茶葉作為中國傳統(tǒng)飲品，具有深厚的文化底蘊和廣泛的消費市場，全球茶葉產(chǎn)業(yè)持續(xù)發(fā)展，成為經(jīng)濟的重要組成部分。茶葉品質(zhì)檢測直接關(guān)系到消費者的安全。通過對茶葉進行嚴格的品質(zhì)檢測，可以確保產(chǎn)品符合食品安全標準，避免有害物質(zhì)和污染物對消費者健康造成潛在威脅。這不僅保護了消費者的權(quán)益，也提升了品牌的可信度和美譽度。其次，在競爭激烈的市場環(huán)境中，高品質(zhì)的茶葉能夠顯著提高品牌形象，增強市場競爭力。隨著消費者對高*茶葉的需求不斷增長，品質(zhì)檢測在這一過程中發(fā)揮了至關(guān)重要的作用。隨著消費者對茶葉品質(zhì)要求的不斷提高，建立健全的品質(zhì)檢測體系顯得尤為重要，這不僅有助于保障產(chǎn)品質(zhì)量，也能夠推動整個行業(yè)的進步。更進一步，茶葉品質(zhì)檢測技術(shù)的發(fā)展也促進了相關(guān)研究的深入，推動了新產(chǎn)品的開發(fā)和創(chuàng)新，為茶葉產(chǎn)業(yè)注入了新的活力。因此，茶葉品質(zhì)檢測不僅關(guān)乎產(chǎn)品本身，更是保障消費者權(quán)益、提升市場競爭力、促進行業(yè)發(fā)展的重要手段。
傳統(tǒng)茶葉品質(zhì)檢測方法主要包括感官評估、化學分析和物理測試等。感官評估依賴專業(yè)評審對外觀、香氣、滋味等指標的主觀判斷，結(jié)果易受個人因素影響；化學分析如高效液相色譜（HPLC）可測定茶多酚、咖*因等成分，但需要專業(yè)設(shè)備和技術(shù)，成本較高；物理測試則涉及水分含量和灰分等指標，反映加工質(zhì)量，但難以全面評估綜合品質(zhì)。這些方法面臨主觀性強、技術(shù)復雜和信息不足等難點，限制了其在廣泛應用中的有效性。
在茶樹種植方面，傳統(tǒng)檢測方法主要包括土壤檢測、植物生理狀態(tài)監(jiān)測和病蟲害評估。土壤檢測通常通過化學分析手段測定土壤的營養(yǎng)成分和pH值，但這需要專業(yè)設(shè)備和實驗室條件。植物生理狀態(tài)的監(jiān)測多依賴于人工觀察和傳統(tǒng)儀器，效率較低，難以及時發(fā)現(xiàn)問題。病蟲害評估也常常依賴人工檢測，容易出現(xiàn)漏檢或誤判的情況。此外，氣候變化和環(huán)境因素對茶樹的影響也難以通過傳統(tǒng)方法有效預測。總之，茶樹種植檢測的難點在于依賴人工檢測的主觀性和時間消耗，以及對環(huán)境變化響應不足，導致潛在問題無法及時發(fā)現(xiàn)。
高光譜成像技術(shù)是將二維成像技術(shù)和光譜技術(shù)相結(jié)合創(chuàng)造出的一種新方法，旨在獲得場景圖像中每個像素的光譜。這個過程有助于識別物體、識別材料或檢測過程。在保留成像功能的同時引入高光譜信息，增加信息分析的維度，為物質(zhì)成分提供定性或定量的分析方法，重點關(guān)注特定物質(zhì)類型的分布。常見的高光譜形式有紅外、紫外吸收光譜、反射光譜、激光誘導等離子體光譜，在預設(shè)光源條件下，成像光譜儀采集樣品光譜數(shù)據(jù)后傳輸?shù)絇C機進行圖像數(shù)據(jù)的處理（圖1）。通過光譜分析對物質(zhì)進行精確的定量分析，結(jié)合掃描成像，可以更精確地分析特定的目標位置，以確定物質(zhì)的組成和含量。高光譜成像技術(shù)在農(nóng)業(yè)生產(chǎn)中得到了應用。在作物鑒定、養(yǎng)分診斷、葉片光譜特征提取、生態(tài)物理參數(shù)反演與提取、農(nóng)業(yè)遙感信息模型構(gòu)建、災害檢測等領(lǐng)域取得廣泛研究進展。隨著精準農(nóng)業(yè)的不斷推進，高光譜成像技術(shù)的應用已經(jīng)擴展到農(nóng)產(chǎn)品質(zhì)量和食品安全領(lǐng)域。
圖1. 高光譜成像系統(tǒng)檢測原理
高光譜成像技術(shù)憑借其廣泛的光譜信息獲取能力，已成為茶葉質(zhì)量檢測領(lǐng)域的一個重要工具。該技術(shù)可以同時采集樣品的空間和光譜信息，能夠?qū)崿F(xiàn)對茶葉中多種理化成分的定量檢測和空間分布可視化。在茶葉發(fā)酵、貯藏和加工過程中，高光譜成像能夠?qū)崟r監(jiān)測茶多酚、氨基酸、葉綠素等關(guān)鍵生物活性成分的變化，為茶葉品質(zhì)控制提供了精確的數(shù)據(jù)支持。此外，通過結(jié)合化學計量學方法該技術(shù)還可以提高檢測精度，并通過熱圖等手段進行成分的空間分布展示，幫助優(yōu)化加工流程和提高茶葉的整體質(zhì)量。
茶葉是通過新鮮茶葉的枯萎、碾壓、發(fā)酵和干燥生產(chǎn)的。茶葉的品質(zhì)極大地受到發(fā)酵和儲藏過程的影響。發(fā)酵過程是茶葉生產(chǎn)中至關(guān)重要的一步，尤其對于紅茶和烏龍茶等部分發(fā)酵茶種，茶葉的顏色、香氣及滋味的形成都與此過程密切相關(guān)。而儲藏則關(guān)乎茶葉的新鮮度和長期品質(zhì)維護，不當?shù)膬Σ貤l件可能導致茶葉迅速劣化。傳統(tǒng)上，茶葉的發(fā)酵和儲藏質(zhì)量依賴于制茶師的經(jīng)驗和感官評估，如通過觀察茶葉的顏色變化和聞其香氣來判斷發(fā)酵程度。這種方法雖然便捷，但主觀性強，容易因人而異，難以確保茶葉品質(zhì)的一致性。
Yang等(Yang et al., 2021)以紅茶葉為研究對象，探索其在發(fā)酵過程中的關(guān)鍵品質(zhì)成分。研究通過在不同時間點進行高光譜分析，揭示了發(fā)酵葉片堆疊位置與關(guān)鍵化學成分之間的關(guān)系，并建立了相應的定量預測模型。此外，研究運用了可視化技術(shù)，動態(tài)展示了紅茶發(fā)酵過程中關(guān)鍵品質(zhì)成分變化，從而實現(xiàn)了對發(fā)酵過程的實時監(jiān)測和關(guān)鍵成分的精準掌握（圖2）。Li等(Li et al., 2022)采用近紅外高光譜成像技術(shù)對4種發(fā)酵程度紅茶的品質(zhì)進行了定性和定量評價，并通過化學成像繪制了發(fā)酵過程中兒茶素的空間分布（圖3）。這些研究不僅為紅茶發(fā)酵品質(zhì)的智能化檢測提供了寶貴的大數(shù)據(jù)支持和評價標準，也為紅茶產(chǎn)業(yè)的標準化、信息化和智能化加工奠定了堅實的基礎(chǔ)。
圖2. 高光譜成像技術(shù)對茶葉發(fā)酵過程種關(guān)鍵理化成分預測流程圖
圖3. 不同發(fā)酵程度茶葉樣品中兒茶素含量的化學成像
茶中的多酚具有抗氧化、降脂和抗菌特性，也影響茶的獨*味道。由于加工方法的不同，各種茶葉的總多酚（TP）含量差異很大。未發(fā)酵或輕度發(fā)酵的茶（如綠茶和白茶）比發(fā)酵茶（如烏龍茶、紅茶和黑茶）含有更高的多酚含量。因此，確定茶氨酸在各類茶葉中的分布，可以定量評價茶葉的保健功效和口感品質(zhì)。
Wang等(Wang et al., 2021)探討了近紅外高光譜成像在不同類型茶葉（綠茶、白茶、黃茶、烏龍茶、黑茶和紅茶）中TP空間分布的應用，并采用PCA-KNN方法建立了茶葉類型判別的定性模型。該研究的結(jié)果不僅準確展示了茶葉中總多酚的空間分布差異（圖4），還提供了一種快速、無損的茶葉種類鑒定方法。這種方法有效地實現(xiàn)了茶葉品質(zhì)的定性與定量評價，為茶葉質(zhì)量控制及進一步的科學研究提供了重要工具和數(shù)據(jù)支持。
圖4. 近紅外高光譜成像技術(shù)實現(xiàn)對茶葉總多酚含量的空間分布可視化
Ren等(Ren et al., 2020)以云南地區(qū)的滇紅紅茶為研究對象，采用可見-近紅外高光譜成像技術(shù)實現(xiàn)了茶葉等級質(zhì)量的智能評估，結(jié)果表明利用高光譜技術(shù)結(jié)合化學計量學技術(shù)對茶葉品質(zhì)進行預測具有廣闊的應用前景。具體方法如圖5所示。
圖5. 可見-近紅外光譜結(jié)合化學計量學實現(xiàn)紅茶等級判定示意圖
另外，藏茶采用的是獨*的名為“WODUI"的后發(fā)酵工藝，這一高溫高濕的處理方法能夠促使茶葉中的苦味和強烈味道成分發(fā)生氧化降解，從而增強其健康益處并改善口感。其中TPs和游離氨基酸（FAAs）是影響藏茶口感的關(guān)鍵成分，不同品級的藏茶在這些成分的含量上有所差異。
Hu等(Hu et al., 2023)采用高光譜成像技術(shù)結(jié)合化學計量學測定了藏茶中TPs和FAAs含量，并對藏茶的品級進行了區(qū)分，展示了預處理和機器學習方法結(jié)合使用在預測茶葉品質(zhì)方面的高效性，流程圖如圖6所示。證實了高光譜成像技術(shù)（HSI）作為一種快速、無損的茶葉質(zhì)量檢測方法的潛力，為茶葉質(zhì)量控制和品級評定提供了一種有效的技術(shù)手段。
圖6. 高光譜成像技術(shù)結(jié)合多元分析法檢測藏茶品質(zhì)流程圖
茶葉的過剩產(chǎn)量常常導致長時間儲存，從而降低其新鮮度。不法商人有時將陳腐茶與*茶混合銷售，這不僅侵害了消費者的健康和權(quán)益，還損害了整個茶行業(yè)的聲譽。因此，研究茶葉的儲存條件與品質(zhì)的關(guān)系顯得尤為重要，這不僅可以改善茶葉的日常保存方法，還可以幫助預測其保質(zhì)期。
Li等(Li et al., 2024)以新鮮綠茶為研究對象，采用HSI法和定量分析法對儲存綠茶的化學成分進行了分析，并確定了最佳的茶葉貯藏期定性判別方法（圖7）。結(jié)果證實，高光譜成像技術(shù)可以準確、無損且迅速地評估綠茶的新鮮度，并成功地對兒茶素和咖*因的含量進行了定量測定及其分布的可視化，為茶葉儲存提供了科學的指導和評估方法。
圖7. 基于高光譜成像技術(shù)監(jiān)測綠茶貯藏過程中的質(zhì)量變化
茶葉作為制茶的原料，新鮮茶葉的好壞直接影響成品茶的質(zhì)量。對新鮮茶葉的品質(zhì)和物質(zhì)含量進行無損監(jiān)測，不僅可以準確掌握茶樹的生長情況，還可以輔助采茶方案的決策過程，保證茶葉的品質(zhì)。
Chen等(Chen et al., 2021)在不同干旱脅迫處理下，獲得了新鮮茶苗的5個與干旱相關(guān)的生理生化指標參數(shù)，通過多種數(shù)據(jù)處理算法和建模方法，成功預測了不同茶苗在干旱脅迫下的受害程度，能夠較為全面、客觀地評價茶樹的抗旱性。此外，利用400-1000 nm范圍內(nèi)的高光譜成像技術(shù)對10種不同茶葉種質(zhì)資源進行干旱脅迫監(jiān)測，驗證了高光譜技術(shù)篩選抗旱種質(zhì)的可行性和有效性。該研究對于不同干旱脅迫下的茶葉高光譜圖像處理及光譜提取流程如圖8所示。
圖8. 不同干旱脅迫下的茶葉高光譜圖像處理及光譜提取流程
Long等(Long et al., 2024)在鳳凰丹琮（FH）、白葉丹琮（BY）和紅冰丹琮（HB）茶樹的頂部共采集了140份茶葉樣品。建立了基于VNIR-SWIR HSI技術(shù)和核脊回歸（KRR）技術(shù)的單叢茶鮮葉葉綠素a、葉綠素b、類胡蘿卜素、茶多酚和氨基酸等5種生物活性物質(zhì)含量檢測方法。并利用葉面積化合物質(zhì)量（LCMA）熱圖對3個品種丹叢茶葉片中生物活性物質(zhì)的空間分布進行可視化分析。流程圖如圖9所示。
圖9. 利用高光譜成像檢測丹參茶中生物活性成分的含量（（A）試驗田;（B）樣本;（C）樣品VNIR-SWIR高光譜圖像的獲取;（D）獲得生物活性化合物含量的工藝;（E）數(shù)據(jù)分析;（F）模型預測結(jié)果.）
Wang等(Wang et al., 2020)以采后茶葉鮮葉為研究對象，探討了328~1115 nm高光譜成像快速預測鮮葉水分、總氮、粗纖維含量和品質(zhì)指標值的潛力，評價結(jié)果如圖10所示。研究結(jié)果為多光譜成像系統(tǒng)的進一步在線應用提供了基礎(chǔ)。
圖10. 高光譜成像快速檢測采后鮮茶葉質(zhì)量指標的評價結(jié)果
粗纖維（CF）和茶多酚（TP）是評價茶葉品質(zhì)的重要指標。因此，TP和CF的快速定量檢測有助于專家對鮮茶葉品質(zhì)的快速評價。Luo等(Luo et al., 2023)采集了14個品種的茶樹新鮮葉片，去探索不同光譜范圍的高光譜圖像在預測鮮茶葉關(guān)鍵品質(zhì)指標含量（CF和TP）中的作用，葉片中CF和TP含量可視化如圖11所示。并詳細討論了所提出的模型和方法在實際生產(chǎn)中的推廣和適用性，該研究對于促進茶園鮮葉質(zhì)量的快速檢測，提高茶園管理水平具有重要意義。
圖11. 高光譜成像技術(shù)結(jié)合PLS模型實現(xiàn)葉片中CF和TP含量可視化（第一列為單波段成像。第二列是CF和TP含量的分布圖。第三列是含量的直方圖。）
Lu等(Lu et al., 2021)采集了健康茶葉與白星病和炭疽病茶葉樣本（圖12），利用高光譜技術(shù)（420-946 nm）對圖像特征相似的白星病和炭疽病進行了識別和區(qū)分。兩種病害侵染的全葉病斑區(qū)域的平均光譜差異顯著，將閾值分割和掩模處理后提取的病斑區(qū)域平均光譜與不同的機器學習模型相結(jié)合進行分類，基于神經(jīng)網(wǎng)絡結(jié)構(gòu)的ELM模型的分類精度達到95.77%。結(jié)果表明，對于這兩種相似的病害，高光譜技術(shù)可以在茶樹病害發(fā)病的早期就準確識別和檢測病害的嚴重程度。
圖12. 高光譜成像技術(shù)對健康茶葉和患病茶葉的采集
楊霄, 等. （2023）. 高光譜成像技術(shù)在茶葉生產(chǎn)中的應用研究進展[J]. 中南農(nóng)業(yè)科技, 12（44）.
Yang, C., Yan, Z., Ting, A., Zhongyuan, L., Yongwen, J., Yaqi, L., & Chunwang, D. (2021). Quantitative prediction and visualization of key physical and chemical components in black tea fermentation using hyperspectral imaging. LWT, 141.lwt.2021.110975Li, L., Yujie, W., Qingqing, C., Ying, L., Jingming, N., & Zhengzhu, Z. (2022). Qualitative and quantitative quality evaluation of black tea fermentation through noncontact chemical imaging. Journal of Food Composition and Analysis, 106. jfca.2021.104300Wang, Y., Ying, L., Yuyu, C., Qingqing, C., Luqing, L., Jingming, N., & Zhengzhu, Z. (2021). Spatial distribution of total polyphenols in multi-type of tea using near-infrared hyperspectral imaging. LWT, 148.2021.111737Ren, G., Ning, J., & Zhang, Z. (2020). Intelligent assessment of tea quality employing visible-near infrared spectra combined with a hybrid variable selection strategy. Microchemical Journal, 157.microc.2020.105085Hu, Y., Huang, P., Wang, Y., Sun, J., Wu, Y., & Kang, Z. (2023). Determination of Tibetan tea quality by hyperspectral imaging technology and mul*ivariate analysis. Journal of Food Composition and Analysis, 117, 105136.jfca.2023.105136Li, F., Shen, J., Yang, Q., Wei, Y., Zuo, Y., Wang, Y., Ning, J., & Li, L. (2024). Monitoring quality changes in green tea during storage: A hyperspectral imaging method. Food Chemistry: X, 23.fochx.2024.101538Chen, S., Gao, Y., Fan, K., Shi, Y., Luo, D., Shen, J., Ding, Z., & Wang, Y. (2021). Prediction of Drought-Induced Components and Evaluation of Drought Damage of Tea Plants Based on Hyperspectral Imaging. Frontiers in Plant Science, 12, 695102.2021.695102Long, T., Tang, X., Liang, C., Wu, B., Huang, B., Lan, Y., Xu, H., Liu, S., & Long, Y. (2024). Detecting bioactive compound contents in Dancong tea using VNIR-SWIR hyperspectral imaging and KRR model with a refined feature wavelength method. Food Chemistry, 460, 140579. 2024.140579Wang, Y., LuQing, L., ShanShan, S., Ying, L., JingMing, N., & ZhengZhu, Z. (2020). Rapid detection of quality index of postharvest fresh tea leaves using hyperspectral imaging. Journal of the Science of Food and Agriculture, 100(10).10393Luo, Chanjun, S., Yong, H., Fengle, Z., & Xiaoli, L. (2023). Cross-cul*ivar prediction of quality indicators of tea based on VIS-NIR hyperspectral imaging. Industrial Crops & Products, 202. 2023.117009Lu, B., Jun, S., Ning, Y., Xiaohong, W., & Xin, Z. (2021). Identification of tea white star disease and anthrax based on hyperspectral image information. Journal of Food Process Engineering, 44(1), e13584.
7
立即詢價
您提交后，專屬客服將第一時間為您服務