《食品科學》：董春旺研究員、于曉副教授等：基于微型近紅外光譜的紅茶萎凋水分無損檢測方法

沂蒙紅茶是山東特色名優紅茶，屬于小葉種功夫紅茶，具有甜花香、紅翡湯、味甜爽的特點。萎凋是沂蒙紅茶加工中的重要工序，直接決定后續工序質量與成品茶風味特征，精準判斷茶葉萎凋程度是確保紅茶品質的關鍵。水分含量是萎凋過程中萎凋葉的重要變量，其變化能夠在一定程度上反映紅茶萎凋進程，是評價紅茶萎凋程度的主要標準，然而，現有的基于水分的紅茶萎凋程度檢測方式存在一些問題：1）人工評測萎凋葉水分，這種評價方法相對主觀且依賴人工經驗，準確性有待提升；2）理化方法測量萎凋葉水分，這種評價方法存在遲滯問題且并非無損檢測。因此，如何實現萎凋進程中水分的準確、快速和無損檢測，對于沂蒙紅茶的標準化、數字化生產具有重要意義。

近紅外光譜（NIR）能夠對C—H、O—H和N—H等化學鍵的含量進行量化，實現對待測對象的定性、定量分析。在無損檢測中，NIR方法展現出了準確、快速的顯著優勢。許多研究者致力于將NIR測量方法與機器學習方法結合，應用于茶葉各個生產階段中的水分檢測研究。例如，Sun Jun等將預處理方法、特征選擇算法與多元線性回歸（MLR）法結合，對茶葉NIR數據進行分析，實現了對茶葉水分含量的預測；Shen Shuai等基于標準正態變量變換（SNV）方法、Elman神經網絡（ENN）和主成分分析（PCA）方法，實現了對紅茶萎凋中水分變化預測；Sheng Xufeng等基于微型NIR和最小二乘支持向量機（LS-SVM）建立了對紅茶干燥工藝的水分預測模型，預測相關系數（rp）和預測均方根誤差（RMSEP）分別達到了0.969 6和0.001 6。

Wu Chenyuan等提出了4 種基于混合蟻群優化算法的微波頻率信號優選方法，借助自主研發的微波傳感系統實現了萎凋茶葉含水量的無損檢測，但其測量系統體積較大，較難直接應用于茶葉的工業生產過程；Song Yan等提出了一種新型深度學習網絡DiSENet（denseinception spectral-SE attention network），對不同溫度下的茶葉NIR數據進行學習以實現對綠茶水分的預測，但這種方法的對算力成本較高，不利于在實際生產過程中推廣。

綜上，當前針對NIR技術在沂蒙紅茶萎凋過程檢測方面的生產應用研究相對稀缺。針對山東沂蒙紅茶萎凋過程的量化分析問題，天津理工大學電氣工程與自動化學院的李昊洵、于曉*和山東省農業科學院茶葉研究所的董春旺*等采集萎凋葉的NIR信息和萎凋水分信息，使用預處理方法和波段篩選方法對光譜數據進行優化，分別建立萎凋階段分類模型和萎凋葉含水量預測模型，實現對紅茶萎凋程度的快速、準確、無損檢測，旨在為沂蒙紅茶標準化、數字化生產提供理論方法與數據支撐。具體流程如圖1所示。

1 沂蒙紅茶萎凋過程水分含量變化

如圖2所示，在萎凋過程中，萎凋葉水分質量分數基本分布在50%～70%之間，總體呈下降趨勢。萎凋前240 min水分含量快速下降，萎凋葉中游離水大量蒸發，此階段失水量接近總失水量的一半；在萎凋開始的240～360 min水分含量變化較為平緩，萎凋葉中的游離水已經基本散逸，部分成分的水解與葉梗水分擴散導致了水分含量變化曲線的輕微波動；在360～600 min，萎凋葉的水分降低再次加速。根據沂蒙紅茶萎凋過程中的失水過程，本研究將整個失水過程分為3 個階段；萎凋前期（0～240 min）、萎凋中期（240～360 min）和萎凋后期（360～600 min），并嘗試通過分類模型實現對萎凋葉失水階段的判斷。

2 PCA及NIR解析

本研究對萎凋階段進行PCA，結果如圖3a所示。對萎凋過程中采集的光譜進行分時段平均處理，獲得各個時間段的NIR平均曲線，如圖3b所示。MI、MII、MIII分別代表萎凋前期、萎凋中期與萎凋后期。根據圖3可知，PC1對最終分類結果的方差貢獻率高達80.8%，可以代表原始數據的絕大部分信息。萎凋葉樣本點的空間分布較為集中，且隨萎凋時間延長在特征空間中定向移動，表現出空間上的聚集性與時間上的連續性。前者表明萎凋葉具有部分不變的特性，證明萎凋過程的連貫發生；后者表明萎凋前期、萎凋中期到萎凋后期的光譜數據特征存在差異，可以作為萎凋階段判別依據。

M1～M10分別代表了萎凋1～10 h以1 h為間隔獲取的萎凋葉NIR數據均值，表示紅茶萎凋程度不斷加劇。萎凋葉各時段光譜均值由相應1 h內采集的所有樣本光譜數據經平均計算獲得。根據圖3b可知，隨著萎凋時間的延長，紅茶萎凋葉NIR光譜值也在變化，且在間隔時間為60 min時，光譜值就能產生較為明顯的變化，相鄰曲線能產生最高10%左右的吸光度變化。因此，通過光譜值變化對紅茶萎凋程度進行判斷具備可行性。

本研究對便攜式微型光譜儀采集到的全體NIR信息進行了繪制，如圖4a所示，在可見光區段和近紅外區段各有一處峰值?？梢姽獠糠衷?00～650 nm區間存在相對平緩峰值，由茶葉色素對紅光（大約660 nm）、藍光（大約430 nm）的吸收以及對綠光（大約550 nm）的反射產生。由于茶葉萎凋過程中的色素積累、顏色加深，此處峰值趨于平緩。在700～900 nm區間，曲線波段總體呈上升趨勢，這是因為葉片細胞中的空腔結構，與C—H鍵的4、5 級倍頻伸縮振動和N—H鍵、O—H鍵的4 級倍頻伸縮振動對應。因此，隨萎凋過程的進行，水分含量的變化導致O—H鍵含量的改變，進而導致700～900 nm區間的吸光度變化。

3 萎凋程度判別模型的建立

3.1 預處理方法優選

對本研究使用5 種預處理方法降低由機器產生的噪聲和基線漂移對原始數據的干擾，提升模型分類、預測精度。為排除噪聲數據干擾，對340～392 nm波段進行了剔除，預處理結果如圖4b～f所示。經過S-G方法處理后，曲線噪聲明顯降低，相比原始光譜局部細節更加平滑；MSC、SNV和Z-score方法預處理后，相比原始光譜顯著凸顯了光譜形狀和吸收峰差異，有效校正了光譜數據基線。

為了直觀表示預處理過程對模型分類的改善效果，本研究借助RF算法的性能指標變化對預處理算法優化能力進行量化，如表1所示。原始光譜數據訓練獲得的RF分類模型在測試集上準確率偏低，且模型存在過擬合。通過預處理方法對光譜數據進行處理后，模型在測試集上的準確率、精確率、召回率和F1分數上有普遍提升，過擬合問題也得到緩解。

其中，Median filter方法在各種預處理方法中達到了最優的分類效果，在訓練集與測試集上均展現了較好的模型性能，說明了Median filter方法在提升模型分類性能方面的有效性。采用Median filter預處理的分類模型在精確率和召回率上表現最優，說明模型能夠實現對萎凋階段的準確分類；較高的F1分數說明該模型能較好地平衡精確率和召回率，漏檢和錯檢可能性較低。

3.2 分類模型優選

由于光譜和水分含量測定時存在大量線性或非線性因素，因此需要對分類模型進行優選以建立更加精準的萎凋程度判別模型。本研究進行了RF、SVM、RBF和CNN等模型的優選。其中，RF模型采用5折交叉驗證，選取了20 個決策樹，以50為步長作尋優處理，以多折平均分類錯誤率作為參數優選依據；SVM模型選擇RBF核，其結構簡單、參數量少，同時能夠適應光譜值與萎凋葉水分間的非線性關系，采用交叉驗證函數tunelsssvm對懲罰因子（c）和核函數參數（g）進行參數優化；RBF模型的擴散速度設置為100；CNN模型采用2×1尺寸的一維卷積核提取光譜特征，采用Adam梯度下降算法，初始學習率設置為0.001，學習率下降因子為0.1。以分類模型性能指標量化判斷各分類模型與目標任務的匹配度，結果如表2所示。除RF模型外，其他3 種模型均存在過擬合的情況，SVM在訓練集與測試集準確率均較低，且兩數據集分類準確率差距較大；RBF在訓練集表現良好，但在測試集表現最差，準確率差值為0.138，在4 種模型中過擬合情況最嚴重；CNN模型過擬合程度較低，但在訓練集與測試集各項性能指標均低于RF模型。通過對比各參數說明RF模型具有較好的分類能力。

由圖5可見，絕大部分數據集中于混淆矩陣對角線上，僅有少量樣本出現了分類錯誤情況，模型在訓練集與測試集分別取得了99.9%和99.4%的分類準確率，說明模型具有較好的分類能力。

4 萎凋程度判別模型的建立

4.1 預處理方法優選

與萎凋程度判別模型類似，采用RF模型性能指標評價預處理方法的有效性。如表3所示，針對本研究中光譜數據，預處理方法對模型rc和rp提升較小，訓練獲得模型存在較為明顯的過擬合情況。均方根誤差方面，預處理后數據除S-G方法外均在一定程度上降低了兩種均方根誤差；RPD方面，除S-G外，其他預處理方法對應的預測模型均有相對明顯的提升，MSC、Median filter和Z-score方法對應模型性能指標較優，對預測模型有較好的優化效果。

在幾種預處理方法中，Median filter方法較好地抑制了模型的過擬合，明顯降低了均方根誤差，相比原始數據，其對應模型的RPD提升了0.986。綜上所述，Median filter方法對預測模型性能的提升效果顯著優于其他方法，因此，本研究選擇Median filter方法對NIR數據進行預處理。

4.2 萎凋葉水分特征波段篩選和線性預測模型建立

基于預處理優選結果，對SPA、BOSS和CARS等波段篩選算法進行優選，減少光譜數據維度，提升水分預測模型的運算效率和精度，借助RF模型性能指標量化波段篩選優化效果，結果如表4所示。相比僅進行Median filter預處理的NIR數據，經過波段篩選后，數據特征維度降低，且模型的過擬合問題得到抑制，RPD也有所提升。其中，BOSS算法對應預測模型的rc與rp差值僅為0.005，是3 種算法中對過擬合問題抑制最好的模型，其RPD也高于CARS和SPA，證明BOSS方法能夠高效篩選NIR數據特征，有效提升預測模型性能。

從表5、圖6可知，BOSS方法保存了41 個波段，且保留波段基本集中在400～500、700～900 nm兩個區間，其中430、660 nm附近波段能夠反映萎凋過程中色素積累導致的光吸收程度變化，間接反映萎凋葉水分變化；700～900 nm波段接近O—H基團倍頻波段，能夠通過O—H基團含量反映萎凋葉水分流失情況。特征波段篩選后RF模型性能指標的提升能夠證明該方法的有效性。CARS方法與SPA方法保留了較多波段。CARS方法在400～500 nm波段篩選結果較為準確，對可見光吸收度變化的反應較為明顯，但在600 nm和900 nm附近保留冗余波段較多，相比BOSS方法，預測效率相對較低；SPA方法保留的特征波段數遠高于其他兩種方法，但在700～900 nm波段忽略了大部分關鍵特征，導致對應模型性能略遜于BOSS方法。

綜上，BOSS方法在有效減少NIR數據變量復雜度的同時提升了預測模型的性能，因此，本研究使用該方法完成波段篩選工作。

4.3 水分預測回歸模型優選

針對預測模型進行了PLSR、RF和SVR模型的優選，PLSR的PCs數、RF的決策樹數量和SVR的c均由5折交叉驗證獲取。RF模型選取了20 個N值（50～1 000，步長50）作尋優處理，以RMSEC作為參數優選依據；SVR模型基于MATLAB軟件中的Li-SVMLAB工具箱創建，與分類模型尋優模式類似，進行參數選擇和模型優選，結果如表6、圖7a所示。RF與SVR兩種非線性模型的rc、rp和RPD均高于線性PLSR模型，而均方根誤差值均低于PLSR模型，說明非線性模型在處理水分預測問題過程中的可靠性優于線性模型。在兩種非線性模型中，BOSSSVR模型表現出了更好的預測性能，其中rc為0.994、rp為0.984、RPD為4.485、RMSEC為0.730、RMSEP為1.198，當RPD＞2時，表明模型具有較好的預測能力，RPD可以證明模型具有良好的擬合效果。以標簽含水量與模型預測的含水量分別為橫縱坐標軸，對模型預測準確性進行了可視化分析。由圖7b可知，所有樣本點均分布于直線y＝x附近，證明模型對萎凋葉水分含量的預測值基本接近標簽值，具有較高的精準度。

結 論

本研究基于實際生產過程中的NIR數據和水分數據，分別建立了萎凋階段判別模型和萎凋葉水分預測模型，實現了快速、準確、無損的紅茶萎凋程度檢測。結果表明，基于Median filter預處理建立的RF萎凋階段判別模型在測試集的分類準確率為99.4%；基于BOSS波段篩選與PCA降維處理的SVR水分預測模型rc為0.994、rp為0.984、RPD為4.485。本研究驗證了基于NIR技術投入沂蒙紅茶工業生產中質量檢測環節應用的可行性，可為沂蒙紅茶智能化萎凋水分實時無損檢測提供基礎理論支撐。

本研究建立的RF萎凋階段判別模型和BOSS-SVR萎凋葉水分預測模型能夠對工業生產環境下沂蒙紅茶的萎凋程度做出較為精準的分類和預測，然而仍然存在以下不足：首先，本研究建立的兩種萎凋程度檢測模型并未通過不同地區的不同品種樣本進行外部實驗驗證，在模型泛化性能上存在提升空間；其次，本研究建立的模型需要借助上位機完成分析預測工作，限制了檢測設備的應用場景；最后，BOSS-SVR萎凋葉水分預測模型的預測誤差相對較高，仍存在提升空間。因此，未來可針對這些問題進行更加深入的研究工作，通過外部驗證實驗以提升模型泛化能力、引入嵌入式設計豐富設備應用場景、更換和改進預測模型以提高預測精度，以期進一步完善模型和預測設備。

引文格式：

李昊洵, 于曉, 董春旺, 等. 基于微型近紅外光譜的紅茶萎凋水分無損檢測方法[J]. 食品科學, 2025, 46(24)：304-312. DOI:10.7506/spkx1002-6630-20250707-051.

LI Haoxun, YU Xiao, DONG Chunwang, et al. Non-destructive detection of the moisture content of withered leaves for black tea based on micro-near infrared spectroscopy[J]. Food Science, 2025, 46(24)：304-312. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250707-051.

實習編輯：魏雨諾；責任編輯：張睿梅。點擊下方 閱讀原文 即可查看全文。圖片來源于文章原文及攝圖網

為匯聚全球智慧共探產業變革方向，搭建跨學科、跨國界的協同創新平臺，由北京食品科學研究院、中國肉類食品綜合研究中心、國家市場監督管理總局技術創新中心（動物替代蛋白）、中國食品雜志社《食品科學》雜志（EI收錄）、中國食品雜志社《Food Science and Human Wellness》雜志（SCI收錄）、中國食品雜志社《Journal of Future Foods》雜志（ESCI收錄）主辦，西南大學、 重慶市農業科學院、 重慶市農產品加工業技術創新聯盟、重慶工商大學、 重慶三峽科技大學 、西華大學、成都大學、四川旅游學院、北京聯合大學、 中國-匈牙利食品科學“一帶一路”聯合實驗室（籌）、 普洱學院 共同主辦 的“ 第三屆大食物觀·未來食品科技創新國際研討會 ”， 將于2026年4月25-26日 （4月24日全天報到） 在中國 重慶召開。

長按或微信掃碼進行注冊

為系統提升我國食品營養與安全的科技創新策源能力，加速科技成果向現實生產力轉化，推動食品產業向綠色化、智能化、高端化轉型升級，由北京食品科學研究院、中國食品雜志社《食品科學》雜志（EI收錄）、中國食品雜志社《Food Science and Human Wellness》雜志（SCI收錄）、中國食品雜志社《Journal of Future Foods》雜志（ESCI收錄）主辦，合肥工業大學、安徽農業大學、安徽省食品行業協會、安徽大學、合肥大學、合肥師范學院、北京工商大學、中國科技大學附屬第一醫院臨床營養科、安徽糧食工程職業學院、安徽省農科院農產品加工研究所、安徽科技學院、皖西學院、黃山學院、滁州學院、蚌埠學院共同主辦的“第六屆食品科學與人類健康國際研討會”，將于 2026年8月15-16日（8月14日全天報到）在中國 安徽 合肥召開。

長按或微信掃碼進行注冊

會議招商招展

聯系人：楊紅；電話：010-83152138；手機：13522179918（微信同號）