综述：电子鼻技术在茶叶加工中的应用：系统性综述

《Chemosensors》：Applications of Electronic Nose Technology in Tea Processing: A Comprehensive Review

　　

茶叶品质本质上由加工过程中发生的复杂生化转化决定。传统感官评价虽为核心手段，但存在固有主观性，无法满足现代工业化规模生产监测的需求。本综述批判性探讨了电子鼻（E-nose）技术在茶叶加工全流程中的应用，涵盖金属氧化物半导体（MOS）传感器、石英晶体微天平（QCM）传感器、导电聚合物（CP）传感器及新兴化学电阻式平台等多类换能器技术。重点阐述了E-nose在萎凋、揉捻、发酵、干燥等关键加工阶段的实时、无损监测能力。研究人员分析了优化后的传感器阵列如何捕获动态挥发性有机化合物（VOC）演变，从而实现最佳加工终点的精准识别，尤其在红茶发酵控制中表现突出。此外，本综述评估了先进模式识别算法（如深度学习模型）与多传感器数据融合策略如何提升过程监测的鲁棒性与准确性。通过将E-nose响应模式与关键生化标志物及传统评茶指标相关联，本文论证了该技术在推动茶叶制造从经验型工艺向数据驱动自动化转型中的关键作用，最终确保产品一致性与生产效率的提升。

1. 引言

茶叶（Camellia sinensis）是全球消费量最大的饮品之一，年产量超600万公吨。其品质由加工过程中的复杂生化转化决定，这些转化生成的特征挥发性有机化合物（VOC）谱构成了各类茶叶的独特香气。传统品质评估高度依赖训练有素的评茶师通过感官方法进行审评，但该方法存在主观性强、疲劳导致的变异及无法在工业规模生产中提供连续实时监测等局限。需注意的是，构成E-nose阵列的传感器在长期监测和重复测量序列中也易受灵敏度与选择性漂移的影响，这种漂移源于传感器老化、环境波动及活性挥发性化合物的累积暴露，需定期重新校准并实施漂移补偿算法以维持测量可靠性。电子鼻受哺乳动物嗅觉系统启发，通过部分选择性气体传感器阵列生成复杂气味混合物的特征响应模式或“指纹”，自20世纪90年代初概念提出以来，已逐步应用于食品饮料行业，茶叶加工成为其最成功的应用领域之一。其核心优势在于捕获茶叶整体香气轮廓而非定量单个挥发性化合物，在模拟人类嗅觉整合特性的同时提供客观、可重复的测量结果。过去二十年间，E-nose在茶叶加工中的应用显著发展，早期研究确立了MOS传感器阵列区分茶叶等级及监测发酵过程的可行性，后续研究将范围扩展至六大茶类，优化了传感器阵列配置，并整合了日益复杂的分析方法。近期进展融合了深度学习架构、多传感器数据融合及便携式手持设备，推动该技术向实际工业部署迈进。与此同时，基于人工智能（AI）的香气预测方法作为品质评估的替代范式兴起，但基于代理数据或历史相关性推断香气的原理与E-nose实时物理捕获实际挥发物谱的技术路径存在本质区别，二者具有互补性：AI模型擅长系统设计阶段的工艺模拟、参数优化与场景预测，而E-nose在生 产中提供地面真值验证与自适应实时监测。本综述区别于既往研究的特色在于采用以加工流程为核心的框架，系统覆盖从萎凋、揉捻到发酵、干燥的完整制茶管线，深入解析各阶段VOC谱的动态演变及E-nose对生化转化的捕获机制；同时超越单纯分类结果罗列，提供了传感器响应模式与潜在化学转化（如发酵过程中儿茶素氧化动力学及茶黄素/茶红素形成）的机制关联讨论，批判性评估了已发表研究的方法学严谨性（包括数据集规模、验证流程及过拟合风险），并深入分析了多传感器数据融合策略、深度学习架构及工业部署的实践障碍，为研发新一代E-nose系统及茶叶制造企业实施过程监测方案提供可操作指导。本综述系统批判性审视E-nose在茶叶加工中的应用，涵盖技术基本原理、传感器阵列优化、模式识别方法及跨加工阶段与产品类别的全面应用，重点分析方法的优势局限、识别研究缺口并指出未来方向。

2. 电子鼻技术基础

本节概述E-nose的工作原理、系统架构及与传统方法的分析性能，为后续应用评估奠定基础。E-nose系统通过三个功能组件复现生物嗅觉过程：样品递送系统、传感器阵列（检测系统）及模式识别系统（数据处理单元）。样品递送系统通过可控流路将茶叶顶空挥发物导入传感器室，常集成预浓缩、湿度调节与温控样品瓶以确保测量一致性。传感器阵列是E-nose的核心，其广谱、重叠的选择性特征共同生成复杂挥发物混合物的复合响应模式，这种交叉敏感性在模式识别中具有独特优势，使系统能够编码整体化学成分信息而非离散分析物浓度。模式识别子系统将原始传感器信号转化为有意义的分类或预测结果，涉及信号预处理（基线校正、归一化、特征提取）、降维及分类或回归算法应用，方法选择显著影响系统在不同茶叶样品与加工条件下的准确性、鲁棒性与泛化能力。与传统分析方法相比，顶空固相微萃取-气相色谱-质谱联用技术（HS-SPME-GC-MS）与气相色谱-离子迁移谱（GC-IMS）可提供详细的化合物水平鉴定与定量，GC-E-nose则结合了色谱分离与电子鼻检测，能力介于传统GC-MS与独立E-nose之间。E-nose在速度、成本效益与操作简便性上优势突出，适用于工业实时过程监测与常规质量控制，但化合物水平的机制研究仍需依赖GC-MS。最有效的分析策略是将E-nose用于快速筛查，GC-MS/GC-IMS用于详细化学表征。需注意，E-nose的检测限显著高于GC-MS与GC-IMS，通常工作在百万分之一（ppm）级别，而GC-MS可达万亿分之一（ppt）至十亿分之一（ppb）级，因此E-nose适合检测主导整体香气的主要挥发物，但无法检出仅在特定浓度下影响品质细微差异的痕量香气活性物质。二者互补使用可实现效率与全面性的平衡。此外，茶叶样品的物理状态（干茶成品、茶汤浸出物、加工中鲜叶材料）对挥发物谱影响显著，干茶分析反映成品残留的热稳定香气化合物，茶汤分析近似消费者感官体验，加工中监测则是实时过程控制的关键，选择需匹配应用场景。

3. E-nose系统中的传感器技术

传感器阵列是决定E-nose灵敏度、选择性与整体分析能力的核心组件。金属氧化物半导体（MOS）传感器是食品领域E-nose应用最广泛的换能器技术，其原理是还原性气体吸附于加热的金属氧化物表面（如SnO₂、ZnO、TiO₂、WO₃）改变材料电导率，对醛类、醇类、酮类、酯类等茶叶特征挥发物敏感。典型MOS基E-nose包含6-12个独立响应传感器，通过调整金属氧化物组成、工作温度与催化剂掺杂优化选择性。但其主要局限是对漂移敏感，源于传感器老化、环境湿度变化及含硅化合物中毒或不可逆吸附，需定期重新校准或实施漂移补偿算法。缓解策略包括硬件层面的零气吹扫、标准VOC混合物校准，数据处理层面的动态基线归一化，以及计算校准转移方法如正交信号校正（OSC）与组分校正（CC）。近期纳米结构MOS材料与表面修饰策略提升了稳定性与选择性，但尚未在茶叶加工中系统验证。石英晶体微天平（QCM）传感器基于压电石英晶体振荡器的频率偏移测量表面质量变化，传感元件为涂覆气味选择性材料（如杯芳烃、导电聚合物、分子印迹聚合物）的石英晶体。QCM基E-nose对红茶发酵监测表现出色，响应模式与茶黄素、茶红素形成强相关，其涂层材料理性设计带来的灵敏度与选择性优于商业E-nose常用的经验筛选MOS阵列，但涂层制备复杂、易降解且成本较高。新兴传感器技术包括导电聚合物（CP）传感器，对含氮杂环与含硫化合物敏感性增强；表面声波（SAW）传感器质量灵敏度极高、响应快，但在茶叶加工中应用有限。比色传感器阵列（CSA）虽非严格意义上的电子鼻，但并行交叉选择性原理类似，在区分大叶黄茶烘焙程度上准确率超91%，优于同期E-nose系统。气味成像传感器阵列（OISA）生成空间响应模式，结合图像处理算法实现气味分类，便携式设备已成功区分绿茶、红茶与乌龙茶。纳米材料基传感器进展显著，如单壁碳纳米管（SWCNT）功能化锌酞菁（ZnPc）的化学电阻式传感器在葡萄酒品质监测中表现优异，其定制化分子受体修饰与先进数据分析策略对茶叶复杂挥发物谱鉴别具有借鉴意义。导电纳米复合材料基化学电阻式（CNBC）传感器作为一类成熟换能器，基于绝缘聚合物基质负载导电填料（如碳纳米管CNT、炭黑）的电阻变化响应VOCs，机制为聚合物基质溶胀破坏导电网络导致电阻升高。其室温操作、低功耗及通过聚合物-填料组合调控选择性的特点，使其在E-nose阵列中具有持久价值，近期聚乳酸（PLA）负载0.3 wt% CNT的环保型阵列及CNT/Nafion复合材料湿度传感研究进一步拓展了适用性，尽管目前在茶叶加工中应用较少，但其独特的 selectivity机制与柔性基底兼容性可为香气轮廓细微差异分辨提供补充数据。传感器阵列优化是性能提升的关键，通过相关系数分析与聚类分析剔除冗余与低判别力传感器，可在降低系统复杂度（成本、功耗、数据处理负担）的同时维持或提升分类性能，优化需针对特定加工阶段与茶类的挥发物特征，如红茶发酵阶段侧重脂族醛醇类响应传感器，绿茶品质评估侧重“鲜嫩”香气相关化合物响应传感器。最后，本节对比了主流传感器技术与模式识别方法的工业就绪度：MOS传感器因低成本、对茶叶挥发物主成分响应稳健及供应链成熟而应用最广，但易受湿度波动与基线漂移影响；QCM传感器质量灵敏度高、涂层可调，但制备复杂、成本高，限于实验室验证；CP传感器对热烘焙阶段含氮挥发物敏感，但聚合物膜在高湿下易降解；SAW传感器分辨率高、响应快，但受温度敏感性与微加工限制；CSA抗电磁干扰、输出可视化，但光学成像硬件限制了便携性。模式识别方面，传统统计方法（PCA、LDA、PLS-DA、HCA）是基础，PCA适用于探索性可视化，LDA线性分离效率高但假设条件常被违反，PLS-DA处理多重共线性，HCA揭示样本层次结构。传统机器学习算法（SVM、RF、ANN）在细粒度等级区分与产地溯源中准确率更高，SVM因中等样本量下的强泛化能力应用广泛，RF可提供特征重要性排序辅助传感器选择，但二者在样本量不足（<200）时易过拟合，需严格交叉验证与外部验证。深度学习通过消除手动特征工程、捕获非线性时序响应动态树立了新标杆，如RLCSA-Net结合空间注意力机制提取原始传感器阵列特征，迁移学习（如Scentformer）缓解了标注数据稀缺问题，在线迁移学习支持动态适应传感器漂移，但训练计算开销大、“黑箱”特性与食品行业可追溯决策需求冲突，可解释AI（XAI）框架（SHAP、LIME）通过可视化传感器通道贡献提升可信度。工业部署方面，MOS商用设备（如PEN3、FOX系列）就绪度最高，QCM系统限于实验室，CSA缺乏标准化商用平台，深度学习增强系统则受限于验证基准缺失、工厂级漂移补偿协议不完善及用户界面友好性不足。

4. E-nose在茶叶加工阶段的应用

茶叶加工包含萎凋、揉捻、发酵、干燥等序列阶段，各阶段诱导的关键生化转化决定最终品质，E-nose已逐步用于实时监测这些阶段的品质演变。萎凋作为多数茶类的初始阶段，涉及鲜叶控水脱水与生化变化启动，期间细胞壁组分酶解与膜透性改变重塑挥发物组成。生化层面，糖苷结合态香气前体（萜烯醇与糖缀合物）在水解酶激活下降解释放游离萜烯醇，脂氧合酶（LOX）途径催化多不饱和脂肪酸氧化生成C6醛醇类化合物。现有研究多采用多传感器融合（如电子眼、CSA、微近红外光谱）监测萎凋程度，为E-nose集成提供了基础，该阶段研究相对较少，是未来重要方向。揉捻阶段通过机械损伤破坏叶细胞结构，促进内源酶与多酚底物接触，启动氧化降解。多酚氧化酶（PPO）与过氧化物酶（POD）与区室化的儿茶素（如表没食子儿茶素没食子酸酯、表儿茶素没食子酸酯）接触后引发氧化 cascade，同时释放液泡中储存的挥发物前体。GC-E-nose可有效区分不同揉捻阶段，为工艺优化提供依据，但揉捻叶高湿环境会干扰MOS传感器响应，需改进采样协议与湿度补偿算法。发酵是E-nose研究最深入的领域，尤其对红茶品质至关重要，期间儿茶素酶促氧化生成茶黄素与茶红素，伴随挥发物谱重构。MOS与QCM基E-nose均可可靠区分发酵不足、适度与过度样品，其生化基础在于挥发物演变与茶黄素/茶红素比值（TF/TR）的平行关联：发酵早期LOX途径活跃，青草气挥发物传感器响应峰值；中期醌-氨基酸斯特雷克降解产物与游离萜烯积累，花香挥发物响应上升；后期儿茶素底物耗尽，响应趋于平稳。集成递归Elman神经网络的E-nose可基于部分发酵轨迹预测最佳终点，实现提前终止防止过度发酵。基于LabVIEW的闭环自动化发酵控制系统通过实时E-nose监测调整工艺参数，是迈向全自动化制造的重要一步。干燥阶段通过高温终止酶活性并将含水率降至适宜储藏水平，驱动美拉德反应、焦糖化与酶热降解，生成吡嗪、吡咯等高沸点化合物，重塑香气轮廓。GC-E-nose可有效区分不同干燥工艺处理的绿茶样品，E-nose响应模式与GC-MS表征的挥发物变化强相关，验证了其在过程监测中的可靠性。干燥末期含水率降至5%以下，玻璃化转变温度升高，固定香气与色泽化合物，优化干燥工艺需平衡温度与时间，防止碳水化合物焦糖化并保留热敏黄酮苷，决定茶叶感官复杂度与货架期稳定性。

5. 面向不同茶类的E-nose应用

E-nose已应用于六大茶类的品质评估、过程监测与产品溯源。红茶因多酚完全酶促氧化，研究最为充分，早期工作证实MOS基E-nose区分红茶等级的准确率超95%，增量径向基函数（RBF）网络支持持续模型优化，模糊逻辑分类器通过隶属度赋值处理品质边界模糊性问题，E-nose响应模式与评茶师评分强相关，多传感器数据融合（近红外光谱NIRS、计算机视觉）进一步提升了分类性能。绿茶经杀青终止酶活性，保留鲜叶儿茶素，特征挥发物为己醛、芳樟醇、香叶醇等“鲜嫩”香气成分，E-nose结合PCA、聚类分析（CA）、人工神经网络（ANN）可有效区分龙井等名优绿茶等级，CNN-SVM混合架构对地理标志绿茶的分类准确率超96%，干茶分析因无需冲泡而在工业质控中更具操作性。乌龙茶属半发酵茶，加工涉及摇青与晾青交替，挥发物谱兼具绿茶青气与红茶花果香特征，E-nose可实时监测摇青过程VOC动态演变，结合GC-MS明确 cultivar特异性香气成分（如吲哚、β-紫罗酮）的传感器响应关联，机器学习与灰色关联分析实现了不同产区乌龙茶的溯源。黑茶以微生物后发酵为特征，陈化过程中挥发物谱持续演变，E-nose可有效区分不同仓储年份的普洱茶，GC×GC-QTOFMS与E-nose联合验证了渥堆发酵对香气品质的影响。白茶加工简朴（仅萎凋与干燥），E-nose可检测储藏期间的细微香气变化，支撑年份白茶认证。黄茶经闷黄工序促进非酶促氧化，E-nose响应模式与烘焙参数、加工阶段强相关，CSA在烘焙程度区分上表现优异。

6. 模式识别与数据分析

模式识别是连接传感器响应与品质信息的核心环节。统计模式识别方法仍是基础，主成分分析（PCA）通过正交变换降维，直观展示样本聚类、异常值与趋势，广泛用于茶类、等级与加工阶段的探索性分析；线性判别分析（LDA）引入类别标签最大化类间分离，提供决策边界与传感器权重；偏最小二乘判别分析（PLS-DA）解决变量数超过样本数的不稳定问题；层次聚类分析（HCA）无监督揭示样本自然分组。需注意的是，分类结果的效度依赖于验证所用的品质标准，当前主要锚定评茶师感官评分（如ISO 3103、GB/T 23776-2018），但感官评价的主观性（评分者间变异、疲劳效应）会引入噪声，未来需建立E-nose分类与感官评估的最小一致性阈值及共识参考样品集。此外，干茶与茶汤样品状态的统计特性差异（干茶组内方差更低）也需在分析中考量。传统机器学习方法中，人工神经网络（ANN，尤其是多层感知机MLP与概率神经网络PNN）在绿茶分级中表现良好；支持向量机（SVM）通过核函数构建高维最优分离超平面，在有机绿茶评估中平衡了准确率与计算效率；K近邻（KNN）简单高效但高维数据下性能下降；决策树（DT）生成可解释规则；随机森林（RF）作为集成方法通过多树组合提升泛化能力并提供特征重要性排序。深度学习方法代表了最新进展，卷积神经网络（CNN）自动提取原始信号特征，RLCSA-Net结合残差学习与通道-空间注意力机制显著超越传统方法；CNN-SVM混合架构融合深度学习特征提取与SVM分类稳健性，在细粒度地理标志绿茶分类中准确率达96%以上。除CNN外，长短期记忆网络（LSTM）、门控循环单元（GRU）等序列模型可捕捉传感器响应的动态恢复动力学，注意力机制学习时间与传感器维度的差异化权重，时间卷积网络（TCN）通过膨胀因果卷积建模长程依赖，Transformer架构的多头自注意力可同时捕获跨传感器相关性与时间动态，是极具潜力的新方向。传感器漂移补偿是长期可靠性的关键挑战，组分校正（CC）与正交信号校正（OSC）是常用方法，可有效去除漂移相关变异。校准转移解决了模型跨仪器应用难题，直接标准化（DS）与分段直接标准化（PDS）通过转换矩阵映射不同仪器的测量空间，迁移学习可减少标准化样品需求，建立标准化的参考茶叶样品集是实现跨工厂网络部署的基础。最后，数据集规模、验证方法与过拟合风险常被忽视，当前报道的90-99%高准确率多基于小样本（数十至数百份），难以涵盖季节、产地、批次的真实变异；验证方法从简单训练-测试划分到k折交叉验证，但独立外部验证仍罕见；复杂模型（如CNN、LSTM）在小数据集上极易过拟合，需采用正则化、数据增强、迁移学习、特征选择等策略，并报告样本分布、验证协议、独立测试结果及模型复杂度与数据量的匹配性，以建立可靠的性能基准。

7. 多传感器数据融合策略

单一E-nose仅捕获香气信息，多传感器融合通过整合互补分析技术实现更全面品质表征。E-nose与电子舌（E-tongue）融合结合了嗅觉与味觉信息，弥补E-nose无法检测非挥发性滋味物质（多酚、氨基酸、咖啡因）的局限，融合层级包括数据层（原始信号拼接）、特征层（提取特征组合）与决策层（分类结果整合），其中特征层融合在性能与效率间取得最佳平衡，优化传感器选择与预处理流程可进一步提升效果，该融合策略已成功用于红茶分类与绿茶苦涩味检测。E-nose与计算机视觉系统（CVS）融合延伸至外观品质评估，结合香气信息与颜色、形状、纹理特征，在红茶发酵监测中，CVS捕捉叶色由绿转铜褐的变化，E-nose追踪香气演变，融合模型显著提升了发酵品质评估精度，高光谱成像与E-nose的空间-光谱-香气信息融合进一步拓展了品质评估维度。E-nose与光谱技术（如近红外光谱NIRS、拉曼光谱）融合整合了挥发物香气评估与分子组成分析，NIRS提供水分、多酚、氨基酸等 bulk化学成分信息，E-nose提供顶空挥发物谱，特征层融合在红茶等级判别中优于单一技术，拉曼光谱与E-nose融合还实现了茶叶农药残留的准确定量。融合层级选择需权衡性能与复杂度，特征层融合因平衡性好而在茶叶品质评估中应用最广。

8. 挑战与未来展望

尽管进展显著，E-nose在工业广泛应用前仍面临多重挑战。技术层面，传感器漂移与长期稳定性是最突出问题，工厂环境中高浓度挥发物暴露、高温高湿加速传感器老化，需结合板载参考气体发生器硬件校准与CC、OSC及主动实例选择等软件补偿策略；跨实验室与跨仪器重现性差源于制造公差、老化历史与电路差异，需发展标准化校准协议、参考物质集与迁移学习/校准转移方法（如DS、PDS）；样品制备与测量标准化不足（样品质量、顶空体积、平衡时间、温湿度等变量未统一）阻碍结果可比性，亟需行业级标准协议；传感器阵列对茶叶复杂挥发物谱的特异性不足，需开发针对性优化的阵列；样品状态（干茶、茶汤、加工中叶）选择不一致进一步加剧比较困难，未来研究需明确报告样品状态。新兴研究方向包括：深度学习与AI集成持续优化分类性能，结合领域知识开发茶专用架构；纳米结构传感材料（纳米MOS、石墨烯、分子印迹聚合物）提升灵敏度、选择性与稳定性；物联网（IoT）集成构建分布式监测网络，实现工厂级质量管理；便携式手持设备拓展田间、拍卖场与零售端应用；多模态传感器融合向更全面品质评估平台发展；深化E-nose响应模式与特定化合物、生化过程的机制关联，支撑理性传感器设计与结果解读；可解释AI（XAI）、迁移学习、联邦学习与边缘AI部署将分别解决模型透明度、校准转移、数据隐私与实时性需求，推动技术普惠。工业部署需考量实际条件：传感器漂移在高温高湿、挥发物富集的工厂环境中更为严峻，需定制补偿策略；校准转移是规模化部署的前提，需建立标准化参考样品集；环境湿度通过竞争吸附与表面化学改性显著影响MOS传感器响应，需采用主动湿度控制、数学补偿模型或湿度不敏感材料；经济性方面，大型茶企可通过减少劣质品率、提升优质品比例快速收回投资，中小生产者则需低成本MOS平台与开源软件降低门槛，间接收益（工艺标准化、减少对稀缺评茶师依赖、可追溯性、溢价认证）将进一步强化经济动因。未来工业部署路径需技术、方法学与商业协同，推动E-nose融入工厂自动化与数据管理平台，最终实现数据驱动的智能制造。最后，传感器质量与数据挖掘严谨性是结果可靠性的双重基石：传感器需具备足够灵敏度、选择性、响应恢复动力学、长期稳定性、环境鲁棒性与制造一致性；数据挖掘需规范预处理流程、特征提取策略，严防过拟合并采用严格验证（考虑样本嵌套结构与独立外部测试），且结果解读需结合茶叶化学机制，二者缺一不可，未来研究需同步提升并系统报告相关指标。

9. 结论

本综述表明，E-nose技术已发展为茶叶制造全流程客观品质评估与实时过程监测的 robust工具，有效克服了传统感官评价的主观性、疲劳与时间局限。在六大茶类中，E-nose响应模式与评茶师评分及关键生化标志物（如红茶发酵茶黄素/茶红素比值）高度一致，为数据驱动质量控制奠定实证基础。传感器架构从传统MOS向高灵敏QCM、CSA演进，多传感器融合（电子舌、计算机视觉、光谱）实现了香气、滋味、外观的 holistic评估。然而，传感器漂移、标准化验证框架缺失、样品状态异质性及深度学习模型的过拟合与黑箱特性仍阻碍工业规模化部署。未来研究需优先建立校准转移方法与大规模共识参考数据集，集成XAI框架弥合信任鸿沟，推进功能化纳米材料与导电纳米复合材料传感器以提升室温稳定性与选择性。最终，预测AI模型与实时E-nose反馈回路的协同将催化全自主闭环智能制茶系统实现，为全球茶产业带来前所未有的产品一致性、运营效率与经济价值。