一项利用外部表型特征和先进机器学习算法进行商业咖啡豆分类的大规模概念验证基准测试

《Food Research International》：A large-scale proof-of-concept benchmark for commercial coffee-bean classification using external phenotypic features and advanced machine learning algorithms

　　

构建了一个包含来自10个产地共23,283个样本的咖啡豆数据集。本研究在受控数据集条件下实现了国家级别的分类。比较了12种先进的机器学习算法。本研究达到了96.27%的准确率。

引言
作为世界上最具影响力的饮料之一，咖啡具有重大的经济、社会和文化价值（Yang等，2026）。它支撑着从种植到消费的整个产业链以及国际贸易。目前，市场上的咖啡豆来源广泛、产地多样，不同地区的咖啡豆在质量和价格方面存在显著差异。由于不同产地的咖啡豆在外观上高度相似，非专业人士难以准确区分（Aghdamifar等，2023）。传统的人工识别方法不仅效率低下、成本高、耗时，而且容易受主观判断影响，存在显著的确定性和误识别风险。因此，这些方法无法满足大规模、标准化识别的需求。对生咖啡豆的可靠产地鉴别对于规范商业咖啡贸易和遏制产地伪造欺诈至关重要。包括形态、颜色和纹理特征在内的物理表型特征为快速产地鉴别提供了一条便捷的非破坏性技术途径。然而，传统的基于豆子外观的视觉分类方法仍存在一些缺点。因此，迫切需要开发一种基于外部特征的高效准确的咖啡产地识别方法。

目前，咖啡识别方法主要依赖于光谱技术（Sagita等，2025）。Sun等（2026）利用便携式近红外光谱结合轻量级MobileNetV4模型对云南咖啡豆的加工方法进行了非破坏性识别，准确率、精确度和F1分数均达到98.33%。该方法为识别咖啡豆加工方法提供了一种快速非破坏性的解决方案。Giraudo等（2019）采用近红外光谱结合多元数据分析，对来自两个大洲九个国家的191个生咖啡豆样本进行了产地识别。使用偏最小二乘判别分析建模得到的分类准确率为大洲级别超过98%，国家级别为100%。McNemar检验验证了该方法的实验室间可靠性，同时变量选择有效提高了模型性能。该研究为快速非破坏性地识别咖啡产地提供了一种可行的方法。Freitas等（2024）研究了烘焙曲线对阿拉比卡和罗布斯塔咖啡豆化学和感官特性的影响。他们分析了不同烘焙参数下糖类、有机酸和类黑精等成分的变化。他们还进行了光谱特征与感官评价的关联研究。结果表明烘焙条件显著影响咖啡品质，且主成分分析可以有效揭示品种、烘焙和感官属性之间的关系，从而为咖啡品质调控提供依据。Tormena等（2022）采用近红外和紫外可见光谱结合AComDim-ICA等多元方法，研究了生物刺激素和树冠分层对生咖啡豆代谢组的影响。结果表明不同提取剂、处理方法和采摘高度显著改变了咖啡的代谢特征，为咖啡品质调控提供了代谢层面的支持。Figueiredo等（2019）利用拉曼光谱结合化学计量学方法识别了四种阿拉比卡生咖啡豆基因型。结果表明脂肪酸和卡威利宁是区分基因型的关键生物标志物，使用主成分分析和偏最小二乘判别分析建立的模型可以有效实现咖啡基因型的准确识别。

尽管目前利用光谱技术识别咖啡产地已取得相当高的准确率，但仍存在一些不足，例如：（1）光谱检测设备的采购和运行成本相对较高。高精度光谱仪价格昂贵，配套的专业分析软件和校准配件进一步增加了初始投资。此外，仪器对其运行环境和储存条件要求严格，而日常维护和定期校准会产生持续的运营成本，这阻碍了大规模应用和快速现场筛查。此外，这种检测方法依赖专业操作员进行数据收集和模型校准，导致人力成本高。（2）现有研究中咖啡豆样本量不足。这不仅导致模型过拟合并降低其泛化性能，还削弱了实验结果的客观性和可重复性。由于模型无法充分考虑样本的各种实际变化，难以学习稳定的产地鉴别模式。因此，算法的整体性能无法得到有效验证，严重限制了这种识别方法在实际生产场景中的应用。

近年来，由于机器视觉技术具有高效的特征提取和智能分析能力，在农业领域得到了广泛应用（Fu, Lin, Chen等，2026；Fu, Lin, Weng等，2026）。Landolfo等（2026）研究了不同红蓝光谱比对多任务卷积神经网络模型在园艺物种和物候阶段分类中的影响。结果表明，红蓝比为1时物种识别效果最佳，红蓝比为3和5时物候阶段分类效果最佳。模型表现出强大的泛化能力，为精准农业的智能监测提供了依据。Jiang等（2025）将太赫兹时域光谱与卷积神经网络相结合以区分五种转基因玉米品种。在异常值去除、一阶导数和主成分分析预处理，以及各种支持向量机和一维卷积神经网络模型比较后，结果表明一阶导数-一维卷积神经网络达到了96.68%的分类准确率，在农产品安全检测方面展现出巨大的应用潜力。Zhang和Chuah（2025）通过构建专用硬件系统解决了山竹分级挑战。结合RGB颜色提取、图像分割和椭圆拟合进行外观检测，提出了MobileSeNet模型，分级准确率达到98.13%。其处理速度显著优于MobileNetV2，配套的交互界面提高了效率，为农业自动化分级提供了有效的解决方案。Zhang等（2024）提出了一种基于多任务学习的深度卷积神经网络模型，同时进行水果新鲜度检测和物种分类。对比实验表明，多任务学习模型比单任务学习达到了更高的准确率。特征余弦相似度验证了任务的相关性，证明该方法可以高效共享特征并增强检测性能。Karki等（2024）利用迁移学习和卷积神经网络，采用预训练模型如VGG19和ResNet50检测各种草莓疾病。结果表明ResNet50达到了94.4%的准确率；微调策略优于特征提取，而迁移学习显著提高了准确率并减少了训练时间。此外，在关于咖啡豆物理分级方面，Jiao等（2025）提出了一种新颖的Swin-HSSAM模型，这是一种基于Swin移位窗口转换器的咖啡分级模型，旨在解决生咖啡豆分类识别准确率低的问题。在关于咖啡豆视觉检查方面，Oliveira等（2016）开发了一种能够根据CIE（国际照明委员会）标准获取生咖啡豆实验室测量值并根据颜色对其进行分类的计算机视觉系统。在关于基于图像的咖啡豆分类方面，Olika和Amberber（2020）开发了一种合适的计算机算法，能够根据各个生长区域表征Benesha-nguel咖啡的不同品种。在关于咖啡豆形态测量分析方面，Rofner等（2025）使用多元线性回归模型分析了地理、土壤和农艺因素与秘鲁上瓦利亚谷地区Hermilio Valdizán咖啡豆中镉和铅浓度变化之间的关系。他们分析了30个海拔600至1800米种植园的土壤物理化学变量、豆子形态测量特征和农艺实践。在关于基于缺陷的咖啡豆分类方面，Sandhya等（2026）引入了一种新颖的Deep-CofeNet技术来识别咖啡豆的各种缺陷以提高生产质量。此外，Tessaro等（2026）对过去十年发表的利用数字图像分析和高光谱/多光谱成像技术进行咖啡植物学和地理学分类识别的文章进行了系统综述。他们强调仅依赖颜色特征限制了分类模型的稳健性，必须引入互补的纹理和形状特征。Baqueta等（2024）提出了一种3D打印设备用于智能手机图像采集。数字图像被用于识别巴西亚马逊地区当地生产的罗布斯塔咖啡的地理产地。

为了解决现有研究的不足，本研究利用低成本表型分析平台构建了一个包含来自10个生产国共23,283个咖啡豆样本的数据集。使用该数据集，我们对12种已发表的机器学习算法进行了面向应用的性能评估，并确定了在受控实验室成像条件下鉴别10个来自不同生产国的单个商业批次样本的最佳性能模型。因此，本研究应被解读为大规模表型概念验证基准测试，而非经过验证的地理产地认证。我们强调，本研究没有开发任何新颖的机器学习算法。

样品制备
本研究中使用的咖啡豆样本来自10个产地，共计23,283个豆子。其中包括巴西3030个，中国2200个，哥伦比亚1778个，哥斯达黎加2347个，萨尔瓦多1707个，埃塞俄比亚2817个，肯尼亚2120个，尼加拉瓜2243个，卢旺达2655个，乌干达2386个。所有生咖啡豆样本均从正规商业咖啡市场购买，而非直接从原始种植产区收集。值得注意的是……

咖啡豆识别算法
本节描述了本研究用于面向应用基准测试的12种已发表分类算法；本研究没有提出或修改任何新颖算法。
（1）TabPFN-3（Grinsztajn等，2026）。TabPFN-3（表格先验数据拟合网络3）是一种为结构化表格数据设计的预训练基础模型。在我们的研究中，backend=api指定远程推理。Thinking=off禁用额外推理，thinking_timeout=600秒设置最大……

结果与分析
为了确定最适合识别咖啡产地的机器学习算法，本节基于几个关键性能指标展示了比较实验。

结论
不同产地的咖啡豆由于外观相似，通常难以手动区分。此外，不同产地的咖啡豆在质量和市场价格方面往往存在显著差异。大多数现有研究利用光谱设备来区分不同产地的咖啡豆。然而，此类设备成本高昂且难以大规模部署。此外，现有研究分析的咖啡豆样本数量……

CRediT作者贡献声明
Chen Zhiteng：写作—审阅和编辑，写作—初稿，验证，方法学，数据管理，概念构思。Zhao Zhenhao：写作—审阅和编辑，写作—初稿，软件，方法学，形式分析，数据管理。Lin Jian：写作—审阅和编辑，验证，监督，项目管理，方法学。

临床试验编号
不适用。

伦理批准
所有作者均已阅读、理解，并遵循作者须知中"作者道德责任"声明的适用部分。

资助
本研究得到了福建省自然科学基金（编号：2024J01415）和福建农林大学科技创新专项基金（编号：KFB24045）的支持。

利益冲突声明
作者声明，他们没有已知的相互竞争的财务利益或个人关系可能影响本文所述工作。

Chen Zhiteng | Zhao Zhenhao | Lin Jian