茶叶中产品品质检测方案(感官智能分析)

传感技术学报CHINESE JOURNAL OF SENSORS AND ACTUA TORSVol.21 No.5MAY.2008第21卷 第5期2008年5月 第5期于慧春，王 俊：电子鼻技术在茶叶品质检测中的应用研究749 Tea Quality Detection Basic on Electronic Nose YU Hui-chun 2，WANGJun 1. Department of Biosystems Engineering， Zhejiang University， 268 Kaixuan Road， Hangzhou 310029， China； 2.Food and Bioengineering Department， Henan University of Science and Technology， 48， Xiyuan Road， Luoyang 471003， China Abstract ：The electronic nose (e-nose) was applied in the tea quality classification ， the volatile componentsof dry tea leaf， tea beverage and wet tea leaf (the dry tea leaf was brewed up， the water and the wet tealeaf were separated) were detected by the e-nose..The collected data were analyzed by principle compo-nents analysis (PCA) in order to reduce data dimension and optimize feature vectors.TThe linear discrimi-nation analysis (LDA) and BP-neural network were applied in discrimination of different tea quality. Theresults showed that the results of LDA and BP-neural network were accordant， and only some samples ofthe tea T60 and the tea T100 were classified incorrectly. The analytical result of the tea beverage was bet-ter than tho se of dry tea leaf and wet tea leaf using the two methods. Key words ：tea ， electronic nose ；principle components analysis ；linear discrimination analysis ；BP-neural net-work EEACC：7230L 电子鼻技术在茶叶品质检测中的应用研究* 于慧春，王 俊* 1.浙江大学生物系统工程与食品科学学院，杭州310029；2.河南科技大学食品与生物系统工程学院，洛阳471003 摘 要：以电子鼻作为检测手段，对同类不同等级的茶叶、茶水和茶底挥发性成分进行检测，并对采集到的数据进行分析。首先通过主成分分析进行特征提取来压缩数据维数，减少数据计算量，进而优化特征向量。然后采用线性判别和BP神经网络的方法对茶叶的不不等级进行分类判别。结果显示，误判样本都发生在 T60和 T100之间，两种判别方法结果比较一致。相对于茶叶和茶底，以各等级茶水为研究对象时，两种方法对茶叶品质等级的判别及测试结果相对都比较好。 关键词：茶叶；电子鼻；主成分分析；线性判别；BP神经网络 中图分类号：TP212 文献标识码：A 文章编号：1004-1699(2008)05-0748-05 一直以来，对于茶叶品质的评定，国内外至今均普遍采用的是感官审评法。而感官审评法往往受评茶师个人的经验、心理与生理等因素的影响，难以获得一致的评定结果。对品茶师的要求很高，既要求品茶师有丰富的经验，又要求其不受任何主要因素的影响。因此，相关工作者正致力于寻求一种能辅助或取代感官审评的茶叶品质评审方法21. 气味在茶叶品质分析中占有重要地位，反映了茶叶品质的变化，但是评定茶叶香气组分与茶叶品 质的关系，受到人为的嗜好和感官的限制3。因为茶叶的各种香型，只是人的嗅觉器官对各种香气物质的综合反应，所以茶叶中数十种乃至上百种芳香物质协调形成而赋予该茶的特征香型4。因此要从茶叶香气的整体特征信息的变化出发来考察茶叶品质的变化情况。由于茶叶香气的整体特征信息的成因和构造非常复杂，全面和快速地检测气味的整体信息在以前几乎不可能，而电子鼻技术却让人们认识到综合评价气味整体信息的巨大潜力。 ( 基金项目：国家高技术研究发展计划863计划资助(2006AA10Z212)；国家自然科学基金资助(30571076，30771246)；国家教育部新世纪人才支持计划资助(NCET-04-0544)；中国高校博士学科点专项科研基金资助(20060335060) ) ( 收稿日期：2007-08-11 修改日期：2007-10-03 ) 目前在国内外的一些文献中，已有一些关于电子鼻通过茶叶挥发物来区别不同的茶类的报道。例如 Ritaban Dutta 等人对5种不同加工工艺的茶叶通过电子鼻进行分析和评价5，并对所采用的数学分析方法进行了的研究报道，对电子鼻代替传统的茶叶的感观评审的可行性进行了考察了考。NabarumBhattacharyya 等人用电子鼻技术对红茶的发酵过程中的挥发性物质进行在线实时监测，以确定最佳的发酵时间，避免发酵不够或过发所酵造成茶叶的品质下降。同时在他的另一篇文章里对所采集的数据分析处理方法等作了进一步研究报道18]。但这些研究中对茶叶不同品质等级的报道还没有。为了找出对茶叶品质进行判别最合适的分析问题的角度，我们从茶叶、茶水、茶底三方面来进行分析考察。因此，本文拟通过电子鼻技术来获取不同品质等级茶叶及相对应茶水和茶底的“指纹图”9]，并通过主成分进行特征提取，从中找出最能代表整体信息差异的特征向量，以此作为依据，采用线性判别和神经网络方法实现对茶叶不同品质等级的判别与鉴定。 实验方法 1.1 试验材料和仪器 试验样品的要求做到：①鲜茶叶要求采自同一茶园；②加工工艺要求一致。但茶叶的采摘时间不同。样品由中国农业科学院茶叶研究所提供，为西湖龙井炒青绿茶。茶叶样品共有5个等级，分别为T60、T100、T200、T600和 T1200(数字含义为每斤人民币价格)。 仪器采用德国Airsens公司的 PEN2 型便携式电子鼻(Portable Electronic Nose)系统。该电子鼻系统是一种由一组复合化学传感器和识别软件组成的分析仪器。PEN2 电子鼻包含10个金属氧化物传感器阵列，各个传感器的名称及性能描述见文献[10]。本电子鼻系统主要包括下面几个硬件部分：传感器阵列、采样及清洗通道、吸附/解吸附单元、数据采集系统及计算机。 1.2 试验方法 1.2.1 茶叶样品的准备 每次试验时，各个等级的茶叶分别准备45个重复样品，每个重复样品质量为5g，双层薄膜密封在500 mL 的烧杯中，室温25℃±1℃下静置45 min 后进行实验。 1.2.2 茶水、茶底样品的准备 根据原商业部部标准感官评审时的要求(SB/T10157-93茶叶感官审评方法)，茶、水比1：50，取5g 茶叶用250 mL水冲泡。泡茶用水为沸滚适度100℃的纯净水，冲泡时间为5min ，然后将茶水滤出1。将茶水和茶底分别在500 mL的烧杯中密封、静置45 min 使得烧杯顶空富集茶叶挥发性成分的同时，水温也冷却至室温，室温保保25℃±1℃。由于茶水和茶底中水蒸气很多，所有检测时要放些硅胶，以减少水蒸气的影响。同样对每个等级的茶叶也各准备45个重复样品。 由于这部分的样品中水蒸气含量较多，虽然用硅胶预处理过，但水蒸气含量仍将相对较大，所有要结合吸附/解吸附单元使用。把吸附/解吸附单元与电子鼻系统连接好，运行其配套软件 WinMaster，首先检测吸附/解吸附单元是否连接好；然后设定系统各参数，即可开始检测。 1.3 数据处理方法 采用主成分分析提取前五个特征分量作为模式识别的输入，线性判别分析和BP神经网络方法进行不同等级茶叶样品的判别分类。在进行主成分分析前先对数据进行标准化处理，因为主成分分析的明显特征是每个主分量依赖于测量初始变量所用的尺度，当尺度改变时，会得到不同的的特征值入。所以进行主成分分析前先对初始变量进行标准化处理，使其方差为1[12]。对于网络结构的设计，通过对多次学习训练结果的比较，网络结构设计为5-10-5。学习速率为net. trainParam. lr=0.08，速率的递增乘因子为 net.trainParam.lr inc=1.08，其余参数采用缺省设置。 2 主成分方法提取特征向量 2.1 初始特征向量的生成 电子鼻对T100样品西湖龙井茶叶、茶水和茶底香气的响应信号如图1所示。图中横轴为采样时间t，纵轴为信号值(G/Go)，其中，G是传感器接触到样品气体后的电导率、Go传感器在经过标准活性炭过滤气体清洗后的电导率。在进行特征值选择时，针对不同的研究对象，有的学者选择稳态时的特征值13]，有人选择动态的特征值[14]。这里再不确定最合适的特征值时，尽可能选择较多的特征变量来 图1 茶叶、茶水、茶底样品响应曲线 组成原始特征向量。 对于茶叶，根据响应曲线的趋势以及变化情况，分别选择各个传感器第15s、第30s、第45s、第60s的响应值及各传感器最大响应值、60s内均值、各响应曲线最大斜率值、各曲线的积分值以及各响应值中方差最大时刻的响应值这些特征子集来组成原始特征向量X。即原始特征向量X由9个特征子集组成，由于有10个传感器组成阵列，其维数为9×10=90维，表示形式如下： X1 x10传感器1~10在第15s时的响应； X11 x20传感器1~10在第30s时的响应； X21 x30传感器1~10在第45s时的响应； X31 x40传感器1~10在第60s时的响应； X41 x50传感器1~10在第60s内的最大值； X5 x60传感器1~10在第60s内的均值； X61 x70传感器1~10各响应曲线的最大斜率值； X71 x80传感器1~10各响应曲线的积分值； X81 x9o传感器1~10方差最大时刻的响应值； 对于茶水和茶底，根据响应曲线的趋势以及变化情况(图1)，分别选择第7s时的响应(各曲线上升阶段)、第15s(曲线下降第一阶段)、第30s(曲线下降的第二阶段)、最大响应值以及各曲线的积分值这些特征子集来组成原始特征向量Y。即原始特征向量X由5个特征子集组成，考虑10个传感器的陈列，其维数为5×10=50维，表示形式如下： J1 y1o传感器1~10在第7s时的响应； V11 y20传感器1~10在第15s时的响应； V21 y30传感器1~10在第30s时的响应； 31 y40传感器1~10在第60s内的最大值； J41 y50传感器1~10各响应曲线的积分值； 2.2 主成分分析 对五个不同品质等级茶叶、茶水和茶底的电子鼻响应值生成的初始特征向量进行主成分分析，以达到降维的目的。从分析结果中看出，前五个主成分即可综合原始特征向量85%以上的信息，所以我们取前五个主成分得分值来进行下一步的分类判别分析。表1为不同等级茶叶、茶水和茶底的前五个主成分分量的贡献率及累计贡献率。 表 1 不同等级茶叶、茶水、茶底样品前5个主成分的特征值及贡献率 No 特征值 百分率 累计百分率 /% /% 1 48.66 54.06 54.06 2 15.89 17.66 71.72 茶叶 3 8.56 9.51 81.23 4 8.20 9.12 90.35 5 1.91 2.13 92.48 1 15.29 40.58 40.58 2 8.63 27.26 67.84 茶水 3 4.70 9.41 77.24 4 4.39 8.78 86.02 5 3.09 6.18 92.20 茶底 1 29.29 58.58 58.58 2 8.79 17.59 76.16 3 5.54 11.08 87.24 4 1.63 3.27 90.51 5 1.19 2.38 92.89 通过主成分分析，对于不同等级茶叶、茶水和茶底，其前五个主成分的累积贡献率明显超过85%，所以取其前五个主成分得分值作为判别分析的特征向量。把原始特征向量从90 维和50维都压缩降维到5维。 3 判别分析 3.1 线性判别分析 我们以降维后的特征向量作为模式识别的输入，进行判别分析。我们把各样本分为两组，一组(对于各等级分别取30个样本)进行分类判别，结果如图2~图4中各实心圆点所示。另一组(各等级中分别取15个样本)，来进行测试，结果如图2~图4中星号所示。 从图2中茶叶分布情况来看，对于有类别标签的训练样本判别结果完全正确，对于没有给出类别标签的测试集共有三个被错误地进行了判别，茶叶T60中有两个被误判为 T100，而T100中有一个被 图2 茶叶样本的线性判别及测试结果 (圆点一训练样本，星号一测试样本) 图3 茶水主成分特征值判别及测试结果 图4 茶底主成分特征值判别及测试结果 误判为T60。茶叶T60和T100品质等级最为接近，在实际的感官审评中也最容易混淆，发生误判的几率比较大。电子鼻的这一判别结果和实际情况比较一致，但是电子鼻通过对于茶叶整体信息的扫描，把握不同等级茶叶间香气成分的细微差异，对于五个不同等级的茶叶样品的最终判别结果达到93.33%的正确判别率。 茶水和茶底的定性分类及测试结果如图3和图4所示。同样图中各空心记号为未指明类别标签的测试样本，我们分别对每个等级的茶水和茶底各取15个测试样本。对于茶水，其测试结果完全正确；对于茶底一个 T100训练样本以及两个测试样本被误判为 T60，T60的三个测试样本被误测为 T100。从图中可看出，茶水的各类间样本点分布比较紧凑，茶底比较分散。 3.2 BP神经网络判别分析 同样样本分成两组：训练样本和测试样本。每个等级茶叶取30的样本作为训练样本，共30×5= 150组，其余75组样本作为测试样本。网络的训练和预测结果如表2~表4所示 表2 干茶叶的神经网络判别结果 T60 T100 T200 T600 T1200 T60 13 2* 0 0 0 T100 0 15 0 0 0 T200 0 0 15 0 0 T600 0 0 0 15 0 T1200 0 0 0 0 15 九发生误判的样品数 表3 茶水的神经网络判别结果 T60 T100 T200 T600 T1200 T60 15 0 0 0 0 T100 0 15 0 0 0 T200 0 0 15 0 0 T600 0 0 0 15 0 T1200 0 0 0 0 15 九发生误判的样品数 表4 茶底的神经网络判别结果 T60 T100 T200 T600 T1200 T60 12 3* 0 0 0 T100 2* 13 0 0 0 T200 0 0 15 0 0 T600 0 0 0 15 0 T1200 0 0 0 0 15 九发生误判的样品数 结果表明，对于茶叶、茶水和茶底的训练样本，网络的回判正确率为100%；对于测试样本，网络对各等级茶叶的正确回回率除T60外也都是100%。测试结果较差的是茶叶 T60，其中2个测试样本被误判为茶叶 T100，相对于线性判别分析方法神经网络方法精确率要稍好一点。茶水测试样本正确率依然是100%；对茶底的测试，误判了5个，而且误判样本也都发生在 T60和T100之间，这是由于T60和T100等级非常接近，其挥发性成分也最为相近，因此电子鼻的响应信号也比较相似，所以容易造成彼此间的误判。 4 结论 线性判别分析结果显示，对于干茶叶的电子鼻响应信号，主成分分析获得的特征向量对茶叶等级的判别结果存在一定误差；对于相应的茶水的电子鼻信号，以前五个主成分值作为特征向量时，对茶叶品质等级的判别结果比较好；对于相应的茶底的电子鼻响应信号的分析，对于茶叶等级的判别分析结果相对最差。 神经网络判别结果和线性判别结果非常一致，误判样本都发生在 T60和 T100之间，并且以茶水作为研究对象时，判别结果最好。并且以茶叶为研究对象时，相对于线性判别分析方法神经网络方法精确率要稍好一点。 ( 参考文献： ) ( [1] 李娇，杜子鲁.茶叶鉴定专家系统的研究与开发[J].计算机时 代，2006，(6)： 4 2 -43. ) ( [2] 李名君.茶叶香气研究进展(Ⅱ)[J].国外农学——茶叶， 1985，(1)：1-8. ) ( [3] 严鸿德.茶叶理化审评研究.《安徽农科院茶业科学研究资料 汇编第一集》[C].1959，1-20. ) ( [4] 阮宇成.茶儿茶素的组成与绿茶品质的关系[J].园艺学报， 1964，(3)：3. ) ( [5] Dutta R ， Hines EL， Ga r dnerJ W. Tea Q uality Prediction U-sing a T in O xide-Based E l e ctronic Nose： an A rt i ficial In t elli- gence Approach[J]. Sensors and Actuators B， 2003， 94： 228- 237. ) ( [6] Dutta R， K ashwan K R， Bhuyan M. Ele c tronic Nose Based ) ( 于慧春，女，博士，讲师，河南科技大学。 主要从事电子鼻系统的应用与开发。2001-2004硕士毕业可河北农业大学，2004-2007毕业于浙江大学，生物系统工程与食品科学学院。 ) ( T ea Quality Standardization [ J] . Neura l Networks，2003， (16) ： 847-853. ) ( [7] Bhattacharyya N， S eth s， Tudu B. D etection of Optimum Fer- mentation T ime for Black Tea Manufacturing Using Electronic Nose [ J]. Sensors and Actuators B ， 2007， 122：627-634. ) ( [8] B hattacharyya N ， Seth s， and Tudu B . Monitoring of Black T ea F ermentation P rocess U sing Electronic Nose [J ] . Journal of Food Engineering， 2007， 80 ： 1 146-1156. ) ( [9] 王月根.绿茶品质生化指标——茶叶粗纤维[J].茶叶，1981， (3)： 1 8-21. ) ( [10] 鲁小利，海铮，王俊.基于遗传优化神经网络的电子鼻对可乐 的检测[J].传感技术学报，2007，20(6)：1211-1214. ) ( [11] 中国农科院茶叶研究所生理生化室理化审评研究组：茶叶理 化审评的研究[C].《1973~1977年科研资料汇编》，138-143， 139-142. ) ( [12] 唐启义，冯明光.试用统计分析及其DPS数据处理系统 [M].科学出版社，2005，304-313. ) ( [13] 海铮，王俊.电子鼻信号特征提取与传感器优化的研究[J]. 传感技术学报，2006，19(3)：60 6 -610. ) ( [14] 徐亚丹，王俊，赵国军.检测掺假牛奶的电子鼻传感器阵列 的优化[J].传感技术学报，2006，(19)4：957-962. ) ( 王 俊(1965-)，男，浙江大学教授、博士 生导师。 ““Sensors and Actuators B"等 8本SCI刊物审稿人。入选教育部新世 纪优秀人才支持计划和浙江省“151人才工程(第一层次)”。研究方向之一电子鼻技术的农产品品质检测。先后主持国家高技术研究发展计划(863计划) ) ( 1项、国家自然科学基金项目5项、教育部新世纪优秀人才支持计划1项、高校博士学科点基金2项、浙江省科技厅重大招标项目2项、其它省部级项目10余项。已获国家发明专利8项、实用新型专利12项。在国家级学报和境外学术刊物上已发表100余篇论文，其中 SCI收录50余余、EI收录 70 余篇。发表的 SCI 收录论文中被引用130余次，jwang@ zju.edu.cn ) OChina Academic Journal Electronic Publishing House. All rights reserved. http：//www.cnki.net