首页 > 解决方案 > 茶叶

茶叶

基于电子鼻技术的碧螺春茶叶品质等级检测研究

1 材料与方法

1.1 试验材料与仪器

试验茶叶分别来自苏州洞庭(山)产的一级、二级和三级碧螺春茶共3个等级,各20个样本,共60个。由于农产品的风味一般较

为多样化,通常一个传感器只能检测特定的一种或几种性质相近的气体。本研究自发研制了气体传感器研究平台,电子鼻装置

主要由与气体反应的硬件部分和数据处理分析的软件部分构成。

1.2 试验方法

1.2.1 茶水、茶底样品的准备根据原商业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250mL水冲泡。泡茶用水为沸滚适度100~(2的纯净水,冲泡时间为5min,然后将茶水滤出 。将茶水和茶底分别

放在500mL的烧杯中密封、静置45min,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。考虑到传感器的标准

试验气体条件,将实验室室温保持在(20±1) ,湿度为65% 的环境,以确保测试过程中传感器灵敏度达到最佳。此外,由于茶

水和茶底中水蒸气很多,因此检测时在集气室中要放些硅胶等干燥剂,以减少水蒸气的影响。

1.2.2 试验过程
测试时,将样本瓶放入集气室中并密封,打开真空泵和控制气体测试回路的电磁阀,集气室和反应室连通形成回路,气体在反

应室与传感器反应并采集数据。经过前期大量预实验得知,传感器阵列与气体反应6min后,输出电压信号基本上达到平稳状态,

因此设置采样时间为400s,采样频率为10次/s。采集的数据通过Delphi采集后保存于数据库中,用于后期的离线分析。在测试

过程中,气体浓度有一定程度的下,所以每个样本仅采样一次。采样之后,通人配比的空气1rain对传感器进行解吸附使传感器到

初始状态,从而可以进行下一次试验。

1.3 数据处理方法
依据电子鼻采集到的传感器数据信息,提取特征变量,然后采用主成分分析提取特征变量作为模式识别的输入,运用K最邻近(KNN)

法和反向传播神经网络(BP—ANN)法来建立模型。试验所有的数据分析都是基于delphi 7.0软件获取和Matlab V7.1软件平台。
2 结果与分析
2.1 传感器数据信息筛选

洞庭碧螺春香气成分主要由醇类,含氮的杂环化合物,醛类,酸类,酮类等化合物成分组成 。本试验初选12组传感器检测碧螺春

茶叶的香气成分,试验中发现并不是每一组传感器都对碧螺春茶叶香气响应变化明显。以图2为例,图2为电子鼻一次检测茶
底样品所得的信号图。从图2可以看出,TGS825,TGS822,TGS813,TGS2611,TGS2610和TGS826对茶叶香气成分响应变

化明显,这是由于它们对碧螺春茶叶香气中一些醇类和酮类挥发性物质有较高的灵敏度;而TGS2602,TGS5042和TGS4160对茶

叶香气成分响应无明显变化。TGS2602对硫化氢、氨气有高灵敏度,而TGS5042和TGS4160分别主要用于CO和CO,的检测,造成

这3路传感器没有明显响应变化的原因可能是由于碧螺春茶叶香气成分中并无与其响应的气体。经过对每次采集样本信息的对比发现,

三路传感器对茶水、茶底样本香气成分的响应变化都非常小。因此,为了减少冗余信息对试验结果的影响,提高原始采集数据的精度

,在特征变量选取时不考虑这三路传感器。


2.2 主成分分析
由于传感器阵列对相同气体的响应有交集,因此采集的数据所反映的信息在一定程度上有所重叠,这将增加模式识别过程中计算的难度

和复杂性。主成分分析(PCA)是把多个指标转换为几个综合指标的一种统计方法,沿着协方差最大的方向由高维数据空间向低维数据空

间投影,所得的各主成分向量是相互正交的,它可以将样本在高维空间的分布通过低维空间来展现。试验提取9个传感器信号的最大值,

最小值和均值作为特征变量,茶水和茶底各60个样本,每个样本包括3 x9=27个特征值;另外,将同一等级茶水和茶底样本提取的特征

值融合在一起,共60个样本,每个样本包括54个特征值。然后将得到的数据矩阵经主成分分析处理后,提取前3个主成分因子得分向量

作图,其三维主成分分布图如图3所示。






2.3 模式识别结果
KNN和BP—ANN都属于“有监督的学习”模式识别方法 ],总体基本思路是用一组已知类别的样本作为训练集,即用已知样

本进行训练,得到判别模型;为了检测模型的判别能力,用另外一组已知类别的样本作为预测集来验证模型。在本研究中,

每个等级茶底、茶水各20个样本,3个等级共60个。从每个等级中随机选取2/3个样本作为训练集,余下的1/3个样本作

为预测集,这样不同等级茶底、茶水训练集中有40个样本,预测集中有20个样本。

3 结论
本试验采用自制的电子鼻传感器阵列区分不同等级碧螺春,根据碧螺春茶水和茶底挥发的气体信息,筛选相应的传感器,并

对传感器阵列采集的茶叶信息进行定性分类。试验结果表明,融合传感器采集茶水和茶底的信息可更全面地描述和表征不同

等级碧螺春的信息,KNN模型对不同等级碧螺春的识别率为83.3% ;采用lO一7—3的拓扑神经网络模型的识别率则达到100% 。

本研究表明,搭建的气体传感器阵列平台可用于茶叶香气的采集和分析,融合茶水和茶底的多个特征变量,结合相应的模式识别

方法可以更好地对茶叶等级做出准确判断。

参考文献:
[1] 驸燮清,章无畏.碧螺春茶的生态环境与采制特点[J].中国茶叶加工,2002,(3):19—21.
[2] 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.
[3] 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):104—106.
[4] Yu Hui—chun,Wang Jun.Discrimination of Longjing greenteagrade by electronic nose[J].Sensors and Actuators B,
2007,122:134-140.
[5] 邹小波,赵杰文,潘胤飞,等.基于遗传RBF网络的电子鼻对苹果质量的评定[J].农业机械学报,2005,36(1):61—64.
[6] Zou Xiao—bo,Zhao Jie—wen.The study of sensor array signalprocessing with new genetic algorithms[J].Sensors an—d

Ac—tuators B,2002,87:437—441.
[7] 韩孝坤,郭雯飞,吕毅.原产地域保护绿茶洞庭碧螺春的香气成分[J].茶叶,2006,32(3):150—154.
[8] 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[G]//1973—1977年科研资料汇编,
1977:138—143,139-142.
[9] Chen Quan Sheng,Zhao Jie Wen,C H Fang,et a1.Study ondiscrimination of Roast green tea(Camellia sinensis L)acco—
rding to geographical origin by FT-NIR spectroscopy and SU—pervised pattern recognition[J].Spectrochimica Acta Part A,2009,

72:845—850.
[10] Chen Quan Sheng,Zhao Jie Wen,Liu Mu Hua,et a1.Determinationof total polyphenols content in green tea using F—T
— NIR spectroscopy and different PLS algorithms[J].Journalof Pharmaceutical and Biomedical Analysis,2008,46:568—

573.
[11]Alsberg B K,Goodacrea R,Rowlandb J J,et a1.Classifica.tion of pyrolysis mass spectra by fuzzy muhivariate rule induction-
comparison with regression,K—nearest neighbour,neural and decision-tree meth-ods[J].Analytica ChimicaAct—a,1997,348:389—407.