结合数字图像分析与机器学习技术，快速评估不同烘焙程度的咖啡，并预测其咖啡因和绿原酸含量

《Food Control》：Digital image analysis coupled with machine learning for rapid assessment of coffee of various roasting degrees and prediction of caffeine and chlorogenic acid content

【字体：大中小】 时间：2026年06月18日 来源：Food Control 6.3

编辑推荐：

成都中医药大学药学院，成都中医药大学现代中药产业学院，四川省中药种质资源创新与有效利用重点实验室，中国四川成都611137

摘要

烘焙会改变咖啡豆的外观（颜色和质地）以及生物活性成分，过量摄入某些化合物可能会产生不良影响。标准的烘焙方式可以调节生物活性成分的含量，从而影响咖啡的风味和生物功能特性。因此，开发一种能够快速准确检测咖啡烘焙程度的方法尤为重要。本研究提取了咖啡豆在烘焙过程中的灰度共生矩阵特征和直方图统计特征。随后，我们利用这些特征构建机器学习模型来分类烘焙程度并预测关键生物活性成分的含量。包括决策树、线性判别分析、k近邻算法、朴素贝叶斯和随机森林在内的所有分类器都能以100%的准确率对咖啡的烘焙程度进行分类。支持向量回归和多元线性回归模型在预测成分含量方面也表现良好，其中多元线性回归模型在预测咖啡因和绿原酸的含量时表现更优（咖啡因的预测R²值为0.8334，RMSEP值为0.5595；绿原酸的预测R²值为0.9735，RMSEP值为1.0258）。研究结果表明，咖啡图像的灰度共生矩阵纹理特征和直方图颜色特征可以有效区分不同烘焙程度的咖啡样本，并预测其绿原酸和咖啡因的含量。本研究将数字图像分析与机器学习相结合，用于区分咖啡的烘焙程度并预测其成分含量，为传统方法提供了一种成本低、无破坏性的替代方案。

引言

咖啡源自Coffea属植物的烘焙种子，是全球第二大交易商品，仅次于石油（Karag?z等人，2024年），全球每年消费的咖啡杯数超过5000亿杯（Gil-Gomez等人，2024年）。咖啡因其独特的感官风味和能缓解疲劳的神经刺激作用而风靡全球（Barrea等人，2023年）。此外，咖啡还富含多种生物活性物质，如绿原酸、咖啡因、二萜类化合物、生育酚和三角叶碱等，这些物质都具有治疗作用（Karag?z等人，2024年）。咖啡因因其能迅速刺激中枢神经系统、缓解疲劳以及具有剂量依赖性而被认为是咖啡中最具代表性的生物活性成分（Marcinek & Luzak，2024年）。在推荐摄入量范围内（成年人每日不超过400毫克），咖啡因可改善神经功能，但过量摄入则可能导致焦虑加剧和睡眠障碍（Clark等人，2017年；Butt & Sultan，2011年）。绿原酸是咖啡中主要的多酚类化合物，具有多种生物活性，包括抗氧化、调节血糖、抗炎和保护神经元的作用（Wang等人，2022年），但高含量的绿原酸可能会刺激某些人的胃肠道，引发胃酸过多、不适或腹痛等不良反应（He等人，2025年）。咖啡中的主要绿原酸为咖啡酰奎宁酸，其中5-O-咖啡酰奎宁酸是咖啡中含量最多的绿原酸，也是其生物活性的主要来源。

烘焙是咖啡加工过程中最关键的环节之一，它会对最终产品的颜色特征、成分变化以及风味属性产生深远影响（Green等人，2024年；Rahayuningtyas等人，2024年）。随着烘焙强度的增加，绿原酸内酯的形成会改变各异构体之间的比例，进而生成咖啡酸、奎宁酸和奎宁内酯，这些物质随后会形成挥发性化合物，逐渐决定咖啡的生物活性（Dawidowicz等人，2017年）。这些成分含量的变化共同决定了咖啡的整体生物活性（Stanek等人，2021年）。因此，选择合适的咖啡烘焙程度对于平衡活性成分的含量、风味表现以及消费者的接受度至关重要。

咖啡的烘焙程度通常是通过烘焙后的豆子颜色以及其他参数来判断的，比如风味变化以及特定成分的化学变化（Clarke，1985年）。在咖啡烘焙过程中，高温会引发一系列复杂的化学反应，其中美拉德反应和焦糖化反应是主要的反应途径。这些反应会显著改变咖啡中活性成分的含量和组成，包括糖类、绿原酸和咖啡因等。已有许多研究根据不同烘焙程度下各成分的含量对咖啡样本进行分类（Poisson等人，2019年；Hu等人，2020年；Wang等人，2021年），证实了成分与烘焙程度之间存在显著关联。不过，传统的精确成分定量方法通常需要使用高效液相色谱法和气相色谱-质谱法等破坏性分析技术（Wongsa等人，2019年；Couto等人，2024年；Turan Ayseli等人，2021年；Wu等人，2024年），这类方法成本高昂、技术要求高，且不适合消费者使用。以往也有研究通过咖啡的颜色和化学成分来分类烘焙程度（Alamri等人，2023年；Lu等人，2023年）。Alamri等人利用CIE颜色值和化学成分通过机器学习成功地对不同烘焙程度的阿拉比卡咖啡进行了分类（Alamri等人，2023年）。同样，Lu等人研究了咖啡烘焙过程中颜色和成分的变化，发现颜色参数和绿原酸的降解遵循一级动力学规律（Lu等人，2023年）。然而，烘焙不仅会导致颜色变化，还会出现其他视觉现象，如咖啡豆出现皱纹、膨胀以及油脂迁移等现象，这些现象反映了与质地相关的表面变化（Belitz等人，2008年）。据我们所知，目前还没有研究利用烘焙后咖啡的质地特征变化来确定烘焙程度以及量化不同烘焙程度下咖啡的化学成分。因此，仍需要一种更为全面的方法，将颜色和质地信息结合起来，以准确描述咖啡的烘焙程度及其相关的成分变化。

由于具有无破坏性、处理速度快且成本较低等优点，数字图像分析已成为食品科学领域中一种强大的分析工具（Goncalves等人，2020年）。该方法能够捕捉与食品加工过程中物理化学变化相关的视觉信息，可使用普通数码相机甚至智能手机的成像系统来实现（Franco等人，2021年）。作为数字图像技术中的分析工具，机器学习为这一领域的快速发展与应用提供了有力支持。在农业和食品行业，机器学习与数字图像处理的结合已被成功应用于茶叶（Silva Fernandes等人，2023年）、豆类品种（Tormena等人，2021年）、蜂蜜（Jiang等人，2023年）以及牛肉（Dong等人，2025年）的质量评估中。

本研究通过算法提取咖啡豆的质地和颜色特征，用来描述咖啡豆在烘焙过程中的表面皱纹、油光以及整体颜色的变化情况。基于这些特征，我们采用了多种机器学习算法模型进行验证，最终实现了对咖啡烘焙程度的准确分类，以及咖啡因和绿原酸含量的有效预测。这表明咖啡豆的视觉外观与其内在的化学质量之间存在良好的预测相关性。该方法能够基于咖啡豆的外部质地和颜色特征，快速、无破坏地分析其内部成分，从而满足消费者对咖啡风味和健康方面的需求。

章节摘录

材料与试剂

用于LC-MS分析的甲醇和甲酸分别从美国匹兹堡的Fisher Chemical公司和中国上海的上海阿拉丁生化科技有限公司购买。本研究使用了纯度≥98%的参考标准品。用于高效液相色谱分析的咖啡因（批次号：DSTDK004902）以及最常见的绿原酸异构体5-O-咖啡酰奎宁酸（批次号：DST221010-021）则从中国四川的成都德思特生物技术有限公司购买。此外还使用了其他溶剂

直方图颜色特征与灰度共生矩阵质地特征分析

在高温条件下长时间烘焙时，咖啡豆会经历显著的物理和化学变化，包括体积膨胀、颜色和微观结构发生明显变化、质量减少以及豆子膨胀等现象（Belitz等人，2008年；Liu等人，2019年）。本研究利用直方图颜色特征和灰度共生矩阵质地特征，系统分析了四个烘焙阶段咖啡豆的图像信息，揭示了其颜色和质地变化的客观规律

结论

本研究从烘焙后的咖啡图像中提取直方图颜色特征和灰度共生矩阵质地特征，从而开发出一种简单快速的分析方法，用于评估咖啡的烘焙程度并量化其成分含量。研究表明，基于直方图颜色特征和灰度共生矩阵质地特征构建的各种机器学习分类器，在评估咖啡烘焙程度时都能实现100%的准确分类率。此外，支持向量回归和多元线性回归模型也被成功应用于快速

CRediT作者贡献说明

Huiwen Pang：撰写——审阅与编辑，指导。 Yicheng Lei：撰写——审阅与编辑，方法设计。 Li Li：撰写——审阅与编辑，指导。 Chen Chen：撰写——审阅与编辑，指导。 Lin Li：形式分析，数据整理，概念构建。 Zhenqing Meng：撰写——初稿撰写，软件应用，形式分析，数据整理，概念构建。 Ruiyuan Zhang：方法设计，数据整理。 Chunyan Liu：方法设计，数据整理。 Fang Liu：撰写——审阅与编辑，

未引用参考文献

Agtron，美国 Specialty Coffee Association of America - SCAA，2010年；Clark和Landolt，2017年；Clarke，1987年；Dawidowicz和Typek，2017年；de Araújo等人，2021年；Gil-Gómez等人，2024年；Marcinek等人，2024年；Wang等人，2022年。

数据可用性

数据可根据请求提供。

资金支持

本研究得到了成都市科学技术局的支持（项目编号：2025-YF05-00718-SN）。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

致谢

作者感谢成都中医药大学提供的化学定量分析仪器设备。同时，我们也感谢Zhang Yunhao在数据分析方面给予的宝贵建议。

摘要

引言