基于电子鼻和分光测色仪的茶树叶片氮含量快速检测方法

摘要

本发明涉及一种基于电子鼻和分光测色仪的茶树叶片氮含量快速检测方法，通过电子鼻传感器对茶树叶片气味物质的响应差异以及过载分析，优化并筛选出5个贡献率较大的传感器。其次优化了电子鼻检测体系3个主要因素(气体收集容器体积、顶空时间、顶空温度)。然后通过线性回归分析确定了分光测色仪中的b*值可以作为一个判断叶片氮含量的一个标志。以电子鼻5个主要传感器和分光测色仪b*值为特征值建立电子鼻与分光测色仪相结合的茶树叶片氮素预测模型。通过计算，模型建模组准确率可达95％，验证组准确率可达92.5％。

权利要求

1.一种基于电子鼻和分光测色仪的茶树叶片氮含量快速检测方法，其特征在于：步骤如下：(1)挑选20片无损伤茶树成熟叶片，清洗干净，擦干；

(2)将步骤1)准备好的叶片放入50mL气体收集瓶内，用锡箔纸封口密封；采用顶空进样法利用电子鼻进行气体检测；将气体收集瓶置于30℃环境中进行顶空预热，顶空时间

30min；检测参数为：传感器清洗时间100s，自动调零时间10s，样品准备时间5s，样品测定间隔时间1s，内部流量300mL/min，进样流量300mL/min，将80-83s处的信号作为传感器信号分析的时间点；分别提取W5S、W1S、W1W、W2S、W2W五个传感器的响应值G/G0；

(3)分光测色仪检测：将步骤1)准备好的叶片用样品夹固定；利用CM-5分光色差仪，采用LAB表色系统在D65光源下，分别检测20片叶片的b*值，取b*值平均值代入步骤4)公式中；

(4)将W5S、W1S、W1W、W2S、W2W响应值G/G0和b*值代入下列公式，得出的Y值最大组值即判为叶片氮素含量；

式中：G/G02、G/G06、G/G07、G/G08、G/G09分别代表W5S、W1S、W1W、W2S、W2W传感器在检测时间为80-83s处的信号响应值G/G0。

2.如权利要求1所述的一种基于电子鼻和分光测色仪的茶树叶片氮含量快速检测方法，其特征在于：所述的电子鼻为PEN3型便携式电子鼻。

3.如权利要求1所述的一种基于电子鼻和分光测色仪的茶树叶片氮含量快速检测方法，其特征在于：所述的茶树为常规绿叶茶树品种。

说明书

基于电子鼻和分光测色仪的茶树叶片氮含量快速检测方法

技术领域

[0001] 本发明涉及一种基于电子鼻和分光测色仪的茶树叶片氮含量快速检测方法，属于植物营养快速检测领域，具体涉及一种利用电子鼻与分光测色仪相结合快速检测茶树叶片氮含量的方法。

背景技术

[0002] 电子鼻利用各个气敏器件对复杂成分气体都有响应却又互不相同这一特点，模拟人类嗅觉系统借助数据处理方法对多种气味进行识别，从而对气味质量进行分析与评定。电子鼻在肉类、茶酒类、果蔬类等领域的品质监控、质量评价和安全检测中显示出独特优点，可在线全程跟踪加工工艺、检测过程，对产品无损坏、快速灵敏。分光测色仪技术具有检测速度快、精度高、适合在实验室环境及生产环境中离线操作等特点，其采用了光谱分析的方法对物体进行颜色测量，可以获得准确的颜色数据。电子鼻结合其他分析仪器进行数据融合分析是目前较为流行的分析方法。但目前尚无将电子鼻与分光测色仪相结合来识别茶树叶片氮含量的报道。

[0003] 氮素是茶树最重要的营养元素之一。植株外部形态诊断、植株全氮诊断、植株硝酸盐诊断等传统茶树氮素检测方法操作过程复杂、消耗较多财力且缺乏时效性。随着检测新技术的不断出现，叶绿素仪法、叶绿素荧光技术、遥感技术等无损诊断技术逐渐被应用到茶树氮素诊断中。另外，基于物体光谱反射特征识别物体的遥感技术也成为植物氮素实时监测和快速诊断的可能手段。

发明内容

[0004] 本发明提供了一种基于电子鼻和分光测色仪的茶树叶片氮含量快速检测方法。

[0005] 发明人首先通过电子鼻(德国PEN3型)传感器对茶树叶片气味物质的响应差异以及过载分析，优化并筛选出5个贡献率较大的传感器(W5S、W1S、W1W、W2S、W2W)，以此作为后续检测的主要传感器。之后优化了电子鼻对茶树叶片的检测体系。其次，通过线性回归分析确定了分光测色仪中的b*值可以作为一个判断叶片氮含量的一个标志。以W5S、W1S、W1W、W2S、W2W的响应值(G/G0)和b*值建立电子鼻与分光测色仪相结合的茶树叶片氮素预测模型。同时对模型进行验证及预测，模型建模组准确率可达95％，验证组准确率可达92.5％。

[0006] 一种基于电子鼻和分光测色仪的茶树叶片氮含量快速检测方法，步骤如下：

[0007] (1)材料准备：挑选20片无损伤茶树成熟叶片(顶芽向下第3-4片)，清洗干净，擦干；

[0008] (2)电子鼻检测：将步骤1)准备好的叶片放入50mL气体收集瓶内，用锡箔纸封口密封；采用顶空进样法利用电子鼻进行气体检测。将气体收集瓶置于30℃环境中进行顶空预热，顶空时间30min。检测参数为：传感器清洗时间100s，自动调零时间10s，样品准备时间5s，样品测定间隔时间1s，内部流量300mL/min，进样流量300mL/min，将80-83s处的信号作为传感器信号分析的时间点，分别提取W5S(对氮氧化合物很灵敏)、W1S(对甲基类化合物灵敏)、W1W(对无机硫化物灵敏)、W2S(对醇类、醛酮类灵敏)、W2W(芳香成分，对有机硫化物灵敏)5个传感器的响应值G/G0；

[0009] (3)分光测色仪检测：将步骤1)准备好的叶片用样品夹固定；利用CM-5分光色差仪，采用LAB表色系统在D65光源下(模拟太阳光)，分别检测20片叶片的b*值，取b*值平均值代入步骤4)公式中；

[0010] (4)将W5S、W1S、W1W、W2S、W2W响应值(G/G0)和b*值代入下列公式，得出的Y值最大组值即判为该叶片氮素含量。

[0011]

[0012] 式中：G/G02、G/G06、G/G07、G/G08、G/G09分别代表W5S、W1S、W1W、W2S、W2W传感器在检测时间为80-83s处的信号响应值G/G0。

[0013] 所述的电子鼻为德国AIRSENSE公司-PEN3型便携式电子鼻。

[0014] 本发明建立的茶树叶片氮含量预测模型能够较为准确的预测茶树叶片氮素含量。试验建模组准确率可达95％，验证组准确率可到92.5％，可以较好的对茶树叶片氮含量进行预测。

附图说明

[0015] 图1为不同传感器响应及过载分析

[0016] 图中显示S2、S6、S7、S8、S9对气体物质响应值高，贡献率大。(德国PEN3型便携式电子鼻中传感器共有10个，分别为W1C、W5S、W3C、W6S、W5C、W1S、W1W、W2S、W2W、W3S，图中标记的S1-S10依次代表上述10个传感器)

[0017] 图2为电子鼻检测条件优化

[0018] 图中显示气体收集器体积50mL、顶空预热温度30℃、顶空时间30min为最优检测体系。

[0019] 图3为茶树叶片氮含量与电子鼻L*、a*、b*值线性回归分析

[0020] 图中显示L*值与叶片总氮含量线性关系最低，a*值虽然呈现出一定的线性，但决定系数低于b*值。b*值可以作为一个判断叶片氮含量的一个标志。

具体实施方式

[0021] 本发明以常规绿叶茶树品种(非白化、紫化品种)为背景，结合色差仪、电子鼻建立模型。在茶树品种中还有白化和紫化品种，而白化品种和紫化品种属于叶色变异品种，叶色呈现白色、黄色或紫色，色差变异度较大，不属于常规的茶树品种。因此，这两大类品种的叶色变异不在本模型的使用范围内。

[0022] 一种基于电子鼻和分光测色仪技术的茶树叶片氮含量快速检测方法，其方法如下：

[0023] (1)茶树叶片氮含量检测：取无损伤常规绿叶茶树成熟叶片(顶芽向下第3-4片)，经105℃杀青5-10分钟后，80℃下烘干。称取烘干、磨碎(0.25mm)样品0.3000～0.5000g，置于消煮管中。加入8mL浓硫酸，轻轻摇匀，放置过夜。将消煮管置于消煮炉上加热，当溶液呈均匀的棕黑色时取下，加入10滴双氧水，摇匀，再加热至微沸，消煮约5分钟，取下并重复滴加采用10滴双氧水，再消煮。如此重复3～5次，消煮到溶液呈无色或清亮后，取下过滤。吸取过滤液2～5mL，利用凯氏定氮仪测定氮含量。

[0024] (2)电子鼻检测体系优化：将20片茶叶样品放入盛有吸水纸和Na2CO3(吸水纸和Na2CO3均烘干后使用)的三角瓶中，用锡箔纸封口密封。采用顶空进样法利用PEN3型便携式电子鼻进行气体检测，并记录各个传感器响应值G/G0(表示第n号传感器接触到样品挥发物后的电阻量G与传感器在经过标准活性碳过滤后气体的电阻量G0的比值)。体系优化设气体收集瓶体积、顶空预热温度、顶空时间三个因素。其中气体收集瓶体积试验设50、100、150mL 3个处理；顶空预热温度试验设30、40、50、60、70、80℃6个处理；顶空时间试验设5、10、15、
20、25、30min 6个处理。对各处理进行优化试验。电子鼻检测参数为传感器清洗时间100s，自动调零时间10s，样品准备时间5s，样品测定间隔时间1s，内部流量300mL/min，进样流量
300mL/min，将80-83s处的信号作为传感器信号分析的时间点。每次测量前后，传感器进行清洗和标准化。利用WinMuster软件进行主成分分析(PCA)、线性判别分析(LDA)及过载分析，筛选出最优的气体收集瓶体积、顶空预热温度及顶空时间以进行后续的实验。

[0025] 经前期试验发现叶片过少，叶片挥发出的气体物质浓度太低，电子鼻的传感器不足以对气体进行很有效的辨识；如果叶片过多，在顶空收集气体的时候叶片蒸腾作用会产生大量水蒸汽，传感器的分辨率会降低。所以本发明中选取20片叶片进行测定。

[0026] (3)色差特征值的筛选：将茶树叶片清洗干净后擦干，并用样品夹(设备自带)固定。利用CM-5分光色差仪采用LAB表色系统在D65光源下(模拟太阳光)，检测叶片的L*、a*、b*值(L*表示明度；a*正值为红，负值为绿；b*正值为黄，负值为蓝)。将L*、a*、b*值结合(1)中茶树叶片氮含量进行线性回归分析，筛选出最优的色差特征值。

[0027] (4)茶树叶片氮含量模型建立：以W5S、W1S、W1W、W2S、W2W(步骤2筛选到的最优传感器)的响应值(G/G0)和b*值(步骤3筛选到的最优色差特征值)结合茶树叶片氮含量利用Matlab软件建立预测模型。

[0028] 提取上述5个最优传感器在80-83s处响应值(G/G0)与b*值建立预测模型。基于气味结合颜色的叶片氮素含量预测模型为：

[0029]

[0030] 公式中，G/G02、G/G06、G/G07、G/G08、G/G09分别代表W5S、W1S、W1W、W2S、W2W传感器在检测时间为80-83s处的信号响应值G/G0。

[0031] 将G/G02、G/G06、G/G08、G/G07、G/G09、b*带入上式，得出的Y值最大组即判为该叶片氮素含量。

[0032] 实施例1、以电子鼻检测体系优化为例

[0033] PEN3型通用传感器共10个，分别为W1C、W5S、W3C、W6S、W5C、W1S、W1W、W2S、W2W、W3S。图1中标记的S1-S10依次代表上述10个传感器。由于10个传感器所侧重检测的气体成分不同，因此电子鼻传感器对茶树叶片气味物质的响应存在差异。由图1所示，S2、S7、S9三个传感器都对气体物质响应值高，S6、S8传感器也出现一定的响应，但响应值低于S2、S7、S9。S1、S3、S4、S5、S10 5个传感器响应值均在1.0左右，表明这些传感器对气体物质的响应不敏感。
由过载分析所示，叶片气味识别中贡献最大的传感器为S6，其次为S9、S7、S2、S8，其他传感器的贡献较小。因此，选择S2(W5S)、S6(W1S)、S7(W1W)、S8(W2S)、S9(W2W)作为最优传感器进行后续试验。

[0034] 由图2所示，50、100、150mL处理的PCA数据两两重叠。通过线性角度LDA分析(图2a-2)发现，100mL和150mL处理有重叠，而50mL处理样点能够清晰区分。因此，试验选取50mL为最终气体收集器体积。由图2b-1所示，30℃的样品点比较集中，其他处理的样品点类群内离散程度大，而且50、60、70、80℃处理有重叠。通过2b-2LDA数据分析可见，30℃和40℃的样点可以清楚区分开。基于PCA和LDA数据分析，顶空预热温度最终选择为30℃。由图2c-1和图
2c-2数据分析来看，30min处理样品点数据离散程度小，并且与其它处理无重叠，其它几组处理都有重叠区域。最终选取顶空时间为30min。

[0035] 实施例2、以茶树叶片色度检测为例

[0036] 将成熟叶片从非黄化品种茶树上取下，迅速用去离子水洗净、擦干。利用CM-5型分光色差仪进行色度检测。茶树叶片随氮素缺乏程度的加重其表面颜色从绿色逐渐变成黄色。图3表明，L*值与叶片总氮含量线性关系最低，a*值虽然呈现出一定的线性，但决定系数低于b*值。在LAB表色系统中+b*表示黄色，+b*值越大表明所测样品黄色程度越重。本试验中b*值均大于0，与总氮含量呈现线性相关，且其决定系数为0.9204，说明b*值同其它值相比与叶片黄化有最好的相关性。因此，b*值可以作为一个判断叶片氮含量的标志。

[0037] 实施例3、以基于气味结合颜色的叶片氮含量预测模型为例

[0038] 提取上述5个气味传感器在80-83s处的响应值(G/G0)与b*值建立预测模型。基于气味结合颜色的叶片氮素含量预测模型为：

[0039]

[0040] 公式中，G/G02、G/G06、G/G07、G/G08、G/G09分别代表W5S、W1S、W1W、W2S、W2W传感器在检测时间为80-83s处的信号响应值G/G0。

[0041] 将G/G02、G/G06、G/G08、G/G07、G/G09、b*带入上式，得出的Y值最大组即判为该叶片氮素含量。

[0042] 试验例1、以叶片氮含量预测模型的验证及评价为例

[0043] 该模型的建模组和验证组各有80个样本。建模组与验证组的样品选择标准相同，属于同类样品且都具有相同的处理，一部分用于实验，一部分用于验证。下表主要是用来验证模型的分析氮含量的准确性。如表1所示，建模组的准确率为95％，验证组的准确率为92.5％，说明该模型能够准确的对叶片的氮含量进行预测。

[0044] 表1 基于气味、颜色的叶片氮含量预测模型的回判及验证结果

[0045]