應用方向：

該論文在高光譜成像技術（HSI）上的應用方向主要集中在茶葉質量的非破壞性檢測與評估。通過結合高光譜成像和化學計量學方法，研究實現了對藏茶中關鍵質量參數（如總酚類物質（TPs）和游離氨基酸（FAAs））的快速、精準預測和分級研究。該研究能推動藏茶質量控制和標準化管理，提高了產業效率，并為其他食品領域提供了新的非破壞性檢測思路。

背景：

隨著藏茶產業的逐步發展，準確、快速地評估其質量成為了一個重要問題。傳統的茶葉質量評估方法主要依賴于感官評定和化學分析，這些方法不僅具有主觀性，還存在一定的破壞性。為了克服這些限制，研究者開始探索了基于現代技術的非破壞性檢測方法。近年來，HSI在食品質量檢測中得到了廣泛應用，因其能夠提供豐富的光譜信息并進行非破壞性檢測。高光譜成像結合多變量分析技術能夠有效提取樣品的化學成分和物理特征，從而實現快速、準確的質量評估。本研究聚焦于藏茶的質量檢測，旨在利用高光譜成像技術和化學計量學方法（如多變量分析）對藏茶的主要質量指標（TPs和FAAs）進行定量分析以及對藏茶進行分級研究。該研究提供一種新的茶葉質量評估方式，以滿足日益增長的藏茶產業對高效、精準檢測技術的需求。

實驗設計

1.1材料與方法

（1）樣品制備

從四川雅安茶廠有限公司購買了三個等級的藏茶。藏茶的等級主要取決于茶葉的厚度。一級為毛尖，選用最嫩的茶葉；二級為雅西，通常是一芽一葉或一芽兩葉；三級為金尖，通常每芽有三葉或四葉。茶葉被分為106個樣本，其中一級樣本33個，二級樣本35個，三級樣本38個，每個樣本重6克。根據國家標準茶葉感官評價方法GB/T 23776-2018，邀請了專業茶葉評審員對茶葉等級進行感官評定。在確認樣本后，實驗分為兩個步驟。第一步是將茶葉樣本均勻地放入一個方形容器中（6.5 × 6.5 cm2），獲取高光譜圖像，并在圖像采集后迅速將茶葉樣本封裝入密封袋。第二步是將樣本送至四川農業大學茶葉專業實驗室，進行TPs和FAAs的檢測。圖1為藏茶檢測流程圖。

圖1.藏茶的檢測流程圖

（2）高光譜成像采集

高光譜圖像由江蘇雙利合譜科技有限公司生產的Gaia Sorter高光譜分選儀獲得。高光譜系統由成像光譜儀和CCD相機組成。該系統的光譜采集范圍為387 ~ 1035 nm，光譜分辨率為2.8 nm，具有256個光譜通道。由于光譜采集開始和結束時暗電流的影響，僅保留420~1010 nm波段的信息作為原始光譜數據。所有茶葉樣品都測量了3次。采樣臺移動速度設置為4.0 mm/s，采樣距離設置為170 mm，相機曝光時間設置為16 ms。通過高光譜相機獲取圖像后，對獲取的圖像進行黑白校正。采集圖像后，通過分析軟件從圖像中提取光譜數據。該軟件選擇一個矩形（面積為100 × 100像素）作為感興趣的區域。然后提取感興趣區域每個像元的光譜數據，并計算所有像元的平均光譜作為樣本的代表性光譜。

（3）化學成分測定

TPs的含量采用國家標準GB/T 8313-2018中的Folin-Ciocalteu比色法進行測定。FAAs的測定方法參照GB/T 8314-2013，采用茚三酮比色法。

（4）統計分析

所有實驗均進行三次重復，并以均值 ± 標準差的形式呈現。統計分析使用SPSS軟件進行，采用單因素方差分析加事后Duncan檢驗，P < 0.05被定義為具有統計學顯著性。使用Origin 軟件進行繪圖。

（5）光譜預處理

除了樣本的化學成分信息外，高光譜數據還包含一些不良影響，包括樣本、工作環境和設備引起的隨機噪聲干擾，這些因素與研究對象無關，但可能影響模型的評估指標。因此，在建立模型之前，使用了Savitzky-Golay（SG）、SG-乘法散射校正（MSC）和SG-標準正態變量（SNV）方法進行預處理，以減少干擾信息的影響。

（6）特征提取

光譜共有256個波段，可能存在大量冗余信息，在一定程度上增加了數據處理時間，不利于建模。采用PCA算法對原始和預處理的光譜數據進行主成分分析，提取關鍵特征。

（7）機器學習建模

在藏茶含量預測中，采用AdaBoost、梯度增強決策樹（Gradient Boosting Decision Tree，GBDT）和Extratree模型檢測藏茶中TPs和FAAs含量。使用決策樹（DT）、隨機森林分類器（RFC）、K近鄰（KNN）和支持向量機（SVM）等分類算法建立分類模型。通過準確度、精密度和召回率來評估分類模型的性能，計算決定系數（R²）、均方根誤差（RMSE）和殘差預測偏差（RPD）來評估回歸模型的性能。

1.2.結果與討論

（1）統計結果

圖2（a、b）為藏茶中TPs和FAAs的分布。TPs和FAAs的中位數和范圍值因等級而異。TPs和FAAs的含量通常隨著茶葉等級的增加而增加，因此，茶葉等級中TPs和FAAs的差異有統計學意義（P < 0.05）。雖然G1和G2在TPs分布圖上的差異很小，但中位數不同。G1的TPs含量為8.42±0.61%，FAAs含量為1.4±0.36%。G2的TPs含量為8.22±0.48%，FAAs含量為1.05±0.17%。G3的TPs含量為4.99±0.51%，FAAs含量為0.36±0.09%。

不同品級的藏茶內部成分差異顯著。這些含量可以作為評價藏茶品級的可靠依據。

圖2.（a）不同等級的TPs值（%）；（b）不同等級的FAAs值（%）。圖中G1、G2、G3分別代表茶葉的三個等級

（2）光譜數據特征描述、樣本劃分和數據降維

圖3（a）為茶葉樣品的原始光譜，圖3（b-d）為各種預處理方法后的光譜。圖3（e）顯示了三個等級茶葉的平均光譜。采用SG和聯合預處理方法處理后的光譜數據更加平滑，并且減少了噪聲和來自環境和高光譜系統的某些不確定干擾。根據平均光譜，發現三個等級茶葉的光譜不相交，等級越高（G1為最高等級），茶葉的光譜反射越低。

圖3.茶葉樣品的光譜，（a）原始光譜；（b） SG后的光譜；（c） SG-MSC后的光譜；（d） SG-SNV后的光譜；（e）三個等級茶葉的平均光譜

不同品級的茶葉樣品屬于同一種，化學成分相同，因此在不同波長區域之間具有相似的光譜趨勢。茶葉樣品的光譜趨勢相似，但不同等級茶葉樣品的反射率不同，茶葉的等級越好，光譜反射率越低。前面部分的統計分析結果表明，茶葉等級越高（G1為最高等級），茶葉中TPs和FAAs的含量越高，因此茶葉中這兩種成分的含量與之前的光譜反射率呈反比關系，也為使用HSI來區分藏茶的等級，為后續的建模和分析提供依據。

獲得的高光譜圖像波長范圍為420 ~ 1010 nm。光譜區域的變化與有機分子中含氫基團（如C-H、N-H、O-H和S-H）的振動頻率與不同水平的乘法吸收區域的組合一致。690 nm處的吸收峰較低，茶葉在該波段吸收紅光較多，綠光較少，這可能與茶葉的葉綠素含量有關。在700-1010 nm范圍內，由于葉片對近紅外波段吸收較少，光譜上升明顯，該波段差異較大可能是由于不同等級的內部成分差異較大。

PCA在模型中起到特征降維的作用，將原始光譜壓縮為低維數據，壓縮后的數據相互獨立、正交。圖4為三個等級（G1、G2、G3）的三維PCA分布圖。圖4（a），對應原始數據集的PCA得分，其中PC1占94.37%，PC2占4.44%，PC3占0.96%。累積信息方差貢獻達到99.77%，表明新數據在保證譜所含信息量可靠有效的前提下，可以最大限度地發揮原始數據的特征，也減少了后續模型構建的輸入量。此外，G2和G3之間存在重疊。根據以上分析，PCA無法*全分離數據集，這可能是由于兩種等級的茶葉之間存在細微的差異。圖4（b）是訓練集和測試集隨機分割數據集的PCA分布圖。數據集的分布非常均勻，訓練集和測試集的分布重疊，并且測試集中的樣本包含了所有訓練集樣本的特征，從而保證了樣本預測的可能性。

圖4. 三維PCA散點圖，（a）三個不同等級的劃分；（b）訓練集和測試集的劃分

（3）TPs和FAAs的定量測定

為了預測藏茶中的TPs和FAAs以及建立藏茶等級的判別模型，將樣本按2:1的比例隨機分為訓練集和測試集。表1（a、b）顯示了三種回歸方法結合不同預處理方法對TPs和FAAs的預測結果，并對所有數據進行PCA降維處理。

在TPs預測中，測試集中的R_p²都在0.9左右，RMSEP在0.43到0.58之間。在所有模型中，Extratree在訓練集上的R²最高，R_c² = 1， RMSEC= 0表明該模型能夠準確預測，模型具有較高的學習能力。在FAAs預測中，測試集的R_p²范圍為0.79 ~ 0.87，模型的RMSEP范圍為0.16 ~ 0.20。所有模型的RPD均大于2，具有較高的信度，可用于模型分析。在保證訓練集上的訓練情況后，經過組合預處理，發現模型在測試集上得到了改進。SG- SNV-Extratree對TPs的預測R_p² = 0.9248，RMSEP= 0.4842，RPD= 3.646，優于單一預處理SG的評價指標。在預測FAAs時，Adaboost、GBDT和Extratree中R_p²和RMSEP在聯合預處理后的作用大多大于單一預處理方法。與Extratree相比，SG-MSC和SG-SNV的R_p²分別為0.8736和0.8565。結果表明，預處理方法的結合有助于提高模型的預測能力。圖5為TPs和FAAs預測模型的散點圖。Extratree能提供較好的預測結果。TPs含量預測的最大誤差為1%，FAAs含量預測的最大誤差約為0.25%。SG-SNV-PCA-Extratree對TPs的預測效果*好。模型具有較高的R²、RPD和較低的RMSE （R_c² =1，RMSEC=0，R_p² =0.9248，RMSEP=0.4842，RPD=3.6460）。在FAAs的預測中，SG-MSCPCA-Extratree的預測效果*好，R_c² = 1，RMSEC= 0，R_p² = 0.8736， RMSEP= 0.1590，RPD= 2.8130。

圖5. 用于茶葉樣品的預測的模型散點圖（a）為TPs的預測結果；（b）為FAAs預測結果

（4）檢測茶葉等級分類模型的結果

在建立模型時，關鍵因素是選擇*優的分類模型。在確定分類器之后，我們優化了參數，以獲得最佳的分類模型。通過比較原始光譜和結合了三種預處理方法與PCA的模型，以及表2中的四種分類模型，最終得出了分類結果。

關于預處理方法，在沒有預處理的分類方法中，結果并不理想。SG-SNV和SG-MSC結合PCA-SVM的結果優于單獨使用SG。這表明，預處理模型的組合不僅使光譜更加平滑，而且改善了訓練效果，更有利于建模。

關于分類模型。RFC和SVM下的測試結果優于DT和KNN。為了確定*優參數，采用遺傳算法確定SVM中的參數值。結果表明，SVM的最佳參數，選擇核函數的RBF，gamma= 0.6952, degree = 1，C= 1.2341。在此基礎上，得到了基于*優參數的分類結果。SG-SNV-PCA-SVM模型效果*好，訓練集和測試集的準確率、查全率和精密度均為100%，能夠準確預測藏茶的品級。

結論

本研究通過化學計量學方法確定了藏茶中的TPs和FAAs，并通過高光譜成像（HSI）和多變量分析對其進行了預測。結果表明，藏茶中的TPs和FAAs含量存在顯著差異（p < 0.05）。研究表明，HSI能夠實現茶葉質量參數的非破壞性檢測。本研究將茶葉檢測從外部特征的評估轉變為外部和內部特征的綜合評估，這將有助于提高藏茶行業的檢測效率，促進雅安藏茶產業的發展，推動藏茶經濟的增長，并為其他食品領域提供一種快速、非破壞性的檢測方法。

作者簡介

通訊作者：康志亮 教授，四川農業大學，博導

參考文獻

論文引用自二區文章：Yan Hu , Peng Huang , Yuchao Wang , Jie Sun , Youli Wu , Zhiliang Kang. Determination of Tibetan tea quality by hyperspectral imaging technology and mu*tivariate analysis. Journal of Food Composition and Analysis 117. (2023) 105136