基于波谱技术的茶树生长与茶叶品质信息快速检测研究进展

彭继宇， 宋星霖， 刘 飞， 鲍一丹, 何 勇

浙江大学生物系统工程与食品科学学院， 浙江 杭州 310058

基于波谱技术的茶树生长与茶叶品质信息快速检测研究进展

彭继宇， 宋星霖， 刘 飞， 鲍一丹*, 何 勇*

浙江大学生物系统工程与食品科学学院， 浙江 杭州 310058

波谱技术快速获取茶树生长和茶叶品质信息对提高茶叶生产信息化、 产业化水平， 保障茶叶品质和安全具有重要意义。 阐述了波谱技术在茶树生长和茶叶品质信息快速检测的研究进展和发展趋势。 重点介绍了红外光谱， 荧光光谱、 拉曼光谱、 质谱等在茶树生长信息获取(氮、 叶绿素、 病虫害信息等)、 茶叶品种分类、 茶叶分级、 茶叶内部品质检测(茶多酚、 儿茶素、 咖啡碱、 氨基酸、 农药残留等)、 茶饮料和加工品的品质检测以及相关检测设备等方面的研究进展和应用情况， 简述了茶树生长信息获取方法、 传感仪器和产业化应用的研究和发展趋势。 选择合适的预处理和化学计量学方法能有效增加模型效果， 减少冗余数据， 为基于波谱技术便携式仪器的开发提供可能。 基于波谱技术便携式仪器和在线检测仪器开发仍是今后实现该技术应用和推广的重点。 首次介绍了波谱技术在茶叶生产加工领域的应用成果和研究进展， 涵盖茶树生长、 茶叶加工、 茶叶和茶加工品品质安全等多方面内容， 并论述波谱技术在茶叶产业应用存在问题和将来发展趋势。

波谱技术； 茶树生长信息； 茶叶品质； 检测

引 言

茶叶作为一种绿色保健饮料， 与咖啡、 可可并称为世界三大饮品。 我国茶文化历史久远， 早在四千多年前就有相关的文字记载。 茶叶中含有咖啡碱、 儿茶素、 氨基酸和微量元素等， 具有抗衰老、 抑制心血管疾病、 防辐射等保健作用[1]。 2010年全球茶叶产量达到452万吨， 较2009年增长5.7%。 2009年， 我国茶叶种植面积已达184.9万hm2， 茶叶总产量135.9万t， 出口额达7.0亿美元[2]。

茶叶的品质指标分为感官品质指标与理化品质指标。 目前国内外普遍采用感官审评法来评定茶叶的感官品质指标。 茶叶感官评审是指依靠人的感觉(视觉、 嗅觉、 味觉、 触觉)进行鉴定， 需要专业评茶人员和专门评审设备。 理化品质指标的测定通常采用湿化学分析方法， 成本高、 耗时长、 操作复杂[3]， 不能满足无损、 快速、 在线的茶叶品质检测要求。 波谱技术作为一种重要的分析检测技术， 具有分析速度快、 成本低、 无损等特点， 能够定量地分析茶叶中的化学物质。 近年来， 研究人员基于波谱技术在整个茶叶生产、 加工、 贸易中均有广泛的应用。 在茶树(Camelliasinensis)生长过程中， 波谱技术主要应用于检测茶树的氮、 叶绿素以及病虫害情况； 在茶叶加工过程中， 可以进行监控， 并对茶叶进行品质分级以满足生产要求； 在市场茶叶品质监控方面， 可以检测茶叶以及茶产品的品质状况， 辨别茶叶真伪。

波谱技术在茶树生长和茶叶品质快速检测的研究进展和发展趋势， 主要包括茶树生长信息获取、 茶叶品种分类、 茶叶分级、 茶叶内部品质检测、 茶饮料品质检测以及茶制品相关检测设备等， 也简述了茶树生长信息获取方法技术、 传感仪器和产业化应用的研究和发展趋势。

1 茶树生长信息检测

茶树生长信息主要包括茶树营养元素、 茶叶产量相关指标、 病虫害情况等。 传统的人工采样评估茶树生长状态， 周期长、 成本高、 效果较差。 结合波谱技术快速获取茶树生长信息能够有效弥补这个缺陷。

作物的营养元素与作物的生长状况和产量息息相关。 茶树在生长过程中对环境中营养元素的吸收存在差异， 其氮、 叶绿素含量等也存在不同。 通过监测茶树氮、 叶绿素含量等， 能够预估茶树茶叶的产量， 确定营养元素情况， 对茶树进行变量施肥管理。 由于茶树生长存在一定的地域性， 相比水稻等作物茶树的研究相对较少， 主要停留在叶片或植株水平上。 杨丹等[4]基于近红外光谱技术结合最小二乘法(partial least squares, PLS)预测绿茶叶片总氮含量， 相关系数达到0.993 9。 Ishikawa等[5]应用手持式光谱仪探究叶绿素吸收波段处(680 nm)变化评估叶片的长势， 研究表明当茶叶在不同生长阶段， 该吸收峰的波长和强度均有明显变化。 Li等[6]应用325～1 075 nm波段ASD高光谱仪估算六种不同茶树的叶绿素指数， 分别建立偏最小二乘法(PLS)和多元线性回归(multiple linear regression, MLR)模型， 其中PLS模型效果最佳(相关系数(correlation coefficient,r)=0.95， 预测标准误差(standard error of prediction, SEP)=3.40， 偏差(bias)=1.9e-0.6)。

茶树病虫害种类繁多， 且发病时间遍及全年， 有茶蚜、 螨类、 茶毛虫等虫害以及白星病、 炭疽病、 茶云纹叶枯病等[7]。 传统上的病虫害防治存在施药剂量不合理、 防治不及时等问题。 因此， 结合波谱技术检测病虫害情况以及茶树生长状态， 有利于确定灾情， 早期防治病虫害， 提高茶树产量。 Kumar等[8]应用325～1 075 nm ASD高光谱仪对茶园不同特性(茶园的年代、 生长阶段、 修剪状态、 光照条件、 疾病发生率)进行区分， 并用逐步判别分析(stepwise discrimination analysis, SDA)和主成分分析(principal component regression, PCA)选择特征波段。 结果表明， 绿色波段适用于区分茶树的品种和光照条件； 蓝色波段适用于区分茶园的年代、 茶树生长阶段、 疾病状况； 红色与近红外波段较适合区分茶树有无修剪。 Dihkan等[9]应用机载多光谱成像仪鉴别茶园区域。 采用Gabor滤波器提取光谱和纹理特征， 并用修正归一化植被指数(modified normalized difference vegetation index, MNDVI)区分绿色植被， 然后用支持向量机算法(support vector machine, SVM)基于光谱特征和纹理特征进行分类。

目前， 波谱技术在茶树生长过程中的应用主要在近地小范围内， 涉及氮、 叶绿素的检测以及茶园不同特性区分方面。 在病虫害防治以及产量预估方面， 可以考虑利用机载或卫星遥感技术检测范围广的优势全面获取茶树生长信息。

2 茶叶品种分类和分级鉴别

2.1 茶叶品种间分类鉴别

中国茶叶品种繁多， 主要品种有绿茶、 红茶、 乌龙茶、 白茶、 黄茶、 黑茶等。 不同品种、 产地的茶叶其外观形态可能相似， 但是其谱线存在差异， 因此通过波谱技术可以进行鉴别。 在茶叶品种分类方面， 主要波谱技术有红外光谱技术、 荧光光谱、 质谱以及波谱成像技术。

红外光谱的检测对象一般是红外区基本振动的倍频和合频， 特别是含H官能团的振动。 许多学者用红外光谱技术鉴别茶叶品种。 早在1988年， Osbone等[10]和Budinova等[11]分别基于近红外光谱技术和中外红光谱技术分别对茶叶品种行鉴别。 Li等[12]应用Vis/NIR光谱技术对3个不同茶园内的3种茶树品种总共293个样本进行区分。 用小波变换(wavelet transform, WT)对获得的光谱进行预处理， 并进行PCA， 最后将提取出来的主成分(PCs)输入人工神经网络(artificial neural network, ANN)中建立校正模型， 对于这3个品种的茶叶其最优分类率可达77.3%。 Chen等[13]基于12 400～4 000 cm-1波段Nicolet红外光谱仪结合偏最小二乘法(PLS)和判别分析(DA)算法对白茶和白花茶两种相似茶叶进行鉴别， 验证集的识别率均为100%。 He等[14]应用325～1 075 nm波段ASD光谱仪对八种不同茶叶进行分类。 采用小波变换对光谱进行预处理， 并用PCA提取8个主成分输入反向传播人工神经网络(back-propagation artificial neural network, BP-ANN)建模， 识别率为100%。 杨新河等[15]应用4 000～400 cm-1红外光谱对五种黑茶样本进行分类。 Palacios-Morillo等[16]应用紫外-可见光谱结合PCA提取主成分， 并分别结合线性判别分析(LDA)、 SVM、 ANN建模， 对不同品种茶叶进行区分。 结果显示， PCA结合ANN模型效果最好。 Xu等[17]应用4 000～12 000 cm-1波段Bruker-tensor37红外光谱仪分别建立OCPLS(one-class partial least squares)和簇类独立软模式法(soft independent modeling of class analogy, SIMCA)模型对不同地域来源安吉白茶粉末进行识别。 Yan等[18]应用近红外光谱结合PLS-DA对三个不同产地的铁观音进行鉴别， 模型的敏感性(sensitivity)和特异性(specificity)分别是0.931和1。 应用红外光谱技术结合化学计量学方法对茶叶品种进行分类是一种十分有效的手段， 当样本范围足够大时其建立的模型效果能满足实际生产需要。 利用主成分和小波变换能有效减少光谱冗余波段， 对便携式红外茶叶品种鉴别的仪器开发具有重要意义。

质谱分析是通过检测离子的荷质比来分析同位素成分、 有机物构造以及元素成分的检测技术。 荧光光谱是检测由物体受到激发产生的荧光的分析检测技术。 一些学者尝试使用荧光光谱和质谱对茶叶品种进行分类， 然而相比红外光谱其操作相对复杂。 Nitin Seetohul等[19]应用300～700 nm全荧光光谱仪(TLS)结合主成分分析对四种灌装液体日本茶和三种茶叶进行区分。 结果显示， 能成功鉴别绿茶、 黑茶、 乌龙茶。 Chen等[20]应用表面解吸常压化学电离质谱结合主成分成功对绿茶、 乌龙茶、 茉莉茶进行区分。 质谱分析技术和荧光光谱技术作为一种实验室分析手段， 检测精度一般优于红外光谱技术， 然而其仪器成本高并且不适用于室外作业的特点限制了其工业化应用。

波谱成像技术将波谱技术和成像技术相结合， 它既能够获取样本的光谱信息也能够同时获取样本的空间信息。 波谱成像技术在鉴别茶叶品种方面有不错的效果， 其识别率可达95%以上。 Wu等[21]应用多光谱成像技术通过获取580， 680， 800 nm的图像， 并将图像的熵值作为纹理特征， 并用LS-SVM建模， 对绿茶的4个品种进行分类， 其分类效果达到100%。 Li等[22]应用多光谱成像技术用灰度共生矩阵和小波变换进行数据挖掘提取纹理特征， 并用多级LS-SVM对几种中国名茶进行分类。 结果表明， 当小波纹理特征(wavelet transform feature, WTF)为18时， 其识别率最高为96.82%。 波谱成像技术能同时获取茶叶光谱信息和图像信息， 通过信息融合技术可提高分类的精度。 该技术融合光谱技术和机器视觉技术， 在茶叶分类上有很好的应用前景。 然而， 其模型的传递性和稳定性以及大数据有用信息的挖掘仍是该技术研究的热点和难点。

2.2 茶叶品质分级鉴定

茶叶生产过程中需要根据茶叶类型进行不同的发酵处理， 同时根据茶叶品质对茶叶进行分级。 不同加工工艺和等级的茶叶其功效以及市场价值不同， 因此需要根据其不同特征进行分级鉴定。

茶叶根据发酵程度不同大致可分为发酵茶、 半发酵茶和无发酵茶。 不同发酵程度的茶叶名称不同， 营养功能存在差异， 如绿茶的发酵度为0， 乌龙茶属于半发酵茶， 而红茶则属于发酵茶。 波谱技术可以对茶叶是否发酵、 发酵工艺和发酵时间进行鉴别。 郑玲等[23]应用表面增强拉曼光谱在600～1 800 cm-1波数段对4种不同发酵时间普洱茶进行了鉴别。 结果表明在655， 732， 959， 1 238 cm-1等特征峰处有明显的差异。 Xu等[24]应用400～4 000 cm-1波段Nicolet380傅里叶型红外光谱仪对紧压茶的类型(有无发酵)和年份进行识别。 作者用PLS-DA算法对紧压茶的类型进行区分， 其模型的敏感性和特异性分别是93%和96%， 分别用PLS和BP-ANN对未发酵茶和发酵茶的年份进行鉴别， 其RMSEP分别是1.47月和1.67月。

茶叶根据其形状、 色泽、 香气、 滋味、 汤色可分为特级、 一级、 二级等。 应用波谱技术对茶叶等级进行分析， 具有快速、 高效、 无损等特点， 避免感觉审评中存在的主观、 步骤繁琐等问题。 蒋帆等[25]应用350～2 500 nm波段ASD高光谱仪对机炒龙井茶等级进行识别。 作者用支持向量机建立模型， 其等级分类识别准确率达98.3%。 陈全胜等[26]综合应用近红外光谱技术和机器视觉技术对4个等级的炒青绿茶进行分级。 作者获得图像信息和光谱信息， 并用PCA提取PCs建立BP-ANN模型， 建模集的识别率为99%， 验证集的识别率为89%。

3 茶叶内部品质检测

茶叶中有机化学成分主要有茶多酚、 植物碱、 蛋白质、 氨基酸、 儿茶素等。 这些物质与茶叶品质有密切关系[27-28]。 例如， 咖啡碱是构成茶汤滋味的主要物质； 氨基酸的含量与茶叶品质存在正相关； 茶多酚具有抗氧化、 抑制肿瘤、 降血脂等功能； 儿茶素具有苦、 涩味， 是茶叶特有成分。 传统上， 茶叶有机化学成分的检测采用湿化学方法， 成本高、 步骤复杂、 时间长。 波谱技术能够有效地弥补传统检测手段的缺陷， 有望能够代替传统湿化学方法成为一种检测茶叶内部品质的技术。 表1列举了波谱技术在茶叶内部品质检测相关研究。

Table 1 A survey of the works on fast detection of tea internal quality information with spectral technology

自21世纪初出现基于光谱技术内部指标的定量和定性分析相关研究[29-33]以来， 学者在多种茶叶品种范围和建模方法以及不同尺度(粉末、 叶片、 冠层)上均进行了研究。 Luo等[34]应用红外光谱结合SVM测定茶叶中总酚与总自由氨基酸的含量。 以镱元素作为内定标元素， 补偿由样本数量引起的谱线变化， 成功实现总自由氨基酸和总酚的检测。 在应用波谱技术测定茶多酚和咖啡碱含量过程中， PLS是最常用的建模方法[35-36]。 一些学者尝试用不同的PLS模型进行建模分析。 Chen等[37]应用近红外光谱技术检测茶叶中的茶多酚， 比较不同PLS算法的预测。 结果显示， 区间偏最小二乘法(interval partial least squares, iPLS)的建模比偏最小二乘法、 联合区间偏最小二乘法(synergy interval partial least squares, siPLS)的效果更好，r和RMSEP分别为0.958 3和0.732 7。 Chen等[38]应用近红外光谱对获得的光谱数据及化学值建立PLS， BP-ANN， LS-SVM模型估算绿茶叶中的抗氧化活性， 其中LS-SVM的模型效果最好， 其Rp=0.939 1， RMSEP=0.021 61。 在不同的测量水平上， 茶叶有机化学物质测量的结果存在差异。 Bian等[39]应用350～2 500 nm波段ASD光谱仪分别在粉末、 叶片以及冠层建立PLS模型检测茶叶的中茶多酚， 自由氨基酸和可溶性糖含量。 在粉末水平， 对于茶多酚， 氨基酸， 可溶性糖， 其R2和RMSE/mean分别是0.89， 0.81， 0.78和5.47%， 5.5%, 2.75%。 在叶片水平， 对于茶多酚， 氨基酸， 可溶性糖， 其决定系数(R2)， 相对均方根误差(RMSE/mean)分别是在0.46%～0.81%和4.46%～7.09%之间。 在冠层， 其R2， RMSE/mean分别是0.83， 0.77， 0.56和6.79%， 5.73%， 4.03%。

水含量和干物质含量是评价茶叶加工进展的重要评价指标。 Li等[40]应用325～1 075 nm ASD可见/近红外光谱仪预测茶叶中的水含量(Moisture Content)。 分别用WT， PCA， KPCA提取特征光谱， 并建立PLS， MLR， LS-SVM模型。 结果表明， WT在这三种方法中效果最好， WT-MLR模型建模集的r=0.991， RMSEP=0.034。 Li等[41]应用7 500～400 cm-1波长范围Jasco FT/IR-4100光谱仪估算七个不同加工阶段茶叶的干物质含量。 分别用全波长、 小波光谱特征和主成分建立模型， 其中小波光谱特征建模效果最佳(R2=0.955 6， RMSE=0.050 1)。

红外光谱技术并结合化学计量学方法能有效对茶叶内部品质进行定量分析， 其模型的相关系数基本上都在0.9以上。 应用小波变换和适合的预处理方法能有效提高模型效果， 偏最小二乘法是一种有效、 可靠的建模方法， 能有效对茶叶内部品质进行定量分析。 然而就现有研究而言， 尽管基于红外光谱茶叶内部品质的检测已经基本涵盖茶叶品质指标并且检测效果较好， 然而离实际的生产应用仍有较大差距。 当检测样品的化学值在模型之外时， 其模型效果较差； 温度、 湿度、 样本性质等因素会对检测结果造成影响。 在现有的研究基础上， 扩大样本范围提高模型的稳定性， 开发基于红外光谱技术茶叶品质检测的仪器应该是今后研究的方向和热点。

茶叶中一些矿物元素如K， Ca， F， Mn等对人体有十分重要的作用。 茶叶中矿质元素含量有严格的规定， 也是评估茶叶品质的重要评价指标。 Pereira等[46]应用X射线光谱检测茶叶中的Ca， Fe， K， Mg， Mn， Zn含量。 作者建立PLS模型， 其定量限分别是614， 134， 761， 140， 85， 1 mg·kg-1。 Mores等[47]应用高分辨率的原子吸收光谱检测茶叶中的F含量。 作者通过间接测量CaF的含量测量F含量， 该方法的检出限为0.16 mg·L-1， 线性范围为0.5～25 mg·L-1， 相关系数为0.999 4。 范宝磊等[48]研究了用原子吸收光谱和原子荧光光谱法测定藤茶中的微量元素。 Shaltout等[49]应用原子吸收光谱法检测黑茶中Cd， Cu， Ni， Pb含量。 结果表明， 该方法Cd， Cu， Ni， Pb的检出限分别是0.03， 11， 0.9， 0.27 μg·L-1， 定量限分别是0.1， 33， 2.8， 0.8 μg·L-1。

茶园中农药的使用不可避免使一部分的农药残留在茶叶表面。 茶叶中的农药残留危害消费者的健康， 因此欧盟以及许多国家如美国、 日本、 中国等对茶叶的农药残留都规定有最高的残留极限(maximum residual limits， MRL)。 目前茶叶中农残的检测通常是通过气相色谱法[50]、 液相色谱法[51]、 气相色谱-串联质谱法[52]、 液相色谱-串联质谱法[53]等， 其中气相色谱-串联质谱法、 液相色谱-串联质谱法应用最为广泛。 色谱法检测茶叶农残精度高且检出限低(能达到几十μg·kg-1)， 然而针对茶叶农药残留(特别是多种农残混合时)， 样本预处理方式复杂， 操作较为繁琐。 尽管光谱技术作为一个快速无损的检测手段已经应用于水果[54-57]的农残检测， 但是在茶叶中还未见相关报道。 如何降低其检出限是基于光谱技术农残检测的关键。

4 茶饮料或茶加工品检测

茶饮料是指用水浸泡茶叶经一系列工艺制成的茶汤或在茶汤中加入水、 食用香精、 果汁等调制而成的制品。 随着人们保健意识的增强， 茶饮料市场迅速发展。 2009年为止， 全国茶饮料总产量超过700万吨， 占饮料消费市场的20%。 然而市场上一些茶饮料的咖啡碱、 茶多酚等品质指标不符合国家标准[58]， 有必要对茶饮料中的指标进行测量。 一些学者应用高效液相测量茶饮料中的甘草酸含量[59]、 咖啡碱[60]和微量色素物质[61]等含量， 分析了该方法的检出限。 相比液相色谱， 红外光谱技术具有无损、 快速、 高效等特点。 艾施荣等[62]应用350～1 800 nm波长光谱仪用PCA结合BP神经网络建模， 对三种茶饮料进行识别， 模型的鉴别率为98.33%。 吴彦红等[63]应用10 000～4 000 cm-1波段Antaris Ⅱ近红外光谱仪分别用iPLS和siPLS方法建立模型， 检测茶饮料中氨基酸的含量。 结果显示， siPLS模型的效果更好(Rp=0.887， RMSEP=0.202)。 Li等[64]应用350～1 075 nmASD光谱仪对十种茶饮料的pH和可溶性物质含量进行检测， 分别建立LS-SVM、 PLS、 ANN模型， LS-SVM模型效果最好(对于pH，r=0.998， SEP=0.111； 对于可溶性物质，r=0.997， SEP=0.256)。

茶油是由茶菜籽经加工提炼后得到的高营养价值的食用植物油， 是纯天然的绿色保健食品。 波谱技术在茶油的应用主要在辨别真伪和脂肪酸等品质指标的检测方面。 张菊华等[65-67]应用10 000～4 000 cm-1波段NiColet AntarisⅡ近红外光谱仪应用PCA和DA算法对茶油真伪进行了鉴别， 其分类准确率达到98.8%。 光谱工作方式对实验结果存在影响， 结果表明： 透反射模式结果要优于透射模式， 作者利用透反射模式采集光谱数据建立PLS定量模型， 预测集的RMSEP=0.66。 脂肪酸等品质指标检测方面， 郝勇等[68]应用700～3 900 cm-1波段WQF-510A傅里叶红外光谱仪检测山茶油中棕榈酸和十四烷酸含量。 作者用不同预处理方法并结合小波变换WT， 建立PLS模型， 取得较好的预测结果(棕榈酸的Rp=0.908， RMSEP=2.653； 十四烷酸Rp=0.948， RMSEP=0.058)。

5 茶叶分级和品质检测设备

茶鲜叶分级是在不破坏、 损伤、 污染鲜叶的前提下对采摘后的茶鲜叶迅速有效地按工艺要求分开归类， 同时清除残渣、 碎片， 这道工序实现的主要目标是最大限度地提高各类鲜叶的匀净度， 为后续工序提供满足工艺要求的标准原料。 传统上， 茶叶分级设备主要是根据茶叶的重量以及大小应用风选或者筛网[69-70]进行分级。 这些设备分级标准通常为茶叶重量和大小这些基本物理参数， 其色泽、 香气、 滋味、 内部指标等均未考虑在内， 只能实现茶叶的初步筛选， 未能实现代替人工茶叶分级的功能。 近年来， 随着红外光谱技术和机器视觉技术在茶叶品质检测方面研究的发展， 研究人员尝试进行相应仪器的研制， 有望改善传统茶叶分级机的现状。 常春等[71]基于人工神经网络图像分级设计了一种鲜茶叶分级机。 作者根据鲜茶叶的面积、 周长、 短轴长度等纹理特征， 结合人工神经网络对茶叶进行分类， 分类准确率达到90%。 吕进等[72]针对茶叶内部成分的检测设计了一种基于NIR的茶叶成分检测仪。 该茶叶成分检测仪能够检测茶叶的水分、 茶多酚、 氨基酸、 咖啡碱等四种主要成分。 茶叶成分检测仪主要由光源、 分光系统、 测样装置、 信号检测和处理系统等模块组成。 试验样机的检测结果与实际值相对误差小于5%。 Qi等[73]研制了一套实时检测茶叶茶多酚含量的便携式光学传感系统， 仪器采用PLS算法， 检测结果的变异系数(coefficient of variation)小于5%。

目前， 波谱技术在茶鲜叶分级上的应用还不够成熟， 市面上仅有一种名叫SNIR-2201茶叶品质分析仪(由合肥美亚光电技术公司、 安农大和黄山谢裕大茶叶公司研制)。 因此， 基于波谱技术和成像技术的茶叶品种和等级快速鉴别仪器， 特别是便携式仪器的研制， 仍需进行进一步研究。

6 结论与展望

波谱检测技术已在茶树的生长信息、 品种分类、 分级、 内部品质检测以及茶相关设备研制等方面取得了多项应用成果， 对提高我国茶叶生产加工信息化、 产业化， 保障茶叶产量和品质具有重要意义。 在茶树生长信息获取方面， 由于受到户外作业条件的影响， 多光谱技术和便携式光谱仪的使用有利于促进茶树病害的早期诊断和生长阶段评估； 在茶叶品种分类和分级方面， 多种波谱技术(包括红外光谱、 荧光光谱、 质谱和波谱成像技术)均取得了不错的分类效果。 但是质谱技术和荧光光谱技术干扰因素多， 且成本较高， 目前不适合于产业化应用； 在茶叶内部品质检测方面， 红外光谱技术主要应用于茶叶品质指标的快速无损检测， 而茶叶重金属的检测主要由原子吸收光谱和X荧光光谱实现。 茶饮料和茶油等茶制品方面， 由于相关的检测指标还未健全， 基于波谱技术的品质检测相关报道相对较少， 应结合茶制品的特性系统研究基于波谱技术检测茶制品的可能性。 而在相关仪器开发方面， 近红外技术和机器视觉技术已经率先应用于茶相关检测设备的开发， 但是设备的可靠性和准确性仍有待进一步提升。

随着食品安全和健康需求的不断提升， 波谱技术在茶叶及茶叶制品品质检测方面仍有很多方面需要进一步研究： (1)茶树生长过程信息的获取传感器、 便携式仪器、 信息传感节点设备； (2)茶树生长过程病虫害的动态监测与有效防治方法； (3)茶叶农药残留和重金属的快速检测方法和传感仪器； (4)茶叶加工过程温湿度和理化参数的在线检测技术和仪器设备； (5)茶叶品种和等级便携式快速鉴别传感仪器和设备。 相关技术和设备的研发和优化， 对提升我国茶叶品质和质量， 提高茶叶产业国际竞争力具有重要意义。

[1] LIU Dong-ying, WANG Yin(刘东英， 王 茵). Food Science(食品科学)， 2010， 31(21)： 464.

[2] JIANG Yong-wen, CHEN Xiao-xiong, ZHU Jian-miao, et al(江用文, 陈霄雄, 朱建淼, 等). Journal of Tea Science(茶叶科学), 2011, 31(3): 273.

[3] Chen L G, Yang Z L, Han L J. Applied Spectroscopy Reviews, 2013, 48(7): 509.

[4] YANG Dan， LIU Xin, ZHANG Ying-bin, et al(杨 丹, 刘 新, 张颖彬, 等). Food Science(食品科学), 2014, 35(8)： 147.

[5] Ishikawa D, Hoogenboom G, Ozaki Y, et al. Journal of Agricultural Meteorology, 2013, 69(4): 255.

[6] Li X L, He Y. Hortscience, 2008, 43: 1586.

[7] CHEN Hong-de(陈洪德). Journal of Anhui Agricultural Sciences(安徽农业科学), 2013, 41(20): 8529.

[8] Kumar A, Manjunath K R, Meenakshi, et al. International Journal of Applied Earth Observation and Geoinformation, 2013, 23: 352.

[9] Dihkan M, Guneroglu N, Karsli F, et al. International Journal of Remote Sensing, 2013, 34(23): 8549.

[10] Osborne B G, Fearn T. Food Chemistry, 1988, 29(3): 233.

[11] Budinova G, Vlacil D, Mestek O, et al. Talanta, 1998, 47(2): 255.

[12] Li X L, He Y. Biosystems Engineering, 2008, 99(3): 313.

[13] Chen Y, Deng J, Wang Y X, et al. Journal of the Science of Food and Agriculture, 2014, 94(5): 1026.

[14] He Y, Li X L, Deng X F. Journal of Food Engineering, 2007, 79(4): 1238.

[15] YANG Xin-he, WANG Li-li, HUANG Jian-an, et al(杨新河, 王丽丽, 黄建安, 等). Food Science(食品科学), 2012, 33(14): 203.

[16] Palacios-Morillo A, Alcazar A, De Pablos F, et al. Spectrochimica Acta Part A-Moleclar Biomolecular Spectroscopy, 2013, 103: 79.

[17] Xu L, Shi P T, Fu X S, et al. Journal of Spectroscopy, 2013, 60(44): 1.

[18] Yan S M, Liu J P, Xu L, et al. Journal of Analytical Methods in Chemistry, 2014.

[19] Nitin Seetohul L, Islam M, O’Hare W T., et al. Journal of the Science of Food and Agriculture, 2006, 86: 2092.

[20] Chen H W, Liang H Z, Ding J H, et al. Journal of Agricultural and Food Chemistry, 2007, 55(25): 10093.

[21] Wu D, Yang H Q, Chen X J, et al. Journal of Food Engineering, 2008, 88(4): 474.

[22] Li X L, Nie P C, Qiu Z J, et al. Expert Systems with Applications, 2011, 38(9): 11149.

[23] ZHENG Ling, ZHAO Yan-ping(郑 玲, 赵燕平). Chinese Journal of Luminescence(发光学报), 2013, 34(2): 230.

[24] Xu L, Deng D H, Cai C B. Journal of Agricultural and Food Chemistry, 2011, 59(19): 10461.

[25] JIANG Fan, QIAO Xin, ZHENG Hua-jun, et al(蒋 帆, 乔 欣, 郑华军, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2011, 27(7): 343.

[26] CHEN Quan-sheng, ZHAO Jie-wen, CAI Jian-rong(陈全胜, 赵杰文, 蔡健荣, 等). Transactions of the Chinese Society of Agricultural Engineer(农业工程学报), 2008, 24(3): 5.

[27] Dutta R, Stein A, Bhagat R M. Food Chemistry, 2011, 127(2): 866.

[28] XIAO Jun-song, YUAN Ying-mao, ZHANG Ai-xue, et al(肖俊松, 袁英髦, 张爱雪, 等). Food Science(食品科学), 2010, 31(22): 343.

[29] Zhang M H, Luypaert J, Pierna J A F, et al. Talanta, 2004, 62(1): 25.

[30] Paradkar M M, Irudayaraj J. Food Chemistry, 2002, 78(2): 261.

[31] Ohnsmann J, Quintas G, Garrigues S, et al. Analytical and Bioanalytical Chemistry, 2002, 374(3): 561.

[32] Najafi N M, Hamid A S, Afshin R K. Microchemical Journal, 2003, 75(3): 151.

[33] Luypaert J, Zhang M H, Massart D L. Analytica Chimica Acta, 2003, 478(2): 303.

[34] Luo R M, Tan S M, Zhou Y P, et al. Journal of Chemometrics, 2013, 27(7-8): 198.

[35] Chen Q S, Zhao J W, Huang X Y, et al. Microchemical Journal, 2006, 83(1): 42.

[36] Bian M, Skidmore A K, Schlerf M, et al. Photogrammetric Engineering and Remote Sensing, 2010, 76(12): 1385.

[37] Chen Q S, Zhao J W, Liu M H, et al. Journal of Pharmaceutical and Biomedical Analysis, 2008, 46(3): 568.

[38] Chen Q S, Guo Z M, Zhao J W, et al. Journal of Pharmaceutical and Biomedical Analysis, 2012, 60: 92.

[39] Bian M, Skidmore A K, Schlerf M, et al. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 78: 148.

[40] Li X L, Xie C Q, He Y, et al. Sensors, 2012, 12(7): 9847.

[41] Li X L, Luo L B, He Y, et al. Computer and Electronics in Agriculturure, 2013, 98: 46.

[42] ZHAO Jie-wen, GUO Zhi-ming, CHEN Quan-sheng, et al(赵杰文, 郭志明, 陈全胜, 等). Acta Optica Sinica(光学学报), 2008, 28(12): 2302.

[43] ZHAO Jie-wen, GUO Zhi-ming, CHEN Quan-sheng(赵杰文, 郭志明, 陈全胜). Journal of Food Science and Biotechnology(食品与生物技术学报), 2008, 27(04): 12.

[44] Guo Z M, Chen Q S, Chen L P, et al. Applied Spectroscopy, 2011, 65(9): 1062.

[45] CHEN Quan-sheng, GUO Zhi-ming, ZHAO Jie-wen, et al(陈全胜, 郭志明, 赵杰文, 等). Journal of Infrared and Millimeter Waves(红外与毫米波学报), 2009, 28(05): 357.

[46] Pereira F M V, Pereira-Filho E R, Bueno M I M S. Journal of Agricultural and Food Chemistry, 2006, 54(16): 5723.

[47] Mores S, Monteiro G C, Santos F D S, et al. Talanta, 2011, 85(5): 2681.

[48] FAN Bao-lei, ZHANG Jian, SUO You-rui(范宝磊, 张 健, 索有瑞). Journal of Analytical Science(分析科学学报), 2010, 26(5): 611.

[49] Shaltout A A, Abdel-Aal M S, Welz B, et al. Analytical Letters, 2013, 46(13): 2089.

[50] Cho S K, Abd El-Aty A M, Rahman M M, et al. Food Chemistry, 2014, 165: 532.

[51] Wu C C, Chu C, Wang Y S, et al. Journal of Environmental Science and Health Part B-Pesticides Food Contaminants and Agricultural Wastes, 2009, 44(1): 58.

[52] Chen H, Yin P, Wang Q, et al. Food Analytical Methods, 2014, 7(8): 1577.

[53] Chen L, Chen J, Guo Y, et al. Food Chemistry, 2014, 143: 405.

[54] Liu B, Han G, Zhang Z, et al. Analytical Chemistry, 2012, 84(1): 255.

[55] Dhakal S, Li Y, Peng Y, et al. Journal of Food Engineering, 2014, 123: 94.

[56] Fan Y, Lai K, Rasco B A, et al. LWT - Food Science and Technology, 2015, 60(1): 352.

[57] Fan Y, Lai K, Food Control, 2014, 37: 153.

[58] JIA Qiu-yuan, LIU Ying, LI Dong-ru, et al(贾秋园, 刘 颖, 李冬如, 等). Detection & Analysis(检测与分析), 2009, 12(08): 41.

[59] HAO Yuan-yuan, TAN Bo-tao, DING Zhi-chong, et al(郝媛媛, 谭波涛, 丁轶聪, 等). Journal of Anhui Agricultural Sciences (安徽农业科学), 2012, 40(03): 1459.

[60] DONG Li-li, WANG Cai-jun, HU Zhang-ji, et al(董丽丽, 王彩君, 胡章记, 等). Physical Testing and Chemical Analysis Part B: Chemical Analysis(理化检验·化学分册), 2013, 49(6): 657.

[61] PAN Shun-shun, LU Jian-liang, YANG Xiao-li, et al(潘顺顺, 陆建良, 杨晓丽, 等). Journal of Tea Science(茶叶科学), 2007, 27(4): 343.

[62] AI Shi-rong, WU Rui-mei, WU Yan(艾施荣, 吴瑞梅, 吴 燕). Journal of Anhui Agricultural Sciences(安徽农业科学), 2010, 38(14): 7658, 7662.

[63] WU Yan-hong, AI Shi-rong, YANG Lin-yuan, et al(吴彦红, 艾施荣, 严霖元, 等). Acta Agriculturae Universitatis Jiangxiensis(江西农业大学学报), 2012, 34(05): 1026.

[64] Li X L, He Y. Food and Bioprocess Technology, 2008, 3(5): 651.

[65] ZHANG Ju-hua, ZHU Xiang-rong, LI Gao-yang, et al(张菊华, 朱向荣, 李高阳, 等). Chinese Journal of Analytical Chemistry(分析化学), 2011, 39(5): 748.

[66] ZHANG Ju-hua, ZHU Xiang-rong, SHANG Xue-bo, et al(张菊华, 朱向荣, 尚雪波, 等). Science and Technology of Food Industry(食品工业科技), 2012, 33(3): 334.

[67] ZHANG Ju-hua, ZHU Xiang-rong, SU Dong-lin, et al(张菊华, 朱向荣, 苏东林, 等). Food & Machinery(食品与机械), 2012, 28(1): 101.

[68] HAO Yong(郝 勇). Journal of Chinese Agricultural Mechanization(中国农机化学报), 2013, 34(3): 192.

[69] LUO Yao-ping, WANG Yong-jing, ZHANG Lan-lan, et al(骆耀平, 王永镜, 张兰兰, 等). Journal of Tea(茶叶), 2012, 38(1): 27.

[70] YANG Yong-jun, CHEN Li-hang, FU Hai-ping, et al(杨拥军, 陈力航, 傅海平, 等). Hunnan Agricultural Machinery (湖南农机), 2013, 40(3): 106.

[71] CHANG Chun, CHEN Yi-qun, XIAO Hong-ru, et al(常 春, 陈怡群, 肖宏儒, 等). Journal of Chinese Agricultural Mechanization(中国农机化学报), 2013, 34(1): 137.

[72] LÜ Jin, SHI Yang, LIU Hui-jun, et al(吕 进, 施 秧, 刘辉军, 等). Opto-Electronic Engineering(光电工程), 2010, 37(1): 82.

[73] Qi S, Ouyang Q, Chen Q S, et al. Journal of Pharmaceutical and Biomedical Analysis, 2014, 97: 116.

Fast Detection of Camellia Sinensis Growth Process and Tea Quality Informations with Spectral Technology： A Review

PENG Ji-yu, SONG Xing-lin, LIU Fei, BAO Yi-dan*， HE Yong*

College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, China

The research achievements and trends of spectral technology in fast detection of Camellia sinensis growth process information and tea quality information were being reviewed. Spectral technology is a kind of fast, nondestructive, efficient detection technology, which mainly contains infrared spectroscopy, fluorescence spectroscopy, Raman spectroscopy and mass spectroscopy. The rapid detection of Camellia sinensis growth process information and tea quality is helpful to realize the informatization and automation of tea production and ensure the tea quality and safety. This paper provides a review on its applications containing the detection of tea (Camellia sinensis) growing status(nitrogen, chlorophyll, diseases and insect pest), the discrimination of tea varieties, the grade discrimination of tea, the detection of tea internal quality (catechins, total polyphenols, caffeine, amino acid, pesticide residual and so on) , the quality evaluation of tea beverage and tea by-product, the machinery of tea quality determination and discrimination. This paper briefly introduces the trends of the technology of the determination of tea growth process information, sensor and industrial application. In conclusion, spectral technology showed high potential to detect Camellia sinensis growth process information, to predict tea internal quality and to classify tea varieties and grades. Suitable chemometrics and preprocessing methods is helpful to improve the performance of the model and get rid of redundancy, which provides the possibility to develop the portable machinery. Future work is to develop the portable machinery and on-line detection system is recommended to improve the further application. The application and research achievement of spectral technology concerning about tea were outlined in this paper for the first time, which contained Camellia sinensis growth, tea production, the quality and safety of tea and by-produce and so on, as well as some problems to be solved and its future applicability in modern tea industrial.

Spectral technology; Tea (Camellia sinensis) growth process information; Tea quality information; Dectection

Oct. 13, 2014; accepted Feb. 10, 2015)

2014-10-13，

2015-02-10

国家支撑计划课题(2014BAD06B06)和国家自然科学基金项目(31471417)资助

彭继宇， 1992年生， 浙江大学生物系统工程与食品科学学院博士研究生 e-mail: jypeng@zju.edu.cn *通讯联系人 e-mail: ydbao@zju.edu.cn; yhe@zju.edu.cn

S571.1； O657.3

A

10.3964/j.issn.1000-0593(2016)03-0775-08

*Corresponding authors