基于快照式多光谱成像与数据增强1D-CNN的黑茶发酵关键成分动态监测及可视化研究

本研究针对黑茶发酵过程中关键成分（儿茶素、茶黄素、茶红素、茶褐素）实时无损监测难题，创新性整合快照式多光谱成像（SMSI）技术与数据增强（DA）优化的1D-CNN模型，实现了成分浓度的高精度预测（Rp 最高达0.9392）及时空分布可视化，为茶叶智能制造提供了高效质量控制新范式。

　　

研究背景与意义
黑茶因其独特风味和营养价值风靡全球，其品质核心在于发酵过程中儿茶素（catechins）经多酚氧化酶（PPO）催化逐步转化为茶黄素（theaflavins, TFs）、茶红素（thearubigins, TRs）和茶褐素（theabrownins, TBs）的动态过程。传统感官评价主观性强，色谱分析耗时耗力，而现有近红外光谱技术难以同步获取空间信息。如何实现发酵成分的实时、无损、可视化监测，成为制约茶叶智能加工的瓶颈问题。

技术方法概要
江苏大学研究团队采集2023年春茶发酵样本，结合化学计量学测定成分浓度。采用快照式多光谱成像（SMSI）系统捕获光谱-空间多维数据，通过添加噪声、波段插值等数据增强（DA）技术扩增数据集，构建一维卷积神经网络（1D-CNN）预测模型，并生成成分时空分布热力图。

研究结果

1. 关键成分变化规律
   儿茶素含量持续下降，茶黄素呈"降-升-降"趋势，茶红素先增后减，茶褐素稳定上升（图1A），印证酶促氧化反应级联过程。

2. 模型性能对比
   DA-1D-CNN预测性能最优，验证集相关系数R_p
   分别为：儿茶素0.9163、茶黄素0.9392、茶红素0.9212、茶褐素0.8071，显著优于传统PLS模型。

3. 成分可视化
   时空分布图显示儿茶素在叶缘富集，茶红素随发酵时间向叶脉迁移，为工艺优化提供直观依据。

结论与展望
该研究首次实现黑茶发酵多成分的实时可视化监控，突破传统检测方法局限。DA技术有效缓解小样本过拟合问题，1D-CNN模型兼具高精度与强泛化能力。未来可结合高光谱成像提升分辨率，或迁移至其他发酵食品监测。论文发表于《Computers and Electronics in Agriculture》，为农产品加工智能化提供重要技术参考。

（注：全文严格依据原文事实，专业术语如PPO、TFs等首次出现均标注英文全称，模型性能指标保留R_p
等上下标格式，作者单位按要求不出现英文名称）