近年来，茶叶加工基础理论研究日渐深入，关键工序的工艺特性及在制品理化特征等日益明晰；利用光谱技术、电化学技术、机器视觉技术、电子鼻、电子舌等高新技术手段反映茶叶品质质量的技术方法不断进步；促使茶叶加工技术水平朝着数字化和智能化的方向大步迈进。
一、鲜叶品质质量检测与分级
在茶叶加工过程中，对鲜叶质量等级的判定是确定加工过程技术参数的前提。利用近红外光谱技术，以含水率、粗纤维总量和全氮量作为鲜叶质量的判断依据，建立了茶鲜叶原料质量的在线评价模型，为评价茶鲜叶原料的质量提供了准确、快捷的新方法。
研究人员利用茶鲜叶图像的面积、周长、长轴长度、短轴长度等几何特征，以及图像的对比度、平滑度等纹理特征进行BP神经网络模型的构建，可将茶鲜叶按嫩度等级进行准确分类。通过设计一套茶鲜叶智能分选系统，搭建基于7层结构的卷积神经网络判别模型，可实现茶鲜叶的智能识别和等级分选。
鲜茶叶智能分选系统结构示意图
二、摊放程度分析与检测
摊放是茶叶加工的重要工序，进行摊放过程中摊青叶含水率实时、准确和无损检测，实现摊青叶含水率的在线精准控制，对于茶叶摊放工序的数字化、智能化生产具有重要意义。利用近红外光谱技术提出预测绿茶摊青叶含水率的方法，通过将鲜叶样品近红外光谱全部转化为成对的数据点，利用联合区间偏最小二乘法建立含水率预测模型，可以实现绿茶摊青叶含水率的快速预测。利用近红外光谱技术通过VCPA-GA提取特征波长建立PLSR和支持向量回归预测模型，可以准确无损地预测绿茶摊青叶的含水率，解决了摊青叶含水率定量预测，对绿茶加工设备的数字化具有重要的指导意义。
三、萎凋程度检测与判别
在实际生产中，准确评估萎凋程度是提高红茶品质的前提。将图像和光谱信息融合后分别与线性判别分析法和PLS结合的技术，以光谱和纹理特征值融合数据建立红茶萎凋程度的线性判别模型和儿茶素与氨基酸比值的PLS预测模型，使得萎凋程度判别准确率达到94.64%，此方法可实现对红茶萎凋程度数字化判别。
此外，研究者依靠微型近红外光谱与智能手机相结合，开发了基于Elman神经网络（ENN）的萎凋叶含水率预测模型。该方法通过ENN结合了主成分分析，既可以提取光谱特征，又可以进行动态信息处理，提高了模型的抗干扰能力和训练效率，为预测萎凋叶含水率提供了一种便携、准确、快速、无损的方法。
(a)微型近红外光谱仪；(b)智能手机上的光谱采集接口
四、杀青程度判别与控制
通过对杀青叶含水率的准确判断，可有效检测生产中绿茶的杀青程度。利用可见-近红外光谱和高光谱成像技术，通过对龙井43杀青叶高光谱信息的预处理和特征提取，分别建立含水率的光谱和成像检测模型，从而为实现绿茶杀青叶含水率数字化在线检测提供技术支撑。利用机器视觉对微波杀青过程中在制品的色泽和纹理特征实时监测，通过建立ELM、遗传神经网络、CNN模型可对杀青叶含水率、茶多酚和氨基酸含量进行在线检测，该方法在快速检测茶叶杀青品质和茶叶数字化杀青作业中具有很好的应用前景。
基于机器视觉的茶叶微波杀青中品质变化与预测研究
五、揉捻程度检测与判别
近年来揉捻研究主要集中在揉捻数字化和基础研究等方面，主要包括对揉捻过程中在制品基本物理特性、外观纹理、力学特性、电学特性、光学特性、显微结构及主要化学成分的变化进行了相关研究，经相关分析初步建立了揉捻程度的评价方法及揉捻机数字化控制策略。
六、发酵和渥堆的品质质量检测与程度判别
1.发酵质量检测和程度判别
（1）视觉角度解析发酵品质的方法研究。通过机器视觉技术分析了红茶发酵过程图片信息的RGB、Lab和HSV颜色空间变化规律，以颜色特征参数作为发酵程度模型的输入来建立茶色素的非线性定量预测模型，计算机图像的颜色特征和随机森林模型、SVM非线性算法可对红茶发酵过程中品质指标进行数字化评价。
（2）光学光谱检测理化成分方法研究。该领取近年来主要建立了主要内质成分（茶褐素、茶红素、儿茶素、咖啡碱和可溶性糖）定量预测模型，将红茶不同时期的关键品质指标分布可视化，实时检测红茶发酵过程中关键内质成分的变化状态和分布，为发酵信息的可视化和数字化展现提供技术支撑。
（3）电特性技术在发酵品质检测中的应用。以工夫红茶发酵在制品为研究对象，利用电特性检测技术与化学计量学方法相结合，构建发酵叶茶多酚含量的预测模型，探讨了发酵叶电参数（并联等效电容、损耗因子和电抗）的变化规律，试验表明电特性检测技术可用于红茶发酵过程中茶多酚含量的数字化预测。
电特性信息采集与分析方法流程
（4）多元信息融合技术在发酵品质检测中的应用。提出了基于低成本微近红外光谱和实验室制造的计算机视觉系统进行红茶发酵质量的在线快速检测，建立了PAC-SVM的儿茶素和茶黄素定量预测模型，利用颜色、光谱和数据融合信息对红茶发酵程度进行数字化表征。
2.渥堆质量检测和程度判别
利用近红外光谱仪得到了不同渥堆程度的渥堆原料样品的空间分布图，不同渥堆程度青砖茶渥堆原料样品在空间中没有出现交叉分布的情况，从而实现了渥堆程度的数字化预测。
七、干燥程度检测与判别
将热风干燥过程中的烘干温度、滚筒转速、烘干初始水分、预测时间作为输入，含水率作为输出，分别利用多元线性回归、BP神经网络、Elman神经网络以及粒子群优化的Elman神经网络算法建立烘干过程茶叶含水率预测模型，该方法的优异预测效果对茶叶干燥的数字化作业具有指导作用。
本文节选自《中国茶叶》2022年第8期，P1-8，《茶叶数字化加工技术研究进展》，作者：沈帅，袁海波，朱宏凯，江用文。图片来源于网络。
信息贵在分享，如涉及版权问题请联系删除
