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）和遊離氨基酸（FAAs））的快速、精準預測和分級研究。該研究能推動藏茶質量控製和標準化管理，提高了產業效率，並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kuai速su地di評ping估gu其qi質zhi量liang成cheng為wei了le一yi個ge重zhong要yao問wen題ti。傳chuan統tong的de茶cha葉ye質zhi量liang評ping估gu方fang法fa主zhu要yao依yi賴lai於yu感gan官guan評ping定ding和he化hua學xue分fen析xi，這zhe些xie方fang法fa不bu僅jin具ju有you主zhu觀guan性xing，還hai存cun在zai一yi定ding的de破po壞huai性xing。為wei了le克ke服fu這zhe些xie限xian製zhi，研yan究jiu者zhe開kai始shi探tan索suo了le基ji於yu現xian代dai技ji術shu的de非fei破po壞huai性xing檢jian測ce方fang法fa。
近年來，HSI在zai食shi品pin質zhi量liang檢jian測ce中zhong得de到dao了le廣guang泛fan應ying用yong，因yin其qi能neng夠gou提ti供gong豐feng富fu的de光guang譜pu信xin息xi並bing進jin行xing非fei破po壞huai性xing檢jian測ce。高gao光guang譜pu成cheng像xiang結jie合he多duo變bian量liang分fen析xi技ji術shu能neng夠gou有you效xiao提ti取qu樣yang品pin的de化hua學xue成cheng分fen和he物wu理li特te征zheng，從cong而er實shi現xian快kuai速su、準確的質量評估。
本研究聚焦於藏茶的質量檢測，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*效、精準檢測技術的需求。
實驗設計
1.1材料與方法
（1）樣品製備
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於茶葉的厚度。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*標準茶葉感官評價方法GB/T 23776-2018，邀請了*業茶葉評審員對茶葉等級進行感官評定。在確認樣本後，實驗分為兩個步驟。*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，並在圖像采集後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*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。高光譜係統由成像光譜儀和CCD相機組成。該係統的光譜采集範圍為387 ~ 1035 nm，光譜分辨率為2.8 nm，具有256個光譜通道。由於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。采樣台移動速度設置為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後，對獲取的圖像進行黑白校正。
采集圖像後，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（麵積為100 × 100像素）作為感興趣的區域。然後提取感興趣區域每個像元的光譜數據，並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*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複，並以均值 ± 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後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幹擾，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，以減少幹擾信息的影響。
（6）特征提取
光譜共有256個波段，可能存在大量冗餘信息，在一定程度上增加了數據處理時間，不利於建模。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，計算決定係數（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的中位數和範圍值因等級而異。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）為各種預處理方法後的光譜。圖3（e）顯示了三個等級茶葉的平均光譜。采用SG和(he)聯(lian)合(he)預(yu)處(chu)理(li)方(fang)法(fa)處(chu)理(li)後(hou)的(de)光(guang)譜(pu)數(shu)據(ju)更(geng)加(jia)平(ping)滑(hua)，並(bing)且(qie)減(jian)少(shao)了(le)噪(zao)聲(sheng)和(he)來(lai)自(zi)環(huan)境(jing)和(he)高(gao)光(guang)譜(pu)係(xi)統(tong)的(de)某(mou)些(xie)不(bu)確(que)定(ding)幹(gan)擾(rao)。根(gen)據(ju)平(ping)均(jun)光(guang)譜(pu)，發(fa)現(xian)三(san)個(ge)等(deng)級(ji)茶(cha)葉(ye)的(de)光(guang)譜(pu)不(bu)相(xiang)交(jiao)，等(deng)級(ji)越(yue)高(gao)（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後的光譜；（c） SG-MSC後的光譜；（d） SG-SNV後的光譜；（e）三個等級茶葉的平均光譜
不bu同tong品pin級ji的de茶cha葉ye樣yang品pin屬shu於yu同tong一yi種zhong，化hua學xue成cheng分fen相xiang同tong，因yin此ci在zai不bu同tong波bo長chang區qu域yu之zhi間jian具ju有you相xiang似si的de光guang譜pu趨qu勢shi。茶cha葉ye樣yang品pin的de光guang譜pu趨qu勢shi相xiang似si，但dan不bu同tong等deng級ji茶cha葉ye樣yang品pin的de反fan射she率lv不bu同tong，茶cha葉ye的de等deng級ji越yue好hao，光guang譜pu反fan射she率lv越yue低di。前qian麵mian部bu分fen的de統tong計ji分fen析xi結jie果guo表biao明ming，茶cha葉ye等deng級ji越yue高gao（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係，也為使用HSI來區分藏茶的等級，為後續的建模和分析提供依據。
獲得的高光譜圖像波長範圍為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範圍內，由於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於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，壓縮後的數據相互獨立、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*大限度地發揮原始數據的特征，也減少了後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無法完全分離數據集，這可能是由於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PCAfenbutu。shujujidefenbufeichangjunyun，xunlianjiheceshijidefenbuzhongdie，bingqieceshijizhongdeyangbenbaohanlesuoyouxunlianjiyangbendetezheng，congerbaozhengleyangbenyucedekenengxing。
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，並對所有數據進行PCA降維處理。
在TPs預測中，測試集中的Rp2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，Rc2 = 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Rp2範圍為0.79 ~ 0.87，模型的RMSEP範圍為0.16 ~ 0.20。所有模型的RPD均大於2，具有較高的信度，可用於模型分析。在保證訓練集上的訓練情況後，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Rp2 = 0.9248，RMSEP= 0.4842，RPD= 3.646，優於單一預處理SG的評價指標。在預測FAAs時，Adaboost、GBDT和Extratree中Rp2和RMSEP在聯合預處理後的作用大多大於單一預處理方法。與Extratree相比，SG-MSC和SG-SNV的Rp2分別為0.8736和0.8565。結果表明，預處理方法的結合有助於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*大誤差為1%，FAAs含量預測的*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 （Rc2 =1，RMSEC=0，Rp2 =0.9248，RMSEP=0.4842，RPD=3.6460）。在FAAs的預測中，SG-MSCPCA-Extratree的預測效果*好，Rc2 = 1，RMSEC= 0，Rp2 = 0.8736， RMSEP= 0.1590，RPD= 2.8130。
圖5. 用於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。在確定分類器之後，我們優化了參數，以獲得*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。
關於預處理方法，在沒有預處理的分類方法中，結果並不理想。SG-SNV和SG-MSC結合PCA-SVM的結果優於單獨使用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，更有利於建模。
關於分類模型。RFC和SVM下的測試結果優於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*佳參數，選擇核函數的RBF，gamma= 0.6952, degree = 1，C= 1.2341。在此基礎上，得到了基於*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，並通過高光譜成像（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，HSInenggoushixianchayezhiliangcanshudefeipohuaixingjiance。benyanjiujiangchayejiancecongwaibutezhengdepingguzhuanbianweiwaibuheneibutezhengdezonghepinggu，zhejiangyouzhuyutigaozangchaxingyedejiancexiaolv，cujinyaanzangchachanyedefazhan，tuidongzangchajingjidezengchang，bingweiqitashipinlingyutigongyizhongkuaisu、非破壞性的檢測方法。
推薦產品
作者簡介
通訊作者：康誌亮教授，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 multivariate analysis. Journal of Food Composition and Analysis 117. (2023) 105136 https://doi.org/10.1016/j.jfca.2023.105136
地址：無錫市梁溪區南湖大道飛宏路58-1-108.png)
電話：.png)
郵箱：
在線谘詢