关键词:
红茶揉捻
茶色素含量
机器学习
机器视觉
近红外光谱
摘要:
揉捻是工夫红茶加工的关键环节,有助于工夫红茶的颜色变化和品质形成。颜色变化作为揉捻过程的重要感官指标,直接影响制茶师对揉捻程度的判断和茶叶品质的把控。茶黄素、茶红素和茶褐素等水溶性色素物质的产生是工夫红茶揉捻叶颜色变化的主要原因,其含量也会影响成品茶的风味品质。因此,本研究首先基于工夫红茶揉捻叶的颜色特征变化,使用机器视觉技术建立可以区分不同揉捻程度的分类模型,然后在明确区分不同程度揉捻叶的最佳颜色特征组合基础上,利用机器视觉技术、近红外光谱技术和传感器信息融合技术进一步探究揉捻过程中茶色素含量的预测方法。本研究不仅建立了区分不同程度工夫红茶揉捻叶的客观分类方法,还为实现工夫红茶揉捻过程中茶色素含量的快速无损检测提供方法基础,以促进红茶加工的精准化和数字化。本文研究结论如下:
(1)基于机器视觉技术的工夫红茶揉捻程度的分类与识别。首先利用便携式色差仪和机器视觉系统分别采集工夫红茶揉捻过程中样本的颜色外观指数和图像,并从图像中提取RGB(R:红色,G:绿色,B:蓝色)、HSV(H:色调,S:饱和度,V:明度)和La*b*(L:亮度,a*:红绿色度,b*:黄蓝色度)这3个色彩模型中的9个颜色特征变量。其次利用支持向量机和随机森林算法建立基于颜色信息的工夫红茶揉捻程度分类模型,经过对比讨论以及对上述9个颜色特征变量的筛选,确定了可以有效区分工夫红茶揉捻程度的最佳颜色特征组合为B-S-a*。最终利用该组合建立的基于径向基核函数的支持向量机模型和随机森林模型均取得了最佳分类效果,分类整体准确率均可达到97.5%,可以较好地实现工夫红茶揉捻叶的程度分类。
(2)基于机器视觉技术的工夫红茶揉捻过程茶色素含量预测。首先使用机器视觉技术提取不同揉捻时间下揉捻叶样本图像中的平均颜色特征信息,并利用系统分析法测定了相对应样本的茶色素含量。其次采用皮尔逊相关性分析讨论了颜色特征信息与茶色素含量间的相关性,同时利用数据标准化(Z-score)和主成分分析(PCA)分别消除原始图像数据中存在的量级差异和冗余信息。最后使用极限学习机(ELM)建立了本节中基于图像特征的茶色素含量定量预测的最佳模型。Z-score-PCA-ELM模型对茶黄素、茶红素和茶褐素含量的预测结果中预测集的相关系数(Rp)值分别为0.9684、0.9606和0.9619。相对标准偏差(RPD)值也均大于3.5。数据表明机器视觉技术可以用于实现对工夫红茶揉捻过程中茶色素含量的预测分析。
(3)基于近红外光谱技术的工夫红茶揉捻过程茶色素含量预测。首先使用微型近红外光谱仪收集不同揉捻时间下样本的近红外光谱,并采用光谱预处理算法消除光谱中可能存在的误差。其次运用特征波长筛选算法确定光谱经过不同预处理后与茶黄素、茶红素和茶褐素相关的特征波长,旨在消除光谱中的无关变量。进而确定基于标准正态变换结合模型自适应空间收缩法的支持向量回归模型(SNV-MASS-SVR)为本节中预测茶黄素含量的最佳模型,该模型的Rp值为0.9591;确定基于一阶导数法结合MASS算法的ELM模型(S-G-1st-MASS-ELM)为本节中预测茶红素含量的最佳模型,该模型的Rp值为0.9494;确定基于SNV结合竞争性自适应重加权法的ELM模型(SNV-CARS-ELM)为本节中预测茶褐素含量的最佳模型,该模型的Rp值为0.9607。结果表明,本节提出的技术方法可以有效提高微型近红外光谱仪在工夫红茶揉捻实践中的应用性。
(4)基于传感器信息融合的工夫红茶揉捻过程茶色素含量预测。首先同时应用上述(2)和(3)中的图像信息和光谱信息,并采用低级和中级数据融合两种方式,将相应的传感器信息融合。并通过偏最小二乘回归(PLSR)、SVR和ELM对融合后的数据信息进行结果评价。相较之下,中级数据融合方式更具优势,不仅使特征信息互补,还尽可能地消除了无关信息。最终建立的基于中级数据融合方式的ELM模型为本研究预测茶色素含量的最佳模型,信息融合模型对茶黄素、茶红素和茶褐素含量的预测结果中预测集的Rp值均大于0.9800,且RPD值均大于5。数据表明,传感器特征信息融合后对茶色素含量的可预测性优于使用单一的图像信息和光谱信息。多传感器信息的应用在红茶智能化加工领域中具有较好的发展前景,可以为红茶数字化技术提供新视野。