一种绿茶滋味品质多属性定量评价方法

技术领域

本发明涉及绿茶定位评价领域，具体为一种绿茶滋味品质多属性定量评价方法。

背景技术

绿茶是中国六大茶类中历史最悠久且饮用人群最广泛的品类，其产地分布广，江南茶区、华南茶区、西南茶区、江北茶区均有生产，2022年我国绿茶年产量已经达到185.38万吨。绿茶的制作工艺主要包括摊放-杀青-做形-干燥四个步骤，总体具有“清汤绿叶、香气清高、滋味鲜爽”的品质特色。

传统的茶叶感官审评主要依靠有经验的专家，依据国标GB/T 23776茶叶感官审评方法对其“外形、汤色、香气、滋味、叶底”五个方面进行综合描述和评分。传统的茶叶感官审评主要目前部分研究结合茶叶品质综合评价得分和电子舌、近红外等智能感官及光谱仪器构建了相应的仪器评价方法。2021年，杨艳琴等针对茶叶香气的综合评分发明了一种基于快速气相电子鼻技术的滇红工夫茶汤香气品质客观评价方法(专利)，将样品根据香气评分划分为A类(综合评分≥90分)、B类(综合评分＜90分)，实现了滇红工夫茶汤综合品质的定性分类预测方法。2020年，王胜鹏等针对茶叶滋味的综合评分开展了青砖茶茶汤滋味品质的近红外快速无损评价(《华中农业大学学报》，2020，39(3)，113-119)。但上述研究均针对的是茶叶香气或者滋味的综合总评分建立评价方法。

2022年，张颖彬等基于食品感官分析基本原理，系统化整理了茶叶感官“基元语素集”，针对茶叶评价中的基本感官属性构建完成中国茶叶风味轮(《T/CTSS 58茶叶感官风味轮，中国茶叶学会，2022》)，为进一步开展茶叶中具体感官属性的定性定量评价奠定了基础。当前，茶叶人工感官评价已经从针对香气、滋味的综合评价，发展为针对香气、滋味特色感官属性，例如“苦、涩、甘、鲜、滑”、“清香、花香、嫩香、栗香”的精准化评价，从而实现对茶叶风味特色的精细解读，用于指导生产加工和新产品开发。李春霖通过近红外光谱无损检测技术结合参数优化支持向量机方法建立龙井茶鲜味和涩味的定性预测模型，预测准确率达75.18％(李春霖.基于化学计量学和近红外光谱技术的龙井茶感官及化学品质评价研究[D].浙江大学,2020)。但现有技术中并未公开针对绿茶单一感官属性建立起专门的定量评价预测模型。

现有技术中由于针对特定感官属性的定量描述评价方法(QDA)对于感官评价员具有较高的能力要求，且单次评价需要10-12名评价员(GB/T16291.2-2010感官分析选拔、培训和管理评价员一般导则第1部分：优选评价员)，同时进行多轮重复，才能获得产品的最终感官定量值，因此，在具体实施的时候具有较高的难度。企业或实验室无法在短时间内建立起一支能稳定输出感官评价数据的评价员队伍，即使产品开发中需要准确的感官属性定量数据，也非短时间内可获得，所以提出一种绿茶滋味品质多属性定量评价方法是十分必要的。

发明内容

本发明的目的在于提供一种绿茶滋味品质多属性定量评价方法，能够对绿茶滋味进行快速、精准和高效的评价，以解决现有的技术缺陷和不能达到的技术要求。

为实现上述目的，本发明提供如下技术方案：一种绿茶滋味品质多属性定量评价方法：包括：

一)、使用电子舌对绿茶茶汤样品进行数据采集，得到绿茶茶汤产生的味觉信息响应值；

二)、对绿茶茶汤样品进行光谱数据采集和初步处理；

2.1)、使用傅里叶变换型近红外光谱仪对绿茶茶汤进行光谱数据采集；

2.2)、通过多项式平滑算法对2.1)中的光谱数据进行预处理；

2.3)、基于遗传算法筛选出绿茶茶汤滋味“浓度”、“苦度”、“涩度”、“甘度”、“鲜度”、“滑度”近红外特征波段矩阵；

2.4)、使用主成分分析法对2.3)中的近红外特征波段矩阵进行处理，得到近红外光谱信息降维数据；

三)、基于反向传播神经网络模型将步骤一)中的味觉信息响应值、2.4)中的近红外光谱信息降维数据和人工感官评价数据进行模型建立，以实现对绿茶滋味中“浓度”、“苦度”、“涩度”、“甘度”、“鲜度”和“滑度”的多属性快速评测。

优选的，所述步骤一)中，通过电子舌获得绿茶茶汤产生的味觉信息响应值具体步骤是：

1.1)、先对电子舌上的传感器依次进行活化、预平衡、校准、诊断；

1.2)、将待测样品过0.45μm滤膜过滤，样品体积为70mL，采集时间120s，每种样品连续采集3次，采集温度为25℃，选取图谱第119s响应信号值。

1.3)、数据采集和电子舌清洗交替进行，不同样品进行数据采集时样使用去离子水清洗电子舌3次，每次15s，同一样品采集过程中不进行重复清洗。

优选的，所述步骤2.1)中对绿茶茶汤进行光谱数据采集的具体操作步骤为：

2.1.1)、将待测绿茶茶汤样品过0.45μm滤膜过滤；

2.1.2)、取2mL过滤后的绿茶茶汤于专用进样管中，加盖封闭；

2.1.3)、将专用进样管放入样品池中，以漫反射的方式对绿茶茶汤进行扫描，扫描次数64次，重复3次，其中，扫描时分辨率为1.0cm

优选的，所述步骤2.2)中，对光谱数据进行预处理的具体方式为：将近红外光谱10000cm

所述步骤2.3)中，筛选出绿茶滋味的近红外特征波段矩阵的具体方式为：将茶汤的“浓度”、“苦度”、“涩度”、“甘度”、“鲜度”和“滑度”的多属性感官定量得分作为因变量，通过RSME值比较，基于遗传算法，使用偏最小二乘回归模型的决定系数，从波段原始数据中筛选出可用波段矩阵；

所述步骤2.4)中，作为近红外光谱信息降维数据使用的是：使用主成分分析法降维获得前10个主成分。

优选的，所述步骤三)中，对绿茶茶汤滋味进行多属性快速评测时，使用标准反向神经网络，隐含层为2层，对应的神经网络节点分别17个。

优选的，所述步骤一)和步骤二)中的绿茶茶汤样品的制备方式为：每份茶样为3.0g，将茶样分别置于150ml的审评容器中，向容器中注满沸水后，加盖冲泡，冲泡时间分别为1min-5.5min，沥出得到四份绿茶茶汤样品。

优选的，所述步骤二)和步骤三)中的提取波段和拟合的“浓度、苦度、涩度、甘度、鲜度和滑度”人工感官评价结果，均为茶汤滋味品尝时最小的感觉单元，非多种感觉类型复合形成的综合性感官体验，感官体验分值区间为0-9分，0分表示该属性无法感受，3分表示该属性可感受，6分表示该属性感受强，9分表示该属性感受极强。

优选的，所述感官体验分值区间0-9分的参比样品为：

优选的，所述步骤三)中，根据感官评价基本要求，RSME小于1为模型具有应用性的必要条件，单一样品测试集得分与真实得分差值小于1分，判定为预测正确。

优选的，所述步骤一)中，电子舌采用电子舌味觉指纹分析仪，所述电子舌上至少设置有AHS、PKS、CTS、NMS、CPS、ANS和SCS七组高分子膜固态传感器，且此7根高分子膜固态传感器为非专一性传感器。

与现有技术相比，本发明的有益效果是：

1、本申请通过电子舌-近红外光谱融合技术，实现对绿茶滋味中“浓度、苦度、涩度、甘度、鲜度和滑度”六种关键属性的快速评价，避免了定量描述分析(QDA)实施过程中，操作复杂、对专业感官评价小组依赖度高、组织难度大等不利因素，可以替代传统的人工感官评价，使绿茶滋味评价具有高效性，且反向传播神经网络模型是一种按误差反向传播训练的多层前馈网络，通过梯度下降法使得网络的实际输出值和期望输出值的误差均方差为最小，该模型具有较强的非线性映射能力，能更好的模拟出人体感觉强度和测试信号之间的非线性关系，同时该模型还具有高度的自学习和自适应能力，使本实施例具有更高的精准度。

附图说明

图1一种绿茶滋味品质多属性定量评价方法步骤逻辑流程图

图2为实施例1中茶汤样品的电子舌信号响应图(以汀溪兰香冲泡4min茶汤为例)

图3为实施例1中88组茶汤样品的电子舌响应叠加雷达图

图4为实施例1中88组茶汤近红外光谱信号叠加图

图5为实施例1中电子舌与近红外融合数据反向传播神经网络(BPNN)测试集真实值与预测值对比图；

具体实施方式

下面将结合本发明实施例中的附图1-5，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是：术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。

请参阅图1-5，本发明实施例：

实施例：

首先，本实施例中，对于绿茶茶汤样品的制备方式为：每种茶液取4份茶样，每份茶样为3.0g，将茶样分别置于150ml的审评容器中，向容器中注满沸水后，加盖冲泡，4份样品的冲泡时间分别为1min、2.5min、4min和5.5min，沥出得到四份绿茶茶汤样品。

本实施例中如此操作能够模拟快速出汤、等待出汤、传统感官评价、长时间浸泡四种条件下茶汤的浓淡情况。使得本实施例的流程更贴近于实际人评价过程。

具体的，采集我国主要绿茶产区具有代表性的22种绿茶茶样，即88组绿茶茶汤样品，包括：晒青毛茶、龙井茶、安吉白茶、开化龙顶、恩施玉露、黄山毛峰、碧螺春、信阳毛尖、海南绿茶、三杯香、凌云白毫、湄潭翠芽、古丈毛尖、日照绿茶、蒙顶甘露、汀溪兰香、狗牯脑、黄金茶、竹叶青、六安瓜片、珠茶、眉茶。样品来源覆盖浙江、安徽、云南等13个省份。样品采摘标准覆盖单芽至一芽三四叶，包括：单芽(2种)，单片叶(1种)，一芽一叶(10种)，一芽二叶(6种)，一芽三四叶(3种)。品种组成包括小叶种(19种)和大叶种(3种)。制作工艺包括我国绿茶所有加工方式，其中炒青(15种)，烘青(4种)，烘炒青(1种)，晒青(1种)，蒸青(1种)。所取样品能较好的代表我国绿茶的整体风味特征。具体信息如下表1所示：

表1样品信息表

本实施例中所用的设备和仪器包括：国家标准审评杯碗(150ml)，Millq超纯水系统(Milford，美国)、Antaris近红外分析仪(Thermo，美国)、Astree II电子舌味觉指纹分析仪(Alpha Mos，法国)，电子舌味觉指纹分析仪第六套味觉筛选传感器(AHS、PKS、CTS、NMS、CPS、ANS、SCS)。

对于本实施例中参比样品的制备所需的试剂包括：蔗糖、苦味剂、单宁酸、茶氨酸、谷氨酸钠、碳酸钙(齐鲁科技有限公司，山东济南)，茶浓缩汁(深宝华城益冲牌，广东深圳)，实验用纯净水(杭州娃哈哈集团有限公司，浙江杭州)。

如图1所示：一种绿茶滋味品质多属性定量评价方法：包括：

一)、使用电子舌味觉指纹分析仪，所述电子舌上至少设置有AHS、PKS、CTS、NMS、CPS、ANS和SCS七组高分子膜固态传感器，且此7根高分子膜固态传感器为非专一性传感器对绿茶茶汤样品进行数据采集，电子舌通过多根传感器综合收集样品产生的味觉信息响应值。

1.1)、先对电子舌上的传感器依次进行活化、预平衡、校准、诊断；

如图2-3所示：1.2)、将待测样品过0.45μm滤膜过滤，样品体积为70mL，采集时间120s，每种样品连续采集3次，采集温度为25℃，选取图谱第119s响应信号值。电子舌响应信号在0-10s时有较大波动，10-120s时数值逐步趋于稳定，因此选取119s时刻稳定信号作为该样品的采集结果。样品在电子舌所有传感器上的响应值差异都较大，均可用于模型构建。

1.3)、数据采集和电子舌清洗交替进行，不同样品进行数据采集时样使用去离子水清洗电子舌3次，每次15s，同一样品采集过程中不进行重复清洗；

本实施例中，通过将待测样品过0.45μm滤膜过滤能够防止样品中颗粒物的干扰，以提高本申请的评价精准度，而不同样品间进行数据检测时要对电子舌进行清洗(实质是清洗电子舌上的传感器)，以防止不同样品间产生交叉污染。

如图4所示：二)、对绿茶茶汤样品进行光谱数据采集和初步处理；

2.1)、使用傅里叶变换型近红外光谱仪对绿茶茶汤进行光谱数据采集；

2.1.1)、将待测绿茶茶汤样品过0.45μm滤膜过滤；

2.1.2)、取2mL过滤后的绿茶茶汤于专用进样管中，加盖封闭；

2.1.3)、将专用进样管放入样品池中，以漫反射的方式对绿茶茶汤进行扫描，扫描次数64次，重复3次，其中，扫描时分辨率为1.0cm

本实施例中加盖密封的目的是防止产生气泡，避免气泡影响光谱数据采集。

2.2)、通过多项式平滑算法对2.1)中的光谱数据进行预处理；

2.3)、基于遗传算法筛选出绿茶茶汤滋味“浓度”、“苦度”、“涩度”、“甘度”、“鲜度”、“滑度”近红外特征波段矩阵；

2.4)、使用主成分分析法对2.3)中的近红外特征波段矩阵进行处理，得到近红外光谱信息降维数据；

三)、对绿茶茶汤样品进行人工感官评价，获得分属性定量分值，用于模型建立；

3.1)、为保证本申请是具有客观上的感官评价精准性，本对比例通过数名专业评茶师来实际评价所有的绿茶茶汤样品。使用中国农业科学院茶叶研究所张颖彬茶叶感官评价创新工作室专业评茶师进行感官实验，研究开始前组内评茶师已经进行了400h以上的感官定量描述分析训练，参与实验的11名成员(5男6女)均具有高级评茶员以上职业技能，符合GB/T 16291.2-2012《感官分析选拔、培训与管理评价员一般导则第2部分:专家评价员》(中国国家标准化管理委员会，2012)的基本要求。实验开始前进一步进行了绿茶滋味分属性(浓度、苦度、涩度、甘度、鲜度、滑度)的识别与定量标度训练。

3.2)、评茶师基于中国茶叶滋味轮的属性定义，通过小组讨论方式确定了绿茶滋味的评价属性：(1)浓度味型中的烈、浓、醇、和、淡5种味型均为对样品浓度的描述，统一为浓度；(2)特征味型为甘度、苦度、鲜度；(3)感受味型为滑度和涩度，共形成了6个滋味分属性描述词，感官评价员依据与实施例1中相同的评价体系进行评价，可以确保评价结果的准确性。

3.3)、评价在光线充足、无异味、温度适宜(25±2℃)、安静的房间中进行。样品分装在塑料航空杯中用三位数随机编号后，分发给评价员，评价员啜饮5-10mL茶汤使其均匀分布于舌面后吐出，依次对样品的浓度、苦度、涩度、甘度、鲜度、滑度进行0～9分线性评价，0分表示该属性无法感受，3分表示该属性可感受，6分表示该属性感受强，9分表示该属性感受极强，每个样品重复3次。为防止评价员疲劳，单次评价时长为1.5小时，每个样品间设置5min休息时间，并提供清水和梳打饼干用于口腔的清理和恢复，每次进行4个样品的评价。为确保评价结果的准确性。所述感官体验分值区间0-9分的参比样品为：

四)、基于反向传播神经网络模型将1.2)中的光谱数据味觉信息响应值、2.4)中的近红外光谱信息降维数据、3.3)中的感官分属性定量评价数据进行模型建立，以实现对绿茶滋味中“浓度”、“苦度”、“涩度”、“甘度”、“鲜度”和“滑度”的多属性快速评测。

本实施例中通过电子舌-近红外光谱融合技术，实现对绿茶滋味中“浓度、苦度、涩度、甘度、鲜度和滑度”六种关键属性的快速评价，避免了定量描述分析(QDA)实施过程中，操作复杂、对专业感官评价小组依赖度高、组织难度大等不利因素，可以替代传统的人工感官评价，使绿茶滋味评价具有高效性，且反向传播神经网络模型是一种按误差反向传播训练的多层前馈网络，通过梯度下降法使得网络的实际输出值和期望输出值的误差均方差为最小，该模型具有较强的非线性映射能力，能更好的模拟出人体感觉强度和测试信号之间的非线性关系，具体的，本实施例中光谱处理部分使用Python3.7完成，电子舌数据处理和模型构建使用R Language 4.0.5完成。

所述步骤二)和步骤四)中的提取波段和拟合的“浓度、苦度、涩度、甘度、鲜度和滑度”，均为茶汤滋味品尝时最小的感觉单元，非多种感觉类型复合形成的综合性感官体验，

所述步骤2.2)和2.3)中，对光谱数据进行预处理的具体方式为：将近红外光谱7000cm

表2不同预处理和筛选组合偏最小二乘均方误差(RMSE)

所述步骤2.4)中，作为近红外光谱信息降维数据使用的是：使用主成分分析法降维获得前10个主成分。使用主成分分析(PCA)对筛选后的光谱数据进行处理，6种滋味属性均形成10个维度的光谱降维数据作为后续融合模型的近红外光谱输入数据。

如图5所示：所述步骤四)中，使用近红外与电子舌融合数据分别拟合浓度、苦度、涩度、甘度、鲜度、滑度人工感官评价数据构建偏最小二乘(PLS-R)回归模型、随机森林(RF)回归模型和反向传播神经网络(BPNN)回归模型。根据感官评价基本要求，RSME小于1为模型具有应用性的必要条件，单一样品测试集得分与真实得分差值小于1分，判定为预测正确。不同算法的效果具有差别，具体的比较结果如表3和表4所示，反向传播神经网络(BPNN)相比偏最小二乘(PLS-R)和随机森林(RF)模型在全部6种属性的模拟中都取得了更低的RMSE和更高的预测准确度，是更适合于绿茶滋味品质多属性定量的评价模型。

表3近红外与电子舌融合数据RF、PLS-R、BPNN回归模型均方根误差(RMSE)

表4近红外与电子舌融合数据RF、PLS-R、BPNN回归模型预测准确度

具体的，对绿茶茶汤滋味进行多属性快速评测时，如下表5和下表6所示：模型针对绿茶6种滋味属性构建的反向传播神经网络(BPNN)训练集和测试集的均方根误差均小于0.5，测试集的RPD浓度为2.1，涩度为1.9，苦度为2.0，甘度为1.6，鲜度为2.1，滑度为1.7，均大于1.5，具有较高预测准确率。所有6种滋味属性构建的反向传播神经网络模型(BPNN)均使用两层隐含层，隐含层节点均为为17个，学习模式为标准反向传播(Std_Backpropagation)，浓度模型的迭代次数为4800，苦度为2000，涩度为5500，甘度为2000，鲜度为4230，滑度为2250。

表5基于反向传播神经网络(BPNN)的绿茶6种滋味属性训练集效果

表6基于反向传播神经网络(BPNN)的绿茶6种滋味属性测试集效果

以上显示和描述了本发明的基本原理和主要特征和本发明的优点，对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也能够经适当组合，形成本领域技术人员能够理解的其他实施方式。