高光谱成像技术在茶叶中的应用

本研究应用了400-1000nm的高光谱相机，可采用广东赛斯拜克科技有限公司产品SP130M进行相关研究。

茶叶，作为世界三大饮料之一，具有悠久的历史和丰富的文化内涵。随着科技的发展，茶叶生产与加工的技术也在不断进步。高光谱成像技术作为一种现代技术，在茶叶领域中发挥了重要的作用。本文将探讨高光谱成像技术在茶叶中的应用。

一、高光谱成像技术概述

高光谱成像技术是一种结合了光谱学和图像学的技术，它能够获取样品的光谱信息和图像信息。高光谱成像系统通常包括一台光谱仪和一台摄像机，能够同时获取样品的图像和光谱信息。这种技术被广泛应用于环境监测、农业、医学、食品科学等领域。

二、高光谱成像技术在茶叶中的应用

1. 茶叶品质检测

高光谱成像技术可以用于茶叶品质的检测。通过分析茶叶的高光谱数据，可以提取出茶叶的特征信息，如叶绿素、类胡萝卜素、水分、茶多酚等成分的含量。这些特征信息可以用于构建茶叶品质的评价模型，实现茶叶品质的快速、无损检测。

2. 茶叶病虫害检测

茶叶病虫害会严重影响茶叶的品质和产量。高光谱成像技术可以用于检测茶叶病虫害。通过对病虫害叶片的高光谱数据进行建模和分析，可以提取出病虫害的特征信息，从而实现病虫害的早期发现和防治。

3. 茶叶种植决策支持

高光谱成像技术可以用于茶叶种植的决策支持。通过对茶叶生长环境的监测和分析，可以获取茶叶的生长状况、土壤养分状况等信息，为茶叶种植的决策提供科学依据。

4. 茶叶加工过程监控

高光谱成像技术可以用于茶叶加工过程的监控。在茶叶加工过程中，通过对加工原料和加工产品的光谱信息和图像信息进行实时监测和分析，可以实现茶叶加工过程的自动化控制和产品质量的有效监控。

三、高光谱成像技术在茶叶中的应用研究

高光谱成像技术在茶叶中的应用尚处于试验发展阶段，通常采用对原始光谱信息前处理后，利用原始光谱反射率、一阶导数光谱反射率、光谱纹理特征参数及相应转换等作为自变量，运用偏最小二乘法、径向基函数（RBF）、支持向量机、多元回归等算法，建立茶鲜叶叶绿素、成茶品质指标等为因变量的预测模型，通过反演，对茶树的生长和茶叶品质及茶类识别进行估算和检测。目前相关研究主要集中于茶树栽培管理监测、茶叶等级划分和茶类识别。

3.1 栽培管理监测

叶绿素是植物叶片的基本组成物质，通过对光能的吸收、传递和转化等作用实现对植物生长发育营养来源的供应，其含量的高低可间接反映植物生长状况、光合作用及抗逆性能力，因此，叶绿素可作为植物生长和环境胁迫等方面的敏感指示器；同时，叶绿素是绿茶外观和叶底的主要呈色物质，对绿茶或其他茶类品质的形成具有重要作用，因此，对其含量及分布的在线、无损检测对茶树生长势检测、估产、营养诊断、施肥及茶叶加工等方面具有重要的指导意义。叶绿素含量检测通常采用分光光度法，但该方法检测时存在耗时、费力、有损等不足，无损检测方法多集中于近红外光谱法、叶绿素荧光检测法等。近红外光谱是基于特定波长范围下对应化合物基团（如C-H、N-H、O-H等）对光能吸收产生的图谱，而荧光检测是基于物质原子或分子吸收电磁辐射后受激发而发射出的特征辐射形成的检测方法，两者均存在吸收强度弱、检测范围局限等缺点。此外，近红外光谱检测和荧光检测技术的光谱采集方式实则为高光谱成像技术光谱采集方式中的2种，而该技术光谱采集中其他采集方式，如透射、散射等以及从紫外到中红外的更宽的光谱覆盖面将会获取待测物更多的目标信息，因此融合光谱数据和图像数据信息的高光谱成像技术可以弥补常规方法对叶面叶绿素含量及其分布检测的不足。该技术在柑橘、油菜、南瓜等农作物叶片叶绿素含量及分布进行了成功的反演，但在茶叶领域的相关研究相对较少。

图2 第5、6片叶绿素含量与原始光谱和一阶导数光谱间的相关系数图

孔庆波等研究发现，铁观音第5、第6片叶的叶绿素含量与716nm处的原始光谱反射率（R716）和640nm处的一阶导数光谱反射率（DV640）具有相对较高的相关系数，其中单变量模型以DV640建立的逆函数模型最佳，拟合R2值最大；赵杰文等利用高光谱分析茶树叶片叶绿素含量及其分布发现，采用的7种光谱图像数据处理算法中，二次土壤调节植被指数（MSAVI2）算法提取的特征参数与叶绿素参考测量结果建立的回归预测模型具有较好的校正和预测结果，在去除光谱本身分辨率、叶缘起伏造成反射不均等因素后，基于MSAVI2预测模型也可较为准确的估算出叶表面叶绿素分布情况；王开亮对叶绿素含量预测和分布的相似研究发现，依据高光谱数据的光谱信息建立的无信息变量消除连续投影PLS和联合区间偏最小二乘法（siPLS）预测模型对叶绿素含量和分布具有较好的预测效果，而依据光谱数据图像信息，采用主成分分析选取特征波长后，依据灰度统计矩算法建立的叶绿素含量预测优于灰度共生矩阵预测模型。

此外，茶叶中氮素是合成蛋白质和叶绿素的重要组成部分，通过参与酶的合成直接或间接的影响茶树代谢和生长发育，尤其是对茶叶氨基酸种类和含量具有重要作用，最终影响成茶香气种类和滋味鲜爽度，因此，茶树氮素营养状况的检测也是茶树栽培管理的重要内容之一。目前，传统氮素测量方法有凯氏定氮法，测量过程较为繁琐，其余方法有肥料窗口法和叶色卡片法，但都属于定性和半定量方法，而之后研究开发的叶绿素仪也受作物品种、成熟阶段、测量叶位等差异影响。有研究指出，水稻叶片氮含量的敏感波段为绿光（525~605nm）、黄光（605~655nm）、短波近红外光（750~1100nm）；胡永光等研究发现，在可见-近红外光谱范围内，去除1350~1400、1800~1920、2400~2500nm波段后，通过一阶导数与滑动平均滤波相结合的预处理方法，然后结合PCA建立的PLSR模型对茶树鲜叶全氮量预测效果最好。基于相似原理，高光谱成像技术茶鲜叶全氮量的测量将更具客观性和整体性。

3.2 病虫害管理监测

茶树遭遇病虫害侵袭后，叶面部分区域的色素含量或完整性会发生变化形成病斑，而未受侵害区域仍保持正常色泽，且侵害部位随危害程度呈阶段性变化。如茶炭疽病感染后，茶叶病斑由暗绿色向褐色（或红褐色）最后呈灰白色变化，发病部位由叶缘（或叶尖）沿叶脉蔓延扩大；茶尺蠖幼虫取食嫩叶成花斑，稍大后咬食叶片成“C”型，而后开始取食全叶，随着成虫密度增大，为害部位由嫩叶、老叶至嫩茎扩散。由此，对病虫害的早期诊断与预防对保证茶叶品质和产量显得尤为重要。目前，传统的检测方法需要人工观察气候条件或叶片变化以及对各种病虫害的系统进行识别，这对观察人员的专业素养要求较高，也存在工作量大、周期长、信息反馈滞后等缺点，而常规光谱技术采集信息包含整体区域的光谱反射值，影响分析和建模的准确性。高光谱成像技术可以对目标的影像信息和光谱信息进行同步采集，可更为直观、准确、动态地分析特定区域的物质结构、化学组成及危害程度，现已在水稻穗瘟病害程度分级、菜青虫生命状态检测、芒果果蝇侵害程度识别等农作物病虫害检测中得到应用。

图１ 不同受害程度茶树叶片光谱反射率

刘建雄等对茶尺蠖啃食的茶园高光谱对比分析发现，茶园部分光谱特征参数与叶面积指数存在相关性，其中以红边峰区一阶导数积分值的拟合回归模型的相关系数最高，达0.995，所建立预测模型的预测值与实际值相关系数达0.93，平均相对误差为4.46%，由此提出可以利用高光谱遥感技术对产业化和规模化茶园的茶尺蠖危害程度进行监测。伍南等研究表明，利用高光谱参数反演油茶炭疽病病情具有可行性；王晓庆等研究发现，茶树崇枇71-1受炭疽病胁迫程度与叶片高光谱反射率存在敏感波段为742~974nm和1374~2500nm，而与光谱反射率的一阶微分转换后又存在2个敏感波段，分别为715~763nm和776~778nm，且基于一阶微分值的植被指数（Rg-Rr）/（Rg+Rr）对炭疽病危害程度具有较好的预测效果。综上，高光谱成像技术在茶树病虫害的应用研究仅涉及茶尺蠖和茶炭疽病，因此其具有很大的发展前景。而茶树受病害和虫害（食叶类、吸汁类）侵袭后的病理特征所表现出的特殊光谱反射率和图像纹理参数，为病虫害程度的预测和综合防治提供了数据基础，也为下一步开展田间病虫害提供了重要的理论依据和指导，但田间茶园冠层高光谱值受外界干扰因素较多，其诊断模型的推广还需进一步校正。

3.3 生产加工监测

茶叶生产加工的在线监测为实现生产连续化、自动化乃至智能化奠定了基础，目前茶叶加工过程仍侧重于工艺改善和品质成分的化学检测，而仪器化的在线监测技术仍处于发展阶段。已有的茶叶加工在线监测多为电子鼻技术、机器视觉、近红外等，而针对高光谱成像技术的茶叶加工监测鲜有报道。含水量是保证茶叶生产加工有序进行和成茶品质等级的重要评价指标，如绿茶杀青叶失水快慢及杀青老嫩程度、红茶萎调叶失水快慢及程度等都将直接制约后续做形、干燥工序，并对成茶色泽、香气、滋味等内含品质产生重要影响，因此，含水量的实时检测对茶叶生产的连续化和自动化意义重大。实际生产中，茶叶含水量的检测以眼观、手摸等感官为主，经验性较强，而基于电特性参数和近红外光谱的检测技术具有一定局限性，如基于电特性参数的预测模型对原料外观形状、温度、压紧程度、测试电频、制品含水量范围等要求较高，检测范围和精准度较差，近红外光谱主要检测目标成分的光谱反射率变化，但在实际生产加工中，茶叶失水同时伴随外观纹理特征的变化（如外形尺寸、色泽等），需要机器视觉辅助检测，而高光谱成像技术的应用正好综合了这两者的优势。

李浬从龙井茶近红外高光谱图像中遴选出特征波段，并分别使用灰度共生矩阵法（GLCM）、灰度游程法（GLRLM）及三维Gabor过滤器法（TDGF）提取纹理特征值，基于光谱特征和纹理特征分别采用主成分分析与偏最小二乘法回归结合模型和连续投影分析与偏最小二乘法回归结合模型对其含水率进行预测，取得了良好的预测效果。陈培培采用主成分分析法提取绿茶杀青叶料特征波长，然后根据共生矩阵方法提取出6个灰度特征值和5个纹理特征值，最后综合灰度和纹理特征值进行主成分回归、神经网络以及SVM回归分析预测杀青叶含水量，结果表明SVM回归模型效果较好，且相关系数为0.8566、均方根误差为0.0401。茶叶加工过程在制品外观纹理和品质成分的变化为高光谱成像技术的应用奠定了物质基础，今后可促进该技术在茶叶领域更多后续研究的开展，实现生产效率和生产品质的提高，以满足不同消费需求。