基于LiDAR-热数据融合与多传感器校准的热源三维定位

《Sensors》：3D Localization of Heat Sources Using LiDAR–Thermal Data Fusion and Multisensor Calibration

　　

黑茶品质受香气化学性质主导：萜烯醇（芳樟醇、香叶醇、橙花叔醇）、水杨酸甲酯和短链醛类，这些物质在富含多酚的叶片基质中的丰度和释放动力学共同塑造了感知品质等级。等级信息不仅存在于顶空平均浓度中，还存在于受控加热条件下挥发性有机化合物（VOC）释放的时间形态中。传统电子鼻掩盖了这一信号：它们依赖多传感器阵列，将每个响应压缩为汇总统计量，并且仅报告单次测量层面的准确率。因此，研究人员探究了单个低成本金属氧化物半导体（MOS）气体传感器是否能够恢复决定等级的香气化学信息，以及波形级建模是否能利用该信息。研究人员构建了一款基于Bosch BME688传感器的便携式电子鼻，记录了来自16种不同品质等级的土耳其商用黑茶的90个时间序列，每个序列包含四个直接测量通道（温度、湿度、气压、气体传感器电阻）以及由板载BSEC库根据这些数据计算得出的一个衍生室内空气质量（IAQ）代理指标。研究人员在同一数据集上比较了两种表示方法：基于特征的流水线（将25个统计描述符降维至7个主成分，用于六种分类器，最佳F1宏观值为0.624，使用MLP）和原始波形多尺度一维卷积网络（结合挤压激励和时间自注意力，即MS-CNN-Attention）。在产品分组的交叉验证下，深度学习模型的F1宏观值达到0.811（提升30%），并通过多数投票正确对16个产品中的14个进行了分级，而MLP仅正确分级了11个；最大增益出现在中等级别（F1从0.52提升至0.79），在该级别中，汇总统计压缩破坏了释放动力学信号。本文的贡献有三方面：将单个可编程MOS传感器作为热解吸轮廓仪而非传感器阵列使用；在同一个小型非正态分布数据集上直接比较基于特征的经典学习与原始波形深度学习；以及提出一种适用于批次筛查的产品级决策一致性度量。将低成本MOS传感器与波形级建模相结合，提供了一种快速、非破坏性的基于香气化学的茶品质筛查途径。

**研究背景与问题**
黑茶的感官品质由挥发性有机化合物（VOC）的复杂混合物决定，这些化合物包括萜烯醇（如芳樟醇、香叶醇、橙花叔醇）、水杨酸甲酯和短链醛类。香气是品质分级的关键指标：高品质茶因在发酵过程中释放丰富的花香和果香萜烯醇而得分较高，低品质茶则因己醛等短链醛类主导而风味平淡。这些VOC的释放不仅取决于其初始含量，还受富含多酚的叶片基质对加热时解吸动力学的调控，因此等级信息不仅蕴含在顶空平均浓度中，更体现在VOC释放的时间形态中。当前分级方法存在两大瓶颈：感官评审小组易受疲劳、训练差异和环境条件影响，且难以高通量运行；仪器分析方法（如GC-MS、HPLC、NIR光谱）虽精确但需要复杂的样品制备、昂贵的设备和较长的检测周期。电子鼻技术虽被广泛研究，但现有平台存在四个主要局限：（i）多数采用6–16个传感器的阵列，增加了成本和系统复杂度；（ii）评估主要关注单次测量准确率，忽视了同产品多次测试的决策一致性，而这对于在线质控至关重要；（iii）基于特征的方法将传感器波形压缩为均值、标准差等汇总统计量，丢弃了VOC释放曲线的时间形态，而气体电阻读数往往呈重尾和偏态分布，该动力学信息的丢失会严重制约分类性能；（iv）尚未有研究在小型非正态数据集上直接比较经典机器学习与深度学习在单传感器茶品质分级中的表现。为此，研究人员开展本研究，旨在利用单个低成本MOS传感器实现基于香气化学的快速、非破坏性茶品质筛查。该论文发表在《Sensors》。

**主要关键技术方法**
研究人员采用以下关键技术方法：（1）**单传感器热解吸轮廓仪**：基于Bosch BME688可编程MOS气体传感器，通过八个可独立编程的加热器设定点实现温度调制，记录干燥茶叶在受控加热（30–50°C）下VOC解吸的原始时间序列波形（五个通道：温度、湿度、气压、气体传感器电阻及板载BSEC库计算的室内空气质量IAQ代理指标）。（2）**特征基经典机器学习流水线**：对每个通道计算5个时域统计描述符（均值、标准差、均方根、最大值、峰值偏差），经Z-score标准化和主成分分析（PCA）降维至7个主成分，然后使用SVM、k-NN、随机森林、XGBoost、LightGBM和MLP六种分类器，在10折分层交叉验证下进行优化与评估。（3）**原始波形深度学习模型（MS-CNN-Attention）**：构建多尺度一维卷积神经网络，包含干网络（两个步进卷积降采样）、三个并行多尺度分支（卷积核大小分别为(3,5)、(15,31)、(63,127)）以捕获不同时间尺度的VOC释放特征，每个分支内嵌入挤压激励（SE）模块进行通道注意力，随后连接4头自注意力层强化判别性时间区间，最后经全局池化和全连接层输出三分类结果。采用Focal损失（γ=2）和Mixup数据增强，并在产品分组的10折交叉验证（StratifiedGroupKFold）下训练，确保同产品所有测量不会同时出现在训练和测试集。

**研究结果**

* **经典机器学习性能**：六种特征基分类器的10折交叉验证F1宏观值范围为0.505（LightGBM）至0.624（MLP）。中等级别是每个分类器最难区分的类别（每类F1：0.43–0.58），因其多酚含量和香气化学特征介于高、低级别之间，25维统计特征空间在该区域分辨力有限。混淆矩阵显示中等级别误分类偏向高级别，说明其统计特征向量与优质茶部分重叠。

* **产品级一致性：经典机器学习**：以产品多次测量中多数投票类别的占比定义一致性率。最佳经典模型MLP对16个产品中的11个给出了正确的主导标签，5个失败产品包括：三个中级松散叶茶（A4、A5、A12）被系统性错分为Class 1；一个中级袋泡茶（A15）被一致误判为Class 3；一个低级产品（A13）呈现近随机分散（一致性40%）。这表明当VOC浓度均值在不同等级间重叠时，五个通道的汇总统计量不足以保留释放动力学差异所需的分布信息。

* **深度学习结果**：MS-CNN-Attention在产品分组的10折交叉验证下，通过多数投票正确分对了16个产品中的14个，恢复了MLP错分的3个产品（A10、A4、A15）。两个持续错误：A12（佛手柑味袋泡茶）因精油中单萜烯（柠檬烯、乙酸芳樟酯）产生类似优质茶的顶空指纹而被错分；A13（低级茶）因加工衍生香气化合物偏离模型学习模式呈近随机分散（一致性40%）。混淆矩阵显示，相对于MLP，深度学习模型在每个单元格中均减少了非对角线计数，中等级别正确分类实例从16/29提升至23/29。

* **整体比较**：对比所有7个模型，深度学习模型将F1宏观值提升30%（从0.624至0.811），正确主导分配产品数从11/16增至14/16。增益不均匀：高级别小幅提升（0.73→0.82），中级别提升最大（0.52→0.79，+51%），低级别类似提升（0.56→0.82）。这说明原始波形保留了等级相关的动力学信息，在汇总统计失败的中低重叠区域最为有效。深度学习模型折间方差较大（±0.198 vs MLP的±0.133）是小型数据集上训练高容量模型的固有权衡。

**讨论与结论**
讨论部分指出，VOC释放动力学是原始波形建模优势的核心。当干茶在密封腔中被加热至30–50°C时，VOC以“爆发-衰减”模式解吸，形态取决于化合物蒸气压、叶片表面积及多酚-VOC结合强度。优质茶因萜烯醇负载高且结合紧密，释放较慢且峰值更高；低品质茶以轻质快速解吸的短链醛类为主。气体传感器电阻波形将这些解吸动力学编码为单一时间轨迹，均值和最大值不足以区分；多尺度CNN分支设计（小核捕捉瞬态尖峰、中核跟踪萜烯醇积累、大核编码慢速倍半萜烯尾迹）与自注意力机制（自动加权VOC释放峰值区间）充分利用了全波形信息。残留分类错误源于外源性芳香化合物（如佛手柑油）或加工衍生香气掩盖了天然叶片化学指纹，未来需增加预处理区分香精添加剂。传感器漂移方面，每次测量的30分钟空腔基线校正使判别信息基于相对变化和波形形态而非绝对水平，降低了恒漂敏感度；但长期现场部署仍需周期性重新校准或基于学习的漂移补偿。与先前电子鼻研究相比，本工作独特之处在于：使用单个可编程MOS传感器作为热解吸轮廓仪而非多传感器阵列；在同一小数据集上直接对比特征基经典学习与原始波形深度学习；引入产品级决策一致性作为批次筛查指标。
**研究结论**：研究人员比较了六种经典机器学习分类器与一种专门构建的深度学习架构（MS-CNN-Attention）用于基于单个BME688 MOS气体传感器捕获的顶空VOC指纹进行黑茶品质等级分类。经典模型基于25个统计特征经PCA降维至7个主成分，F1宏观值范围为0.51–0.62。深度学习模型在原始五通道VOC释放波形上进行端到端训练，采用Focal损失、Mixup增强和产品分组交叉验证，F1宏观值达到0.81（相对MLP提升30%），并通过多数投票正确分配了16个产品中的14个（MLP为11/16）。改进在中等级别最大（F1: 0.52→0.79），这正是香气化学与相邻等级重叠最多、汇总统计压缩丢弃最多释放动力学信息的区域。该平台提供了一种快速、非破坏性、低成本的感官评审补充，适用于加工设施中茶叶批次筛查。未来工作将配对传感器记录与GC-MS顶空分析以建立CNN学习特征与单个VOC物种之间的机制联系，扩展数据集覆盖不同产地和年份，并探索适合实时边缘部署的轻量级模型架构。