名優(yōu)綠茶品質(zhì)感官評(píng)價(jià)的儀器化表征研究.pdf

1、目前，國(guó)內(nèi)外對(duì)茶葉品質(zhì)評(píng)價(jià)仍采用感官審評(píng)方法為主，結(jié)合理化方法進(jìn)行綜合評(píng)價(jià)，但感官審評(píng)方法經(jīng)驗(yàn)性較強(qiáng)，審評(píng)結(jié)果隨機(jī)性大，重復(fù)性差，而理化方法存在耗時(shí)長(zhǎng)、費(fèi)用高等缺陷，且是一種有損檢測(cè)方法。為彌補(bǔ)這些方法的不足，本研究以碧螺春名優(yōu)綠茶為對(duì)象，利用計(jì)算機(jī)視覺(jué)技術(shù)、高光譜成像技術(shù)、測(cè)色技術(shù)、電子舌和近紅外光譜技術(shù)，對(duì)名優(yōu)綠茶感官品質(zhì)的儀器表征方法進(jìn)行研究，探索茶葉品質(zhì)各感官評(píng)價(jià)項(xiàng)目的儀器化分析方法，用量化指標(biāo)評(píng)價(jià)其品質(zhì)，從而規(guī)范茶葉市場(chǎng)。本論

2、文主要研究?jī)?nèi)容如下：
　　 1.研究基于計(jì)算機(jī)視覺(jué)技術(shù)和高光譜成像技術(shù)的名優(yōu)綠茶外形感官品質(zhì)的儀器表征方法。采用計(jì)算機(jī)視覺(jué)系統(tǒng)獲取干茶葉的可見(jiàn)光圖像，分別提取圖像的12個(gè)顏色特征和28個(gè)紋理特征，建立這些特征變量與名優(yōu)綠茶外形感官評(píng)分之間的偏最小二乘回歸(PLS)模型和BP神經(jīng)網(wǎng)絡(luò)(BP-ANN)模型。結(jié)果表明BP-ANN模型性能更好，該模型對(duì)預(yù)測(cè)集樣本的預(yù)測(cè)均方根誤差(RMSEP)為2.396，相關(guān)系數(shù)(Rp)為0.937。采

3、用高光譜成像系統(tǒng)獲取干茶葉外形的高光譜圖像，對(duì)每幅高光譜圖像，用主成分分析方法(PCA)優(yōu)選出3個(gè)特征波長(zhǎng)下的灰度圖像；分別提取每個(gè)特征波長(zhǎng)圖像的2個(gè)顏色特征和28個(gè)紋理特征，則對(duì)每個(gè)樣本共提取90個(gè)特征；利用PLS和BP-ANN方法分別建立這些特征變量與名優(yōu)綠茶外形感官評(píng)分之間的相關(guān)模型。結(jié)果表明BP-ANN模型的預(yù)測(cè)性能更好，該模型的RMSEP為3.611，Rp為0.859。對(duì)比基于上述兩種技術(shù)建立的模型性能，得出基于計(jì)算機(jī)視覺(jué)技術(shù)

4、建立的模型性能都要好于基于高光譜成像技術(shù)建立的模型的。
　　 2.研究基于測(cè)色技術(shù)的名優(yōu)綠茶湯色感官品質(zhì)的儀器表征方法。利用色差計(jì)獲取茶湯的色度值，分別采用逐步回歸方法和PCA方法提取茶湯的湯色特征變量，比較兩種方法提取特征信息的效果，得出利用PCA方法提取的特征變量建立的PLS模型性能更好。然后利用PCA方法提取湯色特征變量，分別利用PLS方法和BP-ANN方法建立這些特征變量與湯色感官評(píng)分之間的相關(guān)模型，結(jié)果表明BP-ANN

5、模型的預(yù)測(cè)性能更好，該模型對(duì)預(yù)測(cè)集樣本的RMSEP為2.505，Rp為0.816。
　　 3.研究基于化學(xué)分析儀器方法、近紅外光譜技術(shù)和電子舌技術(shù)的名優(yōu)綠茶滋味感官品質(zhì)的儀器表征方法。利用高效液相色譜法和分光光度法測(cè)定茶湯中的10種主要滋味成分：茶多酚、氨基酸、咖啡堿、沒(méi)食子酸，表沒(méi)食子兒茶素(EGC)、兒茶素(C)、表沒(méi)食子兒茶素沒(méi)食子酸酯(EGCG)、沒(méi)食子兒茶素沒(méi)食子酸酯(GCG)、表兒茶素沒(méi)食子酸酯(ECG)和兒茶素總量

6、，分別采用PLS和BP-ANN方法建立綠茶滋味感官評(píng)分與10種滋味成分含量之間的相關(guān)模型。結(jié)果表明建立的BP-ANN模型性能好于PLS模型的，該模型的RMSEP為2.553，Rp為0.869。采用近紅外光譜儀獲取干茶葉的光譜數(shù)據(jù)，使用PCA方法提取光譜特征變量，分別建立綠茶滋味感官評(píng)分與近紅外光譜特征變量之間的PLS和BP-ANN模型，結(jié)果表明BP-ANN模型預(yù)測(cè)結(jié)果好于PLS模型的，該模型的RMSEP為2.104，Rp為0.916。采

7、用電子舌獲取茶湯的傳感器響應(yīng)值，分別采用PLS和BP-ANN方法建立綠茶滋味感官評(píng)分與電子舌傳感器響應(yīng)值之間的相關(guān)模型，結(jié)果表明BP-ANN模型的預(yù)測(cè)結(jié)果更好，該模型的RMSEP為1.913，Rp為0.932。對(duì)比基于上述三種技術(shù)建立模型的性能，得出基于電子舌技術(shù)建立的模型性能最好，而基于化學(xué)分析儀器方法建立的模型性能最差。
　　 4.研究基于計(jì)算機(jī)視覺(jué)技術(shù)和高光譜成像技術(shù)的名優(yōu)綠茶的葉底感官品質(zhì)的儀器表征方法。采用計(jì)算機(jī)視覺(jué)系

8、統(tǒng)獲取干茶沖泡后剩余葉底的可見(jiàn)光圖像，提取每幅圖像的12個(gè)顏色特征和28個(gè)紋理特征，分別采用PLS和BP-ANN方法建立這些特征變量與名優(yōu)綠茶葉底感官評(píng)分值之間的相關(guān)模型。結(jié)果表明BP-ANN模型性能更好，該模型的RMSEP為2.496，Rp為0.863。采用高光譜成像系統(tǒng)獲取葉底的高光譜圖像，用PCA方法優(yōu)選出每幅高光譜圖像中的3個(gè)特征波長(zhǎng)下的灰度圖像；從每個(gè)灰度圖像中，分別提取2個(gè)顏色特征和28個(gè)紋理特征，則對(duì)每個(gè)樣本共提取90個(gè)特

9、征。然后分別建立這些特征變量與葉底感官評(píng)分值之間的PLS模型和BP-ANN模型，結(jié)果表明BP-ANN模型的預(yù)測(cè)性能更好，該模型的RMSEP為2.626，卻為0.846。對(duì)比基于上述兩種技術(shù)建立的模型性能，得出基于計(jì)算機(jī)視覺(jué)技術(shù)建立的模型性能都要好于基于高光譜成像技術(shù)的。
　　 5.探討名優(yōu)綠茶滋味品質(zhì)化學(xué)評(píng)價(jià)的近紅外光譜表征方法和電子舌表征方法。以綠茶滋味化學(xué)鑒定法為參考測(cè)量，分別建立基于近紅外光譜技術(shù)和電子舌技術(shù)的綠茶滋味品質(zhì)

10、快速評(píng)價(jià)模型。在名優(yōu)綠茶滋味品質(zhì)的近紅外光譜預(yù)測(cè)模型建立過(guò)程中，利用聯(lián)合區(qū)間偏最小二乘法(siPLS)結(jié)合遺傳算法(GA)優(yōu)選特征變量，結(jié)果表明由這些方法優(yōu)選出的38個(gè)變量建立的預(yù)測(cè)模型，即能達(dá)到很好的預(yù)測(cè)效果，模型的RMSEP為4.660，Rp為0.891。分別采用PLS方法和最小二乘支持向量機(jī)(LS-SVM)方法建立名優(yōu)綠茶滋味品質(zhì)的電子舌預(yù)測(cè)模型，結(jié)果表明建立的LS-SVM模型性能優(yōu)于PLS模型的，LS-SVM模型對(duì)預(yù)測(cè)集樣本的R