中华人民共和国农业行业标准
NY/T 4865—2025
茶叶水分、全氮量和粗纤维含量同时测定近红外光谱法
Simultaneous determination of moisture, total nitrogen, and crude fiber content in tea leaves—near-infrared spectroscopy method
2025-12-09 发布
2026-05-01 实施
中华人民共和国农业农村部发布
NY/T 4865—2025
前言
本文件按照 GB/T 1 .1—2020« 标准化工作导则第 1 部分 : 标准化文件的结构和起草规则»的规定起草 .
请注意本文件的某些内容可能涉及专利 . 本文件的发布机构不承担识别专利的责任 .
本文件由农业农村部农产品监管司提出 .
本文件由农业农村部农产品加工标准化技术委员会归口 .
本文件起草单位 :安徽农业大学、金寨县农业农村局、黄山市农业农村局、池州市农产品质量安全监测中心、泾县农业农村局、安徽四海茶业有限公司 .
本文件主要起草人 : 宁井铭、李露青、陈辉、徐卫兵、唐春兰、王玉洁、张永盛、邓威威、刘政权、宛晓春、张正竹、朱国英、何四海 .
茶叶水分、全氮量和粗纤维含量同时测定
近红外光谱法
1 范围
本文件描述了用近红外光谱测定茶叶中水分、全氮量和粗纤维含量的仪器、测定、定标模型验证及评
价、结果处理和表示、异常样品的确认和处理。
本文件适用于茶叶中水分、全氮量和粗纤维含量的快速测定。
2 规范性引用标准
下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。 其中 ,注日期的引用文件 ,仅该日期对应的版本适用于本文件 ; 不注日期的引用文件 , 其最新版本(包括所有的修改单)适用于本
文件。
GB 5009 .3 食品安全国家标准食品中水分的测定GB 5009 .5 食品安全国家标准食品中蛋白质的测定
GB/T 6379 .2 测量方法与结果的准确度(正确度与精密度) 第 2 部分 : 确定标准测量方法重复性与再现性的基本方法
GB/T 8302 茶取样
GB/T 8310 茶粗纤维测定
GB/T 29858 分子光谱多元校正定量分析通则
GB/T 30766 茶叶分类
3 术语和定义
GB/T 30766 界定的以及下列术语和定义适用于本文件。
3 .1
定标模型 calibration model
利用化学计量学方法建立的样品近红外光谱与对应化学标准值之间的数学模型。
3 .1 .1
样品集 sampleset
具有代表性的、基本覆盖相关组分含量范围的至少 100 个样品。
3 .1 .2
定标样品集 calibration samples参比定标模型建立的样品集。
3 .1 .3
验证样品集 validation samples
用于验证近红外模型测定结果的准确性和重复性的样品集。 验证样品集不参与定标模型建立。
3 .2
异常样品 outliersamples
样品近红外光谱与定标样品差别过大 ,具体表现为样品近红外光谱的马哈拉诺比斯(Mahalanobis)距离 (H 值)大于 3 k/n 时 (对 PLS方法来讲 ,k 为主成分数 ;n 为定标样品数) ,则该样品被视为异常样品。
3 .3
定标模型验证 calibration modelvalidation
使用验证样品集验证定标模型准确性和重复性的过程。
4 仪器设备
4 .1 近红外光谱仪
带可连续扫描单色器的漫反射型近红外光谱仪或其他类产品 , 光源为 10 W 钨卤灯 , 扫描范围为780 nm~ 2 500 nm ,分辨率 10 nm ,波长准确性 0 .2 nm ,波长重复性 ±0 .05 nm。
4 .2 手持式液压机(CDM_5M)
具有将粉末状样品压制成表面光滑块状的功能。
4 .3 软件
适合 WINDOWS或 Mac操作系统 ,具有近红外光谱数据的收集、存储、预处理、建模和预测等功能。
4 .4 样品皿
采用 4 .1 中的近红外仪器配套的样品皿。
4 .5 筛子
孔径为 0 .180 mm。
4 .6 标准白板
由优质的 PTFE树脂压制、喷制或发泡烧制而成 ,光学性质稳定 , 已经标定过且有光谱反射率数据的白板。
5 测定
5 .1 测定前的准备
5 .1 .1 从待测茶叶样品中按 GB/T 8302 规定的方法取出一部分有代表性的样品。
5 .1 .2 样品采集后 ,需要粉碎成粉末 ,粒度要求过 0 .180 mm 孔径筛 ,混合均匀后 ,取 3 .0 g在 40 MPa压强下压制成直径 20 mm~ 25 mm、厚度 5 mm 圆饼 ,要求表面光滑。
5 .1 .3 扫描光谱前 ,先将仪器预热 30 min,保持仪器系统内部稳定 ;待预热完毕后 ,对仪器进行自检 ,查看仪器是否运行正常。
5 .1 .4 在使用状态下 ,每 5 h扫描一次标准白板 ,保证光谱的准确性。
5 .2 样品的测定
仪器预热后 ,扫描样品近红外光谱 ;对同批次样品粉碎后 ,使用牢固的包装密封物保存样品 ,并放在装
有有效干燥剂的干燥器中盛放。 在光谱采集过程中 ,每个样品采集 3 个不同位置的光谱 ,将 3 个位置的光
谱平均值作为该样品的最终光谱。
5 .3 定标模型的建立
5 .3 .1 定标样品参数收集
红外光谱仪按照 5 .2 的方法 , 采集每个代表性样品的光谱值 , 存储到 5 .3 的软件中。 按照 GB 5009 .3、
GB 5009 .5、GB/T 8310 规定的方法 ,分别检测每个样本的水分、全氮量和粗纤维含量 , 作为建模的参考
值 ,存储到 5 .3 的软件中。 统计分析方法按照 GB/T 6379 .2、GB/T 29858 的规定执行 ,定标程序应符合
附录 A 中的规定。
5 .3 .2 模型的建立与验证
利用所有定标样品的光谱值和所对应检测指标的标准值 ,对原始光谱采用 13 点平滑加上一阶导数(1 stDer)进行预处理 , 选择 800 nm ~ 2 175 nm 为建模谱区 , 用 8 个主成分数 (PCs) , 采用偏最小二乘(PLS)方法建立水分含量的预测模型。 对原始光谱采用 9 点平滑、一阶导数(1 stDer)结合标准正态变量变换 (SNV)预处理 ,选择 1 637 nm~ 2 355 nm 为建模谱区 ,用 5 个主成分数(PCs) ,采用 PLS方法建立全氮含量的预测模型。
对原始光谱采用 5 点平滑、一阶导数 (1 stDer)结合多元散射校正 (MSC)预处理 , 选择 1 332 nm~ 1
835 nm 联合 2 260 nm~ 2 355 nm 为建模谱区 ,用 10 个主成分数(PCs) ,采用 PLS方法建立粗纤维含量的预测模型 . 建立好的模型存储到软件中 ,可随时调用 . 评价模型的预测可靠性(验证) ,使用 “交叉检验 ”和 “外部检验 ”(交叉检验中建模和检验使用相同的样品系列 ,外部检验需使用 2 个样品系列) . PLS模型的评判指标主要包括 :相关系数(R/r) ,交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP) .
5 .4 对未知样品的测定
待测定的茶样按照 5 .1 .2 的方法处理 ,经过粉碎、过筛和压饼后 ,平放在仪器的扫描窗口上 ,确保能完全遮盖窗口 . 样品放置好后 ,开始扫描光谱 ,根据样品的光谱数据 ,仪器会给出相应的样品中各品质成分含量 .
6 定标模型验证及评价
6 .1 验证的基本要求
6 .1 .1 下列情况之一 ,需对近红外光谱分析仪的已有定标模型进行验证 :
a) 定标模型首次使用时 ,或定标模型更新后 ,或更换仪器时 ;
b) 仪器维修或更换光源等配件后 ;
c) 其他需要验证时 ;
d) 每年至少进行 2 次验证 .
6 .1 .2 样品粒度等物理特性应与定标模型使用的样品一致 .
6 .1 .3 验证测试时的温度范围应与定标模型规定的温度范围一致 .
6 .1 .4 使用验证样品获得的定标模型验证结果 ,只适用于验证样品所涉及的范围 .
6 .1 .5 样品组分的标准值 ,应由有资质的 3 个实验室 ,按照规定的标准方法进行测定并统计确定 . 样品组分化学分析应与近红外光谱分析同期进行 .
6 .2 验证的内容及评价
6 .2 .1 准确性
采用验证集样品对定标模型的准确性进行验证时 ,验证的预测均方根误差(RMSEP)应符合表 1 的要求 . 不符合要求的 ,不能通过验证 ,应该查明原因 ,否则不能用该仪器进行预测 .
6 .2 .2 重复性
采用验证集样品对定标模型的重复性进行验证 . 选择组分含量高、中、低的 3 个验证集样品 ,分别测定 10 次 ,各测定结果的重复性应符合表 1 的要求 . 不符合要求的 ,不能通过验证 ,应该查明原因 ,重新进行验证 ,直至符合要求 .
表 1 定标模型评价基本要求
7 结果处理和表示
7 .1 3 次测定结果的绝对差应不大于 1 .0% ,取 3 次数据的平均值为测定结果 ,测定结果保留至小数点后1 位 .
7 .2 异常样品的确认和处理流程按照第 8 章的规定执行 .
8 异常样品的确认和处理
8 .1 异常样品的确认
样品水分、全氮量、粗纤维含量超出定标模型范围的样品认定为疑似异常样品 ,应进行第二次近红外
测定予以确认。
8 .2 您常样品的处理
异常样品可分为 “好 ”“坏 ”两类 ,“好 ”的异常样品加入定标模型后可增加该模型的分析能力 ,而 “坏 ”的异常样品加入定标模型后 ,只能降低分析的准确度。 “好 ”“坏 ”异常样品的判别标准有 2 个 :一是 H 值 , 阈值范围一般设为 5 ,通常 “好 ”的异常样品 H 值 ≤5 ,通常 “坏 ”的异常样品 H 值 >5;二是 RMSECV,通常“好 ”的异常样品加入定标模型后 , RMSECV 不会显著增加 , 而 “坏 ”的异常样品加入定标模型后 , RM__ SECV将显著增加。
近红外光谱分析中发现异常样品后 ,要用标准理化检测方法对该样品进行分析 , 同时对该异常样品类型进行确定 ,属于 “好 ”的异常样品则保留 ,并加入到定标模型中 ,对定标模型进行升级 ;属于 “坏 ”的异常样品则放弃。
附录 A (规范性)定标程序
A.1 样品的选择
参与定标的样品应具有代表性 , 即需涵盖将来所要分析样品的特性。 创建一个新的校正模型 ,至少需
为了使定标模型具有较好的稳定性 , 即其预测性性能不受仪器本身波动和样品的温度发生变化的影响 ,在定标中应加上温度发生变化的样品和仪器发生变化的样品。
A.3 定标样品选择的方法
对定标样品的选择应使用主成分分析法(PCA)。根据样品在 score1 vs.score2 空间位置的不同选择
有代表性的样品 ,去除空间位置非常接近的样品。
A.4 定标样品真实值的测定
对于定标样品需要知道其水分、全氮量和粗纤维含量的真值 , 在实际测量中 , 通常以标准方法 GB 5009 .3、GB 5009 .5 和 GB/T 8310 的测定值代替。
A.5 定标方法
偏最小二乘法(PLS) ,该方法在确定独立变量时 ,不仅考虑光谱的信息(X 变量) ,还考虑化学分析值(Y 变量)。 它是目前近红外光谱分析上应用最多的回归方法 ,在制定本文件时应用 PLS。
A.6 定标模型更新
定标是一个由小样本估计整体的计量过程 , 因此定标模型预测能力的高低取决于定标样品的代表性。
由于预测样品的不确定性 ,不易立即选择到合适的定标样品。 因此 ,在实际分析工作中 ,通常用动态定标
a) 定标设计 ;
b) 分析测定 ;
c) 定标运算 ;
d) 实际预测 ;
e) 异常数据检查 ;
f) 再定标设计 ;
g) 再分析测定 ;
h) 再定标运算。
