萎凋和發(fā)酵過程是紅茶加工過程中的關(guān)鍵環(huán)節(jié)，萎凋程度和發(fā)酵程度是衡量加工工藝的關(guān)鍵參數(shù)。目前，萎凋和發(fā)酵程度的判斷主要通過生化分析和感官評(píng)價(jià)進(jìn)行，存在耗時(shí)費(fèi)力、效率低下、主觀性強(qiáng)等問題。而高光譜成像作為一種高效、快捷、無損監(jiān)測(cè)方法，對(duì)于提高生化成分監(jiān)測(cè)效率，判斷萎凋和發(fā)酵程度具有重要意義。

山東農(nóng)業(yè)大學(xué)丁兆堂教授團(tuán)隊(duì)利用我司高光譜成像設(shè)備（Gaia field Pro-V10），采集了茶鮮葉萎凋和發(fā)酵過程中的高光譜數(shù)據(jù)，同時(shí)測(cè)定了各茶葉樣本中的TPs（茶多酚）、FAA（游離氨基酸）和CAF含量；采用卷積平滑法、多元散射校正和一階導(dǎo)數(shù)算法對(duì)高光譜數(shù)據(jù)進(jìn)行預(yù)處理；通過機(jī)器學(xué)習(xí)和多種算法構(gòu)建了TPs、FAA和CAF含量的監(jiān)測(cè)模型。試驗(yàn)流程如圖1所示：

圖1 高光譜數(shù)據(jù)的采集和分析

圖2表示高光譜數(shù)據(jù)預(yù)處理前后的光譜圖，提高了光譜數(shù)據(jù)與茶葉品質(zhì)成分之間的相關(guān)性。然后采用連續(xù)投影算法（SPA）、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)(CARS)和無信息變量消除(UVE)方法，選擇特征波段。特征波段的篩選結(jié)果如圖3所示。

圖2 原始數(shù)據(jù)與經(jīng)過預(yù)處理的光譜圖。

(A)茶葉樣本原始光譜圖 (B)MSC+1D+S-G算法預(yù)處理后的光譜圖

圖3 特征波段的分布

最后基于選取的特征波段，結(jié)合支持向量機(jī)（SVM）、隨機(jī)森林（RF）、偏最小二乘法（PLS），建立TPs、FAA和CAF含量的監(jiān)測(cè)模型，用于定量判斷萎凋和發(fā)酵程度。圖4表明，TPs、FAA和CAF含量預(yù)測(cè)的優(yōu)模型分別是CARS-PLS、SPA-PLS和CARS-PLS，模型預(yù)測(cè)集的決定系數(shù)分別為0.91、0.88和0.81。

圖5 TPs、FAA、CAF含量的預(yù)測(cè)散點(diǎn)圖

（A、B、C）通過CARS-SVM、CARS-PLS、CARS-RF模型獲得的TPs含量預(yù)測(cè)結(jié)果 (D、E、F)通過CARS-SVM、CARS-PLS、CARS-RF模型獲得的FAA含量預(yù)測(cè)結(jié)果 (G、H、I) 通過CARS-SVM、 CARS-PLS、CARS-RF模型獲得的CAF含量預(yù)測(cè)結(jié)果

結(jié)果表明，基于高光譜成像技術(shù)快速量化判斷茶葉萎凋和發(fā)酵程度是可行的。總之，建立基于高光譜成像技術(shù)的茶葉樣本中FAA和TPs含量定量預(yù)測(cè)模型，不僅為實(shí)際生產(chǎn)中紅茶品質(zhì)成分含量快速、無損估計(jì)奠定了基礎(chǔ)，而且使客觀、快捷判斷萎凋和發(fā)酵程度成為可能。

通訊作者簡(jiǎn)介：

丁兆堂，博士，青島農(nóng)業(yè)大學(xué)園藝學(xué)院教授。

主要研究方向：茶樹生長(zhǎng)發(fā)育及其環(huán)境應(yīng)答的分子機(jī)理；茶葉品質(zhì)與抗逆的分子機(jī)制研究。

參考文獻(xiàn)：Mao, Y.; Li, H.; Wang, Y.; Fan, K.; Song, Y.; Han, X.; Zhang, J.; Ding, S.; Song, D.; Wang, H.; Ding, Z. Prediction of Tea Polyphenols, Free Amino Acids and Caffeine Content in Tea Leaves during Wilting and Fermentation Using Hyperspectral Imaging[J]. Foods 2022, 11, 2537. https://doi.org/10.3390/foods11162537