基于嗅觉可视化技术的工夫红茶发酵程度判定方法

陈琳，叶阳，董春旺，何华锋

1. 中国农业科学院茶叶研究所，浙江省茶叶加工工程重点实验室，国家茶产业工程技术研究中心，农业部茶树生物学与资源利用重点实验室，浙江 杭州 310008；2. 中国农业科学院研究生院，北京 100081

基于嗅觉可视化技术的工夫红茶发酵程度判定方法

陈琳1,2，叶阳1*，董春旺1*，何华锋1

1. 中国农业科学院茶叶研究所，浙江省茶叶加工工程重点实验室，国家茶产业工程技术研究中心，农业部茶树生物学与资源利用重点实验室，浙江 杭州 310008；2. 中国农业科学院研究生院，北京 100081

发酵是工夫红茶加工的关键工序，对红茶品质形成起着极其重要的作用。本文提出一种基于嗅觉可视化技术的工夫红茶发酵程度判定方法。基于硅胶薄层层析板与16种卟啉衍生物设计构建了嗅觉可视化传感器及气体检测系统，用于工夫红茶发酵过程中挥发性气体数据采集。采用Fisher判别分析与BP-AdaBoost算法建立工夫红茶发酵程度判别模型。分析表明，Fisher判别函数可以实现不同发酵程度红茶100%分类，交叉验证分组正确率达90.74%；BP-AdaBoost算法建立判别模型，训练集相关系数（Rc）和预测集相关系数（Rp）分别为0.9578和0.9132；嗅觉可视化技术可以实现工夫红茶发酵程度判定，为工夫红茶发酵过程实时监控提供了理论依据。

红茶；发酵程度；Fisher判别；BP-AdaBoost算法

发酵是工夫红茶加工的关键工序，对红茶品质的形成起着极其重要的作用。传统发酵过程中，主要由熟练技师通过发酵叶的色、香、味变化特征，依据主观判断来确定发酵程度，没有客观的判定标准[1]。近年来，部分新技术以及新设备逐步应用于工夫红茶发酵程度的判定中。在此基础上，本文探索了嗅觉可视化技术在工夫红茶发酵程度判定中应用的可能性。

作为人工嗅觉技术的一个分支，嗅觉可视化技术由美国伊利诺伊大学厄本那-香槟分校的KennethS. Suslick教授最先提出[2]，其原理是利用可视化传感器与待测气体反应前后颜色会发生变化的性质来对待测气体进行定性及定量分析[3-4]。工夫红茶发酵过程中，挥发性气体成分会产生明显变化，该变化与红茶发酵程度及感官品质有极强的相关性，这一特征为嗅觉可视化技术的应用提供了理论基础。利用嗅觉可视化技术检测判别工夫红茶发酵程度具有以下优势：灵敏度高，选择性强，受温度湿度等环境条件影响较小，样品无需前处理，相比于GC/MS等手段简便快速成本低[5-6]。

目前，国内外嗅觉可视化技术的研究还较少，主要集中在简单化学物质区分以及谷物、肉类、酒类、食醋等食品的品质检测方面[7-9]。2004年Kenneth S. Suslick[10]首次制作了嗅觉可视化检测装置，该装置可以识别32种有机小分子气体，同时该课题组提出了制作嗅觉可视化传感器的色敏材料及基板材料的特性与种类，并证明了环境湿度对传感器影响较小。2005—2006年，Suslick课题小组经过多次实验扩展了可视传感器阵列的组成，实现了对烃类、醇类、酸类、酯类、酮类、胺类和芳香族等100多种常见挥发性有机气体的响应[11-12]。2008年，江苏大学赵杰文等[13]利用该技术对乙醇、甲醛、氨气、丙酮、乙酸进行检测，研究表明采用聚类分析取合适的相似度时可以将5种物质完全分开。2015年，Quansheng Chen等[14]利用嗅觉可视化技术结合PCA分析与LDA线性判别进行了不同等级乌龙茶的分类，效果较好。

本文采用嗅觉可视化技术结合Fisher判别分析及BP-AdaBoost模式识别方法，探索它在工夫红茶发酵程度判定方面的应用能力。

1 材料与方法

1.1 实验材料与仪器设备

1.1.1 材料

茶叶鲜叶（鲜叶原料来自浙江千岛银珍农业开发有限公司，品种为鸠坑种，等级为一芽二叶），卟啉衍生物及酸碱指示剂（Sigma，美国），二氯甲烷，硅胶薄层层析板（Merck TLC Silica gel 60）。

1.1.2 仪器设备

嗅觉可视化传感器，嗅觉可视化检测装置，Cannon DS1263111相机（1200万像素），SartoriusB S224S精密电子天平（德国Sartorius公司，精确度为0.000 1 g），气体循环泵（QC-1B型号），6CR-35型揉捻机，人工气候箱，提香机（福建佳友茶叶机械有限公司）。

1.2 检测装置设计及应用

本研究设计红茶发酵过程中气体检测装置，该装置主要由传感器阵列、反应容器、循环气泵、相机、漫反射积分球组成。图1为检测装置设计原理图，检测步骤如下：

①反应进行前，使用相机获取嗅觉传感器初始图像数据；

②称取固定质量的工夫红茶发酵叶于容器A中，传感器置于容器B中，并启动循环泵，促进发酵叶挥发性气体与传感器反应；

③反应结束后，使用相机获取反应后传感器最终图像数据；

④反应前后图像数据点对点做差，获得该发酵过程样的特征图谱，进行下一步分析。

检测装置反应容器为圆柱体，分上中下3层，直径10 cm，层高5 cm，总计高度15 cm，玻璃材质，密闭性良好；光源采用漫反射积分球，底部环形光源，保证其内部光线均匀稳定，光照强度一致；相机经预实验后选用手动模式固定参数（参数设定为：感光度ISO100，光圈F20，快门速度1/8，曝光补偿0，光强4级），保证每次拍摄条件一致，保证数据采集稳定可靠；循环泵气体流速400 µL·min-1，反应时间为8 min；前期预实验证明，传感器受外界环境温湿度影响较小，因此本试验在室温条件下进行。

1.3 传感器制作

经过前期大量实验处理，根据工夫红茶发酵过程中香气物质变化特征，从40种卟啉衍生物及酸碱指示剂中筛选出16种与红茶发酵过程挥发性气体反应最灵敏的物质作为色敏材料（表1）。选择Merck TLC Silica gel 60硅胶薄层层析板作为色敏材料载体，其疏水特性及细密的表面结构可以减少环境湿度对传感器的影响，提高色敏材料扩散均匀性。将16种色敏材料印染至硅胶薄层层析板上，制作完成对工夫红茶发酵过程样具有敏感性的4×4传感器阵列（图2）。

1.4 茶叶样品制备及传感器响应数据采集

图1 嗅觉可视化检测装置Fig. 1 Detection device of olfaction visualization system

表1 对红茶发酵过程中挥发性气体有响应的色敏材料Table 1 Chemical dyes responding to volatile gases during black tea fermentation

按照工夫红茶标准加工工艺进行样品处理，主要工序为萎凋、揉捻、发酵、干燥。15 kg鲜叶在可控温控湿的萎凋室进行萎凋处理，温度25℃，相对湿度60%，萎凋时间15 h；揉捻采用6CR-35型揉捻机，按照“轻、重、轻”的原则固定行程加压；发酵在人工气候箱进行，处理温度35℃，相对湿度90%；人工气候箱环境稳定且发酵过程取样累计不足2 kg，取样对发酵进程影响较小。发酵处理时间8 h，每间隔1 h抽取15 g样品，按照上述方法与嗅觉可视化传感器进行反应，每个时间节点分别取样12次，采集图像数据，共计图像数据108个。反应后发酵叶经120℃毛火10 min，85℃足火20 min进行干燥固样，干燥样品进行感官审评。

1.5 模式识别

嗅觉传感器阵列对不同发酵程度的茶叶挥发性气体产生与之相对应的差值特征图像即指纹图谱，对传感器反应前后的差值特征图谱提取RGB值，使图像数据数字化，再借助模式识别对已知样本进行学习和训练，构建一个判别模型或预测模型来完成对未知气味的分类及预测。

Fisher判别法利用投影的方法使多维问题简化为一维问题来进行处理，通过建立线性判别函数计算出各个观测量在各个变量维度上的坐标，并得出样本距离各个类中心的距离，以此作为分类依据。Fisher判别分析可以最大限度的缩小同类中各个样本点之间的差距，又能最大限度地扩大不同类别之间各个样本点的差异，因此可以获得较高的判别效率。

BP-ANN是一种典型的多层前馈人工神经网络，可以模拟人的大脑处理信息的方式，进行输入与输出信号的并行处理及非线性转换，对于非线性问题的解决具有良好的效果。但由于神经网络的基本原理其预测模型会出现低稳定性等问题，BP-AdaBoost算法将BP-ANN和AdaBoost算法进行有效结合，使用BP神经网络作为弱分类器建立模型，反复训练神经网络预测样本输出，加强预测精度低的样本权重，减弱预测精度高的的样本权重，最终通过线性组合的方法得到多个BP-ANN弱分类器组成的强分类器，以增强预测效果[15]。

本研究尝试Fisher判别分析和BP-Adaboost算法进行工夫红茶发酵程度判定。所有数据分析都是在Matlab Version 7.10.0及SPSS软件环境下运行。

2 结果与分析

2.1 感官审评结果

公共场所英语标识语在很大程度上可以体现一个城市的整体形象，同时在一定程度上也可以反应当地政府的管理能力。政府职能部门要及时加强对公共场所错误标识语的纠正；对英语标识语的翻译进行监督和管理。同时，政府职能部门应该发动全社会的力量，号召和鼓励大家参与到城市英语标识语的纠错活动中，全民配合，全民行动，对找出错误的市民应该给予奖励，并认真做出改正，这样，肯定会提高长春市的整体语言环境。另外，相关职能部门也要重视相关研究者的研究成果，加大执行力度，改善长春市公共场所英语标识语，彰显长春市作为省会城市应有的国际形象和活力。

茶叶审评按照国家标准GB/T 23776—2009执行，评价工夫红茶外形、汤色、香气、滋味、叶底5项，各审评因子的权数分别为25%、10%、25%、30%、10%，依据感官审评结果评价每个样品的发酵程度，并对其评级。工夫红茶感官审评结果如表2所示。根据审评得分及评语，将工夫红茶发酵程度划分为3个等级，即轻度发酵、适度发酵、重度发酵（表2）。

2.2 传感器特征信号提取

色敏材料与工夫红茶发酵过程样挥发性气体相互作用后发生颜色反应，只有对传感器反应前后的颜色图像进行数据处理后转化为数字模式才能进一步进行定性及定量描述。基于这一原理开发了一款具有在线自动识别、分析功能的图像处理软件。用户输入反应前的初始图像及反应后的最终图像，点击自动识别即可以进行反应前后的对比计算。软件将检测到的圆形色敏点划分为三部分，去除外部轮廓及内部点样点附近区域，利用有效色敏区域进行计算，增强数据可信度。不能自动识别的区域可以通过人工编辑状态进行手动添加及修正，完成对比后用户可以导出最终对比结果图像及数值。

每个色敏点包含3个变量ΔR、ΔG、ΔB（ΔR=Re－Rs、ΔG=Ge－Gs、ΔB=Be－Bs），16个色敏点共提取48个变量。利用48个变量进行发酵程度判别。

表2 工夫红茶发酵样品感官审评结果及发酵程度等级评定Table 2 Sensory evaluation and the degree of fermentation grade evaluation of black tea samples

2.3 基于嗅觉可视化技术红茶发酵程度判定

2.3.1 可视化传感器响应信号

图3为嗅觉可视化传感器与0～8 h的工夫红茶发酵叶进行反应的特征图谱。由特征图像可以看出，每幅图的颜色变化都有所不同。这是由于工夫红茶全发酵过程中，挥发性物质的种类会出现先增加后降低的趋势，且不同阶段不同挥发性物质其含量存在较大差异。筛选出的色敏材料对茶叶发酵过程中产生的醇类、醛类及酯类等物质具有较强的敏感性，而随着发酵过程的进行，醇类及酯类挥发性物质相对含量不断降低，醛类挥发性物质会出现相反的变化趋势，挥发性物质种类及含量不断变化的特征为嗅觉可视化技术鉴别红茶发酵程度提供了理论依据。

2.3.2 Fisher判别分析

依据感官审评结果将108个茶样按照发酵程度划分为3类，即轻度发酵、适度发酵、重度发酵，并分别编号为1、2、3，每类发酵程度各包含36个茶样。将48个特征变量进行主成分分析，以主成分得分作为数据输入，以发酵程度1、2、3作为数据输出，进行判别分析。

图2 16种气敏材料制作的嗅觉可视化传感器阵列Fig. 2 Sensor arrays made by 16 kinds of gas-sensitive dyes

图4与表3为不同发酵程度茶样Fisher判别分类结果，由图4及表3可知，Fisher判别分析法通过建立两个函数模型可以实现发酵程度100%分类。对108个发酵过程样进行交叉验证，36个轻度发酵茶样全部分组正确；36个适度发酵茶样中，3个划分为轻度，31个划分为适度，2个划分为重度；36个重度发酵茶样中，3个划分为轻度，2个划分为适度，31个划分为重度；交叉验证分类正确率达90.74%。Fisher判别分析可以实现不同发酵程度茶样的有效分类。

2.3.3 BP-AdaBoost

图3 0～8 h发酵过程样反应前后特征图像Fig. 3 Typical images of different fermented tea from 0 to 8 h

图4 不同发酵程度茶样Fisher分类结果Fig. 4 Fisher result for discrimination of different fermented tea

表3 不同发酵程度茶样Fisher判别与BP-AdaBoost算法分类结果Table 3 Fisher and BP-AdaBoost results for discrimination of different fermented tea

图5 不同主成分数最优模型Rc与Rp值Fig. 5 Rc and Rp of optimal model

图6 主成分为10时BP-AdaBoost模型输出结果Fig. 6 Result of BP-AdaBoost model (PC=10)

利用BP-AdaBoost建立预测模型预测工夫红茶发酵程度。48个变量进行主成分分析，分别以5～12个主成分作为数据输入，以1、2、3这3个数值代表轻度发酵、适度发酵、重度发酵作为数据输出，建立预测模型。设置模型隐含层数N为0～20，步长为1；误差阈值Ф为0～1，步长0.05；重复训练次数200次，学习速率0.01，动量因子0.7；以预测集预测均方根误差RMSEP和预测集相关系数Rp作为衡量模型效果的指标。图5表示了5～12个不同主成分数下最佳预测模型Rc与Rp值，由图可知，当主成分为10时，所建模型预测效果最好，训练集相关系数为0.9578，预测集相关系数为0.9132。图6-A表示了当主成分为10时，所有预测的模型的RMSEP值，RMSEP越小，模型预测精度越高，最终确定模型隐含层N为16，误差阈值Ф为1；图6-B 3条曲线分别代表预测集的实际值、最优模型预测值、BP-ANN预测值，预测集分组正确率为91.67%。利用BP-AdaBoost算法结合嗅觉可视化技术可以实现工夫红茶发酵程度判定。

3 讨论

通过对工夫红茶0～8 h发酵过程108个样品进行嗅觉可视化数据分析，结果表明，嗅觉可视化技术结合Fisher判别分析与BP-AdaBoost算法可以实现工夫红茶发酵程度的快速无损判别。Fisher判别分析，建立两个判别函数可以实现工夫红茶发酵程度100%分类；BP-AdaBoost算法建立工夫红茶发酵程度预测模型，预测精度达到91.32%。由于茶叶品种较多，工夫红茶加工季节时间及加工工艺、设备也存在较大差异，导致嗅觉可视化技术的广泛应用存在一定的缺陷，因此该技术可以针对工夫红茶固定加工工艺、设备或生产线进行深入研究，建立具有针对性的工夫红茶发酵程度判别函数及预测模型，实现工夫红茶发酵过程中的实时监控，提高红茶品质。

[1] 钱园凤, 叶阳, 周小芬. 红茶发酵技术研究现状分析[J].食品工业科技, 2012, 33(23): 388-392.

[2] NA Rakow, KS Suslick. A colorimetric sensor array for odour visualization [J]. Nature, 2000(406): 710-713.

[3] Long Jing, Xu Jian-Hua, Xia Shuang. Volatile organic compund colorimetric array based on znic porphyrin and metalloporphyrin derivatives [J]. Energy procedia, 2011, 12: 625-631.

[4] 黄星奕, 周芳, 蒋飞燕. 基于嗅觉可视化技术的猪肉新鲜度等级评判[J]. 农业机械学报, 2011, 42(5): 142-145.

[5] Gardner JW, Bartelet P N. Electronic nose: Principles and Applications [M]. London: Oxford University Press, 1999: 1-4, 185-207.

[6] 赵杰文, 黄晓玮, 邹小波, 等. 基于嗅觉可视化技术的猪肉新鲜度检测[J]. 食品科学技术学报, 2013, 31(1): 9-13.

[7] J Long, JH Xu, YJ Yang, et al. A colorimetric array of metalloporphyrin derivatives for the detection of volatile organic compounds [J]. Materials Science and Engineering B: Advanced Functional Solid-State Materials, 2011(176): 1271-1276.

[8] Quansheng Chen, Weiwei Hu, Jie Su, et al. Nondestructively sensing of total viable count (TVC) in chicken using an artificial olfaction system based colorimetric sensor array [J]. Journal of Food Engineering, 2016(168): 259-266.

[9] Quansheng Chen, Aiping Liu, Jiewen Zhao, et al. Monitoring vinegar acetic fermentation using a colorimetric sensor array [J]. Sensors and Actuators B, 2013(183): 608-616.

[10] KS Suslick, NA Rakow, A Sen. Colorimetric sensor array for molecular recognition [J]. Tetrahedron, 2004(60): 11133-11138.

[11] Neal A Rakow, Avijit Sen, Michael C Janzen, et al. Molecular recognition and discrimination of amines with a colorimetric array [J]. Angewardte Chemie International Edition, 2005, 44(29): 4528-4532.

[12] Janzen MC, Ponder JB, Bailey DP, et al. Colorimetric sensor arrays for volatile organie compounds [J]. Anal Chem, 2006, 78: 3591-3600.

[13] 赵杰文, 张建, 邹小波. 嗅觉可视化技术及其对5种化学物质的区分[J]. 江苏大学学报: 自然科学版, 2008(1): 7-10.

[14] Quansheng Chen, Cuicui Sun, Qin Ouyang, et al. Classification of different varieties of Oolong tea using novel artificial sensing tools and data fusion [J]. LWT-Food Science and Technology, 2015(60): 781-787.

[15] 李杨, 杨宝华, 李双. BP-AdaBoost分类算法的MapReduce并行化实现[J]. 计算机应用与软件, 2014, 31(8): 261-264.

Monitoring Black Tea Fermentation Using a Colorimetric Sensor Array-based Artificial Olfaction System

CHEN Lin1,2, YE Yang1*, DONG Chunwang1*, HE Huafeng1
1. Tea Research Institute, Chinese Academy of Agricultural Sciences, Key Laboratory of Tea Processing Engineering of Zhejiang Province, National Engineering Technology Research Center of Tea Industry, Key Laboratory of Tea Biology and Resource Utilization of Ministry of Agriculture, Hzngzhou 310008, China; 2. Graduate School of Chinese Academy of Agricultural Sciences, Beijing 100081, China

As the crucial procedure for production of black tea, fermentation plays an important role in quality control of black tea. This paper proposed a colorimetric sensor array-based artificial olfaction system to monitor black tea fermentation. Herein, a colorimetric sensor array by printing 16 chemical dyes including porphyrins/metalloporphyrins on a Silica gel thin-layer chromatography plate was utilized to detect volatile gases during black tea fermentation. Discrimination model was established by fisher discriminatory analysis and adaptive boosting algorithm based on BP-ANN (BP-Adaboost). Results showed that the discrimination rate and discrimination rate of cross-validation reached 100% and 90.74% respectively. BP-Adaboost model showed that the correlation coefficient of calibration set (Rc) and prediction set (Rp) were 0.9578 and 0.9132 respectively. This work demonstrates that it is feasible to distinguish the degree of black tea fermentation using a colorimetric sensor array-based artificial olfaction system.

black tea, fermentation degree, Fisher discriminatory analysis, BP-Adaboost algorithm

TS272.5+2；TS272.3

A

1000-369X（2017）03-258-08

2016-08-16

：2016-10-13

浙江省自然科学基金（LY16C160002）、浙江省重点研发计划（2015C02001）、国家星火计划（2015GA700006）

陈琳，男，硕士研究生，主要从事茶叶加工方面的研究。*通讯作者：yeyang@tricaas.com，dongchunwang@tricaas.com