茶葉作為中國傳統飲品，具有深厚的文化底蘊和廣泛的消費市場，全球茶葉產業持續發展，成為經濟的重要組成部分。茶葉品質檢測直接關系到消費者的安全。通過對茶葉進行嚴格的品質檢測，可以確保產品符合食品安全標準，避免有害物質和污染物對消費者健康造成潛在威脅。這不僅保護了消費者的權益，也提升了品牌的可信度和美譽度。其次，在競爭激烈的市場環境中，高品質的茶葉能夠顯著提高品牌形象，增強市場競爭力。隨著消費者對高端茶葉的需求不斷增長，品質檢測在這一過程中發揮了重要的作用。隨著消費者對茶葉品質要求的不斷提高，建立健全的品質檢測體系顯得尤為重要，這不僅有助于保障產品質量，也能夠推動整個行業的進步。更進一步，茶葉品質檢測技術的發展也促進了相關研究的深入，推動了新產品的開發和創新，為茶葉產業注入了新的活力。因此，茶葉品質檢測不僅關乎產品本身，更是保障消費者權益、提升市場競爭力、促進行業發展的重要手段。

茶葉（圖源網絡）

傳統茶葉品質檢測方法主要包括感官評估、化學分析和物理測試等。感官評估依賴專業評審對外觀、香氣、滋味等指標的主觀判斷，結果易受個人因素影響；化學分析如高效液相色譜（HPLC）可測定茶多酚、咖啡因等成分，但需要專業設備和技術，成本較高；物理測試則涉及水分含量和灰分等指標，反映加工質量，但難以全面評估綜合品質。這些方法面臨主觀性強、技術復雜和信息不足等難點，限制了其在廣泛應用中的有效性。

在茶樹種植方面，傳統檢測方法主要包括土壤檢測、植物生理狀態監測和病蟲害評估。土壤檢測通常通過化學分析手段測定土壤的營養成分和pH值，但這需要專業設備和實驗室條件。植物生理狀態的監測多依賴于人工觀察和傳統儀器，效率較低，難以及時發現問題。病蟲害評估也常常依賴人工檢測，容易出現漏檢或誤判的情況。此外，氣候變化和環境因素對茶樹的影響也難以通過傳統方法有效預測。總之，茶樹種植檢測的難點在于依賴人工檢測的主觀性和時間消耗，以及對環境變化響應不足，導致潛在問題無法及時發現。

高光譜成像技術憑借其廣泛的光譜信息獲取能力，已成為茶葉質量檢測領域的一個重要工具。該技術可以同時采集樣品的空間和光譜信息，能夠實現對茶葉中多種理化成分的定量檢測和空間分布可視化。在茶葉發酵、貯藏和加工過程中，高光譜成像能夠實時監測茶多酚、氨基酸、葉綠素等關鍵生物活性成分的變化，為茶葉品質控制提供了精確的數據支持。此外，通過結合化學計量學方法該技術還可以提高檢測精度，并通過熱圖等手段進行成分的空間分布展示，幫助優化加工流程和提高茶葉的整體質量。

茶葉是通過新鮮茶葉的枯萎、碾壓、發酵和干燥生產的。茶葉的品質極大地受到發酵和儲藏過程的影響。發酵過程是茶葉生產中至關重要的一步，尤其對于紅茶和烏龍茶等部分發酵茶種，茶葉的顏色、香氣及滋味的形成都與此過程密切相關。而儲藏則關乎茶葉的新鮮度和長期品質維護，不當的儲藏條件可能導致茶葉迅速劣化。傳統上，茶葉的發酵和儲藏質量依賴于制茶師的經驗和感官評估，如通過觀察茶葉的顏色變化和聞其香氣來判斷發酵程度。這種方法雖然便捷，但主觀性強，容易因人而異，難以確保茶葉品質的一致性。

Yang等(Yang et al., 2021)以紅茶葉為研究對象，探索其在發酵過程中的關鍵品質成分。研究通過在不同時間點進行高光譜分析，揭示了發酵葉片堆疊位置與關鍵化學成分之間的關系，并建立了相應的定量預測模型。此外，研究運用了可視化技術，動態展示了紅茶發酵過程中關鍵品質成分變化，從而實現了對發酵過程的實時監測和關鍵成分的精準掌握（圖2）。Li等(Li et al., 2022)采用近紅外高光譜成像技術對4種發酵程度紅茶的品質進行了定性和定量評價，并通過化學成像繪制了發酵過程中兒茶素的空間分布（圖3）。這些研究不僅為紅茶發酵品質的智能化檢測提供了寶貴的大數據支持和評價標準，也為紅茶產業的標準化、信息化和智能化加工奠定了堅實的基礎。

▲

圖2. 高光譜成像技術對茶葉發酵過程種關鍵理化成分預測流程圖

▲

圖3. 不同發酵程度茶葉樣品中兒茶素含量的化學成像

茶中的多酚具有抗氧化、降脂和抗菌特性，也影響茶的獨特味道。由于加工方法的不同，各種茶葉的總多酚（TP）含量差異很大。未發酵或輕度發酵的茶（如綠茶和白茶）比發酵茶（如烏龍茶、紅茶和黑茶）含有更高的多酚含量。因此，確定茶氨酸在各類茶葉中的分布，可以定量評價茶葉的保健功效和口感品質。

Wang等(Wang et al., 2021)探討了近紅外高光譜成像在不同類型茶葉（綠茶、白茶、黃茶、烏龍茶、黑茶和紅茶）中TP空間分布的應用，并采用PCA-KNN方法建立了茶葉類型判別的定性模型。該研究的結果不僅準確展示了茶葉中總多酚的空間分布差異（圖4），還提供了一種快速、無損的茶葉種類鑒定方法。這種方法有效地實現了茶葉品質的定性與定量評價，為茶葉質量控制及進一步的科學研究提供了重要工具和數據支持。

圖4. 近紅外高光譜成像技術實現對茶葉總多酚含量的空間分布可視化

Ren等(Ren et al., 2020)以云南地區的滇紅紅茶為研究對象，采用可見-近紅外高光譜成像技術實現了茶葉等級質量的智能評估，結果表明利用高光譜技術結合化學計量學技術對茶葉品質進行預測具有廣闊的應用前景。具體方法如圖5所示。

▲

圖5. 可見-近紅外光譜結合化學計量學實現紅茶等級判定示意圖

另外，藏茶采用的是獨特的名為“WODUI”的后發酵工藝，這一高溫高濕的處理方法能夠促使茶葉中的苦味和強烈味道成分發生氧化降解，從而增強其健康益處并改善口感。其中TPs和游離氨基酸（FAAs）是影響藏茶口感的關鍵成分，不同品級的藏茶在這些成分的含量上有所差異。

Hu等(Hu et al., 2023)采用高光譜成像技術結合化學計量學測定了藏茶中TPs和FAAs含量，并對藏茶的品級進行了區分，展示了預處理和機器學習方法結合使用在預測茶葉品質方面的高效性，流程圖如圖6所示。證實了高光譜成像技術（HSI）作為一種快速、無損的茶葉質量檢測方法的潛力，為茶葉質量控制和品級評定提供了一種有效的技術手段。

▲

圖6. 高光譜成像技術結合多元分析法檢測藏茶品質流程圖

茶葉的過剩產量常常導致長時間儲存，從而降低其新鮮度。不法商人有時將陳腐茶與新茶混合銷售，這不僅侵害了消費者的健康和權益，還損害了整個茶行業的聲譽。因此，研究茶葉的儲存條件與品質的關系顯得尤為重要，這不僅可以改善茶葉的日常保存方法，還可以幫助預測其保質期。

Li等(Li et al., 2024)以新鮮綠茶為研究對象，采用HSI法和定量分析法對儲存綠茶的化學成分進行了分析，并確定了最佳的茶葉貯藏期定性判別方法（圖7）。結果證實，高光譜成像技術可以準確、無損且迅速地評估綠茶的新鮮度，并成功地對兒茶素和咖啡因的含量進行了定量測定及其分布的可視化，為茶葉儲存提供了科學的指導和評估方法。

▲

圖7. 基于高光譜成像技術監測綠茶貯藏過程中的質量變化

茶葉作為制茶的原料，新鮮茶葉的好壞直接影響成品茶的質量。對新鮮茶葉的品質和物質含量進行無損監測，不僅可以準確掌握茶樹的生長情況，還可以輔助采茶方案的決策過程，保證茶葉的品質。

Chen等(Chen et al., 2021)在不同干旱脅迫處理下，獲得了新鮮茶苗的5個與干旱相關的生理生化指標參數，通過多種數據處理算法和建模方法，成功預測了不同茶苗在干旱脅迫下的受害程度，能夠較為全面、客觀地評價茶樹的抗旱性。此外，利用400-1000nm范圍內的高光譜成像技術對10種不同茶葉種質資源進行干旱脅迫監測，驗證了高光譜技術篩選抗旱種質的可行性和有效性。該研究對于不同干旱脅迫下的茶葉高光譜圖像處理及光譜提取流程如圖8所示。

▲

圖8. 不同干旱脅迫下的茶葉高光譜圖像處理及光譜提取流程

Long等(Long et al., 2024)在鳳凰丹琮（FH）、白葉丹琮（BY）和紅冰丹琮（HB）茶樹的頂部共采集了140份茶葉樣品。建立了基于VNIR-SWIR HSI技術和核脊回歸（KRR）技術的單叢茶鮮葉葉綠素a、葉綠素b、類胡蘿卜素、茶多酚和氨基酸等5種生物活性物質含量檢測方法。并利用葉面積化合物質量（LCMA）熱圖對3個品種丹叢茶葉片中生物活性物質的空間分布進行可視化分析。流程圖如圖9所示。

▲

圖9. 利用高光譜成像檢測丹參茶中生物活性成分的含量

（（A）試驗田;（B）樣本;（C）樣品VNIR-SWIR高光譜圖像的獲取;（D）獲得生物活性化合物含量的工藝;（E）數據分析;（F）模型預測結果.）

Wang等(Wang et al., 2020)以采后茶葉鮮葉為研究對象，探討了328~1115nm高光譜成像快速預測鮮葉水分、總氮、粗纖維含量和品質指標值的潛力，評價結果如圖10所示。研究結果為多光譜成像系統的進一步在線應用提供了基礎。

▲

圖10. 高光譜成像快速檢測采后鮮茶葉質量指標的評價結果

粗纖維（CF）和茶多酚（TP）是評價茶葉品質的重要指標。因此，TP和CF的快速定量檢測有助于專家對鮮茶葉品質的快速評價。Luo等(Luo et al., 2023)采集了14個品種的茶樹新鮮葉片，去探索不同光譜范圍的高光譜圖像在預測鮮茶葉關鍵品質指標含量（CF和TP）中的作用，葉片中CF和TP含量可視化如圖11所示。并詳細討論了所提出的模型和方法在實際生產中的推廣和適用性，該研究對于促進茶園鮮葉質量的快速檢測，提高茶園管理水平具有重要意義。

▲

圖11. 高光譜成像技術結合PLS模型實現葉片中CF和TP含量可視化

（第一列為單波段成像。第二列是CF和TP含量的分布圖。第三列是含量的直方圖。）

Lu等(Lu et al., 2021)采集了健康茶葉與白星病和炭疽病茶葉樣本（圖12），利用高光譜技術（420-946nm）對圖像特征相似的白星病和炭疽病進行了識別和區分。兩種病害侵染的全葉病斑區域的平均光譜差異顯著，將閾值分割和掩模處理后提取的病斑區域平均光譜與不同的機器學習模型相結合進行分類，基于神經網絡結構的ELM模型的分類精度達到95.77%。結果表明，對于這兩種相似的病害，高光譜技術可以在茶樹病害發病的早期就準確識別和檢測病害的嚴重程度。

▲

圖12. 高光譜成像技術對健康茶葉和患病茶葉的采集

［1］楊霄, 等. （2023）. 高光譜成像技術在茶葉生產中的應用研究進展[J]. 中南農業科技, 12（44）.

https://10.3969/j.issn.1007-273X.2023.12.059

［2］Yang, C., Yan, Z., Ting, A., Zhongyuan, L., Yongwen, J., Yaqi, L., & Chunwang, D. (2021). Quantitative prediction and visualization of key physical and chemical components in black tea fermentation using hyperspectral imaging. LWT, 141.

https://doi.org/10.1016/j.lwt.2021.110975

［3］Li, L., Yujie, W., Qingqing, C., Ying, L., Jingming, N., & Zhengzhu, Z. (2022). Qualitative and quantitative quality evaluation of black tea fermentation through noncontact chemical imaging. Journal of Food Composition and Analysis, 106.

https://doi.org/10.1016/j.jfca.2021.104300

［4］Wang, Y., Ying, L., Yuyu, C., Qingqing, C., Luqing, L., Jingming, N., & Zhengzhu, Z. (2021). Spatial distribution of total polyphenols in multi-type of tea using near-infrared hyperspectral imaging. LWT, 148.

https://doi.org/10.1016/j.lwt.2021.111737

［5］Ren, G., Ning, J., & Zhang, Z. (2020). Intelligent assessment of tea quality employing visible-near infrared spectra combined with a hybrid variable selection strategy. Microchemical Journal, 157.

https://doi.org/10.1016/j.microc.2020.105085

［6］Hu, Y., Huang, P., Wang, Y., Sun, J., Wu, Y., & Kang, Z. (2023). Determination of Tibetan tea quality by hyperspectral imaging technology and multivariate analysis. Journal of Food Composition and Analysis, 117, 105136.

https://doi.org/10.1016/j.jfca.2023.105136

［7］Li, F., Shen, J., Yang, Q., Wei, Y., Zuo, Y., Wang, Y., Ning, J., & Li, L. (2024). Monitoring quality changes in green tea during storage: A hyperspectral imaging method. Food Chemistry: X, 23. 

https://doi.org/10.1016/j.fochx.2024.101538

［8］Chen, S., Gao, Y., Fan, K., Shi, Y., Luo, D., Shen, J., Ding, Z., & Wang, Y. (2021). Prediction of Drought-Induced Components and Evaluation of Drought Damage of Tea Plants Based on Hyperspectral Imaging. Frontiers in Plant Science, 12, 695102. 

https://doi.org/10.3389/fpls.2021.695102

［9］Long, T., Tang, X., Liang, C., Wu, B., Huang, B., Lan, Y., Xu, H., Liu, S., & Long, Y. (2024). Detecting bioactive compound contents in Dancong tea using VNIR-SWIR hyperspectral imaging and KRR model with a refined feature wavelength method. Food Chemistry, 460, 140579. 

https://doi.org/10.1016/j.foodchem.2024.140579

［10］Wang, Y., LuQing, L., ShanShan, S., Ying, L., JingMing, N., & ZhengZhu, Z. (2020). Rapid detection of quality index of postharvest fresh tea leaves using hyperspectral imaging. Journal of the Science of Food and Agriculture, 100(10).

https://doi.org/10.1002/jsfa.10393

［11］Luo, Chanjun, S., Yong, H., Fengle, Z., & Xiaoli, L. (2023). Cross-cultivar prediction of quality indicators of tea based on VIS-NIR hyperspectral imaging. Industrial Crops & Products, 202. 

https://doi.org/10.1016/j.indcrop.2023.117009

［12］Lu, B., Jun, S., Ning, Y., Xiaohong, W., & Xin, Z. (2021). Identification of tea white star disease and anthrax based on hyperspectral image information. Journal of Food Process Engineering, 44(1), e13584. 

https://doi.org/10.1111/jfpe.13584