【摘要】以碧香早品种为材料，通过相机采集不同闷黄时长下的闷黄叶图像共675张，建立了3种闷黄程度的黄茶样本数据集，采用位置变换、随机亮度、增加对比度、添加噪声、随机缩放操作对闷黄叶图像集进行数据增强，运用迁移学习方法，在ImageNet数据集取得MobileNetV3–Large的预训练模型，对迁移网络的所有权重信息进行训练，最终建立了针对黄茶闷黄程度的轻量级卷积神经网络MobileNetV3–Large识别模型，并利用Grad–CAM热力图可视化和置信分数监控黄茶品质的变化。结果表明：经训练后的MobileNetV3–Large模型测试的识别准确率达到98.51%，精确率为99.10%，召回率为98.93%，加权分数为98.20%;MobileNetV3–Large模型的识别准确率高于传统机器学习模型SVM、XGBoost和KNN；通过Grad–CAM热力图可视化显示，MobileNetV3–Large模型在不同的识别场景下能够准确定位并提取闷黄叶特征，准确地识别闷黄程度。可见，MobileNetV3–Large模型有较好的泛化性，可以快速、无损地识别黄茶的闷黄程度。