利用grad-CAM-CNN辅助的VNIR-色度传感器阵列对红茶萎凋程度进行智能预测
《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》:Intelligent prediction of black tea withering degree using grad-CAM-CNN assisted VNIR-colorimetric sensor array
【字体:
大
中
小
】
时间:2026年04月03日
来源:Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 4.3
编辑推荐:
准确预测萎凋程度对保证黑茶香气品质至关重要。本研究创新性地构建了集成可见近红外光谱(VNIR)和设计优化颜色传感器阵列(CSA)的智能平台,并采用梯度加权类激活映射(Grad-CAM)增强卷积神经网络(CNN)的可解释性,实现了黑茶萎凋程度的精准预测(99%准确率,0.059ms/样本效率)。该方案不仅解决了传统感官评价主观性强、色谱分析成本高的问题,还为茶叶加工提供了实时、高效、低成本的智能控制手段,同时具有跨食品系统的应用潜力。
王宇|杨一鸣|陈功|马胜洲|欧阳勤
江苏大学食品与生物工程学院,镇江212013,中国
摘要
准确预测茶叶的萎凋程度对于确保红茶的香气品质至关重要。在本研究中,我们提出了一个创新的智能平台,该平台将精心设计的比色传感器阵列(CSA)与可见近红外(VNIR)光谱技术相结合,并通过可解释的深度学习模型(卷积神经网络,CNN)来预测萎凋程度。具体而言,基于相关性分析(R2 ≥ 0.36),从16种候选染料中选择了8种用于制作CSA。这些染料被滴涂在滤纸上,用于捕获茶叶萎凋过程中释放的关键挥发性有机化合物(VOCs)。收集CSA的光谱数据并对其进行建模,以识别不同的萎凋阶段。为了进一步提高模型的可解释性,应用了梯度加权类激活映射(Grad-CAM)来突出与分类最相关的光谱区域。与传统模型相比,Grad-CAM-CNN表现出更优异的性能,准确率达到99%,每个样本的计算效率为0.059毫秒。这种方法不仅确保了红茶的香气品质,还为茶叶制造的实时过程控制提供了一种高效、可扩展且成本效益高的解决方案,并且具有应用于其他食品系统的潜力。
引言
红茶在全球茶叶市场中占据重要地位,是全球消费最广泛的茶叶类别[1]。萎凋是红茶加工的第一步,也是不可或缺的步骤[2]。在这一过程中,挥发性有机化合物(VOCs)的成分不断变化,为形成高品质红茶的香气特征奠定了基础。由于香气是红茶品质的关键决定因素,因此评估萎凋过程中的香气变化至关重要。在茶叶制造过程中,萎凋程度的实时测定主要依赖于经过培训的操作人员的感官检查[3]。然而,这些结果具有主观性,并且容易受到环境因素的影响[4]。气相色谱-质谱(GC–MS)能够准确分析香气品质[5],但受到高成本和复杂操作的限制[6]。为了解决这些问题,有必要开发一种新型的、稳健的、成本效益高的、用户友好的VOCs检测传感器。
比色传感器阵列(CSA)是一种新兴的仿生嗅觉传感技术,具有简单、快速、低成本检测VOCs的潜力[7]。CSA模仿哺乳动物的嗅觉系统,使用多种响应性染料作为传感器单元[8]。这些染料在接触不同VOCs时会改变其分子结构,产生易于观察的指纹图案。通常从CSA图像中的红色(R)、绿色(G)和蓝色(B)等颜色特征中提取数据,用于后续的模式识别处理[9],从而能够识别多种成分。近年来,这项技术已成功应用于茶叶品种鉴定[10]、等级评估[11]和过程监控[12]。然而,仅提取颜色信息会导致大量有效数据的丢失,缺乏准确描述CSA与VOCs之间反应机制的足够特征,这限制了CSA的分析能力和应用范围。
可见近红外光谱(VNIR)是一种强大的技术,可以全面捕获CSA-VOC反应的表面颜色和化学成分信息[13]。我们的团队提出了一种结合VNIR和CSA的策略,并已成功应用于不同等级抹茶的香气评估[14]。这种组合策略也被用于茶叶加工程度评估[15]和青贮饲料质量检测[16],验证了其在茶叶品质评估中的可行性和有效性。然而,VNIR光谱往往包含冗余信息和噪声,这会降低建模精度。变量选择被广泛用于优化模型和提高可解释性[17],但这涉及复杂的程序和耗时。
卷积神经网络(CNN)提供了一种先进的光谱数据分析方法,能够直接从完整光谱中自动提取特征[18]。结合光谱技术的CNN已成功应用于医学诊断[19]、农业质量评估[20]和公共卫生筛查[21]。尽管CNN的复杂网络结构导致了一个典型的“黑箱”问题,决策过程不够透明。这种黑箱特性给模型应用和用户依赖的决策带来了潜在风险[22],并且无法揭示决定茶叶萎凋程度分类结果的关键光谱区域和染料传感单元,从而对实际工业应用构成了重大挑战。梯度加权类激活映射(Grad-CAM)是一种可解释性框架,可以直观地阐明CNN中的特征激活模式和输入输出关系[23],通过量化和可视化每个光谱变量对模型决策的贡献,有效克服了CNN的黑箱问题。结合光谱传感的Grad-CAM辅助CNN(Grad-CAM-CNN)已应用于多种食品质量任务,包括植物油分类[24]、芝麻籽的地理认证[25]和辣椒粉中的掺假检测[26]。这些应用为我们的研究提供了宝贵的见解,表明透明的决策机制可以提供可操作的反馈,以促进智能茶叶生产和过程控制。据我们所知,Grad-CAM尚未被用于解释VNIR-CSA反应的机制。
基于以上内容,本研究创新性地设计了一种智能红茶萎凋程度预测策略,通过将VNIR-CSA与Grad-CAM-CNN相结合。本研究的主要任务如下:(1)制作CSA以捕获萎凋茶叶释放的VOCs;(2)从CSA响应中获取光谱和图像数据,并建立CNN模型来评估萎凋程度;(3)引入Grad-CAM来解释CNN在程度识别中的决策过程,为优化茶叶加工提供可操作的见解。
材料
用于红茶生产的新鲜茶叶(龙井43品种,Camellia sinensis var. sinensis)来自中国镇江Jurong的一个茶园。茶叶加工在中国江苏省镇江农业科学研究院进行。新鲜茶叶被分为三组:第1组、第2组和第3组。第1组仅进行自然室内萎凋,不采用其他加工方法。第2组和第3组分别
萎凋茶叶的含水量
如表S2所示,三组萎凋茶叶的含水量随着萎凋过程的进行而降低,叶片的形态变化与含水量的减少相对应,如图S2所示。根据GB/T 35810–2018(中国国家标准方法,红茶加工的技术规范),当茶叶的含水量达到60至64克/100克之间时,认为萎凋过程完成。
结论
本研究提出了一个集成CSA和VNIR的智能检测平台,并采用Grad-CAM-CNN模型来识别萎凋程度。CNN模型实现了99%的最佳预测准确率,每个样本的计算效率为0.059毫秒。Grad-CAM通过识别关键区分波长并确认溴百里酚蓝和甲酚红作为关键传感元素,提高了模型的可解释性。这项研究为
CRediT作者贡献声明
王宇:概念构思、数据整理、正式分析、研究、验证、初稿撰写、审稿与编辑。杨一鸣:数据采集、研究。陈功:正式分析。马胜洲:方法学设计、监督。欧阳勤:资金筹集、项目管理、资源协调、审稿与编辑。刘中华:监督。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
本工作得到了江苏省自然科学基金(BK20250052)、江苏省政府研究生研究与实践创新计划(KYCX23_3640)和江苏省大学生创新创业培训计划(S202510299133)的财政支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号