红茶是国际茶叶贸易中流通量和消费量最大的茶产品，在国际茶叶贸易中占据主体地位。红茶中水浸出物是衡量茶汤内含物质丰富程度的重要指标，对其含量的检测是评价红茶质量优劣的重要依据之一。近年来，随着红茶加工机械化和自动化水平的提升，伴随着产量增加的同时，存在质量良莠不齐的隐患。传统的红茶产品品质评价主要通过制茶师傅“看茶做茶”的方式进行把控，缺乏现代化的茶叶品质检测手段，难以实现茶叶品质关键成分含量的快速、客观检测。目前，茶叶交易市场上红茶产品质量较为混乱，存在以次充好的现象，这给茶叶公平交易和保障消费者权益带来了不良影响。因此，亟需建立红茶质量的快速检测方法，以提升我国茶叶品质的数字化检测手段，规范市场秩序。
红茶品质分析方法主要是感官评审法和理化检测法。感官评审通过视、嗅、味等感觉器官探知茶的色、香、味、形等质量特征，通过评茶人员的感官质量得分来进行评价。检测结果易受评审小组成员的感官敏感程度、审美观念、生理、心理、实践经验等因素的影响，主观性相对较强。茶叶理化检测法主要以国家、地方、行业等标准为参考，检测其主要品质成分含量来评价茶叶品质，该法通常需要借助高效液相色谱、气相色谱、分光光度计等仪器条件实现。一般来说，理化分析结果较为准确，但实验过程较长，样品一般需要前处理，且较为复杂，无法实现多样本组分含量的快速检测。因此，研究和开发一种既准确、稳健，又快速、便捷，能适应加工、质检等环节的红茶质量检测方法显得尤为重要。
目前，利用近红外光谱和高光谱等技术对茶叶主要品质成分进行无损快速检测的研究报道较多。然而由于近红外光谱和高光谱的仪器成本高，不利于实际的应用推广，价格低廉的紫外可见光谱有望成为茶叶质量快速检测技术开发与仪器推广的突破口。但是利用紫外可见光谱技术快速检测红茶水浸出物含量仍鲜有文献报道。文章利用紫外可见光谱技术对国内主要红茶产区(安徽、福建、云南等省份)红茶产品的水浸出物含量进行分析，建立红茶水浸出物含量的定量预测模型，以期为茶叶品质智能检测提供新途径。
01
材料与方法
1、实验材料
实验所使用的材料为2022年秋季的红茶样品共计50个。其中，安徽红茶样品(祥源茶业股份有限公司)16个、云南红茶样品(云南双江勐库茶叶有限责任公司)16个、福建红茶样品(福建正山堂茶业有限责任公司)18个。所选用样品为我国主要红茶产区的茶产品，具有一定的代表性。用粉碎机将红茶样品粉碎，使其粒径大小、均匀度一致。并将所有样品装入自封袋中密封，放在干燥器内，用于进一步的分析。
2、水浸出物含量的测定
红茶样本中水浸出物的含量测定参照GB/T 8305—2013《茶 水浸出物测定》方法执行。每个样本的水浸出物含量检测均重复三次实验，取三次实验结果的平均值作为分析值，供后续建模使用。
3、样品紫外可见光谱采集
取1 g茶样加150 mL的沸蒸馏水，在标准审评杯中冲泡5 min，再取其茶汤1 mL定容在25 mL容量瓶中，作为待测溶液，供后续光谱采集使用。利用日本岛津UV-2700i型紫外可见光谱仪采集待测溶液在200~900 nm内的紫外可见光谱信息，并将谱图信息转化为波长点，用于后续的模型建立。
4、回归系数法
回归系数(Regression coefficient， RC)法是常见的光谱特征波长选择方法之一，该法探讨了变量间的相互关系。由一组或多组因变量，求出回归函数，并拟合各变量间的统计关联度。该函数能近似地反映自变量和因数的关系，即为回归函数。利用RC法对光谱特征进行筛选的具体步骤如下：
1)利用偏最小二乘(Partial least square， PLS)法建立校正集样本回归函数模型，得到每个波长变量对应的RC值，并将其按照降序排列;
2)选择样本波长与RC关系的波谱图上的拐点值(即波形的RC最大/最小值)作为特征波长子集进行PLS法交叉检验，计算得到所有子集所建交互验证模型的交互验证均方根误差(Root mean square error of cross validation， RMSECV)，并逐一剔除变量子集中模型预测能力低的变量，最终优化得到最佳波长。
5、PLS法
PLS算法在食品、农产品快速无损检测领域得到较为广泛的应用。该技术对原始谱图进行主成分分析，描述自变量矩阵X和因变量矩阵Y的信息，有效避免主成分分析中相关有用信息的丢失，并对重叠的光谱峰进行偏差校正，有助于消除光谱峰值的非线性，极大地提高了光谱数据诊断的准确性。研究采用PLS法建立红茶水浸出物的定量分析模型。
6、模型评价
为评判所建红茶水浸出物含量预测模型性能的优劣，研究采用如下参数为模型评价指标：模型的相关系数(Correlation coefficient， R)、RMSECV、预测集中的预测均方根误差(Root mean squared error of prediction， RMSEP)以及偏差(Bias)。其中，R的大小反映了预测值与实测值间的密切程度。RMSECV值和RMSEP值反映了预测值与实测值间的偏离程度。一般来说，R越大，RMSECV和RMSEP越小，模型的性能越好。模型评价指标的计算公式如下：
研究中，RC波长选择算法和PLS建模算法均通过MATLAB 2019b软件实现。
02
结果与分析
1、样品集的划分
实验将所有50份样品划分成两个样品集，即校正样品集和预测样品集。校正集与预测集样品划分方法如下：按照2∶1的比例，将红茶样品随机顺次划分到校正样本集与预测样本集中。得到33份样品作为校正集，用于建立定量模型，余下的17份样品作为预测集，用来验证模型的稳健性。所有50份红茶样品经光谱采集后，按国家标准方法测得其水浸出物含量，得到校正集和预测集样本中水浸出物含量变幅分别为37.54%~42.78%和37.89%~42.23%。可知，校正集样品的水浸出物含量范围涵盖了预测集样品相应含量的变化范围，样品集的划分是合理的。
2、光谱分析
50个红茶样品紫外可见原始光谱如图1所示。在200~400 nm区域的光谱信息较为丰富，为样本光谱有效信息的集中区域，存在较强的吸收。在波长280 nm和波长300 nm附近有明显的吸收峰，在400~900 nm区间光谱走势开始趋于平缓。但由于光谱的区间范围较大，涵盖701个波长，其中的某些波长可能与样品水浸出物的定量模型开发无关。因此，在建立模型前，有必要优选特征波长，以简化模型，提高预测模型的精准度。
3、特征光谱的选择
采用回归系数法对样本紫外可见原始光谱进行特征波长筛选，其筛选结果如图2所示。结果显示，采用回归系数算法对红茶紫外可见原始光谱数据进行特征波段的优化，最终优选出以下九个特征波长，即205 nm、208 nm、219 nm、262 nm、299 nm、351 nm、546 nm、851 nm和856 nm，作为红茶样品水浸出物含量的紫外可见光谱最优特征波长，用于后续的PLS定量模型构建。
4、PLS模型的建立
(1)主成分因子的确定
通常来说，主成分因子数(Principal Component， PC)的选择对模型性能的优劣有重要影响。优选的PC太少，可能会导致提取的光谱信息太少，弱化模型的可靠性。采纳的PC太多，可能使模型引入无用的信息，造成过拟合，从而降低模型的稳定性。研究选择最小的RMSECV值作为模型所需的最佳PC。图3a为红茶样品中水浸出物模型采纳的PC与相应的RMSECV值的关系图。从图3a可以看出，RMSECV值随PC的增加而逐渐减小，当PC为6时，RMSECV处于最低值，此时的PC为最佳的优化结果。图3b是采用RC法对特征波长进行筛选后PC与相应RMSECV的关系图。可以看出，当PC=6时，RMSECV值最低。
(2)模型建立
采用The Unscramber X 10.4软件中的PLS算法在200~900 nm范围对原始光谱进行分段优化分析建模，建立的水浸出物含量的紫外可见光谱定量分析模型，其性能如表1所示。基于原始光谱的校正集PLS模型的R为0.9351，RMSECV为2.500，基于原始光谱的预测集中PLS模型的R为0.9371，RMSEP为1.3009。模型性能一般，可能是由于样品量较少导致模型预测结果准确度不够高。
在RC法对特征波段进行优化后，校正集中PLS模型的R为0.9629，RMSECV为1.9886，预测集中PLS模型的R为0.9668，RMSEP为0.9278。可见，经过特征波长筛选后红茶水浸出物的校正集和预测集定量模型的R均有所增大，RMSECV、RMSEP均有所降低。此外，偏差(bias)可以用于衡量回归模型输出的测定值与国家标准方法实测值之间的差异性结果。表1结果显示，基于RC法优化特征波长建立的PLS预测模型的Bias值仅为0.5075。可见，模型预测值与传统法测定值间的差异较小。这表明，优化后模型的预测效果较好，在简化模型复杂性的同时，有效地提高了其预测准确度。
(3)模型验证
为了评估RC-PLS模型的实际预测效果，利用外部验证的方式对17个预测集样品中的水浸出物含量进行预测与验证，预测统计结果见表2和图4。水浸出物含量预测模型的R大于0.96，表明测量值与预测值间的相关性好。RMSEP值低于1%，表明模型预测能力良好，可用于流通中样品的质量控制。利用配对双边t-检验法对预测数据进行显著性差异分析(表2)结果显示，水浸出物含量的p值大于0.05。显著性水平大于0.05时，紫外可见光谱法与理化检测法无显著性差异。表明两种方法间不存在系统误差。可见紫外可见光谱法快速检测红茶水浸出物含量是可行的。
03
讨论
研究构建了基于紫外可见光谱结合RC特征波长选择和PLS算法的红茶水浸出物含量的快速检测模型。通过RC法优选出同红茶样品水浸出物含量相关的特征波长，最终得到9个特征波段(205 nm、208 nm、219 nm、262 nm、299 nm、351 nm、546 nm、851 nm和856 nm)。建立的RC-PLS模型同基于原始光谱所建的PLS模型相比，其性能更优。在预测集中的RC-PLS模型R为0.9668，RMSEP为0.9278。研究结果表明，利用紫外可见光谱并结合化学计量学方法能够实现红茶水浸出物含量的快速检测，为红茶质量的数字化评价提供了一种新思路。
虽然，紫外可见光谱法对食品、农产品质量成分快速检测是可行的，但该法仍存在一定的局限性。在本研究中，使用的紫外可见光谱仪仅能对液态样品的谱图信息进行采集，且对样品的浓度有一定要求。一般来说，低浓度的样本溶液更适合使用该法进行检测。此外，相比固态样本，液态样本的光谱采集质量会受到溶剂的干扰，对测定的准确度和灵敏度有一定的影响。因此，从实验结果的精确性看，针对粉末样本的光谱采集得到的信息准确性和全面性更好。针对液态样本而言，紫外可见光谱仪操作简便、价格低廉，适用于中小企业技术人员对产品的品控和检验。
当前，快速检测技术在茶叶种植、生产和流通环节的实际应用仍处于初期阶段，尚有不少可挖掘的研究问题，现对该技术未来的发展趋势做如下概述：
(1)以市场需求为导向，研发可用于茶叶品质分析的通用型的模型数据库，提升数据库的利用效率和适用范围，避免同一指标或应用点的多个模型低水平重复开发。
(2)市场上流通的快速检测设备普遍售价较高，普通用户难以承受，大规模推广依旧困难。对于茶叶领域而言，无需追求大而全的仪器，转而发展小而精的微型仪器，最大限度地降低仪器体积及生产成本，提升国产设备的竞争力。
(3)以云平台为核心的实时精准计算控制平台，能够实现数据实时反馈至多台设备共享中心。在未来，构建物联网大数据的云端平台将是快速检测技术在茶叶质量控制应用领域发展的必然趋势。
作者简介：
吴瑞
淮南师范学院食品质量与安全专业在读本科生，从事食品质量安全快速检测技术研究。参与省部级以上科研项目2项，以第一作者发表科研论文2篇。
通讯作者：
任广鑫
淮南师范学院食品工程系讲师，博士，从事食品质量安全快速无损检测技术与装备开发方面的研究。近年来主持和参与省部级以上科研项目8项，以第一作者和通讯作者发表科研论文25篇，其中SCI收录17篇;主持质量工程项目1项。
来源：中国茶叶加工
如涉及版权问题请联系删除
