紅茶是世界上最受歡迎的無酒精飲料之一，由茶樹的幼嫩枝葉加工而成。近年來，隨著紅茶的藥用價(jià)值和保健作用得到實(shí)驗(yàn)的進(jìn)一步證實(shí)，全球紅茶消費(fèi)量持續(xù)增長(zhǎng)。工夫紅茶作為紅茶的主要品類之一，是中國(guó)特有的一種茶品。其緊細(xì)的外形和醇厚的口感深受消費(fèi)者的喜愛。一般來說，茶葉的品質(zhì)與特定的感官特征如顏色、香氣、滋味、紋理和形態(tài)特征高度相關(guān)。茶葉按品質(zhì)的差異可以劃分為不同等級(jí)，這取決于其生長(zhǎng)條件、收獲季節(jié)和加工工藝。在茶產(chǎn)品的實(shí)際流通銷售中，大多數(shù)消費(fèi)者無法準(zhǔn)確評(píng)估茶葉的質(zhì)量，這為不法商家提供了銷售假貨或以次充好的可能，給消費(fèi)者帶來了經(jīng)濟(jì)損失，也造成了消費(fèi)者與商家之間的不信任。因此，茶葉質(zhì)量的穩(wěn)定性和規(guī)范化一直受到消費(fèi)者的關(guān)注。
幾十年來，茶葉質(zhì)量評(píng)價(jià)主要采用兩種傳統(tǒng)方法，即感官品質(zhì)分析法和濕化學(xué)法。感官質(zhì)量分析是依靠訓(xùn)練有素的評(píng)茶員的經(jīng)驗(yàn)來實(shí)現(xiàn)的，缺乏客觀的量化。濕化學(xué)分析通過使用精密的儀器，準(zhǔn)確測(cè)定茶葉中各種化學(xué)成分的含量。然而，化學(xué)分析具有設(shè)備昂貴、樣品制備復(fù)雜、使用大量化學(xué)試劑、成本較高、耗時(shí)較長(zhǎng)的局限性，開發(fā)快速、穩(wěn)定、準(zhǔn)確的茶葉品質(zhì)評(píng)價(jià)技術(shù)勢(shì)在必行。
目前，基于單一外形色澤、紋理等特征無創(chuàng)判別茶葉質(zhì)量的評(píng)價(jià)方法被大量報(bào)道。將茶葉色澤和紋理特征進(jìn)行特征數(shù)據(jù)融合，全面衡量祁門工夫紅茶品質(zhì)的方法至今少有文獻(xiàn)報(bào)道。因此，有必要建立一套基于紋理和色澤等融合特征的茶葉品質(zhì)快速評(píng)價(jià)體系與智能感知的新方法。
綜上，探索一種流通過程中工夫紅茶外觀品質(zhì)的快速判別方法，對(duì)實(shí)現(xiàn)品質(zhì)等級(jí)與外觀質(zhì)量的實(shí)時(shí)控制至關(guān)重要。祁門紅茶的紋理與色澤特征是形成其外在品質(zhì)的主要指標(biāo)，也是重要的感官品質(zhì)描述語，直接影響其在貿(mào)易中的銷售價(jià)值。而高光譜成像(Hyperspectral imaging， HSI)技術(shù)正適用于不同等級(jí)祁門工夫紅茶外觀品質(zhì)指標(biāo)與融合數(shù)據(jù)特征的快速無創(chuàng)檢測(cè)。
01
材料與方法
1、實(shí)驗(yàn)材料
研究以祥源茶業(yè)股份有限公司提供的祁門櫧葉種祁門工夫紅茶的七個(gè)等級(jí)茶產(chǎn)品標(biāo)準(zhǔn)樣(特級(jí)、一級(jí)、二級(jí)、三級(jí)、四級(jí)、五級(jí)和六級(jí))為研究對(duì)象，七個(gè)等級(jí)工夫型紅茶樣品的主要品質(zhì)成分含量和感官審評(píng)結(jié)果分別通過標(biāo)準(zhǔn)方法化驗(yàn)和專業(yè)評(píng)茶員把關(guān)。紅茶樣品數(shù)共計(jì)700份，每個(gè)等級(jí)茶樣數(shù)分別為100份。樣品的七個(gè)不同等級(jí)(特級(jí)、一級(jí)、二級(jí)、三級(jí)、四級(jí)、五級(jí)和六級(jí))分別以T、C1、C2、C3、C4、C5和C6表示。樣品的水分含量控制在7%左右。分析前，將樣品存放在真空壓縮的鋁箔袋中，并在恒溫干燥器中保存待用。
2、高光譜成像信息采集與處理
采集HSI數(shù)據(jù)時(shí)，每個(gè)樣品稱取15±0.5 g均勻鋪于培養(yǎng)皿(φ×h：9 cm×1 cm)中。為了獲得清晰的圖像，分別設(shè)置輸送帶速度、CCD相機(jī)曝光時(shí)間和鏡頭與樣品垂直距離三個(gè)調(diào)試參數(shù)為0.98 mm/s、30.01 ms和23.5 cm。將茶葉樣品放置在移動(dòng)平臺(tái)上，通過行掃描的方式進(jìn)行圖像采集。為了去除相機(jī)內(nèi)的噪聲和暗電流等因素的干擾，在進(jìn)行HSI數(shù)據(jù)分析前，需對(duì)原始圖像進(jìn)行黑白校正，校正公式如下：
其中Ic是校正后的圖像，Iraw是原始圖像，Idark是通過完全覆蓋攝像頭鏡頭獲得的暗參考圖像(幾乎為0%的反射率)，Iwhite是通過反射一個(gè)標(biāo)準(zhǔn)的特氟龍白瓷磚獲得的白色參考圖像(>99.9%的反射率)。
為降低HSI數(shù)據(jù)的空間維度，優(yōu)化茶樣原始圖像，實(shí)現(xiàn)冗余數(shù)據(jù)的消除和數(shù)據(jù)運(yùn)行速度的提升，主成分分析(Principal component analysis， PCA)被引入，用于數(shù)據(jù)降維和特征信息提取。該法將數(shù)據(jù)以線性變化的方式通過求解最大協(xié)方差，由高維度向低維度投影，獲得與原始變量線性組合的新變量。由于新變量間相互獨(dú)立，可消除相鄰波長(zhǎng)間存在的數(shù)據(jù)冗余。高光譜特征波長(zhǎng)圖像的確定是由前二至三個(gè)主成分(Principal component， PC)圖像的方差貢獻(xiàn)率決定，通過選取PCA變量線性組合的最大權(quán)重系數(shù)，進(jìn)而在PC圖像中優(yōu)選出相應(yīng)波長(zhǎng)對(duì)應(yīng)的圖像。HSI數(shù)據(jù)的校正和PCA均由ENVI 4.7軟件實(shí)現(xiàn)。
3、紋理和色澤特征提取
茶葉的紋理特征和色澤特征能夠直接反映其外觀品質(zhì)。研究采用ENVI 4.7軟件的PCA模塊提取圖像紋理信息。總的來說，PCA的前幾個(gè)PCs對(duì)圖像總體信息做出了主要貢獻(xiàn)。首先，計(jì)算出前兩、三個(gè)PC的累積方差貢獻(xiàn)率，得到總變量貢獻(xiàn)率大于95%的PC對(duì)應(yīng)的載荷曲線。然后，將相應(yīng)PC載荷曲線的拐點(diǎn)(即波峰和波谷)作為特征波長(zhǎng)，保存特征波長(zhǎng)處的灰度圖像。最后，采用灰度統(tǒng)計(jì)矩陣(Grey-level gradient co-occurrence matrix， GLGCM)和灰度共生矩陣(Gray-level co-occurrence matrix， GLCM)兩種矩陣統(tǒng)計(jì)方法對(duì)茶葉圖像的紋理特征進(jìn)行提取和計(jì)算。GLCM法提取了指定圖像在特征波長(zhǎng)下的六個(gè)不同的統(tǒng)計(jì)參數(shù)(即平均值、標(biāo)準(zhǔn)差、相關(guān)性、對(duì)比度、同質(zhì)性和能量)。GLGCM法基于灰度梯度的二階統(tǒng)計(jì)量，計(jì)算得到圖像的四個(gè)紋理統(tǒng)計(jì)值(熵、三階矩、一致性和平滑度)。將獲得的上述八個(gè)紋理參數(shù)和兩個(gè)統(tǒng)計(jì)參數(shù)(平均值和標(biāo)準(zhǔn)差)作為茶葉紋理特征變量，用于建立后續(xù)的紋理數(shù)據(jù)鑒別模型。上述紋理參數(shù)提取均通過MATLAB R2019b軟件實(shí)現(xiàn)。
采用MATLAB R2019b軟件選取樣品高光譜RGB圖像中200×200的像素區(qū)間為該圖像的感興趣區(qū)域(Region of interest， ROI)，通過RGB、CIE Lab和HSV間的顏色模型變換，分別提取該區(qū)域內(nèi)的紅色(R)、綠色(G)和藍(lán)色(B)通道均值，明度(L*)、紅綠度(a*)和黃藍(lán)度(b*)分量均值以及色調(diào)(H)、飽和度(S)和亮度(V)均值九個(gè)色澤評(píng)價(jià)參數(shù)作為樣品的外觀顏色特征值，用于后續(xù)的樣品質(zhì)量評(píng)價(jià)模型的構(gòu)建。利用HSI系統(tǒng)提取色澤特征示意圖如圖1所示。
2、多元分析方法
為使模型具備良好的泛化性能，采用Kennard-Stone(K-S)方法對(duì)樣本集特征進(jìn)行劃分。該算法將所有的樣本作為校正集的候選樣本，計(jì)算所有樣本的歐氏距離，選取距離最近和最遠(yuǎn)的兩個(gè)樣本劃入校正集。重復(fù)上述步驟，直到獲得滿足要求的樣品數(shù)量。利用該法可優(yōu)選出具有代表性的樣本劃入校正集，余下的樣品劃入預(yù)測(cè)集。
在模型構(gòu)建中，研究選用非線性的支持向量機(jī)(Support vector machine， SVM)、兼具線性功能的最小二乘支持向量機(jī)(Least squares support vector machine， LSSVM)和隨機(jī)森林(Random forest， RF)算法進(jìn)行建模，并對(duì)判別模型效果進(jìn)行比較，探索出評(píng)價(jià)茶葉品質(zhì)的最優(yōu)模型。
SVM法是數(shù)據(jù)分析中常用的多分類器。該算法基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，試圖提高泛化能力，降低預(yù)期風(fēng)險(xiǎn)。SVM鑒別器以徑向基函數(shù)(Radial basis function， RBF)為核函數(shù)，通過優(yōu)化兩個(gè)參數(shù)(即懲罰參數(shù)c和核參數(shù)g)獲得良好的預(yù)測(cè)。參數(shù)c用于獲得最小訓(xùn)練誤差和簡(jiǎn)化模型;核函數(shù)g描述了輸入空間到隨機(jī)高維特征空間的非線性映射。
該方法的具體步驟概述如下：
(1)采用留一法交叉驗(yàn)證來優(yōu)化核心參數(shù)(c和g);
(2)采用網(wǎng)格搜索法確定最佳參數(shù)對(duì)(c和g);
(3)根據(jù)預(yù)測(cè)集中正確判別率(Correct discriminant rate， CDR)的最高輸出，建立最佳的SVM分類模型。
LSSVM是一種有效的非線性智能學(xué)習(xí)算法，能夠快速解決線性和非線性模式識(shí)別問題。該法重點(diǎn)研究了機(jī)器學(xué)習(xí)損失函數(shù)，并將第二范數(shù)應(yīng)用于目標(biāo)函數(shù)的優(yōu)化問題。算法使用等式約束代替不等式約束，將優(yōu)化問題轉(zhuǎn)化為對(duì)一組線性方程組的求解。對(duì)于任意已知輸入輸出的非線性樣本集，可以通過探索合適的非線性變換來建立LSSVM模型，其表達(dá)式如下：
在LSSVM模型中，核函數(shù)的選擇起著重要的作用。其核心思想是利用核函數(shù)將線性不可分的樣本映射到高維空間，解決維數(shù)的困擾。考慮特征空間的結(jié)構(gòu)完全由核函數(shù)決定，核函數(shù)選擇對(duì)分類器的開發(fā)具有重要意義。在本研究中，RBF是由專家根據(jù)最小誤差和先驗(yàn)知識(shí)來選擇的。內(nèi)核函數(shù)的描述公式如下：
其中x為m維輸入向量，xi為第i個(gè)徑向基函數(shù)的中心，與x具有相同的維數(shù)。γ為徑向基函數(shù)核函數(shù)的參數(shù)。利用網(wǎng)格搜索法優(yōu)化了RBF的正則化參數(shù)gam(γ)和sig2(σ2)。該方法簡(jiǎn)化了SVM優(yōu)化問題的求解，提高了計(jì)算效率，促進(jìn)了SVM的應(yīng)用和發(fā)展。
RF算法是基于回歸樹和分類樹的多個(gè)決策組合而構(gòu)建的模型集成方法。當(dāng)算法的運(yùn)行，每棵決策樹均進(jìn)行分類。以所有決策樹中分類結(jié)果最多的類別作為最終結(jié)果。算法提出了兩個(gè)關(guān)鍵參數(shù)：一是決策樹的數(shù)量(Number of decision trees， nDT);二是用于構(gòu)建決策樹的采樣特征的數(shù)量。RF具有不要求變量服從特定統(tǒng)計(jì)分布、訓(xùn)練樣本少、對(duì)過擬合靈敏度低、能夠?qū)μ卣鞯闹匾赃M(jìn)行排序等優(yōu)點(diǎn)。
該方法可以簡(jiǎn)單概括為如下三個(gè)步驟：
(1)使用Bagging方法隨機(jī)生成T個(gè)訓(xùn)練數(shù)據(jù)子集;
(2)每個(gè)訓(xùn)練樣本被用來生成相應(yīng)的決策樹。在每個(gè)子節(jié)點(diǎn)選擇屬性之前，從M個(gè)屬性中隨機(jī)選擇m個(gè)屬性作為當(dāng)前節(jié)點(diǎn)的拆分屬性集，在M個(gè)屬性中以最佳拆分方式拆分節(jié)點(diǎn);
(3)每一棵樹在不修剪的情況下充分生長(zhǎng)，用來測(cè)試預(yù)測(cè)集X中的相應(yīng)類別，利用T決策樹的多數(shù)票，對(duì)X進(jìn)行集合分類決策。
為評(píng)價(jià)判別模型的性能，用校正集和預(yù)測(cè)集的CDR來評(píng)估模型的預(yù)測(cè)能力。一般來說，一個(gè)優(yōu)秀的判別模型應(yīng)有較高的CDR值，其計(jì)算方法如下：
其中，NCDR為校正/預(yù)測(cè)樣本的正確估計(jì)數(shù)，Nt為校正/預(yù)測(cè)樣本的總數(shù)。上述建模算法均由MATLAB 2019b軟件在Windows 8平臺(tái)下自主開發(fā)。
02
結(jié)果與分析
1、樣品外觀品質(zhì)特征
七個(gè)不同等級(jí)(即T、C1、C2、C3、C4、C5和C6)的700份祁門工夫紅茶的九個(gè)顏色參數(shù)(R、G、B、L*、a*、b*、H、S和V)的變化情況如圖2所示。結(jié)果顯示，隨著樣本等級(jí)的降低，其外觀色調(diào)(H)和飽和度(S)值降低，其它七個(gè)指標(biāo)值則呈增長(zhǎng)的趨勢(shì)。結(jié)果表明，茶樣的等級(jí)品質(zhì)越低，其色澤越暗，純度越低。
祁門紅茶樣本的紋理特征值的提取過程是利用ENVI軟件中PCA方法提取前兩個(gè)PC圖像的累計(jì)方差貢獻(xiàn)率達(dá)95.85%(PC1=92.19%，PC2=3.66%)(見圖3)，前兩個(gè)PCA載荷曲線的波峰與波谷處的波段被篩選為圖像特征波長(zhǎng)。從PC1和PC2中獲得了三個(gè)最佳波長(zhǎng)(696.74 nm、752.86 nm和975.91 nm)。
因此，基于GLCM和GLGCM法從上述三個(gè)最佳波長(zhǎng)的圖像ROI中提取圖像紋理特征。GLCM法獲得的紋理參數(shù)包括兩個(gè)統(tǒng)計(jì)值(均值和標(biāo)準(zhǔn)差)×三個(gè)波段+四個(gè)紋理指標(biāo)×三個(gè)波段×四個(gè)方向(0°、45°、90°和135°)，即54個(gè)紋理特征。GLGCM方法可得到12個(gè)紋理數(shù)據(jù)(四個(gè)紋理特征×三個(gè)波段)，總計(jì)66個(gè)紋理值，用于后續(xù)模型構(gòu)建。
2、樣品集劃分與主成分分析
利用K-S方法將校正集和預(yù)測(cè)集樣本以2∶1的比例進(jìn)行劃分，得到校正集樣品數(shù)為467，預(yù)測(cè)集樣品數(shù)為233。樣品集的二維PC空間分布情況見圖4。結(jié)果顯示，祁紅樣品的單一特征(色澤或紋理)與融合特征的校正集和預(yù)測(cè)集樣品的空間分布相對(duì)分散，且校正集樣品分布包含了預(yù)測(cè)集樣品的分布范圍。表明樣品集的劃分是合理的。
不同等級(jí)祁紅樣品的二維PC空間分布情況如圖5所示。不同等級(jí)樣本的單一特征(色澤或紋理)與融合特征PC得分分布顯示，不同等級(jí)的樣本間重疊性較強(qiáng)，無論是單一特征還是融合特征均無法將不同等級(jí)的樣本區(qū)分開，有必要引入線性或非線性的分類算法，以實(shí)現(xiàn)對(duì)樣本品質(zhì)等級(jí)的準(zhǔn)確判別。
3、外觀品質(zhì)評(píng)價(jià)模型建立
基于SVM、LSSVM和RF智能算法的祁門紅茶外觀色澤、紋理及特征融合數(shù)據(jù)的等級(jí)評(píng)判模型結(jié)果見表1。
模型結(jié)果顯示，基于色澤、紋理與特征數(shù)據(jù)融合的祁門紅茶等級(jí)最優(yōu)LSSVM分類模型在校正集和預(yù)測(cè)集中的CDR分別為70.88%、72.96%、83.51%、86.27%和93.15%、94.85%。使用融合特征建立的最佳判別模型性能優(yōu)于單一紋理與色澤特征所建的模型，且紋理數(shù)據(jù)的建模效果高于色澤數(shù)據(jù)構(gòu)建的模型識(shí)別精度。此外，融合數(shù)據(jù)建立的所有模型的CDR均高于使用相同分類算法的紋理或色澤模型。實(shí)驗(yàn)結(jié)果表明，特征融合能夠更為有效地反映祁紅樣本的外觀品質(zhì)屬性，建模精度較基于單一特征(紋理或色澤)的模型更高，對(duì)樣本的解析更加有優(yōu)勢(shì)。
03
總結(jié)與討論
研究基于HSI技術(shù)和化學(xué)計(jì)量學(xué)算法，開發(fā)出一套快速、無損的工夫紅茶外觀品質(zhì)(色澤、紋理和融合數(shù)據(jù))的評(píng)判方法。探討了不同機(jī)器學(xué)習(xí)算法對(duì)七個(gè)等級(jí)的祁門工夫紅茶標(biāo)準(zhǔn)樣單一外觀特征和多信息特征融合的預(yù)測(cè)能力，以探求評(píng)價(jià)模型的最優(yōu)化。
利用HSI技術(shù)獲得祁門紅茶樣品的色澤和紋理特征數(shù)據(jù)，比較了基于SVM、RF和LSSVM算法對(duì)上述茶產(chǎn)品標(biāo)準(zhǔn)樣的單一外觀特征和融合特征的等級(jí)判別模型性能。結(jié)果表明，基于融合數(shù)據(jù)的建模性能優(yōu)于基于單一特征屬性(色澤或紋理)的模型。由單一外觀特征的模型性能可知，紋理特征模型精度最高，色澤特征數(shù)據(jù)的建模效果最差。利用LSSVM算法構(gòu)建的特征融合評(píng)價(jià)模型對(duì)祁紅樣品的預(yù)測(cè)準(zhǔn)確度最高，預(yù)測(cè)集判別率達(dá)到94.85%。利用特征融合數(shù)據(jù)所建模型具有更優(yōu)的預(yù)測(cè)能力，為工夫紅茶產(chǎn)品外觀品質(zhì)的快速評(píng)判提供了一種行之有效的方法。
在所有分類模型中，色澤數(shù)據(jù)模型的預(yù)測(cè)性能較差。有可能是對(duì)祁門紅茶樣本外觀的等級(jí)劃分標(biāo)準(zhǔn)更加側(cè)重于對(duì)茶葉嫩度高低的審定。紅茶樣品的持嫩度不同，其紋理差異較大。色澤特征主要與紅茶發(fā)酵程度關(guān)系緊密。在標(biāo)準(zhǔn)化的紅茶加工工藝模式下，發(fā)酵工序具有嚴(yán)格的參數(shù)控制，其品質(zhì)具有較強(qiáng)一致性。因此，不同等級(jí)的紅茶產(chǎn)品的色澤變化程度沒有紋理特征的差異性大，進(jìn)而導(dǎo)致色澤數(shù)據(jù)模型的性能較紋理特征差。
從分類算法的角度看，LSSVM模型的預(yù)測(cè)效果優(yōu)于SVM模型和RF模型。LSSVM模型的優(yōu)化可以理解為等式約束，解決了基于訓(xùn)練誤差平方的線性方程問題。在SVM算法的基礎(chǔ)上建立和開發(fā)的LSSVM方法，能夠得到一個(gè)更為簡(jiǎn)單、有效、穩(wěn)健的模型。根據(jù)相關(guān)文獻(xiàn)，LSSVM分類器能夠有效提高茶葉品質(zhì)評(píng)價(jià)模型的計(jì)算速度和分類精度。此外，RF算法對(duì)于輸出數(shù)值較多的屬性可能會(huì)產(chǎn)生誤差。綜上，LSSVM分類工具能夠提供更好的解決線性和非線性問題的方案，更加有效地簡(jiǎn)化問題的復(fù)雜性，增強(qiáng)模型性能。
作者簡(jiǎn)介：
尹玲玲
馬鞍山人，在讀本科生，主要從事茶葉品質(zhì)分析與化學(xué)方向的研究。參與省部級(jí)以上科研項(xiàng)目3項(xiàng)，發(fā)表科研論文5篇。
通訊作者：
任廣鑫
博士，淮南師范學(xué)院生物工程學(xué)院食品工程系專任教師，主要從事茶葉品質(zhì)分析與茶葉質(zhì)量安全快速無損檢測(cè)技術(shù)方向的研究。近年來主持和參與省部級(jí)以上科研項(xiàng)目10余項(xiàng)，主持和參與省級(jí)、校級(jí)質(zhì)量工程項(xiàng)目多項(xiàng)。以第一作者和通訊作者發(fā)表科研論文20余篇，其中SCI收錄20余篇。
來源：中國(guó)茶葉加工
如涉及版權(quán)問題請(qǐng)聯(lián)系刪除
紅茶世界*搜羅天下紅茶
國(guó)際紅茶茶葉分級(jí)
國(guó)際紅茶分四個(gè)等級(jí)，分別是葉、碎、片、末。
一片茶鮮葉
Orange Pekoe（橙黃白毫）：相對(duì)等級(jí)比較高的茶葉，一般由人工手采單芽，一芽一葉，一芽?jī)扇~的茶青制作出來的高品質(zhì)的紅茶。
Fannings（片塊茶）：較高等級(jí)的茶被聚集出售后，留下的等級(jí)相對(duì)較低的茶葉塊兒。
Dust（末兒茶）：等級(jí)比較低的茶葉。
不同大小的茶葉在采摘以后，茶鮮葉越接近芽頭，相對(duì)經(jīng)濟(jì)、營(yíng)養(yǎng)價(jià)值越高。紅茶分級(jí)術(shù)語通常適用于斯里蘭卡，印度，孟加拉等國(guó)家生產(chǎn)的紅茶。紅茶茶葉分級(jí)系統(tǒng)是基于加工和干燥的尺寸進(jìn)行，紅茶在進(jìn)行加工的過程中會(huì)被揀選，經(jīng)過不同的篩網(wǎng)，茶葉就被篩分出來了。經(jīng)過分級(jí)之后，茶葉的等級(jí)就被確定下來了，但分級(jí)并不是決定紅茶品質(zhì)的唯一因素，葉子的大小和整體均勻度對(duì)茶的味道，清晰度和釀造時(shí)間有最大的影響。不同等級(jí)的茶市場(chǎng)價(jià)格還有市場(chǎng)渠道也是不一樣的。
一、全葉級(jí)：整葉正統(tǒng)紅茶的等級(jí)是：錫蘭橙皮（OP）
OP1
條索緊結(jié)細(xì)長(zhǎng)，有金屬絲狀的光澤
OPA-bold
條索粗壯勻長(zhǎng)，從緊致排列到幾乎開放
OP-main grade
主要品級(jí)，在OP1和OPA之間的中間，較OP1少了一些細(xì)芽尖
OP Superior
主要來自印度尼西亞，類似于OP
Flowery OP
鮮花OP，高品質(zhì)的紅茶具有緊細(xì)的條索和一些芽頭，主要是印度阿薩姆邦，孟加拉國(guó)茶的二級(jí)茶，中國(guó)的一級(jí)茶
FOP1
現(xiàn)今泛指以Tip和OP的部位制成的全葉等級(jí)(Leaf Grade)的茶。
Golden Flowery OP1
比FOP更高比例的芽頭。主要分布在Milima和Marinyn，印度阿薩姆和大吉嶺則比較罕見
Tippy Golden FOP
含芽頭最高的等級(jí)茶，主要產(chǎn)地是印度大吉嶺和阿薩姆邦
TGFOP1
比TGFOP較高一級(jí)
Finest TGFOP
通常只在最好的種植園手工加工和生產(chǎn)
SFTGFOP(1)
非常精細(xì)的茶，最好等級(jí)
二、碎葉等級(jí)（Broken leaf grades）：意思是完全破碎的全葉茶
BT—Broken Tea
蘇門答臘，錫蘭（斯里蘭卡）和印度南部一些地區(qū)使用的分類。
BP—Broken Pekoe
最常見的破碎的皮克級(jí)。來自印度尼西亞，錫蘭（斯里蘭卡），阿薩姆邦和印度南部。
BPS—Broken Pekoe Souchong
在阿薩姆邦和大吉嶺的破碎的金毫小種。
FP—Flowery Pekoe
高品質(zhì)金毫。通常更粗糙的梗，碎葉。在錫蘭（斯里蘭卡）和印度南部以及肯尼亞的一些地方生產(chǎn)。
BOP—Broken Orange Pekoe
主要破碎等級(jí)。普遍在阿薩姆邦，錫蘭（斯里蘭卡），印度南部，爪哇和中國(guó)。
F BOP—Flowery Broken Orange Pekoe
BOP-破碎橙色皮克：F BOP - 流花碎的橙色Pekoe：更粗和破碎與一些技巧。從阿薩姆，錫蘭（斯里蘭卡），印度尼西亞，中國(guó)和孟加拉國(guó)。在南美洲粗糙，黑色破碎。
F BOP F—Finest Broken Orange Pekoe Flowery
最好的破碎的橙色Pekoe流蘇：最好的破碎的橙色pekoe。更高比例的提示。主要來自錫蘭的“低地區(qū)”。
G BOP—Golden Broken Orange Pekoe
金棕色橙色Pekoe：二級(jí)茶葉，葉片不均勻，幾個(gè)提示。
GF BOP1—Golden Flowery Broken Orange Pekoe 1
碎桔橙Pekoe 1：如上所述，但只有最高質(zhì)量的葉子在GFBOP分類。
TGF BOP1—Tippy Golden Flowery Broken Orange Pekoe 1
高品質(zhì)的葉子與高比例的提示。最壞的一年級(jí)葉子在大吉嶺和阿薩姆邦的一些地區(qū)。
三、片茶等級(jí)（Fannings）
PF—Pekoe Fannings
白毫片兒茶
OF—Orange Fannings
橙色片兒茶：來自印度北部和非洲和南美洲的一些地區(qū)。
FOF—Flowery Orange Fannings
花橙色片兒茶：在阿薩姆邦，大吉嶺邦和孟加拉國(guó)有生產(chǎn)。一些葉片尺寸接近較小的碎片等級(jí)。
GFOF—Golden Flowery Orange Fannings
金色花橙色片兒茶。最好的級(jí)在大吉嶺茶袋生產(chǎn)。
TGFOF—Tippy Golden Flowery Orange Fannings
細(xì)小金黃花橙色片兒茶。
BOPF—Broken Orange Pekoe Fannings
主要品級(jí)在斯里蘭卡，印度尼西亞，印度南部，肯尼亞，莫桑比克，孟加拉國(guó)和中國(guó)。茶葉顆粒均勻，不含有芽尖。
四、末茶等級(jí)（Dust grades）
D1—Dust 1
碎茶。主要產(chǎn)地：斯里蘭卡，印度尼西亞，中國(guó)，非洲，南美洲和印度南部。
PD—Pekoe Dust
白毫茶末
PD1—Pekoe Dust1
白毫茶末1：主要在印度生產(chǎn)。
五、其他等級(jí)
Musc.—Muscatel
馬斯喀特
Cl.—Clonal
克隆
Ch.—China varietal
中國(guó)品種
Qu.-Queen jat
FBOPF Ex. Spl.—Finest Broken Orange Pekoe Flowery (Extra Special)
特別好的紅碎茶
FP—(Flowery Pekoe)
花芽毫尖
PS—Pekoe Souchong
白毫小種
S—Souchong
小種
BOF—Broken Orange Fannings
破碎的橙黃片茶
BPF—Broken Pekoe Fannings
破碎的白毫片茶
RD—Pekoe Dust/Red Dust
白毫茶末/紅色茶末
FD—Fine Dust
細(xì)粉茶末
GD—Golden Dust
金色茶末
SRD—Super Red Dust
超紅茶末
SFD—Super Fine Dust
超好茶末
BMF—Broken Mixed Fannings
破碎混合片兒茶
相信不少愛喝紅茶的朋友都遇到過類似情況，有些紅茶包裝上不僅有“OP”,“FOP”還有“FTGBOP”、“FTGFOP”等讓人頭大的字樣，看的人同樣一臉懵逼。
今天，我們就來說說，這些字母到底是個(gè)什么意思。
大家都知道，人有富貴貧窮，茶分三六九等。
這些包裝袋上的字母，就是國(guó)際上紅茶等級(jí)的代號(hào)，代表了紅茶的身份和段位。
如果你能搞清楚這些代號(hào)，以后再買紅茶的時(shí)候起碼心里有底一些，不會(huì)被茶店老板三言兩語就忽悠了。
需要說一句，這些等級(jí)是針對(duì)出口或者國(guó)際上的紅茶等級(jí)而定的，國(guó)內(nèi)的紅茶都是企業(yè)標(biāo)準(zhǔn)，不在此討論范圍之列。
首先，大家先搞懂這張圖，這張圖里顯示了紅茶每片茶葉的名字，越往下，茶葉越大，質(zhì)感越硬。
其次，要先搞懂紅茶的兩個(gè)概念，一個(gè)是等級(jí)，一個(gè)是品級(jí)。
這里說的等級(jí)，不是品質(zhì)的高低，而是茶葉形狀和大小的不同。品級(jí)，代表的才是紅茶品質(zhì)的高低。以王者榮耀舉例，等級(jí)代表的是法師、射手等不同的職業(yè)，而品級(jí)代表的是青銅、黃金、王者等段位。
傳統(tǒng)制茶法生產(chǎn)的紅茶，按照茶葉大小，可分為整葉茶、碎葉茶（broken leaf）、片茶（fanning）、茶粉（dust）四個(gè)等級(jí)。
需要說明的是，很多人認(rèn)為茶粉是用很廉價(jià)的紅茶做成的，但其實(shí)茶粉既有優(yōu)質(zhì)茶葉做成的，也有劣質(zhì)茶葉做成的，整葉茶也是如此。
接下來，我們就說一下，這幾個(gè)等級(jí)下不同的品級(jí)（茶粉一般沒有品級(jí)分類）。
品級(jí)評(píng)定的標(biāo)準(zhǔn)會(huì)根據(jù)芽尖的品質(zhì)、在茶葉中所占的比例以及芽尖的色澤而定。
通常來說，品級(jí)名稱中字母越多，則等級(jí)越高。
整葉茶
顧名思義，是沒有被壓碎的完整的茶葉，包含像針一樣細(xì)長(zhǎng)旋扭的芽尖，味道極佳。沖泡后會(huì)舒展開來，呈一片完整的葉子，茶葉大小為7-30毫米，整葉茶由低到高可分為OP、FOP、TGFOP、FTGFOP4個(gè)品級(jí)。
OP（Orange Pekoe），也就是橙白毫，是葉片較長(zhǎng)而完整的茶葉；
FOP（Flowery Orange Pekoe），是帶有芬芳花香的花橙白毫；
TGFOP（Tippy Golden Flowery Orange Pekoe），由普通芽尖做成的，金黃色有芬芳香氣的花橙白毫；
FTGFOP（Fine Tippy Golden Flowery Orange Pekoe）精選的上好芽尖組成的，高品質(zhì)花橙白毫。
此外，有些茶園會(huì)在頂級(jí)紅茶品級(jí)前加上S（Special），或者在末尾加上1，品質(zhì)就不言而喻了。
碎葉茶
把整葉茶壓碎后就是碎葉茶，一般壓碎后茶葉長(zhǎng)度在2-3毫米，如果茶葉中芽尖比較多，名稱中前會(huì)加上Tippy，同樣，也是字母越長(zhǎng)，品質(zhì)越好。碎葉茶由低到高可分為三個(gè)品級(jí)：BOP、TGBOP、FTGBOP。
BOP（Broken Orange Pekoe），被壓碎的橙白毫，滋味濃重，一般適合用來沖泡奶茶。
TGBOP（Tippy Golden Broken Orange Pekoe)含有很多芽尖、金黃色被壓碎的橙白毫。
FTGBOP（Fine Tippy Golden Broken Orange Pekoe)精選的上好芽尖組成的，金黃色被壓碎的橙白毫。
片茶
片茶是把碎橙白毫再次壓碎后得到的粉末狀茶葉，按照片茶中芽尖數(shù)量所占的比例，品級(jí)由低到高可分為OF、GOF、BOPF三個(gè)品級(jí)，在此不再贅述。
如果你有其他疑問，歡迎積極留言交流哦~~~小懂會(huì)盡全力為茶友答疑解惑。
參考資料：
《無茶不歡》山本洋子 著，梁辰 譯，中信出版集團(tuán)。
