一種茶葉中美術綠含量的檢測方法
【專利摘要】本發明公開了一種茶葉中美術綠含量的檢測方法，該方法以不同美術綠含量的茶葉浸泡的茶汁作為測試樣本，獲取各個測試樣本在設定波數范圍內以硅片為襯底時的拉曼光譜，并根據所有測試樣本的拉曼光譜，分別采用連續投影算法和多元線性回歸分析法確定定標波數，根據各個測試樣本對應的茶葉中美術綠含量，以及各個定標波數處的峰強與520cm-1處的峰強的比值構建含量-強度比的第一線性回歸模型作為定標模型，利用定標模型測量得到待測樣本中美術綠的含量。利用Raman測試進行分析，操作簡單，不需要進行繁瑣、耗時的樣品制備過程，同時避免了其他來源的干擾進而保證了測試的美術綠的準確性，且以硅作為對比大大提高了測試的準確性。
【專利說明】一種茶葉中美術綠含量的檢測方法

【技術領域】
[0001]本發明涉及美術綠含量檢測【技術領域】，具體涉及一種茶葉中美術綠含量的檢測方法。

【背景技術】
[0002]茶葉的色澤對其品質評定而言，起著舉足輕重的作用，該指標不僅是茶葉分類的重要依據還是辨別茶葉優劣的重要因素。而近年來不法商販為了謀取利益，在茶葉中非法添加美術綠這種顏料，以達到改善茶葉賣相的目的。美術綠是一種重金屬類混合染料，也稱“鉛鉻綠”、“翠鉻綠”或“油漆綠”，外觀色澤鮮艷，主要用于生產油漆、涂料、油墨及塑料等工業產品，它是一種工業顏料。其主要化學成分為鉻酸鉛，鉻酸鉛對人體的危害是巨大的，可引起貧血、腎損害、鉛中毒、皮炎、濕疹、鉻鼻病和皮膚潰瘍等，國際癌癥研究中心(IARC)已將“鉻和某些鉻化合物”列入對人類致癌的化學物質。例如一種添加了工業色素“鉛鉻綠”的假碧螺春，其重金屬鉛含量超標60倍(國標規定每公斤茶葉里面鉛的含量不能超過2毫克)。如果用10克這樣的茶葉泡茶水，人體通過茶水就可以攝入150微克的鉛，而根據2000年做的中國總膳食研究，正常情況下，每個成年男子一天攝入鉛的水平應該小于82.5微克，可見這種毒茶葉的危害是多么嚴重。
[0003]目前對茶葉中美術綠的檢測主要是通過測定其中鉛、鉻等重金屬來評定的，主要的檢測方法主要有:原子吸收光譜法、電感耦合等離子體法、原子熒光光譜法和溶出伏安法坐寸ο
[0004]原子吸收光譜法是基于蒸氣相中被測元素的基態原子對其原子共振輻射的吸收強度來測定試樣中被測元素含量的一種方法。該法的優點是選擇性強、靈敏度高、分析范圍廣，但是在多元素檢測時不能同時分析，難熔元素的檢測靈敏度差，對于基體復雜的樣品分析，尚存某些干擾問題需要解決。
[0005]電感耦合等離子體法主要包括電感耦合等離子體原子發射光譜(ICP-AES)法和電感耦合等離子體質譜(ICP-MS)法。ICP-AES是高頻感應電流產生的高溫將反應氣加熱、電離，利用元素發出的特征譜線進行測定，它的靈敏度高，干擾小，線性寬，可同時或順序測定多種金屬元素；電感藕合等離子體質譜(ICP-MS)分析技術是將電感藕合等離子體與質譜聯用，利用電感藕合等離子體使樣品汽化，將待測金屬分離出來，從而進人質譜進行測定，通過離子荷質比進行無機元素的定性分析、半定量分析、定量分析，同時進行多種元素及同位素的測定，具有比原子吸收法更低的檢測限，是痕量元素分析領域中最先進的方法，但價格昂貴，易受污染。
[0006]原子熒光光譜法(AFS)的原理是原子蒸氣吸收一定波長的光輻射而被激發，受激原子隨后通過激發過程發射出一定波長的光輻射，在一定的實驗條件下，其輻射強度與原子含量成正比。原子熒光光譜法具有靈敏度高，選擇性強，試樣量少和方法簡單等特點；但其不足之處是應用范圍還不夠廣泛。
[0007]溶出伏安法又稱反向溶出極譜法，這種方法是使被測的物質，在待測離子極譜分析產生極限電流的電位下電解一定的時間，然后改變電極的電位，使富集在該電極上的物質重新溶出，根據溶出過程中所得到的伏安曲線來進行定量分析。該方法的靈敏度很高，故在超純物質分析中具有實用價值，但是影響溶出電流的因素有很多，如富集時間、攪拌速度和電位掃描速率等。
[0008]以上方法都是通過鑒定重金屬鉛和鉻的存在，進而推斷出美術綠的含量，但是在處理過程中，無法排除鉛、鉻的其他來源。所以，單靠重金屬鉛和鉻的檢測無法確定鉛、鉻一定來源于美術綠。并且用以上方法檢測時需要用到大量的試劑進行前處理，過程繁瑣，無法做到快速檢測。


【發明內容】

[0009]針對現有技術的不足，本發明提供了一種茶葉中美術綠含量的檢測方法。
[0010]一種茶葉中美術綠含量的檢測方法，包括:
[0011](I)制備測試樣本，以不同美術綠含量的茶葉作為檢測對象，將各個檢測對象和水按照一定配比浸泡相同的時間，以各個檢測對象浸泡出的茶汁作為相應的測試樣本；
[0012](2)獲取各個測試樣本在設定波數范圍內以硅片為襯底時的拉曼光譜；
[0013](3)根據所有測試樣本的拉曼光譜，分別采用連續投影算法提取若干組特征峰，每組特征峰的數量不同，采用連續投影算法時以520CHT1處的列向量作為初始投影向量；
[0014](4)利用多元線性回歸分析法確定各組特征峰的驗證均方根誤差，選擇驗證均方根誤差最小的一組特征峰作為特征指紋峰，并以特征指紋峰作為定標波數，根據各個測試樣本的美術綠含量，以及相應拉曼光譜中各個定標波數處的峰強與520cm—1處的峰強的比值構建含量-強度比的第一線性回歸模型作為定標模型；
[0015]所述的線性回歸模型為:
[0016]Y = 5.405+0.005069 λ r0.01252 λ 2+0.008526 λ 3-0.001942 λ 4-0.002914 λ 5+0.005083 λ 6-0.003963 λ7+0.0216 λ 8-0.02071 λ 9,
[0017]其中，Y為茶葉中美術綠的含量，λ 1、λ 2> λ 3、λ 4、λ 5、λ 6、λ 7、λ 8和λ 9分別為2501cm \2083cm \ 1699cm \ 1459cm \529cm \524cm \521cm \436cm 1 和 230cm 1 處的峰強與520CHT1處的峰強的比值；
[0018](5)按照步驟(I)制備得到待檢測茶葉對應的測試樣本作為待測樣本，獲取該測試樣本在設定波數范圍內以硅片為襯底時的拉曼光譜，計算該拉曼光譜中各個定標波數處的峰強和520cm—1處的峰強的比值，并代入定標模型計算得到待檢測茶葉中美術綠的含量。
[0019]拉曼光譜是基于拉曼效應建立起來的分子結構表征技術，起源于晶體或分子振動(和點陣振動)與轉動，拉曼譜線的位置、強度和線寬可提供分子振動、轉動方面的信息，可以據此實現分子中某些化學鍵和官能團的“指紋鑒別”。拉曼光譜作為分子水平的測試手段，易于實現復雜混合物體系的成分鑒定分析。與其他依靠檢測屬鉛和鉻元素的方法比較，利用拉曼檢測能夠保證測試的鉛和鉻元素來源于美術綠，進而保證了測試的美術綠的準確性，避免了其他來源的干擾。
[0020]本發明中的硅片多采用單晶硅片，且與測試樣本接觸面為拋光面，有利于增強520cm_1處的拉曼振動。
[0021]本發明中在連續投影算法時，將硅的特征峰(520CHT1處的峰)的列向量作為初始投影向量，確保了在處理大數據樣本時，結果的唯一性，同時也大大加快了數據的處理速度。另一方面，在建模過程中，挑選了不影響溶液結構性質的襯底硅片，以其特征峰做為參照，將測試樣本的各個特征指紋峰的強度與520cm—1處的峰強的比值構建定標模型，可以實現拉曼光譜的半定量檢測，大大提高了測試的準確性。
[0022]多元線性回歸分析是用來研究一個因變量與一組自變量之間的依存關系的，步驟
(4)中根據線性回歸分析的結果，選擇均方根誤差最小的一組特征峰作為特征指紋峰計算待測樣本中美術綠的含量，能夠提高測量結果的準確度。
[0023]所述步驟(I)包括如下步驟:
[0024](1-1)將硅片置入容器底部后，向容器中注入測試樣本；
[0025](1-2)將注有測試樣本的容器放置在顯微拉曼光譜儀的載物臺上測試該測試樣本的拉曼光譜。
[0026]獲取以硅片為襯底的Raman光譜(拉曼光譜)時，可以直接將樣本均勻涂抹在硅片上，然后將均勻涂抹的硅片放置在顯微拉曼光譜儀的載物臺上測試樣本的拉曼光譜。但是由于液體具有流動性，且所需要的測試樣本量是微量的，液體表面存在著張力，直接涂抹無法確保樣品表面的平整，易對實驗造成影響。其次，采用涂抹時，很難保每次涂抹的測試樣本的量剛好相等，從而存在測試誤差。本發明中利用容器盛放測試樣本，便于對測試樣本進行定量，也能夠使表面平整，有利于減小因測試條件引起的測試誤差。
[0027]本發明中為保證量相同，每次均將容器注滿，然后利用刮板沿容器頂面將多余的液體去除。
[0028]通常采用圓柱形容器，相應的，所述硅片為圓形，且硅片直徑比容器的內徑小I?2mm ο
[0029]進行Raman測試時，為保證能夠釆集到娃襯底的Raman振動，盡量使娃片能夠覆蓋整個容器底部，且在測試時盡量不要掃描靠近容器邊緣的點。若技術條件允許時，可直接將Si片焊接于容器內的底部，或采用硅材料的容器。
[0030]本發明中Raman測試的測試條件如下:測試激光波長為532nm，測試激光功率為5mv,曝光時間為ls，曝光次數為2次，采集孔徑為20 μ m，物鏡為20倍，掃描點數為30。
[0031]作為優選,測試樣本的數量為50?150。
[0032]單獨通過某一個測試樣本的Raman光譜很難準確的確定美術綠的特征指紋峰，本發明中通過對大樣本進行統計學分析，能夠準確的找出美術綠振動相關的特征指紋峰。通常樣本數越多，特征指紋峰判定越準確，但是這樣會導致計算量大，效率低。因此測試樣本的數量需要根據實際情況考慮，不可太高，也不能太低。另外，為便于實現所有測試樣本可分為若干組(通常為5?7組)，每一組的美術綠含量相同，不同組之間的美術綠含量進行梯度設置。
[0033]作為優選，設定波數范圍為229.6?2803.6cm^0
[0034]茶葉中與美術綠相關的振動峰分布在該波數范圍內，因此通過設定該229.6?2803.6CHT1的波數范圍掃描。
[0035]所述步驟(3)各組特征峰中特征峰的個數為5?20。
[0036]提取得到的特征峰的組數根據實際情況設定，不同組中特征峰的個數互不相同，兼顧到模型的建模效率以及模型的準確性，將特征峰的個數設定為5?20，每組包含的特征峰個數均不同。
[0037]所述步驟(4)中構建定標模型后還包括更新定標波數和定標模型，更新后的定標模型為:
[0038]Y = 4.639+0.005323 λ r0.01263 λ 2+0.00668 λ 3+0.02078 λ 8-0.02219 λ 9。
[0039]更新方法如下:
[0040]對所述的第一線性回歸模型進行方差分析篩選定標波數，并將篩選后的定標波數作為最終的定標波數，根據所有測試樣本的美術綠含量，以及篩選后的各個定標波數處的峰強和520CHT1處的峰強的比值構建含量-強度比的第二線性回歸模型作為定標模型。
[0041]通過對第一線性回歸模型進行方差分析對特征指紋峰進行篩選，確定得到最終的定標波數，進一步提高定標模型的準確性，進而減小最終測試的含量值與實際含量值之間的偏差。
[0042]本發明中未作特殊說明，Y均表示茶葉中美術綠的含量，其單位為mg/g。
[0043]與現有技術相比，本發明具有如下優點:
[0044](I)利用Raman測試進行分析，能夠保證測試的鉛和鉻元素來源于美術綠，進而保證了測試的美術綠的準確性，避免了其他來源的干擾；
[0045](2)利用硅片作為襯底，一方面，由于本實驗的檢測對象是液體，用硅片作為襯底，可以方便實驗中的聚焦；另一方面，娃片的信號峰單一，主要在52001^1處,對測試樣本的信號干擾少；同時，以測試樣本的各個特征指紋峰的強度與520cm—1處的峰強的比值構建定標模型，可以實現拉曼光譜的半定量檢測，大大提高了測試的準確性；
[0046](3)操作簡單，避免了傳統美術綠含量測量的提取、消解等繁瑣、耗時的樣品制備過程，為快速有效地實時監測茶葉中美術綠的含量提供有效手段，具有良好的應用前景。

【具體實施方式】
[0047]下面將結合具體實施例和對比例對本發明進行詳細描述。
[0048]實施例1
[0049]一種茶葉中美術綠含量的檢測方法，包括:
[0050](I)制備測試樣本，以不同美術綠含量的茶葉作為檢測對象，將各個檢測對象和水按照一定配比浸泡相同的時間；以不同美術綠含量的茶葉作為檢測對象，將其浸泡出的茶汁作為測試樣本，
[0051]分別稱取0.0lg,0.008g、0.006g、0.004g、0.002g 美術綠于 10ml 燒杯中，再分別加入Ig茶葉，用玻璃棒充分攪拌混勻，配制成5個含量梯度的檢測對象。然后用量筒量取50ml沸水到每個燒杯中，即茶葉與水按1:50的質量比沖泡，浸泡1min后，將液體全部倒入50ml的離心管中，轉速5000r/min,離心5min后,倒出大部分上清液，留下0.5ml的液體將壁上的沉淀重新混合搖勻，作為測試樣本待用。每個含量水平取15個樣本，5個含量梯度的合計得到75個測試樣本。
[0052](2)獲取各個測試樣本在229.6?2803.6cm^波數范圍內以硅片為襯底時的拉曼光譜。
[0053]本實施例中采用96孔平底培養皿(孔徑:6.4mm，底面積:0.32cm2，容積為0.36ml)作為容器，一個孔即作為一個容器。將每孔的底部首先放置一塊直徑為5_，厚度為0.5mm的圓形硅片，用移液管移取0.4ml液體于培養皿孔中，用刮板沿著培養皿邊緣將多余的液體去除，然后將培養皿放置在玻璃片上。將盛有測試樣本的容器放置在顯微拉曼光譜儀的載物臺上測試各個測試樣本的拉曼光譜。每個樣本的測試條件相同，均如下:
[0054]測試激光波長為532nm，測試激光功率為5mv，曝光時間為ls，曝光次數為2次，采集孔徑為20 μ m,物鏡為20倍，掃描點數為30。
[0055](3)根據所有測試樣本的拉曼光譜，分別采用連續投影算法提取若干組特征峰，每組特征峰的數量不同，采用連續投影算法時以520CHT1處的列向量作為初始投影向量；
[0056]根據測試樣本的個數M(本實施例中M = 75)和波數的個數K組成大小為MXK的光譜矩陣X，光譜矩陣X中的元素Xu為第i個測試樣本在第j個波數處的拉曼峰的強度值，j = I個波數對應的波數最大，依次向后減小。
[0057]連續投影算法(SPA算法)是一種前向循環選擇方法，它從光譜矩陣X中任意一個波長對應的一列組作為投影向量開始，每次循環，計算該投影向量在未選入的波長對應的向量上的投影，再將投影向量的模最大的波長引入到波長組合，直到循環N次。每一次新選入的波長，都與前一個線性關系最小。
[0058]本實施例中一共需要提取11組特征峰，各組特征峰包含的特征峰的個數分別為
5、6、……15。對于每一組特征峰均采用SPA方法進行提取，記每組特征峰的個數為N，則SPA方法包括如下步驟:
[0059](3-1)初始化:n = I (第一次迭代)，在光譜矩陣X中520CHT1對應的元素組成一個列向量作為投影向量，即初始投影向量，記為Xkfe)(即j = k(o)，且第k(0)波數為520CHT1)；
[0060](3-2)集合S 定義為:S={j,l<j<K, j e{k(0)，...，k(n-l)}}，即還沒有被選擇進波長鏈的列向量，其中，k(n-l)表示第η次迭代選出來的最大投影所在的列向量，根據公式:
[0061 ] Pxj = Xj- (x/xkfo-D) Xkto-D (X1 k(n-1) Xk(n-1))，
[0062]分別計算Xj在S集合中各個波數對應的列向量上的投影，并根據公式:
[0063]k (n) = arg (max | | Pxj | , j e S)
[0064]確定投影最大的j的取值，并記為k(n)，其中I |PXj| I為投影向量在Xj上的投影的模；
[0065](3-3)如果n〈N，則令n = n+1，并返回步驟(3-1)，并以Xk(n)作為初始投影向量，否則停止，并以每次最大投影對應的波數作為特征峰所在的位置，進而得到除520cm—1外，另外包含N個特征峰的一組特征峰。
[0066](4)分別對每一組N個特征峰建立線性回歸模型，使用多元線性回歸分析法來判斷所建模型的優劣，選出最小的RMSEP的一組特征峰作為特征指紋峰。以選擇的特征指紋峰作為定標波數，根據各個測試樣本的美術綠含量，以及相應拉曼光譜中各個定標波數處的峰強與520CHT1處的峰強的比值構建含量-強度比的第一線性回歸模型作為定標模型；
[0067]本實施例中得到的第一線性回歸模型為:
[0068]Y = 5.405+0.005069 λ「0.01252 λ 2+0.008526 λ 3-0.001942 λ 4-0.002914 λ 5+0.005083 λ 6-0.003963 λ7+0.0216 λ 8-0.02071 λ 9
[0069]其中，X1、λ2、入 3、入 4、入 5、入 6、入 7、入 8 和入 9 分別為 2501 cm \ 2083cm \ 1699cm \1459cm \529cm \524cm \521cm \436cm 1 和 230cm 1 處的峰強與 520cm 1 處的峰強的比值；
[0070](5)按照步驟(I)制備得到待檢測茶葉對應的測試樣本作為待測樣本，獲取待測樣本在設定波數范圍內以硅片為襯底時的拉曼光譜，計算該拉曼光譜中各個定標波數處的峰強和520cm—1處的峰強的比值，并代入定標模型計算得到待測樣本中美術綠的含量。
[0071]利用定標模型對這25個待測樣本的美術綠含量的預測結果如表I所示，模型的相關系數為0.913230，均方根誤差為1.181184。說明該模型能夠實現茶葉中美術綠含量的有效檢測。
[0072]表I
[0073]
A實值；預測H直真實值預泖H直 A實彳直預泖H直 (mg/g) (mg/g) (mg/g) (mg/g) (mg/g) (mg/g)
10.00010.385 6.000 5.764 2.000 2.464
10.0009.929 6.000 5.647 2.000 1.845
10.0009.423 6.000 6.346 2.000 2.165
10.00010.493 6.000 5.529 2.000 2.324
10.0009.656 6.000 5.898 2.000 1.479
8.0008,851 4.000 4.266
[0074]
8.0007.684 4.000 5.045
8.0007.715 4.000 4.854
8.0008.291 4.000 4.447
8.0007.429 4.000 4.839
[0075]實施例2
[0076]與實施例1相同，所不同的是步驟(4)中構建定標模型后還包括更新定標波數和定標模型，更新方法如下:
[0077]對第一線性回歸模型進行方差分析篩選定標波數，并將篩選后的定標波數作為最終的定標波數，并根據所有測試樣本的美術綠含量，以及拉曼光譜中篩選后的各個定標波數處的峰強和520CHT1處的峰強的比值構建含量-強度比的第二線性回歸模型作為更新后的定標模型。
[0078]對定標模型進行方差分析，結果如表2所示
[0079]表2
[0080]

【權利要求】
1.一種茶葉中美術綠含量的檢測方法，其特征在于，包括: (1)制備測試樣本，以不同美術綠含量的茶葉作為檢測對象，將各個檢測對象和水按照一定配比浸泡相同的時間，以各個檢測對象浸泡出的茶汁作為相應的測試樣本； (2)獲取各個測試樣本在設定波數范圍內以硅片為襯底時的拉曼光譜； (3)根據所有測試樣本的拉曼光譜，分別采用連續投影算法提取若干組特征峰，每組特征峰的數量不同，采用連續投影算法時以520cm—1處的列向量作為初始投影向量； (4)利用多元線性回歸分析法確定各組特征峰的驗證均方根誤差，選擇驗證均方根誤差最小的一組特征峰作為特征指紋峰，并以特征指紋峰作為定標波數，根據各個測試樣本的美術綠含量，以及相應拉曼光譜中各個定標波數處的峰強與520cm—1處的峰強的比值構建含量-強度比的第一線性回歸模型作為定標模型； 所述的線性回歸模型為:
Y= 5.405+0.005069 λ「0.01252 λ 2+0.008526 λ 3-0.001942 λ 4-0.002914 λ 5+0.005083 λ 6-0.003963 λ 7+0.0216 λ 8_0.02071 λ 9， 其中，Y為茶葉中美術綠的含量，λ 1、λ 2> λ 3> λ 4> λ 5> λ 6> λ 7> 和分別為2501cm \2083cm \ 1699cm \ 1459cm \529cm \524cm \521cm \436cm 1 和 230cm 1 處的峰強與520CHT1處的峰強的比值； (5)按照步驟(I)制備得到待檢測茶葉對應的測試樣本作為待測樣本，獲取該測試樣本在設定波數范圍內以硅片為襯底時的拉曼光譜，計算該拉曼光譜中各個定標波數處的峰強和520cm—1處的峰強的比值，并代入定標模型計算得到待檢測茶葉中美術綠的含量。
2.如權利要求1所述的茶葉中美術綠含量的檢測方法，其特征在于，所述步驟(I)包括如下步驟: (1-1)將硅片置入容器底部后，向容器中注入測試樣本； (1-2)將注有測試樣本的容器放置在顯微拉曼光譜儀的載物臺上測試該測試樣本的拉曼光譜。
3.如權利要求2所述的茶葉中美術綠含量的檢測方法，其特征在于，所述硅片為圓形，且硅片直徑比容器的內徑小I?2mm。
4.如權利要求1所述的茶葉中美術綠含量的檢測方法，其特征在于，測試樣本的數量為50?150。
5.如權利要求1所述的茶葉中美術綠含量的檢測方法，其特征在于，設定波數范圍為229.6 ?2803.6cm 1O
6.如權利要求1所述的茶葉中美術綠含量的檢測方法，其特征在于，所述步驟(3)各組特征峰中特征峰的個數為5?20。
7.如權利要求1?6中任意一項權利要求所述的茶葉中美術綠含量的檢測方法，其特征在于，所述步驟(4)中構建定標模型后還包括更新定標波數和定標模型，更新后的定標模型為:
Y= 4.639+0.005323 λ r0.01263 λ 2+0.00668 λ 3+0.02078 λ 8-0.02219 λ 9。
8.如權利要求7所述的茶葉中美術綠含量的檢測方法，其特征在于，更新方法如下: 對所述的第一線性回歸模型進行方差分析篩選定標波數，并將篩選后的定標波數作為最終的定標波數，根據所有測試樣本的美術綠含量，以及篩選后的各個定標波數處的峰強和520CHT1處的峰強的比值構建含量-強度比的第二線性回歸模型作為定標模型。
【文檔編號】G01N21/65GK104132928SQ201410362639
【公開日】2014年11月5日 申請日期:2014年7月28日 優先權日:2014年7月28日
【發明者】李曉麗, 孫嬋駿, 何勇 申請人:浙江大學