茶葉品質評價技術研究進展

劉奇，歐陽建，劉昌偉，陳宏宇，李娟,3，熊立瑰,3，劉仲華,3*，黃建安,3*

茶葉品質評價技術研究進展

劉奇1,2，歐陽建1,2，劉昌偉1,2，陳宏宇1,2，李娟1,2,3，熊立瑰1,2,3，劉仲華1,2,3*，黃建安1,2,3*

1. 茶學教育部重點實驗室，湖南 長沙 410125；2. 國家植物功能成分利用工程技術研究中心，湖南 長沙 410125；3. 植物功能成分利用省部共建協同創新中心，湖南 長沙 410125

茶葉品質是茶葉外形與內質的體現，快速準確地對茶葉品質作出評價，對于茶葉加工和茶葉貿易等至關重要。感官審評、成分分析檢測以及新興技術是目前主要的茶葉品質評價技術方法。綜述了近年來3種主要評價技術的研究進展，并重點分析了新興技術的發展趨勢。感官審評受主觀因素影響較大，但結合定量描述分析可以降低主觀性的影響；成分分析檢測門檻高、操作難、耗時耗力，得出的結果相對準確；新興技術具有簡單、快速、無損等特點，但目前還無法達到令人滿意的準確率。在茶葉產品多樣化的今天，唯有多維度綜合利用多種方法，才能快速、高效檢測茶葉品質，為茶產業健康高效發展提供助力。

茶葉品質；計算機視覺；光譜技術；電化學方法

茶是全世界非常受歡迎的飲料之一。茶葉品質是其外形與內質的綜合體現，并受諸多因素影響。茶葉中豐富的生物活性成分，如茶多酚、氨基酸、咖啡堿、茶色素等，對茶葉品質形成具有重要作用；茶葉種類繁多、加工工藝復雜，每類茶葉都具有獨特的品質特征與品質標準，從茶樹生長條件到茶葉加工過程的變化都會導致品質的變化。品質的優劣決定了其經濟價值與營養價值，但市場中的商品茶經常出現以次充好、以假亂真的現象，不僅損害消費者的利益，也損害生產者的聲譽，給茶葉經濟帶來不良影響。因此，對茶葉品質的檢測與評價尤為重要。

目前茶葉品質評價方法主要包括感官審評、成分分析檢測和新興技術（圖1）。感官審評是茶葉品質評價的基本方法，具有方便、直觀、快捷等特點，但主觀性限制了其發展；成分分析檢測是借助分析儀器對茶葉的內含成分進行檢測的方法，結果更加準確客觀，但成本高、時間長、對樣品破壞性大；近年來發展迅速的新興技術是茶葉品質評價的重要方法，包括計算機視覺、光譜技術、電化學方法等，能夠快速、無損、客觀的檢測茶葉樣品，但在準確率方面還有待提高。本文綜述了以上3種類型的評價方法，以期為茶葉品質檢測、茶葉生產加工提供理論基礎。

1 感官審評

茶葉感官審評（Sensory evaluation of tea）主要通過術語與評分對茶葉品質進行評價，發展至今已經形成了現代學科體系，茶葉感官審評方法《GB/T 23776—2018》對審評室條件與審評人員都提出了較高的要求。其中對審評室條件的要求包括設備條件、環境條件、操作要求等，以此來保證結果的可靠性；對于審評人員，不僅需要敏銳的感官審評能力，還需要掌握茶樹栽培、茶葉加工、茶葉生物化學等領域的基礎知識，擁有豐富的生產和審評經驗。

圖1 茶葉品質評價技術

茶葉感官審評術語《GB/T 14487—2017》是我國具有代表性的食品感官術語，使用統一的感官分析術語和描述詞，能夠準確地表達出對茶葉的感官體驗。隨著近年來茶產業的發展，張穎彬等[1]認為目前茶葉感官術語還存在有待完善之處，如術語詞義易混淆、部分術語定義存在疑難點、部分程度術語關系不明確、組合術語數量過多等。因此，張穎彬等[2]對茶葉的感官術語進行了整理，并參照其他食品領域，構建了中國茶葉的風味輪（Flavor wheel）。此外，也有關于茯磚茶[3]、黃茶[4]、紅茶[5]等風味輪構建的報道，都為進一步完善茶葉感官審評方法做出了重要貢獻。風味輪能夠將感官術語簡化、濃縮，更適合于消費者的學習與使用，但無法覆蓋茶葉的所有風味特征。感官審評具有主觀性，無論是在茶葉還是其他食品行業[6-7]，人類感覺器官、身體狀態和心理狀態都存在差異，從而導致了感官審評結果的不一致性和不可預測性。因此，研究人員引入了定量描述分析（Quantitative descriptive analysis，QDA），通過線性尺度對感官屬性的強度進行量化評價，確定并比較不同樣品的感官特征，QDA方法不僅在一定程度上降低了個體差異對結果的影響，而且保留了直觀、快捷的優點，成功地提高了感官審評的客觀性與可控性，廣泛應用于茶葉品質研究中[8-9]。

感官審評能夠發現儀器難以檢測到的品質變化，也是消費者最易獲取的茶葉品質評價方法，隨著感官審評培訓的推進，消費者與從業者能夠借此提高自身的茶葉審評水平，從而預防摻假、假冒偽劣等現象的發生。因此，茶葉感官審評目前依然是及時反應茶葉品質水平的基本方法，對茶葉生產、科學研究都起著指導和促進作用，因其具有方便、直觀、快捷等特點而被廣泛運用[10]。

2 成分分析檢測

隨著現代分析儀器的出現，研究人員開始應用物理和化學等方法對茶葉的內含物質進行檢測，探究茶葉品質與生化成分之間的關聯性，相較于感官審評檢測結果更加客觀、準確。

茶葉中的生化成分主要通過紫外-可見分光光度計（UV-vis）和高效液相色譜（HPLC）等儀器進行檢測[11]。另外，超高效液相色譜（UPLC）[12]、液相色譜-質譜聯用（LC-MC）[13]、氣相色譜-質譜聯用（GC-MS）[10,14]、核磁共振波譜（NMR）[15]等高靈敏度、高準確度、高數據量的復雜儀器，也常被用于茶葉品質研究。Wang等[16]通過NMR和HPLC-MC分析發現，黑茶在發酵過程中形成了新型標志化合物8--ethyl-2-pyrrolidinone substituted flavan-3-ols（EPSFs）；Dai等[17]通過UPLC-MS對儲藏過程中的白茶進行了全面的代謝組學分析，發現在儲藏過程中茶氨酸經過Strecker降解和環化反應生成了1-ethyl-5-hydroxy-2-pyrrolidinone，然后與黃烷醇反應生成了EPSFs，其含量與儲藏時間呈正相關，能作為白茶儲藏時間判別的標記化合物。然而，分析儀器價格昂貴、體積龐大、操作復雜，不適用于快速檢測茶葉品質。色差分析可以數值化干茶與茶湯的顏色屬性，目前的研究主要通過色差法預測茶葉品質相關參數。王家勤等[18]利用色差法對工夫紅茶茶湯亮度進行了量化評價并建立了茶湯亮度預測方程，其判別正確率達到了90.7%。Huang等[19]將色差法與紫外光譜結合對黃山毛峰進行了快速分級鑒定，但該方法只能對顏色進行評價，對品質參數的預測準確率較低，在研究中一般用于對其他方法的補充。

茶葉中內含物質很復雜，目前茶葉中分離、鑒定的已知化合物有700多種[20]。復雜的內含物質及其對茶葉品質的多維貢獻，使得化學分析儀器的品質評價過程非常復雜，如使用HPLC確定樣品中兒茶素組分的含量通常需要30?min左右，并且需要復雜的前處理；茶葉中茶黃素、茶紅素、茶褐素與可溶性糖的測定方法，不僅需要使用危險的試劑，而且由于方法的局限性，檢測結果與實際值偏差較大。此外，茶葉品質由多種內含物質相互協調、相互作用形成，成分檢測結果不足以全面反應茶葉品質。

3 新興技術的應用

茶葉感官審評和成分分析檢測兩種方式目前已經有相對成熟、完整的工序，但無法達到快速、準確、客觀的要求。隨著科學技術的發展，許多科技問題的解決需要超越傳統學科邊界，融合多學科領域知識[21]。因此，研究人員將新興科學技術應用于茶葉研究中，使茶葉品質化學研究得到進一步發展[22]。

3.1 計算機視覺系統

計算機視覺系統（Computer vision system，CVs）是一種能夠執行人類視覺系統部分任務的智能系統[23]。其原理是利用圖像傳感器獲得目標圖像信號，然后通過圖像處理系統將圖像信號轉換成數字信號，并提取出目標的特征信息，最終對目標進行識別、檢測[24]，具有檢測分析簡單、快速和無損的明顯優勢。

目前已有基于CVs進行茶葉采摘的報道，在名優茶采摘季節可有效降低勞動力短缺的影響，并降低人工成本[25]。Yang等[26]通過CVs獲取茶葉的圖像，再通過粒子群優化-支持向量機（Particle swarm optimization-support vector machine，PSO-SVM）算法識別嫩葉，研發出了高品質茶葉自動采摘機器人。CVs能夠對不同的茶類進行識別，目前已經運用于紅茶[27]、綠茶[28-30]、黑茶[31]等茶類的品質評價及分類。同時，也有對不同茶類通用模型的報道，Bakhshipour等[32]通過CVs比較了4種不同的數據挖掘方法，區分4種不同的伊朗紅茶，其分類率達到了96.25%；同時，又基于模糊算法和決策樹方法輔助的CVs，對伊朗紅茶與綠茶進行了自動分類[33]。Wu等[34]基于機器學習和CVs開發的茶葉類別識別系統對綠茶、烏龍茶和紅茶進行分類，其靈敏度分別為95.2%、90.4%和98.4%，獲得了94.7%的總準確率。Zhang等[35]提出了一種卷積神經網絡和隨機池相結合的新模型，結合CVs對烏龍茶、綠茶和紅茶的識別靈敏度分別為99.5%、97.5%和98.0%，總體準確率為98.33%。另外，也有關于CVs在茶園病蟲害[36-38]、茶葉加工監測[27,39-40]等方面應用的報道。

化學計量學模型的比較選擇對于提高CVs的預測準確度非常重要，研究人員已經嘗試了多種模型，主要包括隨機森林算法（Random forests，RF）[30]、卷積神經網絡模型（Convolutional neural network，CNN）[35-36,41]、支持向量機模型（Support vector machine，SVM）[42-43]、貝葉斯網絡模型（Bayesian network，BN）[40]、徑向基函數神經網絡模型（Radial basis function，RBF）[28]、人工神經網絡模型（Artificial neural networks，ANN）[32]、深度神經網絡模型（Deep neural network，DNN）[44]、決策樹（Decision tree，DT）[33]、BP神經網絡模型（Back propagation neural network，BPNN）[39]和k近鄰算法（k-nearest neighbor，KNN）[45]等。

3.2 光譜技術

目前應用于茶葉品質評價領域的光譜技術主要包括近紅外光譜（Near-infrared spectroscopy，NIRS）、中紅外光譜（Mid-infrared spectroscopy，MIRS）、拉曼光譜（Raman spectroscopy，RS）、太赫茲光譜（Terahertz spectroscopies，THz）、高光譜成像（Hyperspectral imaging，HSI）等[46]。其中，NIRS在茶葉品質研究領域中應用最為廣泛，HSI具有可視化的能力，在茶葉內含物質檢測、茶葉加工過程的監測等方面具有較大潛力。

3.2.1 近紅外光譜

NIRS是一種反映近紅外光區域（波長：780～2?526?nm）含氫基團分子伸縮振動的電磁光譜[47]，通過掃描樣品，可以得到樣品中有機分子含氫基團的特征信息，具有無損、快速、準確的特點。隨著光學儀器的改進以及化學計量學的發展，近紅外光譜技術已廣泛應用于茶葉品質分析領域[48]，并且是最常用的光譜技術之一。

NIRS技術最早應用于茶葉內含物質檢測，包括茶多酚類[49-50]、兒茶素類[51]、咖啡堿[50,52-53]、氨基酸[54]、水浸出物[54]等，能夠有效克服傳統茶葉理化成分檢測方法對樣品破壞性大、耗時耗力等缺點。Lee等[55]采用NIRS法測定了665個茶樣的咖啡堿和9種兒茶素的含量，其預測值與HPLC所測定的參考值具有良好的相關性。Guo等[56]利用NIRS技術結合群體智能算法能同時定量綠茶中的活性成分，無需不同測量方案即可達到較好的預測效果。Liu等[57]將NIRS技術應用于普洱茶的多組分定量分析。此外，NIRS技術還應用于茶葉內色素含量的檢測[58]。由于所構建的模型不能應用于其他茶類，有研究人員進行了通用型近紅外光譜的研究。Huang等[48]通過可見-近紅外光譜結合化學計量學建立了通用光譜模型，能夠快速準確測定不同品種、不同葉位茶葉中兒茶素和咖啡堿的含量。Wang等[59]利用NIRS技術結合化學計量學方法建立跨類別識別模型，能預測不同茶類（紅茶、黑茶、烏龍茶、綠茶）的茶多酚、咖啡堿和游離氨基酸含量。

NIRS技術也已應用于茶葉品質研究方面，包括水分含量測定、茶葉等級分類、產地溯源等。水分含量是影響茶葉品質的主要因素之一，傳統的烘箱法速度慢，快速有效的測定茶葉水分含量對提高茶葉品質具有重要意義，Huang等[60]利用可見-近紅外光譜技術結合化學計量學建立了不同品種茶葉水分含量的自動測定模型，能消除批次與品種的影響，表現出較強的預測性能。NIRS技術可以快速、無損的對茶葉進行鑒定分類，Liu等[61]利用NIRS技術對江西4種茶葉所制不同等級綠茶進行了等級、品種的分類鑒別，預測準確率達到了100%；Ren等[62]采用NIRS技術對祁門紅茶7個等級樣品進行了分類，并建立了祁門紅茶等級識別的模型，正確判別率達到了99.01%；Firmani等[63]利用NIRS技術結合偏最小二乘判別分析（Partial least squares-discriminant analysis，PLS-DA）鑒別大吉嶺紅茶與其他品種紅茶及摻假樣品，所構建判別模型的正確鑒別率達到了97.3%。產地溯源對于控制茶葉質量和保證消費者利益同樣至關重要，Meng等[64]利用NIRS技術結合核磁共振波譜區分鐵觀音的地理來源，識別精度達到了90.2%。

為了從近紅外光譜數據中獲得可靠和高精度的結果，化學計量學模型的選擇也起著關鍵作用。Guo等[65]利用NIRS技術和不同的多變量算法，發現組合區間偏最小二乘法-模擬退火算法（SiPLS-SA）和組合區間偏最小二乘法-連續投影算法（SiPLS-SPA）是具有更精確度和更高預測性能的最佳模型，校正集相關系數（）和預測集相關系數（）都在97%以上，表明近紅外預測數據與參考數據之間存在很強的相關性。以上結果說明近紅外光譜技術可以應用于茶葉研究中，并能取得很好的效果，具有很大的研究潛力。

3.2.2 高光譜成像技術

HSI是一種結合了圖像與光譜的檢測技術，可以同時從樣品中獲取空間信息和光譜信息，在茶葉品質檢測中呈現出了極大的優越性，目前主要應用于茶葉內含物質檢測和茶葉分類。在茶類判別方面，Ning等[66]利用HSI對綠茶、黃茶、白茶、紅茶和烏龍茶樣品進行了分類，所構建模型分類準確率達到了98.39%；Yan等[67]利用HSI技術對龍井的鮮葉進行了鑒定和分析，結合改進后的BPNN判別率達到了100%。在茶葉內含物質檢測方面，HSI技術可以通過分布圖來顯示目標化合物在茶葉樣品中的分布。Sun等[68]利用HSI有效實現了茶葉水分含量的定量檢測，并得到了茶葉含水量分布圖，從視覺圖像上反映茶葉中不同水分含量的分布。Wang等[69]對6種茶類的茶多酚含量進行了評估，利用分布圖直觀地顯示了不同茶葉樣品中茶多酚的空間分布差異，茶葉分類定性鑒別模型預測集準確度達100%，茶多酚定量分析模型也取得了滿意的預測結果。

HSI在茶葉領域中的應用尚處于初始階段，在茶葉加工監控、茶樹病蟲害監測、茶葉內含物質檢測等方面采用HSI將使分析結果更加全面，應借鑒HSI在其他農產品上的應用，促進其在茶葉領域的應用進程。

3.3 電化學方法

電化學方法是電子學、電化學和化學計量學的成功結合，目前的應用主要包括電子鼻（Electronic nose）和電子舌（Electronic tongue）。傳感器的選擇和化學計量學模型的選擇對于電子感官至關重要，其中最常用的傳感器是金屬氧化物傳感器[70]。

3.3.1 電子鼻

茶葉中的揮發性有機化合物（Volatile organic compounds，VOCs）是茶葉品質檢測的重要指標之一。電子鼻能夠利用氣體傳感器陣列對特定氣味產生不同的指紋響應，通過捕捉VOCs將其暴露在氣體傳感器陣列的表面從而產生電信號，電信號經過信號處理和模式識別系統被放大并轉化為數字信號，最終完成氣味的特征評價與檢測[71]。

電子鼻應用于茶葉品質研究中的多個方面，可以作為一種可靠、快速的茶葉品質分級方法[72]。Hidayat等[73]將其用以評估紅茶的質量，通過電子鼻-SVM-線性模型結合信號預處理方法，區分來自不同品牌和不同生產批次紅茶樣品的質量等級，分類正確率達到了100%；Liu等[74]提出的電子鼻結合MBPNN的多任務模型，在有機綠茶的等級分類和質量評價任務中都取得了較好的效果。地理溯源對于茶葉品質評價也非常重要，Yuan等[75]利用電子鼻鑒別不同價位的西湖龍井茶和不同貯藏年份的普洱茶，發現所有樣品都具有電子鼻可以識別的特定香氣特征。電子鼻技術也被用于研究茶葉的香氣，Wang等[76]用電子鼻比較了茉莉花茶樣品中VOCs的差異，發現其在區分由VOCs濃度引起的等級差異方面有較好的效果；王淑燕等[77]通過電子鼻研究了茉莉花茶香氣成分的產地差異，此外，還有關于烏龍茶[78]、綠茶[79]、抹茶[80]等香氣研究的報道。電子鼻也常被用于茶樹病蟲害的檢測[81]，在茶園中，灰茶尺蠖和茶尺蠖比例的確定對于茶園管理具有重大意義，但兩者所造成的危害很相似，視覺技術難以區別。研究人員發現，害蟲的侵害會產生不同的特異性誘導因子，從而導致茶樹釋放不同的VOCs。Sun等[82]采用電子鼻技術，對不同灰茶尺蠖和茶尺蠖侵害茶樹的比例進行預測，結果表明訓練集的分類正確率為100%，測試集的分類正確率為93.75%。同時，她又利用電子鼻從茶樹損傷的類型（未損傷、機械損傷、灰茶尺蠖侵害、茶尺蠖侵害）[83]，以及入侵嚴重程度和入侵時間等方面對茶樹害蟲危害進行了檢測[84]，結果表明電子鼻技術在各個方面都具有較好的預測性能，證明其可以用于識別茶樹的損傷類型和蟲害的入侵嚴重程度及入侵時間。

化學計量學模型的選擇對于電子鼻系統具有重要意義。Wang等[85]將遷移成分分析（Transfer component analysis，TCA）與LightGBM分類器相結合，研究表明TrLightGBM模型的分類性能優于其他機器學習模型，能夠降低電子鼻傳感器漂移的影響。Liu等[74]提出了一種基于BPNN的多任務模型MBPNN，基于MBPNN的電子鼻不僅可以對茶葉進行等級分類，而且可以準確預測有機綠茶的價格。在以上兩項研究中，化學計量學模型的選擇與改進都提高了電子鼻的預測性能。

電子鼻作為一種氣味分析方法，已經廣泛運用于茶葉品質研究中，相比于化學分析儀器，能夠直接獲得樣品中揮發性化合物的全部信息，與感官分析相比，更加準確、客觀、快速。但電子鼻還存在氣味傳感器易受環境溫度、濕度影響，基線易漂移，靈敏度不夠等問題，新型傳感器和化學計量學模型的開發與應用還需要進一步研究[86]。

3.3.2 電子舌

滋味是構成茶葉品質的核心因子之一，電子舌為滋味的量化評價提供了一種新的技術手段，與人類感官審評相比，具有可檢測有毒物質、無檢測疲勞等優點。伏安型電子舌操作簡單、成本低、原始響應豐富[87]，在研究中較為常見。

茶葉內有豐富的呈味物質，主要包括茶多酚、游離氨基酸、咖啡堿、兒茶素單體和茶色素等，含量、種類以及比例的不同導致滋味品質的差別，電子舌能夠快速、準確的檢測出茶葉中的滋味成分。Ouyang等[88]采用伏安法電子舌，通過Si-PLS結合變量組合集群分析（Variable combination population analysis，VCPA），即Si-VCPA-PLS算法，測定紅茶中的總游離氨基酸含量，比較和融合了兩種工作電極，數據融合的=0.841?4，表現出較好的預測能力；此外，檢測了115份不同紅茶中茶黃素的含量，通過Si-PLS結合競爭自適應重加權抽樣算法（Competitive adaptive reweighted sampling，CARS），即Si-CARS-PLS算法，得出的預測集=0.830?2，同樣表現出較好的預測能力。電子舌也能用于茶葉品質等級的鑒定，Chen等[89]使用了一種基于惰性金屬傳感器和多頻大幅度脈沖掃描系統的新型智能伏安式電子舌系統，用以鑒別7個不同等級的祁門紅茶，通過將排序差異和算法（Sum of ranking difference，SRD）與PLS-DA方法相結合構建更強大的PLS-DA-SRD分類模型，校正集精度和預測集精度分別為0.993和1.000。Ren等[90]對7個等級的滇紅工夫紅茶共700份茶葉進行檢測，通過引入蟻群算法（Ant colony optimization，ACO）構建LS-SVM模型，對紅茶樣品的預測精度達到99.14%。Huang等[91]對7個等級的祁門紅茶和滇紅工夫紅茶進行了檢測，電子舌能成功區分兩種茶類，結合PLS-DA和BPNN能有效識別茶葉等級。樣品的復雜性會產生重疊且龐大的數據，所以化學計量學對于電子舌的研究同樣重要。

電子舌在茶葉品質研究中應用廣泛，并已成為茶葉滋味評價中常用的研究手段，但與電子鼻相似，其味覺傳感器的抗干擾能力、靈敏度，以及模式識別算法的準確度都有待提高，并且無法檢測出茶湯中滋味物質的全部信息，今后的研究重點應傾向于體積小，響應信號穩定，環境因素抗干擾性強，針對茶葉專一性電子舌的開發。

4 新興技術在茶葉品質評價中的聯合應用與小型化

4.1 新興技術的聯合應用

茶葉樣品的特征需要同時使用描述味覺、視覺、嗅覺等方面的技術，以獲取更高的準確率。而計算機視覺系統只能提供茶葉的外形信息，電子舌只能識別滋味物質，電子鼻只能檢測香氣物質，近紅外光譜只能獲取茶葉的單點光譜信息。但多技術聯合系統帶來了數據量增加的問題，原始數據中生成了更多的冗余與噪音。因此，研究人員將數據融合技術帶入茶葉品質研究中，能夠綜合不同來源獲取的信息，提高檢測準確度，其包括數據層融合、特征層融合和決策層融合3種常用的融合策略。

Zou等[92]聯合電子鼻和電子舌檢測不同綠茶的苦味和澀味，兩種技術的聯用能夠降低數據建模的難度，提高機器識別的效率。Jin等[93]利用FT-NIR和CVs相結合的方法，并結合特征層數據融合策略，對紅茶發酵程度進行綜合評價，綜合了兩種技術后的評價方法得到的結果優于獨立評價方法。徐敏[70]在數據融合技術上做了較多工作。他將電子鼻和CVs聯合應用于檢測茶葉香氣和茶葉外觀，引入了不同的數據融合策略，結果顯示，決策層融合策略作為茶葉品質快速檢測的方法預測性能最好[72]。此外，為了識別不同產地的龍井茶，他利用數據融合技術對電子鼻和CVs信號進行融合，并采用皮爾遜分析（Pearson analysis，PA）、信息增益（Information gain，IG）和F分數（F-scores）對傳統融合策略進行修正，改進的融合策略總體上優于獨立決策融合策略和原融合策略[45]。將電子鼻、電子舌、電子眼信號進行融合，提出基于特征層融合的信號集成策略，在定性評價茶葉品質，定量預測茶葉中氨基酸、兒茶素、多酚和咖啡因等化學成分的含量方面都表現出較好的性能[94]。

4.2 新興技術的小型化

新興技術作為實驗室檢測方法，能夠得到準確、客觀的結果，但儀器龐大、昂貴，需要專業的操作人員，限制了其在日常生活中的應用，而儀器的小型化有利于現場檢測，對于茶葉品質評價具有重要意義。

Li等[42]提出了一種基于智能手機成像結合微型近紅外光譜儀對祁門紅茶品質等級進行分類的低成本評價方法，最佳SVM模型的預測集準確率能達到94.29%。同時通過建立不同的化學計量學模型，對綠茶中的糖和糯米粉等摻雜物進行定性與定量分析，用于茶葉質量監測[95]。Wang等[96]組裝了一套便攜式近紅外光譜系統，結合化學計量學，對抹茶樣品中的氨基酸和茶多酚進行定量測定，同時將茶多酚和氨基酸的比值用于抹茶樣品的分類，對不同等級抹茶分類的準確率達到83.33%。Wang等[97]通過智能手機連接的微型近紅外光譜儀評估紅茶的味道屬性，結合不同變量選擇方法的NIRS系統成功應用于評價紅茶滋味屬性。

電子舌與電子鼻同樣有關于小型化儀器的報道，Dutta等[98]開發了一種基于計算機輔助技術的電子鼻系統，使用了一種新型多目標分類系統，消除了傳統電子鼻系統所需的幾個高功耗組件，使其尺寸、重量、成本實現最小化，采集的80個不同茶葉樣品，測量結果準確率達90%。Ouyang等[88]利用便攜式電子舌系統結合化學計量學快速檢測紅茶中的總茶黃素含量，作為一種新穎、快速、低成本的茶黃素含量預測方法，具有較好的預測性能。

5 新興技術在茶葉加工過程中的應用

近年來，隨著科學技術的發展和勞動力成本的增加，茶葉加工也慢慢轉向機械化和標準化。茶葉采摘與加工過程中用新興技術代替感官評價，既可以避免人為評價的主觀性，又可以消除對人工的依賴，加強茶產業的機械化并提高茶產品質量。

茶葉品質受鮮葉質量的顯著影響。Zhang等[40]基于CVs確定鮮葉的最佳采收時間，識別準確率達90%，但該技術在對環境的適應性上有所欠缺。類胡蘿卜素是茶葉內重要的香氣前體物質，在拉曼激光下會產生獨特而強烈的指紋圖譜，Zhang等[99]通過拉曼光譜掃描鮮葉預測茶葉中類胡蘿卜素的含量，以此預測鮮葉的嫩度，研究表明，隨著鮮葉成熟度的增加，類胡蘿卜素的含量也在增加，基于類胡蘿卜素的拉曼光譜可以作為茶葉嫩度測定的方法。

發酵是紅茶加工過程中的關鍵環節，在揉捻工序開始后，隨著細胞膜、液泡膜的破裂，茶多酚和兒茶素等物質與多酚氧化酶和過氧化物酶接觸，發生酶促氧化反應并產生茶黃素、茶紅素、茶褐素等茶色素，從而形成紅茶的獨特風味。然而發酵不足或發酵過度都會降低紅茶的品質。目前發酵適度的判斷標準主要依靠人的視覺與嗅覺，具有較強的主觀性。紅茶的發酵涉及顏色、香氣、內含成分的變化，Ghosh等[100]利用紅茶發酵過程中香氣的變化，以發酵期間茶黃素含量作為發酵水平的判定依據，分別用電子鼻[101]、電子舌[102]來預測紅茶的最佳發酵時間，顯示出了其檢測茶葉發酵過程的潛力。董春旺課題組用多種方法對紅茶發酵過程進行了研究：采用CVs結合非線性建模算法[103]，利用紅茶在發酵過程中明顯的顏色變化，探究圖像顏色和品質指標的變化規律，并建立了定量評價模型；通過NIRS快速測定紅茶發酵過程中茶黃素與茶紅素的比值，預測紅茶發酵的程度[104]；通過電學測量結合化學計量學預測紅茶發酵過程中兒茶素的含量[105]；通過HSI定量預測和可視化紅茶發酵過程中多種關鍵理化成分[106]，能夠實時檢測和可視化紅茶關鍵品質成分在不同時間的分布和變化狀態，更加準確的了解發酵信息。以上研究促進了紅茶發酵品質智能檢測技術的進一步發展，為實現紅茶加工智能化、標準化、信息化提供了理論依據。同時，寧井銘課題組將多技術聯合系統應用于紅茶發酵監控，綜合評價紅茶發酵過程的變化：根據發酵過程中茶多酚的降解率對發酵程度進行分級，并結合NIRS和CVs，采用中層數據融合策略對紅茶發酵進行綜合評價[93]；進一步將該聯合系統小型化，采用廉價的微型NIRS和實驗室自制的CVs評價紅茶發酵品質[107]。該團隊所做研究克服了單一傳感器預測精度較低和儀器體積過大的問題，對數據融合策略和化學計量學模型也進行了深入探討，對實現紅茶加工自動化、低成本化具有重要意義。

茶葉在加工過程中有著豐富的物質變化。怎樣生產出質量穩定的茶葉產品，是目前茶葉領域面臨的一個難題?，F今的茶葉加工方式已趨向于機械化、自動化、標準化和智能化，但是具體步驟適度的標準依舊要由有經驗的技術人員決定。此外，茶葉加工過程研究的重心仍偏向于工藝改進，對智能化在線檢測技術的探究還處于發展階段，研究人員已對紅茶發酵過程做了較多工作，研究結果都表現出較好的預測性能。六大茶類都有其獨特的加工工藝，如白茶萎凋、黃茶悶黃、黑茶渥堆、烏龍茶搖青等，目前也有一些關于綠茶[28]和烏龍茶[108]加工的研究，但相對較少，需進一步加強，以促進未來茶葉加工的自動化。

6 總結與展望

感官審評伴隨著制茶史的發展，凝聚了民間傳統智慧和幾代茶葉專家的智慧，已形成了完整的科學體系，目前仍然是茶葉品質表觀評價最基本的方式。QDA方法的廣泛運用，也提高了感官審評在科研工作中的客觀性與科學性，同時保留了直觀、快速、低成本的優點。但對于消費者而言，一方面需要加強對感官審評能力的培養，另一方面還是需要借助新興、簡易的茶葉品質評價技術。

成分分析檢測發展至今，儀器新舊更替帶動了研究的進步，從基礎的物理檢驗到HPLC、MS、NMR等，強大的儀器已經具備了獲取高精準度數據的能力，將更好地幫助科研人員進行茶葉品質研究，并得出更加精準的研究結果。但對于消費者而言，高門檻、難操作使成分分析檢測目前只能應用于實驗室檢測。

新興技術與現有的檢測技術相比，顯示出了良好的應用前景，光譜技術、電化學方法、計算機視覺等有望成為快速有效檢測茶葉品質的可靠技術。然而，這些新興技術還有待進一步完善之處，如儀器昂貴、傳感器靈敏度不夠、化學計量學模型的預測性能有待提高、多技術聯合應用時的數據融合策略有待進一步探究。本文對新興技術的發展提出了3個方向，首先是技術的聯合應用，由于茶葉的復雜性，未來唯有將多種技術聯合，才能更加精準、有效地對茶葉進行評價；其次，小型化的儀器能大幅降低成本，更利于消費者與從業者的使用，促進茶葉貿易的健康發展；最后，應進一步研究各類茶葉加工過程中的品質監控技術，不僅能促進茶葉加工的機械化發展，也將消除對專業人員的依賴，促進茶葉品質研究的發展。

總之，每種檢測方法都有其存在的合理性，成分分析檢測與新興技術在儀器的進步中已經得到了較大的發展，感官審評在結合QDA方法后也取得了新進展。如何快速、簡單、客觀的對茶葉做出品質評價，仍然是目前茶葉科研領域值得深入研究的課題。但盲目舍棄其中一種方法，大力發展其他方法的做法是不可取的，各種方法應緊密聯合，多維度綜合利用才是正確的發展方向，而如何將感官審評與儀器技術更好地結合也將是一個值得深入探討的問題。

[1] 張穎彬, 劉栩, 魯成銀. 中國茶葉感官審評術語的形成與發展現狀[J]. 茶葉科學, 2019, 39(2): 123-130.

Zhang Y B, Liu X, Lu C Y. Formation and development of Chinese tea sensory terminology [J]. Journal of Tea Science, 2019, 39(2): 123-130.

[2] 張穎彬, 劉栩, 魯成銀. 中國茶葉感官審評術語基元語素研究與風味輪構建[J]. 茶葉科學, 2019, 39(4): 474-483.

Zhang Y B, Liu X, Lu C Y. Study on primitive morpheme in sensory terminology and flavor wheel construction of Chinese tea [J]. Journal of Tea Science, 2019, 39(4): 474-483.

[3] Li H H, Luo L Y, Wang J, et al. Lexicon development and quantitative descriptive analysis of Hunan fuzhuan brick tea infusion [J]. Food Research International, 2019, 120: 275-284.

[4] 戴前穎, 葉穎君, 安琪, 等. 黃大茶感官特征定量描述與風味輪構建[J]. 茶葉科學, 2021, 41(4): 535-544.

Dai Q Y, Ye Y J, An Q, et al. Sensory characteristics of yellow large leaf tea by quantitative descriptive analysis and construction of flavor wheel [J]. Journal of Tea Science, 2021, 41(4): 535-544.

[5] 安會敏, 熊一帆, 張楊波, 等. 臨滄工夫紅茶季節判定模型及風味輪的構建[J]. 食品工業科技, 2019, 40(23): 199-206.

An H M, Xiong Y F, Zhang Y B, et al. Construction of seasonal decision model and flavor wheel for Lincang gongfu black tea [J]. Science and Technology of Food Industry, 2019, 40(23): 199-206.

[6] 高濤, 羅黃洋, 吳韌, 等. 主客觀組合權重法在食品感官評價中的應用[J]. 食品工業科技, 2021, 42(18): 300-307.

Gao T, Luo H Y, Wu R, et al. Application of subjective and objective combination weighting method in food sensory evaluation [J]. Science and Technology of Food Industry, 2021, 42(18): 300-307.

[7] Galmarini M V. The role of sensory science in the evaluation of food pairing [J]. Current Opinion in Food Science, 2020, 33: 149-155.

[8] Li H, Luo L, Ma M, et al. Characterization of volatile compounds and sensory analysis of jasmine scented black tea produced by different scenting processes [J]. Journal of Food Science, 2018, 83(11): 2718-2732.

[9] Ni H, Jiang Q X, Lin Q, et al. Enzymatic hydrolysis and auto-isomerization during-glucosidase treatment improve the aroma of instant white tea infusion [J]. Food Chemistry, 2021, 342: 128565. doi: 10.1016/j.foodchem.2020.128565.

[10] Qi D D, Miao A Q, Cao J X, et al. Study on the effects of rapid aging technology on the aroma quality of white tea using GC-MS combined with chemometrics: in comparison with natural aged and fresh white tea [J]. Food Chemistry, 2018, 265: 189-199.

[11] Wang Y, Yang X, Li K, et al. Simultaneous determination of theanine, gallic acid, purine alkaloids, catechins, and theaflavins in black tea using HPLC [J]. International Journal of Food Science & Technology, 2010, 45(6): 1263-1269.

[12] Pan H B, Zhang D, Li B, et al. A rapid UPLC method for simultaneous analysis of caffeine and 13 index polyphenols in black tea [J]. Journal of Chromatographic Science, 2017, 55(5): 495-496.

[13] Tan J, Dai W, Lu M, et al. Study of the dynamic changes in the non-volatile chemical constituents of black tea during fermentation processing by a non-targeted metabolomics approach [J]. Food Research International, 2016, 79: 106-113.

[14] Yun J, Cui C J, Zhang S H, et al. Use of headspace GC/MS combined with chemometric analysis to identify the geographic origins of black tea [J]. Food Chemistry, 2021, 360: 130033. doi: 10.1016/j.foodchem.2021.130033.

[15] Rubel Mozumder N H M, Lee Y R, Hwang K H, et al. Characterization of tea leaf metabolites dependent on tea () plant age through1H NMR-based metabolomics [J]. Applied Biological Chemistry, 2020, 63: 10. doi: 10.1186/s13765-020-0492-7.

[16] Wang W N, Zhang L, Wang S, et al. 8--ethyl-2-pyrrolidinone substituted flavan-3-ols as the marker compounds of Chinese dark teas formed in the post-fermentation process provide significant antioxidative activity [J]. Food Chemistry, 2014, 152: 539-545.

[17] Dai W D, Tan J F, Lu M L, et al. Metabolomics investigation reveals that 8--ethyl-2-pyrrolidinone-substituted flavan-3-ols are potential marker compounds of stored white teas [J]. Journal of Agricultural and Food Chemistry, 2018, 66(27): 7209-7218.

[18] 王家勤, 姚月鳳, 袁海波, 等. 基于色差系統的工夫紅茶茶湯亮度的量化評價方法研究[J]. 茶葉科學, 2020, 40(2): 259-268.

Wang J Q, Yao Y F, Yuan H B, et al. A quantitative method for brightness evaluation of Congou black tea infusions based on color difference analysis [J]. Journal of Tea Science, 2020, 40(2): 259-268.

[19] Huang D Y, Qiu Q L, Wang Y M, et al. Rapid identification of different grades of Huangshan Maofeng tea using ultraviolet spectrum and color difference [J]. Molecules, 2020, 25(20): 4665. doi: 10.3390/molecules25204665.

[20] 宛曉春. 茶葉生物化學[M]. 3版. 北京: 中國農業出版社, 2003.

Wan X C. Tea Biochemistry [M]. 3rd ed. Beijing: China Agriculture Press, 2003.

[21] 張雪, 張志強. 學科交叉研究系統綜述[J]. 圖書情報工作, 2020, 64(14): 112-125.

Zhang X, Zhang Z Q. Review on interdisciplinary research [J]. Library and Information Service, 2020, 64(14): 112-125.

[22] 宛曉春, 李大祥, 張正竹, 等. 茶葉生物化學研究進展[J]. 茶葉科學, 2015, 35(1): 1-10.

Wan X C, Li D X, Zhang Z Z, et al. Research advance on tea biochemistry [J]. Journal of Tea Science, 2015, 35(1): 1-10.

[23] Huang T S. Computer vision: evolution and promise [J]. 19th CERN School of Computing, 1996: 21-25.

[24] Chen Q, Zhao J, Cai J. Identification of tea varieties using computer vision [J]. Transactions of the ASABE, 2008, 51(2): 623-628.

[25] Chen Y T, Chen S F. Localizing plucking points of tea leaves using deep convolutional neural networks [J]. Computers and Electronics in Agriculture, 2020, 171: 105298. doi: 10.1016/j.compag.2020.105298.

[26] Yang H L, Chen L, Ma Z B, et al. Computer vision-based high-quality tea automatic plucking robot using Delta parallel manipulator [J]. Computers and Electronics in Agriculture, 2021, 181(7): 105946. doi: 10.1016/j.compag.2020.105946.

[27] Gill G S, Kumar A, Agarwal R. Nondestructive grading of black tea based on physical parameters by texture analysis [J]. Biosystems Engineering, 2013, 116(2): 198-204.

[28] Zhu H K, Ye Y, He H F, et al. Evaluation of green tea sensory quality via process characteristics and image information [J]. Food and Bioproducts Processing, 2017, 102: 116-122.

[29] 伍洵, 劉飛, 陳之威, 等. 基于計算機視覺的綠茶炒干中在制品理化變化研究[J]. 茶葉科學, 2020, 40(2): 194-204.

Wu X, Liu F, Chen Z W, et al. Study on the changes of physical and chemical components during the frying process of green tea by computer vision [J]. Journal of Tea Science, 2020, 40(2): 194-204.

[30] Liu P, Wu R M, Yang P X, et al. Study of sensory quality evaluation of tea using computer vision technology and forest random method [J]. Spectroscopy and Spectral Analysis, 2019, 39(1): 193-198.

[31] Zou Y, Ma W J, Tang Q, et al. A high-precision method evaluating color quality of Sichuan Dark Tea based on colorimeter combined with multi-layer perceptron [J]. Journal of Food Process Engineering, 2020, 43(8): e13444. doi: 10.1111/jfpe.13444.

[32] Bakhshipour A, Sanaeifar A, Payman S H, et al. Evaluation of data mining strategies for classification of black tea based on image-based features [J]. Food Analytical Methods, 2018, 11(4): 1041-1050.

[33] Bakhshipour A, Zareiforoush H, Bagheri I. Application of decision trees and fuzzy inference system for quality classification and modeling of black and green tea based on visual features [J]. Journal of Food Measurement and Characterization, 2020, 14(3): 1402-1416.

[34] Wu X Y, Yang J Q, Wang S H. Tea category identification based on optimal wavelet entropy and weighted k-Nearest Neighbors algorithm [J]. Multimedia Tools and Applications, 2018, 77(3): 3745-3759.

[35] Zhang Y D, Muhammad K, Tang C. Twelve-layer deep convolutional neural network with stochastic pooling for tea category classification on GPU platform [J]. Multimedia Tools and Applications, 2018, 77(17): 22821-22839.

[36] Chen J, Liu Q, Gao L W. Visual tea leaf disease recognition using a convolutional neural network model [J]. Symmetry, 2019, 11(3): 343. doi: 10.3390/sym11030343.

[37] Chen J F, He Q. Tea disease spot recognition based on image feature points extraction and matching [J]. Global NEST Journal, 2020, 22(4): 492-501.

[38] Yang N, Yuan M, Wang P, et al. Tea diseases detection based on fast infrared thermal image processing technology [J]. Journal of the Science of Food and Agriculture, 2019, 99(7): 3459-3466.

[39] 吳正敏, 曹成茂, 謝承健, 等. 基于圖像處理技術和神經網絡實現機采茶分級[J]. 茶葉科學, 2017, 37(2): 182-190.

Wu Z M, Cao C M, Xie C J, et al. Grading of machine picked tea based on image processing technology and neural network [J]. Journal of Tea Science, 2017, 37(2): 182-190.

[40] Zhang L, Zhang H, Chen Y, et al. Real-time monitoring of optimum timing for harvesting fresh tea leaves based on machine vision [J]. International Journal of Agricultural and Biological Engineering, 2019, 12(1): 6-9.

[41] 張怡, 趙珠蒙, 王校常, 等. 基于ResNet卷積神經網絡的綠茶種類識別模型構建[J]. 茶葉科學, 2021, 41(2): 261-271.

Zhang Y, Zhao Z M, Wang X C, et al. Construction of green tea recognition model based on ResNet convolutional neural network [J]. Journal of Tea Science, 2021, 41(2): 261-271.

[42] Li L Q, Wang Y J, Jin S S, et al. Evaluation of black tea by using smartphone imaging coupled with micro-near-infrared spectrometer [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2021, 246: 118991. doi: 10.1016/j.saa.2020.118991.

[43] Wang S H, Phillips P, Liu A J, et al. Tea category identification using computer vision and generalized eigenvalue proximal SVM [J]. Fundamenta Informaticae, 2017, 151(1/4): 325-339.

[44] Liu C L, Lu W Y, Gao B Y, et al. Rapid identification of chrysanthemum teas by computer vision and deep learning [J]. Food Science & Nutrition, 2020, 8(4): 1968-1977.

[45] Xu M, Wang J, Jia P F, et al. Identification of Longjing teas with different geographic origins based on e-nose and computer vision system combined with data fusion strategies [J]. Transactions of the ASABE, 2021, 64(1): 327-340.

[46] Lin X, Sun D W. Recent developments in vibrational spectroscopic techniques for tea quality and safety analyses [J]. Trends in Food Science & Technology, 2020, 104: 163-176.

[47] 任廣鑫, 金珊珊, 李露青, 等. 近紅外光譜技術在茶葉品控與裝備創制領域的研究進展[J]. 茶葉科學, 2020, 40(6): 707-714.

Ren G X, Jin S S, Li L Q, et al. Research progress of near-infrared spectroscopy in tea quality control and equipment development [J]. Journal of Tea Science, 2020, 40(6): 707-714.

[48] Huang Y F, Dong W T, Sanaeifar A, et al. Development of simple identification models for four main catechins and caffeine in fresh green tea leaf based on visible and near-infrared spectroscopy [J]. Computers and Electronics in Agriculture, 2020, 173: 105388. doi: 10.1016/j.compag.2020.105388.

[49] Hazarika A K, Chanda S, Sabhapondit S, et al. Quality assessment of fresh tea leaves by estimating total polyphenols using near infrared spectroscopy [J]. Journal of Food Science and Technology, 2018, 55(12): 4867-4876.

[50] Sanaeifar A, Huang X, Chen M, et al. Nondestructive monitoring of polyphenols and caffeine during green tea processing using Vis-NIR spectroscopy [J]. Food Science & Nutrition, 2020, 8(11): 5860-5874.

[51] Chen Q S, Chen M, Liu Y, et al. Application of FT-NIR spectroscopy for simultaneous estimation of taste quality and taste-related compounds content of black tea [J]. Journal of Food Science & Technology, 2018, 55(10): 4363-4368.

[52] Chanda S, Hazarika A K, Choudhury N, et al. Support vector machine regression on selected wavelength regions for quantitative analysis of caffeine in tea leaves by near infrared spectroscopy [J]. Journal of Chemometrics, 2019, 33(10): e3172. doi: 10.1002/cem.3172.

[53] 盧莉, 程曦, 張渤, 等. 小種紅茶茶多酚和咖啡堿近紅外定量分析模型的建立[J]. 茶葉科學, 2020, 40(5): 689-695.

Lu L, Cheng X, Zhang B, et al. Establishment of predictive model for quantitative analysis of tea polyphenols and caffeine of souchong by near infrared spectroscopy [J]. Journal of Tea Science, 2020, 40(5): 689-695.

[54] Zareef M, Chen Q, Ouyang Q, et al. Prediction of amino acids, caffeine, theaflavins and water extract in black tea using FT-NIR spectroscopy coupled chemometrics algorithms [J]. Analytical Methods, 2018, 10(25): 3023-3031.

[55] Lee M S, Hwang Y S, Lee J, et al. The characterization of caffeine and nine individual catechins in the leaves of green tea (L.) by near-infrared reflectance spectroscopy [J]. Food Chemistry, 2014, 158: 351-357.

[56] Guo Z M, Barimah A O, Shujat A, et al. Simultaneous quantification of active constituents and antioxidant capability of green tea using NIR spectroscopy coupled with swarm intelligence algorithm [J]. LWT, 2020, 129: 109510. doi: 10.1016/j.lwt.2020.109510.

[57] Liu Z, Xie H L, Chen L, et al. An improved weighted partial least squares method coupled with near infrared spectroscopy for rapid determination of multiple components and anti-oxidant activity of pu-erh tea [J]. Molecules, 2018, 23(5): 1058. doi: 10.3390/molecules23051058.

[58] Li X L, Jin J J, Sun C J, et al. Simultaneous determination of six main types of lipid-soluble pigments in green tea by visible and near-infrared spectroscopy [J]. Food Chemistry, 2019, 270: 236-242.

[59] Wang J H, Wang Y F, Cheng J J, et al. Enhanced cross-category models for predicting the total polyphenols, caffeine and free amino acids contents in Chinese tea using NIR spectroscopy [J]. LWT, 2018, 96: 90-97.

[60] Huang Z X, Sanaeifar A, Tian Y, et al. Improved generalization of spectral models associated with Vis-NIR spectroscopy for determining the moisture content of different tea leaves [J]. Journal of Food Engineering, 2021, 293: 110374. doi: 10.1016/j.jfoodeng.2020.110374.

[61] Liu P, Wen Y P, Huang J S, et al. A novel strategy of near-infrared spectroscopy dimensionality reduction for discrimination of grades, varieties and origins of green tea [J]. Vibrational Spectroscopy, 2019, 105: 102984. doi: 10.1016/j.vibspec.2019.102984.

[62] Ren G X, Wang Y J, Ning J M, et al. Highly identification of keemun black tea rank based on cognitive spectroscopy: Near infrared spectroscopy combined with feature variable selection [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2020, 230: 118079. doi: 10.1016/j.saa.2020.118079.

[63] Firmani P, Luca S D, Bucci R, et al. Near infrared (NIR) spectroscopy-based classification for the authentication of Darjeeling black tea [J]. Food Control, 2019, 100: 292-299.

[64] Meng W, Xu X, Cheng K K, et al. Geographical origin discrimination of oolong tea (Tieguanyin,(L.) O. Kuntze) using proton nuclear magnetic resonance spectroscopy and near-infrared spectroscopy [J]. Food Analytical Methods, 2017, 10(11): 3508-3522.

[65] Guo Z M, Barimah A O, Yin L M, et al. Intelligent evaluation of taste constituents and polyphenols-to-amino acids ratio in matcha tea powder using near infrared spectroscopy [J]. Food Chemistry, 2021, 353: 129372. doi: 10.1016/j.foodchem.2021.129372.

[66] Ning J M, Sun J J, Li S H, et al. Classification of five Chinese tea categories with different fermentation degrees using visible and near-infrared hyperspectral imaging [J]. International Journal of Food Properties, 2017, 20(s2): 1515-1522.

[67] Yan L, Pang L, Wang H, et al. Recognition of different Longjing fresh tea varieties using hyperspectral imaging technology and chemometrics [J]. Journal of Food Process Engineering, 2020, 43(4): e13378. doi: 10.1111/jfpe.13378.

[68] Sun J, Zhou X, Hu Y G, et al. Visualizing distribution of moisture content in tea leaves using optimization algorithms and NIR hyperspectral imaging [J]. Computers and Electronics in Agriculture, 2019, 160: 153-159.

[69] Wang Y J, Liu Y, Chen Y Y, et al. Spatial distribution of total polyphenols in multi-type of tea using near-infrared hyperspectral imaging [J]. LWT, 2021, 148: 111737. doi: 10.1016/j.lwt.2021.111737.

[70] 徐敏. 基于電子鼻、電子舌和電子眼的多源信息融合技術對龍井茶品質的檢測[D]. 杭州: 浙江大學, 2020.

Xu M. Quality detection of Longjing tea based on the multi-source information fusion of E-nose, E-tongue and E-eye [D]. Hangzhou: Zhejiang University, 2020.

[71] Jia W S, Liang G, Jiang Z J, et al. Advances in electronic nose development for application to agricultural products [J]. Food Analytical Methods, 2019, 12(10): 2226-2240.

[72] Xu M, Wang J, Gu S. Rapid identification of tea quality by E-nose and computer vision combining with a synergetic data fusion strategy [J]. Journal of Food Engineering, 2019, 241: 10-17.

[73] Hidayat S N, Triyana K, Fauzan I, et al. The electronic nose coupled with chemometric tools for discriminating the quality of black tea samples in situ [J]. Chemosensors, 2019, 7(3): 29. doi: 10.3390/chemosensors7030029.

[74] Liu H X, Yu D B, Gu Y. Classification and evaluation of quality grades of organic green teas using an electronic nose based on machine learning algorithms [J]. IEEE Access, 2019, 7: 172965-172973.

[75] Yuan H B, Chen X Q, Shao Y D, et al. Quality evaluation of green and dark tea grade using electronic nose and multivariate statistical analysis [J]. Journal of Food Science, 2019, 84(12): 3411-3417.

[76] Wang S Y, Zhao F, Wu W X, et al. Comparison of volatiles in different jasmine tea grade samples using electronic nose and automatic thermal desorption-gas chromatography-mass spectrometry followed by multivariate statistical analysis [J]. Molecules, 2020, 25(2): 380. doi: 10.3390/molecules25020380.

[77] 王淑燕, 趙峰, 饒耿慧, 等. 基于電子鼻和ATD-GC-MS技術分析茉莉花茶香氣成分的產地差異[J]. 食品工業科技, 2021, 42(15): 234-239.

Wang S Y, Zhao F, Rao G H, et al. Origin difference analysis of aroma components in jasmine tea based on electronic nose and ATD-GC-MS [J]. Science and Technology of Food Industry, 2021, 42(15): 234-239.

[78] Zhu J C, Chen F, Wang L Y, et al. Evaluation of the synergism among volatile compounds in Oolong tea infusion by odour threshold with sensory analysis and E-nose [J]. Food Chemistry, 2017, 221: 1484-1490.

[79] 王寶怡, 王培強, 李曉晗, 等. 基于電子鼻技術對不同季節山東綠茶香氣的分析[J]. 現代食品科技, 2020, 36(10): 284-289, 259.

Wang B Y, Wang P Q, Li X H, et al. Analysis of aroma of Shandong green tea in different seasons based on electronic nose technology [J]. Modern Food Science & Technology, 2020, 36(10): 284-289, 259.

[80] 王佳音, 王鳳玲, 王福東, 等. 電子鼻對不同種類抹茶香氣成分的辨別與分析[J]. 食品與發酵工業, 2019, 45(19): 270-276.

Wang J Y, Wang F L, Wang F D, et al. Identification and analysis of the aroma components of different species of Matcha by electronic nose [J]. Food And Fermentation Industries, 2019, 45(19): 270-276.

[81] 孫玉冰. 基于電子鼻技術的茶樹蟲害信息檢測[D]. 杭州: 浙江大學, 2018.

Sun Y B. Study of pest information for tea plant based on electroinc nose [D]. Hangzhou: Zhejiang University, 2018.

[82] Sun Y, Wang J, Cheng S, et al. Detection of pest species with different ratios in tea plant based on electronic nose [J]. Annals of Applied Biology, 2019, 174(2): 209-218.

[83] Sun Y, Wang J, Sun L, et al. Evaluation of E-nose data analyses for discrimination of tea plants with different damage types [J]. Journal of Plant Diseases and Protection, 2019, 126(1): 29-38.

[84] Sun Y, Wang J, Cheng S. Discrimination among tea plants either with different invasive severities or different invasive times using MOS electronic nose combined with a new feature extraction method [J]. Computers and Electronics in Agriculture, 2017, 143: 293-301.

[85] Wang X R, Gu Y, Liu H X. A transfer learning method for the protection of geographical indication in china using an electronic nose for the identification of Xihu Longjing tea [J]. IEEE Sensors Journal, 2021, 21(6): 8065-8077.

[86] Loutfi A, Coradeschi S, Mani G K, et al. Electronic noses for food quality: a review [J]. Journal of Food Engineering, 2015, 144: 103-111.

[87] Liu T, Chen Y B, Li D Q, et al. Electronic tongue recognition with feature specificity enhancement [J]. Sensors, 2020, 20(3): 772. doi: 10.3390/s20030772.

[88] Ouyang Q, Yang Y C, Wu J Z, et al. Measurement of total free amino acids content in black tea using electronic tongue technology coupled with chemometrics [J]. LWT, 2020, 118: 108768. doi: 10.1016/j.lwt.2019.108768.

[89] Chen X J, Xu Y L, Meng L W, et al. Non-parametric partial least squares: discriminant analysis model based on sum of ranking difference algorithm for tea grade identification using electronic tongue data [J]. Sensors and Actuators B: Chemical, 2020, 311: 127924. doi: 10.1016/j.snb.2020.127924.

[90] Ren G X, Li T H, Wei Y M, et al. Estimation of Congou black tea quality by an electronic tongue technology combined with multivariate analysis [J]. Microchemical Journal, 2021, 163: 105899. doi: 10.1016/j.microc.2020.105899.

[91] Huang D Y, Bian Z, Qiu Q L, et al. Identification of similar Chinese Congou black teas using an electronic tongue combined with pattern recognition [J]. Molecules, 2019, 24(24): 4549. doi: 10.3390/molecules24244549.

[92] Zou G Y, Xiao Y Z, Wang M S, et al. Detection of bitterness and astringency of green tea with different taste by electronic nose and tongue [J]. Plos One, 2018, 13(12): e0206517. doi: 10.1371/journal.pone.0206517.

[93] Jin G, Wang Y J, Li L Q, et al. Intelligent evaluation of black tea fermentation degree by FT-NIR and computer vision based on data fusion strategy [J]. LWT, 2020, 125: 109216. doi: 10.1016/j.lwt.2020.109216.

[94] Xu M, Wang J, Zhu L Y. The qualitative and quantitative assessment of tea quality based on E-nose, E-tongue and E-eye combined with chemometrics [J]. Food Chemistry, 2019, 289: 482-489.

[95] Li L Q, Jin S S, Wang Y J, et al. Potential of smartphone-coupled micro NIR spectroscopy for quality control of green tea [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2021, 247: 119096. doi: 10.1016/j.saa.2020.119096.

[96] Wang J, Zareef M, He P, et al. Evaluation of matcha tea quality index using portable NIR spectroscopy coupled with chemometric algorithms [J]. Journal of the Science of Food and Agriculture, 2019, 99(11): 5019-5027.

[97] Wang Y J, Li T H, Li L Q, et al. Evaluating taste-related attributes of black tea by micro-NIRS [J]. Journal of Food Engineering, 2020, 290: 110181. doi: 10.1016/j.jfoodeng.2020.110181.

[98] Dutta L, Talukdar C, Hazarika A, et al. A novel low-cost hand-held tea flavor estimation system [J]. IEEE Transactions on Industrial Electronics, 2018, 65(6): 4983-4990.

[99] Zhang Y Y, Gao W J, Cui C J, et al. Development of a method to evaluate the tenderness of fresh tea leaves based on rapid,Raman spectroscopy scanning for carotenoids [J]. Food chemistry, 2020, 308: 125648. doi: 10.1016/j.foodchem.2019.125648.

[100] Ghosh S, Tudu B, Bhattacharyya N, et al. A recurrent Elman network in conjunction with an electronic nose for fast prediction of optimum fermentation time of black tea [J]. Neural Computing and Applications, 2019, 31(2): 1165-1171.

[101] Sharma P, Ghosh A, Tudu B, et al. Monitoring the fermentation process of black tea using QCM sensor based electronic nose [J]. Sensors and Actuators B: Chemical, 2015, 219: 146-157.

[102] Ghosh A, Bag A K, Sharma P, et al. Monitoring the fermentation process and detection of optimum fermentation time of black tea using an electronic tongue [J]. IEEE Sensors Journal, 2015, 15(11): 6255-6262.

[103] Dong C W, Liang G Z, Hu B, et al. Prediction of Congou black tea fermentation quality indices from color features using non-linear regression methods [J]. Scientific Reports, 2018, 8(1): 10535. doi: 10.1038/s41598-018-28767-2.

[104] Dong C W, Li J, Wang J J, et al. Rapid determination by near infrared spectroscopy of theaflavins-to-thearubigins ratio during Congou black tea fermentation process [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2018, 205: 227-234.

[105] Dong C W, Ye Y L, Yang C S, et al. Rapid detection of catechins during black tea fermentation based on electrical properties and chemometrics [J]. Food Bioscience, 2021, 40: 100855. doi: 10.1016/j.fbio.2020.100855.

[106] Yang C S, Zhao Y, An T, et al. Quantitative prediction and visualization of key physical and chemical components in black tea fermentation using hyperspectral imaging [J]. LWT, 2021, 141: 110975. doi: 10.1016/j.lwt.2021.110975.

[107] Jin G, Wang Y J, Li M H, et al. Rapid and real-time detection of black tea fermentation quality by using an inexpensive data fusion system [J]. Food Chemistry, 2021, 358: 129815. doi: 10.1016/j.foodchem.2021.129815.

[108] Tseng T S, Hsiao M H, Chen P A, et al. Utilization of a gas-sensing system to discriminate smell and to monitor fermentation during the manufacture of Oolong tea leaves [J]. Micromachines, 2021, 12(1): 93. doi: 10.3390/mi12010093.

Research Progress of Tea Quality Evaluation Technology

LIU Qi1,2, OUYANG Jian1,2, LIU Changwei1,2, CHEN Hongyu1,2, LI Juan1,2,3, XIONG Ligui1,2,3, LIU Zhonghua1,2,3*, HUANG Jianan1,2,3*

1. Key Laboratory of Tea Science of Ministry of Education, Changsha 410125, China; 2. National Research Center of Engineering and Technology for Utilization of Botanical Functional Ingredients, Changsha 410125, China; 3. Co-Innovation Center of Education Ministry for Utilization of Botanical Functional Ingredients, Changsha 410125, China

The quality of tea is the embodiment of the shape and inner quality of tea, and evaluating the quality of tea quickly and accurately is essential for tea trade and processing. Sensory evaluation, composition analysis and detection, and emerging technologies are the main tea quality evaluation techniques at present. This article summarized the research progress of three major evaluation technologies in recent years, and focused on the development trend of emerging technologies. Sensory evaluation is greatly influenced by subjective factors, but combined with quantitative description and analysis can reduce the influence of subjectivity. Component analysis detection has high threshold, difficult operation, time-consuming and labor-consuming, and the results obtained are relatively accurate. Emerging technologies are simple, fast, and non-destructive, but at present they cannot achieve satisfactory accuracy. In the tea product diversification today, only multi-dimensional comprehensive utilization of multiple methods can quickly and efficiently detect the quality of tea, and provide assistance for the healthy and efficient development of the tea industry.

tea quality, computer vision, spectroscopic techniques, electrochemical methods

S571.1

A

1000-369X(2022)03-316-15

2021-11-23

2022-01-04

湖南省重點研發計劃（2020NK2026、2020NK2047）、國家自然科學基金（32102004）、云南省科技人才和平臺計劃（202104AC100001-B01）

劉奇，男，碩士研究生，主要從事茶葉加工與品質化學方向研究。*通信作者：larkin-liu@163.com；jian7513@sina.com

（責任編輯：黃晨）