椰子糖苷在水溶液中形成胶束的分子机制

《Journal of Food Engineering》：Molecular mechanisms of micelle formation of coco-glucosides in an aqueous solution

本研究提出一种基于电子舌与异构知识蒸馏的咖啡豆原产地快速追溯方法，通过连续波变换将1D味觉信号转化为2D谱图，利用预训练Vision Transformer优化教师模型，指导轻量级EfficientNet学生模型实现高精度（98.33%）低参数（11.3M）的原产地识别，适用于边缘设备部署。

　　

徐素超|王志强|韩天瑞|张金阳|李振|兰玉斌

山东科技大学计算机科学与技术学院，中国山东省淄博市255049

摘要

咖啡豆的产地对其风味、品质和市场价值起着决定性作用。传统的可追溯性方法存在一些缺点，如成本高昂、程序复杂且操作耗时。本研究提出了一种基于电子舌（ET）结合知识蒸馏和迁移学习的快速咖啡豆可追溯性方法。首先，使用自主研发的电子舌系统收集了来自不同地区的咖啡豆的味觉指纹信号。然后应用连续小波变换（CWT）将一维信号转换为二维频谱图，以有效表征电子舌信号中的时频特征。所得频谱图随后被输入到异构知识蒸馏框架中进行模式识别。具体而言，该框架采用视觉变换器（ViT）作为教师模型，并通过迁移学习对其进行优化，以提高其在有限电子舌样本下的泛化性能。轻量级的EfficientNet模型作为学生模型，在优化后的教师模型的指导下进行训练，以实现不同咖啡豆之间的准确区分。实验结果表明，这种蒸馏后的EfficientNet模型不仅计算成本低，而且识别精度高达98.33%，参数数量仅为1130万。这项工作提供了一种快速、低成本且便携的咖啡豆产地分析方法，便于在边缘设备或便携式设备上进行现场检测。

引言

咖啡的风味和市场价值在很大程度上取决于其地理来源，因此可追溯性对于打击欺诈和保护消费者利益至关重要（Santos-Rivera等人，2024年；Sunarharum等人，2014年）。虽然感官分析具有主观性，但传统的物理化学方法（如光谱学（Huang等人，2024年；Luna等人，2019年；Okubo和Kurata，2019年）和色谱法（Caporaso等人，2018年）虽然准确，但受到设备庞大和成本高昂的限制，不适合快速现场分析。

电子舌（ET）提供了一种快速且经济高效的替代方案。尽管深度学习（DL）通过端到端特征提取显著提高了电子舌的性能（Mall等人，2023年），但大多数DL模型（如CNN、Transformer）仍存在计算需求高的问题，这阻碍了它们在便携式边缘设备上的应用，而这些设备正是进行现场食品分析所需要的。知识蒸馏（KD）通过将知识从复杂的“教师”网络转移到轻量级的“学生”网络上来解决这一问题。然而，现有的KD方法通常采用同构架构，限制了学生网络利用结构不同的教师网络提供的丰富表示的能力（Xiao等人，2025年）。

为了解决这些挑战，本研究提出了一种将电子舌与异构知识蒸馏框架相结合的咖啡产地追溯新方法。首先，利用连续小波变换（CWT）将一维电子舌信号转换为二维频谱图，以保留时间-频谱特征。所提出的KD框架采用预训练的视觉变换器（ViT）——并通过迁移学习进行增强——作为教师模型来指导轻量级的EfficientNet学生模型。设计了一种自适应特征对齐模块（AFAM）来弥合这些异构网络之间的语义差距。这种方法结合了大模型的泛化能力和轻量级网络的效率。

主要贡献包括：（1）利用基于CWT的频谱图增强特征表示；（2）提出了一种异构KD框架，使轻量级学生模型能够实现更优的性能；（3）利用迁移学习提高小样本泛化能力；（4）开发了一种适用于移动边缘计算平台的低成本、快速检测方法。

样本收集与准备

实验用的咖啡豆样本来自世界五个不同的地区，包括巴西的莫吉亚纳咖啡豆、中国的云南咖啡豆、埃塞俄比亚的耶尔加切费咖啡豆、肯尼亚的基安布咖啡豆以及危地马拉的韦韦特南戈咖啡豆。所有样本均从中国广州的Feiyi食品有限公司购买，生产并烘焙于2025年5月，均为阿拉比卡咖啡品种。咖啡豆被密封后储存起来。

电子舌信号采集与处理

在使用电子舌系统进行数据采集时，将咖啡豆磨成粉末，取1克咖啡粉与50毫升蒸馏水在90±5°C下提取。冷却至室温后，过滤咖啡提取物以去除杂质（de Morais等人，2019年）。每次测量后，电极会用超声波清洗器进行抛光和清洁。每个地区共收集了300个样本。

结论

本研究提出了一种新的咖啡产地识别方法，该方法结合了电子舌系统、知识蒸馏和迁移学习。使用便携式电子舌从不同产地的咖啡样本中获取味觉“指纹”信号，并应用连续小波变换（CWT）将一维电子舌信号转换为二维频谱图，以完全捕捉信号在时频域中的分布特征。

为了解决传统深度学习方法在计算和部署方面遇到的挑战

CRediT作者贡献声明

徐素超：撰写——审稿与编辑，撰写——初稿，软件开发。王志强：监督，资金筹集，概念构思。韩天瑞：可视化，软件开发。张金阳：可视化，验证。李振：监督，资金筹集。兰玉斌：监督，资金筹集。

利益冲突声明

我们没有已知的利益冲突或个人关系可能影响本文所述的工作。

致谢

本研究得到了中国山东省自然科学基金（ZR2023MF015）、教育部科技发展中心产学研创新基金（2018A02010）、山东省“一事一议”顶尖人才计划（山东省政府办公室[2018]27号文件）以及国家自然科学基金（编号61473179）的支持。