论文部分内容阅读
绿茶具有生津解渴和医疗保健等功效,是世界消费量最大的三大饮料之一。茶多酚和游离氨基酸是绿茶中的主要品质成分,其含量的多少直接影响绿茶的色、香、味,高质量的绿茶既是人们所追求的消费对象,也是茶叶健康发展的方向。因此,探索绿茶等级和绿茶品质成分的快速和无损分析方法是非常有必要的。本文以湄潭翠芽为研究对象,利用光谱仪对150份绿茶粉碎样品分别测其可见-近红外光谱,分析绿茶等级、绿茶茶多酚和游离氨基酸含量与其可见-近红外光谱值之间的相关性,探讨绿茶的光谱分级方法及绿茶茶多酚和游离氨基酸含量的光谱检测方法。主要研究内容及结论如下:(1)运用卷积平滑、多元散射校正、标准正态变量变换、一阶导数法、去趋势法等五预处理方法对样本原始光谱数据进行处理,然后基于不同光谱预处理方法和原始光谱建立偏最小二乘回归(PLSR)等级模型和支持向量回归(SVMR)等级模型,研究分析不同光谱预处理方法对不同模型的影响。结果表明:在绿茶等级判别中,PLSR模型中的高斯平滑预处理效果最好,模型的预测集相关系数达到0.9565,均方根误差最小为0.2958;在茶多酚含量定量检测中,SVMR模型中的卷积平滑预处理效果最好,模型的预测集相关系数达到0.9838,均方根误差为0.1256;在游离氨基酸含量定量检测中,SVMR模型中的卷积平滑预处理效果最好,模型的预测集相关系数达到0.9138,均方根误差为0.1902。因此,对原始光谱进行预处理可以提高建模的精度。(2)用基于逐步回归分析方法(SWR)、连续投影算法(SPA)、竞争自适应重加权算法(CARS)3种特征波长选择方法对预处理后的光谱数据进行降维,讨论了基于3种不同特征波长和全波段数据的5种翠芽等级判别偏最小二乘回归模型,结果表明4种模型都有很好的预测效果。在绿茶等级判别中,CARS-PLSR模型预测效果最佳,模型的预测集相关系数达到0.9739,均方根误差为0.2250;在茶多酚含量定量检测中,SG Smoothing-SVMR模型预测效果最佳,模型的预测集相关系数达到0.9838,均方根误差为0.1256;在游离氨基酸含量定量检测中,SPA-SVMR模型预测效果最佳,模型的预测集相关系数达到0.9391,均方根误差为0.1532。因此,利用特征波长筛选对湄潭翠芽等级、茶多酚含量及游离氨基酸含量的判别是可行的。(3)由预测集预测结果可知,40个预测样本的偏差都在误差范围内。因此利用近红外光谱能有效的对湄潭翠芽等级和有机生化成分(茶多酚和游离氨基酸)含量进行定量分析。