Machine Learning and SHAP for Morphological Feature Identification of Longjing Tea Straightness

方法

提取9个轮廓与骨架形态特征，构建RF、XGBoost、SVM并用SHAP解释。

发现

长度比、标准差和矩形度为挺直度核心形态决定因素，实现感官术语定量化。

机会点

可扩展到多茶类、多产地及动态成像，构建可解释的农产品感官品质数字化标准体系。

龙井茶品质的感官评价主要依赖人的主观判断。挺直度是龙井茶形态品质评价中的关键感官描述词，但缺乏客观、可量化的标准。为从形态学角度客观量化这一描述词，本研究构建了一个可解释的机器学习框架，融合计算机视觉与SHAP分析，对挺直度这一感官属性进行数字化表征。从主要产区采集的龙井茶样本中提取了九个形态特征，包括六个基于轮廓的描述符和三个基于骨架的描述符。基于形态特征构建并比较了三种分类模型，即随机森林（RF）、极端梯度提升（XGBoost）和支持向量机（SVM）。采用SHAP分析解释模型决策，识别出三个核心形态决定因素——长度比（lr）、标准差（sd）和矩形度（R），它们在单变量效应量和跨模型特征重要性中均始终排名最高，Cliff's δ分别为0.93、0.81和−0.78。通过建立形态特征与感官术语之间的定量联系，本研究为茶叶品质自动化评价提供了一种可解释工具，并对农产品品质评价的数字化标准化具有更广泛的启示意义。