基于视觉的茶叶成型含水率预测——采用具有动态HSV轨迹特征的时间卷积网络

《Journal of Food Engineering》：Vision-based moisture prediction for tea shaping using temporal convolutional networks with dynamic HSV trajectory features

　　

• TCN模型捕捉颜色动态变化，超越静态图像水分预测能力。• Walk-Forward与LOBO防止数据泄漏，确保跨批次泛化。• SHAP将ΔS速率排为首位，揭示表面散射效应。• 低成本视觉方案（500–800元）实现R2=0.976及0.5ms推理。

引言

做形工艺是针形高档绿茶生产中的核心工序，其工艺参数直接决定最终产品质量与市场价值（Tang等，2025；Zhang等，2025）。水分含量作为做形过程中最关键的质控指标，不仅影响外部形态的形成，还决定成品的最终色泽、香气与滋味特征（Meng等，2024）。传统水分测量方法采用烘干法（GB/T 8304-2013）或便携式水分分析仪。尽管这些方法在实验室条件下可满足精度要求，但需要采集样品、离线检测，且每次测量耗时4至6小时（依据GB/T 8304-2013中103°C恒重法），无法用于实时工艺控制。在实际茶厂中，操作人员仍依赖"看茶制茶"的经验做法，由经验丰富的工人通过视觉外观、触觉和嗅觉线索推断水分状态（Xu，2021）。然而，这种方法在不同操作者之间可重复性差，强烈依赖个人经验，且日益与现代化智能制造需求脱节。

近年来，基于视觉的质量监控已成为农产品检测领域一种有前景的替代方案（Sivaranjani等，2022；Fracarolli等，2020；Fu等，2020）。数字图像衍生的颜色特征具有非接触、快速和非破坏性的明显优势。大量研究探索了RGB或HSV色彩空间在不同领域质量评估任务中的应用，包括水果分级（Bhargava和Bansal，2021）、烟草水分检测（Liu等，2011）、花生质量检测（Han和Zhao，2010）以及生菜新鲜度预测（Eshkabilov等，2025）。然而，现有工作大多仅关注离散时间点的静态图像颜色分析。例如，Ba Y, Zhang L等（Ba和Zhang，2025）采用基于YOLOv11n的架构进行普洱茶外观分级，但未涉及时间水分估计；而Li等（2020）的工作综述了食品干燥过程的在线检测技术，却鲜有专门研究茶叶做形过程中颜色与水分持续关系的工作（Li等，2020）。值得注意的是，茶叶做形过程中颜色的动态演变——本质上受持续水分蒸发、细胞结构坍塌及表面光学性质变化的影响——在很大程度上尚未被充分探索（Cao等，2020；Shahabi等，2014）。

HSV（色相-饱和度-明度）色彩空间在有机物质监测方面比RGB提供了更具物理意义的表征，因为色相和饱和度分量将色度信息与光照效应分离，在配合可控光照时，对光照变化具有较强的鲁棒性。先前的研究表明，在茶叶干燥或做形过程中，随着水分流失：（1）细胞水分流失导致色素在叶面上逐渐浓缩；（2）微观结构从相对光滑逐渐变为粗糙，增强漫反射并减少镜面高光；（3）叶绿素及其他色素的降解使色相逐渐向黄褐色偏移（Park等，2007；Hua等，2018）。然而，我们的实验数据表明，在相对较短的做形周期（约17分钟）内，色相通道保持高度稳定（37±1.6°），这表明主导光学效应是物理性的（表面水膜动力学）而非化学色素降解。

在食品与农业质量检测中，基于颜色的检测已从简单的直方图分析发展到复杂的特征提取流程。早期研究依赖RGB颜色直方图或矩进行水果成熟度估计（Wang等，2022）。后续工作向针对特定生物特性的专用色彩空间发展：CIELAB因其感知均匀性被用于新鲜蔬菜新鲜度分类方案（Koyama等，2021）；YCbCr用于可变光照下的水果表面缺陷检测（Xiong等，2014）。除这些特定分类任务外，另一条研究路线聚焦于使用颜色特征估计物理性质如水分含量，因为色度变化通常伴随脱水过程中的水分流失。

食品材料的非接触水分测量替代技术包括近红外（NIR）光谱法（Liu等，2021；Zhou等，2024）、高光谱成像（Taghinezhad等，2023）和微波介电法（Zhong和Zhong等，2020）。基于视觉的间接水分估计——利用可见光谱颜色特征作为水分含量的替代指标——处于中间位置：它成本低、可与现有成像基础设施集成，且兼容连续生产线。与近红外（NIR）传感器（通常每台超过15000元）相比，视觉方案仅需一台标准工业RGB相机（500-800元）配合可控LED照明，硬件成本降低约94.7-96.7%。此外，视觉系统可以以适合实时监控的帧率运行，且不受光谱方法视距限制的影响，更适合集成到现有茶叶加工设备中。

Yu, S., Zheng等（2024）使用带有内置光源的紧凑型视觉系统安装在托盘干燥机附近，利用原始RGB通道强度的偏最小二乘回归实现了R2=0.92。Huang等（2025）开发了铁观音乌龙茶的发酵程度预测模型，利用视觉和传感技术，实现了R2=0.9。在茶叶加工领域，Li等（2022）将NIR反射率与绿茶烘焙过程中的水分含量相关联，获得了较高的预测精度。最近，深度学习方案也被探索用于食品干燥过程预测：LSTM（长短期记忆）和基于Transformer的架构在捕捉干燥动力学中的长程时间依赖关系方面展现了强大性能（Jiang等，2026；Li等，2026），但其在有限训练数据的农业加工中的应用仍受限于过拟合风险。本文所使用的TCN架构通过因果膨胀卷积捕捉长程依赖关系而无需循环复杂度，从而解决了这一问题。

当前研究仍存在以下缺口：
1. 时间动态被忽视：现有大多数工作提取瞬时特征并应用传统机器学习方法（SVR、随机森林或梯度提升），将每个时间点视为独立观测，完全忽略了连续蒸发过程固有的序列依赖性、惯性和变化速率演变。
2. 存在潜在数据泄漏问题的验证方案：几乎所有农业视觉研究都采用随机划分训练集和测试集，当相邻时间点共享自相关值时会引入数据泄漏。这导致过于乐观的性能估计，无法反映真实的样本外泛化能力。
3. 可解释性有限：树模型的特征重要性通常报告为来自一个优化模型的单一聚合得分，掩盖了特征依赖关系的方向性。特别是特征贡献的方向性（对预测的正向或负向影响）很少被报告，这限制了实践者对模型决策的信任和应用能力。

本文的主要贡献如下：
1. 时间增强型TCN框架：引入滑动窗口机制，将连续过程记录转化为结构化训练对，使能够根据过去的颜色演变轨迹预测未来水分状态。
2. 严格的批次验证方案：用时间划分替代随机划分；采用批次保留策略（B01–B06用于训练，B07–B08用于验证，B09–B10用于测试）评估跨批次泛化能力。此外，在15个独立批次（B11–B25）上进行基于LOBO的跨批次验证，验证工业适用性。
3. 基于SHAP的全面可解释性：将模型预测分解为全局聚合特征重要性排名和局部特定归因（含不确定性区间）。
4. 可重复记录的工业部署：详细规范了成像硬件、光照控制、数据采样率和实时软件架构，并附带15个独立批次的5648个生产线样本。

本研究仅关注单一拼配方案（固定比例的三个品种）及传统中式设备；跨品种和跨设备的泛化有待未来研究。

实验设置

场地、设备与条件。实验在中国农业科学院茶叶研究所中式加工车间进行。做形机（18槽型，18 kW，380 V三相供电）通过茶叶与旋转锅壁之间的接触传导进行电加热，并辅以从顶部管道向叶层吹送的强制热空气循环。锅壁温度控制在110–120°C（表面

相关性分析

HSV通道随水分减少的时间演变：在整个[0, 1020]秒范围内，H在37°±1.6°附近窄幅波动（均值±标准差）；S从约110稳定下降至60（降低45.5%）；V呈现阶段性行为，在高水分（>40%）时初期持平，在约25–40%水分区间随着表面水膜消散急剧下降，随后在接近做形末期趋向较低平台。饱和度相关特征（ΔS及其速率）

时间建模与饱和度作为主要水分代理指标

消融实验的关键发现是，编码颜色演变时间结构的特征——特别是饱和度变化速率ΔS率——携带的预测信息比原始HSV值本身更多。饱和度相关特征的压倒性重要性（SHAP排名1至3，合计贡献57.4%的总预测信息）与既定的食品光学原理相符。随着水分蒸发，两个并行的物理机制

结论

本文提出了一个时间增强型基于视觉的水分预测框架，解决了先前工作的三个关键缺口：（1）使用时间显式建模处理连续颜色演变，而非独立静态快照；（2）严格的批次验证方案消除随机划分固有的数据泄漏；（3）完整的基于SHAP的可解释性分析与不确定性量化。

主要发现：饱和度变化速率（ΔS率）是单一最具信息量的

CRediT作者贡献声明

Min Tang：原创撰写、项目管理、资金获取、形式化分析、数据整理、概念构思。Yingfu Zhong：指导、资源、项目管理、方法论、资金获取。Qitian Zhong：可视化、软件、方法论、数据整理。Ruiqi Duan：指导、方法论、数据整理。Rui Chang：指导、方法论、数据整理。Hongyu Luo：审阅与编辑、方法论、数据整理、概念构思。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/人际关系：Min Tang报告获得了重庆市农业科学院的财务支持。Yingfu Zhong报告获得了重庆市农业科学院的财务支持。如有其他作者，他们声明不存在已知的可能影响本工作的竞争性财务利益或个人关系。

致谢

本研究得到重庆市自然科学基金项目（CSTB2024NSCQ-MSX0853）、重庆市农业科学院市级财政重大核心科技研究项目（KYLX20250600036）、重庆市农业科学院茶树种质资源与遗传育种创新团队以及重庆市农业科学院茶叶加工与装备创新团队的支持。

Min Tang | Yingfu Zhong | Qitian Zhong | Ruiqi Duan | Rui Chang | Hongyu Luo