在茶葉市場(chǎng)上，茶葉摻假、低質(zhì)量茶作為高檔茶、舊茶作為新產(chǎn)茶的問(wèn)題也不時(shí)出現(xiàn)在上。在高經(jīng)濟(jì)利潤(rùn)的推動(dòng)下，市場(chǎng)上偶爾會(huì)發(fā)生鐵觀音摻假。一些非法商人在鐵觀音中混合了本山、毛蟹、黃金桂，他們的外觀與鐵觀音非常相似，但在銷售過(guò)程中價(jià)格相差很大。普通消費(fèi)者很難區(qū)分茶葉的真實(shí)性，這嚴(yán)重侵犯了消費(fèi)者和經(jīng)營(yíng)者的合法權(quán)益。在此背景下，迫切需要一種快速、無(wú)損的檢測(cè)茶葉摻假的方法。

四川農(nóng)業(yè)大學(xué)康志亮教授團(tuán)隊(duì)利用我司高光譜設(shè)備（GaiaField-V10E）及配套的熒光系統(tǒng)，對(duì)鐵觀音摻假程度的進(jìn)行無(wú)損檢測(cè)。作為一種新的檢測(cè)方法，熒光高光譜技術(shù)為食品檢測(cè)提供了優(yōu)勢(shì)，其基本原理是當(dāng)一種物質(zhì)被特定波長(zhǎng)的入射光照射時(shí)，其分子吸收光能并從基態(tài)進(jìn)入激發(fā)態(tài)，然后立即去激發(fā)并發(fā)射出光。圖1熒光高光譜成像系統(tǒng)。

圖1 熒光高光譜成像系統(tǒng)

在這項(xiàng)研究中，摻假茶和純鐵觀音在形狀、顏色和內(nèi)部成分上只有輕微差異，這增加了檢測(cè)茶葉摻假的難度。摻假茶葉樣本的比例符合市場(chǎng)上不法商人的普遍做法。至于茶葉的熒光特性，作為一種植物，茶葉中的不同物質(zhì)會(huì)吸收不同波段的光，并在不同波段發(fā)出熒光。

本山被用作摻假茶，約占茶葉樣品總重量的0%、10%、20%、30%、40%和50%，并與鐵觀音混合。圖2為經(jīng)過(guò)PCA后的六個(gè)等級(jí)的茶葉三維分布圖。為了對(duì)茶葉進(jìn)行摻假檢測(cè)。本研究在實(shí)驗(yàn)方案中建立了純鐵觀音和摻假鐵觀音的兩級(jí)判別模型，以快速鑒別摻假與否；另一方面，建立了六級(jí)判別模型，保證了在不同程度的茶葉摻假情況下，茶葉摻假程度的快速識(shí)別。

圖2 六個(gè)摻假等級(jí)茶葉的PCA分布圖

首先，熒光高光譜成像系統(tǒng)獲得475–1000 nm波段的光譜信息。圖3為茶葉的平均光譜分布圖。接下來(lái)，選擇Savitzky–Golay（SG）、乘性散射校正（MSC）和標(biāo)準(zhǔn)正態(tài)變量（SVN）對(duì)熒光高光譜數(shù)據(jù)進(jìn)行預(yù)處理。并且對(duì)預(yù)處理方法進(jìn)行參數(shù)的比較。表1為不同預(yù)處理方法在SVM下的評(píng)價(jià)指標(biāo)。

表1 不同預(yù)處理方法下的評(píng)價(jià)指標(biāo)

圖3 摻假茶葉的平均光譜曲線

此外，還采用了連續(xù)投影算法（SPA）、競(jìng)爭(zhēng)自適應(yīng)加權(quán)采樣（CARS）、隨機(jī)青蛙算法（RF）和無(wú)信息變量消除（UVE）來(lái)提取茶葉光譜信息的特征波長(zhǎng)。

建立了二分類模型（區(qū)分純鐵觀音和摻假鐵觀音）和六分類模型（區(qū)分純鐵觀音和五個(gè)摻假等級(jí)的茶葉）。在確定模型的預(yù)處理（SG）方法后，選擇特征波長(zhǎng)對(duì)模型進(jìn)行簡(jiǎn)化。在SG平滑后，應(yīng)用了四種特征選擇方法。SG平滑結(jié)合SPA、CARS、RF和UVE算法，將104個(gè)通道分別減少到33、11、44和46個(gè)通道。圖4顯示了SG-CARS之后的特征選擇。SG7平滑結(jié)合四種特征波長(zhǎng)選擇方法的評(píng)價(jià)指標(biāo)如表2所示。所有的特征選擇方法都有助于降低數(shù)據(jù)維數(shù)。

圖4 SG-CARS后的特征選擇

表2 不同特征選擇方法下的評(píng)價(jià)指標(biāo)

在建立六分類模型過(guò)程中。首先，與兩分類模型一樣，將不同的預(yù)處理方法與支持向量機(jī)相結(jié)合，建立了四類判別模型。然后，為了簡(jiǎn)化模型，選擇了四種特征選擇方法來(lái)篩選模型的特征波長(zhǎng)，這有利于提高模型的效果和精度。所有模型的結(jié)果如表3所示。其中，六分類模型和兩分類模型的預(yù)處理方法存在差異。通過(guò)使用SNV和MSC，提高了分類模型的準(zhǔn)確性。

特征選擇后，這些模型的總體趨勢(shì)大致相同。純鐵觀音、10%和30%摻假茶葉的準(zhǔn)確率幾乎為100%，但摻假程度為40%的準(zhǔn)確率不高，表明該模型可能無(wú)法準(zhǔn)確區(qū)分鐵觀音的摻假水平。相比之下，在SNV之后，模型的整體準(zhǔn)確性得到了提高。在RF之后，整體準(zhǔn)確度提高了1.09%，僅用時(shí)0.002秒。在該分類中，純鐵觀音和10%和30%的摻假茶被準(zhǔn)確預(yù)測(cè)；模型的變化也提高了茶葉剩余摻假比例的準(zhǔn)確性?？紤]到整體影響，RF在建立分類模型方面表現(xiàn)出更高的效率。總之，SNV-RF-SVM是區(qū)分純茶和摻假茶的最佳方法，其總準(zhǔn)確率為94.27%，僅需0.00698秒。

表3 六分類模型評(píng)價(jià)指標(biāo)

第一作者簡(jiǎn)介：

康志亮，四川農(nóng)業(yè)大學(xué)教授，碩士生導(dǎo)師。

主要研究方向：信號(hào)與信息處理、傳感器與檢測(cè)技術(shù)、自動(dòng)控制。

參考文獻(xiàn)：Hu Y , Kang Z . The Rapid Non-Destructive Detection of Adulteration and Its Degree of Tieguanyin by Fluorescence Hyperspectral Technology[J]. Molecules, 2022, 27(4):1196. DOI：10.3390/molecules27041196