1.基于数据驱动的茶叶初制生产线参数协同控制方法，其特征在于包括如下步骤：步骤S1：获取茶叶初制生产线的多个单元数据集，包括各单元工艺参数、加工前后的含水率、鲜叶图像信息、毛茶的品质和最终毛茶的多个化学成分含量；

步骤S2：对所述多个单元数据集进行预处理；

步骤S3：数据筛选；根据生产过程中各单元数据的变化情况，去除基本不变化的数据和/或具有相同变化趋势的数据，通过机器学习预测工艺参数和鲜叶图像信息对相应含水率和化学成分的重要性，删除重要性低的数据，其中，通过SHAP方法计算每个化学成分的特征重要性，构建工艺参数与化学成分的相关性系数图，选取与所述品质相关的化学成分；

步骤S4：构建机器学习模型，建立筛选后的工艺参数和鲜叶图像信息与含水率的关系，建立筛选后的工艺参数与含水率及品质相关的化学成分的关系；

机器学习模型包括偏最小二乘回归PLSR，对于有k个化学成分及含水率 、m个单元工艺参数 数据，n个样本的数据构成的矩阵为 和

，从X中提取第一主成分，然后建立主成分与Y之间的线性回归方程，若回归方程精度满足要求，则算法终止；否则，从剩余的X中提取第二个主成分，并建立方程，直到精度达到要求，PLSR具体计算包括主成分分解和关联矩阵B计算，主成分分解是对X、Y矩阵进行特征因子分解，具体公式如下：,

式中，T和U分别表示矩阵X和Y的主成分得分矩阵，P和Q分别表示X和Y的载荷矩阵，E、F分别表示X和Y在拟合过程中的误差矩阵；

,

,

使用矩阵T和U建立线性回归模型，B表示关联矩阵；

机器学习模型包括多元线性回归MLR，对于具有n个预测变量的多元线性回归，其公式如下：,

式中，x表示各单元的工艺参数和鲜叶图像信息，y表示加工后含水率，β0,β1 ,β2,…,βn表示多项式系数，ε表示回归模型的残差项；

步骤S5：基于机器学习模型，建立每个单元的含水率预测模型和最终毛茶多个化学成分预测模型；

步骤S6：根据所述预测模型，以各单元含水率和毛茶化学成分为目标，基于鲜叶图像信息，以每个单元的实际应用的工艺参数范围为限制条件，优化工艺参数，并将优化结果应用于茶叶初制生产线的参数控制。

2.根据权利要求1所述的基于数据驱动的茶叶初制生产线参数协同控制方法，其特征在于：所述步骤S1中的多个单元包括杀青单元、滚烘单元、初烘单元、复烘单元；杀青单元和滚烘单元的工艺参数均包含温度、滚筒速度、上料速度、排湿速度，其中滚烘单元的工艺参数还包含热风温度和热风速度，初烘单元和复烘单元的工艺参数均包含热风温度、进油温度、出油温度、主输送速度、热风速度、匀叶速度；

鲜叶图像信息包括茶鲜叶图像的颜色特征和纹理特征，其中颜色特征包括HSV、LAB和RGB，纹理特征包括茶鲜叶图像的均值、标准差、平滑度、三阶矩、一致性、熵；

毛茶品质的等级基于茶叶的外形和内质进行划分，其中外形包括茶叶的条索、色泽、整碎、净度，内质包括茶叶的汤色、香气、滋味、叶底；

毛茶的化学成分包括没食子酸GA、儿茶素C、表儿茶素EC、表没食子儿茶素EGC、表儿茶素没食子酸酯ECG、表没食子儿茶素没食子酸酯EGCG、茶氨酸L‑The和咖啡碱CAF，取上述化学成分标准品配置为标准溶液，基于标准溶液的液相色谱，根据标准曲线和峰面积计算茶叶中的化学成分含量。

3.根据权利要求1所述的基于数据驱动的茶叶初制生产线参数协同控制方法，其特征在于：所述步骤S2中的预处理包括缺失值处理和异常值处理；缺失值是在数据采集过程中的部分缺失数据，去除含有缺失值的对应批次茶叶生产数据，以剩下数据的平均值表示该批次工艺参数；异常值是指明显偏离真实数据的值。

4.根据权利要求1所述的基于数据驱动的茶叶初制生产线参数协同控制方法，其特征在于：所述步骤S4中的机器学习模型包括支持向量机SVM，其对于一组数据集的SVR回归函数如下：,

,

式中，ω表示特征的权重向量，C、εi和 分别表示惩罚参数和两个松弛变量，δ表示松弛变量的不敏感区间，Xi表示数据集中工艺参数和鲜叶图像信息特征向量，yi表示对应的茶叶含水率特征向量，n表示特征向量的数量；

利用拉格朗日函数求解：

,

式中，αi、 表示两个拉格朗日乘数，b表示偏差， 表示核函数：,

式中，Xi和 是输入空间中的两个特征向量，γ 表示核函数系数。

5.基于数据驱动的茶叶初制生产线参数协同控制系统，包括采集模块、预处理模块、数据筛选模块、机器学习模块、预测模块和控制模块，其特征在于：所述采集模块，获取茶叶初制生产线的多个单元数据集，包括各单元工艺参数、加工前后的含水率、鲜叶图像信息、毛茶的品质和最终毛茶的多个化学成分含量；

所述预处理模块，对所述多个单元数据集进行预处理；

所述数据筛选模块，根据生产过程中各单元数据的变化情况，去除基本不变化的数据和/或具有相同变化趋势的数据，通过机器学习预测工艺参数和鲜叶图像信息对相应含水率和化学成分的重要性，删除重要性低的数据，其中，通过SHAP方法计算每个化学成分的特征重要性，构建工艺参数与化学成分的相关性系数图，选取与所述品质相关的化学成分；

所述机器学习模块，用于建立筛选后的工艺参数和鲜叶图像信息与含水率的关系，建立筛选后的工艺参数与含水率及品质相关的化学成分的关系；

机器学习模型包括偏最小二乘回归PLSR，对于有k个化学成分及含水率 、m个单元工艺参数 数据，n个样本的数据构成的矩阵为 和

，从X中提取第一主成分，然后建立主成分与Y之间的线性回归方程，若回归方程精度满足要求，则算法终止；否则，从剩余的X中提取第二个主成分，并建立方程，直到精度达到要求，PLSR具体计算包括主成分分解和关联矩阵B计算，主成分分解是对X、Y矩阵进行特征因子分解，具体公式如下：,

式中，T和U分别表示矩阵X和Y的主成分得分矩阵，P和Q分别表示X和Y的载荷矩阵，E、F分别表示X和Y在拟合过程中的误差矩阵；

,

,

使用矩阵T和U建立线性回归模型，B表示关联矩阵；

机器学习模型包括多元线性回归MLR，对于具有n个预测变量的多元线性回归，其公式如下：,

式中，x表示各单元的工艺参数和鲜叶图像信息，y表示加工后含水率，β0,β1 ,β2,…,βn表示多项式系数，ε表示回归模型的残差项；所述预测模块，基于机器学习模型，建立每个单元的含水率预测模型和最终毛茶多个化学成分预测模型；以各单元含水率和毛茶化学成分为目标，基于鲜叶图像信息，以每个单元的实际应用的工艺参数范围为限制条件，优化工艺参数，得到优化结果；

所述控制模块，将所述优化结果应用于茶叶初制生产线的参数控制。

6.根据权利要求5所述的基于数据驱动的茶叶初制生产线参数协同控制系统，其特征在于：所述采集模块包括相机本体（1）、相机镜头（4）和环形光源（5），相机本体与相机镜头（4）连接，相机镜头（4）周围设置环形光源（5），用于获取鲜叶图像的信息包括茶鲜叶图像的颜色特征和纹理特征，其中颜色特征包括HSV、LAB和RGB，纹理特征包括茶鲜叶图像的均值、标准差、平滑度、三阶矩、一致性、熵。

7.根据权利要求5所述的基于数据驱动的茶叶初制生产线参数协同控制系统，其特征在于：所述茶叶初制生产线的多个单元包括杀青单元、滚烘单元、初烘单元、复烘单元；杀青单元和滚烘单元的工艺参数均包含温度、滚筒速度、上料速度、排湿速度，其中滚烘单元的工艺参数还包含热风温度和热风速度，初烘单元和复烘单元的工艺参数均包含热风温度、进油温度、出油温度、主输送速度、热风速度、匀叶速度。

8.根据权利要求5所述的基于数据驱动的茶叶初制生产线参数协同控制系统，其特征在于：所述采集模块还包括超高效液相色谱仪器，用于获取毛茶化学成分标准标准溶液的超高效液相色谱，根据标准曲线和峰面积计算茶叶中的化学成分含量，毛茶的化学成分包括没食子酸GA、儿茶素C、表儿茶素EC、表没食子儿茶素EGC、表儿茶素没食子酸酯ECG、表没食子儿茶素没食子酸酯EGCG、茶氨酸L‑The和咖啡碱CAF。