CN104020129A - 一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法 - Google Patents

Abstract

本发明公开了一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法，样品的选取与预处理；用高效液相色谱仪测定样品氨基酸含量；获取样品的光谱，利用联合区间偏最小二乘法建立氨基酸近红外光谱定量判别模型，找出氨基酸变化分布，对工夫红茶发酵质量进行判别。本发明是基于近红外光谱分析技术结合氨基酸变化的工夫红茶发酵质量的判别方法，利用标准正态变量变换SNVT对采集的原始光谱进行预处理，利用联合区间偏最小二乘回归法SiPLS构建氨基酸近红外判别模型。本发明为工夫红茶发酵质量进行科学、准确的判别提供了一种定量判断的方法。

Description

一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法

技术领域

本发明涉及一种茶叶质量分析判断的方法，尤其涉及的是一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法。

背景技术

红茶是茶叶国际贸易的主体，按照加工工艺的不同可分为小种红茶工夫、工夫红茶和红碎茶三类，其中工夫红茶分布最广、产量最大。工夫红茶加工工艺是：鲜叶→萎凋→揉捻→发酵→干燥，其中，发酵是工夫红茶初制的关键工序，发酵不足会导致茶叶有青气、滋味苦涩、汤色不红；而发酵过度则茶叶香气低熟不爽、滋味淡薄、汤色红暗，最终都影响产品质量下降，只有发酵适度才能保证红茶品质。在生产实践中，人们对于红茶发酵程度的控制和品质评价主要依赖感官进行经验判断，缺乏量化指标，判别结果受人为因素影响很大。因而，在红茶加工过程中，对红茶发酵程度进行量化的、准确性地判别显得尤为重要。

近红外光谱(Near Infrared Spectroscopy,NIRS)主要反映分子中含氢基团(C-H,N-H,O-H)振动的合频与各级倍频的吸收信息，具有丰富的化学信息量，近红外光谱以此为基础对有机物组成和性质信息进行分析。现代近红外光谱分析充分利用全谱段或多波长光谱信息进行定性或定量分析。该技术是多种组分同时测定，且具有快速、无损、实时监控的特点。非常适合农产品和食品的快速判别分析。国内外还未见有关基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量判别的相关文章报道。

发明内容

本发明的目的在于克服现有技术的不足，提供了一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法，为工夫红茶发酵质量的判别提供了一种定量判断的方法，检测结果准确且快速。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

(1)样品的选取与预处理；

选取适度发酵、发酵不足、发酵过度的工夫红茶样品随机划分校正集和预测集；

(2)用高效液相色谱仪测定样品氨基酸含量；

(3)获取样品的光谱，利用联合区间偏最小二乘法建立氨基酸近红外光谱定量判别模型，找出氨基酸变化分布，对工夫红茶发酵质量进行判别：

a、近红外光谱采集

采用傅里叶变换近红外光谱仪对样品进行近红外光谱扫描，获得所述样品在近红外波长的所有光谱信息；

b、光谱预处理

对原始光谱进行不同的预处理，根据红茶发酵质量判别模型的预测效果，确定光谱最佳预处理方法；

c、对校正集样品采用联合区间偏最小二乘法建立工夫红茶发酵适度的氨基酸模型，用所建模型对未知样品进行预测，从而实现对发酵质量进行预测：

1)通过相关系数R、交互验证均方根误差RMSEC、预测均方根误差RMSEV判断模型精度，R越高，RMSEC和RMSEP越小，模型的精度越高：

$R=\sqrt{1-\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-{\stackrel{\‾}{y}}_i)}^2}}$

式中，R为相关系数，n表示样本数，y_i和分别为样品集中第i个样品的实测值和预测值，包括校正集和预测集；为样品集中第i个样品的实测值的平均值，Rc表示校正集相关系数，Rv表示预测集相关系数；

$\mathrm{RMSECV}=\sqrt{\frac{1}{N-P-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2}$

$\mathrm{RMSEP}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2}$

式中：y_i和分别为样品集中第i个样品的实测值和预测值；N为校正集样品数，n为预测集样品数，P为主成分数；

2)偏最小二乘法siPLS算法步骤如下：

第一步：将整个光谱区域划分为n个等宽的子区间；

第二步：在每个子区间上进行偏最小二乘回归，建立待测品质的局部回归模型，得到n个局部回归模型；

第三步：以交互验证时的均方根误差值RMSECV为各局部模型的精度衡量标准，对各局部模型的精度进行比较，找出精度较好的模型所对应的m个子区间，把这m个子区间联合起来进行偏最小二乘回归，建立待测品质的联合局部回归模型；

第四步：同样以交互验证时的RMSECV值为各联合局部模型的精度衡量标准，对各个联合局部模型的精度进行比较，最小的RMSECV所对应的联合局部回归模型的子区间组合即为特征波谱区间组合；

3)联合区间偏最小二乘法siPLS模型的建立：

采用联合区间偏最小二乘回归法对上述样本的近红外光谱进行筛选时，将整个光谱区间分别划分为不同数目的子区间，在划分为相同子区间的情况下，分别联合2、3和4个子区间建立模型，从中获得最优氨基酸含量的siPLS模型；

d、模型验证

利用建立的预测模型，对预测集的样品进行预测，若得到近红外光谱的预测值与实际值基本一致，则验证模型的预测效果良好。

所述步骤(1)中，选取适度发酵、发酵不足、发酵过度的工夫红茶样品156份，将样品烘干粉碎，过筛至40目到60目之间，样品量10g，样品按3:1的比例随机划分校正集和预测集。

所述步骤(2)中，测定氨基酸的色谱条件为：采用Waters公司高效液相色谱仪；荧光检测器；色谱柱：waters-C₁₈，4μm，4.6mm×150mm；流动相：A相为Waters AccQ·Tag洗脱液A，B相为纯已腈，C相为超纯水，洗脱梯度为：起始流动相A、B、C分别为100％A、0％B、0％C，流速1.0mL/min，37min内完成，检测波长250nm，395nm，供试样的进样量5μl，柱温25℃，每1次完成后，系统平衡8min后再次进样，获取样品的化学图谱，得到氨基酸的含量。

本发明相比现有技术具有以下优点：本发明是基于近红外光谱分析技术结合氨基酸变化的工夫红茶发酵质量的判别方法，利用标准正态变量变换SNVT对采集的原始光谱进行预处理，利用联合区间偏最小二乘回归法SiPLS构建氨基酸近红外判别模型。本发明为工夫红茶发酵质量进行科学、准确的判别提供了一种定量判断的方法。

附图说明

图1是不同发酵程度样品的波数范围3598.668-12493.12cm^-1原始光谱图；

图2是SNVT预处理后的原始光谱；

图3是原始光谱在SNVT预处理方法下所测氨基酸建立模型校正集的实际值和预测值的关系散点图；

图4是原始光谱在SNVT预处理方法下所测氨基酸建立模型预测集的实际值和预测值的关系散点图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本实施例包括以下步骤：

(1)样品的选取与预处理；

选取适度发酵工夫红茶样品52份，发酵不足工夫红茶样品52份，过度发酵工夫红茶样品52份，分别将这156份样品烘干粉碎，过筛至40目到60目之间，样品量10g，样品按3:1的比例随机划分校正集和预测集。得到其中104份样品作为校正集，用于建立预测模型，剩下的52份作为预测集，用来检验模型的可靠性。

(2)用高效液相色谱仪测定样品氨基酸含量；

测定氨基酸的色谱条件为：采用Waters公司高效液相色谱仪；荧光检测器；色谱柱：waters-C₁₈，4μm，4.6mm×150mm；流动相：A相为Waters AccQ·Tag洗脱液A，B相为纯已腈，C相为超纯水，洗脱梯度为：起始流动相A、B、C分别为100％A、0％B、0％C，流速1.0mL/min，37min内完成，检测波长250nm，395nm，供试样的进样量5μl，柱温25℃，每1次完成后，系统平衡8min后再次进样，获取样品的化学图谱，得到氨基酸的含量，如表1所示。

表1156份不同发酵程度样品的氨基酸含量

(3)获取样品的光谱，利用联合区间偏最小二乘法建立氨基酸近红外光谱定量判别模型，找出氨基酸变化分布，对工夫红茶发酵质量进行判别：

a、近红外光谱采集

采用MPA型傅里叶变换近红外光谱仪(德国BRUKER公司)对样品进行近红外光谱扫描，获得所述样品在近红外波长的所有光谱信息，波数范围为4000-10500cm^-1，扫描次数为32次，分辨率为8cm^-1，每份样本进行3次装样，取3次采集的平均光谱作为该样本的原始光谱；

b、光谱预处理

通过对原始光谱分别进行标准正态变量变换(SNVT)、一阶导数、9点平滑这三种方法预处理；

在不同光谱预处理条件下，红茶发酵质量判别模型的识别率的影响，其结果见表2。

表2不同预处理方法偏最小二乘法PLS模型的结果对比

本实施例选用SNVT作为光谱预处理方法，处理之前的光谱和处理之后的光谱如图1和图2所示。

c、采用联合区间偏最小二乘法建立工夫红茶“发酵”质量的判别模型

1)通过相关系数R、交互验证均方根误差RMSEC、预测均方根误差RMSEV判断模型精度，R越高，RMSEC和RMSEP越小，模型的精度越高：

$R=\sqrt{1-\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-{\stackrel{\‾}{y}}_i)}^2}}$

式中，R为相关系数，n表示样本数，y_i和分别为样品集中第i个样品的实测值和预测值，包括校正集和预测集；为样品集中第i个样品的实测值的平均值；

$\mathrm{RMSECV}=\sqrt{\frac{1}{N-P-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2}$

$\mathrm{RMSEP}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2}$

式中：y_i和分别为样品集中第i个样品的实测值和预测值；N为校正集样品数，n为预测集样品数，P为主成分数；

如图3所示，采用联合区间偏最小二乘法建立工夫红茶发酵质量的判别模型，氨基酸的Rc值为0.9891，RMSEC为1.56，主成数10。

2)联合区间偏最小二乘法siPLS算法步骤如下：

第一步：将整个光谱区域划分为n个等宽的子区间；

第二步：在每个子区间上进行偏最小二乘回归，建立待测品质的局部回归模型，得到n个局部回归模型；

第三步：以交互验证时的均方根误差值RMSECV为各局部模型的精度衡量标准，对各局部模型的精度进行比较，找出精度较好的模型所对应的m个子区间，把这m个子区间联合起来进行偏最小二乘回归，建立待测品质的联合局部回归模型；

第四步：同样以交互验证时的RMSECV值为各联合局部模型的精度衡量标准，对各个联合局部模型的精度进行比较，最小的RMSECV所对应的联合局部回归模型的子区间组合即为特征波谱区间组合；

3)联合区间偏最小二乘法siPLS模型的建立：

采用联合区间偏最小二乘回归法对上述样本的近红外光谱进行筛选时，将整个光谱区间分别划分为10、11、12、…、30个子区间，考察不同数目的子区间划分对模型性能以及最佳波长区间的影响。在数据处理过程中，划分为相同子区间的情况下，又尝试分别联合2、3和4个子区间，由表3可以看出，当整个光谱区域(2307个波数点)划分成20个子区间时并联合4个子区间时联合区间为[3 4 15 16]，主因子数为10。此时获得最优氨基酸含量的siPLS模型。

表3选择不同区间数的siPLS氨基酸分析模型的结果

d、模型验证

利用建立的校正集模型，对预测集的样品进行预测，若得到近红外光谱的预测值与实际值基本一致，表明模型的预测效果良好。

如图4所示，利用建立的氨基酸校正集模型，对预测集样品进行预测，预测集样品近红外光谱预测值与实际值的R值为0.9811，RMSEP为2.23，模型的预测效果良好。

表明这个方法是可行的，从而也证明了利用近红外光谱分析技术对工夫红茶“发酵”质量的判别是可行的。

Claims (3)

1.一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法，其特征在于，包括以下步骤：

(1)样品的选取与预处理；

选取适度发酵、发酵不足、过度发酵的工夫红茶样品随机划分校正集和预测集；

(2)用高效液相色谱仪测定样品氨基酸含量；

(3)获取样品的光谱，利用联合区间偏最小二乘法建立氨基酸近红外光谱定量判别模型，找出氨基酸变化分布，对工夫红茶发酵质量进行判别：

a、近红外光谱采集

采用傅里叶变换近红外光谱仪对样品进行近红外光谱扫描，获得所述样品在近红外波长的所有光谱信息；

b、光谱预处理

对原始光谱进行不同的预处理，根据红茶发酵质量判别模型的预测效果，确定光谱最佳预处理方法；

c、对训练集样品采用联合区间偏最小二乘法建立工夫红茶发酵质量的氨基酸预测模型，从而实现对发酵质量进行预测：

1)通过相关系数R、交互验证均方根误差RMSEC、预测均方根误差RMSEV判断模型精度，R越高，RMSEC和RMSEP越小，模型的精度越高：

$R=\sqrt{1-\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-{\stackrel{\‾}{y}}_i)}^2}}$

式中，R为相关系数，n表示样本数，y_i和分别为样品集中第i个样品的实测值和预测值，包括校正集和预测集；为样品集中第i个样品的实测值的平均值；

$\mathrm{RMSECV}=\sqrt{\frac{1}{N-P-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2}$

$\mathrm{RMSEP}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2}$

式中：y_i和分别为样品集中第i个样品的实测值和预测值；N为校正集样品数，n为预测集样品数，P为主成分数；

2)联合区间偏最小二乘法siPLS算法步骤如下：

第一步：将整个光谱区域划分为n个等宽的子区间；

第二步：在每个子区间上进行偏最小二乘回归，建立待测品质的局部回归模型，得到n个局部回归模型；

第三步：以交互验证时的均方根误差值RMSECV为各局部模型的精度衡量标准，对各局部模型的精度进行比较，找出精度较好的模型所对应的m个子区间，把这m个子区间联合起来进行偏最小二乘回归，建立待测品质的联合局部回归模型；

第四步：同样以交互验证时的RMSECV值为各联合局部模型的精度衡量标准，对各个联合局部模型的精度进行比较，最小的RMSECV所对应的联合局部回归模型的子区间组合即为特征波谱区间组合；

3)联合区间偏最小二乘法siPLS模型的建立：

采用联合区间偏最小二乘回归法对上述样本的近红外光谱进行筛选时，将整个光谱区间分别划分为不同数目的子区间，在划分为相同子区间的情况下，分别联合2、3和4个子区间建立模型，从中获得最优氨基酸含量的siPLS模型；

d、模型验证

利用建立的校正集模型，对预测集的样品进行预测，若得到近红外光谱的预测值与实际值基本一致，则验证模型的预测效果良好。

2.根据权利要求1所述的所述一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法，其特征在于，步骤(1)中，选取适度发酵、发酵不足、发酵过度的工夫红茶样品156份，将样品烘干粉碎，过筛至40目到60目之间，样品量10g，样品按3:1的比例随机划分校正集和预测集。

3.根据权利要求1所述的所述一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法，其特征在于，所述步骤(2)中，测定氨基酸的色谱条件为：采用Waters公司高效液相色谱仪；荧光检测器；色谱柱：waters-C₁₈，4μm，4.6mm×150mm；流动相：A相为Waters AccQ·Tag洗脱液A，B相为纯已腈，C相为超纯水，洗脱梯度为：起始流动相A、B、C分别为100％A、0％B、0％C，流速1.0mL/min，37min内完成，检测波长250nm，395nm，供试样的进样量5μl，柱温25℃，每1次完成后，系统平衡8min后再次进样，获取样品的化学图谱，得到氨基酸的含量。