在茶葉市場上，茶葉摻假、低質量茶作為**茶、舊茶作為新茶的問題也不時出現在上。在高經濟利潤的推動下，市場上偶爾會發生鐵觀音摻假。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，但在銷售過程中價格相差很大。普通消費者很難區分茶葉的真實性，這嚴重侵犯了消費者和經營者的合法權益。在此背景下，迫切需要一種快速、無損的檢測茶葉摻假的方法。
四川農業大學康志亮教授團隊利用我司高光譜設備（GaiaField-V10E）及配套的熒光系統，對鐵觀音摻假程度的進行無損檢測。作為一種新的檢測方法，熒光高光譜技術為食品檢測提供了獨特的優勢，其基本原理是當一種物質被特定波長的入射光照射時，其分子吸收光能并從基態進入激發態，然后立即去激發并發射出光。圖1熒光高光譜成像系統。
圖1 熒光高光譜成像系統
在這項研究中，摻假茶和純鐵觀音在形狀、顏色和內部成分上只有輕微差異，這增加了檢測茶葉摻假的難度。摻假茶葉樣本的比例符合市場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，茶葉中的不同物質會吸收不同波段的光，并在不同波段發出熒光。
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為經過PCA后的六個等級的茶葉三維分布圖。為了對茶葉進行摻假檢測。本研究在實驗方案中建立了純鐵觀音和摻假鐵觀音的兩級判別模型，以快速鑒別摻假與否；另一方面，建立了六級判別模型，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別。
圖2 六個摻假等級茶葉的PCA分布圖
首先，熒光高光譜成像系統獲得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，選擇Savitzky–Golay（SG）、乘性散射校正（MSC）和標準正態變量（SVN）對熒光高光譜數據進行預處理。并且對預處理方法進行參數的比較。表1為不同預處理方法在SVM下的評價指標。
表1 不同預處理方法下的評價指標
|
Methods
|
|
Sensitivity
|
Specificity
|
Accuracy
|
Time
|
|
RAW
|
Calibration
|
75.86%
|
100.00%
|
95.63%
|
1.9588
|
|
Prediction
|
84.21%
|
100.00%
|
96.25%
|
|
SNV
|
Calibration
|
100.00%
|
100.00%
|
100.00%
|
2.1267
|
|
Prediction
|
89.47%
|
100.00%
|
97.50%
|
|
MSC
|
Calibration
|
100.00%
|
100.00%
|
100.00%
|
1.7759
|
|
Prediction
|
94.74%
|
98.36%
|
97.50%
|
|
SG-7
|
Calibration
|
100.00%
|
100.00%
|
100.00%
|
1.7861
|
|
Prediction
|
100.00%
|
100.00%
|
100.00%
|
|
|
|
|
(a)
|
(b)
|
圖3 摻假茶葉的平均光譜曲線
此外，還采用了連續投影算法（SPA）、競爭自適應加權采樣（CARS）、隨機青蛙算法（RF）和無信息變量消除（UVE）來提取茶葉光譜信息的特征波長。
建立了二分類模型（區分純鐵觀音和摻假鐵觀音）和六分類模型（區分純鐵觀音和五個摻假等級的茶葉）。在確定模型的預處理（SG）方法后，選擇特征波長對模型進行簡化。在SG平滑后，應用了四種特征選擇方法。SG平滑結合SPA、CARS、RF和UVE算法，將104個通道分別減少到33、11、44和46個通道。圖4顯示了SG-CARS之后的特征選擇。SG7平滑結合四種特征波長選擇方法的評價指標如表2所示。所有的特征選擇方法都有助于降低數據維數。
圖4 SG-CARS后的特征選擇
表2 不同特征選擇方法下的評價指標
|
SG7
|
Number
|
|
Sensitivity
|
Specificity
|
Accuracy
|
Time (s)
|
|
SPA
|
41
|
Calibration
|
100.00%
|
100.00%
|
100.00%
|
1.2147
|
|
Prediction
|
98.51%
|
100.00%
|
98.75%
|
|
CARS
|
11
|
Calibration
|
100.00%
|
100.00%
|
100.00%
|
1.2088
|
|
Prediction
|
100.00%
|
100.00%
|
100.00%
|
|
RF
|
44
|
Calibration
|
100.00%
|
100.00%
|
100.00%
|
1.1935
|
|
Prediction
|
100.00%
|
94.74%
|
100.00%
|
|
UVE
|
41
|
Calibration
|
100.00%
|
100.00%
|
100.00%
|
1.1829
|
|
Prediction
|
100.00%
|
100.00%
|
100.00%
|
在建立六分類模型過程中。首先，與兩分類模型一樣，將不同的預處理方法與支持向量機相結合，建立了四類判別模型。然后，為了簡化模型，選擇了四種特征選擇方法來篩選模型的特征波長，這有利于提高模型的效果和精度。所有模型的結果如表3所示。其中，六分類模型和兩分類模型的預處理方法存在差異。通過使用SNV和MSC，提高了分類模型的準確性。
特征選擇后，這些模型的總體趨勢大致相同。純鐵觀音、10%和30%摻假茶葉的準確率幾乎為100%，但摻假程度為40%的準確率不高，表明該模型可能無法準確區分鐵觀音的摻假水平。相比之下，在SNV之后，模型的整體準確性得到了提高。在RF之后，整體準確度提高了1.09%，僅用時0.002秒。在該分類中，純鐵觀音和10%和30%的摻假茶被準確預測；模型的變化也提高了茶葉剩余摻假比例的準確性。考慮到整體影響，RF在建立分類模型方面表現出更高的效率。總之，SNV-RF-SVM是區分純茶和摻假茶的*佳方法，其總準確率為94.27%，僅需0.00698秒。
表3 六分類模型評價指標
|
Preprocessing
|
Methods
|
Number
|
Class Accuracy
|
Overall Accuracy
|
|
|
0%
|
10%
|
20%
|
30%
|
40%
|
50%
|
Time
|
|
RAW
|
NO
|
104
|
100.00%
|
100.00%
|
100.00%
|
100.00%
|
59.09%
|
100.00%
|
93.18%
|
0.01396
|
|
SPA
|
33
|
100.00%
|
100.00%
|
78.57%
|
81.82%
|
45.45%
|
100.00%
|
84.31%
|
0.01396
|
|
CARS
|
19
|
100.00%
|
100.00%
|
78.57%
|
100.00%
|
36.36%
|
78.57%
|
82.25%
|
0.01296
|
|
RF
|
60
|
100.00%
|
100.00%
|
78.57%
|
100.00%
|
36.36%
|
78.57%
|
82.25%
|
0.01396
|
|
UVE
|
41
|
100.00%
|
100.00%
|
78.57%
|
100.00%
|
45.45%
|
100.00%
|
87.34%
|
0.01300
|
|
MSC
|
NO
|
104
|
100.00%
|
100.00%
|
92.86%
|
100.00%
|
68.18%
|
100.00%
|
93.51%
|
0.01097
|
|
SPA
|
34
|
100.00%
|
94.74%
|
64.29%
|
100.00%
|
54.55%
|
78.57%
|
82.03%
|
0.00801
|
|
CARS
|
11
|
100.00%
|
100.00%
|
71.43%
|
72.73%
|
40.91%
|
78.57%
|
77.27%
|
0.00798
|
|
RF
|
55
|
100.00%
|
100.00%
|
71.43%
|
100.00%
|
63.64%
|
92.86%
|
87.99%
|
0.00898
|
|
UVE
|
34
|
100.00%
|
100.00%
|
71.43%
|
100.00%
|
59.09%
|
85.71%
|
86.04%
|
0.00997
|
|
SNV
|
NO
|
104
|
100.00%
|
100.00%
|
92.86%
|
100.00%
|
68.18%
|
100.00%
|
93.51%
|
0.00798
|
|
SPA
|
27
|
100.00%
|
100.00%
|
85.71%
|
81.82%
|
54.55%
|
85.71%
|
84.63%
|
0.00698
|
|
CARS
|
14
|
100.00%
|
100.00%
|
78.57%
|
100.00%
|
45.45%
|
71.43%
|
82.58%
|
0.00499
|
|
RF
|
57
|
100.00%
|
100.00%
|
92.86%
|
100.00%
|
72.73%
|
100.00%
|
94.27%
|
0.00698
|
|
UVE
|
46
|
100.00%
|
100.00%
|
64.29%
|
100.00%
|
59.09%
|
85.71%
|
84.85%
|
0.00698
|
|
SG
|
NO
|
104
|
100.00%
|
100.00%
|
85.71%
|
100.00%
|
45.45%
|
100.00%
|
88.53%
|
0.00898
|
|
SPA
|
41
|
100.00%
|
100.00%
|
71.42%
|
72.73%
|
31.82%
|
71.43%
|
74.57%
|
0.00798
|
|
CARS
|
11
|
100.00%
|
100.00%
|
92.86%
|
72.73%
|
45.45%
|
100.00%
|
85.17%
|
0.00698
|
|
RF
|
44
|
100.00%
|
100.00%
|
78.57%
|
90.91%
|
45.45%
|
92.86%
|
84.63%
|
0.00798
|
|
UVE
|
41
|
100.00%
|
100.00%
|
78.57%
|
81.82%
|
36.36%
|
85.71%
|
80.41%
|
0.00898
|
**作者簡介：
康志亮，四川農業大學教授，碩士生導師。
主要研究方向：信號與信息處理、傳感器與檢測技術、自動控制。
參考文獻：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
