基于近红外光谱技术无损检测茶叶中外源掺杂蔗糖的方法与流程

本发明涉及茶叶品质检测技术领域，尤其涉及基于近红外光谱技术无损检测茶叶中外源掺杂蔗糖的方法。

背景技术：

近年来，由于消费者对红茶的喜爱，我国红茶产业继续保持稳步增长的态势，红茶产量也逐步增加，据国家统计局数据显示，2018年红茶产量达到23.33万吨，较2008年增长了251.9％。随着红茶产业的兴起，红茶的种类日趋繁多，高端红茶也逐渐走向人们的视野，销量逐年增加。目前市场上有少部分高档红茶却名不副实，原因是一些不法商贩在红茶加工中加入外源蔗糖，以期达到高档红茶的效果，红茶加工中所添加的蔗糖可在香气、色泽等方面影响对成茶的感官品质评判，使得消费者很难辨别，严重影响了红茶市场的秩序，危害了茶农利益；另外，由于蔗糖具有易吸潮、易变质和易滋生细菌等特点，对红茶质量安全有较大的影响。

目前，国内外检测红茶中外源蔗糖含量的方法主要使用化学试剂，例如公开号为cn107589081a，专利名称为“一种茶叶中外源掺杂蔗糖的抗干扰快速检测方法”的中国发明专利，利用交联聚乙烯吡咯烷酮-活性炭组合吸附剂，去除茶样提取液中基质成分对间苯二酚显色反应和检测的干扰，实现了对茶叶加工过程外加蔗糖的定性及定量快速测定。上述方法虽然精度较高，但是需要借助相关仪器，具备一定的科研素养，需要对茶叶进行提取或冲泡，费时、费力，经济成本也较高，对于消费者和茶商来说不适合广泛的推广。因此，研究一种针对红茶中外源蔗糖的无损快速方法显得尤为重要。

近红外光谱技术作为一种新型的无损检测技术,利用物质中含氢基团对波长范围为780～2526nm之间的近红外光下由于电子的跃迁产生吸收，由于农产品物质成分中含氢基团含量较高，所以近红外光谱在对农产品的检测上取得了较好的效果，近年来在成分含量预测、分类鉴别、腐烂鉴别、实时监测等领域得到了广泛应用，已经逐步发展成熟。近红外光谱技术在茶叶萎凋、发酵等加工领域也进行了相关研究，一些茶企(如小罐茶)也基于近红外检测仪建立了智能化生产线，取得了较好的效果，但在红茶中外源蔗糖定性与定量检测上还未见报道。

技术实现要素：

有鉴于此，本发明的目的是提供基于近红外光谱技术无损检测茶叶中外源掺杂蔗糖的方法，旨在解决加糖红茶人工辨别困难和理化检测费时费力等问题，实现对加糖红茶的无损、快速、准确识别和糖量的定量检测，为红茶中外源蔗糖的定性和定量检测提供了理论方法和科学依据。

本发明通过以下技术手段解决上述技术问题：

基于近红外光谱技术无损检测茶叶中外源掺杂蔗糖的方法，所述方法是将含不同外源蔗糖量的红茶样本进行近红外光谱扫描，对扫描获取的原始光谱数据进行标准正态变量变换算法处理，以及采用连续投影算法进行变量筛选，随后进行主成分分析，以最优主成分建立检测模型，将待检测的红茶样本的近红外光谱数据输入检测模型中，实现红茶中外源掺杂蔗糖的判别和含量检测。

进一步，所述方法包括以下步骤：

s1.制备获取不同含糖量的红茶样本；

s2.利用近红外光谱分析仪对红茶样本进行近红外光谱扫描，采集获得红茶样本的原始光谱数据；

s3.采用kennard-stone法将原始光谱数据集随机划分为训练集样本和预测集样本；

s4.采用标准正态变量变换算法对原始光谱数据进行预处理，随后采用连续投影算法进行变量筛选，获取特征波长；

s5.将预处理后的全波段与特征波长光谱数据分别进行pca降维分析，随后以pca处理后的最优主成分作为输入，建立基于全波段光谱的外源掺杂蔗糖的pls-da检测模型，以及建立基于特征波长光谱的外源掺杂蔗糖的spa-pls-da检测模型；

s6.在电脑客户端中的matlab软件中分别编程建立pls-da检测模型和spa-pls-da检测模型，并将电脑客户端与近红外光谱仪进行通信连接，将近红外光谱仪扫描待检测红茶样本获得的光谱数据输入pls-da检测模型和spa-pls-da检测模型中，实现红茶中外源蔗糖含量的判别和含糖量的在线实时检测。

进一步，所述s1步骤中，在红茶加工揉捻工序时加入不同含量的外源蔗糖，不同含糖量的红茶样本分别为：无添加蔗糖、每10kg揉捻叶掺入250g蔗糖、每10kg揉捻叶掺入500g蔗糖和每10kg揉捻叶掺入750g蔗糖的红茶样本。

进一步，所述s2步骤中，分别称取20±0.5g的不同含糖量的红茶样本，均匀平铺在规格为φ70mm×10mm石英培养皿中，茶叶顶部与皿体上表面平齐，将石英培养皿置于近红外光谱仪上进行近红外光谱扫描采集。

进一步，所述s2步骤中，近红外光谱仪检测波长范围为900～1700nm，分辨率为4cm^-1，每个样本的扫描次数为30次。

进一步，所述s2步骤中，对红茶样本进行近红外光谱扫描时，每次扫描采集完成后，对茶叶进行翻拌处理，以便提高模型精度，更好地反映加糖红茶的整体信息。

进一步，所述训练集样本和预测集样本的数据量之比为2:1。

进一步，所述s4步骤中，对含糖量敏感的特征波长分别为190nm、206nm、227nm、300nm、481nm、502nm、538nm、573nm、598nm、621nm、627nm、684nm、714nm、732nm、737nm和741nm。

本发明的有益效果：

(1)本发明明确了不同含糖量红茶样品的平均光谱信息，结果表明未添加蔗糖与添加外源蔗糖的红茶样品的平均光谱存在明显的差距，添加不同含量的外源蔗糖红茶样品平均光谱之间虽差距较小，但在吸收峰300nm、580nm与反射谷200nm、400nm处具有显著区别。

(2)本发明通过snv法对原始光谱进行预处理，采用spa提取特征波长，并采用pca对预处理后的全波段与特征波长数据降维，以全波段和特征波长光谱数据最优主成分作为模型输入量分别建立分析模型，结果表明，spa变量筛选后，基于特征波长建立的检测模型的精度较高。

(3)本发明表明，与基于全波段建立的pls-da检测模型相比，特征波长建立的spa-pls-da检测模型所用变量为16个，主成分数为5个，主成分和变量数均得到压缩，并且经主成分分析降低了数据维度，较少的主成分输入能够减少计算负担，加快计算速度，能够达到生产中在线监测的时效性需求。

(4)本发明使用的的近红外检测技术具有成本低、方便快捷、稳定性强和重复性好等优点，是一种理想的检测红茶中外源蔗糖含量的手段。

附图说明

图1是本发明中不同含糖量红茶样本的平均光谱曲线；

图2是本发明中采用spa法对原始光谱数据提取的特征波长的分布情况；

图3是本发明中全波段光谱的前三个pca主成分的三维载荷图；

图4是本发明中特征波长光谱的前三个pca主成分的三维载荷图；

图5为基于全波段建立的pls-da检测模型预测结果图；

图6为基于全波段光谱建立的pls-da检测模型预测集预测精度图；

图7为基于全波段建立的pls-da检测模型预测柱形图；

图8为基于全波段建立的pls-da检测模型预测散点图；

图9为基于特征波长建立的spa-pls-da检测模型预测结果图；

图10为基于特征波长建立的spa-pls-da检测模型预测集预测精度图；

图11为基于特征波长建立的spa-pls-da检测模型的预测柱形图；

图12为基于特征波长建立的spa-pls-da检测模型预测散点图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的基于近红外光谱技术无损检测茶叶中外源掺杂蔗糖的方法，采集制备的不同含糖量的红茶样本，提取样本的平均光谱信息，随后进行snv法预处理和pca分析，以不同主成分数建立pls-da与spa-pls-da模型，能够用来定性和定量分析红茶中掺杂的外源蔗糖情况。该方法包括以下步骤：

s1.制备获取不同含糖量的红茶样本；

s2.利用近红外光谱分析仪对红茶样本进行近红外光谱扫描，采集获得红茶样本的原始光谱数据；

s3.采用kennard-stone法将原始光谱数据集随机划分为训练集样本和预测集样本；

s4.采用标准正态变量变换算法对原始光谱数据进行预处理，随后采用连续投影算法进行变量筛选，获取特征波长；

s5.将预处理后的全波段与特征波长光谱数据分别进行pca降维分析，随后以pca处理后的最优主成分作为输入，建立基于全波段光谱的外源掺杂蔗糖的pls-da检测模型，以及建立基于特征波长光谱的外源掺杂蔗糖的spa-pls-da检测模型；

s6.在电脑客户端中的matlab软件中分别编程建立pls-da检测模型和spa-pls-da检测模型，并将电脑客户端与近红外光谱仪进行通信连接，将近红外光谱仪扫描待检测红茶样本获得的光谱数据输入pls-da检测模型和spa-pls-da检测模型中，实现红茶中外源蔗糖含量的判别和含糖量的在线实时检测。

具体如下：

本实施例的方法需要用到近红外光谱仪、电脑客户端、数据线、规格为φ70mm×10mm石英培养皿和matlab软件等，近红外光谱仪有数据接口，通过数据线或者硬盘可以将近红外光谱仪扫描获得的数据导入电脑客户端中。近红外光谱仪使用之前先对仪器进行自检，以确保仪器在正常工作状态，自检内容包括能量测试、x轴频率校正和y轴重复性测试等，均按照常规操作进行自检。

1.获取不同含糖量的红茶样本

采摘茶叶嫩度为一芽一叶，品种为福鼎大白，将采摘后的茶叶及时进行自然摊放，自然萎凋时加入不同含量的外源蔗糖，为了保证建立的模型具有较高的泛化性，自然萎凋时外源蔗糖的加入量分别为无添加(标签1)，每10kg萎凋叶掺入250g蔗糖(标签2)，每10kg萎凋叶掺入500g蔗糖(标签3)，每10kg萎凋叶掺入750g蔗糖(标签4)。根据水分测定仪结果(测量三次取平均值)，当萎凋叶水分为60％时，采用40型揉捻机进行揉捻，揉捻方式为：空揉15min→轻揉10min→重揉5min→轻揉5min→重揉5min→轻揉5min，总计45min，随后在人工气候箱内，于发酵温度30℃、相对湿度≥90％的条件下发酵4h，获得待检测红茶样本。

2.对红茶样本进行近红外光谱扫描，利用计算机上的光谱采集软件获得红茶样本的原始光谱数据

进行近红外光谱数据的采集时，分别称取20±0.5g的不同含糖量的红茶样本，均匀平铺在规格为φ70mm×10mm石英培养皿中，茶叶顶部与皿体上表面平齐，将石英培养皿置于近红外光谱仪上进行近红外光谱扫描采集，所用近红外光谱仪检测波长范围为900～1700nm，分辨率为4cm^-1，以空气为参比，每个样本采集30次光谱，共获得120条原始光谱数据，对照对应的标签保存，采集完成后将全部数据导出。由于近红外光谱仪采集样本光谱时多为定点监测，无法获取样本整体区域的光谱信息，为了使建立的模型拥有较好的鲁棒性和泛化性，提高模型精度，更好地反应加糖红茶的整体信息，所以在每次采集完成后，下一次采集之前，对茶叶作翻动处理，避免采集样本时由于采集区域相同而导致获取的光谱信息完全重合现象的发生。采集完样本光谱数据后，将原始光谱数据导入电脑客户端，使用matlab软件提取不同含糖量红茶样本的平均光谱，如图1所示，由于红茶中掺杂外源蔗糖量的不同，导致不同样本的平均光谱曲线具有明细的差异，可用于模型的判别。

在采集近红外光谱数据时，为了减少原始光谱中噪声的影响，去除1650nm-1700nm光谱中噪声较大的部分。

图1的数据明确了不同含糖量红茶样品的平均光谱信息，结果表明未添加蔗糖与添加外源蔗糖的红茶样品的平均光谱存在明显的差距，添加不同含量的外源蔗糖红茶样品平均光谱之间虽差距较小，但在吸收峰300nm、580nm与反射谷200nm、400nm处具有显著区别。

3.原始光谱数据的预处理

采用kennard-stone(k-s)法将120个原始光谱数据集随机划分为训练集样本和预测集样本，用于模型的训练和优化，利用训练集样本校正建立的模型，利用预测集样本验证优化建立的模型，训练集样本和预测集样本的数据量之比为2:1，训练集样本含有80个原始光谱数据，预测集样本含有40个原始光谱数据。为了减少光谱信息中噪声和茶叶表面引起的散射现象对数据准确性的影响，采用标准正态变量变换算法(standardnormalztransformation，snv)对原始光谱数据预处理。

4.变量的筛选和检测模型的建立

对snv法预处理后的原始光谱数据采用spa法进行变量筛选，提取原始数据中对含糖量敏感的特征波长，提取了16个特征波长，即190nm、206nm、227nm、300nm、481nm、502nm、538nm、573nm、598nm、621nm、627nm、684nm、714nm、732nm、737nm和741nm，提取的特征波长的分布情况如图2所示。

随后将预处理后的全波段与特征波长光谱数据分别进行pca降维分析，得到基于全波段光谱数据的前三个pca主成分的三维载荷图如图3所示，其前三个pca主分即pc1、pc2、pc3对应的特征值累计贡献率为99.81％，可以表征大部分信息，pc1、pc2、pc3的贡献率分别为81.99％、17.32％、0.50％；基于特征波长光谱数据的前三个pca主成分的三维载荷图如图4所示，其前三个pca主分即pc1’、pc2’、pc3’对应的特征值累计贡献率为99.83％，可以表征大部分信息，pc1’、pc2’、pc3’的贡献率分别为87.34％、12.29％、0.20％。从图3和图4可以看出，经spa提取的特征波长样本散点分布更为集中，但是不同含糖量的样本分布区域也有所差异，部分区域还存在交叉，因此，需要进一步的模型识别。

偏最小二乘判别分析法(pls-da)是一种集主成分分析、典型相关分析和多元回归分析的基本功能为一体多元统计方法，分析过程可以消除众多信息中相互重叠的部分，使得分析数据更加准确可靠。本实施例的偏最小二乘判别分析法在matlab软件中编程，利用提取出近红外光谱的主成分数据，对四类不同含糖量的红茶样本进行分类判别。

为比较基于全波段与特征波长光谱建立的红茶中外源蔗糖含量分析模型预测效果，以pca处理后的最优主成分作为输入，基于全波段和特征波长光谱分别建立外源掺杂蔗糖的检测模型。即基于全波段光谱最优主成分作为模型输入量，建立pls-da检测模型，图5为基于全波段建立的pls-da检测模型预测结果图，图6为基于全波段光谱建立的pls-da检测模型预测集预测精度图，图7为基于全波段建立的pls-da检测模型预测柱形图，图8为基于全波段建立的pls-da检测模型预测散点图；基于16个特征波长光谱最优主成分作为模型输入量，建立spa-pls-da检测模型，图9为基于特征波长建立的spa-pls-da检测模型预测结果图，图10为基于特征波长建立的spa-pls-da检测模型预测集预测精度图，图11为基于特征波长建立的spa-pls-da检测模型的预测柱形图，图12为基于特征波长建立的spa-pls-da检测模型预测散点图。检测模型对加糖红茶样品的具体分类情况如表1所示。

表1：基于全波段与特征波长建立的pls-da、spa-pls-da模型判别结果

基于全波段光谱数据建立的pls-da判别模型对训练集和预测集的识别精度为95％和87.5％，其中样品识别正确率为100％，对未添加蔗糖中3个样品未识别，每10kg萎凋叶掺入250g蔗糖的样品中2个未识别；基于特征波长光谱数据建立的spa-pls-da判别模型对训练集和预测集的识别精度为96.25％和95％，其中样品识别正确率为100％，对每10kg萎凋叶掺入250g蔗糖的样品中2个未识别。

图5和图9的数据结果表明，当主成分数为6，lv数为5时，基于全波段建立的pls-da模型性能最佳，对应的训练集和预测集的识别率为95％和87.5％。当主成分数为5，lv数为5时，基于特征波长建立的spa-pls-da模型性能最佳，对应的训练集和预测集的识别率为96.25％和95％。基于全波段建立的pls-da模型性能不及基于特征波长建立的spa-pls-da模型性能，光谱数据经spa变量筛选后，剔除了光谱数据中97.9％的冗余信息，所用主成分数由6个降为5个，并且主成分分析可以降低数据维度，较少的主成分输入能够减少计算负担，加快了模型的计算速度，故spa-pls-da模型更适合生产中在线监测的时效性需求，可以实现加糖红茶的外源蔗糖含量无损检测和快速判别。

另外，基于全波段光谱数据建立的pls-da检测模型得到的相关系数rc为0.9925，rp为0.9955，基于特征波长光谱数据建立的spa-pls-da检测模型得到的相关系数rc为0.9937，rp为0.9956，经spa提取特征波长后，剔除了97.9％的冗余信息，并且训练集相关系数和预测集相关系数均得到提高。

5.外源掺杂蔗糖红茶的判别与含糖量的快速检测

将数据线连接到电脑客户端，用于接收在线检测的近红外光谱数据，并在电脑客户端使用matlab软件分别建立pls-da检测模型和spa-pls-da检测模型，最后将检测模型通过数据线等传输介质导入到近红外光谱仪中，将近红外光谱仪采集的近红外光谱数据输入检测模型中，在近红外光谱仪的操作界面便可以实现加糖红茶的判别和红茶中外源蔗糖含量的动态在线实时检测，并且检测完成后，仪器自动计算，在操作界面直接显示含糖量结果，实现红茶中外源蔗糖含量的动态在线实时检测。

以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。本发明未详细描述的技术、形状、构造部分均为公知技术。