利用高光谱成像和两级迁移学习技术进行茶叶加工过程中的跨域质量监测

《Food Control》：Cross-domain quality monitoring in tea processing using hyperspectral imaging and two-stage transfer learning

　　

• •
  开发了一个跨领域框架，用于白茶品质预测。
• •
  同时解决了茶叶类型和传感器之间的差异问题。
• •
  通过微调TCA和CNN模型，显著提高了目标领域的预测准确性。
• •
  能够准确预测水分、多酚和氨基酸的含量。
• •
  该模型支持在萎凋过程中的可解释性和可视化监控。

引言

茶叶是全球消费最广泛的饮品之一，其价值不仅在于其感官特性，还在于其促进健康的功效，包括抗氧化、抗炎和代谢调节作用（Fang et al., 2019; Lin et al., 2021）。这些生物功能与其特有的化学成分密切相关，尤其是茶多酚、氨基酸和其他功能性代谢物，它们共同决定了茶叶的营养价值和风味品质（Du et al., 2022）。其中，茶多酚是主要的生物活性化合物，对茶叶的涩味、苦味和抗氧化活性有显著影响，而游离氨基酸则是新鲜感和鲜味的重要前体（Zhang et al., 2020）。此外，水分含量是茶叶加工过程中的关键物理参数，因为它直接影响酶活性、化学变化、口感、保存稳定性和最终产品质量（Shan et al., 2023; Wang et al., 2023）。这些成分的含量受茶叶加工方法的影响很大。绿茶通过固定处理来灭活酶并保持新鲜度，而白茶主要经过萎凋和干燥工艺，期间会发生大量的生化变化（Wu et al., 2024）。因此，绿茶和白茶的成分组成和质量变化模式有显著差异，准确监测关键成分对于品质评估和智能过程控制至关重要。

传统的分析方法，如高效液相色谱（HPLC），因其高精度和可靠性而被广泛用于测定茶多酚、氨基酸等成分（Gu et al., 2020; Yong et al., 2022）。水分含量也可以通过标准的重量法或烘箱干燥法准确测量。然而，这些方法耗时且具有破坏性，并且严重依赖于专用仪器和化学试剂，这限制了它们在茶叶生产过程中的实时或在线监测应用。相比之下，可见光和近红外光谱（VIS–NIRS），尤其是与高光谱成像结合使用时，已成为快速、无损评估农产品和食品（包括茶叶）品质的一种有前景的替代方法（Zhang et al., 2025）。与传统分析方法相比，VIS–NIRS具有响应速度快、成本低、环保和适用于现场检测等优点。最近的研究表明，利用光谱技术可以预测茶叶中的水分、多酚、氨基酸、儿茶素、咖啡因等品质相关指标（Chen et al., 2025; Chen et al., 2018; Huang et al., 2021; Wei et al., 2019）。然而，光谱模型的稳健性和泛化能力仍是一个主要挑战，因为光谱信号容易受到样品异质性、加工条件、品种差异和仪器因素的影响（Li et al., 2022）。由于光谱预测依赖于建立光谱特征与参考测量值之间关系的校准模型，样品特性或传感系统的变化可能会导致领域偏移，从而大幅降低模型性能。为每种新的茶叶类型或传感系统重新建立校准模型需要大量化学测量的目标样品，这在一定程度上抵消了光谱技术的效率优势。因此，需要一种有效的策略，能够仅使用有限数量的目标样品，将现有光谱领域的知识转移到新领域。

在这种情况下，迁移学习日益被视为提高光谱模型在不同但相关领域泛化能力的一种有效策略（Li et al., 2022）。在光谱分析中，开发了基于标准化的方法，如直接标准化（DS）、分段直接标准化（PDS）和光谱空间变换（SST），以减少由仪器或测量条件差异引起的光谱偏差（Liang et al., 2016; Zheng et al., 2014）。这些传统的校准迁移方法通常依赖在相同仪器条件下测量的标准化样品来估计光谱变换，因此在当前的跨茶叶场景中直接应用并不合适，因为源领域和目标领域包含不同的物理样品，观察到的领域偏移同时反映了茶叶类别、加工过程、化学成分和传感系统的差异。

此外，领域适配方法（如迁移组分分析TCA）旨在通过将源样本和目标样本投影到共同的潜在子空间中来最小化领域间的差异（Pan et al., 2011）。最近，基于深度学习的迁移学习，特别是CNN微调，受到了越来越多的关注，因为预训练模型可以为相关目标任务提供可转移的光谱表示（Li et al., 2025; Mishra & Passos, 2021; Wang et al., 2025a; Contreras et al., 2024）。尽管迁移学习在NIR信号处理方面表现出了潜力，但其在茶叶品质预测中的应用仍然有限，尤其是在茶叶类型和传感系统同时存在差异的情景中。

在本研究中，开发了一个跨领域光谱回归框架，通过从绿茶样本转移知识来预测白茶的关键品质成分，包括水分、茶多酚和氨基酸。与传统的内域建模不同，本研究的源领域和目标领域不仅在茶叶类型和加工过程上有所不同，所用的高光谱成像系统也有所不同，这进一步增加了模型迁移的难度。为了解决这个问题，提出了一种两阶段迁移学习策略，结合了使用TCA的特征级领域适配和通过CNN微调的参数级适配。绿茶样本用于模型预训练，而辅助的白茶样本用于领域适配和模型优化，随后在独立的白茶样本集上进行评估。此外，还进行了基于扰动的可解释性分析，以识别与不同品质成分相关的关键波长区域。本研究的目的是建立一个有效的、可解释的迁移学习框架，用于跨茶叶和跨传感器的光谱预测，并为白茶生产过程中的快速品质评估和过程监控提供实用策略。

章节片段

样品收集

绿茶是中国茶叶产量最大的类别，而白茶的生产主要集中于福建和云南等少数地区。在实际生产环境中，可以轻松收集到整个绿茶生产过程中的大量传感器数据。然而，用这些数据训练的模型在直接应用于白茶生产时，由于

绿茶和白茶样品中品质成分的分布特性

图1总结了三种品质成分——水分、多酚和氨基酸的分布情况。绿茶样品的平均含量分别为38.915%、16.349%和4.291%，而白茶样品的平均含量分别为40.079%、17.724%和4.189%。总体而言，这两种茶叶类型的中心趋势相似，但分散模式明显不同，尤其是水分和多酚。

结论

本研究基于从绿茶样本转移的知识，开发了一个跨茶叶的光谱回归框架，用于预测白茶的品质成分。结果表明，将针对绿茶训练的CNN模型直接应用于独立的白茶评估集会导致预测性能不佳，因为光谱分布和光谱-化学关系存在显著差异，这些差异同时受到茶叶类型和传感器的影

CRediT作者贡献声明

张英根：撰写——审阅与编辑、验证、监督、资金获取、数据分析、概念构思。徐家军：撰写——审阅与编辑、方法论、数据分析。王玉杰：撰写——审阅与编辑、初稿撰写、可视化、验证、资源管理、方法论、研究、概念构思。张玉英：撰写——审阅与编辑、方法论、研究、数据分析、数据整理。何亮：撰写——审阅与编辑、可视化

未引用参考文献

Li et al., 2024; ?anl?er et al., 2018.

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

作者感谢专项基金对CARS（CARS-19-02A）、中国博士后科学基金（2026M794116）、福建省科技厅（2025R1027001）以及浙江省的重点研发项目（2022C02044, 2023C02043）的财政支持。

Xiaoli Li|Xinbei Song|Liang He|Yuying Zhang|Mostafa Gouda|Changsong Chen|Jiajun Xu|Yinggen Zhang|Yujie Wang