劉奇，歐陽(yáng)建，劉昌偉，陳宏宇，李娟,3，熊立瑰,3，劉仲華,3*，黃建安,3*

茶葉品質(zhì)評(píng)價(jià)技術(shù)研究進(jìn)展

劉奇1,2，歐陽(yáng)建1,2，劉昌偉1,2，陳宏宇1,2，李娟1,2,3，熊立瑰1,2,3，劉仲華1,2,3*，黃建安1,2,3*

1. 茶學(xué)教育部重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙 410125；2. 國(guó)家植物功能成分利用工程技術(shù)研究中心，湖南 長(zhǎng)沙 410125；3. 植物功能成分利用省部共建協(xié)同創(chuàng)新中心，湖南 長(zhǎng)沙 410125

茶葉品質(zhì)是茶葉外形與內(nèi)質(zhì)的體現(xiàn)，快速準(zhǔn)確地對(duì)茶葉品質(zhì)作出評(píng)價(jià)，對(duì)于茶葉加工和茶葉貿(mào)易等至關(guān)重要。感官審評(píng)、成分分析檢測(cè)以及新興技術(shù)是目前主要的茶葉品質(zhì)評(píng)價(jià)技術(shù)方法。綜述了近年來(lái)3種主要評(píng)價(jià)技術(shù)的研究進(jìn)展，并重點(diǎn)分析了新興技術(shù)的發(fā)展趨勢(shì)。感官審評(píng)受主觀(guān)因素影響較大，但結(jié)合定量描述分析可以降低主觀(guān)性的影響；成分分析檢測(cè)門(mén)檻高、操作難、耗時(shí)耗力，得出的結(jié)果相對(duì)準(zhǔn)確；新興技術(shù)具有簡(jiǎn)單、快速、無(wú)損等特點(diǎn)，但目前還無(wú)法達(dá)到令人滿(mǎn)意的準(zhǔn)確率。在茶葉產(chǎn)品多樣化的今天，唯有多維度綜合利用多種方法，才能快速、高效檢測(cè)茶葉品質(zhì)，為茶產(chǎn)業(yè)健康高效發(fā)展提供助力。

茶葉品質(zhì)；計(jì)算機(jī)視覺(jué)；光譜技術(shù)；電化學(xué)方法

茶是全世界非常受歡迎的飲料之一。茶葉品質(zhì)是其外形與內(nèi)質(zhì)的綜合體現(xiàn)，并受諸多因素影響。茶葉中豐富的生物活性成分，如茶多酚、氨基酸、咖啡堿、茶色素等，對(duì)茶葉品質(zhì)形成具有重要作用；茶葉種類(lèi)繁多、加工工藝復(fù)雜，每類(lèi)茶葉都具有獨(dú)特的品質(zhì)特征與品質(zhì)標(biāo)準(zhǔn)，從茶樹(shù)生長(zhǎng)條件到茶葉加工過(guò)程的變化都會(huì)導(dǎo)致品質(zhì)的變化。品質(zhì)的優(yōu)劣決定了其經(jīng)濟(jì)價(jià)值與營(yíng)養(yǎng)價(jià)值，但市場(chǎng)中的商品茶經(jīng)常出現(xiàn)以次充好、以假亂真的現(xiàn)象，不僅損害消費(fèi)者的利益，也損害生產(chǎn)者的聲譽(yù)，給茶葉經(jīng)濟(jì)帶來(lái)不良影響。因此，對(duì)茶葉品質(zhì)的檢測(cè)與評(píng)價(jià)尤為重要。

目前茶葉品質(zhì)評(píng)價(jià)方法主要包括感官審評(píng)、成分分析檢測(cè)和新興技術(shù)（圖1）。感官審評(píng)是茶葉品質(zhì)評(píng)價(jià)的基本方法，具有方便、直觀(guān)、快捷等特點(diǎn)，但主觀(guān)性限制了其發(fā)展；成分分析檢測(cè)是借助分析儀器對(duì)茶葉的內(nèi)含成分進(jìn)行檢測(cè)的方法，結(jié)果更加準(zhǔn)確客觀(guān)，但成本高、時(shí)間長(zhǎng)、對(duì)樣品破壞性大；近年來(lái)發(fā)展迅速的新興技術(shù)是茶葉品質(zhì)評(píng)價(jià)的重要方法，包括計(jì)算機(jī)視覺(jué)、光譜技術(shù)、電化學(xué)方法等，能夠快速、無(wú)損、客觀(guān)的檢測(cè)茶葉樣品，但在準(zhǔn)確率方面還有待提高。本文綜述了以上3種類(lèi)型的評(píng)價(jià)方法，以期為茶葉品質(zhì)檢測(cè)、茶葉生產(chǎn)加工提供理論基礎(chǔ)。

1 感官審評(píng)

茶葉感官審評(píng)（Sensory evaluation of tea）主要通過(guò)術(shù)語(yǔ)與評(píng)分對(duì)茶葉品質(zhì)進(jìn)行評(píng)價(jià)，發(fā)展至今已經(jīng)形成了現(xiàn)代學(xué)科體系，茶葉感官審評(píng)方法《GB/T 23776—2018》對(duì)審評(píng)室條件與審評(píng)人員都提出了較高的要求。其中對(duì)審評(píng)室條件的要求包括設(shè)備條件、環(huán)境條件、操作要求等，以此來(lái)保證結(jié)果的可靠性；對(duì)于審評(píng)人員，不僅需要敏銳的感官審評(píng)能力，還需要掌握茶樹(shù)栽培、茶葉加工、茶葉生物化學(xué)等領(lǐng)域的基礎(chǔ)知識(shí)，擁有豐富的生產(chǎn)和審評(píng)經(jīng)驗(yàn)。

圖1 茶葉品質(zhì)評(píng)價(jià)技術(shù)

茶葉感官審評(píng)術(shù)語(yǔ)《GB/T 14487—2017》是我國(guó)具有代表性的食品感官術(shù)語(yǔ)，使用統(tǒng)一的感官分析術(shù)語(yǔ)和描述詞，能夠準(zhǔn)確地表達(dá)出對(duì)茶葉的感官體驗(yàn)。隨著近年來(lái)茶產(chǎn)業(yè)的發(fā)展，張穎彬等[1]認(rèn)為目前茶葉感官術(shù)語(yǔ)還存在有待完善之處，如術(shù)語(yǔ)詞義易混淆、部分術(shù)語(yǔ)定義存在疑難點(diǎn)、部分程度術(shù)語(yǔ)關(guān)系不明確、組合術(shù)語(yǔ)數(shù)量過(guò)多等。因此，張穎彬等[2]對(duì)茶葉的感官術(shù)語(yǔ)進(jìn)行了整理，并參照其他食品領(lǐng)域，構(gòu)建了中國(guó)茶葉的風(fēng)味輪（Flavor wheel）。此外，也有關(guān)于茯磚茶[3]、黃茶[4]、紅茶[5]等風(fēng)味輪構(gòu)建的報(bào)道，都為進(jìn)一步完善茶葉感官審評(píng)方法做出了重要貢獻(xiàn)。風(fēng)味輪能夠?qū)⒏泄傩g(shù)語(yǔ)簡(jiǎn)化、濃縮，更適合于消費(fèi)者的學(xué)習(xí)與使用，但無(wú)法覆蓋茶葉的所有風(fēng)味特征。感官審評(píng)具有主觀(guān)性，無(wú)論是在茶葉還是其他食品行業(yè)[6-7]，人類(lèi)感覺(jué)器官、身體狀態(tài)和心理狀態(tài)都存在差異，從而導(dǎo)致了感官審評(píng)結(jié)果的不一致性和不可預(yù)測(cè)性。因此，研究人員引入了定量描述分析（Quantitative descriptive analysis，QDA），通過(guò)線(xiàn)性尺度對(duì)感官屬性的強(qiáng)度進(jìn)行量化評(píng)價(jià)，確定并比較不同樣品的感官特征，QDA方法不僅在一定程度上降低了個(gè)體差異對(duì)結(jié)果的影響，而且保留了直觀(guān)、快捷的優(yōu)點(diǎn)，成功地提高了感官審評(píng)的客觀(guān)性與可控性，廣泛應(yīng)用于茶葉品質(zhì)研究中[8-9]。

感官審評(píng)能夠發(fā)現(xiàn)儀器難以檢測(cè)到的品質(zhì)變化，也是消費(fèi)者最易獲取的茶葉品質(zhì)評(píng)價(jià)方法，隨著感官審評(píng)培訓(xùn)的推進(jìn)，消費(fèi)者與從業(yè)者能夠借此提高自身的茶葉審評(píng)水平，從而預(yù)防摻假、假冒偽劣等現(xiàn)象的發(fā)生。因此，茶葉感官審評(píng)目前依然是及時(shí)反應(yīng)茶葉品質(zhì)水平的基本方法，對(duì)茶葉生產(chǎn)、科學(xué)研究都起著指導(dǎo)和促進(jìn)作用，因其具有方便、直觀(guān)、快捷等特點(diǎn)而被廣泛運(yùn)用[10]。

2 成分分析檢測(cè)

隨著現(xiàn)代分析儀器的出現(xiàn)，研究人員開(kāi)始應(yīng)用物理和化學(xué)等方法對(duì)茶葉的內(nèi)含物質(zhì)進(jìn)行檢測(cè)，探究茶葉品質(zhì)與生化成分之間的關(guān)聯(lián)性，相較于感官審評(píng)檢測(cè)結(jié)果更加客觀(guān)、準(zhǔn)確。

茶葉中的生化成分主要通過(guò)紫外-可見(jiàn)分光光度計(jì)（UV-vis）和高效液相色譜（HPLC）等儀器進(jìn)行檢測(cè)[11]。另外，超高效液相色譜（UPLC）[12]、液相色譜-質(zhì)譜聯(lián)用（LC-MC）[13]、氣相色譜-質(zhì)譜聯(lián)用（GC-MS）[10,14]、核磁共振波譜（NMR）[15]等高靈敏度、高準(zhǔn)確度、高數(shù)據(jù)量的復(fù)雜儀器，也常被用于茶葉品質(zhì)研究。Wang等[16]通過(guò)NMR和HPLC-MC分析發(fā)現(xiàn)，黑茶在發(fā)酵過(guò)程中形成了新型標(biāo)志化合物8--ethyl-2-pyrrolidinone substituted flavan-3-ols（EPSFs）；Dai等[17]通過(guò)UPLC-MS對(duì)儲(chǔ)藏過(guò)程中的白茶進(jìn)行了全面的代謝組學(xué)分析，發(fā)現(xiàn)在儲(chǔ)藏過(guò)程中茶氨酸經(jīng)過(guò)Strecker降解和環(huán)化反應(yīng)生成了1-ethyl-5-hydroxy-2-pyrrolidinone，然后與黃烷醇反應(yīng)生成了EPSFs，其含量與儲(chǔ)藏時(shí)間呈正相關(guān)，能作為白茶儲(chǔ)藏時(shí)間判別的標(biāo)記化合物。然而，分析儀器價(jià)格昂貴、體積龐大、操作復(fù)雜，不適用于快速檢測(cè)茶葉品質(zhì)。色差分析可以數(shù)值化干茶與茶湯的顏色屬性，目前的研究主要通過(guò)色差法預(yù)測(cè)茶葉品質(zhì)相關(guān)參數(shù)。王家勤等[18]利用色差法對(duì)工夫紅茶茶湯亮度進(jìn)行了量化評(píng)價(jià)并建立了茶湯亮度預(yù)測(cè)方程，其判別正確率達(dá)到了90.7%。Huang等[19]將色差法與紫外光譜結(jié)合對(duì)黃山毛峰進(jìn)行了快速分級(jí)鑒定，但該方法只能對(duì)顏色進(jìn)行評(píng)價(jià)，對(duì)品質(zhì)參數(shù)的預(yù)測(cè)準(zhǔn)確率較低，在研究中一般用于對(duì)其他方法的補(bǔ)充。

茶葉中內(nèi)含物質(zhì)很復(fù)雜，目前茶葉中分離、鑒定的已知化合物有700多種[20]。復(fù)雜的內(nèi)含物質(zhì)及其對(duì)茶葉品質(zhì)的多維貢獻(xiàn)，使得化學(xué)分析儀器的品質(zhì)評(píng)價(jià)過(guò)程非常復(fù)雜，如使用HPLC確定樣品中兒茶素組分的含量通常需要30?min左右，并且需要復(fù)雜的前處理；茶葉中茶黃素、茶紅素、茶褐素與可溶性糖的測(cè)定方法，不僅需要使用危險(xiǎn)的試劑，而且由于方法的局限性，檢測(cè)結(jié)果與實(shí)際值偏差較大。此外，茶葉品質(zhì)由多種內(nèi)含物質(zhì)相互協(xié)調(diào)、相互作用形成，成分檢測(cè)結(jié)果不足以全面反應(yīng)茶葉品質(zhì)。

3 新興技術(shù)的應(yīng)用

茶葉感官審評(píng)和成分分析檢測(cè)兩種方式目前已經(jīng)有相對(duì)成熟、完整的工序，但無(wú)法達(dá)到快速、準(zhǔn)確、客觀(guān)的要求。隨著科學(xué)技術(shù)的發(fā)展，許多科技問(wèn)題的解決需要超越傳統(tǒng)學(xué)科邊界，融合多學(xué)科領(lǐng)域知識(shí)[21]。因此，研究人員將新興科學(xué)技術(shù)應(yīng)用于茶葉研究中，使茶葉品質(zhì)化學(xué)研究得到進(jìn)一步發(fā)展[22]。

3.1 計(jì)算機(jī)視覺(jué)系統(tǒng)

計(jì)算機(jī)視覺(jué)系統(tǒng)（Computer vision system，CVs）是一種能夠執(zhí)行人類(lèi)視覺(jué)系統(tǒng)部分任務(wù)的智能系統(tǒng)[23]。其原理是利用圖像傳感器獲得目標(biāo)圖像信號(hào)，然后通過(guò)圖像處理系統(tǒng)將圖像信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)，并提取出目標(biāo)的特征信息，最終對(duì)目標(biāo)進(jìn)行識(shí)別、檢測(cè)[24]，具有檢測(cè)分析簡(jiǎn)單、快速和無(wú)損的明顯優(yōu)勢(shì)。

目前已有基于CVs進(jìn)行茶葉采摘的報(bào)道，在名優(yōu)茶采摘季節(jié)可有效降低勞動(dòng)力短缺的影響，并降低人工成本[25]。Yang等[26]通過(guò)CVs獲取茶葉的圖像，再通過(guò)粒子群優(yōu)化-支持向量機(jī)（Particle swarm optimization-support vector machine，PSO-SVM）算法識(shí)別嫩葉，研發(fā)出了高品質(zhì)茶葉自動(dòng)采摘機(jī)器人。CVs能夠?qū)Σ煌牟桀?lèi)進(jìn)行識(shí)別，目前已經(jīng)運(yùn)用于紅茶[27]、綠茶[28-30]、黑茶[31]等茶類(lèi)的品質(zhì)評(píng)價(jià)及分類(lèi)。同時(shí)，也有對(duì)不同茶類(lèi)通用模型的報(bào)道，Bakhshipour等[32]通過(guò)CVs比較了4種不同的數(shù)據(jù)挖掘方法，區(qū)分4種不同的伊朗紅茶，其分類(lèi)率達(dá)到了96.25%；同時(shí)，又基于模糊算法和決策樹(shù)方法輔助的CVs，對(duì)伊朗紅茶與綠茶進(jìn)行了自動(dòng)分類(lèi)[33]。Wu等[34]基于機(jī)器學(xué)習(xí)和CVs開(kāi)發(fā)的茶葉類(lèi)別識(shí)別系統(tǒng)對(duì)綠茶、烏龍茶和紅茶進(jìn)行分類(lèi)，其靈敏度分別為95.2%、90.4%和98.4%，獲得了94.7%的總準(zhǔn)確率。Zhang等[35]提出了一種卷積神經(jīng)網(wǎng)絡(luò)和隨機(jī)池相結(jié)合的新模型，結(jié)合CVs對(duì)烏龍茶、綠茶和紅茶的識(shí)別靈敏度分別為99.5%、97.5%和98.0%，總體準(zhǔn)確率為98.33%。另外，也有關(guān)于CVs在茶園病蟲(chóng)害[36-38]、茶葉加工監(jiān)測(cè)[27,39-40]等方面應(yīng)用的報(bào)道。

化學(xué)計(jì)量學(xué)模型的比較選擇對(duì)于提高CVs的預(yù)測(cè)準(zhǔn)確度非常重要，研究人員已經(jīng)嘗試了多種模型，主要包括隨機(jī)森林算法（Random forests，RF）[30]、卷積神經(jīng)網(wǎng)絡(luò)模型（Convolutional neural network，CNN）[35-36,41]、支持向量機(jī)模型（Support vector machine，SVM）[42-43]、貝葉斯網(wǎng)絡(luò)模型（Bayesian network，BN）[40]、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型（Radial basis function，RBF）[28]、人工神經(jīng)網(wǎng)絡(luò)模型（Artificial neural networks，ANN）[32]、深度神經(jīng)網(wǎng)絡(luò)模型（Deep neural network，DNN）[44]、決策樹(shù)（Decision tree，DT）[33]、BP神經(jīng)網(wǎng)絡(luò)模型（Back propagation neural network，BPNN）[39]和k近鄰算法（k-nearest neighbor，KNN）[45]等。

3.2 光譜技術(shù)

目前應(yīng)用于茶葉品質(zhì)評(píng)價(jià)領(lǐng)域的光譜技術(shù)主要包括近紅外光譜（Near-infrared spectroscopy，NIRS）、中紅外光譜（Mid-infrared spectroscopy，MIRS）、拉曼光譜（Raman spectroscopy，RS）、太赫茲光譜（Terahertz spectroscopies，THz）、高光譜成像（Hyperspectral imaging，HSI）等[46]。其中，NIRS在茶葉品質(zhì)研究領(lǐng)域中應(yīng)用最為廣泛，HSI具有可視化的能力，在茶葉內(nèi)含物質(zhì)檢測(cè)、茶葉加工過(guò)程的監(jiān)測(cè)等方面具有較大潛力。

3.2.1 近紅外光譜

NIRS是一種反映近紅外光區(qū)域（波長(zhǎng)：780～2?526?nm）含氫基團(tuán)分子伸縮振動(dòng)的電磁光譜[47]，通過(guò)掃描樣品，可以得到樣品中有機(jī)分子含氫基團(tuán)的特征信息，具有無(wú)損、快速、準(zhǔn)確的特點(diǎn)。隨著光學(xué)儀器的改進(jìn)以及化學(xué)計(jì)量學(xué)的發(fā)展，近紅外光譜技術(shù)已廣泛應(yīng)用于茶葉品質(zhì)分析領(lǐng)域[48]，并且是最常用的光譜技術(shù)之一。

NIRS技術(shù)最早應(yīng)用于茶葉內(nèi)含物質(zhì)檢測(cè)，包括茶多酚類(lèi)[49-50]、兒茶素類(lèi)[51]、咖啡堿[50,52-53]、氨基酸[54]、水浸出物[54]等，能夠有效克服傳統(tǒng)茶葉理化成分檢測(cè)方法對(duì)樣品破壞性大、耗時(shí)耗力等缺點(diǎn)。Lee等[55]采用NIRS法測(cè)定了665個(gè)茶樣的咖啡堿和9種兒茶素的含量，其預(yù)測(cè)值與HPLC所測(cè)定的參考值具有良好的相關(guān)性。Guo等[56]利用NIRS技術(shù)結(jié)合群體智能算法能同時(shí)定量綠茶中的活性成分，無(wú)需不同測(cè)量方案即可達(dá)到較好的預(yù)測(cè)效果。Liu等[57]將NIRS技術(shù)應(yīng)用于普洱茶的多組分定量分析。此外，NIRS技術(shù)還應(yīng)用于茶葉內(nèi)色素含量的檢測(cè)[58]。由于所構(gòu)建的模型不能應(yīng)用于其他茶類(lèi)，有研究人員進(jìn)行了通用型近紅外光譜的研究。Huang等[48]通過(guò)可見(jiàn)-近紅外光譜結(jié)合化學(xué)計(jì)量學(xué)建立了通用光譜模型，能夠快速準(zhǔn)確測(cè)定不同品種、不同葉位茶葉中兒茶素和咖啡堿的含量。Wang等[59]利用NIRS技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法建立跨類(lèi)別識(shí)別模型，能預(yù)測(cè)不同茶類(lèi)（紅茶、黑茶、烏龍茶、綠茶）的茶多酚、咖啡堿和游離氨基酸含量。

NIRS技術(shù)也已應(yīng)用于茶葉品質(zhì)研究方面，包括水分含量測(cè)定、茶葉等級(jí)分類(lèi)、產(chǎn)地溯源等。水分含量是影響茶葉品質(zhì)的主要因素之一，傳統(tǒng)的烘箱法速度慢，快速有效的測(cè)定茶葉水分含量對(duì)提高茶葉品質(zhì)具有重要意義，Huang等[60]利用可見(jiàn)-近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)建立了不同品種茶葉水分含量的自動(dòng)測(cè)定模型，能消除批次與品種的影響，表現(xiàn)出較強(qiáng)的預(yù)測(cè)性能。NIRS技術(shù)可以快速、無(wú)損的對(duì)茶葉進(jìn)行鑒定分類(lèi)，Liu等[61]利用NIRS技術(shù)對(duì)江西4種茶葉所制不同等級(jí)綠茶進(jìn)行了等級(jí)、品種的分類(lèi)鑒別，預(yù)測(cè)準(zhǔn)確率達(dá)到了100%；Ren等[62]采用NIRS技術(shù)對(duì)祁門(mén)紅茶7個(gè)等級(jí)樣品進(jìn)行了分類(lèi)，并建立了祁門(mén)紅茶等級(jí)識(shí)別的模型，正確判別率達(dá)到了99.01%；Firmani等[63]利用NIRS技術(shù)結(jié)合偏最小二乘判別分析（Partial least squares-discriminant analysis，PLS-DA）鑒別大吉嶺紅茶與其他品種紅茶及摻假樣品，所構(gòu)建判別模型的正確鑒別率達(dá)到了97.3%。產(chǎn)地溯源對(duì)于控制茶葉質(zhì)量和保證消費(fèi)者利益同樣至關(guān)重要，Meng等[64]利用NIRS技術(shù)結(jié)合核磁共振波譜區(qū)分鐵觀(guān)音的地理來(lái)源，識(shí)別精度達(dá)到了90.2%。

為了從近紅外光譜數(shù)據(jù)中獲得可靠和高精度的結(jié)果，化學(xué)計(jì)量學(xué)模型的選擇也起著關(guān)鍵作用。Guo等[65]利用NIRS技術(shù)和不同的多變量算法，發(fā)現(xiàn)組合區(qū)間偏最小二乘法-模擬退火算法（SiPLS-SA）和組合區(qū)間偏最小二乘法-連續(xù)投影算法（SiPLS-SPA）是具有更精確度和更高預(yù)測(cè)性能的最佳模型，校正集相關(guān)系數(shù)（）和預(yù)測(cè)集相關(guān)系數(shù)（）都在97%以上，表明近紅外預(yù)測(cè)數(shù)據(jù)與參考數(shù)據(jù)之間存在很強(qiáng)的相關(guān)性。以上結(jié)果說(shuō)明近紅外光譜技術(shù)可以應(yīng)用于茶葉研究中，并能取得很好的效果，具有很大的研究潛力。

3.2.2 高光譜成像技術(shù)

HSI是一種結(jié)合了圖像與光譜的檢測(cè)技術(shù)，可以同時(shí)從樣品中獲取空間信息和光譜信息，在茶葉品質(zhì)檢測(cè)中呈現(xiàn)出了極大的優(yōu)越性，目前主要應(yīng)用于茶葉內(nèi)含物質(zhì)檢測(cè)和茶葉分類(lèi)。在茶類(lèi)判別方面，Ning等[66]利用HSI對(duì)綠茶、黃茶、白茶、紅茶和烏龍茶樣品進(jìn)行了分類(lèi)，所構(gòu)建模型分類(lèi)準(zhǔn)確率達(dá)到了98.39%；Yan等[67]利用HSI技術(shù)對(duì)龍井的鮮葉進(jìn)行了鑒定和分析，結(jié)合改進(jìn)后的BPNN判別率達(dá)到了100%。在茶葉內(nèi)含物質(zhì)檢測(cè)方面，HSI技術(shù)可以通過(guò)分布圖來(lái)顯示目標(biāo)化合物在茶葉樣品中的分布。Sun等[68]利用HSI有效實(shí)現(xiàn)了茶葉水分含量的定量檢測(cè)，并得到了茶葉含水量分布圖，從視覺(jué)圖像上反映茶葉中不同水分含量的分布。Wang等[69]對(duì)6種茶類(lèi)的茶多酚含量進(jìn)行了評(píng)估，利用分布圖直觀(guān)地顯示了不同茶葉樣品中茶多酚的空間分布差異，茶葉分類(lèi)定性鑒別模型預(yù)測(cè)集準(zhǔn)確度達(dá)100%，茶多酚定量分析模型也取得了滿(mǎn)意的預(yù)測(cè)結(jié)果。

HSI在茶葉領(lǐng)域中的應(yīng)用尚處于初始階段，在茶葉加工監(jiān)控、茶樹(shù)病蟲(chóng)害監(jiān)測(cè)、茶葉內(nèi)含物質(zhì)檢測(cè)等方面采用HSI將使分析結(jié)果更加全面，應(yīng)借鑒HSI在其他農(nóng)產(chǎn)品上的應(yīng)用，促進(jìn)其在茶葉領(lǐng)域的應(yīng)用進(jìn)程。

3.3 電化學(xué)方法

電化學(xué)方法是電子學(xué)、電化學(xué)和化學(xué)計(jì)量學(xué)的成功結(jié)合，目前的應(yīng)用主要包括電子鼻（Electronic nose）和電子舌（Electronic tongue）。傳感器的選擇和化學(xué)計(jì)量學(xué)模型的選擇對(duì)于電子感官至關(guān)重要，其中最常用的傳感器是金屬氧化物傳感器[70]。

3.3.1 電子鼻

茶葉中的揮發(fā)性有機(jī)化合物（Volatile organic compounds，VOCs）是茶葉品質(zhì)檢測(cè)的重要指標(biāo)之一。電子鼻能夠利用氣體傳感器陣列對(duì)特定氣味產(chǎn)生不同的指紋響應(yīng)，通過(guò)捕捉VOCs將其暴露在氣體傳感器陣列的表面從而產(chǎn)生電信號(hào)，電信號(hào)經(jīng)過(guò)信號(hào)處理和模式識(shí)別系統(tǒng)被放大并轉(zhuǎn)化為數(shù)字信號(hào)，最終完成氣味的特征評(píng)價(jià)與檢測(cè)[71]。

電子鼻應(yīng)用于茶葉品質(zhì)研究中的多個(gè)方面，可以作為一種可靠、快速的茶葉品質(zhì)分級(jí)方法[72]。Hidayat等[73]將其用以評(píng)估紅茶的質(zhì)量，通過(guò)電子鼻-SVM-線(xiàn)性模型結(jié)合信號(hào)預(yù)處理方法，區(qū)分來(lái)自不同品牌和不同生產(chǎn)批次紅茶樣品的質(zhì)量等級(jí)，分類(lèi)正確率達(dá)到了100%；Liu等[74]提出的電子鼻結(jié)合MBPNN的多任務(wù)模型，在有機(jī)綠茶的等級(jí)分類(lèi)和質(zhì)量評(píng)價(jià)任務(wù)中都取得了較好的效果。地理溯源對(duì)于茶葉品質(zhì)評(píng)價(jià)也非常重要，Yuan等[75]利用電子鼻鑒別不同價(jià)位的西湖龍井茶和不同貯藏年份的普洱茶，發(fā)現(xiàn)所有樣品都具有電子鼻可以識(shí)別的特定香氣特征。電子鼻技術(shù)也被用于研究茶葉的香氣，Wang等[76]用電子鼻比較了茉莉花茶樣品中VOCs的差異，發(fā)現(xiàn)其在區(qū)分由VOCs濃度引起的等級(jí)差異方面有較好的效果；王淑燕等[77]通過(guò)電子鼻研究了茉莉花茶香氣成分的產(chǎn)地差異，此外，還有關(guān)于烏龍茶[78]、綠茶[79]、抹茶[80]等香氣研究的報(bào)道。電子鼻也常被用于茶樹(shù)病蟲(chóng)害的檢測(cè)[81]，在茶園中，灰茶尺蠖和茶尺蠖比例的確定對(duì)于茶園管理具有重大意義，但兩者所造成的危害很相似，視覺(jué)技術(shù)難以區(qū)別。研究人員發(fā)現(xiàn)，害蟲(chóng)的侵害會(huì)產(chǎn)生不同的特異性誘導(dǎo)因子，從而導(dǎo)致茶樹(shù)釋放不同的VOCs。Sun等[82]采用電子鼻技術(shù)，對(duì)不同灰茶尺蠖和茶尺蠖侵害茶樹(shù)的比例進(jìn)行預(yù)測(cè)，結(jié)果表明訓(xùn)練集的分類(lèi)正確率為100%，測(cè)試集的分類(lèi)正確率為93.75%。同時(shí)，她又利用電子鼻從茶樹(shù)損傷的類(lèi)型（未損傷、機(jī)械損傷、灰茶尺蠖侵害、茶尺蠖侵害）[83]，以及入侵嚴(yán)重程度和入侵時(shí)間等方面對(duì)茶樹(shù)害蟲(chóng)危害進(jìn)行了檢測(cè)[84]，結(jié)果表明電子鼻技術(shù)在各個(gè)方面都具有較好的預(yù)測(cè)性能，證明其可以用于識(shí)別茶樹(shù)的損傷類(lèi)型和蟲(chóng)害的入侵嚴(yán)重程度及入侵時(shí)間。

化學(xué)計(jì)量學(xué)模型的選擇對(duì)于電子鼻系統(tǒng)具有重要意義。Wang等[85]將遷移成分分析（Transfer component analysis，TCA）與LightGBM分類(lèi)器相結(jié)合，研究表明TrLightGBM模型的分類(lèi)性能優(yōu)于其他機(jī)器學(xué)習(xí)模型，能夠降低電子鼻傳感器漂移的影響。Liu等[74]提出了一種基于BPNN的多任務(wù)模型MBPNN，基于MBPNN的電子鼻不僅可以對(duì)茶葉進(jìn)行等級(jí)分類(lèi)，而且可以準(zhǔn)確預(yù)測(cè)有機(jī)綠茶的價(jià)格。在以上兩項(xiàng)研究中，化學(xué)計(jì)量學(xué)模型的選擇與改進(jìn)都提高了電子鼻的預(yù)測(cè)性能。

電子鼻作為一種氣味分析方法，已經(jīng)廣泛運(yùn)用于茶葉品質(zhì)研究中，相比于化學(xué)分析儀器，能夠直接獲得樣品中揮發(fā)性化合物的全部信息，與感官分析相比，更加準(zhǔn)確、客觀(guān)、快速。但電子鼻還存在氣味傳感器易受環(huán)境溫度、濕度影響，基線(xiàn)易漂移，靈敏度不夠等問(wèn)題，新型傳感器和化學(xué)計(jì)量學(xué)模型的開(kāi)發(fā)與應(yīng)用還需要進(jìn)一步研究[86]。

3.3.2 電子舌

滋味是構(gòu)成茶葉品質(zhì)的核心因子之一，電子舌為滋味的量化評(píng)價(jià)提供了一種新的技術(shù)手段，與人類(lèi)感官審評(píng)相比，具有可檢測(cè)有毒物質(zhì)、無(wú)檢測(cè)疲勞等優(yōu)點(diǎn)。伏安型電子舌操作簡(jiǎn)單、成本低、原始響應(yīng)豐富[87]，在研究中較為常見(jiàn)。

茶葉內(nèi)有豐富的呈味物質(zhì)，主要包括茶多酚、游離氨基酸、咖啡堿、兒茶素單體和茶色素等，含量、種類(lèi)以及比例的不同導(dǎo)致滋味品質(zhì)的差別，電子舌能夠快速、準(zhǔn)確的檢測(cè)出茶葉中的滋味成分。Ouyang等[88]采用伏安法電子舌，通過(guò)Si-PLS結(jié)合變量組合集群分析（Variable combination population analysis，VCPA），即Si-VCPA-PLS算法，測(cè)定紅茶中的總游離氨基酸含量，比較和融合了兩種工作電極，數(shù)據(jù)融合的=0.841?4，表現(xiàn)出較好的預(yù)測(cè)能力；此外，檢測(cè)了115份不同紅茶中茶黃素的含量，通過(guò)Si-PLS結(jié)合競(jìng)爭(zhēng)自適應(yīng)重加權(quán)抽樣算法（Competitive adaptive reweighted sampling，CARS），即Si-CARS-PLS算法，得出的預(yù)測(cè)集=0.830?2，同樣表現(xiàn)出較好的預(yù)測(cè)能力。電子舌也能用于茶葉品質(zhì)等級(jí)的鑒定，Chen等[89]使用了一種基于惰性金屬傳感器和多頻大幅度脈沖掃描系統(tǒng)的新型智能伏安式電子舌系統(tǒng)，用以鑒別7個(gè)不同等級(jí)的祁門(mén)紅茶，通過(guò)將排序差異和算法（Sum of ranking difference，SRD）與PLS-DA方法相結(jié)合構(gòu)建更強(qiáng)大的PLS-DA-SRD分類(lèi)模型，校正集精度和預(yù)測(cè)集精度分別為0.993和1.000。Ren等[90]對(duì)7個(gè)等級(jí)的滇紅工夫紅茶共700份茶葉進(jìn)行檢測(cè)，通過(guò)引入蟻群算法（Ant colony optimization，ACO）構(gòu)建LS-SVM模型，對(duì)紅茶樣品的預(yù)測(cè)精度達(dá)到99.14%。Huang等[91]對(duì)7個(gè)等級(jí)的祁門(mén)紅茶和滇紅工夫紅茶進(jìn)行了檢測(cè)，電子舌能成功區(qū)分兩種茶類(lèi)，結(jié)合PLS-DA和BPNN能有效識(shí)別茶葉等級(jí)。樣品的復(fù)雜性會(huì)產(chǎn)生重疊且龐大的數(shù)據(jù)，所以化學(xué)計(jì)量學(xué)對(duì)于電子舌的研究同樣重要。

電子舌在茶葉品質(zhì)研究中應(yīng)用廣泛，并已成為茶葉滋味評(píng)價(jià)中常用的研究手段，但與電子鼻相似，其味覺(jué)傳感器的抗干擾能力、靈敏度，以及模式識(shí)別算法的準(zhǔn)確度都有待提高，并且無(wú)法檢測(cè)出茶湯中滋味物質(zhì)的全部信息，今后的研究重點(diǎn)應(yīng)傾向于體積小，響應(yīng)信號(hào)穩(wěn)定，環(huán)境因素抗干擾性強(qiáng)，針對(duì)茶葉專(zhuān)一性電子舌的開(kāi)發(fā)。

4 新興技術(shù)在茶葉品質(zhì)評(píng)價(jià)中的聯(lián)合應(yīng)用與小型化

4.1 新興技術(shù)的聯(lián)合應(yīng)用

茶葉樣品的特征需要同時(shí)使用描述味覺(jué)、視覺(jué)、嗅覺(jué)等方面的技術(shù)，以獲取更高的準(zhǔn)確率。而計(jì)算機(jī)視覺(jué)系統(tǒng)只能提供茶葉的外形信息，電子舌只能識(shí)別滋味物質(zhì)，電子鼻只能檢測(cè)香氣物質(zhì)，近紅外光譜只能獲取茶葉的單點(diǎn)光譜信息。但多技術(shù)聯(lián)合系統(tǒng)帶來(lái)了數(shù)據(jù)量增加的問(wèn)題，原始數(shù)據(jù)中生成了更多的冗余與噪音。因此，研究人員將數(shù)據(jù)融合技術(shù)帶入茶葉品質(zhì)研究中，能夠綜合不同來(lái)源獲取的信息，提高檢測(cè)準(zhǔn)確度，其包括數(shù)據(jù)層融合、特征層融合和決策層融合3種常用的融合策略。

Zou等[92]聯(lián)合電子鼻和電子舌檢測(cè)不同綠茶的苦味和澀味，兩種技術(shù)的聯(lián)用能夠降低數(shù)據(jù)建模的難度，提高機(jī)器識(shí)別的效率。Jin等[93]利用FT-NIR和CVs相結(jié)合的方法，并結(jié)合特征層數(shù)據(jù)融合策略，對(duì)紅茶發(fā)酵程度進(jìn)行綜合評(píng)價(jià)，綜合了兩種技術(shù)后的評(píng)價(jià)方法得到的結(jié)果優(yōu)于獨(dú)立評(píng)價(jià)方法。徐敏[70]在數(shù)據(jù)融合技術(shù)上做了較多工作。他將電子鼻和CVs聯(lián)合應(yīng)用于檢測(cè)茶葉香氣和茶葉外觀(guān)，引入了不同的數(shù)據(jù)融合策略，結(jié)果顯示，決策層融合策略作為茶葉品質(zhì)快速檢測(cè)的方法預(yù)測(cè)性能最好[72]。此外，為了識(shí)別不同產(chǎn)地的龍井茶，他利用數(shù)據(jù)融合技術(shù)對(duì)電子鼻和CVs信號(hào)進(jìn)行融合，并采用皮爾遜分析（Pearson analysis，PA）、信息增益（Information gain，IG）和F分?jǐn)?shù)（F-scores）對(duì)傳統(tǒng)融合策略進(jìn)行修正，改進(jìn)的融合策略總體上優(yōu)于獨(dú)立決策融合策略和原融合策略[45]。將電子鼻、電子舌、電子眼信號(hào)進(jìn)行融合，提出基于特征層融合的信號(hào)集成策略，在定性評(píng)價(jià)茶葉品質(zhì)，定量預(yù)測(cè)茶葉中氨基酸、兒茶素、多酚和咖啡因等化學(xué)成分的含量方面都表現(xiàn)出較好的性能[94]。

4.2 新興技術(shù)的小型化

新興技術(shù)作為實(shí)驗(yàn)室檢測(cè)方法，能夠得到準(zhǔn)確、客觀(guān)的結(jié)果，但儀器龐大、昂貴，需要專(zhuān)業(yè)的操作人員，限制了其在日常生活中的應(yīng)用，而儀器的小型化有利于現(xiàn)場(chǎng)檢測(cè)，對(duì)于茶葉品質(zhì)評(píng)價(jià)具有重要意義。

Li等[42]提出了一種基于智能手機(jī)成像結(jié)合微型近紅外光譜儀對(duì)祁門(mén)紅茶品質(zhì)等級(jí)進(jìn)行分類(lèi)的低成本評(píng)價(jià)方法，最佳SVM模型的預(yù)測(cè)集準(zhǔn)確率能達(dá)到94.29%。同時(shí)通過(guò)建立不同的化學(xué)計(jì)量學(xué)模型，對(duì)綠茶中的糖和糯米粉等摻雜物進(jìn)行定性與定量分析，用于茶葉質(zhì)量監(jiān)測(cè)[95]。Wang等[96]組裝了一套便攜式近紅外光譜系統(tǒng)，結(jié)合化學(xué)計(jì)量學(xué)，對(duì)抹茶樣品中的氨基酸和茶多酚進(jìn)行定量測(cè)定，同時(shí)將茶多酚和氨基酸的比值用于抹茶樣品的分類(lèi)，對(duì)不同等級(jí)抹茶分類(lèi)的準(zhǔn)確率達(dá)到83.33%。Wang等[97]通過(guò)智能手機(jī)連接的微型近紅外光譜儀評(píng)估紅茶的味道屬性，結(jié)合不同變量選擇方法的NIRS系統(tǒng)成功應(yīng)用于評(píng)價(jià)紅茶滋味屬性。

電子舌與電子鼻同樣有關(guān)于小型化儀器的報(bào)道，Dutta等[98]開(kāi)發(fā)了一種基于計(jì)算機(jī)輔助技術(shù)的電子鼻系統(tǒng)，使用了一種新型多目標(biāo)分類(lèi)系統(tǒng)，消除了傳統(tǒng)電子鼻系統(tǒng)所需的幾個(gè)高功耗組件，使其尺寸、重量、成本實(shí)現(xiàn)最小化，采集的80個(gè)不同茶葉樣品，測(cè)量結(jié)果準(zhǔn)確率達(dá)90%。Ouyang等[88]利用便攜式電子舌系統(tǒng)結(jié)合化學(xué)計(jì)量學(xué)快速檢測(cè)紅茶中的總茶黃素含量，作為一種新穎、快速、低成本的茶黃素含量預(yù)測(cè)方法，具有較好的預(yù)測(cè)性能。

5 新興技術(shù)在茶葉加工過(guò)程中的應(yīng)用

近年來(lái)，隨著科學(xué)技術(shù)的發(fā)展和勞動(dòng)力成本的增加，茶葉加工也慢慢轉(zhuǎn)向機(jī)械化和標(biāo)準(zhǔn)化。茶葉采摘與加工過(guò)程中用新興技術(shù)代替感官評(píng)價(jià)，既可以避免人為評(píng)價(jià)的主觀(guān)性，又可以消除對(duì)人工的依賴(lài)，加強(qiáng)茶產(chǎn)業(yè)的機(jī)械化并提高茶產(chǎn)品質(zhì)量。

茶葉品質(zhì)受鮮葉質(zhì)量的顯著影響。Zhang等[40]基于CVs確定鮮葉的最佳采收時(shí)間，識(shí)別準(zhǔn)確率達(dá)90%，但該技術(shù)在對(duì)環(huán)境的適應(yīng)性上有所欠缺。類(lèi)胡蘿卜素是茶葉內(nèi)重要的香氣前體物質(zhì)，在拉曼激光下會(huì)產(chǎn)生獨(dú)特而強(qiáng)烈的指紋圖譜，Zhang等[99]通過(guò)拉曼光譜掃描鮮葉預(yù)測(cè)茶葉中類(lèi)胡蘿卜素的含量，以此預(yù)測(cè)鮮葉的嫩度，研究表明，隨著鮮葉成熟度的增加，類(lèi)胡蘿卜素的含量也在增加，基于類(lèi)胡蘿卜素的拉曼光譜可以作為茶葉嫩度測(cè)定的方法。

發(fā)酵是紅茶加工過(guò)程中的關(guān)鍵環(huán)節(jié)，在揉捻工序開(kāi)始后，隨著細(xì)胞膜、液泡膜的破裂，茶多酚和兒茶素等物質(zhì)與多酚氧化酶和過(guò)氧化物酶接觸，發(fā)生酶促氧化反應(yīng)并產(chǎn)生茶黃素、茶紅素、茶褐素等茶色素，從而形成紅茶的獨(dú)特風(fēng)味。然而發(fā)酵不足或發(fā)酵過(guò)度都會(huì)降低紅茶的品質(zhì)。目前發(fā)酵適度的判斷標(biāo)準(zhǔn)主要依靠人的視覺(jué)與嗅覺(jué)，具有較強(qiáng)的主觀(guān)性。紅茶的發(fā)酵涉及顏色、香氣、內(nèi)含成分的變化，Ghosh等[100]利用紅茶發(fā)酵過(guò)程中香氣的變化，以發(fā)酵期間茶黃素含量作為發(fā)酵水平的判定依據(jù)，分別用電子鼻[101]、電子舌[102]來(lái)預(yù)測(cè)紅茶的最佳發(fā)酵時(shí)間，顯示出了其檢測(cè)茶葉發(fā)酵過(guò)程的潛力。董春旺課題組用多種方法對(duì)紅茶發(fā)酵過(guò)程進(jìn)行了研究：采用CVs結(jié)合非線(xiàn)性建模算法[103]，利用紅茶在發(fā)酵過(guò)程中明顯的顏色變化，探究圖像顏色和品質(zhì)指標(biāo)的變化規(guī)律，并建立了定量評(píng)價(jià)模型；通過(guò)NIRS快速測(cè)定紅茶發(fā)酵過(guò)程中茶黃素與茶紅素的比值，預(yù)測(cè)紅茶發(fā)酵的程度[104]；通過(guò)電學(xué)測(cè)量結(jié)合化學(xué)計(jì)量學(xué)預(yù)測(cè)紅茶發(fā)酵過(guò)程中兒茶素的含量[105]；通過(guò)HSI定量預(yù)測(cè)和可視化紅茶發(fā)酵過(guò)程中多種關(guān)鍵理化成分[106]，能夠?qū)崟r(shí)檢測(cè)和可視化紅茶關(guān)鍵品質(zhì)成分在不同時(shí)間的分布和變化狀態(tài)，更加準(zhǔn)確的了解發(fā)酵信息。以上研究促進(jìn)了紅茶發(fā)酵品質(zhì)智能檢測(cè)技術(shù)的進(jìn)一步發(fā)展，為實(shí)現(xiàn)紅茶加工智能化、標(biāo)準(zhǔn)化、信息化提供了理論依據(jù)。同時(shí)，寧井銘課題組將多技術(shù)聯(lián)合系統(tǒng)應(yīng)用于紅茶發(fā)酵監(jiān)控，綜合評(píng)價(jià)紅茶發(fā)酵過(guò)程的變化：根據(jù)發(fā)酵過(guò)程中茶多酚的降解率對(duì)發(fā)酵程度進(jìn)行分級(jí)，并結(jié)合NIRS和CVs，采用中層數(shù)據(jù)融合策略對(duì)紅茶發(fā)酵進(jìn)行綜合評(píng)價(jià)[93]；進(jìn)一步將該聯(lián)合系統(tǒng)小型化，采用廉價(jià)的微型NIRS和實(shí)驗(yàn)室自制的CVs評(píng)價(jià)紅茶發(fā)酵品質(zhì)[107]。該團(tuán)隊(duì)所做研究克服了單一傳感器預(yù)測(cè)精度較低和儀器體積過(guò)大的問(wèn)題，對(duì)數(shù)據(jù)融合策略和化學(xué)計(jì)量學(xué)模型也進(jìn)行了深入探討，對(duì)實(shí)現(xiàn)紅茶加工自動(dòng)化、低成本化具有重要意義。

茶葉在加工過(guò)程中有著豐富的物質(zhì)變化。怎樣生產(chǎn)出質(zhì)量穩(wěn)定的茶葉產(chǎn)品，是目前茶葉領(lǐng)域面臨的一個(gè)難題?，F(xiàn)今的茶葉加工方式已趨向于機(jī)械化、自動(dòng)化、標(biāo)準(zhǔn)化和智能化，但是具體步驟適度的標(biāo)準(zhǔn)依舊要由有經(jīng)驗(yàn)的技術(shù)人員決定。此外，茶葉加工過(guò)程研究的重心仍偏向于工藝改進(jìn)，對(duì)智能化在線(xiàn)檢測(cè)技術(shù)的探究還處于發(fā)展階段，研究人員已對(duì)紅茶發(fā)酵過(guò)程做了較多工作，研究結(jié)果都表現(xiàn)出較好的預(yù)測(cè)性能。六大茶類(lèi)都有其獨(dú)特的加工工藝，如白茶萎凋、黃茶悶黃、黑茶渥堆、烏龍茶搖青等，目前也有一些關(guān)于綠茶[28]和烏龍茶[108]加工的研究，但相對(duì)較少，需進(jìn)一步加強(qiáng)，以促進(jìn)未來(lái)茶葉加工的自動(dòng)化。

6 總結(jié)與展望

感官審評(píng)伴隨著制茶史的發(fā)展，凝聚了民間傳統(tǒng)智慧和幾代茶葉專(zhuān)家的智慧，已形成了完整的科學(xué)體系，目前仍然是茶葉品質(zhì)表觀(guān)評(píng)價(jià)最基本的方式。QDA方法的廣泛運(yùn)用，也提高了感官審評(píng)在科研工作中的客觀(guān)性與科學(xué)性，同時(shí)保留了直觀(guān)、快速、低成本的優(yōu)點(diǎn)。但對(duì)于消費(fèi)者而言，一方面需要加強(qiáng)對(duì)感官審評(píng)能力的培養(yǎng)，另一方面還是需要借助新興、簡(jiǎn)易的茶葉品質(zhì)評(píng)價(jià)技術(shù)。

成分分析檢測(cè)發(fā)展至今，儀器新舊更替帶動(dòng)了研究的進(jìn)步，從基礎(chǔ)的物理檢驗(yàn)到HPLC、MS、NMR等，強(qiáng)大的儀器已經(jīng)具備了獲取高精準(zhǔn)度數(shù)據(jù)的能力，將更好地幫助科研人員進(jìn)行茶葉品質(zhì)研究，并得出更加精準(zhǔn)的研究結(jié)果。但對(duì)于消費(fèi)者而言，高門(mén)檻、難操作使成分分析檢測(cè)目前只能應(yīng)用于實(shí)驗(yàn)室檢測(cè)。

新興技術(shù)與現(xiàn)有的檢測(cè)技術(shù)相比，顯示出了良好的應(yīng)用前景，光譜技術(shù)、電化學(xué)方法、計(jì)算機(jī)視覺(jué)等有望成為快速有效檢測(cè)茶葉品質(zhì)的可靠技術(shù)。然而，這些新興技術(shù)還有待進(jìn)一步完善之處，如儀器昂貴、傳感器靈敏度不夠、化學(xué)計(jì)量學(xué)模型的預(yù)測(cè)性能有待提高、多技術(shù)聯(lián)合應(yīng)用時(shí)的數(shù)據(jù)融合策略有待進(jìn)一步探究。本文對(duì)新興技術(shù)的發(fā)展提出了3個(gè)方向，首先是技術(shù)的聯(lián)合應(yīng)用，由于茶葉的復(fù)雜性，未來(lái)唯有將多種技術(shù)聯(lián)合，才能更加精準(zhǔn)、有效地對(duì)茶葉進(jìn)行評(píng)價(jià)；其次，小型化的儀器能大幅降低成本，更利于消費(fèi)者與從業(yè)者的使用，促進(jìn)茶葉貿(mào)易的健康發(fā)展；最后，應(yīng)進(jìn)一步研究各類(lèi)茶葉加工過(guò)程中的品質(zhì)監(jiān)控技術(shù)，不僅能促進(jìn)茶葉加工的機(jī)械化發(fā)展，也將消除對(duì)專(zhuān)業(yè)人員的依賴(lài)，促進(jìn)茶葉品質(zhì)研究的發(fā)展。

總之，每種檢測(cè)方法都有其存在的合理性，成分分析檢測(cè)與新興技術(shù)在儀器的進(jìn)步中已經(jīng)得到了較大的發(fā)展，感官審評(píng)在結(jié)合QDA方法后也取得了新進(jìn)展。如何快速、簡(jiǎn)單、客觀(guān)的對(duì)茶葉做出品質(zhì)評(píng)價(jià)，仍然是目前茶葉科研領(lǐng)域值得深入研究的課題。但盲目舍棄其中一種方法，大力發(fā)展其他方法的做法是不可取的，各種方法應(yīng)緊密聯(lián)合，多維度綜合利用才是正確的發(fā)展方向，而如何將感官審評(píng)與儀器技術(shù)更好地結(jié)合也將是一個(gè)值得深入探討的問(wèn)題。

[1] 張穎彬, 劉栩, 魯成銀. 中國(guó)茶葉感官審評(píng)術(shù)語(yǔ)的形成與發(fā)展現(xiàn)狀[J]. 茶葉科學(xué), 2019, 39(2): 123-130.

Zhang Y B, Liu X, Lu C Y. Formation and development of Chinese tea sensory terminology [J]. Journal of Tea Science, 2019, 39(2): 123-130.

[2] 張穎彬, 劉栩, 魯成銀. 中國(guó)茶葉感官審評(píng)術(shù)語(yǔ)基元語(yǔ)素研究與風(fēng)味輪構(gòu)建[J]. 茶葉科學(xué), 2019, 39(4): 474-483.

Zhang Y B, Liu X, Lu C Y. Study on primitive morpheme in sensory terminology and flavor wheel construction of Chinese tea [J]. Journal of Tea Science, 2019, 39(4): 474-483.

[3] Li H H, Luo L Y, Wang J, et al. Lexicon development and quantitative descriptive analysis of Hunan fuzhuan brick tea infusion [J]. Food Research International, 2019, 120: 275-284.

[4] 戴前穎, 葉穎君, 安琪, 等. 黃大茶感官特征定量描述與風(fēng)味輪構(gòu)建[J]. 茶葉科學(xué), 2021, 41(4): 535-544.

Dai Q Y, Ye Y J, An Q, et al. Sensory characteristics of yellow large leaf tea by quantitative descriptive analysis and construction of flavor wheel [J]. Journal of Tea Science, 2021, 41(4): 535-544.

[5] 安會(huì)敏, 熊一帆, 張楊波, 等. 臨滄工夫紅茶季節(jié)判定模型及風(fēng)味輪的構(gòu)建[J]. 食品工業(yè)科技, 2019, 40(23): 199-206.

An H M, Xiong Y F, Zhang Y B, et al. Construction of seasonal decision model and flavor wheel for Lincang gongfu black tea [J]. Science and Technology of Food Industry, 2019, 40(23): 199-206.

[6] 高濤, 羅黃洋, 吳韌, 等. 主客觀(guān)組合權(quán)重法在食品感官評(píng)價(jià)中的應(yīng)用[J]. 食品工業(yè)科技, 2021, 42(18): 300-307.

Gao T, Luo H Y, Wu R, et al. Application of subjective and objective combination weighting method in food sensory evaluation [J]. Science and Technology of Food Industry, 2021, 42(18): 300-307.

[7] Galmarini M V. The role of sensory science in the evaluation of food pairing [J]. Current Opinion in Food Science, 2020, 33: 149-155.

[8] Li H, Luo L, Ma M, et al. Characterization of volatile compounds and sensory analysis of jasmine scented black tea produced by different scenting processes [J]. Journal of Food Science, 2018, 83(11): 2718-2732.

[9] Ni H, Jiang Q X, Lin Q, et al. Enzymatic hydrolysis and auto-isomerization during-glucosidase treatment improve the aroma of instant white tea infusion [J]. Food Chemistry, 2021, 342: 128565. doi: 10.1016/j.foodchem.2020.128565.

[10] Qi D D, Miao A Q, Cao J X, et al. Study on the effects of rapid aging technology on the aroma quality of white tea using GC-MS combined with chemometrics: in comparison with natural aged and fresh white tea [J]. Food Chemistry, 2018, 265: 189-199.

[11] Wang Y, Yang X, Li K, et al. Simultaneous determination of theanine, gallic acid, purine alkaloids, catechins, and theaflavins in black tea using HPLC [J]. International Journal of Food Science & Technology, 2010, 45(6): 1263-1269.

[12] Pan H B, Zhang D, Li B, et al. A rapid UPLC method for simultaneous analysis of caffeine and 13 index polyphenols in black tea [J]. Journal of Chromatographic Science, 2017, 55(5): 495-496.

[13] Tan J, Dai W, Lu M, et al. Study of the dynamic changes in the non-volatile chemical constituents of black tea during fermentation processing by a non-targeted metabolomics approach [J]. Food Research International, 2016, 79: 106-113.

[14] Yun J, Cui C J, Zhang S H, et al. Use of headspace GC/MS combined with chemometric analysis to identify the geographic origins of black tea [J]. Food Chemistry, 2021, 360: 130033. doi: 10.1016/j.foodchem.2021.130033.

[15] Rubel Mozumder N H M, Lee Y R, Hwang K H, et al. Characterization of tea leaf metabolites dependent on tea () plant age through1H NMR-based metabolomics [J]. Applied Biological Chemistry, 2020, 63: 10. doi: 10.1186/s13765-020-0492-7.

[16] Wang W N, Zhang L, Wang S, et al. 8--ethyl-2-pyrrolidinone substituted flavan-3-ols as the marker compounds of Chinese dark teas formed in the post-fermentation process provide significant antioxidative activity [J]. Food Chemistry, 2014, 152: 539-545.

[17] Dai W D, Tan J F, Lu M L, et al. Metabolomics investigation reveals that 8--ethyl-2-pyrrolidinone-substituted flavan-3-ols are potential marker compounds of stored white teas [J]. Journal of Agricultural and Food Chemistry, 2018, 66(27): 7209-7218.

[18] 王家勤, 姚月鳳, 袁海波, 等. 基于色差系統(tǒng)的工夫紅茶茶湯亮度的量化評(píng)價(jià)方法研究[J]. 茶葉科學(xué), 2020, 40(2): 259-268.

Wang J Q, Yao Y F, Yuan H B, et al. A quantitative method for brightness evaluation of Congou black tea infusions based on color difference analysis [J]. Journal of Tea Science, 2020, 40(2): 259-268.

[19] Huang D Y, Qiu Q L, Wang Y M, et al. Rapid identification of different grades of Huangshan Maofeng tea using ultraviolet spectrum and color difference [J]. Molecules, 2020, 25(20): 4665. doi: 10.3390/molecules25204665.

[20] 宛曉春. 茶葉生物化學(xué)[M]. 3版. 北京: 中國(guó)農(nóng)業(yè)出版社, 2003.

Wan X C. Tea Biochemistry [M]. 3rd ed. Beijing: China Agriculture Press, 2003.

[21] 張雪, 張志強(qiáng). 學(xué)科交叉研究系統(tǒng)綜述[J]. 圖書(shū)情報(bào)工作, 2020, 64(14): 112-125.

Zhang X, Zhang Z Q. Review on interdisciplinary research [J]. Library and Information Service, 2020, 64(14): 112-125.

[22] 宛曉春, 李大祥, 張正竹, 等. 茶葉生物化學(xué)研究進(jìn)展[J]. 茶葉科學(xué), 2015, 35(1): 1-10.

Wan X C, Li D X, Zhang Z Z, et al. Research advance on tea biochemistry [J]. Journal of Tea Science, 2015, 35(1): 1-10.

[23] Huang T S. Computer vision: evolution and promise [J]. 19th CERN School of Computing, 1996: 21-25.

[24] Chen Q, Zhao J, Cai J. Identification of tea varieties using computer vision [J]. Transactions of the ASABE, 2008, 51(2): 623-628.

[25] Chen Y T, Chen S F. Localizing plucking points of tea leaves using deep convolutional neural networks [J]. Computers and Electronics in Agriculture, 2020, 171: 105298. doi: 10.1016/j.compag.2020.105298.

[26] Yang H L, Chen L, Ma Z B, et al. Computer vision-based high-quality tea automatic plucking robot using Delta parallel manipulator [J]. Computers and Electronics in Agriculture, 2021, 181(7): 105946. doi: 10.1016/j.compag.2020.105946.

[27] Gill G S, Kumar A, Agarwal R. Nondestructive grading of black tea based on physical parameters by texture analysis [J]. Biosystems Engineering, 2013, 116(2): 198-204.

[28] Zhu H K, Ye Y, He H F, et al. Evaluation of green tea sensory quality via process characteristics and image information [J]. Food and Bioproducts Processing, 2017, 102: 116-122.

[29] 伍洵, 劉飛, 陳之威, 等. 基于計(jì)算機(jī)視覺(jué)的綠茶炒干中在制品理化變化研究[J]. 茶葉科學(xué), 2020, 40(2): 194-204.

Wu X, Liu F, Chen Z W, et al. Study on the changes of physical and chemical components during the frying process of green tea by computer vision [J]. Journal of Tea Science, 2020, 40(2): 194-204.

[30] Liu P, Wu R M, Yang P X, et al. Study of sensory quality evaluation of tea using computer vision technology and forest random method [J]. Spectroscopy and Spectral Analysis, 2019, 39(1): 193-198.

[31] Zou Y, Ma W J, Tang Q, et al. A high-precision method evaluating color quality of Sichuan Dark Tea based on colorimeter combined with multi-layer perceptron [J]. Journal of Food Process Engineering, 2020, 43(8): e13444. doi: 10.1111/jfpe.13444.

[32] Bakhshipour A, Sanaeifar A, Payman S H, et al. Evaluation of data mining strategies for classification of black tea based on image-based features [J]. Food Analytical Methods, 2018, 11(4): 1041-1050.

[33] Bakhshipour A, Zareiforoush H, Bagheri I. Application of decision trees and fuzzy inference system for quality classification and modeling of black and green tea based on visual features [J]. Journal of Food Measurement and Characterization, 2020, 14(3): 1402-1416.

[34] Wu X Y, Yang J Q, Wang S H. Tea category identification based on optimal wavelet entropy and weighted k-Nearest Neighbors algorithm [J]. Multimedia Tools and Applications, 2018, 77(3): 3745-3759.

[35] Zhang Y D, Muhammad K, Tang C. Twelve-layer deep convolutional neural network with stochastic pooling for tea category classification on GPU platform [J]. Multimedia Tools and Applications, 2018, 77(17): 22821-22839.

[36] Chen J, Liu Q, Gao L W. Visual tea leaf disease recognition using a convolutional neural network model [J]. Symmetry, 2019, 11(3): 343. doi: 10.3390/sym11030343.

[37] Chen J F, He Q. Tea disease spot recognition based on image feature points extraction and matching [J]. Global NEST Journal, 2020, 22(4): 492-501.

[38] Yang N, Yuan M, Wang P, et al. Tea diseases detection based on fast infrared thermal image processing technology [J]. Journal of the Science of Food and Agriculture, 2019, 99(7): 3459-3466.

[39] 吳正敏, 曹成茂, 謝承健, 等. 基于圖像處理技術(shù)和神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)機(jī)采茶分級(jí)[J]. 茶葉科學(xué), 2017, 37(2): 182-190.

Wu Z M, Cao C M, Xie C J, et al. Grading of machine picked tea based on image processing technology and neural network [J]. Journal of Tea Science, 2017, 37(2): 182-190.

[40] Zhang L, Zhang H, Chen Y, et al. Real-time monitoring of optimum timing for harvesting fresh tea leaves based on machine vision [J]. International Journal of Agricultural and Biological Engineering, 2019, 12(1): 6-9.

[41] 張怡, 趙珠蒙, 王校常, 等. 基于ResNet卷積神經(jīng)網(wǎng)絡(luò)的綠茶種類(lèi)識(shí)別模型構(gòu)建[J]. 茶葉科學(xué), 2021, 41(2): 261-271.

Zhang Y, Zhao Z M, Wang X C, et al. Construction of green tea recognition model based on ResNet convolutional neural network [J]. Journal of Tea Science, 2021, 41(2): 261-271.

[42] Li L Q, Wang Y J, Jin S S, et al. Evaluation of black tea by using smartphone imaging coupled with micro-near-infrared spectrometer [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2021, 246: 118991. doi: 10.1016/j.saa.2020.118991.

[43] Wang S H, Phillips P, Liu A J, et al. Tea category identification using computer vision and generalized eigenvalue proximal SVM [J]. Fundamenta Informaticae, 2017, 151(1/4): 325-339.

[44] Liu C L, Lu W Y, Gao B Y, et al. Rapid identification of chrysanthemum teas by computer vision and deep learning [J]. Food Science & Nutrition, 2020, 8(4): 1968-1977.

[45] Xu M, Wang J, Jia P F, et al. Identification of Longjing teas with different geographic origins based on e-nose and computer vision system combined with data fusion strategies [J]. Transactions of the ASABE, 2021, 64(1): 327-340.

[46] Lin X, Sun D W. Recent developments in vibrational spectroscopic techniques for tea quality and safety analyses [J]. Trends in Food Science & Technology, 2020, 104: 163-176.

[47] 任廣鑫, 金珊珊, 李露青, 等. 近紅外光譜技術(shù)在茶葉品控與裝備創(chuàng)制領(lǐng)域的研究進(jìn)展[J]. 茶葉科學(xué), 2020, 40(6): 707-714.

Ren G X, Jin S S, Li L Q, et al. Research progress of near-infrared spectroscopy in tea quality control and equipment development [J]. Journal of Tea Science, 2020, 40(6): 707-714.

[48] Huang Y F, Dong W T, Sanaeifar A, et al. Development of simple identification models for four main catechins and caffeine in fresh green tea leaf based on visible and near-infrared spectroscopy [J]. Computers and Electronics in Agriculture, 2020, 173: 105388. doi: 10.1016/j.compag.2020.105388.

[49] Hazarika A K, Chanda S, Sabhapondit S, et al. Quality assessment of fresh tea leaves by estimating total polyphenols using near infrared spectroscopy [J]. Journal of Food Science and Technology, 2018, 55(12): 4867-4876.

[50] Sanaeifar A, Huang X, Chen M, et al. Nondestructive monitoring of polyphenols and caffeine during green tea processing using Vis-NIR spectroscopy [J]. Food Science & Nutrition, 2020, 8(11): 5860-5874.

[51] Chen Q S, Chen M, Liu Y, et al. Application of FT-NIR spectroscopy for simultaneous estimation of taste quality and taste-related compounds content of black tea [J]. Journal of Food Science & Technology, 2018, 55(10): 4363-4368.

[52] Chanda S, Hazarika A K, Choudhury N, et al. Support vector machine regression on selected wavelength regions for quantitative analysis of caffeine in tea leaves by near infrared spectroscopy [J]. Journal of Chemometrics, 2019, 33(10): e3172. doi: 10.1002/cem.3172.

[53] 盧莉, 程曦, 張渤, 等. 小種紅茶茶多酚和咖啡堿近紅外定量分析模型的建立[J]. 茶葉科學(xué), 2020, 40(5): 689-695.

Lu L, Cheng X, Zhang B, et al. Establishment of predictive model for quantitative analysis of tea polyphenols and caffeine of souchong by near infrared spectroscopy [J]. Journal of Tea Science, 2020, 40(5): 689-695.

[54] Zareef M, Chen Q, Ouyang Q, et al. Prediction of amino acids, caffeine, theaflavins and water extract in black tea using FT-NIR spectroscopy coupled chemometrics algorithms [J]. Analytical Methods, 2018, 10(25): 3023-3031.

[55] Lee M S, Hwang Y S, Lee J, et al. The characterization of caffeine and nine individual catechins in the leaves of green tea (L.) by near-infrared reflectance spectroscopy [J]. Food Chemistry, 2014, 158: 351-357.

[56] Guo Z M, Barimah A O, Shujat A, et al. Simultaneous quantification of active constituents and antioxidant capability of green tea using NIR spectroscopy coupled with swarm intelligence algorithm [J]. LWT, 2020, 129: 109510. doi: 10.1016/j.lwt.2020.109510.

[57] Liu Z, Xie H L, Chen L, et al. An improved weighted partial least squares method coupled with near infrared spectroscopy for rapid determination of multiple components and anti-oxidant activity of pu-erh tea [J]. Molecules, 2018, 23(5): 1058. doi: 10.3390/molecules23051058.

[58] Li X L, Jin J J, Sun C J, et al. Simultaneous determination of six main types of lipid-soluble pigments in green tea by visible and near-infrared spectroscopy [J]. Food Chemistry, 2019, 270: 236-242.

[59] Wang J H, Wang Y F, Cheng J J, et al. Enhanced cross-category models for predicting the total polyphenols, caffeine and free amino acids contents in Chinese tea using NIR spectroscopy [J]. LWT, 2018, 96: 90-97.

[60] Huang Z X, Sanaeifar A, Tian Y, et al. Improved generalization of spectral models associated with Vis-NIR spectroscopy for determining the moisture content of different tea leaves [J]. Journal of Food Engineering, 2021, 293: 110374. doi: 10.1016/j.jfoodeng.2020.110374.

[61] Liu P, Wen Y P, Huang J S, et al. A novel strategy of near-infrared spectroscopy dimensionality reduction for discrimination of grades, varieties and origins of green tea [J]. Vibrational Spectroscopy, 2019, 105: 102984. doi: 10.1016/j.vibspec.2019.102984.

[62] Ren G X, Wang Y J, Ning J M, et al. Highly identification of keemun black tea rank based on cognitive spectroscopy: Near infrared spectroscopy combined with feature variable selection [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2020, 230: 118079. doi: 10.1016/j.saa.2020.118079.

[63] Firmani P, Luca S D, Bucci R, et al. Near infrared (NIR) spectroscopy-based classification for the authentication of Darjeeling black tea [J]. Food Control, 2019, 100: 292-299.

[64] Meng W, Xu X, Cheng K K, et al. Geographical origin discrimination of oolong tea (Tieguanyin,(L.) O. Kuntze) using proton nuclear magnetic resonance spectroscopy and near-infrared spectroscopy [J]. Food Analytical Methods, 2017, 10(11): 3508-3522.

[65] Guo Z M, Barimah A O, Yin L M, et al. Intelligent evaluation of taste constituents and polyphenols-to-amino acids ratio in matcha tea powder using near infrared spectroscopy [J]. Food Chemistry, 2021, 353: 129372. doi: 10.1016/j.foodchem.2021.129372.

[66] Ning J M, Sun J J, Li S H, et al. Classification of five Chinese tea categories with different fermentation degrees using visible and near-infrared hyperspectral imaging [J]. International Journal of Food Properties, 2017, 20(s2): 1515-1522.

[67] Yan L, Pang L, Wang H, et al. Recognition of different Longjing fresh tea varieties using hyperspectral imaging technology and chemometrics [J]. Journal of Food Process Engineering, 2020, 43(4): e13378. doi: 10.1111/jfpe.13378.

[68] Sun J, Zhou X, Hu Y G, et al. Visualizing distribution of moisture content in tea leaves using optimization algorithms and NIR hyperspectral imaging [J]. Computers and Electronics in Agriculture, 2019, 160: 153-159.

[69] Wang Y J, Liu Y, Chen Y Y, et al. Spatial distribution of total polyphenols in multi-type of tea using near-infrared hyperspectral imaging [J]. LWT, 2021, 148: 111737. doi: 10.1016/j.lwt.2021.111737.

[70] 徐敏. 基于電子鼻、電子舌和電子眼的多源信息融合技術(shù)對(duì)龍井茶品質(zhì)的檢測(cè)[D]. 杭州: 浙江大學(xué), 2020.

Xu M. Quality detection of Longjing tea based on the multi-source information fusion of E-nose, E-tongue and E-eye [D]. Hangzhou: Zhejiang University, 2020.

[71] Jia W S, Liang G, Jiang Z J, et al. Advances in electronic nose development for application to agricultural products [J]. Food Analytical Methods, 2019, 12(10): 2226-2240.

[72] Xu M, Wang J, Gu S. Rapid identification of tea quality by E-nose and computer vision combining with a synergetic data fusion strategy [J]. Journal of Food Engineering, 2019, 241: 10-17.

[73] Hidayat S N, Triyana K, Fauzan I, et al. The electronic nose coupled with chemometric tools for discriminating the quality of black tea samples in situ [J]. Chemosensors, 2019, 7(3): 29. doi: 10.3390/chemosensors7030029.

[74] Liu H X, Yu D B, Gu Y. Classification and evaluation of quality grades of organic green teas using an electronic nose based on machine learning algorithms [J]. IEEE Access, 2019, 7: 172965-172973.

[75] Yuan H B, Chen X Q, Shao Y D, et al. Quality evaluation of green and dark tea grade using electronic nose and multivariate statistical analysis [J]. Journal of Food Science, 2019, 84(12): 3411-3417.

[76] Wang S Y, Zhao F, Wu W X, et al. Comparison of volatiles in different jasmine tea grade samples using electronic nose and automatic thermal desorption-gas chromatography-mass spectrometry followed by multivariate statistical analysis [J]. Molecules, 2020, 25(2): 380. doi: 10.3390/molecules25020380.

[77] 王淑燕, 趙峰, 饒耿慧, 等. 基于電子鼻和ATD-GC-MS技術(shù)分析茉莉花茶香氣成分的產(chǎn)地差異[J]. 食品工業(yè)科技, 2021, 42(15): 234-239.

Wang S Y, Zhao F, Rao G H, et al. Origin difference analysis of aroma components in jasmine tea based on electronic nose and ATD-GC-MS [J]. Science and Technology of Food Industry, 2021, 42(15): 234-239.

[78] Zhu J C, Chen F, Wang L Y, et al. Evaluation of the synergism among volatile compounds in Oolong tea infusion by odour threshold with sensory analysis and E-nose [J]. Food Chemistry, 2017, 221: 1484-1490.

[79] 王寶怡, 王培強(qiáng), 李曉晗, 等. 基于電子鼻技術(shù)對(duì)不同季節(jié)山東綠茶香氣的分析[J]. 現(xiàn)代食品科技, 2020, 36(10): 284-289, 259.

Wang B Y, Wang P Q, Li X H, et al. Analysis of aroma of Shandong green tea in different seasons based on electronic nose technology [J]. Modern Food Science & Technology, 2020, 36(10): 284-289, 259.

[80] 王佳音, 王鳳玲, 王福東, 等. 電子鼻對(duì)不同種類(lèi)抹茶香氣成分的辨別與分析[J]. 食品與發(fā)酵工業(yè), 2019, 45(19): 270-276.

Wang J Y, Wang F L, Wang F D, et al. Identification and analysis of the aroma components of different species of Matcha by electronic nose [J]. Food And Fermentation Industries, 2019, 45(19): 270-276.

[81] 孫玉冰. 基于電子鼻技術(shù)的茶樹(shù)蟲(chóng)害信息檢測(cè)[D]. 杭州: 浙江大學(xué), 2018.

Sun Y B. Study of pest information for tea plant based on electroinc nose [D]. Hangzhou: Zhejiang University, 2018.

[82] Sun Y, Wang J, Cheng S, et al. Detection of pest species with different ratios in tea plant based on electronic nose [J]. Annals of Applied Biology, 2019, 174(2): 209-218.

[83] Sun Y, Wang J, Sun L, et al. Evaluation of E-nose data analyses for discrimination of tea plants with different damage types [J]. Journal of Plant Diseases and Protection, 2019, 126(1): 29-38.

[84] Sun Y, Wang J, Cheng S. Discrimination among tea plants either with different invasive severities or different invasive times using MOS electronic nose combined with a new feature extraction method [J]. Computers and Electronics in Agriculture, 2017, 143: 293-301.

[85] Wang X R, Gu Y, Liu H X. A transfer learning method for the protection of geographical indication in china using an electronic nose for the identification of Xihu Longjing tea [J]. IEEE Sensors Journal, 2021, 21(6): 8065-8077.

[86] Loutfi A, Coradeschi S, Mani G K, et al. Electronic noses for food quality: a review [J]. Journal of Food Engineering, 2015, 144: 103-111.

[87] Liu T, Chen Y B, Li D Q, et al. Electronic tongue recognition with feature specificity enhancement [J]. Sensors, 2020, 20(3): 772. doi: 10.3390/s20030772.

[88] Ouyang Q, Yang Y C, Wu J Z, et al. Measurement of total free amino acids content in black tea using electronic tongue technology coupled with chemometrics [J]. LWT, 2020, 118: 108768. doi: 10.1016/j.lwt.2019.108768.

[89] Chen X J, Xu Y L, Meng L W, et al. Non-parametric partial least squares: discriminant analysis model based on sum of ranking difference algorithm for tea grade identification using electronic tongue data [J]. Sensors and Actuators B: Chemical, 2020, 311: 127924. doi: 10.1016/j.snb.2020.127924.

[90] Ren G X, Li T H, Wei Y M, et al. Estimation of Congou black tea quality by an electronic tongue technology combined with multivariate analysis [J]. Microchemical Journal, 2021, 163: 105899. doi: 10.1016/j.microc.2020.105899.

[91] Huang D Y, Bian Z, Qiu Q L, et al. Identification of similar Chinese Congou black teas using an electronic tongue combined with pattern recognition [J]. Molecules, 2019, 24(24): 4549. doi: 10.3390/molecules24244549.

[92] Zou G Y, Xiao Y Z, Wang M S, et al. Detection of bitterness and astringency of green tea with different taste by electronic nose and tongue [J]. Plos One, 2018, 13(12): e0206517. doi: 10.1371/journal.pone.0206517.

[93] Jin G, Wang Y J, Li L Q, et al. Intelligent evaluation of black tea fermentation degree by FT-NIR and computer vision based on data fusion strategy [J]. LWT, 2020, 125: 109216. doi: 10.1016/j.lwt.2020.109216.

[94] Xu M, Wang J, Zhu L Y. The qualitative and quantitative assessment of tea quality based on E-nose, E-tongue and E-eye combined with chemometrics [J]. Food Chemistry, 2019, 289: 482-489.

[95] Li L Q, Jin S S, Wang Y J, et al. Potential of smartphone-coupled micro NIR spectroscopy for quality control of green tea [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2021, 247: 119096. doi: 10.1016/j.saa.2020.119096.

[96] Wang J, Zareef M, He P, et al. Evaluation of matcha tea quality index using portable NIR spectroscopy coupled with chemometric algorithms [J]. Journal of the Science of Food and Agriculture, 2019, 99(11): 5019-5027.

[97] Wang Y J, Li T H, Li L Q, et al. Evaluating taste-related attributes of black tea by micro-NIRS [J]. Journal of Food Engineering, 2020, 290: 110181. doi: 10.1016/j.jfoodeng.2020.110181.

[98] Dutta L, Talukdar C, Hazarika A, et al. A novel low-cost hand-held tea flavor estimation system [J]. IEEE Transactions on Industrial Electronics, 2018, 65(6): 4983-4990.

[99] Zhang Y Y, Gao W J, Cui C J, et al. Development of a method to evaluate the tenderness of fresh tea leaves based on rapid,Raman spectroscopy scanning for carotenoids [J]. Food chemistry, 2020, 308: 125648. doi: 10.1016/j.foodchem.2019.125648.

[100] Ghosh S, Tudu B, Bhattacharyya N, et al. A recurrent Elman network in conjunction with an electronic nose for fast prediction of optimum fermentation time of black tea [J]. Neural Computing and Applications, 2019, 31(2): 1165-1171.

[101] Sharma P, Ghosh A, Tudu B, et al. Monitoring the fermentation process of black tea using QCM sensor based electronic nose [J]. Sensors and Actuators B: Chemical, 2015, 219: 146-157.

[102] Ghosh A, Bag A K, Sharma P, et al. Monitoring the fermentation process and detection of optimum fermentation time of black tea using an electronic tongue [J]. IEEE Sensors Journal, 2015, 15(11): 6255-6262.

[103] Dong C W, Liang G Z, Hu B, et al. Prediction of Congou black tea fermentation quality indices from color features using non-linear regression methods [J]. Scientific Reports, 2018, 8(1): 10535. doi: 10.1038/s41598-018-28767-2.

[104] Dong C W, Li J, Wang J J, et al. Rapid determination by near infrared spectroscopy of theaflavins-to-thearubigins ratio during Congou black tea fermentation process [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2018, 205: 227-234.

[105] Dong C W, Ye Y L, Yang C S, et al. Rapid detection of catechins during black tea fermentation based on electrical properties and chemometrics [J]. Food Bioscience, 2021, 40: 100855. doi: 10.1016/j.fbio.2020.100855.

[106] Yang C S, Zhao Y, An T, et al. Quantitative prediction and visualization of key physical and chemical components in black tea fermentation using hyperspectral imaging [J]. LWT, 2021, 141: 110975. doi: 10.1016/j.lwt.2021.110975.

[107] Jin G, Wang Y J, Li M H, et al. Rapid and real-time detection of black tea fermentation quality by using an inexpensive data fusion system [J]. Food Chemistry, 2021, 358: 129815. doi: 10.1016/j.foodchem.2021.129815.

[108] Tseng T S, Hsiao M H, Chen P A, et al. Utilization of a gas-sensing system to discriminate smell and to monitor fermentation during the manufacture of Oolong tea leaves [J]. Micromachines, 2021, 12(1): 93. doi: 10.3390/mi12010093.

Research Progress of Tea Quality Evaluation Technology

LIU Qi1,2, OUYANG Jian1,2, LIU Changwei1,2, CHEN Hongyu1,2, LI Juan1,2,3, XIONG Ligui1,2,3, LIU Zhonghua1,2,3*, HUANG Jianan1,2,3*

1. Key Laboratory of Tea Science of Ministry of Education, Changsha 410125, China; 2. National Research Center of Engineering and Technology for Utilization of Botanical Functional Ingredients, Changsha 410125, China; 3. Co-Innovation Center of Education Ministry for Utilization of Botanical Functional Ingredients, Changsha 410125, China

The quality of tea is the embodiment of the shape and inner quality of tea, and evaluating the quality of tea quickly and accurately is essential for tea trade and processing. Sensory evaluation, composition analysis and detection, and emerging technologies are the main tea quality evaluation techniques at present. This article summarized the research progress of three major evaluation technologies in recent years, and focused on the development trend of emerging technologies. Sensory evaluation is greatly influenced by subjective factors, but combined with quantitative description and analysis can reduce the influence of subjectivity. Component analysis detection has high threshold, difficult operation, time-consuming and labor-consuming, and the results obtained are relatively accurate. Emerging technologies are simple, fast, and non-destructive, but at present they cannot achieve satisfactory accuracy. In the tea product diversification today, only multi-dimensional comprehensive utilization of multiple methods can quickly and efficiently detect the quality of tea, and provide assistance for the healthy and efficient development of the tea industry.

tea quality, computer vision, spectroscopic techniques, electrochemical methods

S571.1

A

1000-369X(2022)03-316-15

2021-11-23

2022-01-04

湖南省重點(diǎn)研發(fā)計(jì)劃（2020NK2026、2020NK2047）、國(guó)家自然科學(xué)基金（32102004）、云南省科技人才和平臺(tái)計(jì)劃（202104AC100001-B01）

劉奇，男，碩士研究生，主要從事茶葉加工與品質(zhì)化學(xué)方向研究。*通信作者：larkin-liu@163.com；jian7513@sina.com

（責(zé)任編輯：黃晨）