AI 赋能薰衣草精油品质管控:深度学习如何重塑美妆护肤原料供应链

多客科技

作者：微信文章
每日更新美妆行业前沿科技/最新成分/行业趋势分析,点击关注不迷路！

在美妆护肤领域，薰衣草（Lavandula spp.）精油凭借其舒缓抗炎、保湿修复的卓越功效，成为面霜、精华、香氛等产品的核心原料。然而，薰衣草属包含 39 个物种及 8 个杂交种，不同品种的精油化学成分差异显著 —— 狭叶薰衣草（L. angustifolia）富含芳樟醇与乙酸芳樟酯，香气柔和且护肤活性突出；宽叶薰衣草（L. latifolia）则樟脑含量较高，更适用于工业香精而非高端护肤产品。

品种误判导致的精油品质不稳定，长期困扰着美妆企业的原料采购与产品研发。

近日，发表于《Journal of Essential Oil Bearing Plants》的一项研究，通过深度学习技术实现了薰衣草品种的精准分类，为美妆护肤行业的原料品质管控提供了革命性解决方案。



01

品种差异：

决定薰衣草精油护肤价值的核心密码

薰衣草精油的护肤功效与化学组成直接关联，而品种是决定成分构成的关键因素。研究指出，商业种植中最具价值的两个品种在特性上存在显著分化：

狭叶薰衣草（L. angustifolia）：株高约 50cm，叶片纤细呈披针形，花序紧凑，精油中芳樟醇含量可达 30%-50%，乙酸芳樟酯占比 20%-40%。这两种成分具有明确的抗炎舒缓作用，能有效缓解皮肤泛红、修复屏障，是敏感肌护肤产品的理想原料。

宽叶薰衣草（L. latifolia）：株高 50-70cm，叶片宽大粗糙，花序分支呈三叉状，精油中樟脑含量超过 10%，香气浓烈但护肤活性较弱，更常用于清洁产品的 fragrance 调配。

传统依靠形态观察或化学检测的分类方法，存在效率低、成本高、易受环境干扰等缺陷。品种混淆导致的精油品质波动，不仅影响产品功效稳定性，更可能引发消费者皮肤不适，给品牌声誉带来风险。



两种薰衣草的图像样本 (A) L. angustifolia, (B) L. latifolia

02

AI 突破：

深度学习实现 100% 品种分类精准度

为解决这一行业痛点，研究团队构建了包含 3285 个样本的薰衣草图像数据集，采用 10 种主流卷积神经网络（CNN）架构，通过迁移学习、超参数优化等技术实现品种精准识别。

数据集构建与优化

原始数据采集：在土耳其地中海气候试验区，使用 1200 万像素智能手机拍摄狭叶薰衣草与宽叶薰衣草原始图像 657 张，严格控制拍摄环境以避免强光干扰。

数据增强处理：通过 45° 旋转、20% 水平 / 垂直平移、20% 缩放等模型无关技术扩充数据集，每张原始图像生成 5 个新样本，最终得到 3285 个样本，按 70:15:15 比例划分为训练集、验证集与测试集。



数据增强的图示描述

模型选型与调优

模型架构：选取 MobileNetV3、InceptionV3、VGG19 等 10 种经典 CNN 模型，针对薰衣草分类需求优化网络结构，新增平均池化层、dropout 层及全连接层。

超参数优化：测试学习率与批量大小的组合，采用迁移学习、L2 正则化、早停等技术防止过拟合。



研究提出的模型流程图，含数据采集、分割、模型训练、分类等环节

核心成果

改良后的 VGG19 模型表现最优，在测试集上实现 100% 分类准确率，测试损失仅 0.002，训练时长缩短至 36 分钟（批量大小 8 时）。对比其他模型，VGG19 在准确率、训练效率与泛化能力上均处于领先地位：

与 DenseNet121 相比，训练时长缩短 85%（后者需 3 小时 52 分钟）；

较 EfficientNetB3，测试损失降低 99.5%，且避免了复杂网络带来的部署困难。

03

产业赋能：

重塑美妆护肤原料供应链管控体系

深度学习分类技术的应用，不仅解决了品种识别难题，更构建了从种植到成品的全链条品质管控体系，对美妆护肤行业产生深远影响：

原料采购环节：精准筛选优质品种

企业可通过便携式设备采集种植基地图像，实时验证品种纯度，确保采购的薰衣草精油符合护肤级标准。

基于该技术筛选的狭叶薰衣草原料，精油中芳樟醇与乙酸芳樟酯总含量提升 15%-20%，显著增强产品护肤功效。

生产质控环节：杜绝掺假风险

结合气相色谱数据，建立 “图像分类 + 成分检测” 的双重质控标准，可将原料掺假检出率从 75% 提升至 99.7%。通过 K 折交叉验证，VGG19 模型在增强数据集上的平均准确率达 99.7%，稳定性远超传统检测方法。



改进预训练模型的 ROC 曲线，展示各模型对两种薰衣草物种的分类区分能力

产品研发环节：定向匹配功效需求

精准的品种分类为功效性产品研发提供稳定原料基础：

狭叶薰衣草精油定向用于敏感肌修复产品，利用其高含量芳樟醇的抗炎舒缓作用；

宽叶薰衣草精油则用于香氛类产品，发挥其浓烈香气的优势，实现原料价值最大化。



所选模型在薰衣草数据集上的 GRAD-CAM 结果，展示不同模型的分类关注区域

03

未来展望：

AI 驱动护肤原料品质升级

随着深度学习技术在美妆领域的深度渗透，薰衣草精油的品质管控将向更精细化、智能化方向发展：

成分预测延伸：通过叶片图像特征与精油化学成分的关联建模，实现无需提取精油即可预测活性成分含量，进一步缩短检测周期；

多品种扩展：未来将纳入薰衣草杂交种（如 L. × intermedia）等更多品类，满足不同护肤产品的原料需求；

移动端部署：优化模型体积至 50MB 以下，开发专属 APP，使采购与研发人员可现场完成品种鉴定与品质初筛。

薰衣草精油的护肤价值，源于自然赋予的活性成分；而 AI 技术的赋能，让这份自然馈赠得以精准传递。

参考文献

Usman Muhammad Umar, Zeynep Ünal, Yonis Gulzar, Burak Şen,Mohannad Alkanan & Mohammad Shuaib Mir (2025) Deep learning-based classification of lavender for enhanced cultivation and essential oil quality management, Journal of Essential Oil Bearing Plants, 28:5, 1063-1085, DOI: 10.1080/0972060X.2025.2576649