高光譜成像技術在茶葉中的應用

本研究應用了400-1000nm的高光譜相機，可采用廣東賽斯拜克科技有限公司產品SP130M進行相關研究。

茶葉，作為世界三大飲料之一，具有悠久的歷史和豐富的文化內涵。隨著科技的發展，茶葉生產與加工的技術也在不斷進步。高光譜成像技術作為一種現代技術，在茶葉領域中發揮了重要的作用。本文將探討高光譜成像技術在茶葉中的應用。

一、高光譜成像技術概述

高光譜成像技術是一種結合了光譜學和圖像學的技術，它能夠獲取樣品的光譜信息和圖像信息。高光譜成像系統通常包括一臺光譜儀和一臺攝像機，能夠同時獲取樣品的圖像和光譜信息。這種技術被廣泛應用于環境監測、農業、醫學、食品科學等領域。

二、高光譜成像技術在茶葉中的應用

1. 茶葉品質檢測

高光譜成像技術可以用于茶葉品質的檢測。通過分析茶葉的高光譜數據，可以提取出茶葉的特征信息，如葉綠素、類胡蘿卜素、水分、茶多酚等成分的含量。這些特征信息可以用于構建茶葉品質的評價模型，實現茶葉品質的快速、無損檢測。

2. 茶葉病蟲害檢測

茶葉病蟲害會嚴重影響茶葉的品質和產量。高光譜成像技術可以用于檢測茶葉病蟲害。通過對病蟲害葉片的高光譜數據進行建模和分析，可以提取出病蟲害的特征信息，從而實現病蟲害的早期發現和防治。

3. 茶葉種植決策支持

高光譜成像技術可以用于茶葉種植的決策支持。通過對茶葉生長環境的監測和分析，可以獲取茶葉的生長狀況、土壤養分狀況等信息，為茶葉種植的決策提供科學依據。

4. 茶葉加工過程監控

高光譜成像技術可以用于茶葉加工過程的監控。在茶葉加工過程中，通過對加工原料和加工產品的光譜信息和圖像信息進行實時監測和分析，可以實現茶葉加工過程的自動化控制和產品質量的有效監控。

三、高光譜成像技術在茶葉中的應用研究

高光譜成像技術在茶葉中的應用尚處于試驗發展階段，通常采用對原始光譜信息前處理后，利用原始光譜反射率、一階導數光譜反射率、光譜紋理特征參數及相應轉換等作為自變量，運用偏最小二乘法、徑向基函數（RBF）、支持向量機、多元回歸等算法，建立茶鮮葉葉綠素、成茶品質指標等為因變量的預測模型，通過反演，對茶樹的生長和茶葉品質及茶類識別進行估算和檢測。目前相關研究主要集中于茶樹栽培管理監測、茶葉等級劃分和茶類識別。

3.1 栽培管理監測

葉綠素是植物葉片的基本組成物質，通過對光能的吸收、傳遞和轉化等作用實現對植物生長發育營養來源的供應，其含量的高低可間接反映植物生長狀況、光合作用及抗逆性能力，因此，葉綠素可作為植物生長和環境脅迫等方面的敏感指示器；同時，葉綠素是綠茶外觀和葉底的主要呈色物質，對綠茶或其他茶類品質的形成具有重要作用，因此，對其含量及分布的在線、無損檢測對茶樹生長勢檢測、估產、營養診斷、施肥及茶葉加工等方面具有重要的指導意義。葉綠素含量檢測通常采用分光光度法，但該方法檢測時存在耗時、費力、有損等不足，無損檢測方法多集中于近紅外光譜法、葉綠素熒光檢測法等。近紅外光譜是基于特定波長范圍下對應化合物基團（如C-H、N-H、O-H等）對光能吸收產生的圖譜，而熒光檢測是基于物質原子或分子吸收電磁輻射后受激發而發射出的特征輻射形成的檢測方法，兩者均存在吸收強度弱、檢測范圍局限等缺點。此外，近紅外光譜檢測和熒光檢測技術的光譜采集方式實則為高光譜成像技術光譜采集方式中的2種，而該技術光譜采集中其他采集方式，如透射、散射等以及從紫外到中紅外的更寬的光譜覆蓋面將會獲取待測物更多的目標信息，因此融合光譜數據和圖像數據信息的高光譜成像技術可以彌補常規方法對葉面葉綠素含量及其分布檢測的不足。該技術在柑橘、油菜、南瓜等農作物葉片葉綠素含量及分布進行了成功的反演，但在茶葉領域的相關研究相對較少。

圖2 第5、6片葉綠素含量與原始光譜和一階導數光譜間的相關系數圖

孔慶波等研究發現，鐵觀音第5、第6片葉的葉綠素含量與716nm處的原始光譜反射率（R716）和640nm處的一階導數光譜反射率（DV640）具有相對較高的相關系數，其中單變量模型以DV640建立的逆函數模型最佳，擬合R2值最大；趙杰文等利用高光譜分析茶樹葉片葉綠素含量及其分布發現，采用的7種光譜圖像數據處理算法中，二次土壤調節植被指數（MSAVI2）算法提取的特征參數與葉綠素參考測量結果建立的回歸預測模型具有較好的校正和預測結果，在去除光譜本身分辨率、葉緣起伏造成反射不均等因素后，基于MSAVI2預測模型也可較為準確的估算出葉表面葉綠素分布情況；王開亮對葉綠素含量預測和分布的相似研究發現，依據高光譜數據的光譜信息建立的無信息變量消除連續投影PLS和聯合區間偏最小二乘法（siPLS）預測模型對葉綠素含量和分布具有較好的預測效果，而依據光譜數據圖像信息，采用主成分分析選取特征波長后，依據灰度統計矩算法建立的葉綠素含量預測優于灰度共生矩陣預測模型。

此外，茶葉中氮素是合成蛋白質和葉綠素的重要組成部分，通過參與酶的合成直接或間接的影響茶樹代謝和生長發育，尤其是對茶葉氨基酸種類和含量具有重要作用，最終影響成茶香氣種類和滋味鮮爽度，因此，茶樹氮素營養狀況的檢測也是茶樹栽培管理的重要內容之一。目前，傳統氮素測量方法有凱氏定氮法，測量過程較為繁瑣，其余方法有肥料窗口法和葉色卡片法，但都屬于定性和半定量方法，而之后研究開發的葉綠素儀也受作物品種、成熟階段、測量葉位等差異影響。有研究指出，水稻葉片氮含量的敏感波段為綠光（525~605nm）、黃光（605~655nm）、短波近紅外光（750~1100nm）；胡永光等研究發現，在可見-近紅外光譜范圍內，去除1350~1400、1800~1920、2400~2500nm波段后，通過一階導數與滑動平均濾波相結合的預處理方法，然后結合PCA建立的PLSR模型對茶樹鮮葉全氮量預測效果最好?；谙嗨圃?，高光譜成像技術茶鮮葉全氮量的測量將更具客觀性和整體性。

3.2 病蟲害管理監測

茶樹遭遇病蟲害侵襲后，葉面部分區域的色素含量或完整性會發生變化形成病斑，而未受侵害區域仍保持正常色澤，且侵害部位隨危害程度呈階段性變化。如茶炭疽病感染后，茶葉病斑由暗綠色向褐色（或紅褐色）最后呈灰白色變化，發病部位由葉緣（或葉尖）沿葉脈蔓延擴大；茶尺蠖幼蟲取食嫩葉成花斑，稍大后咬食葉片成“C”型，而后開始取食全葉，隨著成蟲密度增大，為害部位由嫩葉、老葉至嫩莖擴散。由此，對病蟲害的早期診斷與預防對保證茶葉品質和產量顯得尤為重要。目前，傳統的檢測方法需要人工觀察氣候條件或葉片變化以及對各種病蟲害的系統進行識別，這對觀察人員的專業素養要求較高，也存在工作量大、周期長、信息反饋滯后等缺點，而常規光譜技術采集信息包含整體區域的光譜反射值，影響分析和建模的準確性。高光譜成像技術可以對目標的影像信息和光譜信息進行同步采集，可更為直觀、準確、動態地分析特定區域的物質結構、化學組成及危害程度，現已在水稻穗瘟病害程度分級、菜青蟲生命狀態檢測、芒果果蠅侵害程度識別等農作物病蟲害檢測中得到應用。

圖１ 不同受害程度茶樹葉片光譜反射率

劉建雄等對茶尺蠖啃食的茶園高光譜對比分析發現，茶園部分光譜特征參數與葉面積指數存在相關性，其中以紅邊峰區一階導數積分值的擬合回歸模型的相關系數最高，達0.995，所建立預測模型的預測值與實際值相關系數達0.93，平均相對誤差為4.46%，由此提出可以利用高光譜遙感技術對產業化和規?；鑸@的茶尺蠖危害程度進行監測。伍南等研究表明，利用高光譜參數反演油茶炭疽病病情具有可行性；王曉慶等研究發現，茶樹崇枇71-1受炭疽病脅迫程度與葉片高光譜反射率存在敏感波段為742~974nm和1374~2500nm，而與光譜反射率的一階微分轉換后又存在2個敏感波段，分別為715~763nm和776~778nm，且基于一階微分值的植被指數（Rg-Rr）/（Rg+Rr）對炭疽病危害程度具有較好的預測效果。綜上，高光譜成像技術在茶樹病蟲害的應用研究僅涉及茶尺蠖和茶炭疽病，因此其具有很大的發展前景。而茶樹受病害和蟲害（食葉類、吸汁類）侵襲后的病理特征所表現出的特殊光譜反射率和圖像紋理參數，為病蟲害程度的預測和綜合防治提供了數據基礎，也為下一步開展田間病蟲害提供了重要的理論依據和指導，但田間茶園冠層高光譜值受外界干擾因素較多，其診斷模型的推廣還需進一步校正。

3.3 生產加工監測

茶葉生產加工的在線監測為實現生產連續化、自動化乃至智能化奠定了基礎，目前茶葉加工過程仍側重于工藝改善和品質成分的化學檢測，而儀器化的在線監測技術仍處于發展階段。已有的茶葉加工在線監測多為電子鼻技術、機器視覺、近紅外等，而針對高光譜成像技術的茶葉加工監測鮮有報道。含水量是保證茶葉生產加工有序進行和成茶品質等級的重要評價指標，如綠茶殺青葉失水快慢及殺青老嫩程度、紅茶萎調葉失水快慢及程度等都將直接制約后續做形、干燥工序，并對成茶色澤、香氣、滋味等內含品質產生重要影響，因此，含水量的實時檢測對茶葉生產的連續化和自動化意義重大。實際生產中，茶葉含水量的檢測以眼觀、手摸等感官為主，經驗性較強，而基于電特性參數和近紅外光譜的檢測技術具有一定局限性，如基于電特性參數的預測模型對原料外觀形狀、溫度、壓緊程度、測試電頻、制品含水量范圍等要求較高，檢測范圍和精準度較差，近紅外光譜主要檢測目標成分的光譜反射率變化，但在實際生產加工中，茶葉失水同時伴隨外觀紋理特征的變化（如外形尺寸、色澤等），需要機器視覺輔助檢測，而高光譜成像技術的應用正好綜合了這兩者的優勢。

李浬從龍井茶近紅外高光譜圖像中遴選出特征波段，并分別使用灰度共生矩陣法（GLCM）、灰度游程法（GLRLM）及三維Gabor過濾器法（TDGF）提取紋理特征值，基于光譜特征和紋理特征分別采用主成分分析與偏最小二乘法回歸結合模型和連續投影分析與偏最小二乘法回歸結合模型對其含水率進行預測，取得了良好的預測效果。陳培培采用主成分分析法提取綠茶殺青葉料特征波長，然后根據共生矩陣方法提取出6個灰度特征值和5個紋理特征值，最后綜合灰度和紋理特征值進行主成分回歸、神經網絡以及SVM回歸分析預測殺青葉含水量，結果表明SVM回歸模型效果較好，且相關系數為0.8566、均方根誤差為0.0401。茶葉加工過程在制品外觀紋理和品質成分的變化為高光譜成像技術的應用奠定了物質基礎，今后可促進該技術在茶葉領域更多后續研究的開展，實現生產效率和生產品質的提高，以滿足不同消費需求。