基于色差系統(tǒng)的寶慶桂丁紅茶品質(zhì)量化評價模型構(gòu)建

杜邵龍，周志梅，雷亞蘭，李 瑾，田容積，唐 瀚,

（1.湖南興盛茶業(yè)科技有限公司，湖南邵陽 422900；2.湖南師范大學(xué)化學(xué)化工學(xué)院，湖南長沙 410083；3.邵陽市農(nóng)業(yè)科學(xué)研究院，湖南邵陽 422000）

茶葉色澤是茶葉等級劃分的主要指標(biāo)之一，在茶葉感官審評法中外形、湯色和葉底三項(xiàng)審評因子都與顏色有關(guān)[1]。茶葉的色澤一直茶葉感官審評的難點(diǎn)之一，其審評結(jié)果不僅與審評專業(yè)人員主觀喜好有關(guān)，還受到光線、審評器具等外部環(huán)境因素的干擾[2]。為盡可能消除人為因素對茶葉品質(zhì)分析結(jié)果的干擾，廣大茶學(xué)研究學(xué)者嘗試采用茶湯色差值對茶葉品質(zhì)進(jìn)行定量化表征[3-6]。余書平等[7]對小葉種紅茶發(fā)酵過程中發(fā)酵葉色差及兒茶素、茶黃素等成分進(jìn)行跟蹤檢測，發(fā)現(xiàn)發(fā)酵葉色差與茶樣感官品質(zhì)和相關(guān)生化成分均呈現(xiàn)顯著性相關(guān)。楊娟等[8]測定了福鼎大白等10 個茶樹品種原料制成的工夫紅茶干茶、湯色和葉底色澤，并分析了各色澤L、a、b值與審評因子得分、色素含量和總得分的相關(guān)性，結(jié)果顯示紅茶試樣的感官審評評分與茶湯、葉底的色差均有較高的相關(guān)性。王家勤等[9]對26 個產(chǎn)于福建地區(qū)的工夫紅茶的43 個茶湯樣品進(jìn)行色差分析，并結(jié)合多變量分析和線性回歸擬合，建立茶湯亮度預(yù)測方程。陳星等[10]測定了滇紅、祁紅等8 種工夫紅茶的茶湯色差、色素含量，并與感官審評評分進(jìn)行相關(guān)性分析，結(jié)果顯示采用亨特-Lab 表色系表色法能夠較為準(zhǔn)確、快速地反映茶湯色品質(zhì)特點(diǎn)。以上研究都明確證實(shí)了茶葉色差與感官品質(zhì)之間存在顯著相關(guān)性，但目前的研究主要針對特定品種紅茶的色差值與品質(zhì)的相關(guān)性，且主要分析茶湯色澤，如需推廣至其他品種紅茶，需要根據(jù)具體品種色差值進(jìn)行校正[11]。茶葉品質(zhì)的影響因素眾多，例如茶葉品種、種植環(huán)境和加工工藝等，各個因素與茶葉品質(zhì)多是非線性對應(yīng)關(guān)系，但目前的研究主要采用線性回歸擬合的方法，難以滿足茶葉品質(zhì)分析的要求。

人工神經(jīng)網(wǎng)絡(luò)是人工智能的重要分支，采用并行分布式系統(tǒng)，具有自適應(yīng)、自組織和實(shí)時學(xué)習(xí)的特點(diǎn)，在理論上可實(shí)現(xiàn)任意函數(shù)的逼近[12]。神經(jīng)網(wǎng)絡(luò)能夠根據(jù)視覺圖像處理[13]、電子舌[14]、電子鼻[15]、近紅外光譜[16]等分析結(jié)果，實(shí)現(xiàn)對茶葉品質(zhì)的準(zhǔn)確評價。BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中最為經(jīng)典的模型之一，但由于BP 神經(jīng)網(wǎng)絡(luò)采用梯度下降法，容易出現(xiàn)收斂速度慢，陷入局部極值等缺點(diǎn)[17]。遺傳算法（Genetic Algorithms，GA）是模擬自然界遺傳和生物進(jìn)化論的一種隨機(jī)搜索優(yōu)化算法，具有良好的全局尋優(yōu)能力[18]。利用遺傳算法生成BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，能夠提高BP 神經(jīng)網(wǎng)絡(luò)的泛化和學(xué)習(xí)能力，從而改進(jìn)神經(jīng)網(wǎng)絡(luò)的整體搜索效率[19]。

寶慶桂丁茶是湖南省新邵縣特有的茶樹品種，歷史上曾是明清兩朝貢茶。寶慶桂丁紅茶是湖南興盛茶業(yè)科技有限公司在湖南農(nóng)業(yè)大學(xué)和邵陽市農(nóng)科院茶科所指導(dǎo)下，借鑒湖南紅茶工夫紅茶加工技術(shù)規(guī)程，自主研發(fā)的新品類[20]。寶慶桂丁紅茶花蜜香濃郁，滋味鮮爽，回味甘甜，品質(zhì)優(yōu)異。目前，關(guān)于寶慶桂丁紅茶的品質(zhì)研究還處于起步階段，相關(guān)研究還鮮有報(bào)道。本文在感官審評的基礎(chǔ)上，測定了不同等級寶慶桂丁紅茶干茶、茶湯和葉底的色澤，利用GABP 神經(jīng)網(wǎng)絡(luò)建立寶慶桂丁紅茶品質(zhì)量化評價模型，以期為寶慶桂丁紅茶品質(zhì)評判和工藝優(yōu)化提供數(shù)據(jù)支撐。

1 材料與方法

1.1 材料與儀器

供試的110 份寶慶桂丁紅茶 全部由湖南興盛茶業(yè)科技有限公司提供，2021 年3 月至6 月采自湖南省新邵縣巨口鋪鎮(zhèn)，參照湖南紅茶工夫紅茶制作規(guī)程生產(chǎn)制作，按照采制時間順序編號為1～110 號；試驗(yàn)用水 為農(nóng)夫山泉天然飲用水。

NH300 電腦色差儀、色差儀多功能測試組件深圳市三恩時科技有限公司；FA1004 電子分析天平上海力辰邦西儀器科技有限公司。

1.2 實(shí)驗(yàn)方法

1.2.1 感官審評方法 參照《GB/T 23776-2018 茶葉感官審評方法》[21]，稱取3 g 茶樣，用沸水150 mL 沖泡5 min 后，將茶湯倒入審評碗。由7 名專業(yè)審評人員分別對茶樣的外形、湯色、香氣、滋味和葉底進(jìn)行感官審評，具體標(biāo)準(zhǔn)見表1。綜合得分采用權(quán)數(shù)法：外形20%，湯色10%，香氣30%，滋味30%，葉底10%。去除最高分和最低分后，余下的5 個審評結(jié)果取平均得到最終審評結(jié)果。

表1 寶慶桂丁綠茶感官評定標(biāo)準(zhǔn)和評分系數(shù)Table 1 Sensory evaluation standards and score coefficients of Baoqing guiding green tea

1.2.2 茶湯和葉底色差的測定方法 參照陸建良等[22]提出的方法。感官審評余下的茶湯經(jīng)濾紙過濾后，冷卻至40 ℃，倒入萬能測試組件配備的石英比色皿，以蒸餾水為對照，用NH300 電腦色差儀測定色度，重復(fù)5次，取平均值。將沖泡后的紅茶葉底置于萬能測試組件的粉末測試盒，用NH300 電腦色差儀測試色度。色差值采用CIE-1976 色差系，測定三個分量L、a、b。

1.2.3 干茶色澤的測定方法 參照嚴(yán)俊等[23]提出的方法。取茶樣10 g，用粉碎機(jī)粉碎后，過100 目篩。取5 g 茶樣，置于萬能測試組件的粉末測試盒中測定色差值。用NH300 電腦色差儀測試色度，測量5次，記錄L、a、b值，取平均值。

1.3 數(shù)據(jù)處理

采用EXCEL 和SPSS 26.0 軟件對試驗(yàn)數(shù)據(jù)進(jìn)行分析處理。采用MATLAB2020b 軟件進(jìn)行GABP 神經(jīng)網(wǎng)絡(luò)構(gòu)建，隨機(jī)取110 份茶樣中的88 份測試結(jié)果用于評價模型的建立，余下22 份用于模型的驗(yàn)證。

2 結(jié)果與分析

2.1 寶慶桂丁紅茶的色差測試的描述性分析

對110 個寶慶桂丁紅茶茶樣分別測試了干茶、湯色和葉底的色差值，并進(jìn)行了描述性分析，結(jié)果見表2。

表2 寶慶桂丁紅茶色差結(jié)果描述性分析Table 2 Descriptive statistics of color difference analysis of Baoqing guiding black tea

表2色差分析結(jié)果顯示，寶慶桂丁紅茶湯L值在64.25～76.26 之間，平均值為68.95，a值在16.16～25.73，平均值為22.33，b值在60.88～77.34，平均值為71.58。根據(jù)CIE-LAB 表色體系，L值越大，說明茶湯的亮度越高，a值越大則顏色偏紅，b值越大則顏色偏黃[24]，因此，寶慶桂丁紅茶茶湯呈現(xiàn)出橙黃明亮的特征。

寶慶桂丁紅茶干茶的L值在16.29～19.55 之間，平均值為17.77，a值在2.15～3.14 之間，平均值為2.66，b值在4.08～4.92 之間，平均值為4.52。因此，寶慶桂丁紅茶的干茶顏色特征為黑色，符合烏黑油潤的顏色描述。

寶慶桂丁紅茶葉底的L值為24.28～26.33，平均值為25.02，a值為8.24～11.06，平均值為9.79，b值為9.04～16.35，平均值為12.84。因此，寶慶桂丁紅茶的葉底顏色特征為紅褐色。

2.2 寶慶紅茶色差與品質(zhì)的相關(guān)性

2.2.1 寶慶紅茶湯色與品質(zhì)的相關(guān)性分析 對寶慶桂丁紅茶茶湯色差與品質(zhì)的相關(guān)性進(jìn)行了分析，結(jié)果見表3。

表3 寶慶桂丁紅茶茶湯色差與品質(zhì)相關(guān)性分析Table 3 Analysis on correlation between infusion color and quality of Baoqing guiding black tea

從表3 的結(jié)果可以看出，寶慶桂丁紅茶湯色指標(biāo)、綜合品質(zhì)這兩個指標(biāo)均與茶湯的L值呈極顯著的負(fù)相關(guān)（P＜0.01），而與a值和b值呈極顯著正相關(guān)（P＜0.01）。且茶湯的L、a、b值之間呈極顯著相關(guān)性（P＜0.01），其中L值與a、b值之間為負(fù)相關(guān)，a和b值之間呈正相關(guān)。

2.2.2 干茶色澤與品質(zhì)的相關(guān)性分析 對寶慶桂丁紅茶的干茶色澤與品質(zhì)之間的相關(guān)性進(jìn)行了分析，結(jié)果見表4。

表4 寶慶桂丁紅茶干茶色差結(jié)果相關(guān)性分析Table 4 Analysis on correlation between tea color and quality of Baoqing guiding black tea

從表4 的結(jié)果來看，寶慶桂丁紅茶茶葉外形指標(biāo)與綜合品質(zhì)這兩個指標(biāo)與干茶的L和b值相關(guān)性較低，而干茶的a值與外形和綜合品質(zhì)都呈顯著正相關(guān)（P＜0.05），這可能與茶葉外形審評時，不僅僅看色澤，還需要考慮茶葉的緊細(xì)度和凈度等其他指標(biāo)有關(guān)[25]。干茶的L、a、b值之間存在一定的相關(guān)性，其中L值與a、b值之間為負(fù)相關(guān)，a和b值之間呈正相關(guān)。

2.2.3 葉底色澤與品質(zhì)的相關(guān)性分析 對寶慶桂丁紅茶葉底色澤與品質(zhì)的相關(guān)性進(jìn)行了分析，結(jié)果見表5。

從表5 的結(jié)果可以看出，寶慶桂丁紅茶葉底指標(biāo)和綜合品質(zhì)這兩個指標(biāo)與葉底的L值均呈極顯著負(fù)相關(guān)（P＜0.01），而與a值和b值呈極顯著正相關(guān)（P＜0.01）。且葉底的L、a、b值之間呈極顯著相關(guān)性（P＜0.01），其中L值與a、b值之間為負(fù)相關(guān)，a和b值之間呈正相關(guān)。

表5 寶慶桂丁紅茶葉底色差結(jié)果相關(guān)性分析Table 5 Analysis on correlation between leaves’ color and quality of Baoqing guiding black tea

從以上相關(guān)性分析得出，茶葉的茶湯、葉底和綜合品質(zhì)指標(biāo)與茶湯和葉底三者的L、a、b值之間呈極顯著相關(guān)性（P＜0.01）。這是因?yàn)樵趯Σ铚腿~底進(jìn)行感官審評時顏色是最重要的審評標(biāo)準(zhǔn)，茶湯要求是橙紅或橙黃明亮，而葉底則要求紅勻明亮。因此，采用茶葉色差值作為茶葉品質(zhì)的評價方法是可行的。

2.3 基于神經(jīng)網(wǎng)絡(luò)的寶慶桂丁紅茶品質(zhì)量化評價模型的構(gòu)建

2.3.1 神經(jīng)網(wǎng)絡(luò)的選擇 為了選擇合適的神經(jīng)網(wǎng)絡(luò)，對BP 神經(jīng)網(wǎng)絡(luò)和GA-BP 神經(jīng)網(wǎng)絡(luò)的擬合情況進(jìn)行了比較，結(jié)果見圖1 和圖2。兩個神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)均為9-5-1 結(jié)構(gòu)，即隱含層的節(jié)點(diǎn)數(shù)為5。其余神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)為：神經(jīng)網(wǎng)絡(luò)算法為Levenberg-Marquardt算法，最大循環(huán)次數(shù)為1000次，學(xué)習(xí)速率為0.1，方差目標(biāo)為0.0001。遺傳算法初始化參數(shù)為：種群規(guī)模為10，進(jìn)化迭代數(shù)為200，染色體編碼長度為55，學(xué)習(xí)因子為C1=C2=1.5，交叉概率為0.4，變異概率為0.1。本文將110 組數(shù)據(jù)的80%（即88 組）劃分為訓(xùn)練集、驗(yàn)證集和測試集，分別為62 組、13 組和13 組數(shù)據(jù)，用于模型的構(gòu)建，余下的22 組數(shù)據(jù)作為預(yù)測集進(jìn)行模型的驗(yàn)證。

圖1 BP 神經(jīng)網(wǎng)絡(luò)和GA-BP 神經(jīng)網(wǎng)絡(luò)的擬合效果對比Fig.1 Comparisonof fitting ability of BP network and GA-BP network

圖2 GA-BP 網(wǎng)絡(luò)殘差分析圖Fig.2 Residual analysis of GA-BP network

從圖1 中可以看出，BP 網(wǎng)絡(luò)和GA-BP 網(wǎng)絡(luò)都具有較好的擬合精度，決定系數(shù)R2都大于0.9。在相同的數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)情況下，GA-BP 網(wǎng)絡(luò)的訓(xùn)練、驗(yàn)證、測試和預(yù)測的決定系數(shù)（R2）都明顯高于BP 網(wǎng)絡(luò)，說明GA-BP 網(wǎng)絡(luò)的訓(xùn)練和擬合效果要優(yōu)于BP 網(wǎng)絡(luò)。GA-BP 網(wǎng)絡(luò)采用遺傳算法（GA）對BP 神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值進(jìn)行優(yōu)化，利用遺傳算法全局搜索最優(yōu)解的算法，將BP 神經(jīng)網(wǎng)絡(luò)最優(yōu)解的搜索范圍縮小到一個較小的解空間，使得網(wǎng)絡(luò)訓(xùn)練過程中收斂速度加快，同時解決BP 神經(jīng)網(wǎng)絡(luò)容易下入局部最優(yōu)的問題[26]。

從圖2 和圖3 可以看出，2 種模型的測試集和預(yù)測集樣本擬合結(jié)果的標(biāo)準(zhǔn)殘差大部分都落在[-2,2]的95%置信區(qū)間內(nèi)，標(biāo)準(zhǔn)殘差點(diǎn)的分布沒有明顯規(guī)律，均勻地分布在0 的兩側(cè)，表明擬合結(jié)果誤差服從正態(tài)分布，具有很好的隨機(jī)性，模型的選擇是合適的。

對比圖2 和圖3 可以發(fā)現(xiàn)，GA-BP 網(wǎng)絡(luò)的訓(xùn)練集和預(yù)測集的殘差也明顯優(yōu)于BP 網(wǎng)絡(luò)。GA-BP 網(wǎng)絡(luò)的訓(xùn)練和預(yù)測的殘差全部均勻地落在[-1,1]區(qū)間內(nèi)，而BP 網(wǎng)絡(luò)的訓(xùn)練的殘差也大多落在[-1,1]區(qū)間內(nèi)，大約有不到10%的殘差落在[-1,1]區(qū)間之外，但預(yù)測的殘差波動相對大一些，22 個預(yù)測殘差絕對值中有3 個超過1，其中兩個甚至超過2。這表明GA-BP 模型的擬合精度比BP 模型高，GA-BP 模型更適合于對寶慶桂丁紅茶品質(zhì)量化模型的構(gòu)建。

圖3 BP 網(wǎng)絡(luò)殘差分析圖Fig.3 Residual analysis of BP network

2.3.2 GA-BP 神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建 為了進(jìn)一步優(yōu)化GA-BP 模型的結(jié)構(gòu)，在[3,8]范圍內(nèi)對不同隱含層節(jié)點(diǎn)數(shù)GA-BP 神經(jīng)網(wǎng)絡(luò)分別進(jìn)行5次訓(xùn)練、驗(yàn)證、測試和預(yù)測，取5次的決定系數(shù)（R2）進(jìn)行分析，結(jié)果見圖4。從圖4 的結(jié)果可以看出，GA-BP 模型的訓(xùn)練效果都非常好，隱含層的增加對訓(xùn)練結(jié)果影響不大，所有擬合的決定系數(shù)都在0.99 左右。但隱含層節(jié)點(diǎn)數(shù)對驗(yàn)證、測試和預(yù)測的決定系數(shù)影響較大，且都呈現(xiàn)先增大而后減少的趨勢，在隱含層節(jié)點(diǎn)數(shù)為5 時達(dá)到最大值，驗(yàn)證、測試和預(yù)測的平均決定系數(shù)分別為0.973、0.988 和0.962，因此選擇隱含層節(jié)點(diǎn)數(shù)為5 進(jìn)行模型的構(gòu)建。

圖4 不同隱含層節(jié)點(diǎn)數(shù)擬合比較Fig.4 Comparison of fitting ability of different hidden layer nodes

對GA-BP 模型構(gòu)建過程的均方誤差（RMSE）進(jìn)行觀察，結(jié)果見圖5。從圖5 的結(jié)果可以看出，在GA-BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練的初期，訓(xùn)練、驗(yàn)證和測試的均方誤差在第2次訓(xùn)練RMSE 即下降至0.1 以下，而后驗(yàn)證和預(yù)測集的RMSE 基本保持不變，訓(xùn)練集的RMSE 仍持續(xù)下降至0.01，在訓(xùn)練至第8次時，驗(yàn)證的RMSE 開始上升至0.1 左右。從網(wǎng)絡(luò)的均方誤差變化情況來看，在模型訓(xùn)練的后期可能存在一定的過擬合情況，導(dǎo)致驗(yàn)證的誤差開始變大。通過對隱含層節(jié)點(diǎn)數(shù)的觀察，最終的GA-BP 神經(jīng)網(wǎng)絡(luò)采用9-5-1 的3 層網(wǎng)絡(luò)結(jié)構(gòu)。

圖5 GA-BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練曲線圖Fig.5 Training curve of GA-BP network

圖6是88 組數(shù)據(jù)在模型訓(xùn)練時的擬合效果，可以看出，GA-BP 模型的訓(xùn)練集、驗(yàn)證集和測試集的決定系數(shù)R2都大于0.9，說明該模型能夠較好地完成輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的非線性映射。訓(xùn)練集的決定系數(shù)最大，驗(yàn)證集的決定系數(shù)次之，測試集的決定系數(shù)最小，這樣反映出GA-BP 神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中存在一定的過擬合。結(jié)合圖1 的對比結(jié)果也可以發(fā)現(xiàn)遺傳算法的引進(jìn)，對于BP 神經(jīng)網(wǎng)絡(luò)存在的過擬合情況也有一定程度的改善，模型測試的決定系數(shù)也達(dá)到0.933。未來，我們將通過增加數(shù)據(jù)組數(shù)和算法優(yōu)化等方面的努力，進(jìn)一步提高模型的預(yù)測能力，解決過擬合現(xiàn)象。

圖6 GA-BP 神經(jīng)網(wǎng)絡(luò)擬合優(yōu)度圖Fig.6 Goodness of fit of GA-BP network

2.3.3 模型的預(yù)測結(jié)果分析 為了驗(yàn)證所構(gòu)建的GA-BP 模型的預(yù)測精度，將22 組數(shù)據(jù)對模型進(jìn)行驗(yàn)證，結(jié)果見圖7。

圖7 GA-BP 模型預(yù)測值與感官審評值的比較圖Fig.7 Comparison of model predict value and sensor evaluation

從圖7 中可以看出，雖然預(yù)測的決定系數(shù)仍然小于模型訓(xùn)練和驗(yàn)證的決定系數(shù)，但達(dá)到0.95，說明GA-BP 模型的預(yù)測性能是比較好的，可以準(zhǔn)確地反映寶慶桂丁紅茶品質(zhì)情況，所構(gòu)建地寶慶桂丁紅茶品質(zhì)量化評價神經(jīng)網(wǎng)絡(luò)模型是可靠的。

3 結(jié)論

茶葉色澤的審評普遍是通過人眼觀察，并結(jié)合經(jīng)驗(yàn)進(jìn)行感官審評，不僅受到感官審評環(huán)境（亮度等）的影響，也容易受個人喜好所左右[27-28]。為了提高紅茶品質(zhì)評價的客觀性，本文在感官審評的基礎(chǔ)上，用色差儀對寶慶桂丁紅茶的干茶、茶湯和葉底的色差值進(jìn)行測定，并利用GA-BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建量化評價模型。研究結(jié)果表明：

寶慶桂丁紅茶的感官審評因子和綜合品質(zhì)與茶湯和葉底的L、a、b值之間呈現(xiàn)極顯著相關(guān)性（P＜0.01），與干茶的L、a、b值之間相關(guān)性不顯著。這說明感官審評在進(jìn)行湯色和葉底審評時重點(diǎn)關(guān)注顏色，而對外形審評時不僅關(guān)注顏色，還有外形精細(xì)、顯毫等其他維度。這也表明，利用茶葉色差值對茶湯和茶葉的顏色進(jìn)行檢測能夠反映茶葉品質(zhì)的優(yōu)劣，因此基于色差值構(gòu)建量化評價模型是可行的。

通過對比GA-BP 神經(jīng)網(wǎng)絡(luò)和BP 神經(jīng)網(wǎng)絡(luò)，可以發(fā)現(xiàn)通過遺傳算法GA 的引進(jìn)能夠較好地解決BP 神經(jīng)網(wǎng)絡(luò)局部優(yōu)化和收斂速度低等問題，更好地反映色差值與茶葉品質(zhì)之間的非線性映射關(guān)系[29]。

通過對比不同隱含層的擬合效果，優(yōu)選出9-5-1的網(wǎng)絡(luò)結(jié)構(gòu)，驗(yàn)證、測試和預(yù)測的平均決定系數(shù)分別為0.973、0.988 和0.962。對構(gòu)建的GA-BP 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測能力進(jìn)行驗(yàn)證，發(fā)現(xiàn)該模型預(yù)測值與感官審評值的決定系數(shù)達(dá)到0.95，說明該模型具有可接受的預(yù)測網(wǎng)絡(luò)輸出的能力，且誤差較小。

本文采用GA-BP 神經(jīng)網(wǎng)絡(luò)對茶葉色差值與感官審評綜合品質(zhì)評價得分進(jìn)行非線性關(guān)聯(lián)，對茶葉品質(zhì)的色差分析以及非線性數(shù)學(xué)模型的構(gòu)建進(jìn)行了探索，為茶葉品質(zhì)評價提供了新的思路和方法。課題組也發(fā)現(xiàn)因?yàn)樗鶚?gòu)建遺傳算法和神經(jīng)網(wǎng)絡(luò)模型屬于“黑箱”模型，無法揭示色差值與茶葉品質(zhì)的內(nèi)在關(guān)聯(lián)關(guān)系，因此，構(gòu)建的模型在理論上只能針對特定茶葉品種[30]。另外，神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)過擬合的現(xiàn)象，也是在進(jìn)一步優(yōu)化模型算法時需要關(guān)注的方向。