專利名稱：基于近紅外光譜技術無損測量茶葉中茶多酚含量的方法
技術領域：
本發明涉及用光學手段分析材料的方法，尤其是涉及一種基于近紅外光譜技術無損測量茶葉中茶多酚含量的方法。
背景技術：
茶多酚(tea polyphenols)是茶葉中酚類物質及其衍生物的總稱，占茶葉質量的16％左右，主要包括兒茶素類、黃酮、黃酮醇類、花青素類、花白素類和酚酸及縮酚酸類。由于其具有抗氧化、抗腫瘤、抗衰老、抗齲齒、抗菌、抗病毒以及降血壓、調血脂、降血糖等廣泛而確切的顯著生物活性，所以茶葉中茶多酚的含量已經成為茶葉品質的重要指標。傳統的茶多酚測量方法有高效液相色譜法，毛細管電泳法，熒光檢測，化學發光檢測，質譜聯用，氫核磁共振等。這些方法有個共同的特點就是測量過程復雜、耗費大量時間、需要化學試劑、而且樣本需要做破壞性預處理。這些都不利于商品的在線檢測和流通。需要有一種簡單、快速、非破壞的方法、實時的檢測茶葉中茶多酚的含量。
發明內容
為了實現簡單、快速、非破壞的、實時的檢測茶葉中茶多酚的含量，本發明的目的是提供了一種基于近紅外光譜技術無損測量茶葉中茶多酚含量的方法，能對茶樹中茶多酚進行快速、準確、非破壞性的在線測量。
本發明采用的技術方案是該方法的步驟如下1)校正樣品集光譜的建立；首先要針對不同品種，不同制作工藝，不同收獲時期收集有代表性的茶葉樣本建立校正樣本集；然后對校正樣本集中的樣本運用光譜儀進行光譜掃描得到校正樣本集標準光譜；同一樣品需多次重復測量，以平均光譜近似作為該樣品標準光譜；2)光譜的校正與預處理；獲得樣本光譜后的第一步是對校正樣品集光譜進行校正和預處理；抵消背景干擾及提高光譜的質量；這里采用平滑、中心化、求導或歸一化光譜預處理方法；預處理把原來隱藏的信號差異放大出來，提高光譜的分辨率；3)對于預處理后的光譜數據和校正樣品集的標準茶多酚含量測量值通過多元回歸算法來建立校正模型現代的多元回歸算法包括多元線形回歸算法和多元非線形回歸算法尤其是多元非線形回歸算法可以針對生產實際中普遍存在的非線形現象進行擬合，并建立非線形回歸，所以選擇特征波段是非常重要的，常用的方法是逐步回歸的方法來尋找特征波段，或者是回歸曲線分析的方法來實現；4)預測樣本茶多酚含量測定；首先掃描待預測樣本獲取光譜，獲取光譜時所采用的測量條件，必須同獲取標準校正集樣本光譜時所采用的測量條件保持一致，這些測量條件包括采樣方法、分辯率、掃描間隔或掃描時間；把預測樣本的光譜經光譜校正及預處理后，把光譜的特征送入校正模型即可測定未知樣品的茶多酚含量。
所以本發明只要在有代表性的茶葉樣本的基礎上建立了校正模型就可以實驗對未知茶多酚含量的茶葉進行快速、無損、實時、在線的測定。
本發明與背景技術相比，具有的有益效果是1)利用光譜技術測定茶葉中茶多酚含量，其分析速度大大加快。光譜的測定過程一般可在30秒內完成(多通道儀器可在1秒內完成)。
2)不使用任何化學試劑，降低了檢測成本，也不污染環境。
3)能夠處理大量樣本分析，節省時間，實時檢測技術能夠很好的應用于生產。
4)能夠對分析樣本進行無損測量，測量后的茶葉仍然可以食用和出售。
附圖是光譜技術快速無損測量茶葉中茶多酚含量的方法的結構原理框圖具體實施方式
采集裝置包括近紅外光譜儀、光譜儀配套的鹵素燈、計算機、標準校正板、進樣池、電源等組成。該光譜儀波長為325～2500nm。用數據線將光譜儀與PC電腦相連，樣品置于特制的玻璃盛樣容器中。光譜儀探頭與盛樣容器中心間的夾角是45度。待光譜數據采集完畢，用光譜專用分析軟件ASD ViewSpec ProV2.14和Unscramble V9.2進行數據處理分析。
本發明的整個實施過程如附圖所示①校正樣本集光譜的建立。首先收集不同品種，不同制作工藝，不同收獲時期(春茶、夏茶、秋茶)的茶葉樣本建立校正樣本集；然后對校正樣本集中的樣本運用光譜儀進行光譜掃描得到校正樣本集的光譜；同一樣品重復測量5次，以平均光譜近似作為該樣品標準光譜；光譜儀把數據經A/D轉換，得到光譜原始數據。
②光譜的預處理。獲得樣本光譜后應該預處理。光譜的預處理方法有平滑、中心化、求導、歸一化、多元散射校正、小波去噪等等。采用那種預處理方法要依光譜的質量及干擾的情況來選擇，預處理也可以把原來隱藏的信號差異放大出來，提高光譜的分辨率，使光譜信息更加直觀、可靠。在運用光譜的預處理方法的時候，可以是上述方法的某一種方法的單獨使用，也可以是上述幾種方法的組合使用。
③校正模型的建立。校正樣本集經過光譜測量之后馬上采用茶多酚含量的國標測量方法來測量校正樣本集各個樣本的茶多酚含量。對于預處理后的光譜數據和校正樣本集的國標方法茶多酚含量測量值可以通過多元回歸算法來建立校正模型。現代的多元回歸算法包括多元線形回歸算法和多元非線形回歸算法。多元線形回歸算法如偏最小二乘回歸法，主成分回歸，逐步回歸等，主要用來處理可以線形擬合的數據。多元非線形回歸算法如人工神經網絡，支持向量機等，尤其是多元非線形回歸算法可以針對生產實際中普遍存在的非線形現象進行擬合，并建立非線形回歸。光譜的數據一般都有數百到數千個數據點，所有的數據都用來建立模型往往導致模型學習時間長，模型結構復雜等問題。所以選擇特征波段是非常重要的，常用的方法是逐步回歸的方法來尋找特征波段，或者是回歸曲線分析的方法來實現。
④預測樣品茶多酚含量測定；首先用光譜儀掃描待預測樣本獲取光譜，獲取預測樣本光譜時所采用的測量方法和條件必須同獲取校正樣本集光譜時所采用的測量方法和條件保持一致，比如采樣方法、分辯率、掃描間隔或掃描時間等測量參數，應該保持一致。把預測樣本的光譜進行光譜預處理，預處理的方法也要同校正樣本集光譜預處理時所采用的方法一致，就是要一一對應。把光譜的特征送入校正模型即可測定預測樣品的茶多酚含量。
所以本方法只要在有代表性的茶葉樣本的基礎上建立了校正模型就可以實驗對未知茶多酚含量的茶葉進行快速、無損、實時、在線的測定。
權利要求
1.一種基于近紅外光譜技術無損測量茶葉中茶多酚含量的方法，其特征在于該方法的步驟如下1)校正樣品集光譜的建立；首先要收集不同品種，不同制作工藝，不同收獲時期的茶葉樣本建立校正樣本集；然后對校正樣本集中的樣本運用光譜儀進行光譜掃描得到校正樣本集標準光譜；同一樣品需多次重復測量，以平均光譜作為該樣品標準光譜；2)光譜的校正與預處理；獲得樣本光譜后的第一步是對校正樣品集光譜進行校正和預處理；抵消背景干擾及提高光譜的質量；這里采用平滑、中心化、求導或歸一化光譜預處理方法；預處理把原來隱藏的信號差異放大出來，提高光譜的分辨率；3)對于預處理后的光譜數據和校正樣品集的標準茶多酚含量測量值通過多元回歸算法來建立校正模型現代的多元回歸算法包括多元線形回歸算法和多元非線形回歸算法尤其是多元非線形回歸算法可以針對生產實際中普遍存在的非線形現象進行擬合，并建立非線形回歸。同時選擇特征波段是非常重要的，常用的方法是逐步回歸的方法來尋找特征波段，或者是回歸曲線分析的方法來實現；4)預測樣本茶多酚含量測定；首先掃描待預測樣本獲取光譜，獲取光譜時所采用的測量條件，必須同獲取標準校正集樣本光譜時所采用的測量條件保持一致，這些測量條件包括采樣方法、分辯率、掃描間隔或掃描時間；把預測樣本的光譜經光譜校正及預處理后，把光譜的特征送入校正模型即可測定未知樣品的茶多酚含量。
全文摘要
本發明公開了一種基于近紅外光譜技術無損測量茶葉中茶多酚含量的方法，首先要建立校正模型，收集茶葉樣本作為校正樣本集，并掃描得到校正樣本集的可見光和近紅外光譜(325－2500nm)，對得到的光譜數據進行光譜預處理。然后采用國標規定的方法測量校正樣本的茶多酚含量。采用多元校正回歸算法建立校正樣本的近紅外光譜與茶多酚含量之間的定量關系，即建立了校正模型。對于待檢測的茶葉，只要掃描它們的近紅外光譜圖，并把經過相應光譜預處理的光譜數據輸入到校正模型，經過校正模型的測定即得到了該茶葉的茶多酚含量。整個過程在計算機的控制下，實現數據的采集、存儲、顯示和處理功能。
文檔編號G06F17/00GK101059426SQ20071006911
公開日2007年10月24日 申請日期2007年5月29日 優先權日2007年5月29日
發明者何勇, 李曉麗, 裘正軍, 陸江峰 申請人:浙江大學