安徽农业大学 茶树生物学与资源利用国家重点实验室的宁井铭、李姝寰、王玉洁等人采用4 种原料进行拼配，依次逐步判别。以不同等级不同唛号的祁门红毛茶为原料，按照一定比例进行拼配，采集拼配样本的高光谱图像，利用连续投影算法筛选特征光谱变量，并基于灰度共生矩阵提取图像的纹理值，融合光谱和纹理特征值建立茶叶拼配比例的定量预测模型，构建拼配比例求解与优化算法。本研究将为茶叶拼配工艺提供一种品质定量评估的新方法，研究结果有利于提高拼配工艺的自动化、智能化水平，推进茶叶生产标准化。
1、不同样品的光谱差异
本实验采集908～1735 nm波长范围的近红外光谱数据，选择图像中间100×100像素范围为感兴趣区域（ROI），提取ROI所有像素的光谱值，并计算出其平均值，作为这个样本的光谱值。化学含量以及物理特征的不同，样本对特定的波长有着不同的反射率，通过分析光谱信号的差异实现样本品质信息的定性或者定量检测。原料C和原料D光谱值差异比较明显。
2、图像纹理特征值分析结果
基于灰度共生矩阵的方法来计算茶样图像的纹理，提取5 个特征波长下的纹理特征为特征变量。即对A和B在1107、1187、1307、1435、1655 nm波长处的灰度图像分别提取0°、45°、90°、135°的对比度、同质性、能量和相关性。对C和D在1112、1193、1307、1438、1655 nm波长处的灰度图像分别提取4 个角度的对比度、同质性、能量和相关性。在茶样表面沟纹越深、灰度差越大，则对比度越大，反之越小；若茶样灰度分布均匀、纹理较粗糙，则能量值越大，反之越小；同质性体现目标图像的局部平滑；茶样的灰度共生矩阵值均匀相等时，相关性较大，反之较小。
3、定量预测模型的建立结果
以光谱特征值和纹理特征值融合数据作为LS-SVM模型的输入值时预测结果最好，原料A与原料B拼配样预测集判别率为91.89%，原料C和原料D拼配样预测集判别率为86.13%，茶样P1和茶样P2拼配样预测集判别率为94.5%，其中通过预测茶样P1、P2配比，即可分别得到原料A、B、C、D的配比，可以间接解决4 个原料茶样拼配预测配比的问题。结果表明本研究能实现对拼配茶样配比的量化判别。
4、模型的验证结果
本实验对以上30 个拼配样本审评，并将原料茶样A、B、C和D作为标准样。由于光谱信息是对内质的反映，所以更偏重于对滋味的评审，并依据GB/T 13738.2—2017《红茶 第2部分：工夫红茶》感官品质要求进行评分，从审评结果可以看出，编号分别为7、26、29、30的样本所得分数与组内其他样本分数相差相对较大，与模型验证的结果一致。
讨论
本研究利用高光谱图像技术获取经4 种茶原料按照一定比例拼配出的茶样的光谱图像，通过PCA法提取出5 个特征波长，然后进行光谱数据与图像纹理数据的提取，本实验尝试基于光谱信息和图像信息融合技术结合模式识别，预测拼配茶叶的配比。结果显示，融合光谱和纹理特征值结合LS-SVM模型算法，建立拼配茶叶配比预测模型，判别率最高，达到94.5%，预测结果较好。用模型以外的随机30 个样本进行对模型进行验证，结果其中有4 个样本发生误判，总判别率为86.7%，因采用的原料在品质上接近，对结果有一定的影响。目前，拼配茶叶的配比通过高光谱图像技术结合数学模型可以相对准确地预测出，但是，实际生产中，茶叶拼配原料需要很多种，比较复杂，需要大量的数据对模型进行进一步的训练和优化，从而求解标准茶样中各原料的比例。
