CN104297203B

CN104297203B - 一种基于近红外光谱分析技术的工夫红茶发酵质量的快速判别方法

Info

Publication number: CN104297203B
Application number: CN201410507679.3A
Authority: CN
Inventors: 宁井铭; 颜玲; 张正竹; 黄财旺; 韦玲冬; 方俊婷
Original assignee: Anhui Agricultural University AHAU
Current assignee: Anhui Agricultural University AHAU
Priority date: 2014-09-28
Filing date: 2014-09-28
Publication date: 2016-08-17
Anticipated expiration: 2034-09-28
Also published as: CN104297203A

Abstract

本发明公开了一种基于近红外光谱分析技术的工夫红茶发酵质量的快速判别方法，该方法选取适度发酵、发酵不足、过度发酵的工夫红茶样本，随机划分校正集和预测集，利用近红外光谱扫描获得的光谱数据，采用PLS‑DA判别方法建立工夫红茶质量的判别模型，实现了对工夫红茶发酵程度的快速判定，为工夫红茶发酵质量的定性判断提供了一种科学、准确、快速、简便的方法。

Description

一种基于近红外光谱分析技术的工夫红茶发酵质量的快速判别方法

技术领域

本发明涉及的是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分析技术的工夫红茶发酵质量的快速判别方法。

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。工夫红茶加工中，发酵是初制的关键工序，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，只有发酵适度才能保证红茶品质。

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，且具有量化、无损、实时监控的特点。非常适合农产品和食品的量化判别分析。国内外还未见有关工夫红茶“发酵”质量的近红外光谱的判别方法相关文章报道。

工夫红茶的初制工艺是鲜叶→萎凋→揉捻→发酵→干燥。发酵是工夫红茶初制的关键工序，随着工夫红茶加工过程的自动化程度提高，要求对发酵这一工序进行全面的监控，在传统的质量控制中，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，费时、费力。由此可见，在红茶加工过程中，对红茶“发酵”程度进行快速判别显得尤为重要，而近红外光谱技术可以提供工夫红茶“发酵”质量快速判别的方法。中国专利文献“一种基于近红外光谱结合儿茶素总量分析技术的工夫红茶发酵质量的判别方法”(CN104034692A)和“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”(CN104020129A)公开了两种不同的基于近红外光谱技术判别工夫红茶发酵质量的方法，实现了工夫红茶的发酵质量的量化判定，但该两种方法均需要测定工夫红茶中某种成分的含量，虽然判定结果准确，但程序复杂，不能及时快速地做出判断，在生产加工过程中受到一定的限制。

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分析技术的工夫红茶发酵质量的快速判别方法，以提供一种定性的，简单快速准确的工夫红茶发酵质量的判别方法。

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)选取适度发酵、发酵不足、过度发酵的工夫红茶样本随机划分校正集和预测集；

(2)采集样本的近红外光谱图，选择合适的光谱特征区间，并进行光谱处理，得到预处理后的样本光谱图，具体步骤如下；

A、近红外光谱采集

利用傅立叶变换近红外光谱仪对样本进行近红外光谱扫描，获得所述样本在近红外波长的所有光谱信息；

B、最适光谱区间选择

不同发酵程度的样本，其内部有机物含量和比例上总是存在一定差别，这些有机物的一级倍频近红外光谱带位于7200～5500cm^-1处，二、三、四级倍频位于12800～8300cm^-1处，合频位于5000～4000cm^-1处，如果样本内部有机物含量和比例不同，那么它们在近红外光谱上就表现出不同的吸收信号；因此，在步骤A获得的所有光谱信息中，选择的最适光谱区间应落在12800～8300cm^-1、7200～5500cm^-1和5000～4000cm^-1的范围内；

由于纯水中O-H基团伸缩振动的一级倍频位于6944cm^-1附近以及合频区位于5155cm^-1附近，这两个波长附近是水分吸收的敏感区，样本中的水分对近红外光谱的吸收峰影响很大，分析时，为排除水分吸收峰的影响，最适光谱区间的光谱波段应避开水分吸收峰的特征波长区间；

C、光谱预处理

利用正态变量变换SNVT法、一阶导数1stDer法和9点平滑法对样本的在近红外波长的所有光谱信息进行预处理，具体为：

利用SNVT法对一条光谱进行预处理，即对光谱矩阵进行行处理，计算公式如下：

x_{ik, SNVT} = \frac{x_{ik} - \overset{&OverBar;}{x_{i}}}{\sqrt{\frac{Σ_{k = 1}^{m} {(x_{ik} - \overset{&OverBar;}{x_{i}})}^{2}}{m + 1}}}

其中，x_ik,SNVT表示i(i＝1，2，3...，n)个样本在第k(k＝1，2，3，...，m)个波数点处的光谱数据经SNVT处理后的值；x_ik表示第i个样本在第k个波数点处的光谱数据；表示i个样本的光谱在所有m个波数点处光谱数据的平均值；

利用1stDer法消除基线漂移或平缓背景干扰的影响，并提供比原光谱更高的分辨率和更清晰的光谱轮廓变化，具体计算方法为：假设原光谱数据的X轴(波长)是等间距的，则一阶导数为：

\frac{dy}{dλ} = \frac{y_{i + 1} - y_{i}}{Δλ}

或

\frac{dy}{dλ} = \frac{y_{i + 1} - y_{i - 1}}{2 Δλ}

利用9点平滑法消除随机噪声，具体方法为：在平滑点后各取若干个点来进行“平均”或“拟合”，求得平滑点的最佳估计值，这一方法的基本前提是随机噪声在处理“窗口”内的均值为0，计算公式为：

y_{i}^{*} = \frac{Σ_{i = k - r}^{i = k + r} a_{i} y_{i}}{Σ_{i = k - r}^{i = k + i} a_{i}}

其中，y_k、y_k*分别为第k点(中心点)的平滑前、后的值；a_i为平滑系数(或权重)；“窗口”宽度为(2r+1)个点，在窗口内进行加权平均，平均区段是逐渐后移的；

对处理结果进行比较，选择识别率最高的方法为最优处理方法；

(3)建立偏最小二乘判别分析的PLS-DA判别模型

步骤一：采用步骤C所述的最优处理方法对光谱进行预处理，并设定分类变量，其中，发酵不足样本的分类变量为1，适度发酵样本的分类变量为2，过度发酵样本的分类变量为3；

步骤二：采用步骤B所述方法选择最适光谱区间，对校正集样本的最适光谱区间与样本对应的分类变量进行偏最小二乘PLS回归，建立校正集样本的分类变量和光谱特征的PLS-DA模型，具体步骤如下：

a)对校正集样本的最适光谱区间的光谱矩阵X、Y与设定的分类变量值进行分解，其模型为：

X＝TP+E

Y＝UQ+F

式中T和U分别为矩阵X和Y的得分矩阵；P和Q分别为矩阵X和Y的载荷矩阵；E和F分别为矩阵X和Y的PLS拟合残差矩阵；

b)将T和U作线性回归，获得校正集的PLS-DA模型，所述回归方程为：

U＝TB

B＝(T^TT)^-1T^TY

步骤三：根据上述步骤a)中的分解模型以及获得的P值，计算预测集样品光谱矩阵X_pre的得分T_pre，然后计算预测集的分类变量值Y_pre，具体计算公式为：

Y_pre＝T_preBQ

具体判别标准为：0.5<Y_pre<1.5，判别为发酵不足；1.5<Y_pre<2.，判别为适度发酵；2.5<Y_pre<3.5，判别为过度发酵，将判别预测集样本获得的预测值与实测值比较，若基本一致，则验证模型的预测效果良好。

所述步骤(1)中，从发酵0小时开始，每隔半个小时选取一个样本，直至发酵过度2小时截止，获得适度发酵、发酵不足、过度发酵的工夫红茶样本，将样本烘干粉碎，过筛至40～60目之间，获得的样本按照3：1的比例随机划分校正集和预测集。

所述步骤(1)中发酵条件为湿度90％，温度26℃。

所述步骤A中，光谱采集的温度为20～25℃。

所述步骤B中，含氢基团包括C—H、O—H、S—H和N—H基团。

本发明相比现有技术具有以下优点：本发明提供了一种基于近红外光谱分析技术的工夫红茶发酵质量的快速判别方法，该方法利用近红外光谱扫描获得光谱数据,用PLS-DA判别方法建立工夫红茶质量的判别模型，实现了工夫红茶的发酵程度的判定，为工夫红茶发酵质量的定性判断提供了一种科学、准确、快速、简便的方法。

附图说明

图1为不同发酵程度样本的SNVT处理前的光谱图；

图2为不同发酵程度样本的SNVT处理后的光谱图；

图3为校正集样本的实测值与预测值的关系散点图；

图4为预测集样本的实测值与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。

实施例1

(1)样本的选取：

选取适度发酵、发酵不足、过度发酵的工夫红茶样本随机划分校正集和预测集；从发酵0小时开始，每隔半个小时选取一个样本，直至发酵过度2小时截止，共获得133个样本，其中适度发酵样本为58个，发酵不足样本为36个，过度发酵样本为40个，获得的样本的发酵条件为湿度90％，温度26℃；获得的样本按照3：1的比例随机划分的校正集和预测集，得到校正集样本89个和预测集样本44个，将样本烘干粉碎，过筛至40～60目之间，称取10g，密封冷藏，作为近红外光谱采集的样本材料。

(2)样本的预处理：

采集样本的近红外光谱图，选择合适的光谱特征区间，并进行光谱预处理，得到预处理后的样本光谱图，所述预处理的步骤具体如下；

A、近红外光谱采集

利用MPA型傅立叶变换近红外光谱仪(德国BRUKER公司购买)对样本进行近红外光谱扫描，获得所述样本在近红外波长的所有光谱信息，其波数范围为4000～12500cm^-1，扫描次数为32次，分别率为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，光谱采集时，温度维持在25℃左右，保持恒定的湿度；

B、最适光谱区间选择

含氢基团包括C—H、O—H、S—H和N—H等基团，对于不同发酵程度的样本，其内部有机物含量和比例上总是存在一定差别，这些有机物的一级倍频近红外光谱带位于7200～5500cm^-1处，二、三、四级倍频位于12800～8300cm^-1处，合频位于5000～4000cm^-1处，如果样本内部有机物含量和比例不同，那么它们在近红外光谱上就表现出不同的吸收信号；因此，在步骤A获得的所有光谱信息中，选择的最适光谱区间应落在12800～8300cm^-1、7200～5500cm^-1和5000～4000cm^-1的范围内。

由于纯水中O-H基团伸缩振动的一级倍频位于6944cm^-1附近以及合频区位于5155cm^-1附近，这两个波长附近是水分吸收的敏感区，样本中的水分对近红外光谱的吸收峰影响很大，分析时，为排除水分吸收峰的影响，最适光谱区间的光谱波段应避开水分吸收峰的特征波长区间。

根据上述最适光谱区间选择原则，本实施例有比较地将获得的校正集样本的各段波长进行了分析，具体结果如表1所示，结果显示，选用一级倍频区在6503.92～5299.65cm^-1范围内的光谱数据既避开了水分的影响又取得了较好结果。

表1：不同波数范围下校正集模型的判别率

C、光谱预处理

利用Matlab8.0软件，分别采用正态变量变换SNVT法、一阶导数1stDer法、9点平滑法对样本的光谱进行预处理分析，并对处理结果进行比较，选择最优处理方法，具体为：

x_{ik, SNVT} = \frac{x_{ik} - \overset{&OverBar;}{x_{i}}}{\sqrt{\frac{Σ_{k = 1}^{m} {(x_{ik} - \overset{&OverBar;}{x_{i}})}^{2}}{m + 1}}}

\frac{dy}{dλ} = \frac{y_{i + 1} - y_{i}}{Δλ}

或

\frac{dy}{dλ} = \frac{y_{i + 1} - y_{i - 1}}{2 Δλ}

y_{i}^{*} = \frac{Σ_{i = k - r}^{i = k + r} a_{i} y_{i}}{Σ_{i = k - r}^{i = k + i} a_{i}}

其中，y_k、y_k*分别为第k点(中_心点)的平滑前、后的值；a_i为平滑系数(或权重)；“窗口”宽度为(2r+1)个点，在窗口内进行加权平均，平均区段是逐渐后移的；

获得的结果如下表2所示，对处理结果进行比较，选用识别率最高的SNVT法作为最佳光谱预处理方法，利用SNVT法处理之前的光谱和处理之后的光谱分别如图1和图2所示。

表2：不同预处理方法对PLS-DA模型的结果对比

(3)建立偏最小二乘判别分析PLS-DA判别模型

步骤一：采用步骤C所述的最优处理方法对光谱进行预处理，设定发酵不足样本的分类变量为1，适度发酵样本的分类变量为2，过度发酵样本的分类变量为3。

步骤二：采用步骤B所述方法选择最适光谱区间，利用MATLAB R2009b统计分析软件进行近红外光谱数据分析，结合PLS-DA对89个校正集样本的最适光谱区间与校正集样本对应的分类变量进行偏最小二乘PLS回归，建立校正集样本的分类变量和光谱特征的PLS-DA模型，具体为：

a)对89个校正集样本的最适光谱区间的光谱矩阵X、Y与设定的分类变量值进行分解，其模型为：

X＝TP+E

Y＝UQ+F

式中T和U分别为矩阵X和Y的得分矩阵；P和Q分别为X和Y矩阵的载荷矩阵；E和F分别为X和Y矩阵的PLS拟合残差矩阵；

U＝TB

B＝(T^TT)^-1T^TY

步骤三：根据上述步骤a)中的分解模型以及获得的P值，计算校正集样品光谱矩阵X_pre的得分T_pre，然后计算校正集的预测分类变量值Y_pre，具体计算公式为：

Y_pre＝T_preBQ

具体判别标准为：0.5<Y_pre<1.5，判别为发酵不足；1.5<Y_pre<2，判别为适度发酵；2.5<Y_pre<3.5，判别为过度发酵，获得如图3所示的所有校正集样本的实际分类变量值(实测值)与预测分类变量值(预测值)的关系散点图，结果发现1个误判，模型的识别率结果为97.83％。

(4)利用上述建立的PLS-DA模型，对44个预测集的样本的预测分类变量值Y_pre进行计算，具体判别标准为：0.5<Y_pre<1.5，判别为轻度发酵；1.5<Y_pre<2.，判别为适度度发酵；2.5<Y_pre<3.5，判别为过度发酵，获得如图4所示的所有预测集样本的实际分类变量值(实测值)与预测分类变量值(预测值)的关系散点图，结果发现3个误判，模型的识别率结果为93.96％，说明本发明建立的PLS-DA模型具有很高的可靠性，可以用于检验和判别新的样本。

Claims

1.一种基于近红外光谱分析技术的工夫红茶发酵质量的快速判别方法，其特征在于，包括以下步骤：

(2)采集样本的近红外光谱图，选择合适的光谱特征区间，并进行光谱处理，得到预处理后的样本光谱图，具体步骤如下：

A、近红外光谱采集

利用傅立叶变换近红外光谱仪对样本进行近红外光谱扫描，获得各样本在近红外波长的所有光谱信息；

B、最适光谱区间选择

选择最适光谱区间在12800～8300cm^-1、7200～5500cm^-1或5000～4000cm^-1的范围内，并且，当选择最适光谱区间在7200～5500cm^-1时，排除位于6944cm^-1附近的水分吸收峰的特征波长区间为最适光谱区间；

C、光谱预处理

利用正态变量变换SNVT法、一阶导数1stDer法和9点平滑法对样本的在近红外波长的所有光谱信息进行预处理，对预处理结果进行比较，选择识别率最高的方法为最优处理方法；

(3)建立偏最小二乘判别分析的PLS-DA判别模型

步骤二：采用步骤B所述方法选择最适光谱区间，对校正集样本的最适光谱区间与样本对应的分类变量进行偏最小二乘PLS回归，建立校正集样本的分类变量与光谱特征的PLS-DA模型，具体步骤如下：

X＝TP+E

Y＝UQ+F

U＝TB

B＝(T^TT)^-1T^TY

Y_pre＝T_preBQ

具体判别标准为：0.5<Y_pre<1.5，判别为发酵不足；1.5<Y_pre<2.，判别为适度发酵；2.5<Y_pre<3.5，判别为过度发酵。

2.根据权利要求1所述的一种基于近红外光谱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(1)中，样本的选取与预处理的方法为：从发酵0小时开始，每隔半个小时选取一个样本，直至发酵过度2小时截止，获得适度发酵、发酵不足、过度发酵的工夫红茶样本，将样本烘干粉碎，过筛至40～60目之间，获得的样本按照3：1的比例随机划分校正集和预测集。

3.根据权利要求2所述的一种基于近红外光谱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(1)中发酵条件为湿度90％，温度26℃。

4.根据权利要求1所述的一种基于近红外光谱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A中，光谱采集的温度为20～25℃。

5.根据权利要求1所述的一种基于近红外光谱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B中，含氢基团包括C—H、O—H、S—H和N—H基团。