一种基于近红外光谱技术预测绿茶摊青叶含水量的方法
【技术领域】
[0001] 本发明涉及一种确定绿茶摊青叶含水量的方法，更具体的说涉及一种基于近红外 光谱技术预测绿茶摊青叶含水量的方法。
【背景技术】
[0002] 近红外光谱区是人们在吸收光谱中发现的第一个非可见光区，近红外光谱区与有 机分子中含氢基团（〇-H、N-H、C-H)振动的合频和各级倍频的吸收区一致，可以反映这些含 氢官能团的信息。近红外光谱分析技术（NIR)是20世纪90年代以来发展最快、最引人注 目的分析技术之一，其通过扫描样品的近红外光谱，得到样品中有机分子含氢基团的特征 信息，可以用于农产品（包括谷物、饲料、水果、蔬菜和茶叶等）成份的快速定量检测的探讨 研宄；而且该技术具有方便、快速、高效、准确、成本较低、不破坏样品、不消耗化学试剂和不 污染环境等优点，因此越来越受到大家的青睐。
[0003] 绿茶在杀青前需要进行适度摊放，这有利于绿茶品质的提高，经摊放处理后，绿茶 茶汤浓度、鲜爽度和香气均明显提高。但摊放必须适度，摊放适宜的鲜叶含水量为70%左 右，过度摊放反而会降低绿茶的品质，所以摊放过程中应该经常观察鲜叶的失水程度，待其 摊放程度适中后，再对其进行杀青。现有通常采用眼睛看、鼻子嗅和用手捏等感官方法来感 知摊青叶的含水量。当摊放适度时，鲜叶叶色由鲜绿转为暗绿、表面光泽基本消失，能嗅到 花香或水果香，用手捏之叶质不硬脆、较柔软。但是，这种感官方法通常是依靠个人感官和 经验阅历来预测摊青叶含水量，然而人的感觉器官灵敏性易受自身工作经验、当时的生理 状况及外界条件如周边环境、天气、温湿度等因素的影响，具有较大的主观性和随意性。因 此必须建立一套科学的鲜叶摊放信息管理方法及时、准确的预测摊放鲜叶的含水量，使得 摊放鲜叶的质量达到最佳，为加工出品质优异的绿茶创造条件。
【发明内容】
[0004] 本发明的目的在于针对现有的通过眼睛看、鼻子嗅和用手捏等感官方法感知摊青 叶含水量的方法具有较大的主观性和随意性等缺陷，提供一种基于近红外光谱技术预测绿 茶摊青叶含水量的方法。
[0005] 为实现上述目的，本发明的技术解决方案是：一种基于近红外光谱技术预测绿茶 摊青叶含水量的方法，应用近红外光谱仪、以积分球为光学平台进行扫描，具体包括以下步 骤：
[0006] 步骤一、摊放鲜叶的选取：
[0007] 分别选取不同摊放时间的单芽、一芽一叶、一芽二叶和一芽三叶的鲜叶作为样品， 然后将这些鲜叶样品随机划分为校正集和验证集；
[0008] 步骤二、摊放鲜叶样品含水量的测定：
[0009] 根据国家标准测定方法，用烘箱分别测定上述选取鲜叶样品的含水量；
[0010] 步骤三、摊放鲜叶样品近红外光谱扫描：
[0011] a、将近红外光谱仪放置于室内，保持室内温度在20-25°，湿度在30%-50%，并 预热该近红外光谱仪lh以上；
[0012] b、用该近红外光谱仪扫描摊青叶的近红外光谱，逐一对每个样品采集6条光谱， 取6条采集光谱的平均值作为该样品的最终光谱；
[0013] 步骤四、摊放鲜叶样品近红外光谱预测模型的建立：
[0014] a、将鲜叶样品近红外光谱全部转化为成对的数据点，以便进行数据分析；
[0015] b、利用联合区间偏最小二乘法建立水分含量预测模型：
[0016] (1)通过决定系数R2、交互验证均方根误差RMSEC、预测均方根误差RMSEV判断模 型精度，R 2越高，RMSEC和RMSEP越小，模型的精度越高：
[0020] 式中，R2为决定系数，n表示样本数，yJPy/分别为样品集中第i个样品的实测值 和预测值，包括校正集和预测集；F为样品集中第i个样品的实测值的平均值，其中i < n;
[0021] (2)联合区间偏最小二乘法算法步骤如下：
[0022] 第一步：将样品光谱区间等分为10-25个等宽的子区间；
[0023] 第二步：分别在多个子区间上建立摊青叶含水量预测模型，以RMSECV最小时建立 的模型为最佳；
[0024] 第三步：以RMSECV最小时的预测模型为最佳，筛选建模时的特征光谱区间，得到 最终的摊青叶水分含量近红外光谱预测模型；
[0025] c、模型稳定性检验：
[0026] 以验证集样品建模建立模型的稳健性，当样品的含水量与预测值非常接近时，表 明所建模型的预测精度非常高，模型的预测效果非常好。
[0027] 所述的步骤一中鲜叶样品数量为108份，鲜叶样品按照1:2的比例随机划分为校 正集和验证集。
[0028] 所述步骤三中的近红外光谱仪为美国赛默飞Antaris II型傅里叶近红外光谱仪， 每条光谱采集扫描64次。
[0029] 所述的步骤四中采用TQAnalyst软件将样品光谱全部转化为数据点，使数据点间 间隔为3. 86CHT1，然后以Matlab软件为平台建立摊放鲜叶样品含水量的联合区间偏最小二 乘法预测模型。
[0030] 所述的步骤三和步骤四之间设置有光谱预处理步骤。
[0031] 与现有技术相比，本发明的有益效果：
[0032] 本发明中通过近红外光谱仪扫描摊放鲜叶样品的近红外光谱，并将样品光谱全部 转化为数据点，在Matlab软件平台上利用联合区间偏最小二乘法对数据点进行数学分析， 以RMSECV为评价指标，当RMSECV最小时，建立的预测模型即为摊青叶水分含量的最佳预测 模型，同时得出筛选的最佳光谱区间，从而实现快速预测绿茶摊青叶含水量的目的；近红外 光谱分析技术具有快速、无损和成本低等优点，可以实现绿茶加工中摊青叶含水率的快速 预测，进而为优质绿茶清洁化生产中鲜叶含水率的在线检测与反馈控制提供技术支持，使 鲜叶的摊青达到最优的程度，以利于后续的加工。
【附图说明】
[0033] 图1是本发明中摊放鲜叶原始光谱图。
[0034] 图2是本发明中选择后的光谱图。
[0035] 图3是本发明中RMSECV与区间数关系图。
[0036] 图4是本发明中模型验证图。
【具体实施方式】
[0037] 以下结合【附图说明】和【具体实施方式】对本发明作进一步的详细描述。
[0038] 一种基于近红外光谱技术预测绿茶摊青叶含水量的方法，应用近红外光谱仪采用 近红外光谱技术、以积分球为光学平台进行扫描，利用联合区间偏最小二乘法（siPLS)预 测绿茶摊青叶的含水量，具体包括以下步骤：
[0039] 步骤一、摊放鲜叶的选取：
[0040] 分别选取不同摊放时间的单芽、一芽一叶、一芽二叶和一芽三叶的鲜叶作为样品， 然后将这些鲜叶样品随机划分为校正集和验证集。
[0041] 具体的，所述的步骤一中鲜叶样品数量分为108份，鲜叶样品按照1:2的比例随机 划分为校正集和验证集。
[0042] 步骤二、摊放鲜叶样品含水量的测定：
[0043] 根据国家标准GB/T8304-2013茶水分测定方法，用烘箱分别测定上述选取鲜叶样 品的含水量。
[0044] 步骤三、摊放鲜叶样品近红外光谱扫描：
[0045] a、将近红外光谱仪放置于室内，保持室内温度在20-25°，湿度在30%-50%，并 预热该近红外光谱仪lh以上；b、用该近红外光谱仪扫描摊青叶的近红外光谱，逐一对每个 样品采集6条光谱，取6条采集光谱的平均值作为该样品的最终光谱。
[0046] 具体的，所述步骤三中的近红外光谱仪为美国赛默飞Antaris II型傅里叶近红 外光谱仪；每条光谱采集扫描64次，从而使得能够实时获取更多样本表面的漫反射光谱信 息。
[0047] 步骤四、摊放鲜叶样品近红外光谱预测模型的建立：
[0048] a、将鲜叶样品近红外光谱全部转化为成对的数据点，以便进行数据分析。
[0049] 具体的，采用TQ Analyst软件将样品光谱全部转化为数据点，使数据点间间隔为 3. 86CHT1，然后以Matlabb软件为平台建立摊放鲜叶样品含水量的联合区间偏最小二乘法 预测模型。
[0050] b、利用联合区间偏最小二乘法建立水分含量预测模型：
[0051] (1)通过决定系数R2、交互验证均方根误差RMSEC、预测均方根误差RMSEV判断模 型精度，R2越高，RMSEC和RMSEP越小，模型的精度越高：
[0055] 式中，R2为决定系数，n表示样本数，yJPy/分别为样品集中第i个样品的实测值 和预测值，包括校正集和预测集；7为样品集中第i个样品的实测值的平均值，其中i < n。
[0056] (2)联合区间偏最小二乘法算法步骤如下：
[0057] 第一步：将样品光谱区间等分为10-25个等宽的子区间；
[0058] 第二步：分别在多个子区间上建立摊青叶含水量预测模型，以RMSECV最小时建立 的模型为最佳；
[0059] 第三步：以RMSECV最小时的预测模型为最佳，筛选建模时的特征光谱区间，得到 最终的摊青叶水分含量近红外光谱预测模型。
[0060] c、模型稳定性检验：
[0061] 以验证集样品建模建立模型的稳健性，当样品的含水量与预测值非常接近时，表 明所建模型的预测精度非常高，模型的预测效果非常好。
[0062] 优选的，在应用近红外光谱技术建立预测模型