一种绿茶贮藏过程新鲜度指标的快速可视化监测方法

摘要

本发明公开了一种绿茶贮藏过程中新鲜度关键指标的快速可视化监测方法，具体步骤包括：取不同贮藏时间的不同新鲜度绿茶样品，利用高光谱成像仪快速采集茶样图谱信息；采用GC‑MS测定绿茶中各种脂肪酸单体含量；对样品进行数据集划分，并分别筛选各脂肪酸的特征光谱变量；利用筛选得到的特征光谱，结合线性偏最小二乘回归方法建立绿茶贮藏过程中脂肪酸指标的定量预测模型；最后，将每个像素点的信息逐一带入模型，通过图像处理，生成脂肪酸含量及分布的伪彩色图，从而实现快速可视化监测。本发明分析过程快速简便，无需前处理，可操作性强，通过采集高光谱图像，带入模型，即可得到脂肪酸指标的含量及可视化分布图。

说明书

技术领域

本发明涉及食品检测技术领域，具体涉及一种绿茶贮藏过程新鲜度指标的快速可视化监测方法。

背景技术

脂肪酸是茶叶中一类重要的物质，分为饱和脂肪酸和不饱和脂肪酸。作为茶叶的重要营养成分，脂肪酸的化学性质不稳定，在储存过程中通常会发生各种化学变化，包括水解、酸败和自动氧化。脂肪酸的氧化降解是导致茶叶贮藏过程中新鲜度降低的主要原因，会被氧化成各种羰基化合物，主要是醛类和酮类。绿茶作为一种高附加值的农产品，其商业价值很大程度上由其新鲜度决定。通常，绿茶越新鲜，商业价值越高，而失鲜的绿茶商业价值和消费者的接受度均显著降低。因此，有必要建立一种以脂肪酸为指示物质的绿茶新鲜度评价方法。

目前测定茶叶中脂肪酸的标准方法是气相色谱-质谱法(GC-MS)。然而，这种方法仅能在实验室完成，分析过程费时费力、分析成本高。因此，GC-MS检测不能满足对绿茶贮藏过程中脂肪酸原位、快速和简便检测的需求。近红外光谱(NIRS)是一种无损的绿色分析技术，能够检测含有氢基的物质，包括脂肪酸。然而，近红外光谱法只能检测样品中的单点信息，不能获得目标物质的空间分布信息。

发明内容

本发明的目的在于提供一种绿茶贮藏过程新鲜度指标的快速可视化监测方法，其能够实现快速无损、可视化检测。

在本发明的一个方面，本发明提出了一种绿茶贮藏过程新鲜度指标的快速可视化监测方法。根据本发明的实施例，包括以下步骤：

(1)样品的选取与预处理：分别取室温下贮藏时间不等的绿茶样品，编号之后随机划分为校正集和预测集；

(2)绿茶脂肪酸含量的测定：测定各绿茶样品中的脂肪酸含量；

(3)高光谱图像的获取与预处理：采集绿茶样品高光谱图像信息，获取所述样品在近红外波长下的平均光谱信息，提取感兴趣区域中的平均光谱数据，利用特征波长筛选方法和竞争性自适应重加权算法从全波段光谱数据中筛选特征光谱变量，确定各脂肪酸对应的特征光谱变量；

(4)脂肪酸含量的定量预测及可视化：基于特征光谱变量建立各脂肪酸含量的PLSR预测模型，通过模型性能比较，获得预测精度最高的预测模型；利用图像处理，将高光谱图像每个像素点处的代表性光谱数据带入上述预测精度最高的预测模型中，获得表征脂肪酸含量及分布的伪彩色图，实现可视化监测。

另外，根据本发明上述实施例的一种绿茶贮藏过程新鲜度指标的快速可视化监测方法，还可以具有如下附加的技术特征：

在本发明的一些实施例中，所述步骤(1)中，校正集用于建立预测模型，预测用于检验模型的可靠性和预测能力。

在本发明的一些实施例中，所述步骤(2)中，采用GC-MS的方法测定脂肪酸含量。

在本发明的一些实施例中，所述步骤(2)中，脂肪酸含量包括棕榈酸、硬脂酸、花生酸、棕榈油酸、油酸、亚油酸、亚麻酸、花生烯酸的含量以及饱和脂肪酸和不饱和脂肪酸的总量，饱和脂肪酸的总量为棕榈酸、硬脂酸、花生酸总和，不饱和脂肪酸的总量为棕榈油酸、油酸、亚油酸、亚麻酸、花生烯酸总和。

在本发明的一些实施例中，所述步骤(3)中，高光谱图像信息采集方法具体如下，利用成像光谱仪进行高光谱图像采集，光谱范围为900–1700nm，将绿茶样品放置在采样平台上，设置关键参数后，采用线扫描方式获得原始图像，并采用黑白板校正，最终获得绿茶样品的代表性高光谱图像信息。

在本发明的一些实施例中，所述关键参数包括平台移动速度、光照强度。

在本发明的一些实施例中，所述步骤(4)中，PLSR预测模型的最大潜在变量LVs设置为15，模型性能比较时的评价指标包括相关系数Rc/Rp、均方根误差RMSEC/RMSEP和预测残差标准差RPD。

与现有技术相比，本发明的有益效果是：

本发明弥补了传统分析方法中费时费力，化学试剂污染，无法实现实时监测的缺陷，利用快速无损的高光谱成像实现绿茶贮藏过程脂肪酸指标的实时监测，为绿茶贮藏品质的评价提供了一种新的科学准确、快速可视化方法。

附图说明

图1是本发明实施例中GC-MS测得的不同贮藏时间绿茶样本中各脂肪酸含量，(a)棕榈酸、(b)硬脂酸、(c)花生酸、(d)总饱和脂肪酸、(e)棕榈油酸、(f)油酸、(g)亚油酸、(h)亚麻酸、(i)花生烯酸、(j)总不饱和脂肪酸；

图2是本发明实施例中采用高光谱成像实现的绿茶贮藏过程饱和及不饱和脂肪酸含量及分布变化可视化图，(a)总饱和脂肪酸、(b)总不饱和脂肪酸。

具体实施方式

下面将结合本发明实施例中的附图，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的一部分实施例，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。

一种绿茶贮藏过程新鲜度指标的快速可视化监测方法，包括以下步骤：

(1)样品的选取与预处理：

分别选取贮藏时间0-5个月的绿茶样本共90份，包含每个月15份样本，每次取样后及时放入-80℃冰箱中保存，并于最后一次取样时统一取出测定；

按2:1的比例划分为校正集和预测集，得到其中60份样品为校正集，用于建立预测模型，剩下的30份作为预测集，用来检验模型的可靠性和预测能力；

(2)绿茶脂肪酸含量的测定：

根据气相色谱-质谱分析方法测定绿茶样本中各脂肪酸单体的含量，包括棕榈酸、硬脂酸、花生酸、棕榈油酸、油酸、亚油酸、亚麻酸、花生烯酸，并计算饱和及不饱和脂肪酸总量，差异结果如图1所示，随着贮藏时间的延长，各脂肪酸含量显著下降，说明脂肪酸含量可作为表征新鲜度的关键指标；

(3)高光谱图像的获取与预处理：

采用芬兰光谱成像公司生产的ImSpector N17E型900-1700nm波段近红外光谱成像仪，配备美国Imperx公司的Raptor OWL-640型CCD相机。将绿茶样本平铺在采样台上，调整像素清晰度、平台移动速度等关键参数，采用线扫描方式逐一获取每个绿茶样本的高光谱图像，光谱范围为：900–1700nm，并采用黑白板校正，最终获得绿茶样品的代表性近红外光谱数据；

采用ENVI软件提取高光谱图像中绿茶样本区域(感兴趣区域)中的平均光谱数据，作为该样本的代表性近红外光谱数据；对样品原始平均光谱进行平滑预处理，消除原始光谱信号中的噪声干扰。

利用竞争性自适应重加权(CARS)算法从全光谱数据中筛选得到各脂肪酸含量相关的特征波长。

(4)预测模型的建立

采用CARS筛选各脂肪酸指标对应的特征光谱波长，分别得到6-48条特征波长。分别基于全波段光谱和经CARS筛选得到的特征波长数据，采用偏最小二乘回归(PLSR)算法，建立各脂肪酸含量的定量预测模型。PLSR预测模型的最大潜在变量LVs设置为15，模型评价指标包括相关系数Rc/Rp，均方根误差RMSEC/RMSEP和预测残差标准差RPD。结果如表1。其中棕榈酸、总饱和脂肪酸、油酸、亚油酸、亚麻酸和总不饱和脂肪酸的预测精度较高，可用于定量预测。

表1基于全光谱和特征光谱波长数据的各脂肪酸指标PLSR预测模型结果

通过模型性能比较，根据各模型的相关系数和均方根误差确定各脂肪酸含量的最佳预测模型，选取相关系数最高、均方根误差最低的模型为最佳预测模型。

其中总饱和脂肪酸和总不饱和脂肪酸的最优数学预测公式分别为：

总饱和脂肪酸：

Y1＝0.37*X1-1.12*X2+0.35*X3+0.78*X4+1.78*X5+0.14*X6+0.98*X7+1.12*X8+1.94*X9+2.01*X10+0.45*X11+0.67*X12-0.98*X13-1.11*X14-1.46*X15-0.43*X16-0.67*X17+1.14*X18+2.22*X19+0.46*X20+2.11*X21+0.66*X22+0.82*X23-1.47*X24-0.27*X25-1.22*X26+0.67*X27+0.33*X28+1.37*X29+2.09*X30-1.22*X31-0.98*X32-0.67*X33-0.22*X34-0.34*X35+1.11*X36+2.22*X37+0.34*X38+1.09*X39-0.33*X40-0.10*X41+1.34*X42+1.22*X43+3.21*X44-2.22*X45+1.13*X46+0.87*X47+0.22*X48+1.03。

总不饱和脂肪酸：

Y2＝-1.12*X1-0.89*X2+1.25*X3+1.13*X4+1.38*X5+1.92*X6-0.72*X7+1.11*X8+1.62*X9+1.91*X10-0.25*X11-0.11*X12-0.28*X13+2.34*X14-0.22*X15-1.23*X16-0.27*X17+0.99*X18+2.15*X19+0.98*X20-0.22*X21+1.23*X22+0.32*X23+1.22*X24-0.99*X25+1.34*X26+0.98*X27+0.23*X28-0.23*X29-1.33*X30+1.52*X31-1.14*X32-0.67*X33+1.24*X34-0.32*X35+1.88*X36-1.22*X37+0.33*X38+2.05*X39-0.98*X40-0.27*X41-1.11*X42+1.56*X43+3.01。

其中，Xi表示在第i条特征波长处的反射率数据，Y表示预测的脂肪酸含量。

(5)脂肪酸含量及分布的可视化

在上述步骤筛选最优的预测模型基础上，利用MATLAB软件批量逐一提取绿茶高光谱图像的感兴趣区域中每个像素点的光谱数据，逐一代入最优模型的数学公式中，得到每个像素点的预测脂肪酸含量，之后采用映射的方式，将每个像素点的预测含量以热图的形式展示，如图2所示，从而实现绿茶贮藏过程脂肪酸的可视化监测。

以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。