茶鮮葉質(zhì)量的近紅外光譜評(píng)價(jià)方法研究.pdf

1、當(dāng)前，茶鮮葉的驗(yàn)收分級(jí)和定價(jià)通過(guò)感官評(píng)價(jià)方法進(jìn)行，結(jié)果易受主觀因素影響而發(fā)生誤判；同時(shí)，鮮葉的準(zhǔn)確驗(yàn)收分級(jí)也是實(shí)現(xiàn)茶葉標(biāo)準(zhǔn)化加工的前提。因此，茶葉產(chǎn)業(yè)急需建立一種科學(xué)、量化、快捷的茶鮮葉質(zhì)量評(píng)價(jià)方法。
　　 在綜合分析與茶鮮葉質(zhì)量密切相關(guān)的內(nèi)含成分的基礎(chǔ)上，本文首次提出了利用質(zhì)量系數(shù)定量評(píng)價(jià)鮮葉質(zhì)量。
　　 質(zhì)量系數(shù)解決了鮮葉質(zhì)量評(píng)價(jià)難以定量的難題，但其依賴(lài)的傳統(tǒng)化學(xué)方法費(fèi)時(shí)、費(fèi)力，難以適應(yīng)生產(chǎn)中快速檢測(cè)的需求。近紅外光

2、譜(NIRS)由于省時(shí)、樣品無(wú)需預(yù)處理等優(yōu)點(diǎn)，已經(jīng)廣泛應(yīng)用于石油、制藥、煙草、飲料及食品行業(yè)，本文應(yīng)用NIRS技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法嘗試建立了茶鮮葉質(zhì)量的快速預(yù)測(cè)模型；通過(guò)模型轉(zhuǎn)移，研制了一臺(tái)光柵型茶鮮葉質(zhì)量近紅外分析儀；通過(guò)篩選鮮葉產(chǎn)地特征光譜區(qū)間，探索建立了茶鮮葉產(chǎn)地的判別方法；嘗試制定了測(cè)定茶鮮葉水分、全氮量和粗纖維的近紅外方法標(biāo)準(zhǔn)。
　　 論文主要研究結(jié)果如下：
　　 1.提出了茶鮮葉質(zhì)量系數(shù)方程
　　

3、通過(guò)篩選與鮮葉質(zhì)量關(guān)系密切的內(nèi)含成分，提出利用質(zhì)量系數(shù)定量評(píng)價(jià)茶鮮葉質(zhì)量：質(zhì)量系數(shù)=(含水量×全氮量)÷粗纖維量。質(zhì)量系數(shù)與鮮葉質(zhì)量呈正相關(guān)。
　　 2.建立了預(yù)測(cè)茶鮮葉主要內(nèi)含物含量和質(zhì)量等級(jí)的近紅外光譜模型
　　 含水量預(yù)測(cè)模型。當(dāng)全光譜分為23個(gè)子區(qū)間、MSCmean為預(yù)處理方法時(shí)，先用反向區(qū)間偏最小二乘法篩選含水量的12個(gè)特征光譜子區(qū)間，然后對(duì)特征光譜進(jìn)行主成分分析，以前4個(gè)主成分(累計(jì)貢獻(xiàn)率為99.69％)為輸

4、入變量建立的含水量最小二乘支持向量機(jī)模型預(yù)測(cè)結(jié)果最佳：Rcv=0.993，RMSECV=0.006％，Rp=0.989，RMSEP=0.010％。
　　 全氮量預(yù)測(cè)模型。當(dāng)全光譜分為21個(gè)子區(qū)間、MSCmean為預(yù)處理方法時(shí)，先用反向區(qū)間偏最小二乘法篩選全氮量的10個(gè)特征光譜子區(qū)間，然后對(duì)特征光譜進(jìn)行主成分分析，以前4個(gè)主成分(累計(jì)貢獻(xiàn)率為99.91％)為輸入變量建立的全氮量最小二乘支持向量機(jī)模型預(yù)測(cè)結(jié)果最佳：Rcv=0.997

5、，RMSECV=0.004％，Rp=0.991，RMSEP=0.011％。
　　 粗纖維量預(yù)測(cè)模型。當(dāng)全光譜分為24個(gè)子區(qū)間、MSCmean為預(yù)處理方法時(shí)，先用反向區(qū)間偏最小二乘法篩選粗纖維量的6個(gè)特征光譜子區(qū)間，然后對(duì)特征光譜進(jìn)行主成分分析，以前3個(gè)主成分(累計(jì)貢獻(xiàn)率為99.93％)為輸入變量建立的粗纖維量最小二乘支持向量機(jī)模型預(yù)測(cè)結(jié)果最佳：Rcv=0.989，RMSECV=0.102％，Rp=0.973。RMSEP=0.14

6、2％。
　　 質(zhì)量系數(shù)預(yù)測(cè)模型。當(dāng)全光譜分為24個(gè)子區(qū)間、mean為預(yù)處理方法時(shí)，先用反向區(qū)間偏最小二乘法篩選鮮葉質(zhì)量的5個(gè)特征光譜子區(qū)間，然后對(duì)特征光譜進(jìn)行主成分分析，以前4個(gè)主成分(累計(jì)貢獻(xiàn)率為99.86％)為輸入變量建立的質(zhì)量系數(shù)最小二乘支持向量機(jī)模型預(yù)測(cè)結(jié)果最佳：Rcv=0.984，RMSECV=0.0109，R19=0.980。RMSEP=0.0152。
　　 鮮葉質(zhì)量等級(jí)預(yù)測(cè)模型。當(dāng)全光譜分為24個(gè)子區(qū)間、M

7、SC為預(yù)處理方法時(shí)，先用反向區(qū)間偏最小二乘法篩選鮮葉等級(jí)的4個(gè)特征光譜子區(qū)間，然后對(duì)特征光譜進(jìn)行主成分分析，以前4個(gè)主成分(累計(jì)貢獻(xiàn)率為99.73％)為輸入變量建立的鮮葉等級(jí)最小二乘支持向量機(jī)模型預(yù)測(cè)結(jié)果最佳：校正集和預(yù)測(cè)集模型判別率均為100％。
　　 3.茶鮮葉質(zhì)量近紅外分析儀的研制
　　 以茶鮮葉含水量、全氮量和粗纖維量近紅外預(yù)測(cè)模型為基礎(chǔ)，根據(jù)S/B模型傳遞方法，通過(guò)與合肥美亞光電技術(shù)股份有限公司合作，研制了一臺(tái)

8、光柵型茶鮮葉質(zhì)量近紅外分析儀。該分析儀能夠在1min內(nèi)得出鮮葉的質(zhì)量系數(shù)，初步實(shí)現(xiàn)了茶鮮葉質(zhì)量的快速準(zhǔn)確評(píng)價(jià)，杜絕了人為因素的影響。
　　 4.茶鮮葉產(chǎn)地判別方法的建立
　　 以產(chǎn)自合肥市、黃山市和六安市的茶鮮葉為材料，產(chǎn)地值分別設(shè)為1，2，3。先用反向區(qū)間偏最小二乘法篩選茶鮮葉產(chǎn)地特征光譜區(qū)間：12493 cm-1～12138 cm-1.10700cm-1～10345 cm-1，9627.3 cm-1～9276.3 c

9、m-1，6788.5 cm-1～～6437.5 Cm-1.4659.4cm-1～4308.4 cm-1和4304.5 cm-1～4000 cm-1；應(yīng)用主成分分析法獲得特征光譜區(qū)間的主成分?jǐn)?shù)，以前6個(gè)主成分?jǐn)?shù)為輸入值(累計(jì)貢獻(xiàn)率為99.98％)建立了茶鮮葉產(chǎn)地判別的人工神經(jīng)網(wǎng)絡(luò)模型，該模型對(duì)三市鮮葉產(chǎn)地的判別率為100％，實(shí)現(xiàn)了對(duì)茶鮮葉產(chǎn)地的快速、準(zhǔn)確判別。
　　 5.茶鮮葉內(nèi)含物測(cè)定近紅外方法標(biāo)準(zhǔn)的研究
　　 近紅外光