论文部分内容阅读
当前，茶鲜叶的验收分级和定价通过感官评价方法进行，结果易受主观因素影响而发生误判；同时，鲜叶的准确验收分级也是实现茶叶标准化加工的前提。因此，茶叶产业急需建立一种科学、量化、快捷的茶鲜叶质量评价方法。在综合分析与茶鲜叶质量密切相关的内含成分的基础上，本文首次提出了利用质量系数定量评价鲜叶质量。质量系数解决了鲜叶质量评价难以定量的难题，但其依赖的传统化学方法费时、费力，难以适应生产中快速检测的需求。近红外光谱(NIRS)由于省时、样品无需预处理等优点，已经广泛应用于石油、制药、烟草、饮料及食品行业，本文应用NIRS技术结合化学计量学方法尝试建立了茶鲜叶质量的快速预测模型；通过模型转移，研制了一台光栅型茶鲜叶质量近红外分析仪；通过筛选鲜叶产地特征光谱区间，探索建立了茶鲜叶产地的判别方法；尝试制定了测定茶鲜叶水分、全氮量和粗纤维的近红外方法标准。论文主要研究结果如下：1．提出了茶鲜叶质量系数方程通过筛选与鲜叶质量关系密切的内含成分，提出利用质量系数定量评价茶鲜叶质量：质量系数=（含水量×全氮量）÷粗纤维量。质量系数与鲜叶质量呈正相关。2．建立了预测茶鲜叶主要内含物含量和质量等级的近红外光谱模型含水量预测模型。当全光谱分为23个子区间、MSCmean为预处理方法时，先用反向区间偏最小二乘法筛选含水量的12个特征光谱子区间，然后对特征光谱进行主成分分析，以前4个主成分（累计贡献率为99.69%）为输入变量建立的含水量最小二乘支持向量机模型预测结果最佳：Rcv=0.993，RMSECV=0.006%，Rp=0.989,RMSEP=0.010%。全氮量预测模型。当全光谱分为21个子区间、MSCmean为预处理方法时，先用反向区间偏最小二乘法筛选全氮量的10个特征光谱子区间，然后对特征光谱进行主成分分析，以前4个主成分（累计贡献率为99.91%）为输入变量建立的全氮量最小二乘支持向量机模型预测结果最佳：Rcv=0.997，RMSECV=0.004%，Rp=0.991,RMSEP=0.011%。粗纤维量预测模型。当全光谱分为24个子区间、MSCmean为预处理方法时，先用反向区间偏最小二乘法筛选粗纤维量的6个特征光谱子区间，然后对特征光谱进行主成分分析，以前3个主成分（累计贡献率为99.93%）为输入变量建立的粗纤维量最小二乘支持向量机模型预测结果最佳：Rcv=0.989，RMSECV=0.102%，Rp=0.973,RMSEP=0.142%。质量系数预测模型。当全光谱分为24个子区间、mean为预处理方法时，先用反向区间偏最小二乘法筛选鲜叶质量的5个特征光谱子区间，然后对特征光谱进行主成分分析，以前4个主成分（累计贡献率为99.86%）为输入变量建立的质量系数最小二乘支持向量机模型预测结果最佳：Rcv=0.984，RMSECV=0.0109，Rp=0.980,RMSEP=0.0152。鲜叶质量等级预测模型。当全光谱分为24个子区间、MSC为预处理方法时，先用反向区间偏最小二乘法筛选鲜叶等级的4个特征光谱子区间，然后对特征光谱进行主成分分析，以前4个主成分（累计贡献率为99.73%）为输入变量建立的鲜叶等级最小二乘支持向量机模型预测结果最佳：校正集和预测集模型判别率均为100%。3．茶鲜叶质量近红外分析仪的研制以茶鲜叶含水量、全氮量和粗纤维量近红外预测模型为基础，根据S/B模型传递方法，通过与合肥美亚光电技术股份有限公司合作，研制了一台光栅型茶鲜叶质量近红外分析仪。该分析仪能够在1min内得出鲜叶的质量系数，初步实现了茶鲜叶质量的快速准确评价，杜绝了人为因素的影响。4茶鲜叶产地判别方法的建立以产自合肥市、黄山市和六安市的茶鲜叶为材料，产地值分别设为1,2,3。先用反向区间偏最小二乘法筛选茶鲜叶产地特征光谱区间：12493cm-1~12138cm-1,10700cm-1~10345cm-1,9627.3cm-1~9276.3cm-1,6788.5cm-1~6437.5cm-1,4659.4cm-1~4308.4cm-1和4304.5cm-1~4000cm-1；应用主成分分析法获得特征光谱区间的主成分数，以前6个主成分数为输入值（累计贡献率为99.98%）建立了茶鲜叶产地判别的人工神经网络模型，该模型对三市鲜叶产地的判别率为100%，实现了对茶鲜叶产地的快速、准确判别。5茶鲜叶内含物测定近红外方法标准的研究近红外光谱分析方法测定物质含量在许多领域已成为一种标准方法，欧美日等发达国家和国际谷物协会等国际组织都制定了相应的近红外测定标准，但在茶叶行业还是空白。基于对茶鲜叶含水量、全氮量和粗纤维量近红外预测方法的把握，本文尝试制定了上述三种成分含量快速测定的近红外方法标准文本。