1、引言

随着精细化农业发展的不断深入，其在农产品品质和食品安全领域的应用研究也得以拓展，如张蕾蕾等利用高光谱成像技术预测猪肉TVB-N和pH值以评价猪肉新鲜度；高俊峰等应用高光谱成像技术，采用MSC-SPA-LS-SVM模型可较好地实现对不同苹果蜡的检测；褚璇等对玉米高光谱进行SNV预处理，基于Fisher判别最小误判率的方法选择最优波长并建立判别模型对玉米表面不同浓度的黄曲霉素进行识别；黄涛等发现，半透射高光谱成像技术结合CARS-SPA与AFSA-SVM方法可对马铃薯空心病进行准确的检测。

但与茶叶栽培、加工及审评等相关的传统检测手段却无法满足实时、动态、无损的精细化农业发展需求，而融合了图像和光谱的高光谱成像技术在农产品品质检测和安全评定上呈现出极大的优越性，在茶叶领域的应用具有较大的发展空间。对此，本文将继续简述综述了高光谱成像技术在茶叶领域的相关应用，并对该技术在茶叶科研领域及生产实际中的应用趋势进行展望，以期为扩大高光谱成像技术的应用提供参考。

2、高光谱成像技术在茶叶中的应用

2.1 等级划分

目前，茶叶等级多以感官审评（主要包含外形、香气、汤色、滋味、叶底）辅以内含品质检测实现划分，而感官审评受审评人对香气、滋味等阈值以及特殊爱好影响较大，随着检测技术的不断更新与其在现代农业中的创新应用，已有学者基于电子舌、电子鼻、近红外光谱、机器视觉等检测技术对不同等级茶叶实现有效划分。但总体而言，前两者受传感器灵敏度和标准样影响较大，后两者仅从单一内含成分或外观纹理出发进行预测，均未能实现对待测物由外到内综合信息的提取和评价。高光谱成像技术虽能实现这一综合信息的采集，但对茶叶等级划分的应用研究却相对较晚。

茶叶高光谱图像不同区域的光谱曲线

为实现高光谱成像技术对茶叶质量的等级划分，陈全胜等通过主成分分析从700~850nm光谱范围内优选出3个波长的特征图像，并从中分别提取出平均灰度、标准方差、平滑度、三阶矩、一致性和熵等6个纹理特征参数，通过对18个特征变量进行压缩并提取其中8个主成分因子建立基于反向传播神经网络的茶叶等级识别模型，模型预测识别率达94%，预测效果较好。蒋帆等提取龙井茶在350~2500nm波长范围内的吸收深度、吸收面积、红边位置、红谷位置、归一化植被指数等高光谱特征参数作为输入量，然后利用带惩罚系数C的支持向量机分类理论，采用RBF函数形式的支持向量机核函数，优选核参数γ=2-6、惩罚系数C=210，并确定模型分类函数，以此构建龙井茶SVM等级分类模型，其等级分类准确率达98.3%。运用相似原理，于英杰等提取各等级铁观音高光谱数据的红边数据、蓝边位置、黄边面积、红谷反射率、归一化植被指数等20个光谱特征参数为输入向量，构建支持向量机分类模型且模型正确判别率达92.86%。吴瑞梅等利用主成分分析法，从碧螺春名优绿茶的原始高光谱中优选出3个特征图像，分别提取每个图像的颜色特征和纹理特征，以此为输入变量建立BP神经网络的茶叶外形感官评分预测模型并取得较好的预测效果。由此表明，基于高光谱成像技术对茶叶等级划分具有较强可行性，可为后续快速、精确的茶叶等级检测仪器的开发提供理论依据，但对于部分市场特殊感官要求（如重香气轻外形、重滋味轻色泽等）的茶叶产品，仍需健全特殊感官指标对应的特征高光谱波段的筛选及对应预测模型的建立。

2.2 茶类识别

茶类识别是鉴别茶叶真伪和实现茶叶源产地保护的重要措施，当前的检测多涉及近红外光谱技术、机器视觉技术、荧光光谱技术、同位素及多矿物元素检测、色谱分析与化学指纹图谱构建、DNA指纹图谱、电子鼻和电子舌等。随着高光谱成像技术应用的不断深入，已建立了部分针对茶叶种类识别定性分析的预测模型，与DNA指纹图谱、同位素及矿物质元素检测、电子鼻和电子舌等方法相比，高光谱成像技术综合了其余茶类识别检测技术原理，但同时也表现出对特征波长和特征光谱信息海量数据的筛选难度。

六种不同品种绿茶的光谱曲线

蔡健荣等利用漫反射高光谱技术获得了408~1117nm范围内的不同像素的不同产地碧螺春图像的光谱曲线，通过主成分分析法提取特征波长的6个主成分GLCM纹理特征变量:对比度、相关性、能量和均匀性，并采用交叉验证法对径向基函数参量进行优化，以此建立基于支持向量机的模式识别方法构建碧螺春茶叶的真伪鉴别模型，其训练和预测集判别率分别达100%和96.25%，取得了较好的判别效果。章海亮等结合主成分分析法筛选出180个名优绿茶高光谱的2个特征波段（545nm和611nm），并从中提取12个灰度共生矩阵纹理特征参量，同时融合3个主成分特征变量共计27个变量作为LS-SVM区分模型的输入，模型预测识别率达100%，且光谱结合图像灰度共生矩阵的ROC曲线优于单一的光谱或图像灰度共生矩阵ROC曲线。

3、问题与展望

综合前期研究现状发现，高光谱成像技术在茶叶上的应用虽处于理论研究阶段，但也展现出较大的发展潜力和应用空间，借鉴其在其它农产品或农作物上的应用研究技术和方法，可有效促进高光谱成像技术在茶叶领域的应用进程。

3.1 茶园土壤肥力

检测土壤有机质和矿质元素含量对农作物生长具有重要影响。自20世纪80年代开始，已有学者相继利用高光谱估测土壤有机质含量，但大多集中于实验室干土测试。为达到快速无损检测效果，研究者们开始致力于基于高光谱的湿土相关指标检测的研究，为精细化农业的实施奠定基础。因此，为改良土壤环境、降低农业生产成本、提高茶园综合产值，将高光谱成像技术与测土配方施肥等一系列土壤改良措施结合使用，可为茶园平衡施肥、精准施肥和茶叶品质提升起到积极的推动作用。但值得注意的是，除光谱信息提取和目标物的有效建模算法外，土壤类型、粗糙度、潮湿度、养分变异等土壤自身属性也显著影响土壤养分光谱反演的精度和可靠性，这将是今后研究的重点。

3.2 茶树病虫害高效防治

据不完全统计，已记载的茶树虫害达800余种、病害130余种，通过对病虫害的有效预测和危害程度准确评估，将为降低茶园受害风险及准确防治茶树病虫害提供必要的数据基础，有益于茶园健康发展，保证茶叶质量安全。目前，茶叶病虫害的防治主要集中于病虫害时间预测和最小农药施用量的确定，为防治害虫假死，并考虑农药最大残留限量（MRL）标准，确定农药临界致死效力用量非常重要，而农药临界致死效力则受侵袭病虫害类别和危害程度影响。不同类别病虫害以及不同阶段为害症状所表现出的光谱吸收和视觉特征是不同的，这也为特征光谱的成功反演奠定了基础，高光谱成像技术已在其他农作物病虫害种类识别和为害程度的检测中取得较好研究效果，结合其他农作物研究基础和近年来茶树病虫害新型防治技术，高光谱成像技术在茶树病虫害防治上将拥有很好的结合位点。但精准的病虫害预测和程度预报需要融合专家知识、不同种类病、虫害（食叶类、吸汁类）数据、光谱吸收数据等，因此为实现茶树病虫害高效防治，需要进一步扩充和完善相关病虫害知识库，通过合理分析实际光谱变化情况，获取特征参量并最终建立预测预报模型。

3.3 茶叶加工在线监测

按照制法系统性，具有不同感官品质特征的六大茶类（绿茶、红茶、黑茶、白茶、青茶、黄茶）除对原料品种和采摘标准有要求外，关键加工工艺是其良好品质形成的关键。如红茶的发酵、黑茶的渥堆、青茶的做青、黄茶的闷黄等，且不同茶类加工过程在制品品质变化不一，因此关键工序的监控对茶叶品质的形成显得尤为重要。然而，传统茶叶加工大多停留在“一看二闻三摸”的“看茶做茶”模式上，这只能将茶叶品质控制在一定范围，缺乏产品质量的稳定性和统一性，缺少对关键工序品质适度的、客观的、有效的科学评价和检测方法。一些智能感官分析和科学计量手段尝试量化这一技术瓶颈，如通过机器视觉（基于茶叶在制品外观纹理变化）、电子鼻技术（基于茶叶在制品香气变化）、近红外技术（主要基于茶叶在制品香气变化）等在线监测茶叶制品的品质，该类研究虽然取得一定预测效果，但输入变量信息单一，不能较好体现茶叶感官品质信息。

茶叶加工过程中，制品在热和力的作用下，伴随水分散失其外观纹理和内含品质成分发生相应变化，为获得稳定、优异的感官品质，需要对各类茶加工关键工序进行控制。前期的智能感官分析和科学方法为高光谱的应用提供了数据基础，因此，在后期研究应用过程中，可将高光谱成像技术应用各类茶关键加工工序中。如红茶发酵和后期干燥醇化、提香工序，通过应用该技术对以上工序在制品外观纹理（色泽）和品质成分（主要为多酚类、氨基酸及挥发性有机物）的实时监测，通过反馈信息确定最佳加工工艺参数，以期获得稳定的花香型、甜香型、高香型红茶产品；亦可将其应用到绿茶杀青及干燥、黑茶渥堆、白茶萎调、青茶做青及干燥、黄茶焖黄及干燥等关键加工工序，从而获得感官品质多样性和稳定性茶叶产品，为后续自动化乃至智能化茶叶加工设备的研发提供理论基础。

3.4 茶叶加工在线监测

茶叶产品安全的主要检测指标包含有毒有害掺杂物等物理性污染；农药残留、稀土元素和重金属超标等化学性污染；致病性细菌、病毒以及毒素等生物性污染。随着茶叶加工技术、设备及管理水平的提高，物理性污染和生物性污染发生可能性较低，以农药残留为主的化学性污染为茶叶产品安全评定的主要检测指标。由于茶叶多年生的生长特性，茶树通过内吸和渗透作用使农药残留和有害重金属在体内聚集，同时在生产、加工、贮运、销售过程以及农药自身随空气、水源等漂移特点都有可能造成二次污染，加之我国茶叶生产和消费大而散的特点，目前尚无法真正实现“从农田到茶杯”的全程管理，因此市场监督和检测成为控制农药残留的最后防线。由于我国茶树品种多样，茶叶成品花色众多且各级成品加工原料成熟度不尽相同，同时各级政府及主管部门对其重视程度差异所导致的区域发展不协调等问题，使茶叶生产在农药合理使用技术的推广和残留控制上监管不严。随着对食品安全问题重视程度的加强，不同组织和国家对茶叶中可能存在的残留农药及其他污染物制定了严格的限量标准。有数据表明，截止2014年4月18日，欧盟网站残留数据库中的茶叶上的残留限量标准达454种，且部分农药（如杀螟硫磷、十三吗啉、炔螨特等）MRL值均作不同程度降低调整。这对提高茶叶质量安全水平，保证茶叶产品供给的安全性、可靠性、食用性，实现茶叶产品质量安全的快速、精准检测具有重要的现实意义。

不同质量分数梯度样品的荧光光谱曲线

目前，茶叶农药残留含量检测方法主要包括有损检测和无损检测2类。有损检测包含普通生化检测、仪器分析检测（如色谱检测、色谱-质谱联用法等），普通生化检测存在前期投入大、试验条件苛刻、试剂单一等缺陷，而仪器分析检测精度虽高但检测过程复杂且受内标物、灵敏度影响，无法满足更快速、更准确、更环保的农药残留检测的发展要求。无损检测主要包含近红外线检测、荧光检测、高光谱成像检测等，近年来基于不同浓度、不同残留农药对特定波长的吸收或反射所表现的特异性变化建立的农药预测模型（主要为近红外和荧光），已成为农药残留检测技术的研究趋势和发展方向，但近红外检测技术分析结果准确性受温度等多因素影响，且从复杂、重叠、变动的背景中提取弱信息受干扰因素较多，需要不断改进研究方法，高光谱成像技术虽然起步较晚，但在梨、生菜、叶菜等农产品农药残留和土壤重金属含量检测的成功反演表现出极大的优越性。目前，茶叶施用农药多以脂溶性为主，违规施用农药多聚集在茶叶成品表面，针对茶叶农残检测利用高光谱成像技术研究的滞后，可借鉴该技术在其它农产品检测成功案例，通过搜集高光谱数据并作降维、转换处理，与对应的目标农药成分（仪器分析检测获取）建立预测模型；也可通过某些农药成分的较强荧光特性，结合高光谱成像技术和荧光激发技术搭建高光谱荧光成像农药残留检测系统，以期实现不同浓度、不同种类的茶叶农药残留的快速、精确测定。

无人机机载高光谱成像系统iSpecHyper-VM100

一款基于小型多旋翼无人机机载高光谱成像系统，该系统由高光谱成像相机、稳定云台、机载控制与数据采集模块、机载供电模块等部分组成。无人机机载高光谱成像系统通过独特的内置式或外部扫描和稳定控制，有效地解决了在微型无人机搭载推扫式高光谱照相机时，由于振动引起的图像质量较差的问题，并具备较高的光谱分辨率和良好的成像性能。