信阳毛尖茶中品质检测方案(感官智能分析)

传感技术学报CHINESE JOURNAL OF SENSORS AND ACTUATORSVol.，24 No.8Aug.2011第24卷第8期2011年8月 传 感技 术 学 报www. chinatransducers.com第24卷1224 Detection of Caffeine in Xinyangmaojian Tea by an Electronic Nose* ZHANG Hongmei，WANG Jun’，YU Yongchang*，GAO Xiankun'，HUA Hengming'，HE Yujing /1. College of Mechanical and Electrical Engineering，Henan Agricultural University， Zhengzhou 450002，China；2. College of Biosystems Engineering and Food Science，Zhejiang University，Hangzhou 310029 ，China Abstract：Three different grades of Xinyangmaojian tea were detected by an electronic nose system. The optimizationof a gas sensor array consisting of four gas sensors was selected by loading analysis and correlation analysis.Principle component analysis of the data provided by the electronic nose completely distinguished all the teasamples. The principle component regression ( PCR)， multiple linear regression(MLR)， and quadratic polynomialstep regression(QPSR) models of the caffeine content of Xinyangmaojian tea were created based on the optimizationof gas sensor array and were validated by a prediction set. The correlation coefficient， standard error prediction，andaverage percent error between the predicted content and the measured content of caffeine of these three models were0.66，0.32，and 3.42%；0.80，0.19，and 2.8%；and 0.94，0.19， and 2. 3%，respectively. The QPSR model wasbetter than the PCR and MLR models. The results show that the electronic nose system can detect the caffeinecontent of Xinyangmaojian tea. Key words：electronic nose；caffeine；Xinyangmaojian tea；principle component regression； multiple linear regression；quadratic polynomial step regression EEACC：7230J doi：10.3969/j.issn. 1004-1699.2011.08.028 基于电子鼻技术的信阳毛尖茶咖啡碱检测方法* 张红梅，王 俊，余泳昌*，高献坤，花恒明'，何玉静' /1.河南农业大学机电工程学院，郑州450002； \2.浙江大学生物系统工程与食品科学学院，杭州310029) 摘 要：本文采用电子鼻系统对三个等级的信阳毛尖茶进行了检测。采用 Loading 分析和相关分析对传感器阵列进行优化，选出四个传感器为最终的新传感器阵列，用于信阳毛尖茶的品质识别。PCA 分析结果显示，可以将不同等级的茶叶完全区分开，而且效果比较好。利用 PCR、MLR 和 QPSR 方法分别建立信阳毛尖茶基于气敏传感器阵列的咖啡碱预测模型，并用预测集对模型进行验证。3种模型咖啡碱含量预测值与实测值之间的相关系数、预测标准误差SEP 和平均误差误差百分比分别为0.66、0.32和3.42%；0.80、0.19和2.8%以及0.94、0.19和2.3%。QPSR模型效果最好。研究结果表明，电子鼻技术可以用于信阳毛尖茶中咖啡碱含量的检测。 关键词：电子鼻；咖啡碱；信阳毛尖；主成分回归；多元线性回归；二次多项式回归 中图分类号：TP212.6 文献标识码：A 文章编号：1004-1699(2011)08-1223-05 茶叶香气由含量少而种类繁多的挥发性物质组成，至今报道已分离鉴定的有650种。这些研究虽然取得了一定成果，但从定性角度出发，这些成分分析方法的作用还是非常有限的。长期以来，茶叶科研工作者都致力于茶叶品质的量化识别研究，期望采用科学的仪器测定茶叶，用科学计量的品质指标来评价茶叶品质。水分、茶多酚、咖啡碱和氨基酸是茶叶中 主要品质成分，它们影响茶色、茶香和茶味的形成。传统的茶叶成分测定方法，比如咖啡碱含量的测定通常采用碘量法、重量法、紫外分光光度法等，茶多酚含量的测定通常采用高锰酸钾滴定法和酒石酸铁比色法。这些测定方法需要繁琐的化学处理，不仅速度慢、费用高、测定结果差异大，而且易产生污染、具有破坏性。因此研究绿茶品质成分的快速准确测定方 ( 项目来源：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) ) ( 收稿日期：2010-12-31 修改日期：2011-04-08 ) 法具有重要的现实意义。近年来，电子鼻技术的兴起，让我们看到了一种通过气味来评价茶叶品质的快速无损新方法。于慧春等[3-4]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。Ritaban Dutta 等5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。Nabarum Bhattacharyya 等161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。 Yang Ziyin 等’检测日本绿茶中浓缩香豆素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。 信阳毛尖茶是中国十大名茶之一，但有关它的品质检测方面的研究报道并不多。郭桂义等18-91对信阳毛尖的滋味成分进行过系统的研究，也探讨过信阳毛尖茶春季不同时期化学成分与品质的变化。霍权恭等110对比研究了信阳毛尖春茶和夏茶的挥发性成分的差异。笔者采用电子鼻技术，对信阳毛尖茶中咖啡碱的含量进行快速检测，旨在探讨信阳毛尖品质和成分的检测方法，使茶叶品质评审更加科学化和定量化。 1 材料和方法 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2009年明前信阳毛尖炒青茶，共有3个品质等级，分别为 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。这些子样品分别被盛放在500 mL烧瓶内，用保鲜膜密封后，置于25±1℃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 咖啡碱的测定采用 GB8312--87《茶咖啡碱测定》，紫外分光光度法(UV-2501 紫外分光光度仪)。 1.3 电子鼻 试验是用德国 Airsense 公司的 PEN2 电子鼻，该电子鼻包含有l0个金属氧化物传感器组成的阵歹。10个传感器名称分别为 W1C、W5S、W3C、W6S、W5C、W1S、W1W、W2S、W2W 和 W3S。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。 2 结果和讨论 2.1 咖啡碱检测结果 咖啡碱是构成茶汤滋味的重要物质，也是茶叶中主要的药理活性成分。虽然其本身味苦，但是与多酚类及其氧化产物形成络合物以后便具有一种鲜爽滋味。因此，茶叶咖啡碱含量与品质之间呈正相关，咖啡碱含量高，茶叶品质好"。图1所示是三个等级的信阳毛尖茶咖啡碱含量平均值，从图1中可以看出，茶叶等级越高，咖啡碱含量越高。试验结果与前人研究结果吻合。 图1 不同信阳毛尖茶叶等级的咖啡碱含量 2.2 气敏传感器阵列对不同品质茶叶气味的响应 图2所示是3个等级信阳毛尖茶气味的传感器阵列响应平均值的变化。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 S5正向略偏离1，响应值有所增强。传感器 S6 和S8 负向偏离1，信号有所变化。传感器 S1、S3、S4、S7、S9和S10响应值变化不大。从 S2 的响应值看，传感器对1级茶叶响应较大，对3级茶叶响应较小。 图2 三个等级信阳毛尖茶传感器响应值变化 2.3 传感器阵列的优化 对传感器阵列所得的原始数据进行标准化处理后再进行传感器阵列的优化。Loading 分析用于反应因子与各个变量间的密切程度，常应用于指标(变量)分类。在电子鼻应用中把各个传感器当成变量，通过 Loading 分析可以直观的对传感器进行 分类，为传感器取舍提供一种依据[21。Loading 分析结果如图3所示。图3显示出了，传感器 S7、S5各为为一类，在第二主轴上比重较大；S4和 S10 为一类，S1、S3、S2、S6、S8 和S9为一类在第一主轴的比重较大。下面再通过相关分析，分析一下各个传感器之间的相关程度。 相关系数 S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 S1 1.00 -0.70 0.97 -0.48 0.90 -0.86 -0.260 -0.780 -0.78 -0.53 S2 -0.70 1.00 -0.61 0.13 -0.52 0.47 0.690 0.370 0.54 0.16 S3 0.97 -0.61 1.00 -0.59 0.96 -0.93 -0.180 -0.870 -0.84 -0.66 S4 -0.48 0.13 -0.59 1.00 -0.69 0.80 -0.100 0.877 0.77 0.85 S5 0.90 -0.52 0.96 -0.69 1.00 -0.96 -0.150 -0.910 -0.90 -0.18 S6 -0.86 0.47 -0.93 0.80 -0.96 1.00 0.110 0.970 0.91 0.83 S7 -0.26 0.69 -0.18 -0.10 -0.15 0.11 1.000 -0.009 0.25 -0.09 S8 -0.78 0.37 -0.87 0.87 -0.91 0.97 -0.009 1.000 0.86 0.84 S9 -0.78 0.54 -0.84 0.77 -0.90 0.91 0.250 0.860 1.00 0.88 S10 -0.53 0.16 -0.66 0.85 -0.18 0.83 -0.090 0.840 0.88 1.00 图3Loading 分析图 相关分析主要用来分析传感器之间的相关程度，如果两个传感器测试结果的相关程度大，说明两个传感器包含相似的信息。传感器之间的相关程度用相关系数来表示，相关系数越大，说明传感器之间的相似程度越大，包含越多的冗余信息，可考虑去除。相关系数越小，传感器之间的相似度越低，传感器之间包含的冗余信息越少，应优先考虑1。通过相关分析10个传感器之间的相关系数如表1所示。通过 Loading 分析，传感器 S5 和 S7各为一类，通过计算 S5 和S7 的相关系数为-0.15，说明二者相似程度较少，可以优先考虑采用。S4 和 S10 为一类，二者相关系数为0.85，相关系数较大，说明二者之间的相似程度很大，考虑去除 S4。S1、S2、S3、S6、S8和S9 为一类，综合考虑与其他传感器之间的相关系数以及传感器对茶叶响应值的大小，在这一类中选择S2。S2、S7、S10 和 S5 为最终的新传感器阵列，用于信阳毛尖茶的品质识别。 2.4 PCA 分析 对传感器阵列对信阳毛尖茶叶响应值的数据矩 阵进行主成分分析，图4是前两个主成分PC1和PC2组成的二维图，前两个主成分的贡献率分别为72.89%和17.63%，累计贡献率为90.52%。因为PCA 只对原始数据分析，不考虑分类情况，其区分情况与品质实际情况一致。按照1级、2级、3级茶叶的情况，可以将不同等级的茶叶完全区分开，而且效果比较好。说明电子鼻可以检测到不同品质信阳毛尖茶的气味差异。 图4 不同品质茶叶的 PCA分析图 2.5 基于气敏传感器阵列的咖啡碱预测模型 提取优化后的气敏传感器阵列 S2、S5、S7和S10 四个传感器对信阳毛尖1级、2级、3及茶叶样品的稳态信号即45s时刻的响应信号进行分析，所提取的数据矩阵为90行4列。每个等级茶叶样品试验时测试了30个子样品，3个等级共90个试验数据；从每个等级茶叶30个子样本中随机抽取 27个，共81个作为训练集，剩余9个作为测试集。将4个传感器对信阳毛尖茶的响应信号作为自变量，3个等级的茶叶咖啡碱含量作为因变量。利用主成分回归(PCR)、多元线性回归(MLR)和二次多项式逐 步回归(QPSR)方法分别建立信阳毛尖茶基于气敏传感器阵列的咖啡碱预测模型。 在对 S2、S5、S7和S10四个传感器对信阳毛尖1级、2级、3级茶叶样品的稳态信号即45s时刻的响应信号进行主成分分析过程发现，第一主成分与第二主成分的贡献率分别为 64.27%和27.93%，累积贡献率达92.2%，说明前两个主成分可以解释所有变量的信息。所以选择第一和第二主成分建立回归模型如下所示。 PCR： y=-32.92-0.97x-1.53x，+35.38x+4.22x(1) 式(1)中y表示咖啡碱的含量；x到x分别表示传感器 S2、S5、S7和S10对茶叶的响应信号。 模型(1)训练集预测值与实测值之间的相关系数，预测标准误差SEP，平均误差百分比分别为：0.75、0.17和3.08%。测试集预测值与实测值的关系如图5所示。预测集预测值与实测值之间的相关系数，预测标准误差 SEP，平均误差误差百分比分别为：0.66、0.32和3.42%。 图5 PCR模型对测试集预测值与实测值的拟合图 多元线性逐步回归(MLR)利用4个传感器对茶叶的响应信号建立与茶叶咖啡碱含量之间的多元线性关系。MLR 回归模型如下： y=1.1-2.86x-22.74x，+35.82xg-6.13x(2)式(2)中自变量的含义与式(1)相同。 式(2)训练集预测值与实测值之间的相关系数，预测标准误差 SEP，平均误差百分比分别为：0.89、0.12和1.92%。测试集预测值与实测值的关系如图6所示。预测集预测值与实测值之间的相关系数，预测标准误差 SEP，平均误差误差百分比分别为：0.80、0.19和2.8%。 前两种建模都是线性方法，本文采用二次多项式逐步回归方法建立传感器信号与茶叶咖啡碱含量之间的非线性关系。即把正交实验和回归分析有机结合起来，在正交实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。回归模型如下： 图6 MLR模型对测试集预测值与实测值的拟合图 y=-10098.83-273.11x+1333.97xq+1001.25x4- 式(3)中自变量的含义与式(1)相同。 式(3)训练集预测值与实测值之间的相关系数，预测标准误差 SEP，平均误差百分比分别为：0.96、0.06和1.08%。试集预测值与实测值的关系如图7所示。预测集预测值与实测值之间的相关系数，预测标准误差 SEP，平均误差百分比分别为：0.94、0.19和2.3%。 图7 二次多项式逐步回归模型对测试集预测值与实测值的拟合图 2.6 PCR、MLR 和 QPSR模型比较 分别采用 PCR、MLR 和 QPSR 三种建模方法建立了基于气敏传感器信号的信阳毛尖茶咖啡碱含量预测模型。表2列出了三种模型对预测集的预测结果。由表2可知，QPSR模型的预测效果最好，具有最大的相关系数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。MLR模型的预预结果优于 PCR 模型的预测结果，说明前两个主成分的累积贡献率虽然达到92.2%，但是还有一些重要信息丢失，不能完全解释4个气敏传感器信息。表中数据显示为：3种模型中二次多项式逐步回归(QPSR)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，最优模型为二次多项式逐步回归。 表2不同模型预测结果比较 模型 相关系数R 预测标准误差SEP 平均误差百分比/% PCR 0.66 0.32 3.42 MLR 0.80 0.19 2.80 QPSR 0.94 0.19 2.30 3 结论 (1)对三个等级信阳毛尖茶的咖啡碱含量检测结果表明茶叶等级越高，咖啡碱含量越高。说明咖啡碱含量对信阳毛尖茶品质有很大的影响。 (2)分析3个等级信阳毛尖茶气味的传感器阵列响应值变化发现，传感器 S2 对茶叶气味反应比较大，响应值也比较大，有些传感器信号或正向或负向偏离1，而有些传感器信号变化微小。 (3)采用 Loading 分析和相关分析对传感器阵列进行优化。Loading 分析根据各个传感器间的密切程度，把10个传感器分成四类。结合各传感器之间的相关系数，以及传感器对茶叶的响应值的大小，选择S2、S7、S10和 S5 为最终的新传感器阵列，用于信阳毛尖茶的品质识别。 (4)对传感器阵列对信阳毛尖茶叶响应值的数据矩阵进行主成分分析，结果显示可以将不同等级的茶叶完全区分开，而且效果比较好。说明电子鼻可以检测到不同品质信阳毛尖茶的气味差异。 (5)利用 PCR、MLR 和 QPSR 方法分别建立信阳毛尖茶基于气敏传感器阵列的咖啡碱预测模型。MLR 对预测集的预测值与实测值之间的相关系数，预测标准误差 SEP，平均误差百分比分别为：0.80、0.19和2.8%。PCR 对预测集的测值与实测值之间的相关系数，预测标准误差SEP，平均误差百分比分别为：0.66、0.32和3.42%。QPSR 对预测集预测值 张红梅(1977-)，2007年获得工学博士学位，现为河南农业大学机电工程学院副教授，主要从事电子鼻系统的应用与开发，hmzh86022625@ sina. com； 与实测值之间的相关系数，预测标准误差 SEP，平均误差百分比分别为：0.94、0.19和2.3%。 (6)对比三种模型的性能发现：3种模型中二次多项式逐步回归(QPSR)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，最优模型为二次多项式逐步回归。 ( 参考文献： ) ( [1] ] 赵菁.绿茶特征香气成分及与品质的关系研究[D].浙江大学，硕士学位论文，2002. ) ( [2] ： ] 林新，牛智有，刘梅英，等.近红外光谱法快速测定绿茶的4种 主要成分[J].华中农业大学学报，2009，28(4)：487-490. ) ( [3] 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. ) ( [4] 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. ) ( [5] ] D u tta R i taban，Hines E L，Gardner JW，e t al. T ea Qua l ity PredictionUsing a Tin O x ide-Based Ele c tronic Nos e ： an Arti f icial Int e lligenceApproach[J ] . S ensors a nd A ctuators B，2003，94：228-237. ) ( [6]] N abarun Bhattacharya， Bipan Tudu， Arun Jana，et al. Preemptive I·dentification of Optimum Fermentation Time for Black Tea Using E- l ectronic Nose[J ] . Sensors and Actuator s B，2008，131：110-116. ) ( [7] ] Yang Ziyin， D o ng Fa n g， Shimizu Kazu o ， et al. I den t ification ofCounarin-Enriched Japanese G r een Te a s an d The i r Part i cularFlavor Using E lectronic N ose [J ] . J ournal o f Food En g ineering，2009，92：312-316. ) ( [8] 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. ) ( [9] 郭桂义.信阳毛尖茶化学成分与品质关系初探[J].茶叶， 2000，26(4)：228-233. ) ( [10]霍权恭，杨京，刘钟栋，等.信阳毛尖茶叶挥发性成分 GC/MS 分析[J].中国农学通报，2005，21(7)：108-110. ) ( [11]郭桂义，胡孔锋，袁丁.信阳毛尖茶的化学成分研究[J].食品 工 业科技，2006，27(12)：162-167. ) ( [12]周海涛，勇勇，于慧春.劲酒电子鼻鉴别分析中传感器阵列优 化方法研究[J].传感技术学报，2009，22(2)：175-178. ) 余泳昌(1955-)，男，通讯作者，河南农业大学教授，博士生导师.国家大豆生产技术体系岗位专家，河南农大机电工程学院副院长，兼任河南省农业机械学会副理事长，河南省农业工程学会秘书长，中国农业工程学会高级会员，国家级核心期刊“农业工程学报”编委、“中国农机化”杂志编委，河南省农业机械 化重点学科第一学术带头人.主要研究方向农业机械化及其自动化，一直致力于农业工程机械的设计、研究、推广、开发工作，hnyych@163.com。 数据 基于电子鼻技术的信阳毛尖茶咖啡碱检测方法《传感技术学报》 张红梅  王俊  余泳昌  高献坤  花恒明  何玉静 河南农业大学机电工程学院,郑州,450002浙江大学生物系统工程与食品科学学院,杭州,310029 摘要： 本文采用电子鼻系统对三个等级的信阳毛尖茶进行了检测.采用Loading分析和相关分析对传感器阵列进行优化,选出四个传感器为最终的新传感器阵列,用于信阳毛尖茶的品质识别.PCA分析结果显示,可以将不同等级的茶叶完全区分开,而且效果比较好.利用PCR、MLR和QPSa方法分别建立信阳毛尖茶基于气敏传感器阵列的咖啡碱预测模型,并用预测集对模型进行验证.3种模型咖啡碱含量预测值与实测值之间的相关系数、预测标准误差SEP和平均误差误差百分比分别为0.66、0.32和3.42％；0.80、0.19和2.8％以及0.94、0.19和2.3％.QPSR模型效果最好.研究结果表明,电子鼻技术可以用于信阳毛尖茶中咖啡碱含量的检测.关键词：电子鼻  咖啡碱  信阳毛尖  主成分回归  多元线性回归  二次多项式回归