王 杰，張 瑩，常 睿，陳善敏，袁林穎，鐘應(yīng)富，鄔秀宏，徐 澤

（重慶市農(nóng)業(yè)科學(xué)院茶葉研究所，重慶市茶葉工程技術(shù)研究中心，重慶 402160）

永川秀芽是針形綠茶的典型代表，由重慶市農(nóng)業(yè)科學(xué)院茶葉研究所（原四川省農(nóng)業(yè)科學(xué)院茶葉研究所）自1959年開始研制生產(chǎn)，并于1964年經(jīng)著名茶學(xué)專家陳椽教授指導(dǎo)命名。其具有外形緊圓細(xì)直、色澤鮮潤翠綠、湯色清澈綠亮、香氣鮮嫩高長、滋味鮮醇回甘、葉底嫩勻明亮的品質(zhì)特征[1-2]。

永川秀芽的加工工序主要包括殺青、揉捻、理條（做形）、干燥等[3]。目前已實現(xiàn)了連續(xù)化、機(jī)械化、標(biāo)準(zhǔn)化生產(chǎn)，但在實際加工過程中，仍主要通過人為感知茶葉含水率、色澤等變化，不斷調(diào)節(jié)優(yōu)化工藝參數(shù)。因此，具有一定的主觀性和不確定性。若要精準(zhǔn)獲取在制品的品質(zhì)信息，需要借助理化檢驗的手段，但檢驗過程會耗費大量時間，且需要專業(yè)的實驗技術(shù)人員操作。這顯然無法實時、快速、無損地獲取用于指導(dǎo)生產(chǎn)的品質(zhì)信息，已成為永川秀芽加工技術(shù)實現(xiàn)數(shù)字化、智能化的主要制約因素。

隨著現(xiàn)代檢驗技術(shù)的發(fā)展，電子舌、電子鼻、近紅外光譜、高光譜等新技術(shù)、新裝備被用于測定茶葉化學(xué)成分、判定茶葉品種等級、判別加工工序適度等，逐漸成為茶葉品質(zhì)數(shù)字化評價的常用手段[4-9]。此外，基于不同顏色模型的茶葉智能識別與檢測技術(shù)也受到了廣泛關(guān)注。李莎莎等[10]通過設(shè)計紅茶發(fā)酵葉圖像采集系統(tǒng)，基于RGB直方圖對比算法提出了判別紅茶發(fā)酵適度的方法，判別準(zhǔn)確率可達(dá)到93.2%。Suprijanto等[11]通過提取紅碎茶外形特征（面積、周長、彎曲能）和茶湯顏色特征（紅色通道均值（R）、綠色通道均值（G）、藍(lán)色通道均值（B）），利用直方圖分析法和建立多層感知器神經(jīng)網(wǎng)絡(luò)模型，可實現(xiàn)對紅碎茶品質(zhì)的精準(zhǔn)評價，且準(zhǔn)確率達(dá)到100%。Liang Gaozhen等[12]利用計算機(jī)視覺系統(tǒng)采集紅茶萎凋葉圖像，通過顏色空間變化提取R、G、B、色調(diào)均值（H）、飽和度均值（S）、亮度均值（V）、亮度（L*）、紅綠度（a*）、黃藍(lán)度（b*）以及紋理特征，結(jié)合偏最小二乘（partial least square，PLS）法和支持向量機(jī)建立了萎凋葉的含水率定量預(yù)測模型，為實現(xiàn)紅茶加工的含水率在線監(jiān)測提供了新思路。綜上分析，建立基于顏色、形狀等特征識別和PLS等算法，對于茶葉品質(zhì)評價和工序判別有較高的識別準(zhǔn)確率，具有潛在的應(yīng)用價值。

針對當(dāng)前人為經(jīng)驗判斷和傳統(tǒng)理化檢驗的缺陷，本實驗基于不同顏色模型探究永川秀芽初制過程中的色澤變化，并結(jié)合PLS方法建立在制品的含水率定量預(yù)測模型，以期為實現(xiàn)永川秀芽的數(shù)字化、智能化加工提供理論基礎(chǔ)。

1 材料與方法

1.1 材料

實驗于2021年2月底至4月上旬在重慶云嶺茶業(yè)科技有限責(zé)任公司開展，原料采用福鼎大白茶一芽一葉鮮葉。

1.2 儀器與設(shè)備

CR410便攜式色差計 柯尼卡美能達(dá)（中國）投資有限公司；iPhone 11手機(jī) 美國Apple公司；便攜式攝影棚（80 cm×80 cm×80 cm，配有白色PVC背景布、LED燈片（色溫5 500 K）） 上海春影電子商務(wù)有限公司；DHG-9240A電熱恒溫鼓風(fēng)干燥箱 上海一恒科學(xué)儀器有限公司。永川秀芽初制設(shè)備型號見表1。

表1 永川秀芽初制設(shè)備型號Table 1 Equipment used for the initial production process of Yongchuan Xiuya tea

1.3 方法

1.3.1 永川秀芽初制工序與取樣方法

經(jīng)11 道初制工序后制得永川秀芽毛茶，初制工序及參數(shù)見表2。每道工序結(jié)束后隨機(jī)抽取在制品300～400 g，其中3 g用于測定含水率，其余在制品用于測定色差和采集圖像。本實驗共采集19 批次樣品，總計209 個茶樣，其中校正集樣本140 個，預(yù)測集樣本69 個。毛茶后續(xù)還需經(jīng)復(fù)烘、精制、拼配、包裝等工序后制得成品茶。

表2 永川秀芽初制工序參數(shù)Table 2 Operating parameters for initial production process of Yongchuan Xiuya tea

1.3.2 圖像采集

為保證采集圖像數(shù)據(jù)的一致性、便捷性，特利用手機(jī)和便攜式攝影棚在同一光源條件下采集在制品圖像，并固定手機(jī)與樣品的位置。

現(xiàn)代建筑行業(yè)經(jīng)過多年的發(fā)展，其施工技術(shù)水平和管理理念模式已經(jīng)有了長足的進(jìn)步，不過仍然存在部分建筑企業(yè)施工技術(shù)水平較低，管理模式落后，對于工程項目的模型數(shù)據(jù)共享工作不到位，最終影響到項目成本管理的準(zhǔn)確性。

1.3.3 含水率測定

參照GB 5009.3—2016《食品中水分的測定》中的直接干燥法[13]。

1.3.4 色澤測定

1.3.4.1 CIE LAB顏色模型分量

利用色差計測定在制品的L*、a*、b*，并計算衍生值：色調(diào)彩度（Cab）、色調(diào)飽和度（Sab）、色相（b/a）、色調(diào)角（Hab）。

1.3.4.2 RGB、HSV、HSL顏色模型分量

利用采集的圖像提取R、G、B，并計算衍生值：色彩均值（I）、灰度均值（Gr）；利用RGB顏色模型轉(zhuǎn)換HSV顏色模型，獲取H、S、V；利用RGB顏色模型轉(zhuǎn)換HSL顏色模型，獲取H（與HSV模型中H的含義和轉(zhuǎn)換方法一致）、飽和度均值（s）（與HSV模型中S的含義和轉(zhuǎn)換方法不一致）、明度均值（L）；共計獲取顏色模型分量17 個。

式（1）～（8）中：R’、G’、B’分別為R、G、B的標(biāo)準(zhǔn)化值，取值范圍均為0～1；Vmax、Vmin分別為R’、G’、B’中的最大值與最小值；δ為Vmax與Vmin的差值；r、g、b分別為R’、G’、B’的轉(zhuǎn)換值，取值范圍均為1/2～2/3。

1.4 數(shù)據(jù)處理

利用ImageJ 1.53軟件提取圖像R、G、B值；利用Origin 9.0繪制折線圖；利用SPSS 22.0軟件完成差異顯著性檢驗（Duncan多重檢驗分析，P＜0.05）；利用TBtools 1.068軟件完成熱圖與聚類分析；利用MATLAB 2014a軟件完成PLS分析。

2 結(jié)果與分析

2.1 永川秀芽在制品含水率變化

含水率在永川秀芽初制過程中的變化趨勢見圖1?？梢园l(fā)現(xiàn)，鮮葉攤放結(jié)束時含水率為76.29%，經(jīng)蒸汽熱風(fēng)殺青、烘二青、理條、毛火、足火后，在制品含水率顯著降低，分別為64.44%、55.05%、22.37%、13.31%、9.00%。其原因可能是上述工序的溫度較高，水分散失速率相對較快。與蒸汽熱風(fēng)殺青葉相比，微波殺青葉的含水率略有降低，但差異不顯著。可能是由于微波殺青時間較短（本實驗中微波殺青時間為30～60 s），水分散失速率較慢?；鸾艿萚16]研究發(fā)現(xiàn)，隨著微波殺青的進(jìn)行，在制品的含水率在前90 s緩慢下降，與本實驗結(jié)果較為一致。此外，兩次攤涼、初揉、復(fù)揉結(jié)束時，含水率未發(fā)生顯著變化，說明兩次攤涼、揉捻時溫度較低，對在制品含水率的影響不顯著。

圖1 永川秀芽初制過程中含水率變化Fig.1 Change in moisture content during initial production process of Yongchuan Xiuya tea

2.2 永川秀芽在制品色澤變化

2.2.1 CIE LAB顏色模型分量變化

在CIE LAB顏色模型中，L*值越大表示亮度越高；a*正值為紅色，負(fù)值為綠色，值越大（?。┍硎炯t（綠）色度越高；b*正值為黃色，負(fù)值為藍(lán)色，值越大（?。┍硎军S（藍(lán)）色度越高[17]。另外，由L*、a*、b*值產(chǎn)生了系列衍生指標(biāo)值，其中Cab值越大表示樣品顏色越鮮艷；Sab值越大表示樣品越明亮；b/a中，當(dāng)b*＞0、a*＜0時，值越大表示樣品越綠，值越小表示樣品越黃；Hab的取值范圍為0～360°，0（360°）、90、180、270°分別代表紅色、黃色、綠色、藍(lán)色，90～180°則是由黃色到黃綠色，再逐漸轉(zhuǎn)變成綠色的過程[18-19]。由表3可知，隨著加工過程進(jìn)行，L*值逐漸降低，表明在制品色澤逐漸變暗，且初揉、烘二青、理條結(jié)束時變化顯著。Cab、Sab值總體呈降低趨勢，但前者在復(fù)揉結(jié)束后顯著增加，后者在初揉、復(fù)揉結(jié)束時均顯著增加。a*值在加工中始終為負(fù)，表明在制品色澤以綠色為主；除復(fù)揉外，a*值總體呈上升趨勢，且理條葉的a*值變化幅度最大。b*值在加工中始終為正，表明在制品色澤以黃色為主；除復(fù)揉外，b*值總體呈下降趨勢，且理條葉的b*值降低幅度最大。從攤放開始到復(fù)揉結(jié)束，b/a值的變化幅度并不顯著，且Hab值保持在120°左右，但理條結(jié)束后，b/a值和Hab值均顯著降低，在制品的色澤均顯著變黃?？梢园l(fā)現(xiàn)，在永川秀芽初制過程中，在制品的CIE LAB顏色模型分量均會在理條后發(fā)生顯著變化，主要表現(xiàn)為色澤變暗、變黃。

表3 永川秀芽在制品CIE LAB顏色模型分量變化Table 3 Change in CIE LAB color model components of Yongchuan Xiuya tea

2.2.2 RGB顏色模型分量變化

RGB模型是一種由紅、綠、藍(lán)三原色混合再生成其他顏色的模型，任何一種顏色都可以使用紅、綠、藍(lán)三原色定量表示。在RGB模型中，R值越大表示顏色越紅；G值越大表示顏色越綠；B值越大表示顏色越藍(lán)[20]。另外，由R、G、B值可計算產(chǎn)生I和Gr，其中I值越大表示色彩越明亮；Gr值越大表示黑白圖像的顏色越淺、層次越清晰[21]。由表4可知，在R、G、B這3 個分量中，G值高于R、B值，說明在制品的色澤以綠色為主。隨著加工過程進(jìn)行，雖然R、G、I、Gr值在部分工序結(jié)束后略有增加，但變化均不顯著，總體呈現(xiàn)降低趨勢，且理條后的變化幅度最大，說明在制品的色澤逐漸變暗，紅色度、綠色度和黑白圖像的清晰度均逐漸降低，且理條后的降低幅度最大。從攤放開始到理條結(jié)束，B值未發(fā)生顯著變化，直至毛火、足火結(jié)束，在制品的B值顯著高于攤放葉?？梢园l(fā)現(xiàn)，除B值外，在制品的R、G、I、Gr值在理條結(jié)束后均發(fā)生了顯著變化，且表現(xiàn)為色澤明亮度、紅色度、綠色度等降低。

表4 RGB顏色模型分量變化Table 4 Change in RGB color model components

2.2.3 HSV、HSL顏色模型分量變化

HSV是一種按照人眼對色彩的感知原理構(gòu)建的模型，由H、S、V這3 個分量構(gòu)成，其中H的取值范圍為0～360°，0（360°）、60、120、180、240、300°分別處于紅色、黃色、綠色、青色、藍(lán)色、品紅色位置；S、L的取值范圍均為0～1，值越大表示顏色越鮮艷、色彩越明亮[15]。在HSL模型中，顏色被認(rèn)為是H、s、L的合成，s取值范圍為0～1，值越大表示顏色越鮮艷；L的取值范圍同樣為0～1，值越大表示色彩越明亮[15]。由表5可知，在HSV、HSL模型中，在制品H值的范圍為70～85°，顏色位置在黃色與綠色之間（即表現(xiàn)為黃綠色），且毛火、足火結(jié)束后，H值顯著降低，說明在制品的色澤進(jìn)一步變黃。隨著加工過程進(jìn)行，S、V、s、L值在理條結(jié)束后均顯著下降，表明理條工序會使在制品的色澤明亮度、鮮艷度顯著降低。

表5 HSV、HSL顏色模型分量變化Table 5 Change in HSV and HSL color model components

2.3 含水率、色澤的熱圖與聚類分析

利用TBtools將11 道工序樣品的含水率和17 個顏色模型分量標(biāo)準(zhǔn)化處理后進(jìn)行熱圖與聚類分析，結(jié)果見圖2?？梢园l(fā)現(xiàn)，除a*、B值外，含水率和其余15 個顏色模型分量隨著加工工序的進(jìn)行而降低。使用歐式距離算法和complete linkage聚類方法，可將11 道工序的在制品劃分為兩大類，第1大類又可分為2 個亞類，第1亞類為攤放、蒸汽熱風(fēng)殺青、微波殺青、第1次攤涼和初揉，第2亞類為烘二青、第2次攤涼和復(fù)揉；第2大類也可分為2 個亞類，第1亞類為理條，第2亞類為毛火、足火。從聚類結(jié)果可以看出，受理條工序的影響，第1大類和第2大類樣品的含水率、顏色模型分量差異較大，即在制品的含水率、色澤變化顯著，這與2.2節(jié)結(jié)果一致。結(jié)合4 個亞類結(jié)果還可發(fā)現(xiàn)，烘二青、毛火對在制品的含水率、色澤影響也較為顯著。

圖2 含水率、色澤的熱圖與聚類分析結(jié)果Fig.2 Heatmap and cluster analysis of moisture content and color parameters

2.4 含水率定量預(yù)測模型評價

PLS作為一種在化學(xué)計量學(xué)及其他領(lǐng)域應(yīng)用廣泛的建模方法，它能夠建立兩塊數(shù)據(jù)之間的聯(lián)系，消除冗余數(shù)據(jù)信息，進(jìn)而實現(xiàn)降維的目的[22-23]。采用PLS建立了永川秀芽在制品含水率的定量預(yù)測模型，模型評價結(jié)果見表6，模型預(yù)測值與實際值的散點圖如圖3所示。

表6 含水率定量預(yù)測模型評價結(jié)果Table 6 Performance parameters of quantitative prediction model

圖3 校正集（A）和預(yù)測集（B）含水量的PLS模型預(yù)測值與實際值散點圖Fig.3 Scatter plots for PLS model predicted versus measured moisture content in calibration (A) and predication (B) sets

在PLS模型建立過程中，常采用交互驗證法優(yōu)化模型，以最低的交互驗證均方根誤差（root mean square error of cross-validation，RMSECV）值確定建模的最佳主成分個數(shù)。由表6可知，參與建模的最佳主成分個數(shù)為6 個，校正集、預(yù)測集含水率的取值范圍、均值、標(biāo)準(zhǔn)差（standard deviation，SD）較為接近。結(jié)合圖3可以發(fā)現(xiàn)，實際值與預(yù)測值散點的集中程度較高且分布較為均勻，表明定量預(yù)測模型的效果較好。本實驗選定的模型性能的評價指標(biāo)還包括：校正集相關(guān)系數(shù)（Rc）、RMSECV、預(yù)測集相關(guān)系數(shù)（Rp）、預(yù)測均方根誤差（root-mean-square error of prediction，RMSEP）、相對分析誤差（relative percent deviation，RPD）。通常RMSECV、RMSEP值越小，且Rc、Rp值越大，模型的預(yù)測效果越好，RMSECV、RMSEP間的差值越小，模型的泛化能力越好。RPD為校正集SD與RMSEP的比值，當(dāng)RPD＞2.0時，表明模型具有極好的預(yù)測能力；當(dāng)RPD為1.8～2.0時，表明模型效果較好，可用于樣品的定量分析；當(dāng)RPD為1.4～1.8時，表明模型可對樣品作粗略預(yù)測和關(guān)聯(lián)評估；而RPD＜1.4時，表明模型效果很差，無法應(yīng)用[24]。由表6可知，Rc、Rp分別為0.979和0.980，RMSECV、RMSEP分別為0.044 7、0.044 3，且兩者差值僅為0.000 4，RPD為5.04（＞2.0），說明建立的模型具有極好的預(yù)測能力和泛化能力，可極好地預(yù)測永川秀芽在制品的含水率。

3 結(jié)論

綠茶加工實質(zhì)上是茶鮮葉經(jīng)過殺青、揉捻、干燥等工序逐步失水成型的過程。在制品的含水率會直接影響物理特性與內(nèi)含成分含量的變化，進(jìn)而影響成品茶的感官品質(zhì)。通過建立快速、無損的在制品含水率檢測方法，對優(yōu)化茶葉加工工藝、穩(wěn)定茶葉風(fēng)味品質(zhì)等具有重要意義[25-26]。本實驗探究了永川秀芽初制過程中的含水率和色澤變化，發(fā)現(xiàn)在制品含水率逐漸降低，色澤逐漸變暗、變黃，尤其是理條工序?qū)υ谥破泛?、色澤的影響最為顯著。利用PLS建立了含水率的定量預(yù)測模型，可極好地預(yù)測永川秀芽在制品的含水率。

“智慧茶業(yè)”是未來茶產(chǎn)業(yè)發(fā)展的必然趨勢，茶葉加工技術(shù)的數(shù)字化、智能化轉(zhuǎn)型升級顯得尤為重要[27-28]。本實驗基于4 種不同的顏色模型分量，結(jié)合PLS方法建模，為實現(xiàn)永川秀芽在制品含水率的在線監(jiān)測提供了一種新方法，后期以此為基礎(chǔ)可開發(fā)相關(guān)智能識別方法（軟件），將理論模型用于指導(dǎo)實際生產(chǎn)。此外，我國茶葉種類繁多、工序復(fù)雜，后續(xù)可針對不同種類、不同季節(jié)、不同等級的茶葉在制品進(jìn)行深入探究，以求建立更有廣泛代表性的含水率預(yù)測模型。