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(guò)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*茶葉的需求不斷增長(zhǎng)，品質(zhì)檢測(cè)在這一過(guò)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(kāi)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(lài)專(zhuān)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*因等成分，但需要專(zhuān)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(shù)種植檢測(cè)

在茶樹(shù)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(chóng)害評(píng)估。土壤檢測(cè)通常通過(guò)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(zhuān)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(lài)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(wèn)題。病蟲(chóng)害評(píng)估也常常依賴(lài)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(shù)的影響也難以通過(guò)傳統(tǒng)方法有效預(yù)測(cè)?？傊?，茶樹(shù)種植檢測(cè)的難點(diǎn)在于依賴(lài)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(wèn)題無(wú)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(guò)程有助于識(shí)別物體、識(shí)別材料或檢測(cè)過(guò)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(lèi)型的分布。常見(jiàn)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(guò)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(guò)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(guò)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(guò)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(guò)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(guò)程的影響。發(fā)酵過(guò)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(guò)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(lài)于制茶師的經(jīng)驗(yàn)和感官評(píng)估，如通過(guò)觀察茶葉的顏色變化和聞其香氣來(lái)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(guò)程中的關(guān)鍵品質(zhì)成分。研究通過(guò)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(guò)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(guò)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(guò)化學(xué)成像繪制了發(fā)酵過(guò)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(guò)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)*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(lèi)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(lèi)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(lèi)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(wú)損的茶葉種類(lèi)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(jiàn)-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(jiàn)-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)*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(wú)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(guò)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*茶混合銷(xiāo)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(wú)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*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(guò)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(wú)損監(jiān)測(cè)，不僅可以準(zhǔn)確掌握茶樹(shù)的生長(zhǎng)情況，還可以輔助采茶方案的決策過(guò)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(guò)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(shù)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(shù)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(lèi)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(zhuān)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(shù)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(lèi)，基于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的ELM模型的分類(lèi)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(shù)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）.

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.lwt.2021.110975Li, 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. jfca.2021.104300Wang, 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, 148.2021.111737Ren, 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.microc.2020.105085Hu, Y., Huang, P., Wang, Y., Sun, J., Wu, Y., & Kang, Z. (2023). Determination of Tibetan tea quality by hyperspectral imaging technology and mul*ivariate analysis. Journal of Food Composition and Analysis, 117, 105136.jfca.2023.105136Li, 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.fochx.2024.101538Chen, 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, 695102.2021.695102Long, 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. 2024.140579Wang, 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).10393Luo, Chanjun, S., Yong, H., Fengle, Z., & Xiaoli, L. (2023). Cross-cul*ivar prediction of quality indicators of tea based on VIS-NIR hyperspectral imaging. Industrial Crops & Products, 202. 2023.117009Lu, 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.