客家炒青绿茶加工过程中品质成分的动态变化

为了研究客家炒青绿茶加工过程中的主要品质成分动态变化规律，以广东客家小叶群体种-仙湖茶为原料，按摊青、杀青、揉捻、炒青、辉干等工艺制作炒青绿茶，对加工过程中的主要内含物成分及香气组成进行测定分析。结果显示，随着加工的进程，茶叶在制品含水率呈下降趋势，以“炒青”工序最为显著，含水率降至4.74%，降幅达91.63%；在“炒青”工序，茶叶生化成分含量变化最大：可溶性糖含量达到最大值5.71%，水浸出物含量达到最小值35.85%，氨基酸含量达到最小值2.71%。加工过程中，水浸出物、氨基酸、茶多酚及咖啡碱呈下降趋势，儿茶素总量及酯型儿茶素含量的变化趋势与茶多酚一致。香气组分以醇类物质为主，其中香叶醇、芳樟醇、二十八烷醇及叶绿醇等化合物在炒青绿茶不同阶段加工过程中占比较高且变化幅度较大。该研究揭示了客家炒青绿茶加工过程中的主要风味物质变化过程，可为优化客家炒青绿茶加工工艺与品质良好风味的形成提供数据参考。     

基于高光谱技术的红茶茶多酚可视化研究

目的 利用高光谱技术实现对英红九号红茶茶多酚含量的快速无损、可视化检测。方法 采集128个红茶光谱数据并进行光谱预处理后,引入蒙特卡罗-高斯分布方法寻找异常样本。经两次异常样本剔除,各模型预测集决定系数r²均有0.2～0.4的大幅提升。为解决大样本模型训练时间长、数据冗余问题,采用连续投影算法进行波长筛选,共得到14个能反映红茶茶多酚含量的特征波长,并比较了最小二乘回归、支持向量机回归、BP神经网路、粒子群优化最小二乘支持向量机回归(particle swarm optimization least squares support vector regression, PSO-LSSVR) 4种模型预测红茶茶多酚含量的精度。最后以最优模型建立茶多酚可视化模型。结果 合理剔除样本并以光谱特征为输入,结合PSO-LSSVR方法建立的模型效果最佳,其校正集决定系数为0.921,预测集决定系数为0.903,预测精度达到了90%以上,基本实现了茶多酚含量可视化检测。结论 可视化算法有效地反映了红茶茶多酚分布情况,适用于茶叶快速无损检测。     

基于内在品质参数的乌龙茶等级判别模型建立

茶叶等级评价是检测茶叶品质的重要技术手段,科学建立茶叶等级评价模型具有重要意义。本文以102个乌龙茶为研究对象,采用多种特征值筛选方法结合支持向量机算法建立基于特征内在品质参数的乌龙茶等级评价模型。同时,采用高光谱技术结合化学计量学,对特征品质参数建立基于特征波长的粒子群算法优化反向误差神经网络神经网络（PSO-BP）和麻雀搜索算法优化最小二乘支持向量机（SSA-LSSVM）的定量预测模型,最后对定量预测的化学值模型验证。结果表明,当参数组合酯型儿茶素、简单儿茶素、茶多酚、水浸出物、咖啡碱、表没食子儿茶素没食子酸酯（EGCG）六种化学值时的乌龙茶等级模型判别准确率最高,训练集的准确率为97.22%,预测集准确率为93.33%。基于特征波长的麻雀搜索算法优化最小二乘支持向量机（SSA-LSSVM）定量预测模型的预测精度更高且均方根误差更低,预测集的决定系数R2均在0.93～0.99之间。随机抽取30个乌龙茶样本六种化学值的最佳预测值,其判别准确率达90%。综上所述,基于内在品质参数组合对不同等级的乌龙茶准确判别是可行的,且基于高光谱技术的预测模型可以快速精准的获得其化学值大小,预测的化学...