文献分享 | AI工具和AI在茶叶加工中的应用

      1.2Scite在高校中的应用

      Scite的核心功能是帮助学生和研究人员发现文献被谈论的具体方式，而非仅看被引次数：它提供超过18亿条引文陈述声明，可直接搜索方法、数据集、成果等；通过智能引文展示每篇文章被支持或对比的具体评价，让师生快速了解研究成果的学术影响，同时支持作者追踪自己作品被引用的态度（支持或对比），从而更高效地发现、评估和利用研究文献。

    1.3Scite可以帮助学生

    ①准确了解引用的内容。无需浪费时间寻找您应引用的研究成果，为您的研究项目找到引用和有充分支持的文献。 ②了解哪些文章证据充分。Chrome 浏览器、Firefox浏览器或Safari浏览器的scite浏览器扩展可让您轻松查看在线阅读的文章是否得到支持或对比。这就好比你只需点击一下，就能获得关于你感兴趣的任何主题的数以亿计的证据。③在引用之前先使用Scite检查参考文献。通过 scite 参考文献检查，您可以轻松上传您的研究文章，查看您引用的参考文献是如何被他人引用的。 通过筛查被撤回的参考文献，确保您引用的是可靠的作品，并查看他人是否对比过您的参考文献。④做文献综述的更好方法。通过scite Visualizations，直观了解科学文章如何相互引用。可视化让您可以通过交互式引用网络更好地发现和评估科学文章。 

研究背景

近年来，一些学者也对茶叶发酵程度鉴定进行了研究。对茶叶样品的总儿茶素和茶氨酸进行了光谱分析。这些化合物的最佳标度模型展现了强大的预测能力。结果表明，近红外可能是快速且准确检测茶叶发酵程度的有效方法，非靶向方法研究了乌龙茶在发酵过程中的生化成分。光谱的相关性显示了两种挥发性化合物，其浓度在发酵阶段逐渐上升。研究凸显了DART-MS在快速监测复杂生产过程（如茶叶发酵）方面的潜在潜力。这是一种准确且有效的红茶发酵水平测量方法。上述茶叶发酵水平的区分均可通过传统技术实现，但光谱仪成本高昂、光谱反射易受干扰，以及高质量高纯度碳量子点的高生产成本，不利于大规模生产应用。基于此，提出了基于迁移学习的轻量级卷积神经网络，用于确定红茶发酵水平。

研究意义与应用价值

      该研究针对红茶发酵程度判别这一缺乏研究的课题，提出了一种基于迁移学习的轻量级卷积神经网络。通过比较14种模型，筛选出学生模型ResNet18和教师模型Efficientnetv2m，并采用多重损失、AdamW优化器及注意力迁移（AT）知识蒸馏方法进行改进。在自建数据集上的实验结果显示，改进后的模型准确率达94.52%，精度92.80%，召回率90.55%，F1分数91.64%，帧率74.22帧/秒，相比原模型在未增加复杂度的情况下准确率提升4.15%、召回率提升9.02%。但模型仍存在局限性：中度发酵阶段因处于过渡状态，容易与轻度和过度发酵混淆，误判率较高；此外训练图像数据有限、光线和背景条件过于简单，导致泛化能力不足，且实际生产环境中硬件兼容性和实时性要求也给部署带来挑战。未来计划收集更多品种和复杂环境下的图像，引入光照归一化增强鲁棒性，并融合图像特征与内部化学成分以实现更全面的发酵水平评估。