李 杰，李尚科，蔣立文，劉 霞，丁勝華，李 跑,*

(1.湖南農(nóng)業(yè)大學(xué) 食品科學(xué)與技術(shù)學(xué)院，食品科學(xué)與生物技術(shù)湖南省重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙 410128；2.湖南省農(nóng)業(yè)科學(xué)院 湖南省農(nóng)產(chǎn)品加工研究所，湖南 長(zhǎng)沙 410125)

茶作為世界三大飲料之一，不僅具有怡人的清香以及可口的滋味，同時(shí)具有諸多藥理保健功效。綠茶是我國(guó)的主要茶類之一，由于其未經(jīng)發(fā)酵的加工工藝，較其它茶類保留了鮮葉的大部分天然物質(zhì)，含有較多的多酚類、葉綠素類以及咖啡因等成分，且在抗衰老、預(yù)防癌癥、抑菌、抗氧化等方面具有特殊效果[1-2]。然而市場(chǎng)上的綠茶品種繁多，加工工藝和產(chǎn)地的差異導(dǎo)致其在風(fēng)味以及微量元素上存在顯著差別。對(duì)比不同價(jià)位、不同產(chǎn)地的綠茶發(fā)現(xiàn)，不同品種綠茶的理化成分存在較大差別，其中茶多酚、酚氨比、抗壞血酸、表沒食子兒茶素沒食子酸酯、酯型兒茶素與非酯型兒茶素的含量具有較為顯著的差異[3]。雖然不同品種綠茶在理化性質(zhì)上存在較大差異，但根據(jù)外觀等表面特征較難實(shí)現(xiàn)對(duì)其快速準(zhǔn)確的鑒別，因而市場(chǎng)上出現(xiàn)了不少無良商家“以次充好”的現(xiàn)象，如何快速準(zhǔn)確地鑒別綠茶品種以及優(yōu)劣是現(xiàn)階段亟待解決的問題。

近紅外光是介于中紅外與可見光區(qū)范圍內(nèi)的一種電磁波，具有較強(qiáng)的穿透能力，因此可通過采集樣品的近紅外光譜，利用其對(duì)有機(jī)物中含氫基團(tuán)振動(dòng)的倍頻和合頻吸收以得到樣品中有機(jī)物的組成以及分子結(jié)構(gòu)信息[4]。相較于傳統(tǒng)理化分析方法的繁瑣、檢測(cè)費(fèi)用較高、對(duì)樣品有破壞性等缺點(diǎn)，近紅外光譜憑借其快速無損、操作簡(jiǎn)便以及無污染等特點(diǎn)，在食品[5-7]、石油[8]、醫(yī)藥[9]、煙草[10-11]等行業(yè)逐漸嶄露頭角。就綠茶檢測(cè)而言，近紅外光譜技術(shù)主要應(yīng)用于產(chǎn)地溯源[12]、品質(zhì)評(píng)價(jià)[13]、成分檢測(cè)[14]等，但關(guān)于綠茶品種鑒別方面的相關(guān)研究較少，此外有關(guān)綠茶物理性狀等所造成的光譜干擾消除的研究更是少之又少。為了實(shí)現(xiàn)不同品種綠茶樣品的無損鑒別，本課題組前期研究中提出了一種基于連續(xù)小波變換-標(biāo)準(zhǔn)偏差-相對(duì)標(biāo)準(zhǔn)偏差的變量篩選方法[15]，發(fā)現(xiàn)連續(xù)小波變換預(yù)處理可消除背景干擾，變量篩選方法可提高鑒別準(zhǔn)確性，但該方法需人工選擇合適的閾值以及波長(zhǎng)數(shù)目等參數(shù)，且無法實(shí)現(xiàn)對(duì)不同品種綠茶的100%鑒別。此外，由于綠茶是由新鮮茶葉經(jīng)過殺青、整形、烘干等工藝制成的卷曲扁形樣品，相較于其它粉末狀樣品，更易受到光散射等干擾。因此，需對(duì)多種預(yù)處理方法進(jìn)行篩選，并組合多種預(yù)處理以消除光譜中的多種干擾[16]。此外，還需采用合適的建模方法以建立準(zhǔn)確的鑒別模型[17-21]。因此，本文旨在通過采取不同的單一以及優(yōu)化組合預(yù)處理方法來消除此類干擾，并結(jié)合主成分分析法(Principal component analysis,PCA)與線性判別分析法(Linear discriminant analysis,LDA)，篩選出適合綠茶的近紅外光譜預(yù)處理并建立可靠的鑒別模型，實(shí)現(xiàn)對(duì)不同品種綠茶的快速無損鑒別分析。

1 實(shí)驗(yàn)部分

1.1 儀器與材料

QuasIR 4000近紅外光譜儀(美國(guó)Galaxy Scientific)；光譜預(yù)處理與鑒別分析由MATLAB R2010b(The Mathworks,Natick,USA)軟件實(shí)現(xiàn)。

不同產(chǎn)地的8個(gè)不同品種的綠茶樣品：分別記為小山茶(a)、大山茶(b)、楊山春綠(c)、九華山毛尖(d)、五云龍?zhí)?e)、藍(lán)天茶(f)、十八盤毛峰(g)、仰天雪綠(h)。每個(gè)品種綠茶取10個(gè)平行樣品(3 g)，合計(jì)80個(gè)樣本。

1.2 光譜采集

實(shí)驗(yàn)在室溫下操作，波數(shù)為4 000～12 000 cm-1，最小間隔約4 cm-1，共采集2 098個(gè)數(shù)據(jù)點(diǎn)。為保證光譜測(cè)量的準(zhǔn)確性，每個(gè)樣品重復(fù)測(cè)量3次，取3條平行光譜的平均值作為該樣本的原始光譜。

1.3 光譜預(yù)處理與鑒別分析

將8種茶葉樣品數(shù)據(jù)按照Kennard-Stone(K-S)以8∶2的比例分組，選取64個(gè)樣品用于建立模型，16個(gè)樣品用于驗(yàn)證，采用去偏置、去偏移、標(biāo)準(zhǔn)正態(tài)變量變換、最大最小歸一化、多元散射校正、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、連續(xù)小波變換8種不同單一預(yù)處理方式對(duì)綠茶的近紅外光譜進(jìn)行處理，再采用一階導(dǎo)數(shù)+去平移、一階導(dǎo)數(shù)+標(biāo)準(zhǔn)正態(tài)變量變換、一階導(dǎo)數(shù)+多元散射校正、連續(xù)小波變換+標(biāo)準(zhǔn)正態(tài)變量變換、連續(xù)小波變換+多元散射校正、標(biāo)準(zhǔn)正態(tài)變量變換+一階導(dǎo)數(shù)預(yù)處理進(jìn)一步消除干擾。其中，一階導(dǎo)數(shù)和二階導(dǎo)數(shù)均采用Savitzky-Golay平滑求導(dǎo)，選取窗口參數(shù)范圍為3～25，結(jié)合鑒別率選取最優(yōu)值為17；連續(xù)小波變換預(yù)處理的小波基為“haar”，尺度參數(shù)為20。最后運(yùn)用PCA結(jié)合不同預(yù)處理方法對(duì)不同品種茶葉進(jìn)行鑒別，采用LDA分類方法進(jìn)一步提高結(jié)果準(zhǔn)確性，并計(jì)算建模集和驗(yàn)證集的鑒別準(zhǔn)確率。

2 結(jié)果與討論

2.1 基于單一光譜預(yù)處理與主成分分析方法的綠茶品種鑒別

為實(shí)現(xiàn)不同品種茶葉的無損鑒別，對(duì)收集的8個(gè)品種綠茶樣品進(jìn)行近紅外光譜采集，圖1A為綠茶樣品3次測(cè)量平均后的原始光譜圖，由圖可見譜線大致趨勢(shì)一致，大部分譜線重合，表明具有相同或相似的吸收峰。然而原始光譜存在明顯的背景干擾和基線漂移，可能是由于表面存在起伏的呈片狀的綠茶樣品或儀器自身問題所致。

為有效消除背景干擾以及基線漂移現(xiàn)象，對(duì)圖1A中的綠茶原始光譜數(shù)據(jù)進(jìn)行多種單一預(yù)處理，分別采用去偏置、去偏移、標(biāo)準(zhǔn)正態(tài)變量變換、最大最小歸一化、多元散射校正、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、連續(xù)小波變換8種不同單一方法進(jìn)行預(yù)處理(圖1)，以期能消除光譜存在的不良影響，達(dá)到有效提取光譜圖中信息的目的。結(jié)果顯示，背景干擾經(jīng)過去偏置(圖1B)或去偏移(圖1C)兩種預(yù)處理后得到有效消除，但仍存在一定程度的基線漂移現(xiàn)象。而經(jīng)標(biāo)準(zhǔn)正態(tài)變量變換(圖1D)、最大最小歸一化(圖1E)、多元散射校正(圖1F)、一階導(dǎo)數(shù)(圖1G)、連續(xù)小波變換(圖1I)預(yù)處理后，均在不同程度上消除了光譜散射的影響，背景干擾得到有效消除，基線漂移現(xiàn)象也得到明顯改善。然而，經(jīng)過最大最小歸一化預(yù)處理后，在6 000～8 000 cm-1處仍存在一定的基線漂移。采用二階導(dǎo)數(shù)(圖1H)處理后雖消除了背景干擾，強(qiáng)化了譜帶特征，但在10 000～12 000 cm-1處出現(xiàn)了明顯的噪聲干擾。

為提高聚類分析結(jié)果的準(zhǔn)確性，實(shí)驗(yàn)將不同預(yù)處理方式與聚類分析相結(jié)合，相應(yīng)預(yù)處理后的PCA圖見圖2，空心圖形表示驗(yàn)證集樣本，不同形狀的實(shí)心圖形為不同品種綠茶的校正集樣本，橢圓形為不同品種綠茶所構(gòu)建的置信橢圓。由于前2個(gè)主成分(PC1和PC2)的方差貢獻(xiàn)率之和在80%以上，因此選其進(jìn)行PCA分析。表1為不同預(yù)處理方法得到的建模集和預(yù)測(cè)集的鑒別準(zhǔn)確率。結(jié)果顯示，原始光譜的聚類分析中(圖2A)，8類綠茶樣品之間的置信橢圓并無明顯區(qū)分，幾乎完全交織在一起，僅a與b，g與b、c、d、e的置信橢圓未重疊，預(yù)測(cè)集鑒別準(zhǔn)確率僅6.25%，因此，基于原始光譜圖的聚類分析完全無法實(shí)現(xiàn)不同品種綠茶的鑒別。采用去偏置(圖2B)、去偏移(圖2C)預(yù)處理后的聚類分析圖相較于原始光譜的聚類分析并無明顯改善，預(yù)測(cè)集鑒別準(zhǔn)確率分別略微提升至25.00%和12.50%。圖2D與F譜圖相似，僅在主成分上存在一定差異，這是由于多元散射校正與標(biāo)準(zhǔn)正態(tài)變量變換在算法層面上基本一致，均能有效消除光譜散射的影響。通過二者圖譜可發(fā)現(xiàn)e品種綠茶(五云龍?zhí)?能夠被有效鑒別，其它品種綠茶中d能與a、c、g、e實(shí)現(xiàn)區(qū)分，g與b、d、e、h等品種的置信橢圓無重疊，預(yù)測(cè)集鑒別準(zhǔn)確率為43.75%。圖2E為經(jīng)過最大最小歸一化預(yù)處理后的聚類分析圖，可看出g品種的置信橢圓除與c有重疊外，與其它置信橢圓無交叉，a與c、d、e、f、g，c與a、d、e，f與a、g、h的置信橢圓也無重疊，預(yù)測(cè)集鑒別準(zhǔn)確率為50.00%。圖2G與I的PCA圖譜相似,a、e、g三者與b、c、d、f四者達(dá)到有效區(qū)分，但e和h置信橢圓相交織，預(yù)測(cè)集鑒別準(zhǔn)確率僅18.75%。由經(jīng)過二階導(dǎo)數(shù)預(yù)處理后的聚類分析圖(圖2H)可見f、h與a、b、c、g被區(qū)分開，其它品種置信橢圓均在不同程度上出現(xiàn)重疊，建模集和預(yù)測(cè)集鑒別準(zhǔn)確率均為0.00%，可能原因是二階導(dǎo)數(shù)在消除干擾影響的同時(shí)也消除了不同品種綠茶的差異信息。相較于原始光譜數(shù)據(jù)聚類分析，除了使用二階導(dǎo)數(shù)預(yù)處理方法之外其它單一預(yù)處理結(jié)果均得到了一定的優(yōu)化，但鑒別率均不高，因此僅使用單一預(yù)處理無法實(shí)現(xiàn)8個(gè)品種綠茶的鑒別。

表1 不同預(yù)處理方法得到的鑒別準(zhǔn)確率Table 1 Classification accuracies by different pretreatments

(續(xù)表1)

2.2 基于優(yōu)化組合光譜預(yù)處理與主成分分析方法的綠茶品種鑒別

去平移以及去偏置預(yù)處理主要用于消除信號(hào)中基線漂移的影響，導(dǎo)數(shù)處理和連續(xù)小波變換預(yù)處理可用于消除信號(hào)中背景和基線漂移的干擾，多元散射校正與標(biāo)準(zhǔn)正態(tài)變量變換預(yù)處理可用于消除固體分布不均勻所造成的光散射影響，為進(jìn)一步實(shí)現(xiàn)8種綠茶品種的準(zhǔn)確鑒別，選取組合預(yù)處理方法對(duì)原始光譜數(shù)據(jù)進(jìn)行處理，其中一階導(dǎo)數(shù)+去平移組合(圖3A)可實(shí)現(xiàn)對(duì)信號(hào)中背景和基線漂移最大程度的扣除；一階導(dǎo)數(shù)+標(biāo)準(zhǔn)正態(tài)變量變換(圖3B)、一階導(dǎo)數(shù)+多元散射校正(圖3C)、連續(xù)小波變換+標(biāo)準(zhǔn)正態(tài)變量變換(圖3D)、連續(xù)小波變換+多元散射校正(圖3E)組合方式可同時(shí)消除背景和光散射干擾的影響；標(biāo)準(zhǔn)正態(tài)變量變換+一階導(dǎo)數(shù)預(yù)處理組合方式(圖3F)可用于研究預(yù)處理組合順序?qū)Y(jié)果的影響。結(jié)果顯示，A、B、C和F的圖譜類似，D、E圖也基本一致，這可能是因?yàn)槎嘣⑸湫Ｕc標(biāo)準(zhǔn)正態(tài)變量變換預(yù)處理的相似性，導(dǎo)致其它預(yù)處理方法與兩者預(yù)處理之一相結(jié)合時(shí)所產(chǎn)生的結(jié)果也具有相似性。經(jīng)過優(yōu)化組合預(yù)處理對(duì)原始光譜數(shù)據(jù)處理，不但繼承了單一預(yù)處理的優(yōu)點(diǎn)，且光譜中的背景干擾得以消除，基線漂移現(xiàn)象基本得到扣除，譜圖中的有效信息被提取出來。

優(yōu)化組合預(yù)處理方式對(duì)原始光譜數(shù)據(jù)處理后的聚類分析結(jié)果見圖4，不同組合預(yù)處理方法得到的建模集和預(yù)測(cè)集的鑒別準(zhǔn)確率見表1。結(jié)果顯示，一階導(dǎo)數(shù)結(jié)合去平移預(yù)處理之后的聚類分析(圖4A)結(jié)果與單一預(yù)處理中的一階導(dǎo)數(shù)與連續(xù)小波變換預(yù)處理結(jié)果相似，同樣為f品種與其它品種得到了鑒別，b與e品種實(shí)現(xiàn)了鑒別，a與d、e置信橢圓無重疊。預(yù)測(cè)集鑒別準(zhǔn)確率僅為18.75%。這可能是因?yàn)槿テ圃谝欢ǔ潭壬夏芨纳苹€漂移現(xiàn)象，而一階導(dǎo)數(shù)以及連續(xù)小波變換預(yù)處理也具有相似效果。從一階導(dǎo)數(shù)、連續(xù)小波變換與多元散射校正、標(biāo)準(zhǔn)正態(tài)變量變換的組合預(yù)處理后的聚類分析結(jié)果(圖4B～E)可見，c、e被有效鑒別，a、d、h與b、f、g品種間也得以區(qū)分，然而a與h，b與f置信橢圓仍有重疊，預(yù)測(cè)集鑒別準(zhǔn)確率均為56.25%。由標(biāo)準(zhǔn)正態(tài)變量變換+一階導(dǎo)數(shù)預(yù)處理后的聚類分析結(jié)果(圖4F)可見，除d與b，f與g品種置信橢圓存在一定重疊外，其它品種均得以有效鑒別，預(yù)測(cè)集鑒別準(zhǔn)確率最佳，達(dá)75.00%，這表明標(biāo)準(zhǔn)正態(tài)變量變換+一階導(dǎo)數(shù)預(yù)處理組合方式比一階導(dǎo)數(shù)+標(biāo)準(zhǔn)正態(tài)變量變換預(yù)處理組合方式結(jié)果略好，由此可見預(yù)處理組合順序?qū)Y(jié)果有一定影響。以上研究表明：除一階導(dǎo)數(shù)結(jié)合去偏移預(yù)處理的結(jié)果與一階導(dǎo)數(shù)預(yù)處理結(jié)果相似外，經(jīng)過優(yōu)化預(yù)處理組合處理過后品種間的鑒別成功率相較單一預(yù)處理均得到較大提升，且8類綠茶品種間的預(yù)測(cè)集鑒別準(zhǔn)確率可達(dá)75.00%。這可能是因?yàn)橐浑A導(dǎo)數(shù)與連續(xù)小波變換消除了基線漂移，有效地扣除了背景干擾，而多元散射校正與標(biāo)準(zhǔn)正態(tài)變量變換預(yù)處理則有效消除了光譜間散射影響，二者的結(jié)合有效提升了綠茶品種之間的聚類分析結(jié)果。然而，經(jīng)過組合處理后仍存在d與b，f與g無法實(shí)現(xiàn)完全鑒別的現(xiàn)象，可能是由于這兩類茶葉在產(chǎn)地或加工技術(shù)上存在相似或相同之處，需結(jié)合其它聚類分析方法進(jìn)一步探究。

圖5 8個(gè)品牌綠茶的線性判別結(jié)果圖Fig.5 Linear discrimination results of 8 brands of green tea samples

2.3 基于線性判別分析方法的綠茶品種鑒別

與無監(jiān)督的PCA方法不同，基于類別的先驗(yàn)知識(shí)的有監(jiān)督方法具有更強(qiáng)的鑒別能力。LDA是一種常見的監(jiān)督學(xué)習(xí)的降維技術(shù)，可用于聚類分析。圖5為8個(gè)品種綠茶的LDA結(jié)果。結(jié)果表明：有監(jiān)督模式識(shí)別方法的判別準(zhǔn)確性高于無監(jiān)督模式識(shí)別方法。在使用LDA方法對(duì)茶葉數(shù)據(jù)進(jìn)行處理后，8類茶葉均得到良好的區(qū)分，鑒別成功率達(dá)100%。然而使用該方法時(shí)需提供類別的先驗(yàn)知識(shí)經(jīng)驗(yàn)，而像PCA這樣的無監(jiān)督學(xué)習(xí)則無需類別先驗(yàn)知識(shí)即可實(shí)現(xiàn)聚類分析。當(dāng)缺乏校正集的類別信息或者類別先驗(yàn)知識(shí)存在錯(cuò)誤時(shí)，LDA方法往往得不到準(zhǔn)確的鑒別結(jié)果，因此在利用近紅外光譜技術(shù)對(duì)不同品種綠茶進(jìn)行無損鑒別分析時(shí)，需選擇合適的分類方法。

3 結(jié) 論

本文通過近紅外光譜技術(shù)結(jié)合不同化學(xué)計(jì)量學(xué)方法對(duì)8個(gè)不同品種綠茶進(jìn)行了鑒別分析，比較了單一以及優(yōu)化組合光譜預(yù)處理方法對(duì)光譜的影響，利用無監(jiān)督的主成分分析與有監(jiān)督的線性判別分析方法分別構(gòu)建了茶葉品種的鑒別模型。結(jié)果表明：綠茶樣品本身形態(tài)易造成的光譜散射現(xiàn)象在使用多元散射校正以及標(biāo)準(zhǔn)正態(tài)變量變換預(yù)處理后得以有效消除；同時(shí)使用其它光譜預(yù)處理方法能改善光譜中存在的背景干擾以及基線漂移現(xiàn)象。這說明預(yù)處理可在一定程度上消除樣品形態(tài)等因素所造成的干擾，組合預(yù)處理方式的聚類分析結(jié)果明顯優(yōu)于單一預(yù)處理方式。組合預(yù)處理方式結(jié)合無監(jiān)督的主成分分析法可實(shí)現(xiàn)較為準(zhǔn)確的綠茶樣品鑒別分析，準(zhǔn)確率達(dá)75.00%；采用有監(jiān)督模式識(shí)別的LDA方法對(duì)茶葉原始光譜數(shù)據(jù)進(jìn)行處理可實(shí)現(xiàn)8類茶葉的快速100%聚類分析，但該方法需提供類別的先驗(yàn)知識(shí)。