%。G2的TPs含量為8.22±0.48%,，F(xiàn)AAs含量為1.05±0.17%,。G3的TPs含量為4.99±0.51%，F(xiàn)AAs含量為0.36±0.09%,。

不同品級(jí)的藏茶內(nèi)部成分差異顯著,。這些含量可以作為評(píng)價(jià)藏茶品級(jí)的可靠依據(jù)。

圖2.（a）不同等級(jí)的TPs值（%）,；（b）不同等級(jí)的FAAs值（%）,。圖中G1、G2,、G3分別代表茶葉的三個(gè)等級(jí)

（2）光譜數(shù)據(jù)特征描述,、樣本劃分和數(shù)據(jù)降維

圖3（a）為茶葉樣品的原始光譜，圖3（b-d）為各種預(yù)處理方法后的光譜,。圖3（e）顯示了三個(gè)等級(jí)茶葉的平均光譜,。采用SG和聯(lián)合預(yù)處理方法處理后的光譜數(shù)據(jù)更加平滑，并且減少了噪聲和來自環(huán)境和高光譜系統(tǒng)的某些不確定干擾,。根據(jù)平均光譜,，發(fā)現(xiàn)三個(gè)等級(jí)茶葉的光譜不相交，等級(jí)越高（G1為最高等級(jí)）,，茶葉的光譜反射越低,。

圖3.茶葉樣品的光譜，（a）原始光譜,；（b） SG后的光譜,；（c） SG-MSC后的光譜；（d） SG-SNV后的光譜,；（e）三個(gè)等級(jí)茶葉的平均光譜

不同品級(jí)的茶葉樣品屬于同一種,，化學(xué)成分相同，因此在不同波長區(qū)域之間具有相似的光譜趨勢,。茶葉樣品的光譜趨勢相似,，但不同等級(jí)茶葉樣品的反射率不同，茶葉的等級(jí)越好,，光譜反射率越低,。前面部分的統(tǒng)計(jì)分析結(jié)果表明，茶葉等級(jí)越高（G1為最高等級(jí)）,，茶葉中TPs和FAAs的含量越高,，因此茶葉中這兩種成分的含量與之前的光譜反射率呈反比關(guān)系，也為使用HSI來區(qū)分藏茶的等級(jí)，為后續(xù)的建模和分析提供依據(jù),。

獲得的高光譜圖像波長范圍為420 ~ 1010 nm,。光譜區(qū)域的變化與有機(jī)分子中含氫基團(tuán)（如C-H、N-H,、O-H和S-H）的振動(dòng)頻率與不同水平的乘法吸收區(qū)域的組合一致,。690 nm處的吸收峰較低，茶葉在該波段吸收紅光較多,，綠光較少,，這可能與茶葉的葉綠素含量有關(guān)。在700-1010 nm范圍內(nèi),，由于葉片對(duì)近紅外波段吸收較少,，光譜上升明顯，該波段差異較大可能是由于不同等級(jí)的內(nèi)部成分差異較大,。

PCA在模型中起到特征降維的作用,，將原始光譜壓縮為低維數(shù)據(jù)，壓縮后的數(shù)據(jù)相互獨(dú)立,、正交,。圖4為三個(gè)等級(jí)（G1、G2,、G3）的三維PCA分布圖,。圖4（a），對(duì)應(yīng)原始數(shù)據(jù)集的PCA得分,，其中PC1占94.37%,，PC2占4.44%，PC3占0.96%,。累積信息方差貢獻(xiàn)達(dá)到99.77%,，表明新數(shù)據(jù)在保證譜所含信息量可靠有效的前提下，可以最大限度地發(fā)揮原始數(shù)據(jù)的特征,，也減少了后續(xù)模型構(gòu)建的輸入量,。此外，G2和G3之間存在重疊,。根據(jù)以上分析,，PCA無法*全分離數(shù)據(jù)集，這可能是由于兩種等級(jí)的茶葉之間存在細(xì)微的差異,。圖4（b）是訓(xùn)練集和測試集隨機(jī)分割數(shù)據(jù)集的PCA分布圖,。數(shù)據(jù)集的分布非常均勻，訓(xùn)練集和測試集的分布重疊,，并且測試集中的樣本包含了所有訓(xùn)練集樣本的特征,，從而保證了樣本預(yù)測的可能性,。

圖4. 三維PCA散點(diǎn)圖,，（a）三個(gè)不同等級(jí)的劃分,；（b）訓(xùn)練集和測試集的劃分

（3）TPs和FAAs的定量測定

為了預(yù)測藏茶中的TPs和FAAs以及建立藏茶等級(jí)的判別模型，將樣本按2:1的比例隨機(jī)分為訓(xùn)練集和測試集,。表1（a,、b）顯示了三種回歸方法結(jié)合不同預(yù)處理方法對(duì)TPs和FAAs的預(yù)測結(jié)果，并對(duì)所有數(shù)據(jù)進(jìn)行PCA降維處理,。

在TPs預(yù)測中,，測試集中的R_p²都在0.9左右，RMSEP在0.43到0.58之間,。在所有模型中,，Extratree在訓(xùn)練集上的R²最高，R_c² = 1,， RMSEC= 0表明該模型能夠準(zhǔn)確預(yù)測,，模型具有較高的學(xué)習(xí)能力。在FAAs預(yù)測中,，測試集的R_p²范圍為0.79 ~ 0.87,，模型的RMSEP范圍為0.16 ~ 0.20。所有模型的RPD均大于2,，具有較高的信度,，可用于模型分析。在保證訓(xùn)練集上的訓(xùn)練情況后,，經(jīng)過組合預(yù)處理,，發(fā)現(xiàn)模型在測試集上得到了改進(jìn)。SG- SNV-Extratree對(duì)TPs的預(yù)測R_p² = 0.9248,，RMSEP= 0.4842,，RPD= 3.646，優(yōu)于單一預(yù)處理SG的評(píng)價(jià)指標(biāo),。在預(yù)測FAAs時(shí),，Adaboost、GBDT和Extratree中R_p²和RMSEP在聯(lián)合預(yù)處理后的作用大多大于單一預(yù)處理方法,。與Extratree相比,，SG-MSC和SG-SNV的R_p²分別為0.8736和0.8565。結(jié)果表明,，預(yù)處理方法的結(jié)合有助于提高模型的預(yù)測能力,。圖5為TPs和FAAs預(yù)測模型的散點(diǎn)圖。Extratree能提供較好的預(yù)測結(jié)果,。TPs含量預(yù)測的最大誤差為1%,，F(xiàn)AAs含量預(yù)測的最大誤差約為0.25%。SG-SNV-PCA-Extratree對(duì)TPs的預(yù)測效果*好。模型具有較高的R²,、RPD和較低的RMSE （R_c² =1,，RMSEC=0，R_p² =0.9248,，RMSEP=0.4842,，RPD=3.6460）。在FAAs的預(yù)測中,，SG-MSCPCA-Extratree的預(yù)測效果*好,，R_c² = 1，RMSEC= 0,，R_p² = 0.8736,， RMSEP= 0.1590，RPD= 2.8130,。

圖5. 用于茶葉樣品的預(yù)測的模型散點(diǎn)圖（a）為TPs的預(yù)測結(jié)果,；（b）為FAAs預(yù)測結(jié)果

（4）檢測茶葉等級(jí)分類模型的結(jié)果

在建立模型時(shí)，關(guān)鍵因素是選擇*優(yōu)的分類模型,。在確定分類器之后,，我們優(yōu)化了參數(shù)，以獲得最佳的分類模型,。通過比較原始光譜和結(jié)合了三種預(yù)處理方法與PCA的模型,，以及表2中的四種分類模型，最終得出了分類結(jié)果,。

關(guān)于預(yù)處理方法,，在沒有預(yù)處理的分類方法中，結(jié)果并不理想,。SG-SNV和SG-MSC結(jié)合PCA-SVM的結(jié)果優(yōu)于單獨(dú)使用SG,。這表明，預(yù)處理模型的組合不僅使光譜更加平滑,，而且改善了訓(xùn)練效果,，更有利于建模。

關(guān)于分類模型,。RFC和SVM下的測試結(jié)果優(yōu)于DT和KNN,。為了確定*優(yōu)參數(shù)，采用遺傳算法確定SVM中的參數(shù)值,。結(jié)果表明,，SVM的最佳參數(shù)，選擇核函數(shù)的RBF,，gamma= 0.6952, degree = 1,，C= 1.2341,。在此基礎(chǔ)上，得到了基于*優(yōu)參數(shù)的分類結(jié)果,。SG-SNV-PCA-SVM模型效果*好,，訓(xùn)練集和測試集的準(zhǔn)確率、查全率和精密度均為100%,，能夠準(zhǔn)確預(yù)測藏茶的品級(jí)。

結(jié)論

本研究通過化學(xué)計(jì)量學(xué)方法確定了藏茶中的TPs和FAAs,，并通過高光譜成像（HSI）和多變量分析對(duì)其進(jìn)行了預(yù)測,。結(jié)果表明，藏茶中的TPs和FAAs含量存在顯著差異（p < 0.05）,。研究表明,，HSI能夠?qū)崿F(xiàn)茶葉質(zhì)量參數(shù)的非破壞性檢測。本研究將茶葉檢測從外部特征的評(píng)估轉(zhuǎn)變?yōu)橥獠亢蛢?nèi)部特征的綜合評(píng)估,，這將有助于提高藏茶行業(yè)的檢測效率,，促進(jìn)雅安藏茶產(chǎn)業(yè)的發(fā)展，推動(dòng)藏茶經(jīng)濟(jì)的增長,，并為其他食品領(lǐng)域提供一種快速,、非破壞性的檢測方法。

作者簡介

通訊作者：康志亮 教授,，四川農(nóng)業(yè)大學(xué),，博導(dǎo)

參考文獻(xiàn)

論文引用自二區(qū)文章：Yan Hu , Peng Huang , Yuchao Wang , Jie Sun , Youli Wu , Zhiliang Kang. Determination of Tibetan tea quality by hyperspectral imaging technology and mu*tivariate analysis. Journal of Food Composition and Analysis 117. (2023) 105136