基于高光谱与深度学习融合的茶叶品质无损预测框架:跨物态与季节的多域特征集成研究

《Plants》:Integrating Hyperspectral Data and Deep Learning for Non-Destructive Prediction of Tea Quality Parameters Across Different Physical States of Tea Leaves and Growth Periods Guanzi Zhou, Haotian Ji, Rongyu Pan, Xiaowei Yang, Suhui Zhao, Lei Yang, Xiaohan Shang, Huijie Zhang, Hanchi Zhang and Wanping Fang + 4 authors

【字体: 大 中 小 】 时间:2026年04月06日 来源:Plants 4.1

编辑推荐:

  为满足茶叶智能化生产与质量控制对快速无损评估技术的迫切需求,本研究构建了一个集成高光谱数据与深度学习算法的创新框架。该研究针对茶叶品质关键成分茶多酚和儿茶素,跨越春、夏、秋三季,采集了田间鲜叶、干茶和茶粉三种物理状态的样本。通过融合原始反射光谱(R)、谐波特征(HF)和小波特征(WF),构建了多特征高光谱指数,并系统对比了XGBoost、高斯过程回归(GPR)和卷积神经网络(CNN)的建模性能。结果表明,三特征指数普遍优于双特征指数,其中CNN模型表现最优,尤其是在秋季茶粉样本中预测茶多酚(R2= 0.81)和儿茶素(R2= 0.76)的准确度最高。该框架为茶叶产业链的智能化质量评估与溯源提供了精准、非破坏性的技术工具。

  
茶,作为全球最受欢迎的自然饮品之一,其品质不仅决定了口感与香气,更与一系列健康益处紧密相连。在茶叶众多生物活性成分中,茶多酚被视为主导功能属性与感官品质的核心生化指标。然而,随着茶产业向高质量、数字化和智能化生产转型,如何快速、无损、实时地监测这些关键成分——尤其是作为主要品质决定因素的茶多酚,已成为现代茶叶生产的一项紧迫且基础的需求。传统的化学检测方法耗时耗力且具有破坏性,无法满足现代化生产的实时监控要求。
近期,以高光谱成像为代表的非破坏性传感技术为茶叶品质的定量与实时监控带来了新机遇。然而,现有大多数基于高光谱传感器的品质预测研究仍主要集中于使用原始反射光谱或常规光谱指数,未能充分利用不同光谱特征域(如原始反射、谐波分析、小波变换)的互补信息。此外,在建模策略上,面对高光谱数据的高维度、强共线性和复杂非线性关系,传统回归模型往往预测性能有限。以卷积神经网络(CNN)为代表的深度学习算法能够自动学习局部光谱模式和深度非线性表征,在植物营养与品质预测中展现出卓越性能。那么,能否构建一个融合多域光谱特征与深度学习的统一框架,实现对茶叶品质成分稳定、准确的跨季节、跨物理状态预测呢?这正是发表在期刊《Plants》上的这项研究所要回答的核心问题。
为了开展这项研究,研究人员在春季、夏季和秋季,从中国江苏省的代表性茶园采集了茶叶样本,涵盖了田间鲜叶、烘干后的干茶以及研磨后的茶粉三种物理状态。研究采用了多种关键技术方法:首先,使用ASD HandHeld 2光谱辐射计分别在田间和实验室条件下,系统采集了三种物态样本在400-890 nm波长范围内的高光谱反射率数据。其次,对获取的原始反射光谱(R)进行了谐波分析(Harmonic Analysis)和连续小波变换(CWT),分别提取了表征光谱能量分布模式的谐波特征(HF)和能捕捉局部吸收特征与细微化学变化的小波特征(WF)。接着,基于这三种特征域,通过穷举搜索算法构建了对茶多酚和儿茶素敏感的双特征与三特征高光谱指数。最后,研究系统比较了三种先进的机器学习算法——极端梯度提升(XGBoost)、高斯过程回归(GPR)和一维卷积神经网络(CNN)在构建品质预测模型上的性能,并利用排列重要性分析了不同特征对CNN预测的贡献。
2.1. 季节性变化特征
化学分析表明,茶多酚和儿茶素含量存在显著的季节性差异,两者含量均呈现夏季 > 秋季 > 春季的趋势。
2.2. 三种物理状态下高光谱反射率分析
对不同季节和物态的高光谱数据进行主成分分析(PCA)发现,样本的物理状态和季节对光谱特征有耦合影响。在所有季节中,三种物理状态都呈现稳定的聚类模式,其中茶粉样本在春季和夏季形成了独立的聚类。
2.3. 敏感高光谱特征与高光谱指数的构建
通过分析品质指标(以春季茶多酚为例)与三种光谱特征(R, HF, WF)的相关性发现,多域特征提取能有效增强与茶叶品质相关的关键信息表征,但这种增强的幅度受样品物理状态的强烈影响。基于穷举搜索构建的最优光谱指数表明,三特征指数通常比双特征指数具有更高的预测性能(R2范围0.48-0.65 vs 0.35-0.58)。不同物理状态下最优指数的构成特征差异明显,表明针对不同物态的茶叶样本,应从不同的特征域中识别最敏感的高光谱指数。
2.4. 基于深度学习算法的茶叶品质指标非破坏性预测模型开发
在系统比较XGBoost、GPR和CNN的建模性能后,CNN模型在预测精度和稳定性方面表现出整体最优的性能。模型预测精度表现出明显的季节依赖性,对于同一物理状态,模型性能通常遵循秋季 > 夏季 > 春季的顺序。此外,随着样本从田间鲜叶经脱水加工转变为干茶,再经研磨转变为茶粉,模型性能呈现逐步改善的趋势。总体而言,茶粉和干茶的预测精度高于田间鲜叶。其中,CNN模型在秋季茶粉样本中对茶多酚和儿茶素的预测达到了最佳性能,R2值分别为0.81和0.76。
2.5. 模型对季节和物理状态差异的再现性
对CNN预测的茶多酚和儿茶素含量进行的方差分析(ANOVA)表明,季节变化对茶叶品质成分有显著影响,且呈现一致的夏季 > 秋季 > 春季模式,而物理状态在任一季节内均未显著改变其内在化学成分。这些结果证实,CNN模型成功地保留了原始测量的内在统计结构。
2.6. CNN预测的特征重要性分析
通过对春季样本计算光谱指数的排列重要性得分发现,主导的特征域在不同物理状态间差异显著。田间鲜叶的预测主要依赖原始反射率和小波特征,干茶则强烈依赖于小波特征,而茶粉则表现出高阶谐波特征与原始反射率的协同贡献。此外,在同一物理状态下,茶多酚和儿茶素对特征的依赖性也存在明显差异。
在讨论部分,研究深入阐释了不同物理状态茶叶样本高光谱特征的差异机理。茶粉稳定的、季节不变的聚类归因于研磨导致的粒径减小和比表面积增加,从而显著增强了样品内的多次散射。而田间鲜叶与干茶之间的光谱可分离性则表现出明显的季节依赖性,这反映了水分含量、组织结构和生化成分之间的复杂相互作用。
研究强调了基于迭代计算方法构建对茶叶品质指标敏感的高光谱指数的价值。通过整合原始反射光谱、谐波特征和小波特征,并采用穷举搜索方法,成功构建了针对不同物理状态茶叶的定制化敏感指数组合,充分利用了多特征域的互补优势。三特征指数持续优于双波段指数,凸显了纳入额外信息维度以增强光谱表征和提高模型鲁棒性的重要性。
最重要的是,研究展示了通过集成多类型光谱指数与深度学习算法开发茶叶品质预测模型的显著成效。CNN模型在季节和物理状态下均持续优于GPR和XGBoost,实现了最高的预测精度和稳定性。这得益于CNN能够自适应地利用不同特征域的信息。特征重要性分析揭示,CNN模型能够根据样本的物理状态,智能地调整其依赖的核心特征域,从而实现对复杂光谱-品质关系的精准建模。
综上所述,本研究成功建立了一个统一的、基于高光谱与深度学习融合的茶叶品质非破坏性预测框架。该框架通过整合多季节、多物理状态下的多域光谱特征,捕捉互补信息,实现了对茶多酚和儿茶素等关键品质成分的稳健、实时监测。与以往主要依赖原始反射率或单一预处理技术的研究相比,该方法为整个茶叶产业链的智能化质量控制和价值导向管理提供了更全面、可靠的基础。CNN模型展现出的卓越性能及其对不同物态特征的自适应利用能力,证明了深度学习在复杂农业光谱分析中的巨大潜力。该研究不仅为茶叶品质评估提供了强有力的技术工具,也为其他农作物品质的高通量、无损检测提供了可借鉴的方法学框架。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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