12.3.1实验材料与光谱采集

实验用97个茶叶样本均为某研究院提供，为不同批次、不同品牌，其中30个样本为南方茶，67个样本为北方茶。为方便实验校对，将30个南方茶样本用1～30号进行重新编号，67个北方茶样本仍保留原有的5位编号。关于这97个样本的详细产地信息见表12-3。

表12-3 茶叶产地明细表

将上述97个茶叶样本逐一放置在旋转样本台的样本杯中，然后进行近红外光谱采集二波数范围为4000～12500cm^-1，波长间隔为8cm^-1，环境温度为23～25℃。

选取编号为1、6、12、18、24、12309、12322、12541、12574、12589这10个茶叶样本作为模型预测验证样本。先对其余87个样本做光谱分析。

注意：在实际操作当中，为了更准确地建立分类模型，应该避免噪声信号干扰，所以需对光谱的频率范围进行筛选频率范围选择如图12-16所示。

图12-16 87个茶叶样本的光谱图

12.3.2基于近红外光谱的茶叶产地鉴别模型建立与分析

1．不进行预处理

近红外光谱频率选择范围如图12-17所示。如图12-18所示，从树状图可以看出茶叶产地南、北方分类正确，并且经过测试发现测试样本验证均正确无误，此模型准确率达100%。

图12-17 近红外光谱频率选择范围

图12-18 样本数据不进行预处理的聚类分析结果

2.SNV

如图12-19所示，从树状图可以看出茶叶产地分类大致正确，仅有小部分错误，分类准确率达88.7％。

3．一阶导数

如图12-20所示，从树状图可以看出茶叶产地分类基本正确，仅有一个分类错误，7号南方茶叶被分到了北方，准确率达99%。

图12-19 样本数据SNV的聚类分析结果

图12-20 样本数据一阶导数的聚类分析结果

4．一阶导数＋SNV(见图12-21)

图12-21 样本数据一阶导数＋SNV的聚类分析结果

相关链接：基于中红外光谱的新、老茶叶鉴别模型建立与分析

文章来源：《多光谱食品品质检测技术与信息处理研究》

版权与免责声明：转载目的在于传递更多信息。

如其他媒体、网站或个人从本网下载使用，必须保留本网注明的"稿件来源"，并自负版权等法律责任。

如涉及作品内容、版权等问题，请在作品发表之日起两周内与本网联系，否则视为放弃相关权利。