基于高光譜技術(shù)的鐵觀音茶葉等級(jí)判別

于英杰，王瓊瓊，王冰玉，陳 君，孫威江,2,*

（1.福建農(nóng)林大學(xué)園藝學(xué)院，福建 福州 350002；2.福建農(nóng)林大學(xué)安溪茶學(xué)院，福建 泉州 362000）

基于高光譜技術(shù)的鐵觀音茶葉等級(jí)判別

于英杰1，王瓊瓊1，王冰玉1，陳 君1，孫威江1,2,*

（1.福建農(nóng)林大學(xué)園藝學(xué)院，福建 福州 350002；2.福建農(nóng)林大學(xué)安溪茶學(xué)院，福建 泉州 362000）

應(yīng)用高光譜技術(shù)結(jié)合支持向量機(jī)分類理論對(duì)不同等級(jí)的鐵觀音茶葉進(jìn)行判別分析。采集鐵觀音各等級(jí)茶樣的高光譜數(shù)據(jù)，提取紅邊幅值、藍(lán)邊位置、黃邊面積、紅谷反射率、歸一化植被指數(shù)等共20 個(gè)光譜特征參數(shù)，以其作為輸入量帶入以徑向基函數(shù)作為核函數(shù)的支持向量機(jī)分類模型，探討懲罰參數(shù)C和核參數(shù)g的最佳取值，構(gòu)建判別模型，并對(duì)其進(jìn)行驗(yàn)證和評(píng)價(jià)。結(jié)果顯示，當(dāng)懲罰參數(shù)C和核參數(shù)g分別為106和0.007 5時(shí)，所建模型對(duì)未知等級(jí)的鐵觀音樣品正確判別率可達(dá)92.86%，表明應(yīng)用高光譜技術(shù)進(jìn)行鐵觀音茶葉等級(jí)的快速無(wú)損準(zhǔn)確鑒別是可行的。

高光譜技術(shù)；支持向量機(jī)；鐵觀音；等級(jí)判別

近年來(lái)，作為中國(guó)名茶之一的安溪鐵觀音，因其香氣馥郁、滋味甜鮮的品質(zhì)特征深得國(guó)內(nèi)外消費(fèi)者的喜愛(ài)，銷量逐年上漲，但茶葉定級(jí)混亂、原料混配、質(zhì)價(jià)不匹等現(xiàn)象嚴(yán)重影響消費(fèi)者的積極性以及鐵觀音的市場(chǎng)競(jìng)爭(zhēng)力，因此，建立一種快速準(zhǔn)確的鐵觀音等級(jí)判別方法已成為廣大茶葉生產(chǎn)者及消費(fèi)者的迫切需求。

茶葉的品質(zhì)指標(biāo)包括外部品質(zhì)指標(biāo)（色澤和外形等）和內(nèi)部品質(zhì)指標(biāo)（滋味和香氣等），傳統(tǒng)的茶葉感官審評(píng)定級(jí)方法易受審評(píng)者的主觀因素影響和環(huán)境干擾，審評(píng)結(jié)果往往不夠客觀，易引起爭(zhēng)議。對(duì)此，光譜技術(shù)[1]和圖像分析技術(shù)[2-3]逐漸被人們所關(guān)注并得到應(yīng)用，但二者均不能做到對(duì)茶葉品質(zhì)進(jìn)行“內(nèi)外兼顧”的綜合判別，而電子鼻[4]、電子舌[5]、氣相色譜-質(zhì)譜[6]、光譜圖像技術(shù)[7-8]等分析方法由于儀器昂貴、耗時(shí)耗工、掃描區(qū)域局限等原因也未能在茶葉的等級(jí)判別上得到廣泛應(yīng)用。高光譜技術(shù)作為一種綠色、快速、高效的無(wú)損檢測(cè)技術(shù)，其光譜掃描區(qū)域更廣泛，覆蓋紫外、可見(jiàn)光、近紅外和中紅外區(qū)域，可以得到大量細(xì)分且連續(xù)的高分辨率波段信息，提取到更多的光譜特征參數(shù)，更準(zhǔn)確、全面的表征被測(cè)物質(zhì)[9]。蔣帆等[10]引入支持向量機(jī)（supportvector machine，SVM）分類方法，探討應(yīng)用高光譜技術(shù)進(jìn)行龍井茶等級(jí)判別的可行性。現(xiàn)如今，國(guó)內(nèi)外關(guān)于茶葉等級(jí)快速無(wú)損鑒別的相關(guān)研究較少，且大都以綠茶為研究對(duì)象，針對(duì)鐵觀音等其他茶葉品種的相關(guān)研究尚未見(jiàn)報(bào)道。本研究以鐵觀音為對(duì)象，采用高光譜技術(shù)結(jié)合SVM的分析方法，建立茶葉等級(jí)判別模型，以期為其他茶葉品種的科學(xué)快速定級(jí)研究提供方法借鑒。

1 材料與方法

1.1 材料

所有實(shí)驗(yàn)茶樣均為2012年秋茶鐵觀音，共5 個(gè)等級(jí)，分別為特級(jí)（T0）、一級(jí)（T1）、二級(jí)（T2）、三級(jí)（T3）、四級(jí)（T4），由福建省安溪鐵觀音集團(tuán)有限公司提供。

1.2 儀器與設(shè)備

FieldSpec Pro FRTM光譜儀 美國(guó)Analytical Spectral Device公司。

1.3 方法

每個(gè)等級(jí)各收集不同批次的茶樣40 份，其中30 份作為校正集樣本，10 份作為驗(yàn)證集樣本，每份樣本約15 g，盛放在直徑90 mm、高度20 mm的培養(yǎng)皿中，培養(yǎng)皿預(yù)先內(nèi)置反射率近似為零的黑色橡膠，以免影響實(shí)驗(yàn)數(shù)據(jù)。

采集上述樣品在350～2 500 nm波段范圍內(nèi)的反射率值，其中350～1 000 nm波段采樣間隔為1.4 nm，光譜分辨率為3 nm，1 000～2 500 nm波段采樣間隔為2 nm，光譜分辨率為10 nm。采集光譜數(shù)據(jù)時(shí)，將裝好樣品的培養(yǎng)皿垂直放置在距探頭0.1 m的位置，光源為50 W鹵化燈，距樣品表面距離0.45 m，方位角（即光源與樣品表面之間的夾角）為70°。每次采集數(shù)據(jù)前均進(jìn)行標(biāo)準(zhǔn)白板校正，光譜掃描10 次，取其平均值待用。

1.4 數(shù)據(jù)處理

采用View Spec Pro、Matlab R2010a軟件進(jìn)行數(shù)據(jù)分析。

2 結(jié)果與分析

2.1 采集光譜

圖1 各等級(jí)鐵觀音茶樣光譜數(shù)據(jù)圖Fig.1 Spectra of Tieguanyin tea samples from different grades

由圖1可知，300～425 nm以及2 450～2 500 nm波段間的光譜因?qū)ν庠谝蛩剌^敏感，易受干擾，導(dǎo)致光譜數(shù)據(jù)波動(dòng)較大，不穩(wěn)定。為確保數(shù)據(jù)的精度和實(shí)驗(yàn)結(jié)果的可靠性，決定采用425～2 450 nm間的光譜數(shù)據(jù)進(jìn)行分析并建模。此外，鐵觀音樣本反射率值與其等級(jí)沒(méi)有直接的對(duì)應(yīng)關(guān)系，因此，還需對(duì)光譜數(shù)據(jù)進(jìn)行深入分析，提取各等級(jí)鐵觀音樣本的光譜特征參數(shù)，構(gòu)建鐵觀音等級(jí)判別模型。

2.2 提取光譜特征參數(shù)

2.2.1 基于光譜位置和面積的特征參數(shù)

根據(jù)文獻(xiàn)[11]，本實(shí)驗(yàn)基于5 個(gè)等級(jí)共200 個(gè)樣本的光譜數(shù)據(jù)，提取了14 個(gè)基于光譜位置和面積的特征參數(shù)，其中基于光譜位置的參數(shù)主要包括“紅邊”、“藍(lán)邊”、“黃邊”，在一定光譜區(qū)域內(nèi)一階導(dǎo)數(shù)的光譜最大值即為相應(yīng)的“邊”幅值，如紅邊幅值Dr、藍(lán)邊幅值Db、黃邊幅值Dy；“邊”幅值所在波長(zhǎng)位置即為相應(yīng)的“邊”位置，如紅邊位置λr、藍(lán)邊位置λb、黃邊位置λy；區(qū)域內(nèi)所有波段的一階導(dǎo)數(shù)值的總和即為相應(yīng)的面積，如紅邊面積SDr、藍(lán)邊面積SDb、黃邊面積SDy?！熬G峰”是由植物中的色素對(duì)藍(lán)光和黃光的強(qiáng)吸收而在綠光區(qū)形成的相對(duì)反射峰，與葉綠素含量關(guān)系密切[12]，描述“綠峰”的參數(shù)有綠峰幅值ρg（綠光區(qū)域內(nèi)最大的波段反射率）、綠峰位置λg（ρg對(duì)應(yīng)的波長(zhǎng)）和綠峰面積SDg（綠光區(qū)域內(nèi)原始光譜曲線所包圍的面積）。紅谷反射率ρr（650～690 nm范圍內(nèi)最小的波段反射率）和紅谷位置λo（ρr對(duì)應(yīng)的波長(zhǎng)）是描述紅光吸收谷的參數(shù)，紅光吸收谷是由植物葉綠素的強(qiáng)吸收在650～690 nm紅光范圍內(nèi)形成的低谷，是綠色植物的特征之一[13]。相關(guān)數(shù)據(jù)見(jiàn)表1。

表1 鐵觀音樣本的基于光譜位置和面積的特征參數(shù)值Table 1 Spectral variable data based on spectral position and area of Tieguanyin tea

2.2.2 歸一化植被指數(shù)

表2 鐵觀音樣本的NDVITable 2 Normalized different vegetation indexes (NDVI) of Tieguanyin tea

歸一化植被指數(shù)（normalized difference vegetation index，NDVI）是指植被在近紅外和可見(jiàn)光/紅光區(qū)域的光譜數(shù)據(jù)經(jīng)線性和非線性組合構(gòu)建，并經(jīng)公式（1）[14]進(jìn)行歸一化后的光譜指數(shù)。利用歸一化植被指數(shù)可有效減少外界因素帶來(lái)的數(shù)據(jù)誤差，提高信息提取精度，現(xiàn)已被廣泛用于植物生物物理及化學(xué)參數(shù)的提取和植物脅迫及生物量監(jiān)測(cè)[15-17]。

式中：ρNIR為特定波長(zhǎng)對(duì)應(yīng)的反射率值；ρRED為相應(yīng)最值紅邊波長(zhǎng)對(duì)應(yīng)的反射率值。

通過(guò)對(duì)200 個(gè)樣本的光譜數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)反射率值分別在669、1 112、1 203、1 469、1 857、2 225 nm處取得局部最小或最大值，相應(yīng)的最值紅邊波長(zhǎng)為743 nm處，選用上述波長(zhǎng)的光譜數(shù)據(jù)依據(jù)式（1）計(jì)算相應(yīng)的歸一化植被指數(shù)，見(jiàn)表2。

2.3 建立模型

2.3.1 SVM

SVM是由Cortes和Vapnik于1995年提出的，它的主要思想是基于VC維（vapnik-chervonenkis dimension）理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，在正反數(shù)據(jù)點(diǎn)（即支持向量）間建立一個(gè)最優(yōu)分類超平面，使得正反例之間的隔離邊緣被最大化，即支持向量到達(dá)與決策面的最優(yōu)位置，實(shí)現(xiàn)模式分類[18]。與傳統(tǒng)的計(jì)量方法相比，SVM結(jié)構(gòu)簡(jiǎn)單，能較好地解決非線性、高維數(shù)和局部極小點(diǎn)等實(shí)際問(wèn)題，各項(xiàng)技術(shù)性能尤其是泛化能力明顯提高[19]。

SVM通過(guò)將高維特征空間中的內(nèi)積運(yùn)算轉(zhuǎn)化為低維輸入空間上的一個(gè)簡(jiǎn)單的內(nèi)積核函數(shù)K（xi，xj），實(shí)現(xiàn)某一非線性變換后的線性分類。在支持向量x（i）和輸入空間抽取的向量x之間的內(nèi)積核函數(shù)K是構(gòu)造SVM學(xué)習(xí)算法的關(guān)鍵[20]。

SVM的分類原理（即最優(yōu)超平面的推導(dǎo)方法）是：考慮訓(xùn)練樣本集X={xi，yi}Ni=1，其中xi是輸入模式的第i個(gè)樣本，yi∈{-1，1}，則超平面應(yīng)滿足公式（2）：

經(jīng)過(guò)推導(dǎo)，若要使訓(xùn)練集中的支持向量間隔邊緣達(dá)到最大化，則最優(yōu)分離超平面應(yīng)滿足2/||w||最大，即||w||2最小，最終可歸結(jié)為如下的二次最規(guī)劃問(wèn)題：

此時(shí)原問(wèn)題的最優(yōu)解為：

至此，可以得出最終的判斷函數(shù)為：

式（2）、（3）、（4）、（5）中：x為測(cè)試樣本；w為權(quán)值向量，即超平面的法向量；b為偏置，即超平面的常數(shù)項(xiàng)；J為L(zhǎng)agrange函數(shù)；ai為L(zhǎng)angrange乘子；ai*為最優(yōu)的Langrange乘子。

2.3.2 確定核函數(shù)和相關(guān)參數(shù)

SVM完全由輸入量和核函數(shù)組成。SVM的核函數(shù)主要有4類，包括線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基（radial basis function，RBF）核函數(shù)、Sigmoid核函數(shù)，應(yīng)用不同的核函數(shù)可得到各種不同的超平面和分類效果[21]。相關(guān)研究[22-24]表明，RBF核函數(shù)不僅能夠解決線性和非線性問(wèn)題，而且RBF參數(shù)較少，減輕了模型的復(fù)雜度，訓(xùn)練速度快，易于實(shí)現(xiàn)。因此，本實(shí)驗(yàn)以提取的光譜特征參數(shù)和已知的茶葉等級(jí)作為輸入量，選用RBF核函數(shù)，構(gòu)建鐵觀音等級(jí)判別的SVM模型。

選用RBF核函數(shù)需考慮2 個(gè)重要參數(shù)：懲罰參數(shù)C和核參數(shù)g，SVM分類模型的精度取決于這2 個(gè)參數(shù)的組合。經(jīng)過(guò)初步試算，設(shè)定懲罰參數(shù)C的取值范圍為[105，108]，核參數(shù)g取0.001、0.005、0.0075、0.01、0.05、0.1。以各等級(jí)鐵觀音樣本的光譜特征參數(shù)為輸入量，結(jié)合RBF核函數(shù)的參數(shù)，對(duì)模型進(jìn)行訓(xùn)練，以交叉驗(yàn)證得到的模型全樣本正確判別率（A）以及預(yù)測(cè)結(jié)果與實(shí)際結(jié)果之間的相關(guān)系數(shù)R[25]為依據(jù)，選取最佳的懲罰參數(shù)C和核參數(shù)g，使模型精度達(dá)到最高[26]。相關(guān)系數(shù)R按公式（6）計(jì)算：

表3 不同懲罰參數(shù)和核參數(shù)情況下的正確判別率（A）和相關(guān)系數(shù)RTable 3 Results (correct discrimination rate and correlation coefficient) of model parameter selection

由表3可知，鐵觀音等級(jí)判別全樣本最高正確判別率為97.92%，相關(guān)系數(shù)最高可達(dá)0.99。為防止模型過(guò)擬合，懲罰參數(shù)C和核參數(shù)g選擇到達(dá)最高判別率和相關(guān)系數(shù)時(shí)的最小值，即C=106，g=0.007 5。

2.4 模型驗(yàn)證

采用鐵觀音各等級(jí)驗(yàn)證集樣本的光譜特征參數(shù)，引入懲罰參數(shù)C=106、核參數(shù)g=0.007 5，以樣品的正確判別率、相關(guān)系數(shù)Rp、相對(duì)預(yù)測(cè)均方根誤差（relative prediction mean square error，RMSEP）、校正均方根誤差（root mean square error of correction，RMSEC）[27]為指標(biāo)，對(duì)模型進(jìn)行驗(yàn)證和評(píng)價(jià)。Rp值越大，RMSEP和RMSEC值越小，代表模型精度越高[28]。RMSEP和RMSEC按公式（7）、（8）計(jì)算：

式中：nc和np分別為校正集和驗(yàn)證集的樣品個(gè)數(shù)；和yi分別為校正集和驗(yàn)證集中第i個(gè)樣品的預(yù)測(cè)結(jié)果和實(shí)際結(jié)果。

結(jié)果顯示，共50 個(gè)驗(yàn)證集樣本，僅4 個(gè)茶樣判別錯(cuò)誤，正確判別率達(dá)到92.86%。判別結(jié)果見(jiàn)表4。

表4 驗(yàn)證集樣本判別結(jié)果Table 4 Identification results in the prediction set

3 結(jié) 論

應(yīng)用高光譜技術(shù)結(jié)合支持向量機(jī)的計(jì)量方法，對(duì)鐵觀音茶樣進(jìn)行等級(jí)判別分析，提取樣品在350～2 500 nm波段范圍內(nèi)的光譜特征參數(shù)，采用RBF函數(shù)作為支持向量機(jī)核函數(shù)建立模型，當(dāng)懲罰參數(shù)C=106、核參數(shù)g=0.007 5時(shí)，所建SVM模型對(duì)未知等級(jí)的鐵觀音茶樣正確判別率最高，可達(dá)92.86%，相關(guān)系數(shù)Rp為0.96，RMSEP為0.27，RMSEC為0.14，表明模型具有很好的泛華能力，滿足茶葉等級(jí)快速準(zhǔn)確的判別要求，顯示應(yīng)用高光譜技術(shù)進(jìn)行茶葉等級(jí)判別的可行性，為進(jìn)一步的相關(guān)研究提供了一定的前期基礎(chǔ)和方法借鑒。

[1] 閻守和. 評(píng)價(jià)茶品質(zhì)的近紅外光譜(NIRS)法[J]. 上海茶葉, 2005(3): 19-21.

[2] WU Di, YANG Haiqing, CHEN Xiaojing, et al. Application of image texture for the sorting of tea categories using multi-spectral imaging technique and support vector machine[J]. Journal of Food Engineering, 2008, 88(4): 474-483.

[3] 馬建紅, 姬莉霞, 衛(wèi)權(quán)崗. 基于多智能體的茶葉圖像等級(jí)鑒定技術(shù)研究[J]. 計(jì)算機(jī)仿真, 2012, 29(7): 297-299.

[4] 陳哲, 趙杰文. 基于電子鼻技術(shù)的碧螺春茶葉品質(zhì)等級(jí)檢測(cè)研究[J].農(nóng)機(jī)化研究, 2012, 34(11): 133-137.

[5] 甘芝霖, 劉遠(yuǎn)方, 楊陽(yáng). 基于電子舌技術(shù)對(duì)信陽(yáng)毛尖茶品質(zhì)的評(píng)價(jià)[J].食品工業(yè)科技, 2013, 34(3): 74-76.

[6] 陳美麗, 唐德松, 張穎彬. GC-MS結(jié)合化學(xué)計(jì)量學(xué)對(duì)茶葉品質(zhì)的判別研究[J]. 浙江大學(xué)學(xué)報(bào): 農(nóng)業(yè)與生命科學(xué)版, 2013, 39(1): 84-91.

[7] 陳全勝, 趙杰文, 蔡健榮, 等. 利用高光譜圖像技術(shù)評(píng)判茶葉的質(zhì)量等級(jí)[J]. 光學(xué)學(xué)報(bào), 2008, 28(4): 669-674.

[8] 吳瑞梅, 吳彥紅, 艾施榮, 等. 茶葉外形品質(zhì)的高光譜圖像量化分析[J].江西農(nóng)業(yè)大學(xué)學(xué)報(bào), 2013, 35(2): 413-418.

[9] ELACHI C, van ZYL J J. Introduction to the physics and techniques of remote sensing[M]. New York: John Wiley & Sons, 2006.

[10] 蔣帆, 喬欣, 鄭華軍. 基于高光譜分析技術(shù)的機(jī)炒龍井茶等級(jí)識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2011, 27(7): 343-347.

[11] 浦瑞良, 宮鵬. 高光譜遙感及其應(yīng)用[M]. 北京: 高等教育出版社, 2000: 123-327.

[12] GITELSON A A, KAUFMAN Y J. Modis NDVI optimization to fit the AVHRR data series-spectral considerations[J]. Remote Sensing of Environment, 1998, 66(3): 343-350.

[13] 李海云, 任秋萍, 孫書(shū)娥, 等. 10 種園林樹(shù)木葉綠素與SPAD值相關(guān)性研究[J]. 林業(yè)科技, 2009, 34(3): 68-71.

[14] ROUSE J R J W, HAAS R H, SCHELL J A, et al. Monitoring vegetation systems in the Great Plains with ERTS[J]. NASA Special Publication, 1974, 35(1): 309.

[15] JU X T, XING G X, CHEN X P, et al. Reducing environmental risk by improving N management in intensive Chinese agricultural systems[J]. Proceedings of the National Academy of Sciences, 2009, 106(9): 3041-3046.

[16] 熊勤學(xué), 黃敬峰. 利用NDVI指數(shù)時(shí)序特征監(jiān)測(cè)秋收作物種植面積[J].農(nóng)業(yè)工程學(xué)報(bào), 2009, 25(1): 144-148.

[17] 賀冬仙, 胡娟秀. 基于葉片光譜透過(guò)特性的植物氮素測(cè)定[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2011, 27(4): 214-218.

[18] NELLO C, JOHN S T. An introduction to support vector machines and other kernel-based learning methods[M]. Cambridge: Cambridge University Press, 2000: 159-214.

[19] 張明光, 閻威武, 李戰(zhàn)明. 基于支持向量機(jī)的非線性系統(tǒng)辨識(shí)研究[J].計(jì)算機(jī)應(yīng)用研究, 2006, 23(5): 47-48.

[20] 史峰, 郁磊, 李洋, 等. Matlab神經(jīng)網(wǎng)絡(luò)30 個(gè)案例分析[M]. 北京: 北京航空航天大學(xué)出版社, 2010: 4.

[21] 張小超, 吳靜珠, 徐云. 近紅外光譜分析技術(shù)及其在現(xiàn)代農(nóng)業(yè)中的應(yīng)用[M]. 北京: 電子工業(yè)出版社, 2012: 151.

[22] 范金城, 梅長(zhǎng)林. 數(shù)據(jù)分析[M]. 北京: 科學(xué)出版社, 2002: 67.

[23] PIEMA A, BAETEN V, RENIER M, et al. Combination of support vector machines (SVM) and near-infrared (NIR) imaging spectroscopy for the detection of meat and bone meal (MBM) in compound feeds[J]. Journal of Chemometrics, 2004, 18(7): 341-349.

[24] FEMANDEZ J A, VERMEULEN P, AMAND O, et al. NIR hyperspectral imaging spectroscopy and chemometrics for the detection of undesirable substances in food and feed[J]. Chemometrics and Intelligent Laboratory Systems, 2012, 117: 233-239.

[25] REN Guangxin, WANG Shengpeng, NING Jingming, et al. Quantitative analysis and geographical traceability of black tea using Fourier transform near-infrared spectroscopy (FT-NIRS)[J]. Food Research International, 2013, 53(2): 822-826.

[26] ZHANG Xiaolei, HE Yong. Rapid estimation of seed yield using hyperspectral images of oilseed rape leaves[J]. Industrial Crops and Products, 2013, 42: 416-420.

[27] CHEN Quansheng, GUO Zhiming, ZHAO Jiewen, et al. Comparisons of different regressions tools in measurement of antioxidant activity in green tea using near infrared spectroscopy[J]. Journal of Pharmaceutical and Biomedical Analysis, 2012, 60: 92-97.

[28] WU Di, HE Yong, NIE Pengcheng, et al. Hybrid variable selection in visible and near-infrared spectral analysis for non-invasive quality determination of grape juice[J]. Analytica Chimica Acta, 2010, 659(1): 229-237.

Identification of Tieguanyin Tea Grades Based on Hyperspectral Technology

YU Ying-jie1, WANG Qiong-qiong1, WANG Bing-yu1, CHEN Jun1, SUN Wei-jiang1,2,*
(1. College of Horticulture, Fujian Agriculture and Forestry University, Fuzhou 350002, China; 2. Anxi College of Tea Science, Fujian Agriculture and Forestry University, Quanzhou 362000, China)

Hyperspectral technology combined with support vector machine (SVM) as a classification theory was applied to identify the grades of Tieguanyin tea. Twenty characteristic spectral parameters were extracted based on the hyperspectral data of tea samples, including red edge amplitude, blue edge position, yellow edge area, red valley reflectivity, normalized difference vegetation indexes, etc. The optimal values for the penalty parameter (C) and the kernel parameter (g) were determined based on the SVM classification model with the radial basis function (RBF) as the kernel function by using these characteristic spectral parameters as the inputs. An identification model for Tieguanyin tea grades was constructed and verified. The best experimental results were obtained using the RBF SVM classifier with C = 106and g = 0.007 5. The discrimination accuracy rate for unknown Tieguanyin tea samples was 92.86%, suggesting that hyperspectral technology can be utilized for rapid, nondestructive and accurate identification of Tieguanyin tea grades.

hyperspectral technology; support vector machine (SVM); Tieguanyin; grade identification

TS272.7

A

1002-6630（2014）22-0159-05

10.7506/spkx1002-6630-201422030

2014-03-12

“十二五”國(guó)家科技支撐計(jì)劃項(xiàng)目（2011BAD01B03-3）；2013年教育部高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金項(xiàng)目（20133515110006）

于英杰（1989—），女，碩士研究生，研究方向?yàn)椴枞~標(biāo)準(zhǔn)化及品質(zhì)調(diào)控。E-mail：yyj2188238@163.com

*通信作者：孫威江（1964—），男，教授，博士，研究方向?yàn)椴铇?shù)種質(zhì)資源、茶葉質(zhì)量安全與品質(zhì)調(diào)控。E-mail：598207899@qq.com