茶叶的分类

本文详细介绍茶叶的不同分类方式,包括按发酵程度、茶色、季节和产地进行的分类,并阐述各类茶叶的特点,为茶叶爱好者提供全面的参考。
部署运行你感兴趣的模型镜像

按发酵程度不同来分类:

  茶叶中发酵程度的轻重不是绝对的,当有小幅度的误差,依其发酵程度大约红茶 95%发酵,黄茶 85%发酵,黑茶 80%发酵,乌龙茶 60~70%发酵,包种茶 30~40%发酵,青茶 15~20%发酵,白茶约 5~10%发酵,绿茶完全不发酵。而青茶之毛尖并不发酵,绿茶之黄汤反有部份发酵。
  国际上较为通用之分类法,是按不发酵茶、半发酵茶、全发酵茶来作简单分类。

不发酵茶半发酵茶全发酵茶
绿茶青茶(乌龙茶)红茶
0%15%20%30%40%70%100%
龙井、碧螺春等清茶茉莉花茶冻顶茶铁观音白毫乌龙红茶


按茶色不同来分类:

绿
炒青
绿茶
眉茶(炒青,特珍,珍眉,凤眉,秀眉,贡熙等)
珠茶(珠茶,雨茶,秀眉等)
细嫩炒青(龙井,大方,碧螺春,雨花茶,松针等)
烘青
绿茶
普通烘青(闽烘青,浙烘青,徽烘青,苏烘青等)
细嫩烘青(黄山毛峰,太平猴魁,华顶云雾,高桥银峰等)
晒青绿茶(滇青,川青等)
蒸青绿茶(煎茶,玉露等)   详细内容>>

小种红茶(正山小种,烟小种等)
工夫红茶(滇红,祁红,川红,闽红等)
红碎茶(叶茶,碎茶,片茶,末茶)   详细内容>>

闽北乌龙(武夷岩茶,水仙,大红袍,肉桂等)
闽南乌龙(铁观音,奇兰,水仙,黄金桂等)
广东乌龙(凤凰单枞,凤凰水仙,岭头单枞等)
台湾乌龙(冻顶乌龙,包种,乌龙等)   详细内容>>

白芽茶(银针等)
白叶茶(白牡丹,页眉等)   详细内容>>

黄芽茶(君山银针,蒙顶黄芽等)
黄小茶(北毛尖,沩山毛尖,温州黄汤等)
黄大茶(霍山黄大茶,广东大叶青等)   详细内容>>

湖南黑茶(安化黑茶等)
湖北老青茶(蒲圻老青茶等)
四川边茶(南路边茶,西路边茶等)
滇桂黑茶(普洱茶,六堡茶等)   详细内容>>
返回 

 


按季节不同来分类:

  春季温度适中,雨量充沛,加上茶树经半年冬季的休养生息,使得春梢芽叶肥硕,色泽翠绿,叶质柔软,特别是氨基酸及相应的全氮量和多种维生素,不但使春茶滋味鲜活,香气蹭鼻,富保健作用。

  夏季天气炎热,茶树新梢芽叶生长迅速,使得能溶解茶汤的水浸出物含量相对减少,特别是氨基酸及全氮量的减少,使得茶汤滋味、香气多不如春茶强烈。 由于带苦涩味的花青素、咖啡因、茶多酚含量比春茶高,不但使紫色芽叶增加, 色泽不一,而且滋味较为苦涩。

  秋季气候条件介于春夏之间,茶树经春夏二季生长、摘采,新梢芽内含物质相对减少,叶片大小不一,叶底发脆,叶色发黄,滋味、香气显得比较平和。
  冬茶、秋茶采完气候逐渐转凉,冬茶新梢芽生长缓慢,内含物质逐渐堆积,滋味醇厚,香气浓烈。

月份

节气

名称

4~5清明、谷雨、立夏春茶
5~6小满、芒种、夏至、小暑第一次夏茶(二水茶)
7~8大暑、立秋、处暑第二次夏茶(三水茶)
8~9白露、秋分、寒露秋茶
10~11霜降、立冬冬茶
11~12小雪冬片茶
12~4大雪、冬至、小寒、大寒、立春、惊蛰、春分天寒茶叶不长芽,实际上这几个月之中还可能会有雨水茶出产(冬三水、
不知春)

 


按产地不同来分类:

  高山茶比平地茶好,是高山有气候、土壤、树木等适合茶树生长的天然条件。其实,凡是在气候温和,雨量充沛,湿度高,光照适中,土壤肥沃的地方,采制的茶叶,品质都不错。

高山茶本省各产茶区内,海拔高度在1000公尺以上的地区,包括有阿里山山脉、玉山山脉、雪山山脉、中央山脉和台东山脉等。芽叶肥硕,颜色绿,茸毛多。加工后之茶叶,条索紧结,肥硕,白毫显露,香气馥郁,耐冲泡。
平地茶芽叶较小,叶底坚薄,叶张平展,叶色黄绿欠光润。加工后之茶叶条索较细瘦,骨身轻,香气低,滋味淡。

您可能感兴趣的与本文相关的镜像

AutoGPT

AutoGPT

AI应用

AutoGPT于2023年3月30日由游戏公司Significant Gravitas Ltd.的创始人Toran Bruce Richards发布,AutoGPT是一个AI agent(智能体),也是开源的应用程序,结合了GPT-4和GPT-3.5技术,给定自然语言的目标,它将尝试通过将其分解成子任务,并在自动循环中使用互联网和其他工具来实现这一目标

### 使用ResNet实现茶叶分类的方法 #### 数据集准备 为了构建一个基于ResNet的茶叶分类模型,首先需要准备好数据集。假设训练集中存在多个类别文件夹,每个文件夹内存储对应类别的茶叶图片。 在`__init__`函数中编写获取图片路径的方法[^1]: ```python import os from sklearn.model_selection import train_test_split class TeaDataset: def __init__(self, data_dir): self.data_dir = data_dir self.image_paths = [] self.labels = [] # 获取所有类别名称 categories = os.listdir(data_dir) for category in categories: path = os.path.join(data_dir, category) if not os.path.isdir(path): continue # 遍历每种类别下的图片并记录其标签 images = os.listdir(path) for image_name in images: img_path = os.path.join(path, image_name) self.image_paths.append(img_path) self.labels.append(category) # 划分训练集和验证集 X_train, X_val, y_train, y_val = train_test_split( self.image_paths, self.labels, test_size=0.3, random_state=42 ) ``` #### 构建ResNet模型 接下来定义用于茶叶分类的ResNet网络结构。可以利用预训练权重来加速收敛过程,并提高泛化能力。 ```python import torch.nn as nn from torchvision.models import resnet50 def create_resnet_model(num_classes): model = resnet50(pretrained=True) # 替换最后一层全连接层以适应新的分类任务 num_ftrs = model.fc.in_features model.fc = nn.Linear(num_ftrs, num_classes) return model ``` #### 训练与评估 完成上述准备工作之后就可以开始训练模型了。需要注意的是,在实际操作时还需要考虑更多细节如优化器的选择、损失函数的设计以及超参数调整等问题。 ```python import torch.optim as optim from torch.utils.data import DataLoader from torchvision.transforms import transforms from torch.autograd import Variable from tqdm import tqdm # 定义转换规则 transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), ]) # 创建DataLoader实例 train_loader = DataLoader(TeaDataset(train_data_dir), batch_size=32, shuffle=True, transform=transform) val_loader = DataLoader(TeaDataset(val_data_dir), batch_size=32, shuffle=False, transform=transform) device = 'cuda' if torch.cuda.is_available() else 'cpu' model = create_resnet_model(len(categories)).to(device) criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) for epoch in range(epochs): running_loss = 0.0 pbar = tqdm(total=len(train_loader)) for inputs, labels in train_loader: optimizer.zero_grad() outputs = model(inputs.to(device)) loss = criterion(outputs, labels.to(device)) loss.backward() optimizer.step() running_loss += loss.item() pbar.update(1) pbar.set_description(f"Epoch {epoch}, Loss: {running_loss / (batch_idx + 1)}") pbar.close() print('Finished Training') ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值