【FC】基于碳量子点的比色传感器阵列和计算机视觉的安化黑茶智能存储年份识别

安化黑茶是一种后发酵茶，其品质和价值随存储年份增加而提升。陈化过程中，茶叶成分（如茶多酚、氨基酸）发生动态变化，但传统识别方法（如感官评价、色谱技术）存在主观性强、仪器昂贵或操作复杂等问题。

因此，开发快速、准确的存储年份识别技术对保护消费者权益和市场监管至关重要。

本研究旨在利用碳量子点(CQDs)比色传感器阵列结合计算机视觉，实现安化黑茶存储年份的智能识别。

传感材料设计

合成了五种功能化的碳量子点（CQDs），每种对茶叶中的特定成分或环境敏感：

CQD-1：响应重金属离子（Cu²⁺, Fe²⁺, Hg²⁺）。

CQD-2 和 CQD-4：响应pH值变化。

CQD-3：在Cu²⁺存在下，特异性响应茶多酚。

CQD-5：在Hg²⁺存在下，特异性响应含巯基的氨基酸。

传感器阵列构建

基于上述CQDs，构建了一个3×3的比色传感器阵列（CQDs-CSA）。通过在不同传感点调控辅助离子（Cu²⁺, Hg²⁺）的浓度，创造多样化的微环境，以增强对茶叶复杂成分的综合响应能力。

数据采集

将不同年份的安化黑茶提取液加入阵列，反应后在365nm紫外灯下，用智能手机拍摄阵列的颜色变化图像。

数据分析策略

传统方法：手动从图像中提取每个传感点的RGB值，构建PLS-DA和PCA-LDA模型。

深度学习方法：将原始图像直接输入五个先进的深度学习模型（ResNet18, VGG16, DenseNet121, MobileNetV3-Small, EfficientNet B0）进行端到端训练和分类。

模型优化与验证

采用数据增强、早停等策略防止过拟合，并使用独立的测试集对模型性能进行最终评估。

1、传感器响应有效性

CQDs-CSA能直观反映不同存储年份茶叶的成分差异，颜色变化随年份间隔增大而更明显（如<5年与>10年样品对比显著）。

2、模型性能

在测试集上，ResNet18模型准确率最高（92.4%），显著优于传统方法（PLS-DA为57.6%，PCA-LDA为63.6%）。其他深度学习模型（如VGG16、DenseNet121）准确率均低于85%。

3、可解释性分析及验证

Grad-CAM可视化显示，模型决策依赖于化学相关的传感器区域（如spot 2、3、7、8、9），验证了方法的科学性。

t-SNE降维显示不同年份样本聚类良好，AUC值均高于0.989，表明模型具有强泛化能力。

本研究成功地将纳米材料传感技术（碳量子点）与人工智能（深度学习）相结合，创建了一个名为“CQDs-CSA + ResNet18”的智能检测平台。

该平台仅需一部智能手机拍摄传感器阵列图像，即可在数秒内高精度（>92%）地识别出安化黑茶的存储年份。

这项工作不仅为安化黑茶的年份鉴定和市场规范提供了强有力的工具，也为其他高价值农产品的质量评估和真伪鉴别开辟了新的技术路径。