茶叶汤色品质的量化评价方法

摘要

本发明公开一种茶叶汤色品质的量化评价方法，由3位以上的评茶员得到选取茶样汤色感官最终评分值；用色差计分别测量多批选取茶样的汤色测色值并计算衍生指标值，对汤色测色值和衍生指标值这些茶汤汤色参数变量进行主成分分析得到选取茶样的前K个主成分载荷数据；将选取茶样的前K个主成分载荷数据作为BP神经网络的输入，将选取茶样汤色感官最终评分值作为BP神经网络模型的输出反复训练得到BP神经网络模型；以同样方法得到待测茶样的前K个主成分载荷数据，将待测茶样的前K个主成分载荷数据输入BP神经网络模型预测得到待测茶样的汤色品质评价的量化值；能科学有效地给出茶叶汤色品质的量化值，与人工感官评定方法具有很好的一致性。

说明书

技术领域

本发明涉及茶叶审评技术领域，具体是茶叶汤色品质的评价方法。

背景技术

茶叶品质包括茶叶外形、汤色、香气、滋味和叶底5个评价指标。目前，国内外对茶叶品质好坏、等级划分、价值高低评价主要由感官审评方法评定茶叶的各个指标后决定。茶叶品质的感官审评是按照国家标准“茶叶感官审评方法”进行，但各种茶叶都具有自己独特的特征，除国家标准外，还制定了各自的行业标准或地方标准。因此，各种茶叶的品质评定除按照国家标准进行外，还必须结合各自的行业标准或地方标准进行评定。感官审评方法相对简便，并能对茶叶的风味特征进行鉴别和描述，但感官审评结果是由评茶师的感官经验决定，且受光线强度、健康状况、精神状态等外界因素影响大，具有明显的随意性和不确定性，主观性强和一致性差。 

茶叶色泽是茶叶质量优次的最直观表达，是茶叶色、香、味、形诸要素的综合反映，茶叶色泽的变化实质反映了茶叶内化学成分含量的变化。在茶叶感官审评过程中，茶叶汤色指标是审评的难点之一，这是因为汤色在较高温度下容易发生变化，放置时间稍长，使茶汤在审评时失真。近年来，采用色差分析法对茶叶汤色感官品质的进行量化，色差分析法原理是应用亨特—Lab表色仪器测定茶汤颜色的三个分量L、a、b值（L表示色差亮度、a表示红绿度、b表示黄蓝度），同时由L、a、b产生颜色的系列计算值衍生指标（色调彩度Cab、色相b/a、色彩饱和度Sab），由三个分量值和其衍生指标来量化分析茶汤的感官评分值。严俊（中国农学通报，1997年第6期，P24-26）公开了测色技术在功夫红茶品质评价中的应用，采用逐步回归法筛选出与汤色品质最相关的色度测色值和色度计算值，建立的多元回归方程用于品质预测误差较大。赖国亮（福建茶叶，1999年第2期，P19-21）公开了测色技术在炒青绿茶品质评价中的应用，利用逐步回归法从色度测色值及色度计算值中筛选出b、b/a、Sab值，建立了茶叶汤色评分的线性回归模型。李立祥（食品与发酵工业，2005年第31卷第10期，P123-126）公开了利用测色技术分析了不同产地绿茶的茶汤，采用二次多项式逐步回归，建立了L值和衍生指标色相a/b与茶汤感官评分之间的量化模型。Liang Yuerong(Food Chemistry，2003年第80期，p283-290) 公开了红茶化学成分和茶汤的色度测色值及色度计算值与品质之间的关系，得出各测色值及色度计算值之间存在非常显著的相关性。因此，用逐步回归方法筛选出其中的某些测色值及色度计算值，必定会丢失汤色特征的一部分信息，降低所建模型的精度。上述公开技术中所建立的汤色测色值及色度计算值与汤色感官评分间的量化模型都是简单的线性回归，然而茶叶品质是各种复杂内部成分相互作用的结果，在茶叶内生化参数与感官评分间是复杂的非线性关系，因此，上述公开技术中对茶叶汤色品质的评价方法的准确性、稳定性和一致性都差。

发明内容

本发明的目的是为了克服茶叶感官品质审评存在的缺陷及目前常用仪器来量化分析茶汤的汤色品质所建数学模型存在的不足而提供一种基于BP神经网络的非线性方法的茶叶汤色感官品质的量化评价方法，提高茶叶品质评价的准确性、稳定性和一致性，实现茶叶品质仪器化的智能检测。

 为达到上述目的，本发明采用的技术方案是包括如上步骤：

（1）由3位以上的评茶员给选取的多批茶样的汤色品质进行评分，得到选取茶样汤色感官最终评分值；

（2）分别制备多批选取茶样的茶汤溶液，用色差计分别测量多批选取茶样的汤色测色值为：色差亮度L、红绿度a、黄蓝度b，计算衍生指标值为：色调采度                                                、色彩饱和度、色相b/a、色相角、色差 ；

（3）对汤色测色值和衍生指标值这些茶汤汤色参数变量进行主成分分析，得到选取茶样的前K个主成分载荷数据；

（4）将所述选取茶样的前K个主成分载荷数据作为BP神经网络的输入，将所述选取茶样汤色感官最终评分值作为BP神经网络模型的输出，BP神经网络采用输入层、隐含层和输出层的3层网络拓扑结构，输入层神经元个数为K，输出层神经元个数为1，反复训练BP神经网络，通过测试后得到BP神经网络模型；

（5）制备待测茶样的茶汤溶液，用色差计测量并计算得到待测茶样的茶汤汤色参数变量，对所述待测茶样的茶汤汤色参数变量进行主成分分析得到待测茶样的前K个主成分载荷数据，将所述待测茶样的前K个主成分载荷数据输入所述BP神经网络模型预测，得到待测茶样的汤色品质评价的量化值。 

 本发明采用上述技术方案后得到以下技术效果：

   1、本发明由测色仪获取的各批样本茶汤的汤色测色值L、a、b及由L、a、b计算得到的系列颜色衍生指标值相互之间存在一定的相关关系，即这些变量之间的信息有一定的重叠，当有重叠信息参与模型建立时，会大大降低该模型的精度和泛化性，因此必须消除这些变量间的重叠信息。主成分分析法是采取数学降维的方法，找出几个综合变量（主成分）来代替原来众多的变量，使这些综合变量能尽可能地代表原来变量的信息量，而且彼此之间互不相关；将综合变量作为神经网络的输入，建立主观与客观评价标准的联系，因此，本发明利用综合变量参与模型建立，能有效解决原变量间的信息重叠问题，提高了模型的稳健性。

  2、BP神经网络不需要设计任何数学模型，只靠过去的经验来学习，适用于解决模糊的、非线性的复杂问题，采用反向传播的学习算法来调整各权重值，能实现从输入到输出的任意非线形映射。本发明将利用主成分分析后得到的综合变量作为BP神经网络的输入，建立主观、客观评价标准之间的联系来实现利用仪器量化分析茶叶的评价指标，具有很好的数值逼近性和稳定性，能科学有效地给出茶叶汤色品质的量化值。

3、本发明的结果与人工感官评定方法具有很好的一致性，有效地避免了人工感官评定方法所存在的缺陷，可为茶叶品质的智能化检测提供技术支持，对各种茶叶的汤色品质的量化分析具有通用性。

附图说明

以下结合附图和具体实施方式对本发明作进一步详细说明；

图1 是本发明方法的流程图；图中：实心方框内包括的是茶叶汤色量化评价模型的建立过程，虚线方框内包括的是未知茶叶汤色品质得分值的预测过程。

图2是用逐步回归方法筛选变量建立的偏最小二乘线性模型（PLS模型）的预测误差与采用主成分分析方法得到的新变量建立的PLS模型的预测误差的结果比较图。

图3是偏最小二乘线性模型的预测误差和BP神经网络非线性模型的预测误差的结果比较图。

具体实施方式

选取多批具有代表性的茶叶样本，由3位以上具有国家资格证书的评茶员，参照国家标准GB/T14487-2008，采用集体评分和密码审评的形式，在公平、公正条件下，给每批茶样的汤色品质按百分制进行评分，去除错误、不一致或不完整的汤色感官评分，对于每批茶样，将3位评茶员的评分的平均值作为每批茶样的汤色感官最终评分值。

从每批茶样中分别称取3g，采用感官审评冲泡方法，即3g干茶，用150mL沸蒸馏水冲泡4分钟后，过滤，制备该茶样的茶汤溶液，将茶汤迅速冷却到室温，待测。

采用测色色差计对汤色测色值采集，用色差计分别测量每批茶样的汤色测色值L、a、b（L表示色差亮度、a表示红绿度、b表示黄蓝度），计算由L、a、b产生颜色的系列衍生指标值Cab、Sab、b/a、Hab、△E，其中，为色调采度；，为色彩饱和度；b/a为色相；，为色相角；，为样品与参照物的色差。色差计照明光源为6v，10W卤钨灯，测色光源选用D65标准光源，采用漫反射积分球接收的照明和观测条件，选用10⁰视场的光谱三刺激值，表色系统采用CIE（国际照明委员会）1976年推荐的L*a*b*均匀色空间及亨特Lab均匀色空间，探头光斑大小为Φ10mm，采用宽度比探头光斑直径稍大的比色皿盛装待测茶汤溶液。

为了消除外界光线照射对茶汤测色值的影响，特制了茶汤测色专用暗箱，试验时，将色差计测量光学探头和盛装茶汤溶液的比色皿一起放入暗箱内。参数采集前，仪器要进行预热、调零、调白前处理，以蒸馏水为对照，先测量蒸馏水的参数，然后再测量每批茶样的汤色参数，每批茶样重复测量3次，求3次的平均值作为该批茶样的最终汤色测色值。

   对汤色测色值L、a、b以及衍生指标值Cab、Sab、b/a、Hab、△E这8个茶汤汤色参数变量进行主成分分析，主成分分析的计算步骤如下：

  所有茶样的汤色参数变量矩阵为：

式中：是由所有茶样的各个汤色参数变量组成的矩阵，为第n个样本的第p个汤色参数变量。

  第一步：对原始茶汤的汤色参数数据进行标准化处理，计算公式如下：

     

    其中：为第i批茶样的茶汤汤色的第j个汤色参数变量，为第i个样本的汤色参数变量的平均值，为第i个样本的汤色参数变量的协方差。为方便计算，设原始茶汤的汤色参数数据经过标准化预处理后仍用矩阵表示，即为：

，式中：是所有茶样的汤色参数变量经过标准化预处理后的矩阵，为预处理后第n个样本的第p个汤色参数变量。

  第二步：计算所有茶样相关系数矩阵R，经标准化处理后各个变量间的相关系数计算公式如下：

，式中为第k个茶样的第i个汤色参数变量和第j个汤色参数变量之间的相关系数，为第k个茶样的第i个汤色参数变量，为第k个茶样的第j个汤色参数变量，为矩阵X的第i列的平均值，为矩阵X的第j列的平均值，n为样本数。计算得到的所有茶样的相关系数矩阵R表达如下：

，式中为第k个样本的第i个汤色参数变量和第j个汤色参数变量之间的相关系数。

  第三步：计算特征值与特征向量。

解特征方程，式中为相关系数矩阵的特征值，I为单位矩阵，本发明采用雅克比方法求相关系数矩阵的特征值，并使其按大小顺序排列，即。

然后，分别求出对应于特征值的特征向量，这里要求，即，其中表示向量 的第j个分量。

第四步：计算主成分贡献率及累计贡献率。

由第三步计算得到的特征值，计算主成分的贡献率为，以及累计贡献率为；根据各个主成分累计贡献率的大小选取前K个主成分，即取累积方差贡献率大于90%的特征值所对应的第一，第二，……，第K（K<p）个主成分，因为当K个主成分的方差累积贡献率大于90%时，这K个主成分所包含的信息已足够能表达原始变量的信息。

第五步：计算主成分载荷，按照公式，计算各各个样本的主成分载荷，即新的综合变量（主成分），式中为得到的第i个样本的第j个新的综合变量，因此，前K个主成分载荷矩阵可表达为：，依据该步计算得到的前K个主成分载荷数据，作为后续BP神经网络模型的输入。

利用matlab编程对神经网络进行训练和测试。采用即BP神经网络算法训练神经网络，将主成分分析得到的前K个主成分载荷数据作为BP神经网络的输入，即BP神经网络模型的自变量；将汤色感官最终评分值为BP神经网络模型的输出，即为BP神经网络模型的因变量。BP神经网络采用输入层、隐含层和输出层3层网络拓扑结构，输入层神经元个数为K，输出层神经元个数为1，模型的其他参数如隐含层数、输入层到隐含层的传递函数、隐含层到输出层的传递函数、学习速率，权重修正动量，初始权重值，目标误差值均采用交互验证法优化得到。用优化的参数对网络反复训练，当误差达到目标误差值时，停止训练，通过测试后得到BP神经网络模型。把训练好的BP神经网络存入系统的神经网络库中，即得到了茶叶汤色量化评价模型。 

对于一批未进行过感官评价的未知待测茶样，对该批待测茶样的汤色进行量化评价时，按上述同样的方法，先称取3g未知茶样，采用感官审评冲泡方法，制备该待测茶样的茶汤溶液，然后用测色色差计采集待测茶样的汤色测色值L、a、b，计算待测茶样的衍生指标值Cab、Sab、b/a、Hab、△E，对待测茶样的这8个茶汤汤色参数变量进行主成分分析，利用主成分分析得到的前K个主成分输入到BP神经网络模型中预测，BP神经网络模型运行后，即可得到未知的待测茶样的汤色得分值，即其品质评价的量化值。

  以下表1是采用上述BP神经网络模型预测20批（批号为1～20）碧螺春绿茶的汤色得分值，这20批茶样来自不同生产厂家，且其价格和品质等级各不相同，由表中的汤色预测得分值与评茶师审评评分值进行了对比，从表中可以看出，基于本方法的汤色感官品质预测误差都在±5.0分范围内，与评茶师审评结果基本相符，在可接受的误差范围内，说明利用该方法量化分析茶叶的汤色品质与人工感官审评结果具有很好的一致性。

表1  基于BP网络模型的碧螺春茶汤色品质预测结果与评茶师审评结果比较

图2为采用逐步回归筛选变量建立偏最小二乘回归模型与采用主成分分析方法建立偏最小二乘回归模型预测20批茶样汤色感官评分的预测误差值比较结果，图2中横坐标为评茶师对汤色的评分值，纵坐标为模型预测值与评茶师评分值的预测误差值，带“□”的标志为采用逐步回归方法筛选的变量建立偏最小二乘回归模型对20批茶样的预测误差值，带“*”的标志为采用主成分分析方法得到前3个主成分建立偏最小二乘回归模型对20批茶样的预测误差值。从图2中可看出，利用主成分分析方法优选变量建立的模型预测效果要优于逐步回归方法的。

图3为基于本发明BP神经网络模型与基于偏最小二乘回归线性模型预测20批茶样汤色感官评分效果比较结果，图3横坐标为评茶师对汤色的评分值，纵坐标为模型预测值与评茶师评分值的预测误差值，带“○”的标志为采用偏最小二乘方法建立的线性回归模型对20批茶样的预测误差值，带“*”的标志为采用BP神经网络方法建立的非线性模型对20批茶样的预测误差值。从图3中可看出，采用BP神经网络方法建立的模型预测效果要优于线性方法的。