The effects of three fixation methods( steaming,blanching and microwave fixation) on chemical composition and sensory quality of Lycium ruthenicum bud-tea were investigated.The results showed the fixation technique( t...The effects of three fixation methods( steaming,blanching and microwave fixation) on chemical composition and sensory quality of Lycium ruthenicum bud-tea were investigated.The results showed the fixation technique( the leaf weight 3 g/cm^2,the time 1.5 min,and the temperature 100 ℃) was the best,which was beneficial to the conservation of free amino acid and soluble sugar in L.ruthenicum bud-tea.The loss of chlorophyll was limited,and the score of sensory quality review was higher.展开更多
【目的】从生化成分与香气组分角度探究不同叶色茶树品种所制白茶的风味特征差异,为特异叶色白茶品种的筛选与合理利用以及特色白茶产品的开发与品质调控提供理论依据。【方法】分别以3个代表性叶色茶树品种‘福安大白茶’(芽叶呈绿色)...【目的】从生化成分与香气组分角度探究不同叶色茶树品种所制白茶的风味特征差异,为特异叶色白茶品种的筛选与合理利用以及特色白茶产品的开发与品质调控提供理论依据。【方法】分别以3个代表性叶色茶树品种‘福安大白茶’(芽叶呈绿色)、‘茗冠茶’(芽叶黄化)和‘紫娟’(芽叶紫化)为原料,采用控温萎凋工艺制作白茶,结合感官审评、生化成分分析和顶空固相微萃取-气相色谱-质谱联用技术(Headspace solid-phase microextraction/gas chromatography-tandem mass spectrometry,HS-SPME-GC-MS)技术,系统比较其风味品质,并基于滋味活度值(Taste active value,TAV)和香气活性值(Odor active value,OAV)评估关键组分的贡献度。【结果】3个不同叶色茶树品种所制白茶在感官品质和生化成分上差异显著。‘福安大白茶’氨基酸含量最高[(44.35±2.45)mg·g^(-1)],酚氨比最低(3.41),滋味浓醇带花香、毫韵显,综合评分最高;‘茗冠茶’茶多酚含量最低(151.09 mg·g^(-1)),酚氨比适中(3.52),花果香浓郁、滋味鲜爽醇和;‘紫娟’水浸出物(48.79%)、茶多酚(204.00 mg·g^(-1))、可溶性糖(52.42 mg·g^(-1))含量及酚氨比(6.32)均最高,带花香与辛香,滋味尚醇、微涩。共鉴定出91种香气成分,包括28种共有香气成分,以醇类、醛类、酮类化合物为主。多元统计分析进一步揭示水杨酸甲酯、橙花醇、芳樟醇、正己醛、橙化基丙酮等9种香气物质可以作为3个品种所制白茶香气的关键差异标记物。【结论】芽叶色泽呈绿色的品种‘福安大白茶’滋味浓醇、毫韵显,彰显传统白茶风格;芽叶黄化的品种‘茗冠茶’因氨基酸含量较高且花果香突出,在制作特色白茶方面具备内质优势,适制花香型白茶;芽叶紫化的品种‘紫娟’内含成分丰富,但高酚氨比制约其滋味品质,更适于开发功能型白茶产品。展开更多
针对现有采茶机器人在复杂环境中识别茶叶嫩芽时存在着精度低和计算量大等问题,该研究提出了一种基于改进YOLOv11n的茶叶嫩芽检测算法。算法融合深度卷积和全局平均池化思想,设计C3K2-PFCGLU(C3K2-poolingformer and convolutional gate...针对现有采茶机器人在复杂环境中识别茶叶嫩芽时存在着精度低和计算量大等问题,该研究提出了一种基于改进YOLOv11n的茶叶嫩芽检测算法。算法融合深度卷积和全局平均池化思想,设计C3K2-PFCGLU(C3K2-poolingformer and convolutional gated linear unit)结构,提高了模型的检测速度;同时设计轻量化检测头DRLSDH(detail-reinforced and lightweight shared convolution detection head),在提升检测精度的同时有效压缩模型参数量;其次采用轻量级特征提取模块ADown替换主干网络中的传统卷积模块,减少了DRLSDH模块的计算量和模型大小;最后为了弥补CIoU损失函数在检测任务中泛化性弱和收敛缓慢的问题,采用DIoU损失函数提升模型的准确性并优化边界框效果。结果表明,改进后的模型平均精度达到92.92%,准确率为95.43%,较基线模型YOLOv11n分别提高了0.14个百分点和0.93个百分点;模型大小为3.4 MB,参数量为1.39 M,计算量为4.2 G,分别降低了35.85%、45.74%和33.33%。性能方面,嵌入式设备检测帧率为23帧/s。该模型具有较高的识别准确率及较强的鲁棒性,研究结果为嵌入式设备和移动端的部署提供参考。展开更多
基金Supported by Science and Technology Innovation Fund Project of Ningxia Academy of Agriculture and Forestry Sciences(NKYJ-17-18)
文摘The effects of three fixation methods( steaming,blanching and microwave fixation) on chemical composition and sensory quality of Lycium ruthenicum bud-tea were investigated.The results showed the fixation technique( the leaf weight 3 g/cm^2,the time 1.5 min,and the temperature 100 ℃) was the best,which was beneficial to the conservation of free amino acid and soluble sugar in L.ruthenicum bud-tea.The loss of chlorophyll was limited,and the score of sensory quality review was higher.
文摘【目的】从生化成分与香气组分角度探究不同叶色茶树品种所制白茶的风味特征差异,为特异叶色白茶品种的筛选与合理利用以及特色白茶产品的开发与品质调控提供理论依据。【方法】分别以3个代表性叶色茶树品种‘福安大白茶’(芽叶呈绿色)、‘茗冠茶’(芽叶黄化)和‘紫娟’(芽叶紫化)为原料,采用控温萎凋工艺制作白茶,结合感官审评、生化成分分析和顶空固相微萃取-气相色谱-质谱联用技术(Headspace solid-phase microextraction/gas chromatography-tandem mass spectrometry,HS-SPME-GC-MS)技术,系统比较其风味品质,并基于滋味活度值(Taste active value,TAV)和香气活性值(Odor active value,OAV)评估关键组分的贡献度。【结果】3个不同叶色茶树品种所制白茶在感官品质和生化成分上差异显著。‘福安大白茶’氨基酸含量最高[(44.35±2.45)mg·g^(-1)],酚氨比最低(3.41),滋味浓醇带花香、毫韵显,综合评分最高;‘茗冠茶’茶多酚含量最低(151.09 mg·g^(-1)),酚氨比适中(3.52),花果香浓郁、滋味鲜爽醇和;‘紫娟’水浸出物(48.79%)、茶多酚(204.00 mg·g^(-1))、可溶性糖(52.42 mg·g^(-1))含量及酚氨比(6.32)均最高,带花香与辛香,滋味尚醇、微涩。共鉴定出91种香气成分,包括28种共有香气成分,以醇类、醛类、酮类化合物为主。多元统计分析进一步揭示水杨酸甲酯、橙花醇、芳樟醇、正己醛、橙化基丙酮等9种香气物质可以作为3个品种所制白茶香气的关键差异标记物。【结论】芽叶色泽呈绿色的品种‘福安大白茶’滋味浓醇、毫韵显,彰显传统白茶风格;芽叶黄化的品种‘茗冠茶’因氨基酸含量较高且花果香突出,在制作特色白茶方面具备内质优势,适制花香型白茶;芽叶紫化的品种‘紫娟’内含成分丰富,但高酚氨比制约其滋味品质,更适于开发功能型白茶产品。
文摘针对现有采茶机器人在复杂环境中识别茶叶嫩芽时存在着精度低和计算量大等问题,该研究提出了一种基于改进YOLOv11n的茶叶嫩芽检测算法。算法融合深度卷积和全局平均池化思想,设计C3K2-PFCGLU(C3K2-poolingformer and convolutional gated linear unit)结构,提高了模型的检测速度;同时设计轻量化检测头DRLSDH(detail-reinforced and lightweight shared convolution detection head),在提升检测精度的同时有效压缩模型参数量;其次采用轻量级特征提取模块ADown替换主干网络中的传统卷积模块,减少了DRLSDH模块的计算量和模型大小;最后为了弥补CIoU损失函数在检测任务中泛化性弱和收敛缓慢的问题,采用DIoU损失函数提升模型的准确性并优化边界框效果。结果表明,改进后的模型平均精度达到92.92%,准确率为95.43%,较基线模型YOLOv11n分别提高了0.14个百分点和0.93个百分点;模型大小为3.4 MB,参数量为1.39 M,计算量为4.2 G,分别降低了35.85%、45.74%和33.33%。性能方面,嵌入式设备检测帧率为23帧/s。该模型具有较高的识别准确率及较强的鲁棒性,研究结果为嵌入式设备和移动端的部署提供参考。
