一种基于多传感器指纹图谱定性定量检测茶叶品质的方法与流程

本发明属于食品领域，涉及一种基于多传感器指纹图谱定性定量检测茶叶品质的方法。
背景技术：
：龙井茶是我国的传统名茶，有着深远历史和深厚文化底蕴并且闻名世界。对于使用手工炒制的西湖龙井，其质量等级鉴定的传统方法主要采用人工感官评定法，综合茶叶的色，香，味，形对其进行评价。但是由于整个过程主要由感官评审员参与主导，因此，其结果容易受到感官评审员身体素质等因素的影响，导致检测结果主观性比较强。同时，茶叶中的一些化学成分含量如茶多酚、儿茶素、氨基酸以及咖啡碱等是影响茶叶品质的重要因素。对于这些化学成分的检测方法主要依靠传统的理化实验进行检测，但是这些传统的理化检测技术存在检测时间长以及需要复杂的样品前处理过程等缺点。随着传感器和智能仪器的迅速发展，其在食品检测等领域受到广泛关注和应用。电子鼻，电子舌和电子眼主要是通过模拟人的鼻子，舌头和眼睛获取食品的香气，滋味，色泽以及外形信息并结合相应的模式识别方法对样品进行分类鉴别，该检测方法能够提供较为客观且准确的鉴别结果。本发明采用电子鼻电子舌和电子眼以模拟人体嗅觉，味觉和视觉用于对茶叶的品质进行评价，以探索更为全面和客观的方法，用于对茶叶品质进行定性鉴别和定量预测。技术实现要素：本发明根据现有茶叶品质评价方法存在主观性强，以及茶叶中重要化学组分测定过程复杂等问题，提出了一种基于多传感器指纹图谱定性定量检测茶叶品质的方法。一种基于多传感器指纹图谱定性定量检测茶叶品质的方法，该方法包括如下步骤：(1)针对一批茶叶样本，根据1：50的茶水比泡制5min，过滤，冷却，取茶汤备用，进行电子鼻、电子舌和电子眼的检测；(2)电子鼻检测：取冷却后的茶汤200ml置于500ml烧杯中，使用保鲜膜进行密封，在室温下静置60min，然后用电子鼻抽取顶空气体进行检测。气体的流速、抽取时间和电子鼻清洗时间分别为200ml/min、70s和70s；(3)电子舌检测：取经过电子鼻检测之后的茶汤80ml，转移至电子舌系统的烧杯中进行信号采集，其中传感器信号采集时间和清洗时间分别为120s和10s；(4)电子眼检测：取经过电子鼻检测之后的茶汤样品于色差仪样品池中，在透射模式下获取表征茶汤样品色泽的信号；(5)化学成分含量测定：对茶叶样品进行茶多酚、儿茶素、氨基酸以及咖啡碱含量的测定；所述茶多酚采用酒石酸亚铁法测定，所述氨基酸采用茚三酮法进行测定，所述儿茶素和咖啡碱采用高效液相色谱进行测定；(6)将电子鼻和电子舌传感器响应信号与坐标轴形成的区域面积作为电子鼻和电子舌响应信号特征值；从色差仪中分别获取亮度(l*)、红绿色(a*)、黄蓝色(b*)、饱和度(c)、色度(h)和总色差(δe)作为电子眼信号特征，将三者信号经过标准化后直接串联作为融合信号，结合随机森林算法建立基于三者融合信号的茶叶等级定性鉴别模型和对茶叶中总酚，氨基酸，儿茶素和咖啡碱含量的定量预测模型。进一步地，所述步骤6中，通过相关系数r2、均方根误差rmse值对基于随机森林算法的定量预测模型进行评价，具体为：其中，分别表示预测得到和用传统化学法获得的化学成分含量值，为采用传统化学法获得的化学成分含量的均值，n表示样本数量。本发明的有益效果是：能够同时获取茶叶的香气，滋味和颜色信号，综合三方面的信息对茶叶品质进行鉴定，同时预测茶叶样品中的化学成分含量，无需对茶叶样品进行复杂的前处理操作，分析结果客观可靠，操作简单，具有比较高的实际应用价值。附图说明图1是电子鼻对茶汤的响应信号图；图2是电子舌对茶汤的响应信号图。具体实施方式本发明提出了一种基于多传感器指纹图谱定性定量检测茶叶品质的方法，该方法包括如下步骤：(1)针对一批茶叶样本，根据1：50的茶水比泡制5min，过滤，冷却，取茶汤分别进行电子鼻、电子舌和电子眼的检测；(2)电子鼻检测：取冷却后的茶汤200ml置于500ml烧杯中，使用保鲜膜进行密封，在室温下静置60min，然后用电子鼻抽取顶空气体进行检测。气体的流速、抽取时间和电子鼻清洗时间分别为200ml/min、70s和70s；(3)电子舌检测：取经过电子鼻检测之后的茶汤80ml，转移至电子舌系统的烧杯中进行信号采集，其中传感器信号采集时间和清洗时间分别为120s和10s；(4)电子眼检测：取经过电子鼻检测之后的茶汤样品于色差仪样品池中，在透射模式下获取表征茶汤样品色泽的信号；(5)化学成分含量测定：对茶叶样品进行茶多酚、儿茶素、氨基酸以及咖啡碱含量的测定；所述茶多酚采用酒石酸亚铁法测定，所述氨基酸采用茚三酮法进行测定，所述儿茶素和咖啡碱采用高效液相色谱进行测定；(6)将电子鼻和电子舌传感器响应信号与坐标轴形成的区域面积作为电子鼻和电子舌响应信号特征值；从色差仪中分别获取亮度(l*)、红绿色(a*)、黄蓝色(b*)、饱和度(c)、色度(h)和总色差(δe)作为电子眼信号特征，将三者信号经过标准化后直接串联作为融合信号，结合随机森林算法建立基于三者融合信号的茶叶等级定性鉴别模型和对茶叶中总酚，氨基酸，儿茶素和咖啡碱含量的定量预测模型。所述步骤6中，通过相关系数r2、均方根误差rmse值对基于随机森林算法的定量预测模型进行评价，具体为：其中，分别表示预测得到和用传统化学法获得的化学成分含量值，为采用传统化学法获得的化学成分含量的均值，n表示样本数量。实施例为了更清楚的说明本发明要解决的技术问题、技术方案和优点，下面结合具体实施例进行详细描述。1.收集6个不同品质等级的龙井茶茶样作为实验对象，这些茶样采摘自杭州狮峰山。对于每个茶叶样品，取5g茶叶按照1:50的茶水比进行泡制5min，然后过滤，冷却，用于电子鼻、电子舌和电子眼的检测，对于每个等级的龙井茶样做32个茶叶样品重复。对于电子鼻检测，取茶汤200ml放入500ml烧杯中，用保鲜膜密封并静置60min，使样品气体在容器顶空达到饱和状态，然后采用电子鼻抽取容器内的样品顶空气体进行检测，电子鼻抽取顶空气体流速为200ml/min，样品检测时间和清洗时间分别为70s和70s，电子鼻响应信号如图1所示，将电子鼻传感器响应信号与坐标轴形成的区域面积作为特征值。本案例中采用的电子鼻检测仪器是德国airsense公司的pen3型，该电子鼻系统由10个金属氧化物传感器，其型号与相应特性如表1所示：表1.pen3型电子鼻各传感器响应特性序号名称性能特点1s1对芳香成分敏感2s2对氨氧化合物很敏感3s3对氨水、芳香成分敏感4s4对氢气有选择性5s5对烷烃、芳香成分敏感6s6对甲烷敏感7s7对硫化物敏感8s8对乙醇敏感9s9对芳香成分、有机硫化物敏感10s10对烷烃敏感2.取经过电子鼻检测之后的茶汤80ml，转移至电子舌系统的烧杯中进行信号采集，其中传感器信号采集时间和清洗时间分别为120s和10s，电子舌响应信号如图2所示，将电子舌传感器响应信号与坐标轴形成的区域面积作为特征值。本案例中使用的电子舌检测仪是法国alphamos公司的α-astree型,该电子舌传感器阵列由7根传感器组成，其型号与相应特性如下表所示：表2.电子舌传感器对基本呈味物质的响应阈值(mol/l)基本味呈味物质zzbabbcagahajb酸柠檬酸10-710-610-710-710-710-610-6咸氯化钠10-610-510-610-610-410-410-5甜葡萄糖10-710-410-710-710-410-410-4苦咖啡碱10-510-410-410-510-410-410-4鲜谷氨酸钠10-510-410-410-410-510-410-43.取经过电子鼻检测之后的茶汤样品于色差仪样品池中，在透射模式下获取表征茶汤样品色泽的信号。从色差仪中分别获取亮度(l*)、红绿色(a*)、黄蓝色(b*)、饱和度(c)、色度(h)和总色差(δe)作为电子眼信号特征。本案例中使用的色差仪是北京康光光学仪器有限公司的sc–80c型。4.化学成分含量测定：对茶叶样品进行茶多酚、儿茶素、氨基酸以及咖啡碱含量的测定；所述茶多酚采用酒石酸亚铁法测定，具体步骤参考gb/t8313,2002，所述氨基酸采用茚三酮法进行测定，具体步骤参考gb/t8314,2013，所述儿茶素和咖啡碱采用高效液相色谱(waters，美国)进行测定，具体步骤为：首先将茶汤过0.22μm滤膜，紫外检测器检测波段为280nm，采用c18色谱柱进行分离，流动相a中乙酸-乙腈-水体积比为:1:6:193；流动相b中乙酸-乙腈-水体积比为:1:60:139。梯度洗脱程序为：80％a相溶剂和80％b相溶剂线性洗脱45min直到a相溶剂下降到35％，b相溶剂上升至65％，最后保持85％b相溶剂直到70min。5.将三者信号经过标准化后直接串联作为融合信号，结合随机森林算法建立基于三者融合信号的茶叶等级鉴别模型和对茶叶中总酚，氨基酸，儿茶素和咖啡碱的预测模型。通过相关系数r2、均方根误差rmse值对基于随机森林算法的定量预测模型进行评价，具体为：其中，分别表示预测得到和用传统化学法获得的化学成分含量值，为采用传统化学法获得的化学成分含量的均值，n表示样本数量。表3总结了分别基于单一电子鼻、电子舌、电子眼和融合信号对茶叶品质等级的鉴别结果，采用10-折交互验证集准确率和测试集的准确率分别评价模型的稳定性和泛化性。通过对比不同信息来源以及不同模型的分类准确率，可以得出如下结论，基于融合信号的模型分类效果优于基于单一信号源模型的分类效果，基于融合信号的随机森林分类模型效果可以达到100％。表3.基于单一信号以及融合信号结合随机森林对茶叶品质进行定性鉴别结果表4总结了分别基于单一电子响应信号以及融合响应信号对化学成分含量的随机森林预测模型，通过对预测结果进行对比，可以看出，预测模型基于融合信号得到的预测精度高于其基于单一信号得到的预测精度值。本发明在较短时间内即可完成一个样品的测试，所得到的结果表明，基于电子鼻电子舌和电子眼的融合信号同时结合随机森林模型能够有效的对龙井茶进行分类鉴别，同时能够建立多传感器响应信号与茶叶中主要化学成分含量的相关关系，实现对茶叶中主要成分含量的预测。表4.基于单一信号以及融合信号结合随机森林中主要化学成分含量进行定量预测的结果当前第1页12