0 引 言
黑茶因其独特的药理作用与多种健康益处，正逐渐受到消费者的广泛青睐［1］。其中，茯砖茶作为一种典型的发酵黑茶，因其独特的真菌香气而备受关注［2］。茯砖茶的生产过程中，“发花”这一关键环节决定了茶叶的品质。金花菌（Eurotium cristatum）作为主导菌种，影响了茯砖茶的色泽、香气和滋味，不同发花阶段的品质差异往往显著，直接影响对茶叶的整体感官特征［3］。发花过程中的品质变化主要通过几个关键指标反映。含水率是调控发花环境的基础参数，影响着微生物的活性和发酵速度，因此在不同发花阶段表现出显著的波动［4］；游离氨基酸是茶叶鲜爽口感的重要来源，其含量变化反映了氨基酸代谢及蛋白质降解的程度，直接影响茶叶的风味［5］；茶多酚则是茶叶涩味与抗氧化能力的决定性成分，其含量及氧化状态的变化对茶汤的色泽和口感有重要影响［6］；而茶三素（茶黄素（Theaflavins, TF）、茶红素（Thearubigins, TR）和茶褐素（Theabrownines, TB））则是黑茶发酵过程中形成的特有氧化聚合物，积累与转化过程决定了茯砖茶在发花阶段的色泽变化和香气形成［3］。这些关键品质指标的动态变化揭示了茯砖茶发花过程中化学成分的转化规律。然而，目前还缺乏对茯砖茶发花阶段的快速、无损品质检测技术。
当前，黑茶品质检测往往依赖感官评估［7］，评审专家通常根据苦涩度、酸度、甜味、陈香和鲜爽度等感官属性对茶样进行综合评分［8］。由于黑茶在堆积发酵过程中形成了复杂的滋味物质和独特的微生物代谢产物，其感官特征呈现出更多样的变化，这使得评估过程对专家经验的依赖性更强。然而，感官评估本质上带有主观性，容易受到个人偏好、环境条件及操作规范的影响，因此难以实现客观、标准化的质量控制。这种方法虽在传统工艺中具有参考价值，但在现代大规模生产背景下，已无法满足对茶叶品质快速、稳定和可量化评估的需求［9］。此外，气相色谱-质谱联用技术［10］及高效液相色谱法［11］等方法也被用于茯砖茶品质检测，尤其在分析其香气成分与发花代谢产物［12］方面具有较高的灵敏度和准确性。然而，这些方法多用于实验室环境，不仅检测流程繁琐、前处理步骤复杂，且依赖昂贵的专业设备和具备专业操作能力的技术人员，因此难以实现对发花过程的实时、快速检测。在实际生产中这类方法更适合作为质量验证手段，而非过程控制工具，限制了其在大规模茶叶加工中的推广应用。因此迫切需要一种快速、无损检测手段用于茯砖茶品质检测。
近年来，随着精准农业与食品智能检测技术的快速发展［13］，光谱技术凭借其无损、高效和信息维度丰富等优势，已逐步成为食品品质监控和农产品分级评价的重要手段［14］。针对黑茶复杂的发酵过程及其组分变化特征，光谱技术因其对物质微观信息的敏感性，已被尝试用于其品质演变的检测与阶段判别。Hu等［5］结合高光谱成像技术、化学计量学和机器学习方法，已在藏茶品质成分检测与等级分类中展现出较高的准确性与应用潜力，为实现茶叶的快速、无损质量评价提供了有效路径。Li等［15］曾利用近红外光谱技术对普洱茶的发酵过程进行了定性与定量分析。尽管光谱技术在藏茶和普洱茶等黑茶中的品质分析中已取得一定成果，但针对茯砖茶“发花”这一关键工艺过程的光谱检测研究仍属空白，其品质演变的动态可视化与分级判别机制尚待探索。
本研究以茯砖茶在发花过程中的多个时间节点（第0、3、6、9、12、15天及成品）为研究对象。图1是不同发花阶段的茯砖茶图像，展示了茯砖茶在不同发花阶段的外观变化。采集茶样在可见-近红外（Visible-Near-Infrared, VIS-NIR）和近红外（Near-Infrared, NIR）的光谱图像构建茯砖茶发花过程的高光谱图像数据集。同时，测定茯砖茶发花阶段的含水率、游离氨基酸、茶多酚和茶三素等关键品质指标，分析其在发花过程中的变化趋势，并探索其与光谱特征之间的对应关系。在此基础上，基于高光谱成像技术结合人工智能算法构建茯砖茶发花过程的品质定量检测模型，并进一步建立品质识别分类模型，实现茯砖茶发花品质的智能检测。
1 材料与方法
1.1 样品制备
实验样本原料为2018年采制的鸠坑种黑毛茶，购自浙江骆驼九龙砖茶有限公司，并在该公司完成压制、发花和干燥等工艺流程。未经过发花处理的黑毛茶作为对照组，编号为D0。在发花过程中，烘房内的平均温度控制在约30 ℃，相对湿度维持在65%。每20 min翻堆散热一次。随后，将充分浸润茶汁的原料压制成规格为35 cm×18.5 cm×4 cm、重量为1 800 g的茶砖，并置于温度保持在30~40 ℃、相对湿度为65%~90%的发花房中进行发花处理。分别在发花第3天（D3）、第6天（D6）、第9天（D9）、第12天（D12）和第15天（D15）取样。所有样品在采集后立即用干冰运输至实验室，并存储于-80 ℃的冷冻条件下。D15完成干燥工艺后，所得成品茶样编号为FT，并置于室温干燥环境中保存，用于后续光谱测定。
1.2 品质成分检测
1.2.1 含水率测定
采用GB/T 8304—2013中规定的含水率测定方法对茯砖茶的含水率进行测定［16］。具体操作为：取大小统一的洁净铝质烘皿和盖，于120 ℃干燥箱恒温预烘1 h，取出放于干燥皿中冷却至室温，称量盒重（m0，g）。称量约1.5 g茶叶（m1）于已知质量的铝盒中，置于120 ℃的烘箱中加热2 h后取出，再于干燥皿内冷却至室温称重（m2，g）。茶叶含水率以质量分数（%）表示，计算如公式（1） 。
1.2.2 游离氨基酸含量测定
采用茚三酮法测定游离氨基酸的含量［17］。取样品液1 mL置于25 mL容量瓶中并加入0.5 mL pH8.0磷酸缓冲液与0.5 mL茚三酮溶液，沸水浴浸提15 min，待冷却后加水定容至25 mL。移取100 μL待测液于96孔板，在波长570 nm下使用Synergy H1多功能酶标仪检测吸光值。通过标准曲线（茶氨酸为标准品）计算游离氨基酸含量。
1.2.3 茶多酚测定
茶多酚使用福林-酚比色法［5］。称取样品0.2 g并用25 mL 50%（w/v）乙醇溶液提取，在70 ℃水浴锅中浸提20 min后使用离心机以12 000 rpm离心15 min，上清液即为样品液，在-20 ℃中进行保存。将样品液稀释10倍作为测试液。移取测试液30 μL于96孔板，加入150 μL 10%福林酚水溶液，充分混合，反应3~8 min后，加7.5%碳酸钠水溶液120 μL，室温下放置60 min，在波长765 nm下使用Synergy H1多功能酶标仪检测吸光值。通过建立以表没食子儿茶素没食子酸酯（Epigallocatechin gallate, EGCG）为标准品的标准曲线，计算样品中茶多酚的含量。
1.2.4 茶三素测定
茶黄素、茶红素和茶褐素采用分光光度法来定量分析茶色素组分［2］。称取0.6 g茶样，放入50 mL离心管中，加入25 mL沸水，充分振荡混匀后，在沸水浴中提取10 min。提取后，将样品以4 500 rpm、4 ℃离心10 min，收集上清液备用。
茶色素组分分离与提取如下。
溶液A：取5 mL上清液，加入5 mL正丁醇，振荡3 min，离心5 min。吸取0.4 mL水相，依次加入0.4 mL饱和草酸溶液、1.2 mL去离子水和3 mL 95%乙醇，混匀备用。
溶液B：取10 mL上清液，加入10 mL乙酸乙酯，振荡5 min，离心10 min。吸取0.8 mL乙酸乙酯层，加入4.2 mL 95%乙醇，混匀备用。
溶液C：取0.4 mL水相，加入0.4 mL饱和草酸溶液、1.2 mL去离子水和3 mL 95%乙醇，混匀备用。
溶液D：取5 mL乙酸乙酯提取液，加入5 mL 2.5%碳酸氢钠水溶液，振荡30 s，离心5 min。吸取0.8 mL下层乙酸乙酯层，加入4.2 mL 95%乙醇，混匀备用。
使用95%乙醇作为空白对照，在完成样品的提取与色素组分的分离后，即可通过分光光度法测定各组分的吸光值，分别用EA、EB、EC和ED表示。通过公式（2）~公式（4） 计算茶黄素、茶红素和茶褐素含量。最终，根据公式（5） 计算茶三素的值，其中W为茶样的干重。
1.3 光谱采集及提取
本研究采用可见-近红外（光谱范围：400~1 000 nm）和近红外（光谱范围：900~1 700 nm）高光谱成像系统（Specim, Spectral Imaging Ltd., Oulu, Finland）对茯砖茶样品进行光谱采集，光谱分辨率分别为5.5和8 nm。整套系统配备照明模块、移动平台及集成采集与处理软件的计算机［18］。系统搭建完成后，将样本与白板共同置于移动平台上进行扫描。为提取有效光谱信息，利用Python的OpenCV库对各波长通道图像进行预处理。为消除系统响应和光源不均带来的误差，最终基于公式（6） 对样本图像、白板图像与黑板图像进行黑白校正。每个时间点采集样本图像20张，共获取140张图像数据用于后续分析。
式中：R为校正后的高光谱图像反射率；IRAW 为未经校正的原始高光谱图像；Iblack 和Iwhite 分别表示黑板和白色标准参考板的高光谱图像。
2 模型与方法
2.1 卷积神经网络与Spectra-SE-CNN算法
卷积神经网络（Convolutional Neural Network, CNN）是一种典型的深度学习架构，因其强大的特征自动提取能力而被广泛应用于图像处理和高维数据建模中。在高光谱图像分析中，CNN通过多个卷积层逐步提取图像和光谱数据中的局部特征，例如纹理结构、波峰波谷、吸收带等，从而对复杂光谱数据实现深层次理解［19］。CNN由卷积层、归一化层、激活函数（如修正线性单元（Rectified Linear Unit, ReLU））、池化层和全连接层组成。其中，卷积层用于提取局部特征，池化层通过下采样压缩特征空间，减少冗余信息，从而降低计算复杂度并提高模型的泛化能力［20］。与传统依赖人为特征选择的方法相比，CNN通过端到端训练自动学习最优特征组合，大大提高了分析的自动化和准确性。
首先，压缩步骤通过全局平均池化将输入特征光谱X∈RH × W × C，其中H是特征图的高度，W是特征图的宽度，C是通道数，在空间维度上进行压缩，生成C维通道的全局描述符Zc，将空间信息压缩为通道级的标量，如公式（7） 所示。
，c=1，2，…，C
接着，激励（Excitation）步骤通过两层全连接层，通过一个全连接层和激活函数ReLU，然后通过另一个全连接层和激活函数Sigmoid生成通道的激励值S，如公式（8） 所示。
式中：σ是Sigmoid激活函数；δ是ReLU激活函数；W 1和W 2是全连接层的权重；b 1和b 2是偏置项；S ∈ RC 是通道的激励权重。
最后，使用激励值对输入特征图进行重标定（Recalibration）。每个通道的特征与其对应的激励值相乘，得到经过加权的特征X′，如公式（9） 所示。
，c=1， 2， … ， C
式中：Sc 为第c个通道对应的激励权重；Xc 为第c个通道对应的激励权重。
通过将SE注意力机制与CNN结合，提出了Spectra-SE-CNN算法。SE注意力机制能够在每一层的卷积特征中自适应地加权不同波段的贡献，使模型更加专注于与茯砖茶品质指标相关的关键光谱特征，有效提高光谱数据处理的准确性和鲁棒性，减少过拟合的风险，并提升模型的泛化能力，从而在光谱分类和回归任务中获得更好的性能。Spectra-SE-CNN算法及发花过程品质检测和品质判别如图2所示。在茯砖茶品质检测的定量分析任务中，CNN模型的输出层设计为单个神经元结构，采用线性激活函数输出一个连续数值，适用于预测目标如含水率、游离氨基酸、茶多酚及茶三素含量。结合SE注意力机制后，CNN模型能够更准确地捕捉光谱数据中的微小差异，并增强对品质指标的预测精度。而在茯砖茶发花品质判别的分类任务中，CNN输出层采用Softmax激活函数，将光谱样本分类至预设的发花时间的标签。通过卷积与池化操作，CNN能够从多维光谱中提取反映发花进程的关键特征，而SE注意力机制则进一步增强了网络对不同发花阶段特征的聚焦能力，实现高准确度的分类识别。
2.2 统计分析与评价指标
使用Excel 2016、SPSS 26和Origin 2025软件对实验数据进行统计分析和图形绘制。通过单因素方差分析和Tukey事后检验比较多组间的差异，标注不同字母的数据具有显著性差异（p<0.05）。网络模型的开发与训练在Windows10操作系统下进行，使用PyCharm作为编程环境，采用Python 3.9作为解释器语言，并基于PyTorch深度学习框架构建。实验所用硬件平台配备NVIDIA GeForce RTX 4090图形处理器，具备强大的张量计算与并行处理能力，可有效支持大规模高维光谱数据的深度学习建模需求。定量检测模型采用决定系数（R 2）和均方根误差（Root Mean Square Error, RMSE），其中R 2c、R 2v和R 2p分别为训练集，验证集和测试集的决定系数。RMSEC、RMSEV和RMSEP分别为训练集，验证集和测试集的均方根误差。R 2反映模型拟合优度，值越接近1表示拟合效果越好；RMSE用于衡量模型预测值与真实值之间的平均偏差大小，值越小表示预测精度越高。分类模型的性能评估中采用准确率、精确率、召回率和F 1值［22］。为了进一步构建和验证模型，数据集按照7∶3的比例划分为训练集和测试集，并采用十折交叉验证方法对模型进行验证。所有样本数据进行了标准化预处理，以提高模型训练的稳定性和泛化能力，减少特征量纲差异对学习过程的影响。
3 结果与分析
3.1 茯砖茶发花理化成分分析
茯砖茶发花过程中，品质指标发生了显著变化。图3显示了发花过程中含水率、游离氨基酸、茶多酚和茶三素的含量变化趋势。含水率呈持续下降趋势，由初始的24.04±0.32%降至发花后期的10.10%±0.33%。从第9天开始，变化趋于平稳，表明此时茶叶中的含水率基本稳定。游离氨基酸含量则表现为动态平衡状态，自第6天起稳定在3.6%左右，可能与微生物代谢密切相关，因为在发花过程中，微生物消耗茶叶中的含氮化合物作为氮源，导致氨基酸减少，同时，蛋白质降解又生成氨基酸，形成了降解与生成之间的代谢平衡，由于不同微生物对氮源的利用效率存在差异，最终促成了游离氨基酸含量的相对稳定。Huang等［1］也曾指出黑茶发酵的早期至中期阶段，微生物活性较高，导致氨基酸含量显著下降；而在后期，随着微生物活性减弱，氨基酸含量趋于稳定，该研究结果与本研究的观测趋势一致，进一步验证了氨基酸变化与微生物代谢活动之间的密切关系。茶多酚含量在发花过程中整体呈下降趋势，可能是由于其在微生物酶促反应中不断被转化，用于合成茶黄素、茶红素和茶褐素等关键风味与色泽物质。图4展示了三种色素的含量变化情况。这三种色素均由儿茶素及其没食子酸酯类化合物在湿热环境和微生物代谢的共同作用下，经氧化生成儿茶素邻醌、邻苯醌等中间产物，进一步缩合转化而成［23］。其中，茶黄素在初期含量上升，随后下降，推测与其在形成后，逐步转化为茶红素和茶褐素有关；茶红素在整个发花过程中持续增长，表现出典型的中间产物特征；茶褐素则呈现波动性下降趋势。为评估发酵质量和风味形成，茶三素，即(TF+TR)/TB，这一比值被广泛应用，较传统的红茶TR/TF比值更能反映黑茶的汤色与风味特征。实验结果表明，茶三素在“金花”发花过程显著增加，与秦俊哲等［24］提出的“发花过程中茶三素显著上升”的结论相符。
3.2 茶叶样品的光谱分析
为探究高光谱成像技术在茯砖茶发花过程中的应用，分析不同发花过程茯砖茶的光谱特征的归属与变化，揭示其在品质变化过程中的响应机制。图5是400~1 000 nm与900~1 700 nm波段茯砖茶发花阶段的平均光谱。结果表明，不同发花过程茶叶的光谱反射率存在差异，且整体反射率随发花天数增加而逐渐升高。这一现象可能与“金花”数量的增加有关，其引发的结构和成分变化共同促进了反射率的提升。从图5a的局部放大图可见，在550 nm附近出现明显的反射峰，可能与茶叶中色素（如叶绿素b和类胡萝卜素）的吸收变化有关；而675 nm处的深吸收谷则归因于叶绿素a在红光区的特征吸收，反映出发花过程中色素的含量波动。此外，700~750 nm波段的反射率明显上升，可能与水分吸收特性有关。在近红外波段，960~980 nm范围内的吸收峰可能源自茶多酚中N-H键的第二泛音振动，以及水分中O-H的第二泛音吸收；1 200 nm附近的平缓吸收峰与游离氨基酸的-CH=CH第二泛音和儿茶素的C-H泛音有关；1 465 nm处的吸收谷主要对应于水的O-H第一泛音振动；而1 650 nm附近的反射峰则反映了C-H与S-H键的第一泛音特征。分析可得，光谱曲线中包含了大量与茯砖茶品质密切相关的信息，因此，为实现其发花品质的快速无损检测提供了坚实的数据基础。
3.3 茯砖茶发花过程的品质定量检测
为探究高光谱成像技术与茯砖茶发花品质之间的关联性。本研究基于可见-近红外光谱与近红外光谱图像，分别构建了预测茯砖茶发花过程中含水率、游离氨基酸、茶多酚和茶三素含量的定量检测模型。建立了支持向量机（Support Vector Machine, SVM）和CNN定量检测模型。此外，构建了Spectra-SE-CNN定量检测模型，预测结果如表1所示。Spectra-SE-CNN模型均表现为最优模型，验证了SE注意力机制在增强CNN模型特征提取与利用能力方面的有效性。
表1 茯砖茶发花过程中的含水率、游离氨基酸、茶多酚和茶三素的定量预测结果Table 1 Quantitative prediction of moisture， free amino acids， tea polyphenols and (TF+TR)/TB of Fu brick tea at different stages of fungal fermentation |
| 指标 | 模型 | 数据类型 | RMSEC/% | R 2c | RMSEV/% | R 2v | RMSEP /% | R 2p |
|---|---|---|---|---|---|---|---|---|
| 含水率 | SVM | VISNIR | 2.075 0 | 0.833 0 | 2.381 5 | 0.751 3 | 2.413 3 | 0.766 1 |
| NIR | 3.482 2 | 0.530 1 | 3.945 2 | 0.435 5 | 3.895 5 | 0.427 1 | ||
| CNN | VISNIR | 2.419 8 | 0.764 8 | 2.645 2 | 0.756 4 | 2.539 6 | 0.762 2 | |
| NIR | 3.530 3 | 0.499 3 | 3.764 5 | 0.467 8 | 3.805 8 | 0.465 9 | ||
| Spectra-SE-CNN | VISNIR | 2.416 8 | 0.865 4 | 2.137 4 | 0.836 4 | 2.553 9 | 0.859 5 | |
| NIR | 3.436 3 | 0.625 6 | 3.891 2 | 0.535 3 | 3.916 9 | 0.534 2 | ||
| 游离氨基酸 | SVM | VISNIR | 0.232 7 | 0.495 5 | 0.191 5 | 0.656 4 | 0.194 7 | 0.659 6 |
| NIR | 0.285 1 | 0.353 8 | 0.287 8 | 0.167 8 | 0.269 7 | 0.122 2 | ||
| CNN | VISNIR | 0.262 2 | 0.565 9 | 0.368 7 | 0.556 1 | 0.358 9 | 0.542 3 | |
| NIR | 0.350 3 | 0.582 2 | 0.489 7 | 0.413 4 | 0.407 0 | 0.411 6 | ||
| Spectra-SE-CNN | VISNIR | 0.293 2 | 0.685 4 | 0.356 1 | 0.678 6 | 0.309 8 | 0.662 8 | |
| NIR | 0.343 2 | 0.663 9 | 0.345 6 | 0.687 4 | 0.346 8 | 0.670 2 | ||
| 茶多酚 | SVM | VISNIR | 2.062 6 | 0.835 2 | 2.564 5 | 0.764 1 | 2.562 6 | 0.732 1 |
| NIR | 3.506 1 | 0.533 3 | 3.943 1 | 0.445 2 | 3.905 2 | 0.399 4 | ||
| CNN | VISNIR | 0.274 2 | 0.744 1 | 0.389 8 | 0.567 4 | 0.352 5 | 0.558 6 | |
| NIR | 0.333 7 | 0.620 8 | 0.334 5 | 0.456 4 | 0.371 1 | 0.510 8 | ||
| Spectra-SE-CNN | VISNIR | 0.269 6 | 0.852 5 | 0.378 9 | 0.827 6 | 0.360 5 | 0.838 3 | |
| NIR | 0.340 9 | 0.664 5 | 0.387 1 | 0.675 3 | 0.393 9 | 0.648 8 | ||
| 茶三素 | SVM | VISNIR | 0.192 8 | 0.826 2 | 0.156 4 | 0.843 1 | 0.158 6 | 0.858 1 |
| NIR | 0.233 0 | 0.764 2 | 0.183 1 | 0.734 5 | 0.188 6 | 0.748 8 | ||
| CNN | VISNIR | 0.283 1 | 0.494 7 | 0.410 2 | 0.464 1 | 0.394 0 | 0.465 0 | |
| NIR | 0.259 3 | 0.576 2 | 0.345 7 | 0.563 2 | 0.349 5 | 0.579 1 | ||
| Spectra-SE-CNN | VISNIR | 2.399 9 | 0.868 6 | 2.610 1 | 0.846 8 | 2.590 9 | 0.852 5 | |
| NIR | 3.573 2 | 0.787 1 | 3.467 1 | 0.719 9 | 3.932 2 | 0.729 8 |
在含水率定量检测中，基于VIS-NIR波段高光谱图像的SVM模型在测试集R 2p达到0.766 1，RMSEP为2.413 3%，CNN模型中R 2p为0.762 2，RMSEP为2.539 6%。结果显示，SVM与CNN的预测效果相当。为了探索CNN算法是否能够进一步提升模型效果，使用Spectra-SE-CNN构建定量检测模型，基于VIS-NIR波段高光谱图像的模型在含水率检测任务中性能显著提升，训练集R 2c为0.865 4，RMSEC为2.416 8%，验证集R 2v达到0.836 4，RMSEV为2.137 4%，测试集R 2p达到0.859 5，RMSEP为2.553 9%。SE注意力机制通过自适应加权各个波段，增强了模型对关键波段（如水分吸收相关的700~750 nm波段）特征的感知能力，能够更精准地预测茯砖茶发酵过程中水分含量的变化，从而在捕捉关键光谱特征方面表现出更强的能力，显著提升了模型的预测性能。基于NIR波段高光谱图像建立的SVM，CNN和Spectra-SE-CNN模型在测试集R 2p分别为0.427 1，0.465 9和0.534 2，虽然该波段建立的模型具有一定的预测能力，但是其预测效果不如VIS-NIR范围的光谱。
在游离氨基酸的预测中，NIR波段高光谱图像构建的模型性能优于VIS-NIR波段高光谱图像，这与游离氨基酸中含有的-CH=CH基团在约1 200 nm处的第二泛音吸收有关。验证集R 2v为0.687 4，RMSEV为0.345 6%，测试集的R 2p为0.670 2，RMSEP为0.346 8%。尽管游离氨基酸在发花过程中呈现动态平衡趋势，但结果仍表明，NIR高光谱成像技术可作为一种无损手段用于其含量的有效预测。
在茶多酚和茶三素的定量检测中，最佳结果均是基于VIS-NIR波段高光谱图像构建的Spectra-SE-CNN模型。茶多酚的验证集R 2v为0.827 6，RMSEV为0.378 9%，测试集R 2p为0.838 3，RMSEP为0.360 5%；茶三素的验证集为R 2v为0.846 8，RMSEV为2.610 1%，测试集R 2p为0.852 5，RMSEP为2.590 9%。上述结果与相关成分在特定波段的吸收特征一致，茶色素的特征吸收峰位于550~670 nm、水分相关吸收区位于700~750 nm，茶多酚的N-H第二泛音与水分子O-H第二泛音主要集中在960~980 nm。
综合上述四种指标可以发现，含水率和茶三素的RMSE较其他两种指标稍大，主要是因为它们的变化范围较大，并且在高光谱图像中的光谱响应相对较弱或受到其他成分的共线性影响［25］。然而，尽管RMSE较高，含水率和茶三素的R 2仍然较好，表明模型能够较好地捕捉到这两个指标的整体变化趋势。总体来看，R²的较高值表明模型在处理这些指标时具有较好的拟合能力，尽管预测误差存在一定程度的波动。研究结果表明，高光谱成像技术可作为一种高效、无损的检测手段，实现对茯砖茶发花过程中品质变化的快速识别与评估，具有良好的应用前景，也为茯砖茶发花品质检测奠定了研究基础。
3.4 茯砖茶发花品质的定性鉴别
在确认高光谱成像技术具备对茯砖茶发花品质进行有效检测的基础上，为进一步开发一种快速、无损的发花品质识别方法，采用SVM、CNN和Spectra-SE-CNN构建了茯砖茶发花品质识别的分类模型，为后续质量评价与智能化分级提供支持。每个光谱波段的数据集包含140张高光谱图像，按照7∶3的比例划分为训练集和测试集。为确保模型的稳定性和泛化能力，采用了十折交叉验证，作为验证集结果。结果见表2，验证集和测试集的表现均验证了模型的良好泛化能力。与SVM和CNN模型相比，VIS-NIR波段的测试集准确率分别提高了27.93%和6.78%。VIS-NIR波段的分类准确率普遍优于NIR波段，这一结果与前期定量检测一致，茯砖茶发花过程中游离氨基酸变化不显著，而含水率、茶多酚和茶三素含量发生了显著变化，这些指标在VIS-NIR波段具有更强的光谱响应特征。从模型性能来看，VIS-NIR波段高光谱图像构建的SVM模型测试集准确率为84.41%，F 1分数为84.00%；CNN模型准确率提高至94.94%，精确率为96.00%，召回率为94.64%，F 1分数为94.64%。在Spectra-SE-CNN模型中，训练集，验证集，测试集在两个波段下的准确率均达到100%，进一步证明了SE机制在提升模型判别能力方面的作用，体现了该模型在不同数据集上的高泛化能力。
表2 茯砖茶发花阶段分类预测结果Table 2 Classification prediction results of Fu brick tea at different stages of fungal fermentation. |
| 模型 | SVM | CNN | Spectra-SE-CNN | ||||
|---|---|---|---|---|---|---|---|
| 数据类型 | VIS-NIR | NIR | VIS-NIR | NIR | VIS-NIR | NIR | |
| 训练集 | 准确率/% | 89.41 | 56.66 | 94.20 | 88.75 | 100.00 | 100.00 |
| 精确率/% | 90.00 | 57.00 | 95.90 | 88.04 | 100.00 | 100.00 | |
| 召回率/% | 89.00 | 57.00 | 94.20 | 88.75 | 100.00 | 100.00 | |
| F 1值/% | 89.00 | 57.00 | 94.27 | 87.09 | 100.00 | 100.00 | |
| 验证集 | 准确率/% | 83.45 | 55.46 | 93.89 | 86.56 | 100.00 | 100.00 |
| 精确率/% | 83.20 | 53.80 | 95.00 | 88.00 | 100.00 | 100.00 | |
| 召回率/% | 85.00 | 58.50 | 92.00 | 85.50 | 100.00 | 100.00 | |
| F 1值/% | 84.10 | 56.00 | 93.00 | 86.25 | 100.00 | 100.00 | |
| 测试集 | 准确率/% | 84.41 | 56.48 | 94.94 | 87.86 | 100.00 | 100.00 |
| 精确率/% | 84.00 | 56.00 | 96.00 | 89.39 | 100.00 | 100.00 | |
| 召回率/% | 84.00 | 56.00 | 94.64 | 87.86 | 100.00 | 100.00 | |
| F 1值/% | 84.00 | 56.00 | 94.64 | 85.99 | 100.00 | 100.00 | |
此外，为了验证模型学习后特征的可区分性并可视化不同发花阶段的光谱分布特征，本研究采用t-分布随机邻域嵌入（t-Distributed Stochastic Neighbor Embedding, t-SNE）对原始VIS-NIR和NIR两个波段的光谱数据进行了可视化处理。经过t-SNE降维后，原始光谱数据（图6a和图6b）并不可分，显示出不同发花阶段样本之间的区分度较低。相比之下，经过Spectra-SE-CNN模型提取的深度特征进行t-SNE降维后，结果如图6c和图6d所示，样本在三维空间中呈现出明显的聚簇结构，不同发花阶段的样本在特征空间中实现了良好的区分，体现出该模型在特征表达上的有效性和区分性。另一方面，为进一步直观展示模型在图像空间的关注区域，本研究采用梯度加权类激活映射（Gradient-Weighted Class Activation Mapping, Grad-CAM）对两个波段范围的图像可视化，如图7所示，可以观察到，CNN模型的关注区域较为分散，特别是在发花位置、纹理结构和边界轮廓等关键特征的响应较为模糊。图7a为VIS-NIR波段下选取594.4、729.74、867.39 nm构建的伪彩图，CNN与Spectra-SE-CNN模型的Grad-CAM可视化结果，CNN模型对VIS-NIR波段图像的关注区域呈现出较为宽泛的分布，尤其在边缘过渡区域的响应显得不够清晰，从而导致了误判现象。这种误判通常发生在边缘区域或过渡区，可能由于局部特征和全局特征缺乏有效的结合和全局上下文信息的建模所致。相比之下，Spectra-SE-CNN模型通过引入SE注意力机制，能够自适应地增强对关键光谱特征的关注，从而提高模型的判别能力。图7b为NIR波段下选取1 280.48、1 456.76、1 634.44 nm波段构建的伪彩图，CNN与Spectra-SE-CNN模型的Grad-CAM可视化结果。可以看到模型的关注区域明显集中，特别是在发花位置、纹理结构和边界轮廓等关键区域，表明该模型能够有效聚焦于具有分类信息的特征区域，避免了CNN模型在边缘区域的模糊响应。这一聚焦性使得Spectra-SE-CNN模型在分类性能上有显著提升，尤其是在复杂光谱特征的区分上表现得更为准确。
图8分别展示了CNN与Spectra-SE-CNN模型在VIS-NIR和NIR波段的混淆矩阵，结果表明，CNN模型在处理后期成品茶样本时存在一定程度的误判，尤其在不同发花阶段的样本分类上，模型误差较大。然而，Spectra-SE-CNN模型在这两个波段下均表现出了100%的分类准确率，这表明引入SE机制后，模型不仅能够有效提高分类精度，而且在解决误判问题上有明显的优势。Spectra-SE-CNN模型能够显著增强对关键光谱特征的关注，尤其在处理复杂的高光谱图像时，展现了更强的特征提取能力和分类准确性。与传统的CNN模型相比，Spectra-SE-CNN在茯砖茶发花阶段的智能识别中展现了显著的优势，为茯砖茶的品质评估与生产过程优化提供了可靠的技术支持和理论依据。
4 结 论
本研究基于高光谱成像技术与Spectra-SE-CNN深度学习模型实现了茯砖茶发花阶段的品质关键指标的高效定量检测，建立了一种快速、无损的茯砖茶发花品质检测新方法。结果表明，高光谱成像技术能对茯砖茶发花过程的品质指标（含水率、游离氨基酸、茶多酚和茶三素）进行无损检测，测试集R 2p分别为0.859 5、0.670 2、0.838 3和0.852 5，RMSEP分别为2.553 9%、0.346 8%、0.360 5%和2.590 9%，均表现出良好的预测性能。还发现可见-近红外光谱图像数据在数据建模中表现优于近红外光谱图像数据，这与茯砖茶发花过程中关键成分（如含水率、茶多酚和茶三素）的主要吸收特征集中在400~1 000 nm波段密切相关；而游离氨基酸相关的指纹吸收峰位于900~1 700 nm区域。此外，在茯砖茶发花品质区分任务中，Spectra-SE-CNN模型整体分类准确率高达到100%，表明其对关键光谱特征的自适应表征能力很强，有效提升了模型的性能。通过该模型卷积层提取的深度特征在t-SNE降维可视化空间中呈现出良好的聚类效果，显示出不同发花阶段之间具有显著的可分性。此外，结合Grad-CAM可视化方法分析发现，Spectra-SE-CNN所关注的区域更加集中于发花位置、纹理边界，相较于传统CNN模型具有更高的空间注意力聚焦能力，进一步强化了对特征区域的理解与判别。综上所述，本研究系统验证了高光谱成像技术结合深度学习算法在茯砖茶发花阶段实时检测与品质评估中的可行性与优越性。该方法不仅为茯砖茶发花品质的智能检测提供了可靠的技术支撑，也为后续在其他发酵类茶叶或农业产品质量检测领域的推广应用奠定了坚实的理论与实践基础。
