摘要：主要介紹了近紅外光譜技術(shù)的原理和特點，綜述了近紅外光譜技術(shù)在成品茶和茶鮮葉上的研究進展，分析了該技術(shù)在成品茶和茶鮮葉上應(yīng)用的問題，重點展望了該技術(shù)在茶鮮葉上的應(yīng)用前景。

關(guān)鍵詞：茶葉；近紅外光譜；應(yīng)用；預(yù)測模型

中圖分類號：S571.1；O657.33 文獻標識碼：A 文章編號：0439-8114（2013）23-5665-04

近紅外光譜區(qū)域是在1800年由Hershel觀察到的[1]，它介于可見光（VIS）和中紅外光（MIR）之間，波長范圍為780～2 526 nm。由于受到基礎(chǔ)研究的限制，在20世紀50年代以前，近紅外光譜技術(shù)一直沒有得到實際應(yīng)用，直到20世紀60年代初期以后，一些簡易的近紅外光譜儀才開始在農(nóng)副產(chǎn)品分析中得到應(yīng)用[2]。但由于近紅外光譜技術(shù)具有自身靈敏度低、抗干擾性差等缺點，使其逐漸被人們所淡忘。20世紀80年代以后，隨著計算機技術(shù)和儀器分析技術(shù)等的發(fā)展和應(yīng)用，近紅外光譜的價值也被重新認識，研究者針對近紅外光譜技術(shù)開展了廣泛的研究[3]。自此之后，近紅外光譜技術(shù)得到了巨大的發(fā)展，并且已經(jīng)成為一門獨立的分析技術(shù)[4]。

1 近紅外光譜技術(shù)的原理和特點

1.1 近紅外光譜技術(shù)的原理

近紅外光是肉眼看不見的光線，當近紅外光譜照射到農(nóng)業(yè)物料上時，其中的官能團（O-H，N-H， C-H）吸收與其固有振動頻率相一致的光線。近紅外光譜技術(shù)就是利用物料的這種特性，連續(xù)地改變近紅外光譜的頻率，使通過試樣后的近紅外光譜在某些波長范圍內(nèi)減弱（被吸收）或加強（不吸收），透射過的光線攜帶有機物的組分和結(jié)構(gòu)信息，通過檢測分析透射或反射光譜的光密度，從而得出該組分含量。應(yīng)用近紅外光譜技術(shù)檢測農(nóng)產(chǎn)品的主要流程是：收集具有代表性的樣品，采集樣品的近紅外光譜；用標準方法（如國家標準）測定樣品的化學成分含量；通過數(shù)學方法將光譜數(shù)據(jù)和化學測定數(shù)據(jù)進行關(guān)聯(lián)，建立數(shù)據(jù)模型；分析未知樣品時，先掃描待測樣品的近紅外光譜，利用建立的模型計算出待測樣品的成分含量值。

1.2 近紅外光譜技術(shù)的特點

近紅外光譜技術(shù)作為一種迅速發(fā)展起來的高新分析技術(shù)[5]，它具有幾個特點。①樣品不需預(yù)處理：近紅外光譜分析樣品時，樣品無需溶解、消化、萃取等預(yù)處理過程便可以對樣品進行快速、無損分析。②可以用于漫反射技術(shù)：近紅外光譜在照射到分析樣品時，在樣品中傳播的散射效應(yīng)大，在樣品內(nèi)部發(fā)生漫反射效應(yīng)，攜帶樣品內(nèi)部信息而被檢測器檢測，非常適合在線分析。③屬于綠色分析技術(shù)：近紅外光譜分析不消耗化學試劑，不會造成污染。此外，它的光子能量低（1.65～0.50 eV），不會對檢驗者造成傷害。④常用于有機分析：近紅外光譜區(qū)的信息反映的是樣品內(nèi)部C-H、N-H和O-H等含氫集團物質(zhì)的合頻與倍頻吸收信息，因此，它幾乎可以用于所有與含氫集團有關(guān)的樣品化學性質(zhì)與物理性質(zhì)分析，較少用于無機物分析。

由于近紅外光譜技術(shù)具有很多優(yōu)點，目前近紅外光譜技術(shù)已經(jīng)廣泛應(yīng)用于中藥藥物原料分析[6]、包裝材料分析[7]、輔料識別、成藥鑒別[8]、天然藥物鑒別、藥物混合過程監(jiān)控[9]等方面，顯示了廣泛的應(yīng)用前景。

2 近紅外光譜技術(shù)在茶葉上應(yīng)用的研究進展

2.1 近紅外光譜技術(shù)在成品茶上應(yīng)用的研究進展

2.1.1 定量研究 近紅外光譜技術(shù)應(yīng)用于成品茶的定量研究中，主要集中在對茶葉的內(nèi)含成分進行快速檢測以及茶葉等級的精確定級方面。①茶葉含水量的快速檢測：茶葉含水量是一個非常重要的檢測指標，其含量高低影響著茶葉的質(zhì)量。為此，劉輝軍等[10]應(yīng)用徑向基函數(shù)建立了綠茶的水分檢測模型，預(yù)測的相關(guān)系數(shù)為0.933，實現(xiàn)了水分的快速檢測。②茶多酚的快速檢測：茶多酚在人體有清除自由基和殺菌抗癌等功效，是茶葉中的重要成分之一，Chen等[11]應(yīng)用偏最小二乘法建立了其近紅外光譜預(yù)測模型，相關(guān)系數(shù)為0.989。③茶葉的抗氧化活性快速檢測：茶葉的抗氧化活性能力檢測目前應(yīng)用的為TEAC法，但Luypaert等[12]以中國、西班牙和比利時的綠茶為原料，應(yīng)用主成分回歸方法建立了茶葉抗氧化活力的近紅外光譜預(yù)測模型，相關(guān)系數(shù)為0.925。④咖啡堿的快速檢測：咖啡因具有興奮神經(jīng)中樞、提神醒腦的功能，也是茶葉中的重要滋味物質(zhì)之一。羅一帆等[13]應(yīng)用偏最小二乘法建立了咖啡堿的近紅外預(yù)測模型，相關(guān)系數(shù)達到0.996。⑤茶黃素和茶紅素的快速檢測：發(fā)酵茶中的茶黃素和茶紅素等對人體有降血糖、降血壓和增強免疫力的作用。龔加順等[14]以云南功夫紅茶、紅碎茶和烏龍茶為原料，配制成不同濃度的140個茶飲料樣品，然后利用偏最小二乘法建立了茶黃素和茶紅素的檢測模型，相關(guān)系數(shù)分別為0.860和0.990。還對茶葉中纖維素和總氮量等成分含量進行了快速預(yù)測[15，16]。

茶葉等級的確定目前主要依靠人工感官審評方法，很容易受到外界環(huán)境因素的影響而存在很大的不確定性。而液相、氣相等分析手段僅能對單一內(nèi)含成分進行檢測，而不能對茶葉進行綜合評價和定級，因此，常規(guī)檢測手段存在極大的局限性。有學者嘗試應(yīng)用近紅外光譜對茶葉的等級進行精確判定，其研究以48個國家的標準紅綠茶為材料，通過應(yīng)用多元線性回歸方程，對近紅外光譜測定等級和評審等級間進行聯(lián)立，所得預(yù)測模型相關(guān)系數(shù)為0.925，該研究結(jié)果為利用近紅外光譜技術(shù)判定茶葉等級提供了參考[17，18]。

2.1.2 定性研究 近紅外光譜技術(shù)應(yīng)用于成品茶的定性研究中，主要集中在對茶葉的種類進行鑒定、判別，以及茶葉真?zhèn)蔚蔫b定。

趙杰文等[19]以多元散射校正（MSC）為預(yù)處理方法，采用近紅外光譜結(jié)合馬氏距離判別模型鑒別了龍井、碧螺春、毛峰和鐵觀音4種名茶，預(yù)測集的判別率達到95.0%；李曉莉等[20]掃描了西湖龍井、杭州龍井、羊巖勾青、雪水云綠和廬山云霧茶的近紅外光譜，用人工神經(jīng)網(wǎng)絡(luò)結(jié)合主成分分析法進行茶葉種類鑒別，模型識別準確率為100.0%；茶葉真?zhèn)舞b別也可以通過近紅外光譜技術(shù)來實現(xiàn)。陳全勝等[21]以碧螺春為研究對象，應(yīng)用近紅外光譜技術(shù)，以徑向基核函數(shù)為核函數(shù)建立茶葉真?zhèn)蔚闹С窒蛄繖C判別模型，模型對90個獨立樣本的判別準確率為84.4%，能夠滿足對真?zhèn)伪搪荽翰枞~的鑒別。

2.2 近紅外光譜技術(shù)在茶鮮葉上應(yīng)用的研究進展

近紅外光譜技術(shù)在茶鮮葉應(yīng)用方面，雖然目前尚處于起步研究階段，但已經(jīng)取得了一些重要的進展[22-24]，因此，總結(jié)當前已經(jīng)取得的科研成果非常有必要，這將為近紅外光譜技術(shù)在茶鮮葉上的應(yīng)用和發(fā)展提供重要的參考依據(jù)。

2.2.1 茶鮮葉質(zhì)量的近紅外光譜評價 茶鮮葉質(zhì)量是茶葉品質(zhì)形成的物質(zhì)基礎(chǔ)。通常應(yīng)用感官方法評價茶鮮葉質(zhì)量，評價指標包括鮮葉的嫩度、勻凈度和新鮮度3個方面。但是感官評價方法容易引起茶農(nóng)與茶鮮葉收購者之間的矛盾。

為了解決這一難題，達到定量評價茶鮮葉質(zhì)量的目的，提出應(yīng)用質(zhì)量系數(shù)（QI）評價茶鮮葉質(zhì)量[QI=（含水量×全氮含量）/粗纖維含量[25]]：茶鮮葉的質(zhì)量系數(shù)越高，其質(zhì)量也越好；反之，其質(zhì)量就越差。QI的提出較好地解決了茶鮮葉質(zhì)量無法定量評價的難題，但是應(yīng)用化學方法計算QI費時、費力，不能很好地滿足茶葉加工廠快速評價茶鮮葉質(zhì)量的要求。因此，結(jié)合近紅外光譜技術(shù)的優(yōu)點，建立了茶鮮葉的含水量、全氮含量和粗纖維含量近紅外光譜預(yù)測模型。①含水量預(yù)測模型：以多元散射校正結(jié)合平均值（MSCmean）為預(yù)處理方法，先篩選含水量的特征光譜子區(qū)間，然后對特征光譜進行主成分分析，以前4個主成分（累計貢獻率為99.69%）為輸入變量建立的含水量最小二乘支持向量機模型預(yù)測結(jié)果最佳，預(yù)測集模型相關(guān)系數(shù)為0.989。②全氮含量預(yù)測模型：以MSCmean為預(yù)處理方法，先篩選全氮含量的特征光譜子區(qū)間，然后對特征光譜進行主成分分析，以前4個主成分（累計貢獻率為99.91%）為輸入變量建立的全氮含量最小二乘支持向量機模型預(yù)測結(jié)果最佳，預(yù)測集模型相關(guān)系數(shù)為0.991。③粗纖維含量預(yù)測模型：以MSCmean為預(yù)處理方法，先篩選粗纖維含量的特征光譜子區(qū)間，然后對特征光譜進行主成分分析，以前3個主成分（累計貢獻率為99.93%）為輸入變量建立的粗纖維含量最小二乘支持向量機模型預(yù)測結(jié)果最佳，預(yù)測集模型相關(guān)系數(shù)為0.973。

2.2.2 茶鮮葉質(zhì)量評價的近紅外光譜分析儀的研制 以茶鮮葉含水量、全氮含量和粗纖維含量近紅外光譜預(yù)測模型為基礎(chǔ)，根據(jù)斜率/偏差（S/B）模型傳遞方法，通過與合肥美亞光電技術(shù)股份有限公司合作，研制了1臺光柵型茶鮮葉質(zhì)量近紅外光譜分析儀。該分析儀能夠在1 min內(nèi)得出鮮葉的質(zhì)量系數(shù)，初步實現(xiàn)了茶鮮葉質(zhì)量的快速準確評價，杜絕了人為因素的影響[26，27]。

2.2.3 茶鮮葉產(chǎn)地判別方法的初步探索 以產(chǎn)自合肥市、黃山市和六安市的茶鮮葉為材料，先篩選茶鮮葉產(chǎn)地特征光譜區(qū)間：6 788.5～6 437.5 cm-1， 4 659.4～4 308.4 cm-1和4 304.5～4 000.0 cm-1，應(yīng)用主成分分析法獲得特征光譜區(qū)間的主成分數(shù)，以前6個主成分數(shù)為輸入值（累計貢獻率為99.98%）建立茶鮮葉產(chǎn)地判別的人工神經(jīng)網(wǎng)絡(luò)模型，該模型對這3個城市茶鮮葉產(chǎn)地的判別率為100.0%，初步實現(xiàn)了對茶鮮葉產(chǎn)地的快速、準確判別。

3 問題與展望

目前近紅外光譜技術(shù)在成品茶上已經(jīng)取得了較好的研究成果，但也存在一些問題。①研究的重復(fù)性問題：在茶葉內(nèi)含成分的研究上，有很多學者用各種化學計量學方法建立了相同成分的近紅外光譜預(yù)測模型，也有的確實提高了模型的預(yù)測效果，但彼此之間都沒有顯著差異性，建議嘗試用新的思路研究新的內(nèi)容。②模型的共享問題：研究者建立的近紅外光譜預(yù)測模型都具有針對性，不是通用的，而在建立模型的過程中，耗費了大量的財力和物力。因此，其他研究者在研究同一問題時，可能沒有充裕的時間和精力再去單獨建立模型，這樣不利于科研工作的展開。因此，為有利于科研的順利開展，提倡建立一個茶葉近紅外光譜庫，以實現(xiàn)光譜共享。

近紅外光譜應(yīng)用于茶鮮葉的研究還處于初級階段，尚未進行大量研究，這主要存在2個原因。①研究問題的切入點不好把握：茶鮮葉是茶樹光合作用營養(yǎng)物質(zhì)的儲存部位，內(nèi)含物質(zhì)豐富，因此，在對茶鮮葉質(zhì)量作出評價時，很難確定應(yīng)用哪些內(nèi)含成分代表茶鮮葉質(zhì)量的高低。因此，選擇合理的且具有代表性的內(nèi)含成分至關(guān)重要。②茶鮮葉近紅外光譜的非惟一性。相比于干茶樣品，茶鮮葉樣品同時具有芽、葉和長梗，在掃描茶鮮葉近紅外光譜時，很可能會出現(xiàn)每次光圈掃描到的鮮葉部位不一樣，得到的鮮葉光譜也會稍有差別，在建立近紅外光譜模型時，就會有更多的噪聲信息夾雜在模型之中，致使所建模型的穩(wěn)定性降低。因此，要選擇合理的預(yù)處理方法，從而盡量減少噪聲信息。

近年來研究者針對近紅外光譜技術(shù)在茶鮮葉上的應(yīng)用進行了不少的研究，取得了一定的進展，證實了利用近紅外光譜技術(shù)在茶鮮葉的成分檢測、質(zhì)量評價及等級鑒定的可行性。今后近紅外光譜技術(shù)在茶鮮葉上的應(yīng)用主要應(yīng)該集中在3個方面。①茶鮮葉質(zhì)量評價的深入研究：質(zhì)量系數(shù)是目前惟一可用于定量評價茶鮮葉質(zhì)量的參數(shù)，其計算公式有充分的合理性。但隨著茶葉科學研究的深入，筆者認為會有其他的參數(shù)也可以用于茶鮮葉的質(zhì)量評價，也就是說評價茶鮮葉質(zhì)量的參數(shù)不是惟一的。②專用茶鮮葉近紅外光譜儀的研制：近紅外光譜分析儀已經(jīng)成功地應(yīng)用于石油和煙草等領(lǐng)域，在茶葉領(lǐng)域，日本和韓國等國家已經(jīng)在茶葉品質(zhì)的近紅外光譜檢測方面進行過一定的研究，但由于近紅外光譜技術(shù)應(yīng)用中測試對象的復(fù)雜性、不同種植地域分析模型的適應(yīng)性差等原因，這些產(chǎn)品并不能在我國直接使用，此外價格也高，不利于普及，為此，需要研制適合我國茶鮮葉特性的高性價比的近紅外光譜儀。③近紅外光譜技術(shù)對茶葉自動化生產(chǎn)的助推作用：制約茶葉自動化加工生產(chǎn)的最關(guān)鍵的一步就是鮮葉的殺青步驟。因為生產(chǎn)時需要根據(jù)茶鮮葉含水量的不同來調(diào)控殺青機的溫度，進而控制茶鮮葉的傳輸速率。而這一過程需要應(yīng)用近紅外光譜技術(shù)在線快速預(yù)測茶鮮葉含水量，所以近紅外光譜技術(shù)在茶鮮葉加工廠的應(yīng)用，將有助于茶鮮葉加工自動化的實現(xiàn)。

參考文獻：

[1] BLANCO M， VILLARROVA I. NIR spectroscopy： A rapid-response analytical tool [J]. Trends in Analytical Chemistry，2002， 21（4）：240-250.

[2] 徐廣通，袁洪福，陸婉珍.現(xiàn)代近紅外光譜技術(shù)及應(yīng)用進展[J].光譜學與光譜分析，2000，20（2）：134-142.

[3] 陸婉珍.現(xiàn)代近紅外光譜分析技術(shù)[M].第二版.北京：中國石化出版社，2007.

[4] DAVIES T. The history of near infrared spectroscopic analysis： Past， present and future——“From sleeping technique to the morning star of spectroscopy”[J]. Analysis，1998，26（4）：17-19.

[5] 嚴衍祿，趙龍蓮，韓東海，等.近紅外光譜分析基礎(chǔ)與應(yīng)用[M].北京：中國輕工業(yè)出版社，2005.

[6] LUMARDELLI L， DE MARCHI G， DE MARTIIS F. Application of near infrared reflectance spectroscopy in controlling the processing of pharmaceuticals [J]. Bollettino Chimico Farmaceutico（Italy），1988，12（8）：13-19.

[7] LASSONEN M，HARMIA-PULKKINEN T，SIMARD C， et al. Fast identification of Echinacea purpurea dried roots using near-infrared spectroscopy[J]. Anal Chem，2002，74（11）：2493-2499.

[8] DOU Y， SUN Y， REN Y Q， et al. Simultaneous non-destructive determination of two components of combined paracetamol and amantadine hydrochloride in tablets and powder by NIR spectroscopy and artificial neural networks[J]. Journal of Pharmaceutical Biomedical Analysis，2005（37）：543-549.

[9] HAILEY PA， DOHERTY P， TAPSEN P， et al. Automated system for the on-line monitoring of powder blendin processes using near infrared spectroscopy [J]. Journal of Pharmaceutical Biomedical Analysis，1996，14（5）：551-559.

[10] 劉輝軍，呂 進，林 敏，等.基于RBF網(wǎng)絡(luò)和NIRS的綠茶水分含量分析模型[J].中國計量學院學報，2005，16（3）：188-190.

[11] CHEN Q S， ZHAO J W， ZHANG H D， et al. Feasibility study on qualitative and quantitative analysis in tea by near infrared spectroscopy with multivariate calibration[J]. Analytica Chimica Acta，2006，572（1）：77-84.

[12] LUYPAERT J， ZHANG M H， MASSART D L. Feasibility study for the use of near infrared spectroscopy in the qualitative and quantitative analysis of green tea， Camellia sinensis （L.）[J].Analytica Chimica Acta，2003，478（2）：303-312.

[13] 羅一帆，郭振飛，朱振宇，等.近紅外光譜測定茶葉中茶多酚和茶多糖的人工神經(jīng)網(wǎng)絡(luò)模型研究[J].光譜學與光譜分析，2005，25（8）：1230-1233.

[14] 龔加順，劉佩瑛，劉勤晉，等.茶飲料品質(zhì)相關(guān)成分的近紅外線光譜技術(shù)分析[J].食品科學，2004，25（2）：135-140.

[15] 閻守和，莫漢斯M，汪拜爾M.用近紅外光譜法檢測茶纖維的研究[J].茶葉科學，1987，7（1）：45-50.

[16] 夏賢明，劉寶生，丁 寧.用近紅外分析法測定綠茶的總氮量[J].茶葉科學，1988（l）：55-59.

[17] 閻守和.評價茶品質(zhì)的近紅外光譜（NIRS）法[J].上海茶葉，2005（3）：19-21.

[18] YAN S H. Evaluation of the composition and sensory properties of tea using near infrared spectroscopy and principal component analysis[J]. J Near Infrared Spec，2005，13（6）：313-325.

[19] 趙杰文，陳全勝，張海東，等.近紅外光譜分析技術(shù)在茶葉鑒別中的應(yīng)用研究[J].光譜學與光譜分析，2006，26（9）：1601-1604.

[20] 李曉麗，何 勇，裘正軍.一種基于可見-近紅外光譜快速鑒別茶葉品種的新方法[J].光譜學與光譜分析，2007，27（2）：279-282.

[21] 陳全勝，趙杰文，張海東，等.基于支持向量機的近紅外光譜鑒別茶葉的真?zhèn)蝃J].光學學報，2006，26（6）：933-937.

[22] 王勝鵬.茶鮮葉質(zhì)量的近紅外光譜評價方法研究[D].合肥：安徽農(nóng)業(yè)大學，2012.

[23] ZHANG Z Z， WANG S P， WAN X C， et al. Evaluation of sensory and composition properties in young tea shoots and their estimation by near infrared spectroscopy and partial least squares techniques[J]. Spectroscopy Europe，2011，23（4）：17-23.

[24] WANG S P， ZHANG Z Z， NING J M， et al. Back propagation-artificial neural network model for prediction of the quality of tea shoots through selection of relevant near infrared spectral data via synergy interval partial least squares[J]. Analytical Letters，2013，46（1）：184-195.

[25] 王勝鵬，宛曉春，林茂先，等.基于水分、全氮量和粗纖維含量的茶鮮葉原理質(zhì)量近紅外評價方法[J].茶葉科學，2011，31（1）：66-71.

[26] 胡功銀，宛曉春，金 緯，等.近紅外技術(shù)快速檢測茶葉品質(zhì)的方法[P].中國專利：CN 10116733，2009-05-08.

[27] 胡功銀，宛曉春，金 緯，等.近紅外技術(shù)快速檢測茶葉品質(zhì)的裝置[P].中國專利：CN 20171950，2009-05-08.