全 文 ：第 29卷 第 11期 农 业 工 程 学 报 Vol.29 No.11
2013年 6月 Transactions of the Chinese Society of Agricultural Engineering Jun. 2013 255

近红外光谱技术结合人工神经网络判别普洱茶发酵程度
宁井铭 1，宛晓春 1，张正竹 1，毛小文 1，曾新生 2
（1. 农业部茶及药用植物安全生产重点开放实验室，安徽农业大学，合肥 230036；
2. 勐海茶业有限责任公司，勐海 666200）

摘 要：为了实现对普洱茶发酵程度快速判别，该研究提出了利用近红外光谱结合人工神经网络的方法。普洱茶
是中国特有的茶类，发酵是普洱熟茶品质形成的关键工序，目前对于发酵程度的评价主要依赖感官审评，缺乏客
观的量化依据。试验以轻度发酵、适度发酵和过度发酵 3个不同发酵程度的普洱茶为研究材料。首先对采集得到
的原始光谱进行标准归一化（SNV）预处理，利用人工神经网络（ANN）模式识别方法构建普洱茶发酵程度鉴别
模型，在模型建立过程中，通过交互验证的方法对模型的最佳主成分因子数（PCs）进行优化。当主成分因子数
为 9时，ANN模型所得到的结果最佳，模型交互验证识别率和预测识别率分别为 98.9%和 97.8%。研究结果表明，
近红外光谱技术结合模式识别能够实现对普洱茶发酵质量的快速判别，评判结果具有较高的准确性,优于感官审
评。
关键词：近红外光谱，神经网络，发酵，品质控制，普洱茶
doi：10.3969/j.issn.1002-6819.2013.11.033
中图分类号：TS272.7, O657.33 文献标志码：A 文章编号：1002-6819(2013)-11-0255-06
宁井铭，宛晓春，张正竹，等. 近红外光谱技术结合人工神经网络判别普洱茶发酵程度[J]. 农业工程学报，2013，
29(11)：255－260.
Ning Jingming, Wan Xiaochun, Zhang Zhengzhu, et al. Discriminating fermentation degree of Pu’er tea based on NIR
spectroscopy and artificial neural network[J]. Transactions of the Chinese Society of Agricultural Engineering
(Transactions of the CSAE), 2013, 29(11): 255－260. (in Chinese with English abstract)

0 引 言
普洱茶是中国特有的茶类，以其解除油腻、抑
菌、解毒等多种功效，深受国内外消费者青睐[1]。
发酵是普洱加工过程中品质形成的最关键工序，发
酵程度控制的好坏直接影响着普洱茶的最终品质。
发酵过度，茶汤红褐欠亮，滋味淡薄；发酵过轻，
则滋味苦中带涩，叶底黄褐泛青，只有适度发酵的
普洱熟茶才能形成外形褐红，汤色红浓透亮，滋味
醇厚回甘，陈香显现的特有品质。对于普洱茶发酵
质量的控制目前多依赖于感官判别，缺乏客观的量
化依据，从而对普洱茶质量的稳定带来了影响。
由于感官判别方法缺乏稳定性，不同技术人员
把握的标准差别很大，因此对普洱茶发酵程度的快
速准确判断是制约其标准化生产的关键技术难题。
近红外光谱（near infrared spectroscopy, NIR）是一
种快速无损的分析方法。红外光谱的信息主要来源

收稿日期：2012-10-25 修订日期：2013-05-22
基金项目：十二五科技支撑计划（2011BAD01B03-2）；安徽省高校自然
科学基金重点项目（KJ2013A109）
作者简介：宁井铭（1973－），男，汉族，安徽宿州人，安徽农业大学
副教授，博士，主要从事茶叶加工及品质分析研究。合肥 农业部茶及
药用植物安全生产重点开放实验室，安徽农业大学， 230036。
Email: ningjm@ahau.edu.cn
于等含氢基团（如 C-H、O-H、N-H 等）伸缩振动
的倍频和合频吸收，近红外光谱图谱上，依据茶
多酚、咖啡碱、氨基酸等不同种类物质所含化学
成分的不同，含氢基团倍频与合频振动频率不
同，则近红外图谱的峰位、峰数及峰强是不同
的，样品的化学成分差异越大，图谱的特征性
差异越强，据此可以对这些组分进行定性和定量
分析[2-3]。目前，近红外光谱技术结合不同的模式识
别方法已经在农产品品质分析[4-10]以及茶叶成分分
析上得到了应用[11-25]。本研究尝试利用近红外光谱
结合人工神经网络法（artificial neural network，
ANN）模式识别方法快速鉴别不同发酵程度的普洱
茶，为实现普洱茶加工过程中发酵质量的快速鉴别
和控制提供一种新的思路。
1 材料与方法
1.1 试验材料
试验所用的茶样全部来自云南勐海茶业有限
责任公司，普洱熟茶的加工工艺为，晒青毛茶发
酵压制成型烘干包装[26]，其中发酵是普洱熟
茶品质形成的关键工序，一般需要 60 d左右。
分别取在发酵堆温度 40～50℃、相对湿度
65%～75%条件下发酵 50 d（轻度发酵）、发酵 60 d
农业工程学报 2013年

256
（适度发酵）和发酵 70 d（过度发酵）3个不同发酵
程度的普洱茶样。用于发酵的晒青毛茶加工时间为
2009年 5月，等级为 6级，发酵时间为 2009年 11
－12月。前期研究表明，含水率对判别结果影响很
大，本试验在进行光谱提取前，利用微波炉快速烘
干茶样，使茶样的质量含水率在 6%左右。为了减
少样品在取样时不均匀性，先将样品粉碎为直径小
于 0.63 mm的颗粒，然后按照四分法原则[27]，随机
称取 20 g左右的茶样作为一个样本。每个发酵程度
的样品有 45个，总共有 135个样本。
1.2 光谱采集
光谱采集设备为傅立叶变换近红外光谱仪(德
国 BRUKER 公司 )。光谱采集范围 12 500～
4 000 cm-1；光谱分辨率 8 cm-1；扫描次数：32次（约
15 s），采用积分球的漫反射式采样方式。在光谱
采集过程中，基本保持室内温度在 25℃左右，相对
湿度在 40%。每个样本采集 3次，时间间隔为 1 min，
取 3次平均光谱作为该样本的原始光谱，得到的不
同发酵程度普洱茶 135个原始近红外光谱数据，如
图 1所示。


图 1 普洱茶的典型原始光谱
Fig.1 Typical raw spectral of Pu’er tea samples

1.3 光谱预处理方法
试验中，由于普洱茶样本为粉末状固体颗粒，
颗粒的大小和密实度会影响到光在固体颗粒内的
漫反射[28]。因此，需要对原始光谱数据进行预处理，
本研究将尝试标准归一化（standard normal variate，
SNV）、一阶导数+9 点平滑和二阶导数+9 点平滑
等 3类光谱预处理方法，并对它们的结果进行比较。
结果显示 SNV 可以很好地消除由于样品颗粒大小
不均匀和密实度不同而对光谱的影响，校正集相关
系数（correlation coefficient，R）达到了 0.9932，
此时交互验证均方根误差（root mean square error of
cross validation，RMSECV）最小为 0.1014，外部验
证预测均方根误差（root mean squared error of
prediction，RMSEP）也较低，取得的建模效果最
佳（表 1），因此，本研究最终采用 SNV方法对原
始近红外光谱进行预处理。普洱茶的原始光谱经预
处理后的光谱如图 2所示。
表 1 不同的光谱预处理下模型的统计参数
Table 1 Model statistical parameters with different spectral
pretreatment methods
校正集
Calibration set
验证集
Prediction set 光谱预处理
Spectral preprocessing
RMSECV R RMSEP R
标准归一化
Standard normal variate 0.1014 0.9932 0.2078 0.9351
一阶导数+9点平滑
1stDer+9 points smooth 0.2161 0.9458 0.2619 0.9013
二阶导数+9点平滑
2stDer+9 points smooth 0.4570 0.8926 0.5991 0.8537


图 2 原始光谱的归一化、一阶导数和
二阶导数预处理结果
Fig.2 SNV, first and second derivative spectra of raw spectral
第 11期 宁井铭等：近红外光谱技术结合人工神经网络判别普洱茶发酵程度

257
1.4 数据分析方法
本研究采用 ANN 模式识别方法构建普洱茶发
酵程度鉴别模型，根据 OPUS软件系统的推荐，比
较了经 SNV 预处理后光谱，分别在 4 个波段的光
谱区域建立了识别模型,识别结果如表所示（表 2）。
表 2 波数区间选取对模型预测性能的影响
Table 2 Calibration and validation results for spectral models
with different wave numbers
校正集
Calibration set
验证集
Prediction set 波数
Wave number/cm-1
RMSECV R RMSEP R
3 749.1～4 042.2 0.1038 0.9728 0.1121 0.9819
4 867.7～5 345.9 0.0976 0.9636 0.1031 0.9530
5 781.8～6 155.9 0.1012 0.9824 0.2321 0.9614
4 512.8～12 000.8 0.0941 0.9924 0.0908 0.9930

RMSECV 反映了预测值与真实值之间的偏离
程度，R 的大小决定了预测值与真实值之间相关的
密切程度。R越大，RMSECV越小，模型的预测效
果越好。从表 2可知，选择 4 512.8～12 000.8 cm-1
信息建立模型最好。所有的试验数据分析都是基于
Matlab V6.5软件平台，近红外光谱的原始数据是通
过 OPUS软件（近红外系统自带）获取的。
2 结果与分析
2.1 原始数据的主成分分析
发酵后的普洱茶中仍含有茶多酚、生物碱以及
色素等多种有机成分，这些有机成分中的含氢基团
能在近红外区域产生倍频与合频吸收，因此，普洱
茶样本的信息在近红外光谱区间内存在大量的相
关性，这会造成一定量的信息冗余，降低模型的预
测性能。
主成分分析是把多个指标化为几个综合指标
的一种统计方法。光谱信息经主成分分析后，以前
3 个主成分因子得分向量作图，结果如图 3 所示。
第一主成分（PC1）的方差贡献率为 92.91%，第二
主成分（PC2）的方差贡献率为 2.57%，第三主成
分（PC3）的方差贡献率为 1.15%。前 3 个主成分
累计方差贡献率接近 96.63%，几乎可以代表样本在
原始数据全部的信息。从图 3 可看出，3 类不同发
酵程度的普洱茶样本在此三维空间中有明显的聚
类趋势，且依次分布，相邻的 2类样本间距离较近。
普洱茶在发酵过程中，其内含大部分有机物质会发
生相应的降解，它们的结构和含量会发生相应的变
化，这些造成它们在近红外区域产生不同的倍频与
合频吸收。发酵的程度不一样，它们内部成分变化
的程度也不一样，这样发酵程度相邻的 2类样本在
此三维空间的距离相近，因为它们的内部成分结构
含量接近。由此可见，该三维主成分得分图能充分
反映 3类不同的发酵程度普洱茶内部成分结构和含
量的相似性与差异性。

图 3 3种不同发酵程度普洱茶 3个主成分图
Fig3 Distribution of Pu’er tea samples from 3 different
fermentative degrees in 3D principal components space

2.2 模式识别结果
在本研究中，从不同批次茶样中随机取轻度发
酵、适度发酵和过度发酵 3类不同发酵程度的普洱
茶。从每个不同发酵程度茶样中任意选择 30 个作
为训练集，其余的 15 个样品作为预测集，试验中
训练集总共有 90个样本，预测集总共有 45个样本。
分别提取不同数目的主成分因子作为特征变
量，建立 ANN 判别模型。以模型对训练集和预测
集茶样的识别率作为衡量指标，不同的主成分因子
数对识别率的影响结果如图 4所示。

图 4 不同主成分下模型识别率
Fig.4 Discriminating rates of emendation and forecast with
different factor using ANN model

从图 4 中可以看出，在主成分数为 1～8 时，
模型的识别率随主成分因子数的增加而增加，当主
成分数增加到 9 时，累计方差贡献率接近 100%，
此时，判别模型对训练集中样本的总体识别率为
农业工程学报 2013年

258
98.9%，对预测集中样本的总体识别率为 97.8%，均
达到最大值。在 ANN 模型构建过程中，采用三层
网络拓扑结构，其中输入层单元数为 9（即 9 个主
成分输入向量），输出层单元数为 3（即 3个类别）。
模型通过优化最终得到中间层单元数为 8，最终得
到一个 9-8-3 三层拓扑结构，采用 Sigmoid 型函数
作为传递函数。
ANN 模型对不同发酵程度普洱茶识别结果如
表 3所示，从表 3中可以看出，训练集中仅有 1个
适度发酵的茶样被误判为过度发酵，总体识别率达
到了 98.9%。在预测集中有 1个轻度发酵发酵茶样
被误判为适度发酵，总体识别率为 97.8%。
表 3 不同发酵程度茶样的识别结果
Table 3 Discriminating rates of different fermentative degrees using ANN model
识别结果
Result of identification 样本集
Samples
类别
Category
样本数
Total samples 轻度发酵
Mild fermentation
适度发酵
Moderate
fermentation
过度发酵
Excessive
fermentation
识别率
Rate of
identification/%
总体
识别率
Total rate of
identification/%
轻度发酵
Mild fermentation 30 30 0 0 100.00
适度发酵
Moderate fermentation 30 0 29 1 96.70
训练集
Calibration set
过度发酵
Excessive fermentation 30 0 0 30 100.00
98.90
轻度发酵
Mild fermentation 15 14 1 0 93.30
适度发酵
Moderate fermentation 15 0 15 0 100.00
预测集
Prediction set
过度发酵
Excessive fermentation 15 0 0 15 100.00
97.80

3 结 论
1）研究首次利用近红外光谱技术识别轻度发
酵、适度发酵和过度发酵 3种不同发酵程度的普洱
茶，原始光谱经标准归一化预处理后，通过主成分
分析获取最佳主成分数，采用人工神经网络方法建
立识别模型。选择适当的主成分数，此时模型对训
练集与预测集中样本的识别率均达到了 97%以上。
试验结果充分表明，近红外光谱结合神经网络方法
建立识别模型，能够对普洱茶发酵程度进行控制。
2）鉴于茶叶的含水率对光谱影响较大，本试
验采用快速干燥后检测的办法，这为生产中实现普
洱茶加工过程中发酵程度的快速鉴别和普洱茶品
质控制提供一种新的思路，也为普洱茶标准化加工
提供了技术支持。
[参 考 文 献]
[1] 宁井铭，张正竹，谷勋刚，等. 于高效液相色谱的普
洱晒青毛茶指纹图谱识别方法[J]. 农业工程学报，
2010，26(3)：243－248.
Ning Jingming, Zhang Zhengzhu, Gu Xungang, et al.
Fingerprint identification method of Pu’er raw tea based
on high performance liquid chromatography profiles[J].
Transactions of the Chinese Society of Agricultural
Engineering (Transactions of the CSAE), 2010, 26(3):
243－248. (in Chinese with English abstract)
[2] 陆婉珍，袁洪福，徐广通，等. 现代近红外光谱分析
技术[M]. 北京：中国石化出版社，2004.
[3] 严衍禄. 近红外光谱分析基础与应用[M]. 北京：中国
轻工业出版社，2005.
[4] 张军翔，冯长根，李华. 不同品种红葡萄酒花色苷高
效液相色谱指纹图谱识别[J]. 农业工程学报，2006，
22(10)：216－221.
Zhang Junxiang, Feng Changgen, Li Hua. Recognition of
red wines from different grape cultivars by high
performance liquid chromatography anthocyanins
fingerprint[J]. Transactions of the Chinese Society of
Agricultural Engineering (Transactions of the CSAE),
2006, 22(10): 216－ 221. (in Chinese with English
abstract)
[5] 张红涛，毛罕平，韩绿化. 近红外高光谱成像技术检
测粮仓米象活虫[J]. 农业工程学报，2012，28(8)：263
－268.
Zhang Hongta, Mao Hanping, Han Lühua. Detection of
live Sitophilus oryzae (L.) in stored wheat by near-
infrared hyperspectral imaging[J]. Transactions of the
Chinese Society of Agricultural Engineering (Transactions
of the CSAE), 2012, 28(8): 263－268. (in Chinese with
English abstract)
[6] 朱大洲，孟超英，屠振华，等. 不同类型近红外模型
在苹果汁检测中的应用[J]. 农业工程学报，2009，25(增
刊 2)：325－329.
Zhu Dazhou, Meng Chaoying, Tu Zhenhua, et al.
Application of different of models near infrared
spectroscopy in detection of apple juice[J]. Transactions
of the Chinese Society of Agricultural Engineering
(Transactions of the CSAE), 2009, 25(Supp.2): 325－329.
(in Chinese with English abstract)
[7] 陆辉山，应义斌，傅霞萍，等. 新鲜苹果汁可溶性固
形物含量的傅里叶变换近红外光谱检测[J]. 光谱学与
光谱分析，2007，27(3)：494－498.
Lu Huishan, Ying Yibin, Fu Xiaping, et al. Estimation of
soluble solids content of apple fresh juice by FTNIR
spectroscopy[J]. Spectroscopy and Spectral Analysis,
2007, 27(3): 494－ 498. (in Chinese with English
abstract)
第 11期 宁井铭等：近红外光谱技术结合人工神经网络判别普洱茶发酵程度

259
[8] 夏俊芳，李小昱，李培武，等. 基于小波变换的柑橘
维生素 C 含量近红外光谱无损检测方法[J]. 农业工程
学报，2007，23(6)：170－174.
Xia Junfang, Li Xiaoyu, Li Peiwu, et al. Approach to
nondestructive measurement of Vitamin Content of
orange with near-infrared spectroscopy treated by
wavelet transform[J]. Transactions of the Chinese Society
of Agricultural Engineering (Transactions of the CSAE),
2007, 23(6): 170－ 174. (in Chinese with English
abstract)
[9] 马兰，夏俊芳，张战锋，等. 基于小波变换的番茄总
糖近红外无损检测[J]. 农业工程学报，2009，25(10)：
350－354.
Ma Lan, Xia Junfang, Zhang Zhanfengg, et al.
Nondestructive examination of total sugar in tomatoes
with near infrared spectroscopy based on wavelet
transform[J]. Transactions of the Chinese Society of
Agricultural Engineering (Transactions of the CSAE),
2009, 25(10): 350－ 354. (in Chinese with English
abstract)
[10] 刘洁，李小昱，李培武，等. 基于近红外光谱的板栗
水分检测方法[J]. 农业工程学报，2010，26(2)：338－
341.
Liu Jie, Li Xiaoyu, Li Peiwu, et al. Determination of
moisture in chestnuts using near infrared spectroscopy[J].
Transactions of the Chinese Society of Agricultural
Engineering (Transactions of the CSAE), 2010, 26(2):
338－341. (in Chinese with English abstract)
[11] CHen Q S, Zhao J W, Liu M H, et al. Determination of
total polyphenols content in green tea using FT-NIR
spectroscopy and different PLS algorithms[J]. Journal of
Pharmaceutical and Biomedical Analysis, 2008, 46(3):
1321.
[12] Chen Q S, Zhao J W, Lin H. Study on discrimination of
Roast green tea (Camellia sinensis L.) according to
geographical origin by FT-NIR spectroscopy and
supervised pattern recognition[J]. Molecular and
Biomolecular Spectroscopy, 2009, 72(4): 845.
[13] Chen Quansheng, Zhao Jiewen, Chaitep Sumpun, et al.
Simultaneous analysis of main catechins contents in
green tea [Camellia sinensis (L.)] by Fourier transform
near infrared reflectance (FT-NIR) spectroscopy[J]. Food
Chemistry, 2009(113): 1272－1277.
[14] 罗一凡，郭振飞，许旋，等. 广东岭头单枞茶高效液
相色谱指纹图谱的研究[J]. 食品科学，2005，26(4)：
206－209.
Luo Yifan, Guo Zhenfei, Xu Xuan, et al. Studies on high
performance liquid chromatographic fingerprint of ling
tou dan cong oolong Tea[J]. Food Science, 2005, 26(4):
206－209. (in Chinese with English abstract)
[15] 王丽鸳，成浩，周键，等. 绿茶数字化多元化学指纹
图谱建立初探[J]. 茶叶科学，2007，27(4)：335－342.
Wang Liyuan, Cheng Hao, Zhou Jian, et al. A
preliminary attempt to establish the digital multiple
chemical fingerprints of green tea[J]. Journal of Tea
Science, 2007, 27(4): 335－342. (in Chinese with English
abstract)
[16] 李晓丽，程术希，何勇. 基于漫反射光谱的初制绿茶
含水率无损检测方法[J].农业工程学报，2010，26(5)：
195－201.
Li Xiaoli, Cheng Shuxi, He Yong. Nondestructive
measurement of moisture content of green tea in primary
processing based on diffuse reflectance spectroscopy[J].
Transactions of the Chinese Society of Agricultural
Engineering (Transactions of the CSAE), 2010, 26(5):
195－201. (in Chinese with English abstract)
[17] 何昱，洪筱坤，王智华. 33 批茶多酚高效液相色谱指
纹图谱的质量控制研究[J]. 中国药学杂志，2006，
41(2)：139－143.
He Yu, Hong Xiaokun, Wang Zhihua. Study on HPLC-
fingerprint quality control of thirty-three batches of tea
polyphenols[J]. Chinese Pharmaceutical Journal, 2006,
41(2): 139－143. (in Chinese with English abstract)
[18] 成浩，王丽鸳，周健，等. 基于化学指纹图谱的扁形
茶产地判别分析研究[J]. 茶叶科学，2008，28(2)：83
－88.
Cheng Hao, Wang Liyuan, Zhou Jian, et al. Discriminant
classification of production area of flatten-shaped green
tea based on multiple chemical fingerprint[J]. Journal of
Tea Science, 2008, 28(2): 83－88. (in Chinese with
English abstract)
[19] 陈全胜，赵杰文，蔡建荣，等. 基于近红外光谱和机
器视觉的多信息融合技术评判茶叶品质[J]. 农业工程
学报，2008，24(3)：5－10.
Chen Quansheng, Zhao Jiewen, Cai Jianrong, et al.
Inspection of tea quality by using multi-sensor
information fusion based on NIR spectroscopy and
machine visions[J]. Transactions of the Chinese Society
of Agricultural Engineering (Transactions of the CSAE),
2008, 24(3): 5－10. (in Chinese with English abstract)
[20] He Y, Li X L, Deng X F. Discrimination of varieties of
tea using near infrared spectroscopy by principal
component analysis and BP model[J]. Journal of Food
Engineering, 2007, 79(4): 1238－1242
[21] 孙耀国，林敏. 近红外光谱法测定绿茶中氨基酸、咖
啡碱和茶多酚的含量[J]. 光谱实验室，2004，21(5)：
940－943.
Sun Yaoguo, Lin Min. Determination of the contents of
free amino acids, caffeine and tea polyphenols in green
tea by Fourier transform near-infrared spectroscopy[J].
Chinese Journal of Spectroscopy Laboratory, 2004, 21(5):
940－943. (in Chinese with English abstract)
[22] 胡永光，李萍萍. 基于可见-近红外光谱技术预测茶鲜
叶全氮含量[J]. 光谱学与光谱分析，2008，28(12)：2821
－2825.
Hu Yongguang, Li Pingping. Determination of total
nitrogen content in fresh tea leaf using visiable-near
infrared spectroscopy[J]. Spectroscopy and Spectral
Analysis, 2008, 28(12): 2821－2825. (in Chinese with
English abstract)
[23] 陈孝敬，吴迪. 基于多光谱图像颜色特征的茶叶分类
研究[J]. 光谱学与光谱分析，2008，28(11)：2527－2530.
Chen Xiaojing, Wu Di. Study on discrimination of tea
based on color of multispectral image[J]. Spectroscopy
and Spectral Analysis, 2008, 28(11): 2527－2530. (in
Chinese with English abstract)
[24] 周健，成浩，王丽鸳，等. 基于杠杆率校正的 PLS-DA
法对正半岩武夷岩茶的识别研究[J]. 茶叶科学，2009，
29(1)：34－40.
Zhou Jian, Cheng Hao, Wang Liyuan, et al. Recognition
of wuyi zheng yan tea with PLS-DA based on leverage
correction using near infrared spectra[J]. Journal of Tea
Science, 2009, 29(1): 34－40. (in Chinese with English
abstract)
[25] 陈全胜，江水泉，王新宇. 基于电子舌技术和模式识
别方法的茶叶质量等级评判[J]. 食品与机械，2008，
24(1)：124－126.
农业工程学报 2013年

260
Chen Quansheng, Jiang Shuiquan, Wang Xinyu.
Discrimination of teas quality level based on electronic
tongue and pattern recognition[J]. Food and machinery,
2008, 24(1): 124－126. (in Chinese with English abstract).
[26] 何青元 . 云南普洱茶加工工艺探讨[J]. 贵州茶叶，
2002，111(3)：13－15.
He Qingyuan Discussing processing technology of
Yunnan Pu’er teas[J]. Journal of Guizhou Tea, 2002,
111(3): 13－15. (in Chinese with English abstract)
[27] 陈全胜，赵杰文，张海东，等. 基于支持向量机的近
红外光谱鉴别茶叶的真伪[J]. 光学学报，2006，26(6)：
933－937.
Chen Quansheng, Zhao Jiewen, Zhang Haidong et al.
Indentification of authenticity of tea with near infrared
spectroscopy based on support voctor machine[J]. Acta
Optica Sinica, 2006, 26(6): 933－937. (in Chinese with
English abstract)
[28] 赵杰文，蒋培，陈全胜. 雪莲花产地鉴别的近红外光
谱分析方法[J]. 农业机械学报，2010，41(8)：111－114.
Zhao Jiewen, Jiang Pei, Chen Quansheng. Discrimination
of snow lotus from different geographical origins by near
infrared spectroscopy[J]. Transactions of the Chinese
Society for Agricultural Machinery, 2010, 41(8): 111－
114. (in Chinese with English abstract)



Discriminating fermentation degree of Pu’er tea based on NIR
spectroscopy and artificial neural network

Ning Jingming1, Wan Xiaochun1, Zhang Zhengzhu1, Mao Xiaowen1, Zeng Xinsheng2
(1. Key Laboratory of Tea and Medicinal Plant and Product Safety, Ministry of Agriculture, Anhui agricultural university Hefei
230036, China; 2. Menghai Tea Co.Ltd, Menghai 666200, China)

Abstract: In order to get a rapid estimation on the fermentation degree of Pu’er tea in processing, the method of
Near Infrared (NIR) spectroscopy combined with Artificial Neural Network (ANN) was first established in this
study. Pu’er tea is a special tea that was processed in China only, and was favored by consumers at home and
abroad with its bacteriostatic effect and its removal of grease, detoxification and other effects. Fermentation is the
most critical process. The degree which is good or bad of fermentation affects the last quality of Pu’er tea directly.
Fermentation is high, the beverage color may be red brown, and taste is weak. If fermentation is light, the taste is
bitter and astringent, with brown leaves rather than green. Fermentation moderately can form the Pu’er ripe tea
character, which is brown and red, thick in shape, and with a bright red color and mellow taste. Now, the quality
of Pu’er tea on fermentation control is more dependent on sensory discrimination, there is a lack of an objective
quantitative basis, which affects the stable quality of Pu’er tea. Use of different technical personnel to grasp the
standard difference is very common. Because of the lack of stability of the sensory discrimination method, it is the
key technical problem as to how to judge the fast and accurate fermentation degree of Pu’er tea, which affects
standardization of production.
Near infrared spectral analysis technology combined with a pattern recognition method has been used for the
identification of the quality in wine, food, fruits, vegetables, Chinese chestnuts etc. Components analysis of tea
and agricultural products has been received successfully.
In this experiment, three different fermentation degrees of Pu’er tea, mild fermentation, moderate
fermentation, and excessive fermentation respectively, were used as experimental targets. The original spectra
data collected from the samples were firstly preprocessed by the Standard Normal Variate (SNV) method, in order
to reduce the influence of the different particles of tea to the spectroscopy. The identification model for the Pu’er
tea fermentation degree was constructed by the Artificial Neural Network recognition mode. In the process of
model establishment, the best number of principal component factors (PCs) was optimized by a cross-validation
method. The experimental results indicated that the optimum result could be obtained by an Artificial Neural
Network model when the principal component factors were 9. Together, the relative discrimination rates of the
Artificial Neural Network model were 98.9% and 97.8% in the training and prediction sets, respectively. The
overall results proved that it was feasible to estimate Pu’er tea fermentation quality by Near Infrared spectroscopy
combined with an Artificial Neural Network. The estimation results have higher veracity, and the correct rate of
this estimation model was better than the sensor evaluation.
Key words: near infrared spectroscopy, neural networks, fermentation, quality control, Pu’er tea