高光譜成像技術(shù)在茶葉研究中的應(yīng)用進(jìn)展（上）
發(fā)布者：
發(fā)布時(shí)間：2024-10-31
1.茶葉品質(zhì)檢測(cè)的重要性
茶葉作為中國(guó)傳統(tǒng)飲品，具有深厚的文化底蘊(yùn)和廣泛的消費(fèi)市場(chǎng)，全球茶葉產(chǎn)業(yè)持續(xù)發(fā)展，成為經(jīng)濟(jì)的重要組成部分。茶葉品質(zhì)檢測(cè)直接關(guān)系到消費(fèi)者的安全。通過對(duì)茶葉進(jìn)行嚴(yán)格的品質(zhì)檢測(cè)，可以確保產(chǎn)品符合食品安全標(biāo)準(zhǔn)，避免有害物質(zhì)和污染物對(duì)消費(fèi)者健康造成潛在威脅。這不僅保護(hù)了消費(fèi)者的權(quán)益，也提升了品牌的可信度和美譽(yù)度。其次，在競(jìng)爭(zhēng)激烈的市場(chǎng)環(huán)境中，高品質(zhì)的茶葉能夠顯著提高品牌形象，增強(qiáng)市場(chǎng)競(jìng)爭(zhēng)力。隨著消費(fèi)者對(duì)高端茶葉的需求不斷增長(zhǎng)，品質(zhì)檢測(cè)在這一過程中發(fā)揮了至關(guān)重要的作用。隨著消費(fèi)者對(duì)茶葉品質(zhì)要求的不斷提高，建立健全的品質(zhì)檢測(cè)體系顯得尤為重要，這不僅有助于保障產(chǎn)品質(zhì)量，也能夠推動(dòng)整個(gè)行業(yè)的進(jìn)步。更進(jìn)一步，茶葉品質(zhì)檢測(cè)技術(shù)的發(fā)展也促進(jìn)了相關(guān)研究的深入，推動(dòng)了新產(chǎn)品的開發(fā)和創(chuàng)新，為茶葉產(chǎn)業(yè)注入了新的活力。因此，茶葉品質(zhì)檢測(cè)不僅關(guān)乎產(chǎn)品本身，更是保障消費(fèi)者權(quán)益、提升市場(chǎng)競(jìng)爭(zhēng)力、促進(jìn)行業(yè)發(fā)展的重要手段。
2.傳統(tǒng)茶葉品質(zhì)檢測(cè)的方法與難點(diǎn)
2.1茶葉品質(zhì)檢測(cè)
傳統(tǒng)茶葉品質(zhì)檢測(cè)方法主要包括感官評(píng)估、化學(xué)分析和物理測(cè)試等。感官評(píng)估依賴專業(yè)評(píng)審對(duì)外觀、香氣、滋味等指標(biāo)的主觀判斷，結(jié)果易受個(gè)人因素影響；化學(xué)分析如高效液相色譜（HPLC）可測(cè)定茶多酚、咖啡因等成分，但需要專業(yè)設(shè)備和技術(shù)，成本較高；物理測(cè)試則涉及水分含量和灰分等指標(biāo)，反映加工質(zhì)量，但難以全面評(píng)估綜合品質(zhì)。這些方法面臨主觀性強(qiáng)、技術(shù)復(fù)雜和信息不足等難點(diǎn)，限制了其在廣泛應(yīng)用中的有效性。
2.2茶樹種植檢測(cè)
在茶樹種植方面，傳統(tǒng)檢測(cè)方法主要包括土壤檢測(cè)、植物生理狀態(tài)監(jiān)測(cè)和病蟲害評(píng)估。土壤檢測(cè)通常通過化學(xué)分析手段測(cè)定土壤的營(yíng)養(yǎng)成分和pH值，但這需要專業(yè)設(shè)備和實(shí)驗(yàn)室條件。植物生理狀態(tài)的監(jiān)測(cè)多依賴于人工觀察和傳統(tǒng)儀器，效率較低，難以及時(shí)發(fā)現(xiàn)問題。病蟲害評(píng)估也常常依賴人工檢測(cè)，容易出現(xiàn)漏檢或誤判的情況。此外，氣候變化和環(huán)境因素對(duì)茶樹的影響也難以通過傳統(tǒng)方法有效預(yù)測(cè)?？傊?，茶樹種植檢測(cè)的難點(diǎn)在于依賴人工檢測(cè)的主觀性和時(shí)間消耗，以及對(duì)環(huán)境變化響應(yīng)不足，導(dǎo)致潛在問題無法及時(shí)發(fā)現(xiàn)。
3.高光譜成像技術(shù)的發(fā)展
高光譜成像技術(shù)是將二維成像技術(shù)和光譜技術(shù)相結(jié)合創(chuàng)造出的一種新方法，旨在獲得場(chǎng)景圖像中每個(gè)像素的光譜。這個(gè)過程有助于識(shí)別物體、識(shí)別材料或檢測(cè)過程。在保留成像功能的同時(shí)引入高光譜信息，增加信息分析的維度，為物質(zhì)成分提供定性或定量的分析方法，重點(diǎn)關(guān)注特定物質(zhì)類型的分布。常見的高光譜形式有紅外、紫外吸收光譜、反射光譜、激光誘導(dǎo)等離子體光譜，在預(yù)設(shè)光源條件下，成像光譜儀采集樣品光譜數(shù)據(jù)后傳輸?shù)絇C機(jī)進(jìn)行圖像數(shù)據(jù)的處理（圖1）。通過光譜分析對(duì)物質(zhì)進(jìn)行精確的定量分析，結(jié)合掃描成像，可以更精確地分析特定的目標(biāo)位置，以確定物質(zhì)的組成和含量。高光譜成像技術(shù)在農(nóng)業(yè)生產(chǎn)中得到了應(yīng)用。在作物鑒定、養(yǎng)分診斷、葉片光譜特征提取、生態(tài)物理參數(shù)反演與提取、農(nóng)業(yè)遙感信息模型構(gòu)建、災(zāi)害檢測(cè)等領(lǐng)域取得廣泛研究進(jìn)展。隨著精準(zhǔn)農(nóng)業(yè)的不斷推進(jìn)，高光譜成像技術(shù)的應(yīng)用已經(jīng)擴(kuò)展到農(nóng)產(chǎn)品質(zhì)量和食品安全領(lǐng)域。
圖1. 高光譜成像系統(tǒng)檢測(cè)原理
4.高光譜成像技術(shù)在茶葉室內(nèi)檢測(cè)中的應(yīng)用
高光譜成像技術(shù)憑借其廣泛的光譜信息獲取能力，已成為茶葉質(zhì)量檢測(cè)領(lǐng)域的一個(gè)重要工具。該技術(shù)可以同時(shí)采集樣品的空間和光譜信息，能夠?qū)崿F(xiàn)對(duì)茶葉中多種理化成分的定量檢測(cè)和空間分布可視化。在茶葉發(fā)酵、貯藏和加工過程中，高光譜成像能夠?qū)崟r(shí)監(jiān)測(cè)茶多酚、氨基酸、葉綠素等關(guān)鍵生物活性成分的變化，為茶葉品質(zhì)控制提供了精確的數(shù)據(jù)支持。此外，通過結(jié)合化學(xué)計(jì)量學(xué)方法該技術(shù)還可以提高檢測(cè)精度，并通過熱圖等手段進(jìn)行成分的空間分布展示，幫助優(yōu)化加工流程和提高茶葉的整體質(zhì)量。
4.1基于高光譜成像技術(shù)的茶葉發(fā)酵和儲(chǔ)存監(jiān)測(cè)中的應(yīng)用
茶葉是通過新鮮茶葉的枯萎、碾壓、發(fā)酵和干燥生產(chǎn)的。茶葉的品質(zhì)極大地受到發(fā)酵和儲(chǔ)藏過程的影響。發(fā)酵過程是茶葉生產(chǎn)中至關(guān)重要的一步，尤其對(duì)于紅茶和烏龍茶等部分發(fā)酵茶種，茶葉的顏色、香氣及滋味的形成都與此過程密切相關(guān)。而儲(chǔ)藏則關(guān)乎茶葉的新鮮度和長(zhǎng)期品質(zhì)維護(hù)，不當(dāng)?shù)膬?chǔ)藏條件可能導(dǎo)致茶葉迅速劣化。傳統(tǒng)上，茶葉的發(fā)酵和儲(chǔ)藏質(zhì)量依賴于制茶師的經(jīng)驗(yàn)和感官評(píng)估，如通過觀察茶葉的顏色變化和聞其香氣來判斷發(fā)酵程度。這種方法雖然便捷，但主觀性強(qiáng)，容易因人而異，難以確保茶葉品質(zhì)的一致性。
Yang等(Yang et al., 2021)以紅茶葉為研究對(duì)象，探索其在發(fā)酵過程中的關(guān)鍵品質(zhì)成分。研究通過在不同時(shí)間點(diǎn)進(jìn)行高光譜分析，揭示了發(fā)酵葉片堆疊位置與關(guān)鍵化學(xué)成分之間的關(guān)系，并建立了相應(yīng)的定量預(yù)測(cè)模型。此外，研究運(yùn)用了可視化技術(shù)，動(dòng)態(tài)展示了紅茶發(fā)酵過程中關(guān)鍵品質(zhì)成分變化，從而實(shí)現(xiàn)了對(duì)發(fā)酵過程的實(shí)時(shí)監(jiān)測(cè)和關(guān)鍵成分的精準(zhǔn)掌握（圖2）。Li等(Li et al., 2022)采用近紅外高光譜成像技術(shù)對(duì)4種發(fā)酵程度紅茶的品質(zhì)進(jìn)行了定性和定量評(píng)價(jià)，并通過化學(xué)成像繪制了發(fā)酵過程中兒茶素的空間分布（圖3）。這些研究不僅為紅茶發(fā)酵品質(zhì)的智能化檢測(cè)提供了寶貴的大數(shù)據(jù)支持和評(píng)價(jià)標(biāo)準(zhǔn)，也為紅茶產(chǎn)業(yè)的標(biāo)準(zhǔn)化、信息化和智能化加工奠定了堅(jiān)實(shí)的基礎(chǔ)。
圖2. 高光譜成像技術(shù)對(duì)茶葉發(fā)酵過程種關(guān)鍵理化成分預(yù)測(cè)流程圖
圖3. 不同發(fā)酵程度茶葉樣品中兒茶素含量的化學(xué)成像
茶中的多酚具有抗氧化、降脂和抗菌特性，也影響茶的獨(dú)特味道。由于加工方法的不同，各種茶葉的總多酚（TP）含量差異很大。未發(fā)酵或輕度發(fā)酵的茶（如綠茶和白茶）比發(fā)酵茶（如烏龍茶、紅茶和黑茶）含有更高的多酚含量。因此，確定茶氨酸在各類茶葉中的分布，可以定量評(píng)價(jià)茶葉的保健功效和口感品質(zhì)。
Wang等(Wang et al., 2021)探討了近紅外高光譜成像在不同類型茶葉（綠茶、白茶、黃茶、烏龍茶、黑茶和紅茶）中TP空間分布的應(yīng)用，并采用PCA-KNN方法建立了茶葉類型判別的定性模型。該研究的結(jié)果不僅準(zhǔn)確展示了茶葉中總多酚的空間分布差異（圖4），還提供了一種快速、無損的茶葉種類鑒定方法。這種方法有效地實(shí)現(xiàn)了茶葉品質(zhì)的定性與定量評(píng)價(jià)，為茶葉質(zhì)量控制及進(jìn)一步的科學(xué)研究提供了重要工具和數(shù)據(jù)支持。
圖4. 近紅外高光譜成像技術(shù)實(shí)現(xiàn)對(duì)茶葉總多酚含量的空間分布可視化
Ren等(Ren et al., 2020)以云南地區(qū)的滇紅紅茶為研究對(duì)象，采用可見-近紅外高光譜成像技術(shù)實(shí)現(xiàn)了茶葉等級(jí)質(zhì)量的智能評(píng)估，結(jié)果表明利用高光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)技術(shù)對(duì)茶葉品質(zhì)進(jìn)行預(yù)測(cè)具有廣闊的應(yīng)用前景。具體方法如圖5所示。
圖5. 可見-近紅外光譜結(jié)合化學(xué)計(jì)量學(xué)實(shí)現(xiàn)紅茶等級(jí)判定示意圖
另外，藏茶采用的是獨(dú)特的名為“WODUI”的后發(fā)酵工藝，這一高溫高濕的處理方法能夠促使茶葉中的苦味和強(qiáng)烈味道成分發(fā)生氧化降解，從而增強(qiáng)其健康益處并改善口感。其中TPs和游離氨基酸（FAAs）是影響藏茶口感的關(guān)鍵成分，不同品級(jí)的藏茶在這些成分的含量上有所差異。
Hu等(Hu et al., 2023)采用高光譜成像技術(shù)結(jié)合化學(xué)計(jì)量學(xué)測(cè)定了藏茶中TPs和FAAs含量，并對(duì)藏茶的品級(jí)進(jìn)行了區(qū)分，展示了預(yù)處理和機(jī)器學(xué)習(xí)方法結(jié)合使用在預(yù)測(cè)茶葉品質(zhì)方面的高效性，流程圖如圖6所示。證實(shí)了高光譜成像技術(shù)（HSI）作為一種快速、無損的茶葉質(zhì)量檢測(cè)方法的潛力，為茶葉質(zhì)量控制和品級(jí)評(píng)定提供了一種有效的技術(shù)手段。
圖6. 高光譜成像技術(shù)結(jié)合多元分析法檢測(cè)藏茶品質(zhì)流程圖
茶葉的過剩產(chǎn)量常常導(dǎo)致長(zhǎng)時(shí)間儲(chǔ)存，從而降低其新鮮度。不法商人有時(shí)將陳腐茶與新茶混合銷售，這不僅侵害了消費(fèi)者的健康和權(quán)益，還損害了整個(gè)茶行業(yè)的聲譽(yù)。因此，研究茶葉的儲(chǔ)存條件與品質(zhì)的關(guān)系顯得尤為重要，這不僅可以改善茶葉的日常保存方法，還可以幫助預(yù)測(cè)其保質(zhì)期。
Li等(Li et al., 2024)以新鮮綠茶為研究對(duì)象，采用HSI法和定量分析法對(duì)儲(chǔ)存綠茶的化學(xué)成分進(jìn)行了分析，并確定了最佳的茶葉貯藏期定性判別方法（圖7）。結(jié)果證實(shí)，高光譜成像技術(shù)可以準(zhǔn)確、無損且迅速地評(píng)估綠茶的新鮮度，并成功地對(duì)兒茶素和咖啡因的含量進(jìn)行了定量測(cè)定及其分布的可視化，為茶葉儲(chǔ)存提供了科學(xué)的指導(dǎo)和評(píng)估方法。
圖7. 基于高光譜成像技術(shù)監(jiān)測(cè)綠茶貯藏過程中的質(zhì)量變化
4.2高光譜成像技術(shù)在新鮮茶葉質(zhì)量評(píng)估中的應(yīng)用
茶葉作為制茶的原料，新鮮茶葉的好壞直接影響成品茶的質(zhì)量。對(duì)新鮮茶葉的品質(zhì)和物質(zhì)含量進(jìn)行無損監(jiān)測(cè)，不僅可以準(zhǔn)確掌握茶樹的生長(zhǎng)情況，還可以輔助采茶方案的決策過程，保證茶葉的品質(zhì)。
Chen等(Chen et al., 2021)在不同干旱脅迫處理下，獲得了新鮮茶苗的5個(gè)與干旱相關(guān)的生理生化指標(biāo)參數(shù)，通過多種數(shù)據(jù)處理算法和建模方法，成功預(yù)測(cè)了不同茶苗在干旱脅迫下的受害程度，能夠較為全面、客觀地評(píng)價(jià)茶樹的抗旱性。此外，利用400-1000 nm范圍內(nèi)的高光譜成像技術(shù)對(duì)10種不同茶葉種質(zhì)資源進(jìn)行干旱脅迫監(jiān)測(cè)，驗(yàn)證了高光譜技術(shù)篩選抗旱種質(zhì)的可行性和有效性。該研究對(duì)于不同干旱脅迫下的茶葉高光譜圖像處理及光譜提取流程如圖8所示。
圖8. 不同干旱脅迫下的茶葉高光譜圖像處理及光譜提取流程
Long等(Long et al., 2024)在鳳凰丹琮（FH）、白葉丹琮（BY）和紅冰丹琮（HB）茶樹的頂部共采集了140份茶葉樣品。建立了基于VNIR-SWIR HSI技術(shù)和核脊回歸（KRR）技術(shù)的單叢茶鮮葉葉綠素a、葉綠素b、類胡蘿卜素、茶多酚和氨基酸等5種生物活性物質(zhì)含量檢測(cè)方法。并利用葉面積化合物質(zhì)量（LCMA）熱圖對(duì)3個(gè)品種丹叢茶葉片中生物活性物質(zhì)的空間分布進(jìn)行可視化分析。流程圖如圖9所示。
圖9. 利用高光譜成像檢測(cè)丹參茶中生物活性成分的含量
（（A）試驗(yàn)田;（B）樣本;（C）樣品VNIR-SWIR高光譜圖像的獲取;（D）獲得生物活性化合物含量的工藝;（E）數(shù)據(jù)分析;（F）模型預(yù)測(cè)結(jié)果.）
Wang等(Wang et al., 2020)以采后茶葉鮮 葉為研究對(duì)象，探討了328~1115 nm高光譜成像快速預(yù)測(cè)鮮葉水分、總氮、粗纖維含量和品質(zhì)指標(biāo)值的潛力，評(píng)價(jià)結(jié)果如圖10所示。研究結(jié)果為多光譜成像系統(tǒng)的進(jìn)一步在線應(yīng)用提供了基礎(chǔ)。
圖10. 高光譜成像快速檢測(cè)采后鮮茶葉質(zhì)量指標(biāo)的評(píng)價(jià)結(jié)果
粗纖維（CF）和茶多酚（TP）是評(píng)價(jià)茶葉品質(zhì)的重要指標(biāo)。因此，TP和CF的快速定量檢測(cè)有助于專家對(duì)鮮茶葉品質(zhì)的快速評(píng)價(jià)。Luo等(Luo et al., 2023)采集了14個(gè)品種的茶樹新鮮葉片，去探索不同光譜范圍的高光譜圖像在預(yù)測(cè)鮮茶葉關(guān)鍵品質(zhì)指標(biāo)含量（CF和TP）中的作用，葉片中CF和TP含量可視化如圖11所示。并詳細(xì)討論了所提出的模型和方法在實(shí)際生產(chǎn)中的推廣和適用性，該研究對(duì)于促進(jìn)茶園鮮葉質(zhì)量的快速檢測(cè)，提高茶園管理水平具有重要意義。
圖11. 高光譜成像技術(shù)結(jié)合PLS模型實(shí)現(xiàn)葉片中CF和TP含量可視化
（第一列為單波段成像。第二列是CF和TP含量的分布圖。第三列是含量的直方圖。）
Lu等(Lu et al., 2021)采集了健康茶葉與白星病和炭疽病茶葉樣本（圖12），利用高光譜技術(shù)（420-946 nm）對(duì)圖像特征相似的白星病和炭疽病進(jìn)行了識(shí)別和區(qū)分。兩種病害侵染的全葉病斑區(qū)域的平均光譜差異顯著，將閾值分割和掩模處理后提取的病斑區(qū)域平均光譜與不同的機(jī)器學(xué)習(xí)模型相結(jié)合進(jìn)行分類，基于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的ELM模型的分類精度達(dá)到95.77%。結(jié)果表明，對(duì)于這兩種相似的病害，高光譜技術(shù)可以在茶樹病害發(fā)病的早期就準(zhǔn)確識(shí)別和檢測(cè)病害的嚴(yán)重程度。
圖12. 高光譜成像技術(shù)對(duì)健康茶葉和患病茶葉的采集
參考文獻(xiàn)
楊霄, 等. （2023）. 高光譜成像技術(shù)在茶葉生產(chǎn)中的應(yīng)用研究進(jìn)展[J]. 中南農(nóng)業(yè)科技, 12（44）.https://10.3969/j.issn.1007-273X.2023.12.059
Yang, C., Yan, Z., Ting, A., Zhongyuan, L., Yongwen, J., Yaqi, L., & Chunwang, D. (2021). Quantitative prediction and visualization of key physical and chemical components in black tea fermentation using hyperspectral imaging. LWT, 141. https://doi.org/10.1016/j.lwt.2021.110975
Li, L., Yujie, W., Qingqing, C., Ying, L., Jingming, N., & Zhengzhu, Z. (2022). Qualitative and quantitative quality evaluation of black tea fermentation through noncontact chemical imaging. Journal of Food Composition and Analysis, 106. https://doi.org/10.1016/j.jfca.2021.104300
Wang, Y., Ying, L., Yuyu, C., Qingqing, C., Luqing, L., Jingming, N., & Zhengzhu, Z. (2021). Spatial distribution of total polyphenols in multi-type of tea using near-infrared hyperspectral imaging. LWT, 148. https://doi.org/10.1016/j.lwt.2021.111737
Ren, G., Ning, J., & Zhang, Z. (2020). Intelligent assessment of tea quality employing visible-near infrared spectra combined with a hybrid variable selection strategy. Microchemical Journal, 157. https://doi.org/10.1016/j.microc.2020.105085
Hu, Y., Huang, P., Wang, Y., Sun, J., Wu, Y., & Kang, Z. (2023). Determination of Tibetan tea quality by hyperspectral imaging technology and multivariate analysis. Journal of Food Composition and Analysis, 117, 105136. https://doi.org/10.1016/j.jfca.2023.105136
Li, F., Shen, J., Yang, Q., Wei, Y., Zuo, Y., Wang, Y., Ning, J., & Li, L. (2024). Monitoring quality changes in green tea during storage: A hyperspectral imaging method. Food Chemistry: X, 23. https://doi.org/10.1016/j.fochx.2024.101538
Chen, S., Gao, Y., Fan, K., Shi, Y., Luo, D., Shen, J., Ding, Z., & Wang, Y. (2021). Prediction of Drought-Induced Components and Evaluation of Drought Damage of Tea Plants Based on Hyperspectral Imaging. Frontiers in Plant Science, 12, 695102. https://doi.org/10.3389/fpls.2021.695102
Long, T., Tang, X., Liang, C., Wu, B., Huang, B., Lan, Y., Xu, H., Liu, S., & Long, Y. (2024). Detecting bioactive compound contents in Dancong tea using VNIR-SWIR hyperspectral imaging and KRR model with a refined feature wavelength method. Food Chemistry, 460, 140579. https://doi.org/10.1016/j.foodchem.2024.140579
Wang, Y., LuQing, L., ShanShan, S., Ying, L., JingMing, N., & ZhengZhu, Z. (2020). Rapid detection of quality index of postharvest fresh tea leaves using hyperspectral imaging. Journal of the Science of Food and Agriculture, 100(10). https://doi.org/10.1002/jsfa.10393
Luo, Chanjun, S., Yong, H., Fengle, Z., & Xiaoli, L. (2023). Cross-cultivar prediction of quality indicators of tea based on VIS-NIR hyperspectral imaging. Industrial Crops & Products, 202. https://doi.org/10.1016/j.indcrop.2023.117009
Lu, B., Jun, S., Ning, Y., Xiaohong, W., & Xin, Z. (2021). Identification of tea white star disease and anthrax based on hyperspectral image information. Journal of Food Process Engineering, 44(1), e13584. https://doi.org/10.1111/jfpe.1358
地址：無錫市梁溪區(qū)南湖大道飛宏路58-1-108.png)
電話：13810664973.png)
郵箱：info@dualix.com.cn
在線咨詢