近日，四川农业大学园艺学院茶学系教授杜晓团队创新性地构建了一个多视角多任务深度神经网络——Tea MvMtNet，成功实现茶叶风味因子智能全面量化评估与精准分类，为茶叶全产业链数字化、精细化管理提供关键技术支撑。相关研究成果发表于Computers and Electronics in Agriculture。

茶叶品质的精准评估是生产与品控的关键。目前通行的国家标准（GB/T 23776-2018）主要依赖专业评审员进行感官审评，该方法权威但周期较长，且易受主观因素影响。当前应用于茶叶品控的人工智能算法，多数仅基于干茶外观单一维度开展分类分级，难以全面量化茶叶复杂的多维风味特征。

针对这一痛点，杜晓团队创新设计并构建多视角多任务深度神经网络Tea MvMtNet。团队首先构建了一个覆盖全国18个产茶省份、包含809份红茶、黄茶、绿茶样本的高质量数据集。该数据集评分呈正态分布，能完整覆盖从高到低的全品质梯度，为模型稳健训练与泛化能力提升提供了高代表性、高均衡性的数据支撑。

随后，通过评估验证，Tea MvMtNet展现出显著的性能优势。Tea MvMtNet泛化性能显著优于ResNet152、PVT_V2_b3等主流前沿模型，具备更强的跨样本、跨场景茶叶品质评估能力，其多视角融合架构兼顾计算效率与模型轻量化，大幅降低技术产业化落地的硬件门槛；在10分制评分体系下，Tea MvMtNet对五项风味因子及加权总分的平均绝对误差分别低至0.1960、0.2840、0.2648、0.3167、0.1720、0.1723分，量化评估精度比肩专业审评员，模型对加权总分评估决定系数R2达0.8359，香气、滋味两大核心风味因子R2均超0.75，拟合效果也优于现有主流模型；Tea MvMtNet对红茶、绿茶、黄茶三大主流茶类整体分类准确率高达98.11%，显著优于对比模型，能有效解决传统算法细粒度茶类区分能力不足的难题。

杜晓团队构建的Tea MvMtNet模型，突破了传统单视角算法局限，全面适配茶叶干茶、茶汤、叶底三个核心维度视觉特征，同步实现茶叶品类精准判别与五大风味因子协同定量预测，拓展了人工智能在茶叶品质评价中的应用边界，为茶叶审评技术的智能化发展及产业链的数字化、精细化管理提供了新的思路和方法。

相关论文信息：https://doi.org/10.1016/j.compag.2026.111618