基于对比性香气表征学习的二元茶叶拼配质量自动化电子鼻评估

《Food Control》：Automated e-nose assessment of binary tea blend quality via contrastive aroma representation learning

　　

摘要

茶叶拼配在保持生产批次间香气一致性方面发挥着至关重要的作用，是茶叶行业中一个关键的质控步骤。作为捕获挥发性有机化合物指纹的设备，电子鼻（E-noses）为快速、客观的拼配评估提供了一条有前景的途径。在本研究中，使用配备八个金属氧化物半导体传感器的自动化电子鼻平台获取了 690 次测量数据，涵盖五种具有不同香气家族的茶叶的所有十种二元组合，每种组合均包含九个体积比例步骤。非线性偏差指数（NLDI）显示，所有十种组合的传感器响应均显著偏离线性可加性，且非线性程度因茶叶对而异。我们提出了对比香气表征学习（CARL），一个包含通道注意力编码器、领域特定增强以及在连续拼配成分向量上操作的软监督对比损失的框架。在两个下游任务中，CARL 的性能均优于手工特征基线和通用对比方法：纯茶分类准确率达到 97.5%，拼配比例预测的决定系数为 0.719。学习到的嵌入空间表现出分离的纯茶簇和按混合比例排序的拼配轨迹，为基于电子鼻的拼配表征提供了定量参考。

引言

茶是世界上最广泛消费的饮料之一。茶叶拼配将不同品种、产地或加工方法制成的成品茶组合在一起，以维持产品一致性或开发所需的风味特征（Chen 等，2025）。拼配质量通过香气、口感、汤色、口感和整体感官接受度进行评估（Moreira 等，2024）；在这些属性中，香气提供了电子鼻可访问的挥发性顶空信息。冲泡过程中释放的香气反映了茶叶基质中的挥发性化合物丰度、气味阈值及相互作用（Wang 等，2022，Xia 等，2024）。因此，拼配配方和评估仍然在很大程度上依赖经过培训的评茶员（Bhattacharyya 等，2008）。关于涵盖不同加工方法生产的茶叶的拼配报告仍然有限（Sarma & Dashora，2025），这促使人们寻求快速仪器方法来表征拼配身份和成分。

电子鼻最初由 Persaud 和 Dodd（1982）提出，并由 Gardner 和 Bartlett（1994）正式定义为结合模式识别的交叉反应传感器阵列。此后，它被广泛应用于食品评估（Loutfi 等，2015，Tan 和 Xu，2020），包括茶叶等级分类（Bhattacharyya 等，2008，Han 等，2024，Xia 等，2024，Yu 和 Gu，2021）、橄榄油掺假检测（Mildner-Szkudlarz & Jeleń，2010）和精油混合物分析（Lias 等，2018）。目前的茶叶评估方法包括 GC–MS/GC–O、近红外光谱（NIRS）、经过培训的感官小组和电子鼻。GC–MS/GC–O 可分辨挥发性成分和气味活性化合物（Moreira 等，2024，Wang 等，2022），但需要色谱仪器、重复样品制备、专家操作和解释以及经常性分析耗材。NIRS 提供快速、无损的整体成分指纹，但其预测用途依赖于代表性参考测量和验证的校准模型（Fodor 等，2024）。经过培训的感官小组能捕捉感知到的香气和风味，但需要小组选择、培训、组织测试和重复评估（Djekic 等，2021，Moreira 等，2024）。交叉反应电子鼻提供快速、可自动化的顶空模式采集，无需色谱分离，但需要标准化的样品制备、采样和数据处理（Loutfi 等，2015，Tan 和 Xu，2020）。现有的混合物相关电子鼻研究主要集中于识别纯组分或检测掺假，对比例分辨的传感器响应模式探索较少。Singh 等（2024）最近指出，在使用金属氧化物半导体阵列分析多组分挥发性有机化合物混合物时存在“严重的干扰和偏离常见幂律行为”，表明传感器层面的非线性相互作用给混合物分析带来了实质性挑战。

基于传感器的拼配分析的一个根本问题是，金属氧化物半导体传感器对混合物的响应是否遵循其组分信号的线性可加性。在感官科学中，气味混合物可能以元素方式被感知，即单个气味物质仍可区分，或以构型方式被感知为一种定性新感知（Thomas-Danguin 等，2014）。对于红茶，掩蔽和协同效应而非线性可加性主导了大多数二元香气化合物对（Guan 等，2024，Niu 等，2022，Yang 等，2023）。然而，那些研究依赖人类感官小组或 GC–MS；类似的非线性模式是否出现在金属氧化物半导体传感器阵列响应中，以及如何量化它们，尚未得到系统调查。

本研究使用自动化电子鼻平台测量了五种茶叶的所有十种二元组合在九个比例步骤下的多个重复，共获得 690 次测量。这五种样品经过特意选择，以涵盖对比鲜明的加工和成分衍生香气基质。这种覆盖密度高于先前的电子鼻拼配研究，后者通常报告三到五个步骤（Lias 等，2018，Mildner-Szkudlarz 和 Jeleń，2010）。在该数据集上，我们首先提出非线性偏差指数（NLDI）以系统测试所有十种组合的传感器响应线性可加性。然后我们引入了对比香气表征学习（CARL），一个专门针对金属氧化物半导体数据特征的框架，结合了卷积特征图的自适应重加权、随机时间序列增强和成分感知软对比损失，以从传感器时间序列中学习紧凑表征。我们通过纯茶分类和拼配比例预测评估了 CARL 对测量的冲泡后成分的传感器响应表征，并与手工特征、端到端监督和通用对比学习范式进行了系统对比。据我们所知，这是首次尝试将对比表征学习应用于电子鼻混合物分析。该研究概述如图 1 所示。

章节片段

茶叶样品和冲泡准备

选择了五种涵盖不同加工方法和对比鲜明香气特征的茶叶（表 1）。乌龙茶与花香和果香相关（Ma 等，2024），而焙火乌龙茶具有烘焙和木质香调（Guo 等，2021）。工夫红茶以花香和甜香为特征（Pang 等，2024）。茉莉花茶带有茉莉花香和清新调（Zhang 等，2023），而小青柑具有果香和木质特征（Sun 等，2024）。所有茶叶均通过

结果与讨论

第 3.1 节表征纯茶传感器响应。第 3.2 节检验线性可加性假设。第 3.3 节展示学习到的茶叶香气图谱，在定量对比之前提供视觉概述。第 3.4 茶叶身份分类，3.5 拼配比例预测分别在分类和回归上比较了三种建模范式。第 3.6 节报告了独立的会话敏感性分析，第 3.7 节隔离了各个 CARL 设计

结论

客观的拼配评估仍然是茶叶生产中的一个瓶颈。拼配在很大程度上依赖经过培训的评茶员的主观判断，不可加的金属氧化物半导体响应对仪器分析构成了进一步挑战。本研究开发了一个自动化的八通道金属氧化物半导体电子鼻平台和匹配的数据分析框架，并使用它们在标准化采集方案下在传感器层面表征冲泡后的茶叶拼配。总共收集了 690 次测量，涵盖所有

CRediT 作者贡献声明

高松奇：撰写 – 初稿，可视化，验证，监督，软件，资源，项目管理，方法论，调查，资金获取，正式分析，数据管理，概念化。张心宇：调查，数据管理。冯彼得：数据管理。彭晓燕：监督，资源，项目管理。

未引用参考文献

Ho 等（2015），Zheng 等（2016）

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系，这些利益或关系可能会影响本论文中报告的工作。

致谢

这项工作由西南大学研究生研究与创新基金（SWUS25181）支持。

高松奇 | 张心宇 | 冯彼得 | 彭晓燕

西南大学人工智能学院，重庆，400715，中国