编辑推荐：
为解决传统红茶萎凋阶段 VOCs 监测成本高、效率低等问题，研究人员开发 OTS/TiO?- 比色传感器阵列（CSA），结合 LSTM 模型监测萎凋动态。结果显示识别准确率达 90%，染料降解率超 70%，为茶品质监测提供可持续工具。
红茶，这一全球消费量极高的饮品，其独特风味的形成离不开复杂的加工工艺。在红茶制作的 “萎凋 - 揉捻 - 发酵 - 干燥” 四大核心环节中，萎凋是奠定香气基础的关键一步。随着叶片水分的蒸发，茶叶内的挥发性有机化合物（VOCs）如醛类、酯类等物质含量逐渐升高，这些物质如同看不见的 “香气密码”，直接决定了红茶最终的花香、果香层次。然而，传统的 VOCs 监测手段却面临诸多瓶颈：依赖人工感官审评，结果易受审评员主观状态影响；气相色谱 - 质谱联用（GC-MS）技术虽精准，但设备昂贵、操作繁琐且耗时久，难以满足实时监控需求。如何实现红茶萎凋过程中 VOCs 的快速、低成本、环保监测，成为制约茶产业智能化升级的关键问题。
为攻克这一难题，镇江市农业科学研究所的研究团队开展了一项创新性研究。他们以环境友好的纤维素膜为基底，构建了一种自清洁型比色传感器阵列（Colorimetric Sensor Array, CSA），并结合深度学习技术，实现了红茶萎凋阶段的动态监测。这项研究成果发表在国际期刊《Food Chemistry》上，为茶叶加工的智能化检测开辟了新路径。
研究人员主要采用了以下关键技术方法：首先，通过在纤维素膜表面负载 TiO?纳米颗粒，赋予其光催化自清洁能力，紫外光照射下可使传感器表面染料降解率超 70%；其次，利用十八烷基三氯硅烷（OTS）对纤维素膜进行区域选择性修饰，形成疏水非传感区和亲水传感区，提升传感器抗湿性的同时保留 VOCs 吸附能力；最后，将多种响应染料滴涂于亲水传感区构建 OTS/TiO?-CSA，并引入长短期记忆网络（Long Short-Term Memory, LSTM）这一深度学习模型，对传感器捕获的高维非线性数据进行分析。研究中使用的茶叶样本为龙井 43 号，在萎凋过程中每 3 小时采集一次样本，共获取 175 个样本用于模型训练与验证。
材料与仪器
研究在镇江市农业科学研究所开展，以龙井 43 号茶叶为材料，在萎凋过程中每 3 小时采集样本（0-18 小时共 7 个时间点，每个时间点 25 个样本）。萎凋初期在特定条件下进行，为后续分析提供了标准化的样本队列。
萎凋茶叶水分含量
实验数据显示，随着萎凋时间延长，茶叶水分含量逐渐下降，18 小时时降至 63.10%，符合 GB/T 35810–2018 国家标准中萎凋完成时水分含量 60–64% 的要求，表明实验设定的萎凋时间节点具有科学性。
结论
研究成功开发了基于纤维素膜的 OTS/TiO?-CSA，该传感器通过 OTS 修饰显著提升了抗湿性，同时凭借 TiO?的光催化特性实现自清洁，减少染料残留污染。结合 LSTM 模型，传感器对红茶萎凋阶段的识别准确率高达 90%，展现出对动态 VOCs 变化的强大捕捉能力。
这项研究不仅为红茶加工提供了一种低成本、高效率的实时监测工具，其提出的 “纤维素膜功能化修饰 + 深度学习” 的技术框架，还为食品、农产品加工过程中的质量监控提供了通用型解决方案。特别是 TiO?自清洁功能的引入，契合当前环保型传感器的发展趋势，有望推动可降解智能检测设备在农业领域的广泛应用。未来，若能进一步优化传感器的便携性与多场景适应性，该技术或将成为茶叶产业数字化升级的核心支撑技术之一，助力实现从 “经验制茶” 到 “科学制茶” 的跨越。
