吳繼忠，王新宇，藍(lán)黃博恩，譚浩東，殷思佳，陳曉宏，歐陽琴

（1.江蘇大學(xué)食品與生物工程學(xué)院，江蘇鎮(zhèn)江 212013；2.鎮(zhèn)江市金山翠芽茶業(yè)責(zé)任有限公司，江蘇鎮(zhèn)江 212111）

0 引言

干燥是各類茶產(chǎn)品加工的一道重要工序，不僅是水分散失和穩(wěn)固外形的過程，更是內(nèi)含成分發(fā)生微妙變化的過程，對茶葉的色澤、香氣和滋味的形成尤為重要。傳統(tǒng)茶葉干燥過程采用輝鍋干燥，干燥過程品質(zhì)的控制依賴工人師傅感官經(jīng)驗，然而人工感官評價手段容易受到師傅經(jīng)驗、性別、年齡、環(huán)境等主客觀因素的影響，使茶葉品質(zhì)的穩(wěn)定性得不到保證。近年來，盡管現(xiàn)代化茶葉干燥機(jī)已在很多茶葉加工企業(yè)推廣應(yīng)用，茶葉加工機(jī)械化得到了全面推廣，但茶葉加工過程的智能化和數(shù)字化監(jiān)控并沒有實施。研究茶葉加工過程品質(zhì)的智能化監(jiān)控方法，開發(fā)茶葉加工的智能化和數(shù)字化裝備，對于提高機(jī)械制茶品質(zhì)的穩(wěn)定性具有重要意義。

水分是衡量茶葉干燥過程最重要的品質(zhì)因子。近紅外光譜主要是有機(jī)物含氫基團(tuán)（C-H，O-H，N-H）等的倍頻和合頻吸收，具有快速、無損、準(zhǔn)確等優(yōu)勢[1]，近年來，該技術(shù)在食品水分檢測中受到了越來越多的關(guān)注。Pan Talens等人[2]利用近紅外高光譜圖像技術(shù)的光譜信息預(yù)測火腿的水分含量。Lu Ying-guo等人[3]利用近紅外光譜技術(shù)預(yù)測方便面的水分量。Eva Achata等人[4]利用近紅外高光譜圖像技術(shù)的光譜信息預(yù)測咖啡、薄餅、大豆的濕度和水分含量。朱逢樂等人[5]利用近紅外高光譜圖像技術(shù)的光譜信息預(yù)測三文魚的水分含量。王婉嬌等人[6]利用可見-近紅外高光譜成像技術(shù)的光譜信息預(yù)測冷鮮羊肉的水分含量。

在茶葉品質(zhì)檢測方面，王勝鵬等人[7]利用近紅外光譜技術(shù)評價茶鮮葉的水分含量；Deng Shuiguang等人[8]利用近紅外光譜技術(shù)檢測茶葉的水分含量。然而，近紅外光譜技術(shù)在茶葉加工過程品質(zhì)的水分含量檢測還比較少見。研究嘗試近紅外光譜技術(shù)檢測茶葉干燥過程的水分含量，對茶葉干燥過程品質(zhì)的智能化和數(shù)字化監(jiān)測，以及茶葉智能化加工裝備的開發(fā)具有重要意義。

1 材料與方法

1.1 試驗材料

采集鎮(zhèn)江金山翠芽茶業(yè)有限責(zé)任公司綠茶（烏牛草品種）加工干燥過程的樣本為研究對象，取干燥過程不同時間節(jié)點的樣本共90個。每個樣本取20 g，使用精度為0.1 g的電子天平稱質(zhì)量，樣本密封保存。

1.2 光譜采集及預(yù)處理

研究構(gòu)建了便攜式的近紅外光譜系統(tǒng)用于樣本的光譜采集，該系統(tǒng)主要包括以下幾個部分：①近紅外光譜儀（NIRQUEST512，海洋光學(xué)）；②Y型光纖 （QR400-7-VIS-NIR，海洋光學(xué)）；③光源（HL-2000，海洋光學(xué)）；④計算機(jī)，采用漫反射方式采集光譜，光譜范圍900～1 700 nm，參數(shù)設(shè)定為積分時間500 ms，平均次數(shù)3次，平滑度5。光譜采集軟件為Spectra Suite軟件。每個樣本采集3次光譜，以3次光譜的平均值為樣本的原始光譜，并采用標(biāo)準(zhǔn)正態(tài)變量變換（SNV）預(yù)處理光譜，用于后續(xù)模型分析。

茶葉干燥過程樣本原始光譜圖（a）和經(jīng)SNV預(yù)處理后的光譜圖（b） 見圖1。

1.3 水分含量參考值測定

參考GB 5009.3—2016的直接干燥法對茶葉樣本進(jìn)行含水率測量。其測量步驟如下：將含蓋稱量瓶置于烘箱內(nèi)，在105℃條件下保持1 h后取出，于干燥皿內(nèi)自然冷卻至室溫，將烘干后的稱量瓶放在精度為0.000 1 g的天平上稱質(zhì)量，記為Ma，清零，再將茶葉樣品放入稱量瓶中稱質(zhì)量，得出樣品濕質(zhì)量（M0）。

圖1 茶葉干燥過程樣本原始光譜圖（a）和經(jīng)SNV預(yù)處理后的光譜圖（b）

1.4 數(shù)據(jù)處理

研究比較應(yīng)用全光譜偏最小二乘模型（PLS）、競爭性自適應(yīng)加權(quán)抽樣偏最小二乘模型（CARSPLS）、遺傳偏最小二乘模型（GA-PLS） 建立模型，采用交互驗證優(yōu)化模型建立和優(yōu)化模型。采用交互驗證方法得到最佳主成分?jǐn)?shù)，當(dāng)交互驗證均方根誤差（RMSECV）最小時，對應(yīng)的主成分?jǐn)?shù)即為最優(yōu)。同時通過校正集的相關(guān)系數(shù)（Rc）、校正均方根誤差（RMSEC），預(yù)測集的相關(guān)系數(shù)（Rp）和預(yù)測均方根誤差（RMSEP） 評價所建模型的性能。RMSEC和RMSEP，Rc和Rp之間差異越小，最佳主成分?jǐn)?shù)越小，模型性能越好。

建立模型時，將樣本隨機(jī)劃分為校正集和預(yù)測集樣本。校正集樣本用于建立茶葉干燥過程水分含量的近紅外光譜預(yù)測模型，預(yù)測集用于評價模型的準(zhǔn)確性和可靠性。

校正集和預(yù)測集中樣本水分含量值分布見表1。

將茶葉樣品放入烘箱內(nèi)，120℃時計時，1 h后取出，移入干燥皿內(nèi)，冷卻至室溫。然后取出茶葉樣品連同稱量瓶稱質(zhì)量，記為M2。

茶葉含水率公式如下：

表1 校正集和預(yù)測集中樣本水分含量值分布

2 結(jié)果和分析

2.1 PLS模型

PLS是一種應(yīng)用廣泛的模型建立方法。該方法是利用茶葉干燥過程的全光譜近紅外數(shù)據(jù)進(jìn)行建模，所用到的光譜數(shù)據(jù)一共為512個。

PLS模型中校正集RMSECV與主成分?jǐn)?shù)變化關(guān)系（a），校正集和預(yù)測集樣本的預(yù)測值與實測值之間的散點圖（b） 見圖2。

圖2 PLS模型中校正集RMSECV與主成分?jǐn)?shù)變化關(guān)系（a）校正集和預(yù)測集樣本的預(yù)測值與實測值之間的散點圖（b）

由圖2（a）可看出，當(dāng)主成分?jǐn)?shù)為8時，RMSECV最低，此時建模效果最好。圖2（b） 顯示了當(dāng)主成分為8時，PLS模型中校正集和預(yù)測集樣本的預(yù)測值與實測值之間的散點圖，校正集Rc=0.978 7，RMSEC=0.846；預(yù)測集Rp=0.970 3，RMSEP=1.02。

2.2 GA-PLS模型

GA-PLS的特點是可以進(jìn)行全局快速搜索，結(jié)合GA算法和PLS算法，建立的模型更加穩(wěn)定，預(yù)測效果更好。該方法的主要步驟是確定控制參數(shù)（群體大小、交叉變異概率）、編碼、確定適應(yīng)度函數(shù)、產(chǎn)生初始群體、選擇算子、交叉運算、變異、收斂。

采用GA優(yōu)選變量時，初始群體大小、交叉概率、變異概率和遺傳迭代次數(shù)分別設(shè)定為50，0.5，0.01，100。圖3（a） 為GA變量篩選的頻次圖，頻次在8以上的變量被選中，共58個變量。

GA篩選變量的頻次見圖3（a），GA-PLS模型中校正集和預(yù)測集樣本的預(yù)測值與實測值之間的散點圖見圖3（b）。

圖3 GA篩選變量的頻次圖（a）GA-PLS模型中校正集和預(yù)測集樣本的預(yù)測值與實測值之間的散點圖（b）

圖3（b） 為GA-PLS模型中茶葉干燥過程最佳校正集和預(yù)測集的含水率預(yù)測值與實測值的散點圖，結(jié)果顯示，當(dāng)主成分?jǐn)?shù)為8時，該模型校正集Rc=0.992 7、RMSEC=0.497，預(yù)測集Rp=0.986 8，RMSEP=0.696。結(jié)果顯示，GA-PLS建模結(jié)果優(yōu)于PLS模型，變量數(shù)大大減少，簡化了模型，且模型性能得到提高。

2.3 CARS-PLS模型

CARS模仿達(dá)爾文進(jìn)化理論中“適者生存”的原則優(yōu)選變量，具體包含如下步驟：①采用蒙特卡羅抽樣法選取校正集中80%～90%的樣本建模；②建立PLS模型，得到每個變量對應(yīng)的回歸系數(shù)，并計算其權(quán)重；③根據(jù)指數(shù)遞減函數(shù)（Exponentially Decreasing function，EDF） 和自適應(yīng)加權(quán)采樣ARS（Adaptive reweighted sampling，ARS） 兩步篩選變量；④用每次產(chǎn)生的新變量子集建立PLS回歸模型，最后選出RMSECV最低的子集，即為最優(yōu)變量子集[9]。

運行CARS-PLS時，隨機(jī)選取校正集80%的樣本（48個樣本）用于構(gòu)建模型，蒙特卡羅采樣次數(shù)為50，采用5倍交互驗證優(yōu)化模型，依據(jù)最低RMSECV值確定最佳變量和模型。

CARS篩選變量的過程見圖4（a），CARS-PLS模型中校正集和預(yù)測集樣本的預(yù)測值與實測值之間的散點圖見圖4（b）。

圖4 CARS篩選變量的過程圖（a）CARS-PLS模型中校正集和預(yù)測集樣本的預(yù)測值與實測值之間的散點圖（b）

圖4（a） 顯示了RMSECV與采樣次數(shù)的關(guān)系，當(dāng)采樣次數(shù)為35時，RMSECV值最低，之后逐漸增加，說明運行35次以上時，CARS開始剔除與水分含量相關(guān)的特征變量。圖4（b） 為被選中的變量數(shù)與采樣次數(shù)的關(guān)系，從中可見，被選中的變量數(shù)隨采樣次數(shù)的增加而逐漸下降，且下降趨勢由快到慢，體現(xiàn)了變量粗選和精選2個過程。從圖4（b）可知，當(dāng)采樣次數(shù)為35次時，獲得最小的RMSECV值，此時，篩選的變量數(shù)為11個，圖中以“*”代表RMSECV值最小的位置及篩選變量數(shù)。以CARS-PLS篩選的11個變量建立茶葉干燥過程水分含量的近紅外光譜預(yù)測模型，其主成分?jǐn)?shù)為7，校正集Rc和RMSEC分別為0.991 3，0.543，預(yù)測集Rp和RMSEP分別為0.990 7，0.574。

2.4 討論

近紅外光譜結(jié)合不同模型預(yù)測茶葉干燥過程水分含量的結(jié)果見表2。

表2 近紅外光譜結(jié)合不同模型預(yù)測茶葉干燥過程水分含量的結(jié)果

表2顯示了PLS，GA-PLS和CARS-PLS 3種方法建立的茶葉干燥過程水分含量的近紅外光譜分析結(jié)果。從表中可以得出，CARS-PLS模型結(jié)果最佳，該模型的變量數(shù)最少，模型最簡單，其校正集和預(yù)測集均具有較高的模型預(yù)測精度，且RMSEC和RMSEP，Rc和Rp之間差異最小，表明模型更加穩(wěn)健。因此，CARS-PLS模型效果最好，說明通過篩選變量提高預(yù)測準(zhǔn)確度是有效的。

3 結(jié)論

研究采用近紅外光譜技術(shù)對茶葉干燥過程的水分含量進(jìn)行評價分析，比較應(yīng)用PLS，GA-PLS和CARS-PLS建立茶葉干燥過程水分含量的近紅外光譜分析模型。結(jié)果表明，CARS-PLS模型的預(yù)測效果最佳，變量數(shù)為11，主成分?jǐn)?shù)為7校正集的Rc=0.991 3，RMSEC=0.543，預(yù)測集的Rp=0.990 7，RMSEP=0.574。研究結(jié)果表明，采用近紅外光譜技術(shù)結(jié)合合適的化學(xué)計量學(xué)方法評價茶葉干燥過程的水分含量具有可行性，為茶葉干燥過程品質(zhì)的數(shù)字化、智能化監(jiān)控提供方法。