茶叶及制品中茶多酚含量检测方案

河南农业大学学报Journal of Henan Agricultural University第46卷 第3期2012年 6月Vol. 46 No. 3Jun. 2012 第3期张红梅等：茶叶中茶多酚含量电子鼻技术检测模型研究303 文章编号：1000-2340(2012)03-0302-05 茶叶中茶多酚含量电子鼻技术检测模型研究 张红梅，田 辉，何玉静，常粉玲，余泳昌 (河南农业大学机电工程学院，河南郑州450002) 摘要：为探索茶叶茶多酚含量的快速检测方法，利用电子鼻技术对3个品质等级信阳毛尖茶的挥发性气味进行了研究.采用多元线性回归、二次多项式逐步回归分析和BP神经网络分别建立传感器信号和信阳毛尖茶的茶多酚含量之间的预测模型，并用测试集样本对模型进行验证.试验结果表明，3种模型茶多酚含量预测值与实测值之间的相关系数分别为0.86，0.90和0.92；预测标准误差分别为0.61，0.5和0.14；平均误差分别为2. 5% ，1.5%和1.0%.3种建模方法对茶多酚含量的预测结果都很好，最优模型为BP神经网络.研究结果表明电子鼻技术结合有效地模式识别方法可以用于茶叶理化成分的快速检测. 关键词：电子鼻；信阳毛尖茶；茶多酚；多元线性回归；二次多项式回归；BP神经网络 中图分类号：TP212.6 文献标志码：A Testing models for tea polyphenol content based onelectronic nose techonlogy ZHANG Hong-mei，TIAN Hui， HE Yu-jing，CHANG Fen-ling， YU Yong-chang (College of Mechanical and Electrical Engineering， Henan Agricultural University， Zhengzhou 450002， China) Abstract： In order to explore the rapid detection method of tea polyphenols content the electronic nosetechnology was used to evaluate three different grades of Xinyangmaojian tea. The relationship betweensensor signals and content of tea polyphenols for Xinyangmaojian tea was developed using the multipinelinear regression(MLR)， quadratic polynomial step regressin(QPSR) and BP network respectively.And they were validated by prediction set. The correlation coefficient between predicted content of teapolyphenols measured by one of these models was 0.86， 0.90 and 0. 92 respectively； standard errorprediction 0.61， 0.5 and 0.14 respectively； the average error was 2.5%，1.5% and 1.0%. And BPnetwork was the best method compared with MLR and QPSR. The results showed that electronic nosetechnology combined with effective pattern recognition method can be used for the rapid detection ofchemical components of tea. Key words：electronic nose； Xinyangmaojian tea； tea polyphenols； multipine linear regression； quad-ratic polynomial step regression； BP network 绿茶的特性决定了它较多的保留了鲜叶内的天然物质.其中茶多酚、咖啡碱保留了鲜叶的85%以上，叶绿素保留约50%，维生素损失也较少，从 而形成了绿茶具有清汤绿叶，滋味收敛性强的特点.绿茶中茶多酚的含量较高，茶多酚是形成茶叶色香味的主要成分之一，也是茶叶中有保健功能的 ( 基金项目：中国博士后基金项目(2009046054)；中国博士后基金特别资助项目(201003396)；河南省教育厅自然科学基金项目 (2009B210017) ) ( 作者简介：张红梅，1977年生，女，河南平舆人，副教授，博士，主要从事电子鼻系统的应用与开发. ) ( 通讯作者：余泳昌，1955年生，男，河南杞县人，教授. ) 主要成分之一.茶多酚常规的检测方法有酒石酸亚比色法、高锰酸钾滴定法和高效液相层析法(HPLC)等.这些方法不仅周期长、费用高、易产生污染.很难应用于实际检测在线分析、快速测定和无损检测等.因此研究绿茶品质成分的快速准确测定方法具有重要的现实意义.近年来，随着电子鼻技术的兴起，出现了一种通过气味来评价茶叶品质的快速无损新方法.电子鼻采用了人工智能技术，实现了由仪器“嗅觉”对产品进行客观分析1.YANG 等12.检测日本绿茶中浓缩香豆素的含量以及其独特的香气，结果表明电子鼻技术结合主成分分析和聚类分析方法能正确识别7个不同香豆素含量的茶叶样本. CHEN 等3利用电子鼻技术结合模式识别技术成功的对绿茶品质进行了检测.于慧春等[4.5]采用电子鼻技术以5组不同等级的茶叶、茶水、叶底以及4个不同等级的龙井茶为研究对象，对茶叶品质进行了系统研究.DUTTA 等)利用电子鼻技术对5种不同加工工艺的茶叶进行分析和评价，结果表明采用RBF的模式识别方法时，可以100%区分5种不同加工工艺的茶叶.NA-BARUM等用电子鼻技术对红茶发酵过程中的气味进行实时监测，以便预测最佳的发酵时间，避免发酵时间不当影响成品茶叶品质.张红梅等利用气敏传感器阵列对3个等级的信阳毛尖茶进行了检测，结果表明利用茶叶气味可以对信阳毛尖茶等级进行区分.近年来也有一些新技术用于茶叶的品质和内部成分的定性检测.刘辉军等9利用近红外光谱技术检测了茶叶的茶多酚含量.耿响等110用利红近红外光谱模型对茶叶咖啡碱进行了定性预测.李晓丽等11建立了一种基于漫反射光谱的初制绿茶含水率无损检测方法.张红梅等112!利用电子鼻技术对绿茶的咖啡碱含量进行检测.本研究将电子鼻技术用于茶叶的茶多酚含量的快速检测，以更为茶叶品质和茶多酚快速检测提供一种快速有效地方法. 材料与方法 1.1 试验材料 茶叶样品来自河南信阳同一茶园和采用同一加工工艺的2010年清明前信阳毛尖炒青茶，共有3个品质等级，3个等级茶叶为2010年春季采采，1级1芽2叶初展；2，3级1芽2叶为主，兼采2叶嫩对夹叶.分别命名为 T1，T2 和T3：T1为1级茶叶、T2为2级茶叶、T3为3级茶叶.对3个等级的信阳毛尖茶各取30个样品，每个样品5 g.这些样品分 别被盛放在500 mL烧瓶内，用保鲜膜密封后，置于25℃左右的室内，60 min 后进行电子鼻顶空取样.待测茶叶样本的挥发气味在传感器阵列室内与传感器阵列反应，产生电信号，通过采集电路把数据采集到计算机进行处理. 1.2 化学成分测定 茶多酚的测定采用GB 831387《茶茶多酚测定》，酒石酸亚铁比色法. 1.3 电子鼻 试验是用德国 Airsense 公司的 PEN2 电子鼻，这一电子鼻包含有10个金属氧化物传感器组成的阵列.10个传感器名称分别为 W1C，W5S，W3C，W6S，W5C， W1S，W1W， W2S， W2W 和 W3S，按顺序依次表示为 S1 ~S10.传感器对不同的化学成分有不同的响应值.响应信号为传感器接触到样品挥发物后的电导率G与传感器在经过标准活性碳过滤气体的电导率G，的比值.测量时记录10个不同选择性传感器的G/G，比值，作为进一步统计分析的数据.每次测量前后，传感器都进行清洗，这有效地保证了电子鼻测量数据的稳定性和精确度.结合电子鼻自带 WinMuster 软件对数据进行采集、测量和分析.仪器组成主要包含：传感器通道、采样通道、计算机.该电子鼻具有自动调整、自动校准及系统自动富集的功能.本试验研究中，检测时间设定为60 s，清洗时间设置为90 s，可以基本使传感器响应恢复到初始状态. 1.4 模型的建立和评价 为了能够找到较好的预测模型，分别建立了电子鼻传感器阵列响应信号和茶多酚含量之间的多元线性回归模型、二次多项式逐步回归模型和BP网络模型.并以茶多酚含量的预测值和实测值之间的相关系数、预测标准误差和平均误差百分比为指标进行比较，以便找到能很好预测茶多酚含量的预测模型. 2 结果与分析 2.1 毛尖茶茶多酚的检测 茶多酚(Tea polyphenols)是茶叶中多酚类物质的总称，包括黄烷醇类、花色苷类、黄酮类、黄酮醇类和酚酸类等.茶多酚是茶叶中的重要化学成分，与茶叶品质有密切关系，对人体也具有重要生理活性，具有抗氧化作用，对心血管疾病，癌症都有良好抑制作用[13].图1所是是3个等级的信阳毛尖茶茶多酚含量.从图1可以看出，茶叶等级越高，茶多酚含量越高. 图1 不同等级信阳毛头茶叶的茶多酚含量 Fig.1 Tea polyphenol content of different gradesof Xinyangmaojian tea 2.2 气敏传感器阵列对茶叶气味的响应 图2所示是传感器阵列对1级茶叶的响应曲线.从图2可以看出，传感器 S2对茶叶气味反应比较大，响应值也比较大.传感器 S6，S7，S8 和S9正向偏离1，响应值有所增强.传感器 S1，S3 和S5负向偏离1，信号有所变化.传感器 S4 和S10响应值基本没有变化，所以去掉 S4 和 S10这2个传感器响应信号，其余的8个传感器信号用于数据分析.从图2可以看出，传感器的响应值在50s之后趋于 图2 10个传感器对1级茶叶的响应 Fig.2 Response curves of 10 sensors to teasamples of grade 1 稳定.为了便于数据处理和正确区分，对每条响应曲线进行了特征提取，特征值选取为响应曲线的稳定值.因为稳定值反映了气敏传感器对茶叶响应的最终值，体现了主要特征，因此选择60s时刻的响应信号用于数据分析. 2.3 .模型的建立 2.3.1 多元线性回归模型(MLR) MLR分析计算方法见文献[14].将8个传感器对茶叶的响应信号作为自变量，化学成分茶多酚含量分别作为因变量.电子鼻系统所测的3个品质的茶叶：每个等级30个样品共90个数据，从每个等级茶叶所测数据中随机抽取25个共75个作为训练集用于建立回归模型，剩余的15个作为测试集用于对所建模型进行验证. 运用多元线性回归分析方法得到的茶多酚含量回归模型为： 式中：TP表示茶叶化学成分茶多酚的含量；x1~x，分别表示 S1~S， 传感器的信号. 对回归方程进行检验，回归方程(1)显著性检验F值为45.14，显著水平 P <0.01，相关系数为0.90，方程中各个回归系数的偏相关系数显著水平也小于0.01.说明所建的回归方程是是有效的. 建立的MLR 模型预测茶多酚含量与实测茶多酚含量关系如图3所示.训练集与测试集的实测和预测茶多酚含量的相关系数、预测标准误差和平均相对误差分别为0.90，0.42，1.2%和0.86，0.61， 2.5% 图3 茶叶中茶多酚含量多元线性回归模型预测值与实测值的相关关系 Fig.3 The relationship between the predicted and measured values of tea polyphenol contentusing the multipine linear regression model 2.3.2 二次多项式逐步回归模型(QPSR) 采用二次多项式逐步回归方法建立传感器信号与茶叶 茶多酚含量之间的非线性关系.即把正交试验和回归分析有机结合起来，在正交试验的基础上利用回 归分析，在给出的因素和指标之间，找到一个明确的函数表达式.在处理数据矩阵时，除原始数据外还自动生成包含数据的二次多项式.利用训练集建立的二次多项式回归模型为： 对回归方程进行检验，回归方程(2)显著性检验F值为113.33，显著水平 P<0.01，相关系数为 0.92，方程中各个回归系数的偏相关系数显著水平也小于0.01.说明所建的回归方程是是有效的. 建立的二次多项式回归模型预测茶多酚含量与实测茶多酚含量关系如图4所示.训练集与测试集的实测和预测茶多酚含量的相关系数、预测标准误差和平均相对误差分别为 0.94，0.11，0.99%和0.90，0.5，1.5%.二次多项式回归对茶叶中茶多酚 图4 茶叶中茶多酚含量二次多项式回归模型预测值与实测值的相关关系 Fig.4 The relationship between the predicted and measured values of tea polyphenol contentusing the quadratic polynomial step regression model 含量有很好的预测结果. 2.3.3 BP神经网络模型 网络结构的设计，首先需要获得网络的输入和目标样本.本研究试验样品是3个等级的茶叶，每个样品有30个重复共有90组，75组作为训练集，15组作为测试集.传感器阵列是由8个传感器组成.茶叶茶多酚含量检测结果作为网络的输出.采用1个具有2个隐含层 BP网络，输入特征向量的分量数即8个传感器的响应.所以本研究的BP网络结构是：输入层有8个神经元，2个隐含层都有17个神经元，最小训练速率取0.9；动态参数取0.6；允许误差取为0.000 01；Sigmoid 参数取为0.9，该参数调整神经元激励函数形式.最大迭代次数取为5 000. 通过对传感器阵列数据的 BP网络训练，并用训练集和测试集带人网络进行模拟.建立的BP模型预测茶多酚含量与实测茶多酚含量关系如图5所示.训练集与测试集的实测和预测茶多酚含量的相关系数、预测标准误差和平均相对误差分别为0.96，0.09，0.99%和0.92，0.14，1.0%.BP网络对茶叶中茶多酚含量有很好的预测结果.表明系统对茶叶茶多酚含量的检测具有很高的定量分析精度. 图5 茶叶中茶多酚含量BP网络模型预测值与实测值的相关关系 Fig.5 The relationship between the predicted and measured values of teapolyphenol content using the BP net 2.4 MLR，QPSR 和BP网络模型比较 分别采用 MLR， QPSR 和 BP神经网络3种建模方法建立了基于气敏传感器信号的信阳毛尖茶 茶多酚含量预测模型.利用相关系数、预测标准误差 SEP 和平均误差百分比为评价指标，三者对测试集的预测结果如表1所示.由表1可知，3种建 表1 不同模型预测结果比较 Table1 Predicted results comparison of different models 模型 相关系数 预测标准误差 平均误差 Correlation Standard error 百分比/% Model coefficient prediction Average error MLR 0.86 0.61 2.5 QPSR 0.90 0. 50 1.5 BP 0.92 0.14 1.0 模方法对测试集的预测结果都很好，相比之下非线性建模方法二次多项式回归和BP神经网络的预测结果要优于 MLR 方法的预测结果.3种建模方法中BP神经模型的预测效果最好，具有最大的相关系数、最小的预测误差百分比和最小的相对误差百分比.说明采用非线性方法来建立因素与指标之间的关系，能够反映二者之间复杂的非线性关系以及因素之间的交互作用.3种模型中BP神经网络模型的相关系数最大，预测标准差最小，相对误差百分比最小.由此可以确定，对于本研究中信阳毛尖茶品质的电子鼻分析中，最优模型为BP神经网络. 3 结语 1)测试结果表明3个品质茶叶的茶多酚含量从1级到3级依次降低，说明所测样品中的茶多酚含量与品质呈显著的正相关.根据传感器阵列对茶叶香气的响应曲线，去掉2个响应不显著的传感器S4 和S10，选择其余的8个传感器在60 s时刻的响应信号用建模分析. 2)采用多元线性回归、二次多项式回归分析和BP神经网络分别建立传感器信号和信阳毛尖茶的茶多酚含量之间的预测模型.3种建模方法对茶多酚含量的预测结果都很好，但最优模型为BP神经网络.基于气敏传感器阵列所建立的BP 神经网络可以快速预测茶叶中茶多酚的含量.从而为茶叶品质的快速检测提供了一种新的检测方法. 3)在建模效果最好的 BP 网络模型中，对于训练集和测试集茶多酚含量的预测值和测试值的相关系数、预测标准误差和平均误差百分比分别为0.96，0.09，0.99%和0.92，0.14，1.0%.结果表明电子鼻技术结合有效地模式识别方法可以用于茶叶理化成分的快速检测. ( 参考文献： ) ( 现状及趋势[J].茶叶科学，2004，24(2)：82-85. ) ( 2 YANG ZY， D O NG F， SHIMIZU K， et al . Identification of coumarin-enriched Japanese green teas and t heirparticular flavo r using electroni c nose [J]. J ournal o fFood Engineering， 2009 ， 92： 3 12-316. ) ( [3] CHEN Q S， ZHAOJW， CHENZ， et al. Discrimina- tion of green tea quality using the electronic nose tech-nique and t he h uman panel test， comparison o f linearand nonlinear e l assification t ools [J]. Sensors and A c tu- ators B， 2011，159 ： 294-300. ) ( [4] 于慧春，王 俊.电子鼻技术在茶叶品质检测中的应用研究[J].传感技术学报，2008，21(5)： 748 -752. ) ( [5] 于慧春，王 俊，张红梅，等.龙井茶叶品质的电子 鼻检测方法[J].农业机械学报，2007，38(7)：103 -106. ) ( [6] DUTTA R， HINES E L， GARDNER J W， et al. T e a quality prediction using a tin o xide-based e l ectronicnose： an artificial intelligenc e approach[J] . S ensorsand Actuators B， 2003， 94：228-237. ) ( [7] NABARUN B， BIPAN T， ARUN J，et al. Pr e emptive identification o f optimum fermentation time for black teausing electronic nose [J]. Sensors and A c tuators B ， 2008，99：110-116. ) ( [8] 张红梅，高献坤，徐国强，等.基于气敏传感器阵列的茶叶等级检测方法研究[J].河南农业大学学报， 2010，44(2)：176-179. ) ( 9 刘辉军，吕 昌 进.，张维刚，等.茶叶中茶多酚含量的近红外光谱检测模型研究[J].红外技术，2007， 29(7)： 4 29-432. ) ( [10]耿 响，陈 斌，叶 静，等.茶叶咖啡碱近红外光 谱模型简化方法[刀].农业工程学报，2009，25(10)： 345-349. ) ( [11]李晓丽，程术希，何 勇.基于漫反射光谱的初制绿茶含水率率损检测方法[Ⅰ].农业工程学报，2010， 26(5)：195-201. ) ( [12]张红梅，王 俊，余泳昌，等，基于电子鼻技术的信阳毛尖茶咖啡碱检测方法{J].传感技术学报， 2011，24(8)：1223-1227. ) ( [13]郭桂义，胡 强，刘 黎，等，信阳毛尖茶春季不同时期化学成分与品质的变化[J].河南农业科学， 2007(12)：48-50. ) ( [14] 张红梅.基于气敏传感器阵列的几种农产品品质检测研究[D].杭州：浙江大学，2007. ) ( (责任编辑：蒋国良) ) 数据