坦洋工夫红茶品质评定的B P神经网络模型

潘玉成，叶乃兴，潘玉华，赵仕宇

（1.宁德职业技术学院机电工程系 福建福安 355000；2.福建农林大学园艺学院 福建福州 350002；3.宁德职业技术学院农业科学系 福建福安 355000）

茶叶品质与茶叶商品规格、商品信誉和经济效益有着紧密的关系，人们对茶叶品质的认识伴随着现代科学技术的发展而逐渐完善。现在我们所说的茶叶品质，实际上已经超出了传统认为的单一的感官品质，广义的茶叶品质，应该是由感官品质，内质成分和质量安全水平三部分组成。但很多时候人们对茶叶品质的认识，通常仍然是指狭义的感官品质。茶叶品类丰富，花色品种繁多，每个茶叶产品都有自己的感官品质特征和品质要求，茶叶真伪鉴别，品质的优次，茶叶质量等级的划分和价值的高低等，长期以来都是通过茶叶感官审评来确定。由于感官审评是利用人体各种感觉器官如视觉、味觉、嗅觉等来评定的，而人的感觉器官的灵敏度易受外界因素的干扰，从而影响评定的准确性。近年来，人工神经网络技术已成为人工智能的一个重要发展方向，它是以模拟生物的神经结构系统而建立的非线性动力学系统，其特点是可以通过例子学习训练去解决问题，而不必知道对象的数学模型，在信号处理、模式识别、智能控制、组合优化、预测等领域得到成功应用。本文以福建坦洋工夫红茶为样本，构建其品质评定的BP神经网络模型，实现了对茶叶品质较为客观、准确的评定。

1 茶叶品质的评定方法

1.1 茶叶的感官审评

茶叶品质是茶叶质量量化标准的重要指标，是指茶叶中的众多化合物，特别是能溶于茶汤的物质对人体感官刺激的综合效应，一般包括色泽、外形、香气、滋味四大要素，因此茶叶品质的评定也按色、香、味、形去审评。茶叶品质的优次，茶叶质量等级的划分长期以来都是通过茶叶感官审评来确定。茶叶感官审评是指经过训练的评茶人员，使用规范的审评设备，在特定的操作过程中，根据自身视觉，嗅觉，味觉和触觉的感受，结合工作经验，对茶叶的品质进行分析评价。对专业人员而言，茶叶感官审评具有高效，迅捷，全面的优点。因此，在相当长的一段时间内，茶叶感官审评仍将会是在生产中被广泛应用的一种茶叶质量评判手段。但是，茶叶感官审评作为一种人的主观行为，容易受到审评人员的生理条件、工作经验以及环境条件等因素的影响。不同的审评人员或同一个审评人员在不同的生理及环境条件下，对同一个茶样，通过感官审评得出的结果，往往存在一定的差异，最终影响茶叶品质评定的准确性[1]。

1.2 新技术在茶叶品质审评中的应用

随着科学技术的不断发展和进步，科技工作者开始将一些新技术、新仪器运用到茶叶审评中以提高其准确性。新技术应用于茶叶品质的评定，其主要工作是围绕茶叶的色、香、味、形的智能检测评判展开，这些新技术应用主要包括：①计算机图像处理技术用于茶叶的颜色和外形评价。蔡健荣[2]采用计算机图像处理技术建立茶叶颜色描述系统模型，利用HIS颜色系统定量描述茶叶色泽，对自然条件下存储不同年份的龙井茶的茶叶色泽和汤色进行定量测量，结果表明，茶叶色泽与存放时间的变化关系可以利用计算机视觉进行定量分析；②电子鼻技术用于茶叶香气评价。陈哲等[3]采用自制的电子鼻传感器阵列区分不同等级碧螺春，根据碧螺春茶水和叶底挥发的气体信息，筛选相应的传感器，并对传感器阵列采集的茶叶信息进行定性分类，试验结果表明，融合传感器采集茶水和叶底的信息可更全面地描述和表征不同等级碧螺的信息，KNN模型对不同等级碧螺春的识别率为83.3%，采用10-7-3的拓扑神经网络模型的识别率则达到100%；③电子舌技术用于茶叶味觉评价。陈全胜等[4]采用法国电子舌检测装置并辅以模式识别，以4个不同等级的炒青绿茶为研究对象，对获取的电子舌数据，利用K最近邻域（KNN）模式识别方法建立茶叶等级质量的评判模型，对预测集样本进行验证时，预测识别率为100%；④近红外光谱分析技术用于检测茶叶的品质。周小芬等[5]以大佛龙井茶为分析对象，采用近红外光谱偏最小二乘法，分别建立了干茶色泽、汤色、香气、滋味、叶底单因子得分及五因子总分、六因子总分共7个定量分析模型，研究结果表明应用近红外光谱法进行大佛龙井茶的品质评价是可行的。这些新技术应用于茶叶品质的判别，具有检测时间短、重复性好、不需要复杂的样品预处理过程、不发生感官疲劳等特点，并在一定程度上模拟人的感官给出有关茶叶香气、滋味和外质的评判结果。然而这些新技术往往侧重于茶叶品质的某一方面，其实际应用范围和应用效果与人们的期望还存在一定的距离，尚有一些关键性问题需要解决。

2 BP人工神经网络及模型建立

2.1 BP神经网络的原理

人 工 神 经 网 络 （Artificial Neural Network，ANN）简称神经网络，起源于20世纪40年代，到今天已经有70多年历史了，是在现代神经生物学研究成果的基础上发展起来的一种模拟人脑信息处理机制的网络系统。它由大量的、同时也是很简单的神经元相互连接而形成复杂网络，是高度非线性的，能够进行复杂的逻辑操作和实现非线性关系的系统。神经网络具有强大的学习功能，对一些看似纷繁复杂、杂乱无章的实验数据可以利用自身的学习功能整理出其内在规律，建立可用于分析同类事物的网络。利用人工神经网络，无需任何经验公式，无需建立相关的数学模型，仅仅借助样本数据，即可实现从Rn空间到Rm空间的高度非线性映射[6]。

BP（Back Propagation）神经网络是最重要的神经网络模型之一，是误差反向传播神经网络的简称。BP神经网络是一种具有三层或三层以上的神经网络，它由一个输入层，一个或多个隐含层和一个输出层构成，每一层由一定数量的神经元构成，前后层之间实现全连接，每层神经元之间无连接。基本的BP神经网络结构如图1所示。

图1 BP神经网络结构Fig.1 Structure of BP neural network

当学习模式提供给网络后，神经元激活值从输入层经过隐含层向输出层传播，在输出层各神经元输出对应的值，然后按照减少与希望输出与实际输出的准则，从输出层回到隐含层，再回到输入层修正各个网络系数。由于BP神经网络有处于中间的隐含层，并有相应的学习规则可循，可以训练这种网络，使其具有对非线性模式的识别能力，常用于信息处理、模式识别、智能控制及系统建模等领域。BP神经网络主要由输入模式顺传播、输出误差逆传播、循环记忆训练、学习结果判别四个部分组成，它具有如下特点：①输入和输出是并行的模拟量；②网络的输入输出关系是各层连接的权因子决定，没有固定的算法；③权因子通过学习信号调节，学习越多，网络越聪明；④隐含层越多，网络输出精度越高，且个别权因子的损坏不会对网络输出产生大的影响[7]。

2.2 MATLAB中BP神经网络的构建

MATLAB神经网络工具箱 （Neural Network Toolbox）以神经网络理论为基础，用MATLAB的语言构造出各种神经网络激活函数，训练函数及各种网络集成块等。设计者通过对激活函数，网络函数等的调用，仅需写很少的源代码，即可完成必须的科学计算。根据各种典型的修正网络权值的规则，配合网络的训练过程，用MATLAB编写出各种网络设计与训练的子程序，网络的设计者可以根据自己的需要去调用工具箱中有关神经网络的设计训练程序，从而免除了编写复杂而庞大的算法程序的困扰。MATLAB中BP神经网络的构建有如下4个基本的步骤[8-9]。

2.2.1 BP神经网络的建立

MATLAB的NNbox提供了建立神经网络的专用函数newff（）。用newff函数来确定网络层数、每层中的神经元数和传递函数，其语法为：

net=newff（PR,[S1,S2,…,SN],{TF1,TF2,…,TFN},BTF,BLF,PF）

其中PR表示由每个输入向量的最大最小值构成的R×2矩阵；Si表示第i层网络的神经元个数；TF表示第i层网络的传递函数；BTF表示字符串变量，为网络的训练函数名；BLF表示字符串变量，为网络的学习函数名；PF表示字符串变量，为网络的性能函数。

（1）网络层数

BP神经网络可以包含不同的隐含层，从理论上可证明在不限制隐含层节点数的情况下，两层的BP神经网络（只有一个隐含层）可以实现任意非线性映射。在模式样本相对较少的情况下，较少的隐含层节点，可以实现模式样本空间的超平面划分，可选择两层BP神经网络；当模式样本数很多时，减小网络规模，增加一个隐含层是有必要的，但是BP神经网络隐含层数一般不超过两层。

（2）输入层和输出层节点数

输入层起缓冲存储器的作用，它接受外部的输入数据，因此其节点数取决于输入矢量的维数。输出层节点数取决于两个方面，输出数据类型和表示该类型所需的数据大小。在设计输入层和输出层时，应该尽可能的减小系统规模，使系统的学习时间和复杂性减小。一般来说，网络的输入、输出个数应等于应用问题的输入、输出数。

（3）隐含层节点数

选择隐含层节点数的问题至今尚未找到一个很好的解析式，隐含层节点数一般根据前人设计所得的经验和自己进行试验来确定，隐含层节点数与求解问题的要求、输入输出单元数多少都有直接的关系。另外，隐含层节点数太多会导致学习时间过长；而隐含层节点数太少，容错性差，识别未经学习的样本能力低，因此在设计隐含层节点数时必须综合多方面的因素。

（4）传输函数

BP神经网络中的传输函数通常采用S型（sigmoid）函数，在某些特定情况下，还可能采用纯线性（pureline）函数。如果BP网络的最后一层是Sigmoid函数，那么整个网络的输出就限制在一个较小的范围内（0～1之间的连续量）；如果BP神经网络的最后一层是Pureline函数，那么整个网络的输出可以取任意值。

2.2.2 BP神经网络的初始化

通过MATLAB提供的函数initff对网络模型进行初始化设置。在newff创建网络对象的同时，自动调动初始化函数initff，根据缺省的参数对网络进行连接权值和阈值的初始化，并在训练过程中不断地对网络的权值、阈值和各个参数进行调整，使网络达到最佳效果。

2.2.3 BP神经网络的训练

网络模型参数设置完毕以后，就可以进行网络训练。针对不同的应用，BP神经网络提供了多种训练、学习方法。通过对网络各参数设置修改，不断对训练的网络进行优化，直到达到最佳效果。BP神经网络学习过程如图2所示。

2.2.4 BP神经网络的仿真

通过MATLAB提供的sim函数来对网络进行仿真，它根据已训练好的网络，对测试数据进行仿真计算，从而对网络进行修改评价。

3 BP人工神经网络应用于坦洋工夫红茶品质评定

茶叶感官审评的主要内容通常包括外观和内质，其中内质起主要作用。外观审评主要通过对茶叶形状的大小、松紧、嫩度、匀度、平滑程度、茶叶颜色以及光泽度等的观察来判断茶叶产品是否符合其茶类的品质要求以及判定其在该茶类中所处的级别；内质的审评则主要根据茶叶香气类型与浓度高低，茶汤颜色与明亮程度，滋味鲜爽度、浓度、厚度及强度，以及叶底的颜色和老嫩匀整度等观察或品尝来判断[10-11]。根据坦洋工夫红茶国家标准GB/T 24710-2009，坦洋工夫红茶等级分为特级、一级、二级、三级，其相应的感官品质特征包括外观（条索、整碎、净度、色泽）和内质（香气、滋味、汤色、叶底）[12]，如表1所示。为了能较好地体现坦洋工夫红茶品质特征，在构建神经网络模型时，基于感官审评法的相关审评指标，确定以外观和茶质八项因子作为构建坦洋工夫红茶BP神经网络模型的输入信号， 分别记为 x1，x2，x3，x4，x5，x6，x7，x8，将坦洋工夫茶的品质等级，作为神经网络的输出信号，记为m。并将茶叶的等级特性，即特级、一级、二级、三级分别量化为0，1，2，3，例如 x1=0，表示茶叶条索肥嫩紧细、毫显、多锋苗。

图2 网络学习过程流程图Fig.2 Flow chart of network learning process

表1 坦洋工夫红茶感官品质特征Table 1 Sensory quality characteristics of Tanyang Congou Black Tea

按照所确定的神经网络输入、输出信号，BP神经网络输入、输出层分别设为8和1，应用MATLAB神经网络工具箱中的函数newff建立的BP神经网络为：

net=newff （minmax （P）,[19,1],{‘tansig’,‘purelin’},‘traingdx’）

其中，net为新建立的网络，minmax（P）为输入向量P的取值区间，19和1分别为隐含层和输出层神经元的数目，tansig和purelin则分别为中间层和输出层的传输函数。

在构建BP神经网络模型时，选取60种不同等级坦洋工夫红茶已知类别样本作为BP神经网络的“学习”教材即训练集，选取20种不同等级坦洋工夫红茶已知类别样本作为预测集，预测集用来验证模型判别能力。在进行神经网络训练时发现，当隐层节点数为19时效果较好，因此将BP神经网络结构设置为8-19-1。其余各训练参数如下：最大循环次数1000，学习速率增长率1.05，学习速率减少率0.8，动量因子0.8，方差目标0.0001。为提高训练速度、稳定性及精度，使用了自适应学习速率法，其训练性能曲线图如图3所示，从而建立起茶叶品质各感官审评因子与相应茶叶评定等级间的对应关系，并用已训练好的BP神经网络进行回代检验。结果表明，该模型对训练集中样本的识别率为100%，对预测集中样本的识别率为98%。这说明本文建立的坦洋工夫红茶品质评定的神经网络模型是可靠的。

图3 BP神经网络训练曲线图Fig.3 Graph of BP neural network training

4 结论

茶叶的品质评定国内外主要采用感官审评，为了对茶叶品质更为客观、正确的评定，本文以坦洋工夫茶的感官审评因子为基础，利用目前应用最为广泛的BP神经网络建立坦洋工夫红茶品质的评定模型。研究结果表明，该模型能正确反映坦洋工夫红茶感官审评因子与品质之间的非线性映射关系，实现了对坦洋工夫红茶等级的预测，克服了感官审评中主客观因素造成的误差，提高了茶叶审评的速度和准确性，为茶叶感官审评提供了一种辅助方法。但在本研究中，茶叶样本的代表性不够强，样本数也不够全，只有建立科学的样本采集方法和样本代表性的判别原则，才能保证所建模型的可靠性。运用人工神经网络实现对茶叶品质优劣判别是把人工神经网络技术和茶叶科学相互融合的一次有益尝试，目前只是处于起步阶段，距实用化尚有较大的距离。在以后研究中，在构建人工神经网络模型时，若能以感官审评因子和理化审评的主要指标作为基础，再结合模糊技术，将是茶叶品质评定的一个重要研究方向，有待科技工作者进一步深入研究和探讨。

[1]刘栩.浅析我国主要的茶叶审评方法[J].茶业通报,2001（3）:20-21.

[2]蔡健荣.利用计算机视觉定量描述茶叶色泽[J].农业机械学报,2000,31（4）:67-70.

[3]陈哲,赵杰文.基于电子鼻技术的碧螺春茶叶品质等级检测研究[J].农机化研究,2012（11）:133-137.

[4]陈全胜,江水泉,王新宇.基于电子舌技术和模式识别方法的茶叶质量等级评判[J].食品与机械,2008,24（1）:124-126.

[5]周小芬,叶阳,周竹定,等.基于近红外光谱法的大佛龙井茶品质评价研究[J].光谱学与光谱分析,2012,32（11）:2971-2975.

[6]Hagan M T,Demuth H B,Beale M H.Neural Network Design[M].北京:机械工业出版社,2003.

[7]周品.MATLAB神经网络设计与应用[M].北京:清华大学出版社,2013.

[8]孙帆,施学勤.基于MATLAB的BP神经网络设计[J].计算机与数字工程,2007,35（8）:124-126.

[9]张德丰.MATLAB神经网络应用设计[M].北京:机械工业出版社,2012.

[10]冯花,郭雅玲.茶叶感官审评方法及其新发展[J].福建茶叶,2010（7）:28-31.

[11]蒋建明.再说茶叶感官审评与误差控制[J].广东茶叶,2008（3）:14-16.

[12]中华人民共和国质量监督检验检疫总局,中国国家标准化管理委员会.GB/T 24710-2009地理标志产品坦洋工夫[S].北京:中国标准出版社,2010.