張紅梅，田 輝，何玉靜，常粉玲，余泳昌

(河南農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，河南鄭州450002)

綠茶的特性決定了它較多的保留了鮮葉內(nèi)的天然物質(zhì)．其中茶多酚、咖啡堿保留了鮮葉的85%以上，葉綠素保留約50%，維生素?fù)p失也較少，從而形成了綠茶具有清湯綠葉，滋味收斂性強(qiáng)的特點(diǎn)．綠茶中茶多酚的含量較高，茶多酚是形成茶葉色香味的主要成分之一，也是茶葉中有保健功能的主要成分之一．茶多酚常規(guī)的檢測(cè)方法有酒石酸亞比色法、高錳酸鉀滴定法和高效液相層析法(HPLC)等．這些方法不僅周期長、費(fèi)用高、易產(chǎn)生污染．很難應(yīng)用于實(shí)際檢測(cè)在線分析、快速測(cè)定和無損檢測(cè)等．因此研究綠茶品質(zhì)成分的快速準(zhǔn)確測(cè)定方法具有重要的現(xiàn)實(shí)意義．近年來，隨著電子鼻技術(shù)的興起，出現(xiàn)了一種通過氣味來評(píng)價(jià)茶葉品質(zhì)的快速無損新方法．電子鼻采用了人工智能技術(shù)，實(shí)現(xiàn)了由儀器“嗅覺”對(duì)產(chǎn)品進(jìn)行客觀分析［1］．YANG等［2］檢測(cè)日本綠茶中濃縮香豆素的含量以及其獨(dú)特的香氣，結(jié)果表明電子鼻技術(shù)結(jié)合主成分分析和聚類分析方法能正確識(shí)別7個(gè)不同香豆素含量的茶葉樣本．CHEN等［3］利用電子鼻技術(shù)結(jié)合模式識(shí)別技術(shù)成功的對(duì)綠茶品質(zhì)進(jìn)行了檢測(cè)．于慧春等［4，5］采用電子鼻技術(shù)以5組不同等級(jí)的茶葉、茶水、葉底以及4個(gè)不同等級(jí)的龍井茶為研究對(duì)象，對(duì)茶葉品質(zhì)進(jìn)行了系統(tǒng)研究．DUTTA等［6］利用電子鼻技術(shù)對(duì)5種不同加工工藝的茶葉進(jìn)行分析和評(píng)價(jià)，結(jié)果表明采用RBF的模式識(shí)別方法時(shí)，可以100%區(qū)分5種不同加工工藝的茶葉．NABARUM等［7］用電子鼻技術(shù)對(duì)紅茶發(fā)酵過程中的氣味進(jìn)行實(shí)時(shí)監(jiān)測(cè)，以便預(yù)測(cè)最佳的發(fā)酵時(shí)間，避免發(fā)酵時(shí)間不當(dāng)影響成品茶葉品質(zhì)．張紅梅等［8］利用氣敏傳感器陣列對(duì)3個(gè)等級(jí)的信陽毛尖茶進(jìn)行了檢測(cè)，結(jié)果表明利用茶葉氣味可以對(duì)信陽毛尖茶等級(jí)進(jìn)行區(qū)分．近年來也有一些新技術(shù)用于茶葉的品質(zhì)和內(nèi)部成分的定性檢測(cè)．劉輝軍等［9］利用近紅外光譜技術(shù)檢測(cè)了茶葉的茶多酚含量．耿響等［10］利用近紅外光譜模型對(duì)茶葉咖啡堿進(jìn)行了定性預(yù)測(cè)．李曉麗等［11］建立了一種基于漫反射光譜的初制綠茶含水率無損檢測(cè)方法．張紅梅等［12］利用電子鼻技術(shù)對(duì)綠茶的咖啡堿含量進(jìn)行檢測(cè)．本研究將電子鼻技術(shù)用于茶葉的茶多酚含量的快速檢測(cè)，以便為茶葉品質(zhì)和茶多酚快速檢測(cè)提供一種快速有效地方法．

1 材料與方法

1．1 試驗(yàn)材料

茶葉樣品來自河南信陽同一茶園和采用同一加工工藝的2010年清明前信陽毛尖炒青茶，共有3個(gè)品質(zhì)等級(jí)，3個(gè)等級(jí)茶葉為2010年春季采摘，1級(jí)1芽2葉初展;2，3級(jí)1芽2葉為主，兼采2葉嫩對(duì)夾葉．分別命名為T1，T2和T3:T1為1級(jí)茶葉、T2為2級(jí)茶葉、T3為3級(jí)茶葉．對(duì)3個(gè)等級(jí)的信陽毛尖茶各取30個(gè)樣品，每個(gè)樣品5 g．這些樣品分別被盛放在500 mL燒瓶內(nèi)，用保鮮膜密封后，置于25℃左右的室內(nèi)，60 min后進(jìn)行電子鼻頂空取樣．待測(cè)茶葉樣本的揮發(fā)氣味在傳感器陣列室內(nèi)與傳感器陣列反應(yīng)，產(chǎn)生電信號(hào)，通過采集電路把數(shù)據(jù)采集到計(jì)算機(jī)進(jìn)行處理．

1．2 化學(xué)成分測(cè)定

茶多酚的測(cè)定采用GB 8313—87《茶 茶多酚測(cè)定》，酒石酸亞鐵比色法．

1．3 電子鼻

試驗(yàn)是用德國Airsense公司的PEN2電子鼻，這一電子鼻包含有l(wèi)0個(gè)金屬氧化物傳感器組成的陣列．10個(gè)傳感器名稱分別為 W1C，W5S，W3C，W6S，W5C，W1S，W1W，W2S，W2W 和 W3S，按順序依次表示為S1～S10．傳感器對(duì)不同的化學(xué)成分有不同的響應(yīng)值．響應(yīng)信號(hào)為傳感器接觸到樣品揮發(fā)物后的電導(dǎo)率G與傳感器在經(jīng)過標(biāo)準(zhǔn)活性碳過濾氣體的電導(dǎo)率G0的比值．測(cè)量時(shí)記錄10個(gè)不同選擇性傳感器的G/G0比值，作為進(jìn)一步統(tǒng)計(jì)分析的數(shù)據(jù)．每次測(cè)量前后，傳感器都進(jìn)行清洗，這有效地保證了電子鼻測(cè)量數(shù)據(jù)的穩(wěn)定性和精確度．結(jié)合電子鼻自帶WinMuster軟件對(duì)數(shù)據(jù)進(jìn)行采集、測(cè)量和分析．儀器組成主要包含:傳感器通道、采樣通道、計(jì)算機(jī)．該電子鼻具有自動(dòng)調(diào)整、自動(dòng)校準(zhǔn)及系統(tǒng)自動(dòng)富集的功能．本試驗(yàn)研究中，檢測(cè)時(shí)間設(shè)定為60 s，清洗時(shí)間設(shè)置為90 s，可以基本使傳感器響應(yīng)恢復(fù)到初始狀態(tài)．

1．4 模型的建立和評(píng)價(jià)

為了能夠找到較好的預(yù)測(cè)模型，分別建立了電子鼻傳感器陣列響應(yīng)信號(hào)和茶多酚含量之間的多元線性回歸模型、二次多項(xiàng)式逐步回歸模型和BP網(wǎng)絡(luò)模型．并以茶多酚含量的預(yù)測(cè)值和實(shí)測(cè)值之間的相關(guān)系數(shù)、預(yù)測(cè)標(biāo)準(zhǔn)誤差和平均誤差百分比為指標(biāo)進(jìn)行比較，以便找到能很好預(yù)測(cè)茶多酚含量的預(yù)測(cè)模型．

2 結(jié)果與分析

2．1 毛尖茶茶多酚的檢測(cè)

茶多酚(Tea polyphenols)是茶葉中多酚類物質(zhì)的總稱，包括黃烷醇類、花色苷類、黃酮類、黃酮醇類和酚酸類等．茶多酚是茶葉中的重要化學(xué)成分，與茶葉品質(zhì)有密切關(guān)系，對(duì)人體也具有重要生理活性，具有抗氧化作用，對(duì)心血管疾病，癌癥都有良好抑制作用［13］．圖1所示是3個(gè)等級(jí)的信陽毛尖茶茶多酚含量．從圖1可以看出，茶葉等級(jí)越高，茶多酚含量越高．

圖1 不同等級(jí)信陽毛尖茶葉的茶多酚含量Fig．1 Tea polyphenol content of different grades of Xinyangmaojian tea

2．2 氣敏傳感器陣列對(duì)茶葉氣味的響應(yīng)

圖2 所示是傳感器陣列對(duì)1級(jí)茶葉的響應(yīng)曲線．從圖2可以看出，傳感器S2對(duì)茶葉氣味反應(yīng)比較大，響應(yīng)值也比較大．傳感器S6，S7，S8和S9正向偏離1，響應(yīng)值有所增強(qiáng)．傳感器S1，S3和S5負(fù)向偏離1，信號(hào)有所變化．傳感器S4和S10響應(yīng)值基本沒有變化，所以去掉S4和S10這2個(gè)傳感器響應(yīng)信號(hào)，其余的8個(gè)傳感器信號(hào)用于數(shù)據(jù)分析．從圖2可以看出，傳感器的響應(yīng)值在50 s之后趨于穩(wěn)定．為了便于數(shù)據(jù)處理和正確區(qū)分，對(duì)每條響應(yīng)曲線進(jìn)行了特征提取，特征值選取為響應(yīng)曲線的穩(wěn)定值．因?yàn)榉€(wěn)定值反映了氣敏傳感器對(duì)茶葉響應(yīng)的最終值，體現(xiàn)了主要特征，因此選擇60s時(shí)刻的響應(yīng)信號(hào)用于數(shù)據(jù)分析．

圖2 10個(gè)傳感器對(duì)1級(jí)茶葉的響應(yīng)Fig．2 Response curves of 10 sensors to tea samples of grade 1

2．3 模型的建立

2．3．1 多元線性回歸模型(MLR) MLR分析計(jì)算方法見文獻(xiàn)［14］．將8個(gè)傳感器對(duì)茶葉的響應(yīng)信號(hào)作為自變量，化學(xué)成分茶多酚含量分別作為因變量．電子鼻系統(tǒng)所測(cè)的3個(gè)品質(zhì)的茶葉:每個(gè)等級(jí)30個(gè)樣品共90個(gè)數(shù)據(jù)，從每個(gè)等級(jí)茶葉所測(cè)數(shù)據(jù)中隨機(jī)抽取25個(gè)共75個(gè)作為訓(xùn)練集用于建立回歸模型，剩余的15個(gè)作為測(cè)試集用于對(duì)所建模型進(jìn)行驗(yàn)證．

運(yùn)用多元線性回歸分析方法得到的茶多酚含量回歸模型為:

式中:TP表示茶葉化學(xué)成分茶多酚的含量;x1～x9分別表示S1～S9傳感器的信號(hào)．

對(duì)回歸方程進(jìn)行檢驗(yàn)，回歸方程(1)顯著性檢驗(yàn) F 值為45．14，顯著水平 P ＜0．01，相關(guān)系數(shù)為0．90，方程中各個(gè)回歸系數(shù)的偏相關(guān)系數(shù)顯著水平也小于0．01．說明所建的回歸方程是是有效的．

建立的MLR模型預(yù)測(cè)茶多酚含量與實(shí)測(cè)茶多酚含量關(guān)系如圖3所示．訓(xùn)練集與測(cè)試集的實(shí)測(cè)和預(yù)測(cè)茶多酚含量的相關(guān)系數(shù)、預(yù)測(cè)標(biāo)準(zhǔn)誤差和平均相對(duì)誤差分別為 0．90，0．42，1．2% 和 0．86，0．61，2．5%．

圖3 茶葉中茶多酚含量多元線性回歸模型預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)關(guān)系Fig．3 The relationship between the predicted and measured values of tea polyphenol content using the multipine linear regression model

2．3．2 二次多項(xiàng)式逐步回歸模型(QPSR) 采用二次多項(xiàng)式逐步回歸方法建立傳感器信號(hào)與茶葉茶多酚含量之間的非線性關(guān)系．即把正交試驗(yàn)和回歸分析有機(jī)結(jié)合起來，在正交試驗(yàn)的基礎(chǔ)上利用回歸分析，在給出的因素和指標(biāo)之間，找到一個(gè)明確的函數(shù)表達(dá)式．在處理數(shù)據(jù)矩陣時(shí)，除原始數(shù)據(jù)外還自動(dòng)生成包含數(shù)據(jù)的二次多項(xiàng)式．利用訓(xùn)練集建立的二次多項(xiàng)式回歸模型為:

對(duì)回歸方程進(jìn)行檢驗(yàn)，回歸方程(2)顯著性檢驗(yàn)F值為113．33，顯著水平 P＜0．01，相關(guān)系數(shù)為0．92，方程中各個(gè)回歸系數(shù)的偏相關(guān)系數(shù)顯著水平也小于0．01．說明所建的回歸方程是是有效的．

建立的二次多項(xiàng)式回歸模型預(yù)測(cè)茶多酚含量與實(shí)測(cè)茶多酚含量關(guān)系如圖4所示．訓(xùn)練集與測(cè)試集的實(shí)測(cè)和預(yù)測(cè)茶多酚含量的相關(guān)系數(shù)、預(yù)測(cè)標(biāo)準(zhǔn)誤差和平均相對(duì)誤差分別為 0．94，0．11，0．99% 和0．90，0．5，1．5%．二次多項(xiàng)式回歸對(duì)茶葉中茶多酚含量有很好的預(yù)測(cè)結(jié)果．

圖4 茶葉中茶多酚含量二次多項(xiàng)式回歸模型預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)關(guān)系Fig．4 The relationship between the predicted and measured values of tea polyphenol content using the quadratic polynomial step regression model

2．3．3 BP神經(jīng)網(wǎng)絡(luò)模型 網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)，首先需要獲得網(wǎng)絡(luò)的輸入和目標(biāo)樣本．本研究試驗(yàn)樣品是3個(gè)等級(jí)的茶葉，每個(gè)樣品有30個(gè)重復(fù)共有90組，75組作為訓(xùn)練集，15組作為測(cè)試集．傳感器陣列是由8個(gè)傳感器組成．茶葉茶多酚含量檢測(cè)結(jié)果作為網(wǎng)絡(luò)的輸出．采用1個(gè)具有2個(gè)隱含層BP網(wǎng)絡(luò)，輸入特征向量的分量數(shù)即8個(gè)傳感器的響應(yīng)．所以本研究的BP網(wǎng)絡(luò)結(jié)構(gòu)是:輸入層有8個(gè)神經(jīng)元，2個(gè)隱含層都有17個(gè)神經(jīng)元，最小訓(xùn)練速率取0．9;動(dòng)態(tài)參數(shù)取0.6;允許誤差取為0．000 01;Sigmoid參數(shù)取為0.9，該參數(shù)調(diào)整神經(jīng)元激勵(lì)函數(shù)形式．最大迭代次數(shù)取為5 000．

通過對(duì)傳感器陣列數(shù)據(jù)的BP網(wǎng)絡(luò)訓(xùn)練，并用訓(xùn)練集和測(cè)試集帶入網(wǎng)絡(luò)進(jìn)行模擬．建立的BP模型預(yù)測(cè)茶多酚含量與實(shí)測(cè)茶多酚含量關(guān)系如圖5所示．訓(xùn)練集與測(cè)試集的實(shí)測(cè)和預(yù)測(cè)茶多酚含量的相關(guān)系數(shù)、預(yù)測(cè)標(biāo)準(zhǔn)誤差和平均相對(duì)誤差分別為0．96，0．09，0．99%和 0．92，0．14，1．0%．BP 網(wǎng)絡(luò)對(duì)茶葉中茶多酚含量有很好的預(yù)測(cè)結(jié)果．表明系統(tǒng)對(duì)茶葉茶多酚含量的檢測(cè)具有很高的定量分析精度．

圖5 茶葉中茶多酚含量BP網(wǎng)絡(luò)模型預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)關(guān)系Fig．5 The relationship between the predicted and measured values of tea polyphenol content using the BP net

2．4 MLR，QPSR和BP網(wǎng)絡(luò)模型比較

分別采用MLR，QPSR和BP神經(jīng)網(wǎng)絡(luò)3種建模方法建立了基于氣敏傳感器信號(hào)的信陽毛尖茶茶多酚含量預(yù)測(cè)模型．利用相關(guān)系數(shù)、預(yù)測(cè)標(biāo)準(zhǔn)誤差SEP和平均誤差百分比為評(píng)價(jià)指標(biāo)，三者對(duì)測(cè)試集的預(yù)測(cè)結(jié)果如表1所示．由表1可知，3種建模方法對(duì)測(cè)試集的預(yù)測(cè)結(jié)果都很好，相比之下非線性建模方法二次多項(xiàng)式回歸和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果要優(yōu)于MLR方法的預(yù)測(cè)結(jié)果．3種建模方法中BP神經(jīng)模型的預(yù)測(cè)效果最好，具有最大的相關(guān)系數(shù)、最小的預(yù)測(cè)誤差百分比和最小的相對(duì)誤差百分比．說明采用非線性方法來建立因素與指標(biāo)之間的關(guān)系，能夠反映二者之間復(fù)雜的非線性關(guān)系以及因素之間的交互作用．3種模型中BP神經(jīng)網(wǎng)絡(luò)模型的相關(guān)系數(shù)最大，預(yù)測(cè)標(biāo)準(zhǔn)差最小，相對(duì)誤差百分比最小．由此可以確定，對(duì)于本研究中信陽毛尖茶品質(zhì)的電子鼻分析中，最優(yōu)模型為BP神經(jīng)網(wǎng)絡(luò)．

表1 不同模型預(yù)測(cè)結(jié)果比較Table1 Predicted results comparison of different models

3 結(jié)語

1)測(cè)試結(jié)果表明3個(gè)品質(zhì)茶葉的茶多酚含量從1級(jí)到3級(jí)依次降低，說明所測(cè)樣品中的茶多酚含量與品質(zhì)呈顯著的正相關(guān)．根據(jù)傳感器陣列對(duì)茶葉香氣的響應(yīng)曲線，去掉2個(gè)響應(yīng)不顯著的傳感器S4和S10，選擇其余的8個(gè)傳感器在60 s時(shí)刻的響應(yīng)信號(hào)用建模分析．

2)采用多元線性回歸、二次多項(xiàng)式回歸分析和BP神經(jīng)網(wǎng)絡(luò)分別建立傳感器信號(hào)和信陽毛尖茶的茶多酚含量之間的預(yù)測(cè)模型．3種建模方法對(duì)茶多酚含量的預(yù)測(cè)結(jié)果都很好，但最優(yōu)模型為BP神經(jīng)網(wǎng)絡(luò)．基于氣敏傳感器陣列所建立的BP神經(jīng)網(wǎng)絡(luò)可以快速預(yù)測(cè)茶葉中茶多酚的含量．從而為茶葉品質(zhì)的快速檢測(cè)提供了一種新的檢測(cè)方法．

3)在建模效果最好的BP網(wǎng)絡(luò)模型中，對(duì)于訓(xùn)練集和測(cè)試集茶多酚含量的預(yù)測(cè)值和測(cè)試值的相關(guān)系數(shù)、預(yù)測(cè)標(biāo)準(zhǔn)誤差和平均誤差百分比分別為0．96，0．09，0．99% 和 0．92，0．14，1．0%．結(jié)果表明電子鼻技術(shù)結(jié)合有效地模式識(shí)別方法可以用于茶葉理化成分的快速檢測(cè)．

［1］ 周亦斌，王 俊．新技術(shù)在茶葉品質(zhì)評(píng)價(jià)中應(yīng)用的現(xiàn)狀及趨勢(shì)［J］．茶葉科學(xué)，2004，24(2):82－85．

［2］ YANG Z Y，DONG F，SHIMIZU K，et al．Identification of coumarin-enriched Japanese green teas and their particular flavor using electronic nose［J］．Journal of Food Engineering，2009，92:312－316．

［3］ CHEN Q S，ZHAO J W，CHEN Z，et al．Discrimination of green tea quality using the electronic nose technique and the human panel test，comparison of linear and nonlinear classification tools［J］．Sensors and Actuators B，2011，159:294 －300．

［4］ 于慧春，王 ?。娮颖羌夹g(shù)在茶葉品質(zhì)檢測(cè)中的應(yīng)用研究［J］．傳感技術(shù)學(xué)報(bào)，2008，21(5):748－752．

［5］ 于慧春，王 俊，張紅梅，等．龍井茶葉品質(zhì)的電子鼻檢測(cè)方法［J］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2007，38(7):103－106．

［6］ DUTTA R，HINES E L，GARDNER J W，et al．Tea quality prediction using a tin oxide-based electronic nose:an artificial intelligence approach［J］．Sensors and Actuators B，2003，94:228－237．

［7］ NABARUN B，BIPAN T，ARUN J，et al．Preemptive identification of optimum fermentation time for black tea using electronic nose［J］．Sensors and Actuators B，2008，99:110－116．

［8］ 張紅梅，高獻(xiàn)坤，徐國強(qiáng)，等．基于氣敏傳感器陣列的茶葉等級(jí)檢測(cè)方法研究［J］．河南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2010，44(2):176－179．

［9］ 劉輝軍，呂 進(jìn)．，張維剛，等．茶葉中茶多酚含量的近紅外光譜檢測(cè)模型研究［J］．紅外技術(shù)，2007，29(7):429－432．

［10］ 耿 響，陳 斌，葉 靜，等．茶葉咖啡堿近紅外光譜模型簡化方法［J］．農(nóng)業(yè)工程學(xué)報(bào)，2009，25(10):345－349．

［11］ 李曉麗，程術(shù)希，何 勇．基于漫反射光譜的初制綠茶含水率無損檢測(cè)方法［J］．農(nóng)業(yè)工程學(xué)報(bào)，2010，26(5):195－201．

［12］ 張紅梅，王 俊，余泳昌，等．基于電子鼻技術(shù)的信陽毛尖茶咖啡堿檢測(cè)方法［J］．傳感技術(shù)學(xué)報(bào)，2011，24(8):1223－1227．

［13］ 郭桂義，胡 強(qiáng)，劉 黎，等．信陽毛尖茶春季不同時(shí)期化學(xué)成分與品質(zhì)的變化［J］．河南農(nóng)業(yè)科學(xué)，2007(12):48－50．

［14］ 張紅梅．基于氣敏傳感器陣列的幾種農(nóng)產(chǎn)品品質(zhì)檢測(cè)研究［D］．杭州:浙江大學(xué)，2007．