盧莉，程曦，劉金仙，林燕萍，黃毅彪

（1.武夷學(xué)院茶與食品學(xué)院，福建武夷山354300；2.中國烏龍茶產(chǎn)業(yè)協(xié)同創(chuàng)新中心，福建武夷山354300）

小種紅茶是世界紅茶的鼻祖，起源于武夷山。2005年以來，小種紅茶在保留其傳統(tǒng)、獨(dú)特的品質(zhì)特征的基礎(chǔ)上，不斷研發(fā)創(chuàng)新，開發(fā)了奇紅等高端紅茶產(chǎn)品，使其在市場(chǎng)上再次風(fēng)靡。水浸出物是茶葉在熱水中所有可溶性成分的總稱，其含量的高低反映了茶湯的厚薄、滋味的濃強(qiáng)程度，是衡量茶葉質(zhì)量的重要指標(biāo)[1]。近紅外是波長(zhǎng)為780 nm～2 526 nm（波數(shù)為12 820 cm-1～3 960 cm-1），介于中紅外光譜和可見光譜之間的一種電磁波。近紅外光譜技術(shù)承載的分析信息主要是有機(jī)物質(zhì)中的含氫基團(tuán)C-H，O-H，N-H）等振動(dòng)的倍頻和合頻特征信息[2]。近紅外光譜分析技術(shù)是一種綠色分析技術(shù)，具有分析快速、處理簡(jiǎn)單、無需試劑消耗等優(yōu)點(diǎn)[3]。近年來國內(nèi)外學(xué)者采用近紅外技術(shù)在茶葉產(chǎn)地溯源[4]、品質(zhì)分析[5-6]、產(chǎn)品判別[7-8]等方面的應(yīng)用已有不少的研究，其中在茶葉的化學(xué)成分的快速測(cè)定及模型構(gòu)建方面也取得一定進(jìn)展，Zhiming Guo 等[9]利用近紅外光譜結(jié)合多元校正方法建立綠茶中表沒食子兒茶素沒食子酸酯（（－）-epigallocatechin gallate，EGCG）含量的校正模型，楊丹等[10]建立綠茶全氮量近紅外定量分析模型，趙峰等[11]優(yōu)選并成功建立武夷巖茶的水分、茶多酚、咖啡因和粗纖維的定量分析模型。沈詩鈺等[12]采用偏最小二乘法建立白茶總黃酮含量的定量模型。董春旺[13]建立基于近紅外光譜檢測(cè)技術(shù)的小葉種工夫紅茶感官品質(zhì)評(píng)分和理化品質(zhì)指標(biāo)的定量分析模型。

近紅外光譜在綠茶、烏龍茶、白茶、黑茶、紅茶等茶類的均有應(yīng)用，但尚未見到該技術(shù)在小種紅茶品質(zhì)成分快速定量測(cè)定方面的應(yīng)用研究。本研究針對(duì)小種紅茶這一特種茶類單一建模，將近紅外光譜分析技術(shù)應(yīng)用于小種紅茶品質(zhì)成分的定量分析，針對(duì)性強(qiáng)。建模時(shí)可減少不同茶類建模時(shí)茶類間物質(zhì)種類差別較大帶來的非建模屬性等其他無用信息的干擾，建模效果更好。相比常規(guī)的水浸出物檢測(cè)方法，近紅外光譜技術(shù)能實(shí)現(xiàn)水浸出物的定量快速無損檢測(cè)，操作簡(jiǎn)便。

1 材料與方法

1.1 材料

小種紅茶茶樣：一部分由武夷山正山茶業(yè)有限公司等企業(yè)提供，一部分采購于武夷山市內(nèi)各茶企。為保證樣品的代表性，收集茶樣為2017～2018 年生產(chǎn)的不同品種、不同等級(jí)、不同區(qū)域、不同類別、不同廠家的茶樣，共76 個(gè)樣品。

1.1.2 儀器與設(shè)備

VERTEX 70 傅立葉近紅外光譜儀：美國布魯克儀器公司；HH-4 數(shù)顯恒溫水浴鍋：常州國華電器有限公司；SARTORIUS BS224S 電子分析天平：德國賽多利斯公司；FZ-102 微型植物粉碎機(jī)：天津市泰斯特儀器有限公司；SHZ-DIII 循環(huán)水真空泵抽濾裝置：鄭州長(zhǎng)城科工貿(mào)有限公司；ZFD-A5040A 新型鼓風(fēng)干燥箱：上海精宏實(shí)驗(yàn)設(shè)備有限公司。

1.2 方法

1.2.1 近紅外光譜（near infrared spectroscopy，NIRS）的采集

粉碎后的小種紅茶近紅外光譜采用傅立葉近紅外光譜儀進(jìn)行光譜采集，光譜譜區(qū)采集范圍：4 000 cm-1～12 000 cm-1；掃描次數(shù)64 次，分辨率8 cm-1。溫度控制室溫恒定在25 ℃左右。每個(gè)樣品重復(fù)掃描3 次，取平均光譜進(jìn)行建模。

1.2.2 水浸出物含量的測(cè)定

水浸出物含量測(cè)定：按國家標(biāo)準(zhǔn)GB/T8305-2002《茶水浸出物測(cè)定》[14]。

1.2.3 建模方法

偏最小二乘法是一種矩陣法，具有分析速度快、準(zhǔn)確度高、預(yù)測(cè)性強(qiáng)等特點(diǎn)，能對(duì)嚴(yán)重重疊的譜峰進(jìn)行多元校正，在一定的程度上可以消除譜峰的非線性[15]。因此，本試驗(yàn)采用偏最小二乘法（partial least squares，PLS）建立小種紅茶水浸出物定量分析模型。

1.2.4 模型評(píng)價(jià)方法

通過外部驗(yàn)證和內(nèi)部交叉驗(yàn)證法對(duì)模型進(jìn)行檢驗(yàn)，采用實(shí)測(cè)集與預(yù)測(cè)集R2，交互驗(yàn)證均方根誤差（root mean square error of cross validation，RMSECV），RMSEP 作為模型性能的評(píng)價(jià)指標(biāo)。R2越接近1，RMSECV 與RMSEP 值越小，說明模型的預(yù)測(cè)效果越好[16]。

1.3 數(shù)據(jù)處理

使用OPUS 7.5 軟件進(jìn)行數(shù)據(jù)格式的轉(zhuǎn)換，光譜預(yù)處理和模型建立，用Origin 8.0 軟件作圖。

2 結(jié)果與分析

2.1 小種紅茶近紅外光譜圖的采集

采集的76 個(gè)小種紅茶樣品近紅外光譜疊加結(jié)果如圖1 所示。

圖1 小種紅茶樣品近紅外光譜圖Fig.1 NIRS spectra of Souchong samples

由圖1 可知，大于10 000 cm-1波數(shù)段主要貢獻(xiàn)噪聲，4 000 cm-1～10 000 cm-1波數(shù)段光譜信息豐富，為有效信息集中段，7 500 cm-1～10 000 cm-1波數(shù)段趨向平緩，4 000 cm-1～7 500 cm-1波數(shù)段光譜吸收峰多而尖銳。不同品種、不同等級(jí)、不同區(qū)域、不同類別、不同廠家的小種紅茶茶樣近紅外光譜相似，但是由于不同樣品所含化學(xué)成分的含量高低不同，導(dǎo)致其近紅外圖譜存在差異。

2.2 水浸出物含量的測(cè)定

校正集和驗(yàn)證集樣品含量分布見表1。

表1 校正集和驗(yàn)證集樣品含量分布Table 1 Sample content distribution of calibration set and validation set

由表1 可知，76 個(gè)小種紅茶樣品水浸出物含量的測(cè)定結(jié)果，樣品中水浸出物含量的變化范圍較大，最大值和最小值都被劃分在校正集中，校正集和驗(yàn)證集的平均值接近。將76 個(gè)小種紅茶樣品隨機(jī)分配為校正集和驗(yàn)證集，校正集∶驗(yàn)證集≈7 ∶3。

2.3 光譜預(yù)處理方法的選擇

近紅外光譜采集時(shí)，噪聲、散射光、樣品背景等因素會(huì)影響有效特征信息的提取，導(dǎo)致近紅外光譜的基線漂移或平移。因此，需要對(duì)原始光譜進(jìn)行預(yù)處理。多元散射校正多元散射校正（multiplicative signal correction，MSC）可以去除漫反射中樣品的鏡面反射及光譜的不重復(fù)性；歸一化可以消除多余信息，增加樣品間的差異性，標(biāo)準(zhǔn)歸一化（standard normal variate，SNV）主要用于消除樣品的不均勻造成的噪聲，散射以及光程變換對(duì)NIR 漫反射的影響；導(dǎo)數(shù)處理可消除基線漂移、背景干擾并且忽略譜線重疊，主要用于基線校正與提高光譜分辨率[17-18]。

本試驗(yàn)比較了OPUS 軟件中自帶的幾種光譜預(yù)處理方法，包括無預(yù)處理（none pretreatment，NONE）、消除常數(shù)偏移量（elimination of constant offset，ECO）、減去一條直線（minus a straight line，MSL）、標(biāo)準(zhǔn)歸一化、最小-最大歸一化（min/max）、多元散射校正法、內(nèi)部標(biāo)準(zhǔn)（internal standards，IS）、一階導(dǎo)數(shù)（first derivative，F(xiàn)D）和二階導(dǎo)數(shù)（second derivative，SD）等，不同預(yù)處理方法對(duì)模型效果的影響見表2。

表2 不同預(yù)處理方法對(duì)定量模型性能的影響Table 2 The effect of different pretreatment methods on the performance of the quantitative model

通過比較發(fā)現(xiàn)，預(yù)處理方法為內(nèi)部標(biāo)準(zhǔn)時(shí)，相關(guān)系數(shù)和校正均方差和驗(yàn)證均方差最接近最佳值。因此，得出光譜的最佳預(yù)處理方法為內(nèi)部標(biāo)準(zhǔn)。

2.4 建模光譜波段的選擇

全波段光譜數(shù)據(jù)信息量大，含有冗余信息多，容易對(duì)模型建立產(chǎn)生影響和干擾[19]。不同光譜區(qū)所包含的信息不同，建模前對(duì)光譜波段進(jìn)行篩選，可防止引入冗余信息，提高模型性能。不同光譜范圍對(duì)R2和RMSECV 的影響見表3。

表3 不同光譜范圍對(duì)R2 和RMSECV 的影響Table 3 Effects of different spectral range on R2 and RMSECV

通過表3 對(duì)比發(fā)現(xiàn)，在 4 000 cm-1～10 000 cm-1波譜區(qū)間，R2最接近1，RMSECV 最小，因此選擇此波段為最佳建模波段。

2.5 主成分?jǐn)?shù)的選擇

主成分?jǐn)?shù)的選擇對(duì)定量模型的建立至關(guān)重要，主成分?jǐn)?shù)太少，會(huì)導(dǎo)致部分有用的信息沒有包含在模型中，可能欠擬合；主成分?jǐn)?shù)過多，又會(huì)導(dǎo)致將無用的噪音信號(hào)當(dāng)作有用信息來建模，模型包含多余信息，可能過擬合。不同主成分?jǐn)?shù)下RMSECV 見圖2。

由圖2 可見，主成分?jǐn)?shù)為5 時(shí)，RMSECV 最小。因此，在本研究中，OPUS 軟件選擇最佳建模的主成分?jǐn)?shù)為5。

2.6 水浸出物定量分析模型的建立

圖2 不同主成分?jǐn)?shù)下RMSECVFig.2 RMSECV in different principal components

經(jīng)過比較分析，最終選用建立模型的光譜預(yù)處理方法為內(nèi)部標(biāo)準(zhǔn)，主成分?jǐn)?shù)為5，運(yùn)用OPUS 7.5 軟件中的PLS 法建立模型。76 份小種紅茶樣品中54 份樣品作為校正集樣品，22 份樣品作為驗(yàn)證集樣品，建立水浸出物近紅外定量分析模型。建模結(jié)果見圖3。

圖3 小種紅茶水浸出物含量的NIR 預(yù)測(cè)值與參考值的相關(guān)圖Fig.3 Correlation plots of NIR predicted values and reference values of water extract of Souchong

由圖3 可知，水浸出物模型校正集相關(guān)系數(shù)較高，為93.04%，預(yù)測(cè)集樣品相關(guān)系數(shù)為95.73%，說明模型校正集樣品擬合度較好，且模型預(yù)測(cè)性能較好。

小種紅茶水浸出物含量的NIR 預(yù)測(cè)值與參考值的偏差圖見圖4。

圖4 小種紅茶水浸出物含量的NIR 預(yù)測(cè)值與參考值的偏差圖Fig.4 Deviation plots of NIR predicted values and reference values of water extract of Souchong

由圖4 可知水浸出物模型的NIR 預(yù)測(cè)值與實(shí)測(cè)值的偏差為-1.2～1.3 范圍內(nèi)，說明NIR 預(yù)測(cè)值與實(shí)測(cè)值較為接近，模型建立比較成功。

2.7 水浸出物定量分析模型的驗(yàn)證

將22 個(gè)小種紅茶驗(yàn)證集樣品的近紅外圖譜導(dǎo)入其水浸出物定量分析模型中，預(yù)測(cè)水浸出物的含量，NIR 預(yù)測(cè)結(jié)果與真實(shí)值比較見表4。

表4 22 份驗(yàn)證集樣品的預(yù)測(cè)值和參考值Table 4 NIR predicted values and reference values of 22 samples in validation set

由表4 可知，預(yù)測(cè)值與真實(shí)值比較接近，絕對(duì)偏差為0.03%～0.93%，相對(duì)誤差在2.57%以內(nèi)，誤差率較小，準(zhǔn)確度較高。說明建模效果較好，所建立的模型預(yù)測(cè)結(jié)果較為準(zhǔn)確，可應(yīng)用于小種紅茶水浸出物含量的無損、快速檢測(cè)。

3 結(jié)論

本試驗(yàn)基于近紅外光譜技術(shù)，采用現(xiàn)行國標(biāo)方法測(cè)定其水浸出物含量，并與其光譜對(duì)應(yīng)，采用PLS 建立小種紅茶水浸出物模型。選用OPUS 7.5 軟件內(nèi)部標(biāo)準(zhǔn)為光譜預(yù)處理方法，主成分?jǐn)?shù)為5 建立小種紅茶水浸出物含量模型，所建立的模型R2為95.73%，RESEC為0.629，RESEP 為0.513。建立的模型效果較好，可用于小種紅茶水浸出物含量的快速測(cè)定，達(dá)到快速、無損檢測(cè)的目的。王玉霞等[20]結(jié)合PLS 建立了綠茶茶湯水浸出物的定量分析模型，發(fā)現(xiàn)其交叉檢驗(yàn)和預(yù)測(cè)模型決定系數(shù)均在95%以上。陳美麗等[21]建立茉莉花茶水浸出物的定量分析模型，真實(shí)值與預(yù)測(cè)值的相關(guān)系數(shù)均達(dá)90%以上。說明近紅外光譜技術(shù)可用于水浸出物含量的快速檢測(cè)，與本研究結(jié)果一致。本次用于建模的小種紅茶樣本數(shù)量為76，在今后的研究中，將進(jìn)一步擴(kuò)大樣本數(shù)量，廣泛收集各種類型的小種紅茶代表性茶樣，進(jìn)一步優(yōu)化模型。