摘要
发酵是红茶加工中最关键的步骤，为解决传统加工依赖人工经验的问题，利用计算机视觉和电子鼻联合数据融合策略快速无损检测红茶的发酵质量。通过茶多酚质量分数将红茶发酵程度划分成不同等级，并与图像和气味信息建立关系；采用不同的数据融合策略结合随机森林（RF）、K最近邻（KNN）和支持向量机（SVM）建立红茶发酵的定性判别模型，并与单一传感器模型进行比较。结果表明，数据融合策略结合了不同传感器的信息，获得了更全面的数据，其模型判别结果优于单一传感器；特征级融合策略提取了不同传感器的信息特征值，简化了模型数据，获得了比数据级融合策略更优的模型性能；其中基于特征级融合策略的SVM模型分类效果最好，训练集分类正确率为100%，预测集分类正确率为95.56%，实现了对红茶发酵程度的快速、准确判别。
红茶是世界上最受欢迎的健康饮品之一，其加工过程一般包括萎凋、揉捻、发酵和干
传统加工中依靠制茶师傅的“一看二闻”来判断红茶的发酵程度，受主观和经验影响大。近年来，无损检测技术逐渐成熟，计算机视觉和电子鼻技术广泛用于肉类、水果和蔬
红茶发酵是一个复杂的化学变化过程，伴随着颜色和气味的变化，单一传感器无法收集足够的信息，不能很好地表征发酵过程中色、香、味的变化。数据融合策略能够将不同传感器的特征信号融合，从而更全面地描述待测物
作者采用计算机视觉系统和电子鼻分别模拟红茶发酵过程中制茶师傅的“看”和“闻”，使红茶生产不再受经验与主观因素的影响，比其他传感器更适合红茶生产的实际操作。气相色谱-质谱联用技术（gas chromatography-mass spectrometry ，GC-MS）可以对茶叶发酵过程中的挥发性气味进行准确定性和定量分析，但实时性差。电子鼻可以快速检测发酵过程中气味的变化，但不能准确分析关键物质。因此，进一步将GC-MS数据与电子鼻传感器响应数据关联，探讨关键挥发性物质与电子鼻信号的关系。对比分析了基于单传感器信号与多传感器数据融合信号的红茶发酵程度定性模型的效果，从而选择最优模型，实现准确、快速、无损地判别红茶发酵程度。
1 材料与方法
1.1 材料与设备
‘英红九号’红茶：广东省英德市特产茶叶，属于云南大叶种，2021年10月9日采集并加工；真空冷冻干燥机：Scientz-10N型，宁波新芝生物科技股份有限公司；分光光度计：UV-1800型，上海美谱达仪器有限公司；气相色谱-质谱联用分析仪：SCIONSQ-456-GC型，美国布鲁克公司；工业相机：SKT-SL1200C-123A型，深圳铖镒顺科技有限公司；环形光源：HNW-LR90型，苏州汉诺维自动化科技有限公司；便携式电子鼻：PEN3型，德国Airsense公司。
1.2 方法
1.2.1 茶叶加工
采用重萎凋、重揉捻和重发酵的加工方式，鲜叶萎凋12 h后揉捻90 min，送入发酵室发酵。发酵参数：室内温度26~28 ℃，相对湿度90%，发酵叶厚度10~12 cm，发酵后茶叶的水分质量分数50%~55%。发酵过程中每隔0.5 h取一组样品，每组9个样品，为采集过度发酵的样品，将发酵时间延长至7 h，共15组135个样品。对样品编号并采集图像与气味信息，之后将样品进行液氮冷冻及冷冻干燥，将冷冻干燥后的样品磨成茶粉，过50目筛，密封后放入冰箱备用。
1.2.2 图像采集
图像采集系统主要包括工业相机、环形光源、暗箱和计算机。为保证光源稳定性，在开始图像采集前30 min开启光源。相机镜头距离样品25 cm，分辨率为3 840×2 800像素。发酵开始后每0.5 h从发酵框的不同部位采集9份样品，样品均匀铺满培养皿以采集图像信息。样品照片以JPG格式存储在计算机中用于后续图像处理，首先提取500×500的感兴趣区域（ROI），然后去除由于茶叶堆叠形成的阴影，最后从不同的色空间模型中提取颜色特征均值，即R、G、B、H、S、V、
1.2.3 气味采集
试验开始前打开电子鼻预热30 min，图像采集完成后立刻取3 g样品放入采样瓶中采集气味信息。样品顶空30 s，连续采样90 s，清洗30 s至传感器恢复初始状态。所有采集均在25 ℃完成，气体流量600 mL/min。取传感器响应值稳定的57~60 s数据进行分析。
1.2.4 理化成分测定
1）茶多酚的测定：参照GB/T 8313—2018《茶叶中茶多酚和儿茶素类含量的检测方法》，用分光光度计测定茶多酚质量分数，每组样品重复测定3次，取平均值。
2）GC检测条件： 每隔1 h精确称取1 g茶粉，分别装入40 mL样品瓶中，加入3 mL沸水，加盖密封，在60 ℃恒温水浴锅中平衡5 min后，通过顶空固相微萃取吸附30 min，采用 DB-5MS 弹性石英毛细管柱（30 m×0.25 mm×0.25 μm）， 前进样口温度250 ℃，载气为高纯 N2（纯度≥99.99%）和H2（纯度≥99.99%），流量 1.5 mL/min。起始柱温 50 ℃，保持 3 min，以 3 ℃/min升至 220 ℃，保持 3 min，再以 10 ℃/min升至 250 ℃，分流比1∶1，解吸附 3 min，溶剂延迟 3 min。
3）MS检测条件：采用离子源 EI，离子源温度 200 ℃；电子能量 70 eV；发射电流 34 μA；四极杆温度 150 ℃；转接口温度250 ℃；电子倍增器电压 350 V；质荷比扫描范围30~400。
1.3 数据处理
使用MATLAB2018b软件对图像进行预处理并提取特征值。气味信息使用WinMuster软件采集。将采集到的图像与气味信息作为原始数据进行主成分分析（principal component analysis， PCA），分别以原始数据、PCA降维数据和融合数据作为自变量，建立不同的发酵程度判别模型并比较模型效果，PCA和模型建立均通过Python实现。
2 结果与讨论
2.1 活性成分分析
茶多酚是茶汤涩味的主要贡献物，具有降血脂和血糖、抗癌、防衰老等保健功能，其质量分数变化见
图1 红茶发酵过程中茶多酚质量分数变化
Fig.1 Mass fraction changes of tea polyphenols during black tea fermentation
2.2 基于计算机视觉的红茶发酵程度判别与分析
图2 红茶发酵过程图像
Fig.2 Image of black tea fermentation process
图3 红茶发酵颜色特征值的半小提琴图
Fig.3 Semi-violin plot of color feature values during black tea fermentation
IF—发酵不足阶段（0~4.0 h）；MF—发酵适度阶段（4.5~5.0 h）；EF—发酵过度阶段（5.5~7.0 h）。
为进一步探求红茶颜色与发酵程度的关系，根据活性成分划出不同的发酵阶段，对颜色特征值进行主成分分析，结果见
图4 红茶发酵图像的主成分分析载荷图
Fig. 4 Principal component analysis loading plots of image during black tea fermentation
IF—发酵不足阶段（0~4.0 h）；MF—发酵适度阶段（4.5~5.0 h）；EF—发酵过度阶段（5.5~7.0 h）。
分别以图像颜色特征值的原始数据和前3个主成分为自变量，红茶发酵程度为因变量，将采集到的135个数据按2∶1划分成训练集和测试集，建立RF、KNN和SVM模型。模型经过调试后取得最优结果，模型参数与分类正确率见
| 模型 | 参数 | 训练集分类正确率/% | 预测集分类正确率/% |
|---|---|---|---|
| CV-RF | n=80 | 85.56 | 82.22 |
| CV-PCA-RF | n=30 | 90.00 | 74.44 |
| CV-KNN | k=7 | 86.67 | 78.89 |
| CV-PCA-KNN | k=3 | 85.56 | 76.67 |
| CV-SVM | c=36.23，g=0.01 | 91.11 | 82.22 |
| CV-PCA-SVM | c=420.37，g=0.01 | 86.67 | 80.00 |
注： CV表示计算机视觉；RF、KNN、SVM表示基于原始数据建立的模型；PCA-RF、PCA-KNN、PCA-SVM表示基于主成分数据建立的模型。
2.3 基于电子鼻的红茶发酵程度判别及分析
取电子鼻传感器阵列响应的稳态均值（即57~60 s的数据）进行分析。
图5 红茶发酵过程中的气味信息
Fig. 5 Odor information during black tea fermentation
图6 红茶发酵气味的主成分分析载荷图
Fig. 6 Principal component analysis loading plots of odor during black tea fermentation
IF—发酵不足阶段（0~4.0 h）；MF—发酵适度阶段（4.5~5.0 h）；EF—发酵过度阶段（5.5~7.0 h）。
分别以电子鼻传感器阵列响应的稳态均值和PCA的前3个主成分为自变量，红茶的发酵程度为因变量，建立RF、KNN和SVM模型。模型经过调试后取得最优结果，参数与分类正确率见
| 模型 | 参数 | 训练集分类正确率/% | 预测集分类正确率/% |
|---|---|---|---|
| EN-RF | n=30 | 87.78 | 72.22 |
| EN-PCA-RF | n=100 | 90.00 | 82.22 |
| EN-KNN | k=3 | 85.56 | 76.67 |
| EN-PCA-KNN | k=5 | 88.89 | 86.67 |
| EN-SVM | c=640.32，g=0.35 | 88.89 | 80.00 |
| EN-PCA-SVM | c=45.81，g=0.02 | 90.00 | 80.00 |
注： EN表示电子鼻；RF、KNN、SVM表示基于原始数据建立的模型；PCA-RF、PCA-KNN、PCA-SVM表示基于主成分数据建立的模型。
2.4 基于数据融合策略的红茶发酵程度判别分析
由2.2和2.3可知，由单一传感器数据所建的分类模型效果一般，这可能是因为红茶发酵在宏观上体现在色、香、味等各个方面，而在微观方面包含了一系列复杂的化学变化。单一的传感器往往只能采集到一方面的数据，而忽略了其他重要的特征。数据融合策略已被广泛用于工业和农业等领
采用数据级和特征级融合策略对计算机视觉和电子鼻的数据进行融合，建立RF、KNN和SVM分类模型，并对模型效果进行比较。其中在特征级融合策略中，采用主成分分析对原始数据进行降维，选取累计贡献率达99%的主成分，既能去除冗余数据，又能最大程度保留原始信息，因此，图像数据选取前4个主成分，气味数据选取前3个主成分。
| 模型 | 参数 | 训练集分类正确率/% | 预测集分类正确率/% |
|---|---|---|---|
| DL-RF | n=100 | 100 | 85.56 |
| FL-RF | n=20 | 100 | 88.89 |
| DL-KNN | k=7 | 100 | 87.78 |
| FL-KNN | k=5 | 100 | 91.11 |
| DL-SVM | c=106.32，g=0.02 | 100 | 93.33 |
| FL-SVM | c=86.59，g=0.51 | 100 | 95.56 |
注： DL表示数据级融合策略；FL表示特征级融合策略；RF、KNN、SVM表示基于原始数据建立的模型。
3 结 论
针对传统红茶发酵程度评判依赖人工经验的弊端，利用机器视觉和电子鼻分别模拟制茶师傅的“看”和“闻”，提出了一种基于数据融合策略的红茶发酵程度检测方法，弥补单一传感器获取信息不全面、模型精度低的问题。结果表明，数据融合策略能够更全面地表征红茶发酵过程中的色、香、味变化，展现出比单一传感器模型更优的模型性能；特征级融合策略对不同传感器进行了特征筛选，去除噪声信息，简化数据，提高了模型的准确性和鲁棒性，性能优于数据级融合策略；最优模型为基于特征级融合策略的SVM模型（FL-SVM），其训练集和预测集分类正确率分别为100%和95.56%，较单一传感器模型性能提升约10%。
参考文献
汤善麟．浅谈工夫红茶制作工艺技术要点［J］．福建农业，2013（7）：14-15． [百度学术]
TANG S L．Discussion on the key points of the production technology of Kung Fu black tea［J］．Fujian Agriculture，2013（7）：14-15．（in Chinese） [百度学术]
赵和涛．红茶发酵时主要化学变化及不同发酵方法对工夫红茶品质的影响［J］．蚕桑茶叶通讯，1989（2）：10-13． [百度学术]
ZHAO H T．Main chemical changes during black tea fermentation and the effects of different fermentation methods on the quality of Kung Fu black tea［J］．Newsletter of Sericulture and Tea，1989（2）：10-13．（in Chinese） [百度学术]
陈国宝，邵静娜，吴全聪，等．工夫红茶发酵过程影响品质因子分析研究［J］．中国茶叶，2014，36（5）：16-18． [百度学术]
CHEN G B，SHAO J N，WU Q C，et al．Analysis of factors affecting the quality of Kung Fu black tea during fermentation［J］．China Tea，2014，36（5）：16-18．（in Chinese） [百度学术]
夏长杙，冉乾松，李芮，等．红茶发酵过程中品质评价技术研究进展［J］．食品与机械，2023，39（3）：233-240． [百度学术]
XIA C Y，RAN Q S，LI R，et al．Research progress of quality evaluation technology in black tea fermentation process［J］．Food & Machinery，2023，39（3）：233-240．（in Chinese） [百度学术]
张娅楠，欧伊伶，覃丽，等．红茶中香气物质的形成及工艺对其影响的研究进展［J］．食品工业科技，2019，40（11）：351-357． [百度学术]
ZHANG Y N，OU Y L，QIN L，et al．Research progress on the formation of aroma substances and its influence of processes in black tea［J］．Science and Technology of Food Industry，2019，40（11）：351-357．（in Chinese） [百度学术]
李琛，岳翠男，杨普香，等．工夫红茶特征香气研究进展［J］．食品安全质量检测学报，2021，12（22）：8834-8842． [百度学术]
LI C，YUE C N，YANG P X，et al．Research progress on characteristic aroma of Kung Fu black tea［J］．Journal of Food Safety & Quality，2021，12（22）：8834-8842．（in Chinese） [百度学术]
范捷，王秋霜，秦丹丹，等．红茶品质及其相关生化因子研究进展［J］．食品科学，2020，41（3）：246-253． [百度学术]
FAN J，WANG Q S，QIN D D，et al．Recent progress in black tea quality and related biochemical factors［J］．Food Science，2020，41（3）：246-253．（in Chinese） [百度学术]
崔宏春，张建勇，赵芸，等．发酵条件对红茶茶色素形成的影响研究进展［J］．食品与机械，2022，38（8）：227-233． [百度学术]
CUI H C，ZHANG J Y，ZHAO Y，et al．Research progress on the influence of black tea fermentation conditions on the tea pigment formation［J］．Food & Machinery，2022，38（8）：227-233．（in Chinese） [百度学术]
杨杰锴，郭志强，黄远．高光谱成像在蔬菜性状无损检测中的研究进展［J］．激光与光电子学进展，2022，59（10）：1000002． [百度学术]
YANG J K，GUO Z Q，HUANG Y．Research progress of hyperspectral imaging in nondestructive testing of vegetable traits［J］．Laser & Optoelectronics Progress，2022，59（10）：1000002．（in Chinese） [百度学术]
刘鹏，吴瑞梅，杨普香，等．基于计算机视觉技术的茶叶品质随机森林感官评价方法研究［J］．光谱学与光谱分析，2019，39（1）：193-198． [百度学术]
LIU P，WU R M，YANG P X，et al．Study of sensory quality evaluation of tea using computer vision technology and forest random method［J］．Spectroscopy and Spectral Analysis，2019，39（1）：193-198．（in Chinese） [百度学术]
ZHU H K，YE Y，HE H F，et al．Evaluation of green tea sensory quality via process characteristics and image information［J］．Food and Bioproducts Processing，2017，102：116-122． [百度学术]
BAKHSHIPOUR A，ZAREIFOROUSH H，BAGHERI I．Application of decision trees and fuzzy inference system for quality classification and modeling of black and green tea based on visual features［J］．Journal of Food Measurement and Characterization，2020，14（3）：1402-1416． [百度学术]
LIU C L，LU W Y，GAO B Y，et al．Rapid identification of chrysanthemum teas by computer vision and deep learning［J］．Food Science & Nutrition，2020，8（4）：1968-1977． [百度学术]
BHATTACHARYYA N，BANDYOPADHYAY R，BHUYAN M，et al．Electronic nose for black tea classification and correlation of measurements with “tea taster” marks［J］．IEEE Transactions on Instrumentation and Measurement，2008，57（7）：1313-1321． [百度学术]
BHATTACHARYYA N，SETH S，TUDU B P，et al．Monitoring of black tea fermentation process using electronic nose［J］．Journal of Food Engineering，2007，80（4）：1146-1156． [百度学术]
BHATTACHARYYA N，SETH S，TUDU B P，et al．Detection of optimum fermentation time for black tea manufacturing using electronic nose［J］．Sensors and Actuators B：Chemical，2007，122（2）：627-634． [百度学术]
CHEN Q S，LIU A P，ZHAO J W，et al．Classification of tea category using a portable electronic nose based on an odor imaging sensor array［J］．Journal of Pharmaceutical and Biomedical Analysis，2013，84：77-83． [百度学术]
周鹏．多传感器数据融合技术研究与展望［J］．物联网技术，2015，5（5）：23-25． [百度学术]
ZHOU P．Research and prospect of multi-sensor data fusion technology［J］．Internet of Things Technologies，2015，5（5）：23-25．（in Chinese） [百度学术]
朱启兵，肖盼，黄敏，等．基于特征融合的猪肉新鲜度高光谱图像检测［J］．食品与生物技术学报，2015，34（3）：246-252． [百度学术]
ZHU Q B，XIAO P，HUANG M，et al．Feature fusion for detection of pork freshness based on hyperspectral imaging technology［J］．Journal of Food Science and Biotechnology，2015，34（3）：246-252．（in Chinese） [百度学术]
邹光宇，王万章，王淼森，等．电子鼻/舌融合技术的信阳毛尖茶品质检测［J］．食品科学，2019，40（10）：279-284． [百度学术]
ZOU G Y，WANG W Z，WANG M S，et al．Quality detection of Xinyang Maojian tea using electronic nose and electronic tongue［J］．Food Science，2019，40（10）：279-284．（in Chinese） [百度学术]
BANERJEE M B，ROY R B，TUDU B P，et al．Black tea classification employing feature fusion of e-nose and e-tongue responses［J］．Journal of Food Engineering，2019，244：55-63． [百度学术]
XU M，WANG J，GU S．Rapid identification of tea quality by e-nose and computer vision combining with a synergetic data fusion strategy［J］．Journal of Food Engineering，2019，241：10-17． [百度学术]
JIN G，WANG Y J，LI L Q，et al．Intelligent evaluation of black tea fermentation degree by FT-NIR and computer vision based on data fusion strategy［J］．LWT-Food Science and Technology，2020，125：109216． [百度学术]
YANG C S，ZHAO Y，AN T，et al．Quantitative prediction and visualization of key physical and chemical components in black tea fermentation using hyperspectral imaging［J］．LWT-Food Science and Technology，2021，141：110975． [百度学术]
GILL G S，KUMAR A，AGARWAL R．Monitoring and grading of tea by computer vision：a review［J］．Journal of Food Engineering，2011，106（1）：13-19． [百度学术]
黄国祥．RGB颜色空间及其应用研究［D］．长沙：中南大学，2002． [百度学术]
王俊平，徐刚．机器视觉和电子鼻融合的番茄成熟度检测方法［J］．食品与机械， 2022， 38（2）： 148-152． [百度学术]
WANG J P， XU G．Research on tomato maturity detection method based on machine vision and electronic nose fusion［J］．Food & Machinery， 2022， 38（2）： 148-152．（in Chinese） [百度学术]
吴俊雄．基于Lab颜色空间的分类器研究与设计［J］．北京信息科技大学学报（自然科学版），2021，36（1）：93-96． [百度学术]
WU J X．Research and design of classifier based on Lab color space［J］．Journal of Beijing Information Science & Technology University，2021，36（1）：93-96．（in Chinese） [百度学术]
LIU H C，XU Y J，WU J J，et al．GC-IMS and olfactometry analysis on the tea aroma of Yingde black teas harvested in different seasons［J］．Food Research International，2021，150（Pt A）：110784． [百度学术]
ZHANG W J，CAO J X，LI Z G，et al．HS-SPME and GC/MS volatile component analysis of 'Yinghong No．9' dark tea during the pile fermentation process［J］．Food Chemistry，2021，357：129654． [百度学术]
王兴， 邵艳明， 杨波， 等．基于激光雷达与红外数据融合的跟踪算法［J］．红外技术， 2019， 41（10）： 947-955． [百度学术]
WANG X，SHAO Y M，YANG B， et al．Target tracking method based on infrared and laser lidar image fusion ［J］．Infrared Technology， 2019， 41（10）： 947-955．（in Chinese） [百度学术]
李文平，袁强，陈璐，等．基于雷达与图像数据融合的人体目标检测方法［J］．数据采集与处理，2021，36（2）：324-333． [百度学术]
LI W P，YUAN Q，CHEN L，et al．Human target detection method based on fusion of radar and image data［J］．Journal of Data Acquisition and Processing，2021，36（2）：324-333．（in Chinese） [百度学术]
