摘要：農業(yè)農村部等多部門聯合發(fā)文，提出要打造茶產業(yè)現代加工體系，推動茶葉加工向數字化、智能化方向轉型升級。本文綜述了電特性、電子鼻、機器視覺、近紅外光譜和高光譜等無損檢測技術在茶葉加工領域應用的研究進展，并總結了目前存在的不足。

關鍵詞：茶葉；加工技術；無損檢測

我國是茶葉生產和消費第一大國，茶產業(yè)在我國經濟發(fā)展中占有重要地位。2021年，農業(yè)農村部等三部門聯合印發(fā)了《關于促進茶產業(yè)健康發(fā)展的指導意見》[1]，提出要打造涵蓋生產、加工、流通等環(huán)節(jié)的茶產業(yè)全產業(yè)鏈。在茶葉加工環(huán)節(jié)，要打造現代加工體系，推進茶葉加工設施裝備的更新升級。近年來，隨著云計算、大數據和人工智能等技術的飛速發(fā)展，電特性、機器視覺、光譜技術等先進無損檢測技術已被應用于茶葉加工過程[2]，并取得了一定的研究成果，為推動茶葉加工方式向數字化、智能化方向轉型升級做出重要貢獻。

1 電特性檢測技術在茶葉加工中的研究及應用

電特性檢測技術是通過測試待測物質電磁特性隨內含成分變化的規(guī)律來實現食品質量檢測的一種無損檢測技術[3]。劉飛等[4]測定不同頻率下的電特性參數，發(fā)現茶葉的電特性參數與含水量之間存在高度相關性，利用逐步回歸分析構建了基于電特性參數的含水量預測模型，進而實現綠茶干燥過程中含水量的快速無損檢測。王盛琳等[5]通過電特性檢測技術與化學計量學方法的結合，發(fā)現并聯等效電容、損耗因子和電抗在低頻范圍（0.05～0.10 kHz）內對茶多酚含量變化最為敏感，基于Z標準化預處理和VCPA-IRIV算法，構建了紅茶發(fā)酵過程中茶多酚含量的預測模型，實現紅茶發(fā)酵中茶多酚含量的快速無損檢測。

2 電子鼻技術在茶葉加工中的研究及應用

電子鼻是利用氣體傳感器陣列的響應圖案來識別氣味的電子系統(tǒng)，被廣泛應用于食品工業(yè)。蔣建軍等[6]

嘗試在不同鍋溫下進行綠茶殺青，并利用PEN3電子鼻收集數據，分析傳感器響應值與綠茶品質之間的關聯，發(fā)現階段變溫控制可顯著提升綠茶的殺青品質，保留較高的茶多酚和氨基酸含量，同時降低了氧化酶活性，實現利用氣味在線檢測技術來優(yōu)化綠茶鍋式殺青過程中的鍋溫控制。徐敏[7]利用電子鼻、電子舌和電子眼的融合技術，基于特征級和決策級融合的分類模型，使得茶葉等級、產地及貯藏期品質的檢測效果得到了顯著提升，準確率超過90%。使用量子粒子群優(yōu)化算法優(yōu)化后的融合特征集，在預測茶葉中兒茶素、茶多酚和咖啡堿含量時，融合信號的R2值均超過了0.97，大幅提高了對茶葉中化合物含量的預測精度。

3 機器視覺技術在茶葉加工中的研究及應用

機器視覺技術是用計算機來模擬人的視覺功能，從客觀事物的圖像中提取信息并理解分析，是一門涉及計算機圖形學、圖像處理、模式識別、人工智能和機器學習等多種技術的綜合性學科，具有快速、無損、經濟和一致等檢測特點。近年來，得益于巨量數據的出現、深度學習的重大進展以及計算能力的快速提升，機器視覺技術得到了飛速發(fā)展。梁高震[8]構建了基于機器視覺的圖像信息采集平臺，選取了18個關鍵的紅茶萎凋葉的色澤和紋理特征參數，發(fā)現色澤特征如R、G、H、S、V、L等與水分變化有顯著的相關性，進而建立了SVR水分含量智能感知模型，還集成了水分在線感知系統(tǒng)，該系統(tǒng)預測水分的時間大約需要40～50 s，且預測值與實測值之間的相關系數R2高達0.9894，實現了工夫紅茶萎凋過程中水分含量的在線快速檢測。吳鑫等[9]利用機器視覺技術實時采集茶葉在微波殺青過程中的色澤和紋理特征，結合ELM、GA-BP和CNN模型進行含水率、茶多酚和氨基酸含量預測，可實現在線監(jiān)測茶葉微波殺青中的品質變化。常春等[10]

選取茶葉的面積、周長、凸殼面積等8個關鍵特征，通過BP神經網絡進行訓練，研制出一款智能鮮茶葉分選機，實現了對茶鮮葉的自動分類，在實驗中展現了高達90%以上的分類準確率，但分揀效率仍需進一步提高。高震宇等[11]采集了各等級茶葉的樣本圖像，搭建卷積神經網絡模型，成功實現了對單芽、一芽一葉、一芽二葉、一芽三葉、單片葉、葉梗等茶葉等級的有效識別和分選，識別正確率高達90%以上，有效解決了傳統(tǒng)分選方法精度不足的問題。

4 近紅外光譜技術在茶葉加工中的研究及應用

近紅外光譜技術是一種介于可見光和中紅外之間的電磁輻射波技術，其波長在780～2 526 nm。這項技術主要通過研究物質在近紅外光照射下所體現出的光譜吸收特性和散射特性，來分析有機物組分和結構的信息，確定組分含量。近紅外光譜技術具有快速、無損、簡便、環(huán)保、重復性好等優(yōu)勢，已被廣泛應用于農業(yè)、食品工業(yè)、環(huán)境科學等諸多領域。

在茶葉加工領域，近紅外光譜技術主要被應用于茶葉的生化成分定量檢測、茶葉等級劃分、發(fā)酵程度控制等方面。吳繼忠等[12]采用便攜式近紅外光譜系統(tǒng)來采集茶葉在干燥環(huán)節(jié)的光譜數據，并運用全光譜偏最小二乘模型（PLS）、遺傳偏最小二乘模型（GA-PLS）以及競爭性自適應加權抽樣偏最小二乘模型（CARS-PLS）進行數據分析，最終發(fā)現，在檢測茶葉干燥過程中的水分含量時，CARS-PLS模型展現出最佳性能，為茶葉干燥品質的智能化監(jiān)控提供了新的方法。董春旺等[13]結合了機器視覺和近紅外光譜技術，采集了105條不同時序下的殺青葉光譜信息和相應的105張圖像信息，利用競爭性自適應權重取樣（CARS）算法提取特征并建立支持向量回歸（SVR）預測模型，實現對綠茶殺青過程中水分含量的快速有效檢測，為綠茶殺青過程的精準控制奠定了理論基礎。胡永光等[14]利用可見-近紅外光譜分析，建立偏最小二乘回歸預測模型，實現綠茶殺青葉料含水率的快速無損檢測。王勝鵬等[15]建立了近紅外光譜數據與茶鮮葉含水量、全氮量和粗纖維含量的相關模型，提出了基于這三個參數的茶鮮葉質量系數方程，開發(fā)了一種利用近紅外光譜技術無損快速評價茶鮮葉原料質量的新方法。王曼等[16]利用近紅外光譜技術，結合偏最小二乘法和人工神經網絡，構建黃山毛峰茶鮮葉中含水率、全氮量和粗纖維含量的定量模型，模型預測精度較高，等級判別率達到93.10%，為茶葉品質快速評價提供了新方法。鄧余良等[17]利用近紅外光譜和化學計量學方法，通過精細的預處理和變量篩選步驟，成功建立了紅茶發(fā)酵中TFs/TRs比值的預測模型，為紅茶發(fā)酵品質的快速評價提供了新方法。寧井銘等[18]利用近紅外光譜技術與人工神經網絡相結合建立模型，能精確區(qū)分不同發(fā)酵階段的普洱茶，效果超越傳統(tǒng)感官評估。

5 高光譜技術在茶葉加工中的研究及應用

高光譜成像技術可以同時獲得樣品的光譜和圖像信息，既能利用圖像信息分析樣品的外部形態(tài)，又能基于光譜信息表征樣品的內部品質，結合了機器視覺和近紅外光譜的優(yōu)勢，在茶葉加工領域也有了一定的應用。孔慶波等[19]通過采集鐵觀音茶葉鮮葉樣本的高光譜數據，構建并驗證了葉綠素含量的估算模型，研究發(fā)現，使用第5、6片葉的DV 640參量構建的模型具有最高的估測精度，達到了93%。李曉麗等[20]結合高光譜成像技術與化學計量學方法，成功建立光譜與EGCG（表沒食子兒茶素沒食子酸酯）濃度的回歸模型，可視化了EGCG在茶葉中的分布。劉翠玲等[21]利用高光譜成像技術采集茶葉的光譜數據，應用二維相關光譜波段篩選算法來提取特征光譜，并結合極限學習機來構建預測模型，顯著提升了茶葉中茶多酚含量預測的準確性和精度。楊崇山[22]將高光譜數據通過SNV預處理、PCA分析以及SPA特征篩選，并配合機器學習算法，建立了能夠精確判別發(fā)酵程度和預測關鍵品質成分（如兒茶素）的模型，實現紅茶發(fā)酵內質信息的可視化。戴春霞等[23]通過采集茶鮮葉的高光譜圖像，并應用四種預處理方法和兩種回歸模型對數據進行分析，確定偏最小二乘回歸模型的預測效果最佳，實現在茶葉加工過程中對茶鮮葉含水率的快速無損檢測。寧井銘等[24]

通過主成分分析法篩選出5個特征波長及其對應的光譜特征值，并提取了這些特征波長圖像的紋理特征值，并結合化學計量學方法建立判別模型，實現了紅茶萎凋程度量化判別。安霆[25]利用光譜與圖像技術，構建了紅茶萎凋水分的感知模型，通過預處理和特征波段篩選，優(yōu)化了模型的預測精度，從而實現了萎凋葉水分的快速無損檢測與可視化。

6 結語

綜上所述，無損檢測技術在茶葉加工中主要應用于以下場景：（1）殺青、萎凋、干燥等加工環(huán)節(jié)中茶葉的水分及其他化合物含量的檢測；（2）茶鮮葉的分級分類；（3）紅茶、普洱茶等發(fā)酵茶的發(fā)酵程度判別。通過以上應用，可實現對茶葉加工過程的實時監(jiān)控和優(yōu)化，提升成品茶質量的穩(wěn)定性和統(tǒng)一性。但是，這些應用目前還存在如下問題：（1）部分技術對操作環(huán)境要求較高，還處于實驗室數據階段，尚未真正應用于茶葉加工現場；（2）基于茶葉本身的多樣性和復雜性，大部分研究結果僅適用于所研究的樣品茶，普適性不強；（3）目前的設備主要依靠先進的硬件和復雜的算法，成本較高，對于中小規(guī)模的茶企來說，投資回報周期長，普及率有限?？偟膩碚f，無損檢測技術在茶葉加工中的應用尚處于起步階段，具有很大的發(fā)展?jié)摿Α?/p>

參考文獻

[1] 中華人民共和國農業(yè)農村部.關于促進茶產業(yè)健康發(fā)展的指導意見[EB/OL].www.moa.gov.cn/nybgb/

2021/202110/202112/t20211208_6384205.htm.，2021-12-08.

[2] 沈帥，袁海波，朱宏凱，等.茶葉數字化加工技術研究進展[J].中國茶葉，2022，44（8）：1-8.

[3] Shyam Narayan J，Narsaiah K，et al.Measurement

techniques and application of electrical properties

for nondestructive quality evaluation of food [J].J Food Sci Technol，2011，48（4）：387-411.

[4] 劉飛，葉陽，董春旺，等.基于電特性參數的綠茶干燥過程在制品含水量變化規(guī)律研究[J].中國農機化學報，2014，35（2）：94-98.

[5] 王盛琳，楊崇山，劉中原，等.基于電特性的紅茶發(fā)酵中茶多酚含量快速檢測方法[J].茶葉科學，2021，41（2）：251-260.

[6] 蔣建軍，李臻峰，宋飛虎.基于氣味在線檢測的綠茶鍋式殺青系統(tǒng)研究[J].食品與機械，2021，37（2）：111-118.

[7] 徐敏.基于電子鼻、電子舌和電子眼融合技術對龍井茶品質的檢測[D].杭州：浙江大學，2020.

[8] 梁高震.工夫紅茶萎凋機水分在線感知系統(tǒng)的研究[D].石河子：石河子大學，2019.

[9] 吳鑫，宋飛虎，裴永勝，等.基于機器視覺的茶葉微波殺青中品質變化與預測研究[J].茶葉科學，2021，41（6）：854-864.

[10] 常春，陳怡群，肖宏儒，等.基于神經網絡圖像分析的智能鮮茶葉分選機[J].中國農機化學報，2013，34（1）：137-141.

[11] 高震宇，王安，劉勇，等.基于卷積神經網絡的鮮茶葉智能分選系統(tǒng)研究[J].農業(yè)機械學報，2017，48（7）：53-58.

[12] 吳繼忠，王新宇，藍黃博恩，等.茶葉干燥過程水分含量的近紅外光譜檢測方法研究[J].農產品加工，2018（9）：44-47.

[13] 董春旺，劉中原，楊明，等.基于多源信息融合的綠茶殺青葉水分含量智能感知方法[J].食品科學，2022，43（20）：242-251.

[14] 胡永光，陳培培，趙夢龍.綠茶殺青葉料含水率可見-近紅外光譜檢測[J].農業(yè)機械學報，2013，44（8）：174-179.

[15] 王勝鵬，宛曉春，林茂先，等.基于水分、全氮量和粗纖維含量的茶鮮葉原料質量近紅外評價方法[J].茶葉科學，2011，31（1）：66-71.

[16] 王曼，張正竹，寧井銘，等.基于近紅外光譜的黃山毛峰茶鮮葉品質分析及等級快速評價[J].食品工業(yè)科技，2014，35（22）：57-64.

[17] 鄧余良，胡強，夏康炎，等.基于近紅外的紅茶發(fā)酵中TFs/TRs評價模型研究[J].現代農業(yè)裝備，2019，40（4）：64-70.

[18] 寧井銘，宛曉春，張正竹，等.近紅外光譜技術結合人工神經網絡判別普洱茶發(fā)酵程度[J].農業(yè)工程學報，2013，29（11）：255-260.

[19] 孔慶波，張青，章明清，等.基于高光譜參量茶葉葉綠素含量估算模型研究[J].福建農業(yè)科技，2014（1）：27-29.

[20] 李曉麗，魏玉震，徐劼，等.基于高光譜成像的茶葉中EGCG分布可視化[J].農業(yè)工程學報，2018，34（7）：180-186.

[21] 劉翠玲，朱銳，徐金陽，等.基于高光譜成像技術快速檢測茶葉茶多酚含量[J].食品安全質量檢測學報，2022，13（17）：5504-5510.

[22] 楊崇山.基于高光譜的紅茶發(fā)酵品質信息檢測技術研究[D].石河子：石河子大學，2021.

[23] 戴春霞，劉芳，葛曉峰.基于高光譜技術的茶鮮葉含水率檢測與分析[J].茶葉科學，2018，38（3）：281-286.

[24] 寧井銘，孫京京，朱小元，等.基于圖像和光譜信息融合的紅茶萎凋程度量化判別[J].農業(yè)工程學報，2016，32（24）：303-308.

[25] 安霆.基于光譜與圖像的紅茶萎凋水分感知模型研究[D].石河子：石河子大學，2020.