基于近红外光谱技术的白茶萎凋过程实时含水量检测与预测深度学习模型

《Scientific Reports》：Deep learning model for real time moisture content detection and prediction in white tea withering using near infrared spectroscopy

　　

摘要

本研究提出了一种新的深度学习模型——STA-BiGRU-XGBoost，该模型利用近红外光谱技术预测白茶萎凋过程中的含水量。该模型整合了时空注意力机制、双向门控循环单元（BiGRU）以及XGBoost算法，以应对萎凋时间较长、环境条件多变以及光谱数据存在时间变化等挑战。研究采用最大相关性最小冗余度（mRMR）算法筛选出关键变量，包括热风温度、风道温度以及光谱吸光度等。时空注意力机制有助于提升特征的相关性，而BiGRU则能够捕捉长期的时间依赖关系。此外，时间注意力机制还可进一步调整关键时间步的权重。引入XGBoost算法则是为了在所研究的生产条件下提高预测的稳定性。通过2025年3月至5月间从正和县收集的生产线数据进行的实验表明，STA-BiGRU-XGBoost模型在所有对比模型中表现最佳，其均方根误差为0.0920，平均绝对误差为0.0772，决定系数为0.9806。此外，通过注意力权重可视化手段验证了该模型的可解释性，从而明确了与水分蒸发动态相关的关键特征。需要指出的是，目前的验证是在特定的生产季节和鲜叶来源地区进行的；若要在不同地理区域、不同茶树品种以及极端天气条件下实现更广泛的适用性，还需要进行跨地域和多季节的验证。