白茶級別可依照茶葉的采摘標準的區(qū)別以及加工制作工藝方面的不同，分為白毫銀針、白牡丹、貢眉壽眉、新工藝白茶。白毫銀針分為四個等級，太姥銀針，米針，一級針，二級針，白牡丹分為四個等級，牡丹王，特級牡丹，一級牡丹，二級牡丹，貢眉和壽眉只有一個等級，主要依照年分區(qū)分，貢眉的葉片較小且含芽頭，壽眉則葉片多，芽頭稀少。
白茶等級分類
1.第一等級：白毫銀針
白毫銀針也叫銀針白毫，是白茶中的極品。原料為白茶的芽頭，因其成茶芽頭肥壯、身披白毫，挺直如針、色白如銀而得名。沖泡時茶色清亮杏黃，毫香濃顯，茶香甜長，入口甘馨鮮爽，沁人心脾。杯中葉芽豎立有致、豐潤怡然。
2.第二等級：白牡丹
白牡丹是指一芽一、二葉為原料制成的白茶。因其外形綠葉夾銀白色白毫，芽形似花朵，沖泡之后綠葉拖著嫩芽，宛如蓓蕾初開而得名。品質(zhì)特征：成品色澤灰綠色或暗綠，葉背白毫銀亮，綠而白底，故有“青天白地”之稱。且由于長時間的萎凋，葉色漸變而呈“綠葉紅筋”，因而有“紅裝素裹”之譽，毫心肥壯，葉張肥嫩并波紋隆起，葉緣微向葉背垂卷，芽葉連枝，葉片抱心型似花朵。內(nèi)質(zhì)毫香，味鮮醇，不帶青氣和苦澀味，湯色橙黃，清澈明亮，葉底淺灰，葉脈微紅。
3.第三等級：貢眉壽眉
傳統(tǒng)的貢眉是指用一芽二、三葉及小茶(菜茶)制成的白茶，由于其外形較白茶瘦小，形似眉毛而得名。出口的貢眉有一級貢眉、二級貢眉、三級貢眉、四級貢眉(也叫壽眉)。產(chǎn)品特征：毫顯而多，湯色橙黃或深黃，葉底勻整、柔軟、鮮亮，葉張主脈迎光透視時紅色，味醇爽，香鮮純。
4.第四等級：新工藝白茶
原料嫩度要求相對較低，一般采摘標準為一芽二、三葉，駐芽二、三葉，單片等，原料要求與低檔的貢眉、壽眉相似。因新白茶制作工藝與之有所區(qū)別，雖內(nèi)質(zhì)類似傳統(tǒng)白茶低檔貢眉、壽眉的風味，但外形卷縮，略帶褶條，清香味濃，湯色橙紅，滋味甘和稍濃;葉底展開后可見其色澤青灰?guī)S，筋脈帶紅;茶湯味似綠茶但無清香，又似紅茶而無酵感;其基本特征是濃醇清甘又有閩北烏的“馥郁”。
當然白茶的劃分也不僅僅只局限于等級，也分為樹種即“大白”和“小白”之類、海拔、產(chǎn)地、采摘時間、種植方式甚至于到現(xiàn)代對于白茶的加工工藝等等。雖白茶制成在六大茶類中最為簡單，但卻也種類繁多。
白茶等級區(qū)分
一、白毫銀針
白毫銀針全部是茶芽。白毫銀針制成成品茶后，形狀似針，白毫密被，色白如銀，因此命名為白毫銀針。白毫銀針分為以下幾個等級。
1.太姥銀針：太姥銀針是白毫銀針中等級最高的，只有單芽制成。
2.米針：第一批采摘的叫頭批針，也叫作米針、首日茶等。米針和太姥銀針等級相差沒有太多，同樣是單芽采摘。
3.一級針：一級針等級比米針低一級，但總體來說，等級較高，帶有些許小葉殼。
4.二級針：二級針芽頭較為瘦小，小葉殼較多，葉片開始慢慢舒長。
二、白牡丹：白牡丹是采自大白茶樹或水仙種的短小芽葉新梢的一芽一二葉制成。
1.牡丹王：牡丹王是白牡丹中等級最高的，牡丹王葉片少，小葉殼多，芽頭肥壯?？涉敲雷畹偷燃壍陌缀零y針。
2.特級牡丹：特級白牡丹和牡丹王相差無幾，芽頭和葉片有細微的差別。芽頭白毫明顯，大葉片少，小葉殼多。
3.一級牡丹：一級牡丹芽頭較瘦小，葉片較多。但白毫特征依舊明顯。
4.二級牡丹：葉片多，芽頭少。雖然品級不高，但是香氣更張揚，口感更醇厚。
三、貢眉壽眉：優(yōu)質(zhì)的貢眉成品茶毫心明顯，茸毫色白且多，干茶色澤翠綠。貢眉和壽眉之間相差不大，貢眉的葉片較小，芽頭較多。壽眉的葉片較大，芽頭較少。
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，隨著紅茶的藥用價值和保健作用得到實驗的進一步證實，全球紅茶消費量持續(xù)增長。工夫紅茶作為紅茶的主要品類之一，是中國特有的一種茶品。其緊細的外形和醇厚的口感深受消費者的喜愛。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。茶葉按品質(zhì)的差異可以劃分為不同等級，這取決于其生長條件、收獲季節(jié)和加工工藝。在茶產(chǎn)品的實際流通銷售中，大多數(shù)消費者無法準確評估茶葉的質(zhì)量，這為不法商家提供了銷售假貨或以次充好的可能，給消費者帶來了經(jīng)濟損失，也造成了消費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)范化一直受到消費者的關注。
幾十年來，茶葉質(zhì)量評價主要采用兩種傳統(tǒng)方法，即感官品質(zhì)分析法和濕化學法。感官質(zhì)量分析是依靠訓練有素的評茶員的經(jīng)驗來實現(xiàn)的，缺乏客觀的量化。濕化學分析通過使用精密的儀器，準確測定茶葉中各種化學成分的含量。然而，化學分析具有設備昂貴、樣品制備復雜、使用大量化學試劑、成本較高、耗時較長的局限性，開發(fā)快速、穩(wěn)定、準確的茶葉品質(zhì)評價技術勢在必行。
目前，基于單一外形色澤、紋理等特征無創(chuàng)判別茶葉質(zhì)量的評價方法被大量報道。將茶葉色澤和紋理特征進行特征數(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報道。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)快速評價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，對實現(xiàn)品質(zhì)等級與外觀質(zhì)量的實時控制至關重要。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，也是重要的感官品質(zhì)描述語，直接影響其在貿(mào)易中的銷售價值。而高光譜成像(Hyperspectral imaging， HSI)技術正適用于不同等級祁門工夫紅茶外觀品質(zhì)指標與融合數(shù)據(jù)特征的快速無創(chuàng)檢測。
01
材料與方法
1、實驗材料
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等級茶產(chǎn)品標準樣(特級、一級、二級、三級、四級、五級和六級)為研究對象，七個等級工夫型紅茶樣品的主要品質(zhì)成分含量和感官審評結(jié)果分別通過標準方法化驗和專業(yè)評茶員把關。紅茶樣品數(shù)共計700份，每個等級茶樣數(shù)分別為100份。樣品的七個不同等級(特級、一級、二級、三級、四級、五級和六級)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，每個樣品稱取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，分別設置輸送帶速度、CCD相機曝光時間和鏡頭與樣品垂直距離三個調(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平臺上，通過行掃描的方式進行圖像采集。為了去除相機內(nèi)的噪聲和暗電流等因素的干擾，在進行HSI數(shù)據(jù)分析前，需對原始圖像進行黑白校正，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是通過反射一個標準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，實現(xiàn)冗余數(shù)據(jù)的消除和數(shù)據(jù)運行速度的提升，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立，可消除相鄰波長間存在的數(shù)據(jù)冗余。高光譜特征波長圖像的確定是由前二至三個主成分(Principal component， PC)圖像的方差貢獻率決定，通過選取PCA變量線性組合的最大權重系數(shù)，進而在PC圖像中優(yōu)選出相應波長對應的圖像。HSI數(shù)據(jù)的校正和PCA均由ENVI 4.7軟件實現(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?？偟膩碚f，PCA的前幾個PCs對圖像總體信息做出了主要貢獻。首先，計算出前兩、三個PC的累積方差貢獻率，得到總變量貢獻率大于95%的PC對應的載荷曲線。然后，將相應PC載荷曲線的拐點(即波峰和波谷)作為特征波長，保存特征波長處的灰度圖像。最后，采用灰度統(tǒng)計矩陣(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)計方法對茶葉圖像的紋理特征進行提取和計算。GLCM法提取了指定圖像在特征波長下的六個不同的統(tǒng)計參數(shù)(即平均值、標準差、相關性、對比度、同質(zhì)性和能量)。GLGCM法基于灰度梯度的二階統(tǒng)計量，計算得到圖像的四個紋理統(tǒng)計值(熵、三階矩、一致性和平滑度)。將獲得的上述八個紋理參數(shù)和兩個統(tǒng)計參數(shù)(平均值和標準差)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)和藍色(B)通道均值，明度(L*)、紅綠度(a*)和黃藍度(b*)分量均值以及色調(diào)(H)、飽和度(S)和亮度(V)均值九個色澤評價參數(shù)作為樣品的外觀顏色特征值，用于后續(xù)的樣品質(zhì)量評價模型的構(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)方法對樣本集特征進行劃分。該算法將所有的樣本作為校正集的候選樣本，計算所有樣本的歐氏距離，選取距離最近和最遠的兩個樣本劃入校正集。重復上述步驟，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，余下的樣品劃入預測集。
在模型構(gòu)建中，研究選用非線性的支持向量機(Support vector machine， SVM)、兼具線性功能的最小二乘支持向量機(Least squares support vector machine， LSSVM)和隨機森林(Random forest， RF)算法進行建模，并對判別模型效果進行比較，探索出評價茶葉品質(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)風險最小化原則，試圖提高泛化能力，降低預期風險。SVM鑒別器以徑向基函數(shù)(Radial basis function， RBF)為核函數(shù)，通過優(yōu)化兩個參數(shù)(即懲罰參數(shù)c和核參數(shù)g)獲得良好的預測。參數(shù)c用于獲得最小訓練誤差和簡化模型;核函數(shù)g描述了輸入空間到隨機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(c和g);
(3)根據(jù)預測集中正確判別率(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習算法，能夠快速解決線性和非線性模式識別問題。該法重點研究了機器學習損失函數(shù)，并將第二范數(shù)應用于目標函數(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)化為對一組線性方程組的求解。對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?？紤]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)最小誤差和先驗知識來選擇的。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)。該方法簡化了SVM優(yōu)化問題的求解，提高了計算效率，促進了SVM的應用和發(fā)展。
RF算法是基于回歸樹和分類樹的多個決策組合而構(gòu)建的模型集成方法。當算法的運行，每棵決策樹均進行分類。以所有決策樹中分類結(jié)果最多的類別作為最終結(jié)果。算法提出了兩個關鍵參數(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)計分布、訓練樣本少、對過擬合靈敏度低、能夠?qū)μ卣鞯闹匾赃M行排序等優(yōu)點。
該方法可以簡單概括為如下三個步驟：
(1)使用Bagging方法隨機生成T個訓練數(shù)據(jù)子集;
(2)每個訓練樣本被用來生成相應的決策樹。在每個子節(jié)點選擇屬性之前，從M個屬性中隨機選擇m個屬性作為當前節(jié)點的拆分屬性集，在M個屬性中以最佳拆分方式拆分節(jié)點;
(3)每一棵樹在不修剪的情況下充分生長，用來測試預測集X中的相應類別，利用T決策樹的多數(shù)票，對X進行集合分類決策。
為評價判別模型的性能，用校正集和預測集的CDR來評估模型的預測能力。一般來說，一個優(yōu)秀的判別模型應有較高的CDR值，其計算方法如下：
其中，NCDR為校正/預測樣本的正確估計數(shù)，Nt為校正/預測樣本的總數(shù)。上述建模算法均由MATLAB 2019b軟件在Windows 8平臺下自主開發(fā)。
02
結(jié)果與分析
1、樣品外觀品質(zhì)特征
七個不同等級(即T、C1、C2、C3、C4、C5和C6)的700份祁門工夫紅茶的九個顏色參數(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，隨著樣本等級的降低，其外觀色調(diào)(H)和飽和度(S)值降低，其它七個指標值則呈增長的趨勢。結(jié)果表明，茶樣的等級品質(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PC圖像的累計方差貢獻率達95.85%(PC1=92.19%，PC2=3.66%)(見圖3)，前兩個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。從PC1和PC2中獲得了三個最佳波長(696.74 nm、752.86 nm和975.91 nm)。
因此，基于GLCM和GLGCM法從上述三個最佳波長的圖像ROI中提取圖像紋理特征。GLCM法獲得的紋理參數(shù)包括兩個統(tǒng)計值(均值和標準差)×三個波段+四個紋理指標×三個波段×四個方向(0°、45°、90°和135°)，即54個紋理特征。GLGCM方法可得到12個紋理數(shù)據(jù)(四個紋理特征×三個波段)，總計66個紋理值，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方法將校正集和預測集樣本以2∶1的比例進行劃分，得到校正集樣品數(shù)為467，預測集樣品數(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測集樣品的空間分布相對分散，且校正集樣品分布包含了預測集樣品的分布范圍。表明樣品集的劃分是合理的。
不同等級祁紅樣品的二維PC空間分布情況如圖5所示。不同等級樣本的單一特征(色澤或紋理)與融合特征PC得分分布顯示，不同等級的樣本間重疊性較強，無論是單一特征還是融合特征均無法將不同等級的樣本區(qū)分開，有必要引入線性或非線性的分類算法，以實現(xiàn)對樣本品質(zhì)等級的準確判別。
3、外觀品質(zhì)評價模型建立
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)的等級評判模型結(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最優(yōu)LSSVM分類模型在校正集和預測集中的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。實驗結(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，對樣本的解析更加有優(yōu)勢。
03
總結(jié)與討論
研究基于HSI技術和化學計量學算法，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))的評判方法。探討了不同機器學習算法對七個等級的祁門工夫紅茶標準樣單一外觀特征和多信息特征融合的預測能力，以探求評價模型的最優(yōu)化。
利用HSI技術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算法對上述茶產(chǎn)品標準樣的單一外觀特征和融合特征的等級判別模型性能。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)建的特征融合評價模型對祁紅樣品的預測準確度最高，預測集判別率達到94.85%。利用特征融合數(shù)據(jù)所建模型具有更優(yōu)的預測能力，為工夫紅茶產(chǎn)品外觀品質(zhì)的快速評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)模型的預測性能較差。有可能是對祁門紅茶樣本外觀的等級劃分標準更加側(cè)重于對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)酵程度關系緊密。在標準化的紅茶加工工藝模式下，發(fā)酵工序具有嚴格的參數(shù)控制，其品質(zhì)具有較強一致性。因此，不同等級的紅茶產(chǎn)品的色澤變化程度沒有紋理特征的差異性大，進而導致色澤數(shù)據(jù)模型的性能較紋理特征差。
從分類算法的角度看，LSSVM模型的預測效果優(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，解決了基于訓練誤差平方的線性方程問題。在SVM算法的基礎上建立和開發(fā)的LSSVM方法，能夠得到一個更為簡單、有效、穩(wěn)健的模型。根據(jù)相關文獻，LSSVM分類器能夠有效提高茶葉品質(zhì)評價模型的計算速度和分類精度。此外，RF算法對于輸出數(shù)值較多的屬性可能會產(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，更加有效地簡化問題的復雜性，增強模型性能。
作者簡介：
尹玲玲
馬鞍山人，在讀本科生，主要從事茶葉品質(zhì)分析與化學方向的研究。參與省部級以上科研項目3項，發(fā)表科研論文5篇。
通訊作者：
任廣鑫
博士，淮南師范學院生物工程學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技術方向的研究。近年來主持和參與省部級以上科研項目10余項，主持和參與省級、校級質(zhì)量工程項目多項。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：中國茶葉加工
如涉及版權問題請聯(lián)系刪除
茶樹品種是在一定的生態(tài)和生產(chǎn)條件下，經(jīng)長期培育和選擇，茶樹遺傳性朝著人們所期望的方向變異而形成的一類群體，同一品種在形態(tài)特征、生物學特性以及經(jīng)濟特性上有著相對一致和穩(wěn)定的遺傳性。
隨著生產(chǎn)技術和科學水平的不斷發(fā)展，茶樹品種的數(shù)量越來越多，目前有多少品種我沒找到資料，但在上世紀80年代我國已有名錄的茶樹品種資源材料1300份，按照每五年增加大概50個左右新品種再淘汰掉一些老品種的情況，目前我國的茶葉品種資源不會低于1500份。
假如再算上各地的土壤自然環(huán)境不同、加工工藝差異，各種口感的茶葉品種顯然是個天文數(shù)字。
但總是有跡可循。
先說下茶樹等級分類的依據(jù)：
首先強調(diào)一個觀點，茶樹是經(jīng)濟型作物。茶樹栽培品種系屬于經(jīng)濟上的單元，它的分類方法有別于植物學上的分類。
例如，觀賞用的山茶花(C.japonica），栽培品種的分類以花色、花形、花瓣數(shù)等作為主要依據(jù)。
茶樹品種分類，印度、斯里蘭卡、中非洲各國多采用純經(jīng)濟分類法，即把茶樹良種分為產(chǎn)量型（Yield）、質(zhì)量型（Quality）和標準型(Standard)3類。(國外的分類法就不詳細介紹了，我算了下寫下又得七八千字）
產(chǎn)量型品種是指產(chǎn)量高而制作紅碎茶品質(zhì)居于一般水平的品種，
質(zhì)量型是產(chǎn)量一般，而制紅碎茶品質(zhì)特別好的品種，
標準型則是產(chǎn)量和品質(zhì)都在一般水平以上的品種。
喬木大樹
我國茶類繁多，茶樹品種復雜，上述分類法不能適用。有專家提出按樹型、葉片大小和發(fā)芽早晚3個因素組成分類等級，但這種分法忽視了產(chǎn)量和質(zhì)量這兩個最重要的經(jīng)濟因子，因此，在生產(chǎn)利用和科研角度上意義有限。另外，也有文獻提出以花果性狀作為分類依據(jù)，并附有經(jīng)濟特性指標，但其重點不夠突出，等級層次煩瑣，應用不便。
所以，有專家認為，當然我也這么認為，茶樹品種分類等級宜以形態(tài)特征和經(jīng)濟特性為主要依據(jù)，所以，有專家認為，當然我也這么認為，茶樹品種分類等級宜以形態(tài)特征和經(jīng)濟特性為主要依據(jù)，而不是純粹的植物學分類，具體說，是以樹型、葉片大小、發(fā)芽早晚和茶類適制性及產(chǎn)量五個因子組成品種分類等級，以便客觀地反映各茶樹品種的生態(tài)和經(jīng)濟類別。
就具體的各等級因子要素大致講一下：
A：樹型
按照植物學概念，植物的樹型分有喬木、小喬木和灌木3種基本類型。在茶樹中，喬木和小喬木的界限常不明顯，古老的小喬木茶樹往往呈喬木型樹態(tài)。
在云南對生長在南亞熱帶雨林中的野生大茶樹作過莖剖面觀察，發(fā)現(xiàn)這些樹高10余米、主干粗大（直徑40～70厘米）和分枝部位離地有1米左右的茶樹，主干剖面很少有單圈的年輪，同一個莖剖面往往由2～3個以上分枝莖連合在一起，呈“多個年輪連生”現(xiàn)象，可見，這類茶樹實非真正的喬木，而是“擬喬木”，實質(zhì)是屬于小喬木樹態(tài)。
下圖的大樹和矮茶樹為同一時間培育種植的同一品種，矮的茶樹是定期修剪，所以可以通過人工手段控制茶樹的生產(chǎn)態(tài)勢。
小喬木茶樹
野生大茶樹尚旦如此，栽培雜交茶樹更不會有喬木型樹態(tài)存在。通常栽培茶樹只有小喬木和灌木兩種樹型，小喬木是代表南方生態(tài)型（狹義的南方），灌木則代表北方的生態(tài)型（包括江浙皖兩湖四川）。
灌木茶樹
所以中國的大部分的茶樹，99%吧，應該都是小喬木和灌木，大喬木極少。
茶樹葉片大小雖由遺傳基因控制，但也隨地理、氣候和栽培條件不同而起變化，所以它也是一種生態(tài)型特征。
國外不少文獻把中國茶樹分為大葉（品）種f?macrophylla和小葉（品）種f?parvifolia兩類。日本的田邊貢曾根據(jù)葉面積（長×寬×0.7）作過分類，即葉面積在10cm2以下為小葉品種，10～20cm2為中葉種，20～30cm2為大葉品種。
我國現(xiàn)在有的茶樹育種學文獻中：是按不同樹型對l葉片大小分成2～3個類，即：
（1）喬木茶樹有3類，葉片長＞14cm、葉寬＞5cm為特大葉，葉長10～14cm，葉寬4～5cm為大葉，葉長＜7～10cm，葉寬3～4cm為中葉。
（2）小喬木茶樹有2類，葉長＞12cm,葉寬>4cm為大葉；葉長＞10cm、葉寬3～4cm為中葉。
(3）灌木茶樹有3類，葉長＞10cm，葉寬＞4cm為大葉，葉長7～10cm，葉寬3～4cm為中葉，葉長＜7cm，葉寬＜3cm為小葉。
這種分類，實踐發(fā)現(xiàn)也有問題，因為茶樹葉片大小相鄰類型之間并不存在絕對界限。如龍井群體品種，葉長變化在4～9cm之間，而其中僅有1～2%的茶樹，葉長為4～5cm，即所謂“瓜子種”類型。
云南大葉種葉長一般在10～20cm之間，即在同一群體品種中有特大、大和中葉三種類型存在，有專家在云南硝麗縣等地林蔭下還曾采集到幾片很大的葉子，最長達32cm，比特大葉的標準還大1倍以上。
又如祁門種和鳩坑種，在低丘地區(qū)栽培，葉片僅長7～10cm，而在原產(chǎn)地的高山區(qū)，葉長多在10～12cm，最長的葉片長達20～23cm的。
注明：所以黃山毛峰嚴格上來說屬于中葉種而不是大葉種，安農(nóng)茶學院的老師就此應該提到過。
黃毛茶田
由此可見，單以葉片大小分類是十分困難的，因此，在茶樹品種分類等級中，不宜將葉片大小類型分得過細，還是按照生產(chǎn)上的習慣稱呼分成大葉茶和中小葉茶兩類較為適宜。通常大葉茶是代表茶樹的南方生態(tài)型，中小葉茶則代表北方生態(tài)型。
各種茶樹品種其春茶發(fā)芽期的遺傳特性都較穩(wěn)定，雖然各年也隨氣候不同而變化，但發(fā)芽的早、晚性不改變。
因為不同品種的發(fā)芽期系由各自所需的有效積溫值所決定的，按發(fā)芽期一般可劃分為特早芽型，早芽型和中芽型及遲芽型四種類型，每個等級的發(fā)芽天數(shù)大致相差4～5夭。
比如說為什么群體種茶樹種植的人越來越少，就是因為發(fā)芽比早芽型慢了10-20天，經(jīng)濟效益不夠好，雖然茶葉品質(zhì)超級好。
茶樹品種的適制性各不相同，在一定意義上說，這也是茶樹鮮葉品質(zhì)的生態(tài)型特點。一般認為茶葉的適制性是由鮮葉中多酚類和氨基酸含量的多少所決定·的，亦即由酚／氨值大小來衡量，比如說適合制作紅茶的品種，鮮葉中多酚含量高，酚／氨值大。
適制綠茶的品種則相反，多酚類含量稍低，氨基酸含量相對較高，即酚／氨值小。
適合烏龍茶的品種，因采摘標準特殊，其最適合的酚／氨值尚不清楚，可能居于紅、綠茶品種之間。
現(xiàn)在已對紅、綠茶品種的酚／氨值提出指標用于參考，但是，作為品種適制性和品質(zhì)的鑒定還是必須通過感官審評較為客觀有效（說是這么說，我個人對感官評審并不感冒，銷售大數(shù)據(jù)是我認為的比較合適的方法）。
在審評評定時，首先要確定1～2個適當?shù)募t、綠茶或烏龍茶品種作為對照品種，凡制成茶葉的品質(zhì)達到某茶類對照品種水平的，則被確定為適制該茶類。有些品種具有多種茶類適制性（比如福鼎大白、金觀音、鳩坑等等），如紅、綠茶兼用，紅、烏茶兼用（正如你問題中提到的大紅袍和正山小種雖然不是同類茶樹品種，但巖茶和紅茶可以用同樣的茶樹品種），綠、烏茶兼用等，特別是紅、綠茶兼用品種在生產(chǎn)上較普遍，所以，在品種分類的適制性中可另外分列出一級。
衡量茶樹產(chǎn)量高低有絕對產(chǎn)量和相對產(chǎn)量兩種指標。
就絕對產(chǎn)量而言，凡在中上培育水平條件下（包含夏秋茶，廣東等南方地區(qū)還可以采冬茶）：
畝產(chǎn)量達到200千克以上干茶的，可列為高產(chǎn)品種，
150～200千克的為中產(chǎn)品種，
150千克以下為低產(chǎn)品種。
然而，絕對產(chǎn)量受栽培條件影響較大，嚴格來說，不能完全客觀地反映出品種的產(chǎn)量特性，何況，根本不現(xiàn)實，比如2020年的江浙皖三省茶葉大減產(chǎn)。
相對產(chǎn)量指在同等土壤肥力和培育條件下，與對照品種作產(chǎn)量比較的相對值，可以比較客觀地反映品種產(chǎn)量的真實水平。
因此，在品種試驗中必須選用適當?shù)膶φ掌贩N（一般采用主要推廣的高產(chǎn)品種和當?shù)刂饕耘嗥贩N），凡產(chǎn)量達到或超過該主要商產(chǎn)品種水平的即被視為商產(chǎn)品種，凡僅達到當?shù)刂饕耘嗥贩N產(chǎn)量水平的，則被視為中產(chǎn)品種，產(chǎn)量低于一般水平的為低產(chǎn)品種。
除上述五個主要因子以外，各品種在對早、寒、病、蟲的抗性方面也存在有較大的差別，但因這些因子比較復雜，難以簡單概括，故不作為茶葉分類等級的依據(jù)。
附個表，可能更明了些：
1.（小喬木型大葉、早芽、紅茶高產(chǎn)品種）………勐海大葉茶，鳳慶大葉茶，英紅1號，云抗10號
2.（小喬木型大葉、早芽、紅綠茶兼宜高產(chǎn)品種）……....福云6號、7號、10號
3.（小喬木型大葉、中芽、紅茶高產(chǎn)品種）……...黔湄502，蜀永1號、2號，云抗14號
4.（小喬木型大葉、中芽、紅綠茶高產(chǎn)品種）………浙農(nóng)12
5.(小喬木型大葉、遲芽、紅茶高產(chǎn)品種）………黔湄419，政和大白茶（兼適制白茶）
6.（灌木型大葉、早芽、綠茶中產(chǎn)品種）………上梅州大葉種
7.(灌木型中小葉、特早芽、綠茶商產(chǎn)品種）……..龍井43，黃葉早，鳩坑
8.（灌木型中小葉、早芽、紅綠茶兼宜高產(chǎn)品種）………菊花春，迎霜，勁峰，安徽1號、3號
9.（灌木型中小葉、早芽、綠茶高產(chǎn)品種）………福鼎大白茶，翠峰
10.（灌木型中小時·、中芽、紅綠茶兼宜高產(chǎn)品種）…........安徽3號，儲葉種，寧州2號
11.（灌木型中小葉、中芽、綠茶商產(chǎn)品種）………..碧云，安徽7號
12.（灌木型中小葉、遲芽、烏龍茶中產(chǎn)品種）……….鐵觀音，奇蘭
茶葉這樣分類才會在實際的生產(chǎn)銷售中有具體的指導意義，當然優(yōu)良品種中也有高下，有些特殊品種我特意沒寫，這些應該都算是實踐中得出來的商業(yè)機密。
來源：逍遙觀茶樓
信息貴在分享，如涉及版權問題請聯(lián)系刪除。
