高光譜成像技術(shù)結(jié)合優(yōu)化算法窖泥總氮含量的預(yù)測(cè)

張曉兵，田建平*，胡新軍，王 俊，何 林，韓李鵬，周書宇，黃 丹，羅惠波

（1.四川輕化工大學(xué) 機(jī)械工程學(xué)院，四川 自貢 643000；2.四川輕化工大學(xué) 生物工程學(xué)院，四川 自貢 643000）

窖泥素有“千年老窖萬(wàn)年糟，酒好須得窖池老”的美譽(yù)，作為濃香型白酒釀造的基礎(chǔ)，對(duì)白酒的品質(zhì)具有重要意義。窖泥是窖池內(nèi)壁和底部的特殊發(fā)酵粘土，為釀造微生物提供合適的棲息地[1]。窖泥中微生物菌群的生長(zhǎng)繁殖不僅影響白酒的品質(zhì)，而且對(duì)白酒的風(fēng)味物質(zhì)形成也有一定的影響[2]；這說(shuō)明窖泥質(zhì)量的優(yōu)劣與白酒的產(chǎn)香和品質(zhì)密切相關(guān)。總氮含量作為窖泥質(zhì)量評(píng)價(jià)指標(biāo)之一，是構(gòu)成窖泥微生物細(xì)胞的重要元素，對(duì)窖泥功能菌的生長(zhǎng)繁殖至關(guān)重要[3]。目前，檢測(cè)總氮含量所采用的化學(xué)方法耗時(shí)耗力、破壞性強(qiáng)，并且檢測(cè)結(jié)果往往滯后于實(shí)際生產(chǎn)進(jìn)程，對(duì)生產(chǎn)過(guò)程的指導(dǎo)缺乏快速性和實(shí)時(shí)性。因此，亟需開發(fā)一種快速、無(wú)損的方法檢測(cè)窖泥的總氮含量。

近年來(lái)，快速檢測(cè)技術(shù)憑借快速、無(wú)損等優(yōu)點(diǎn)已成為一種常用的檢測(cè)手段。其中光譜技術(shù)已經(jīng)成功運(yùn)用于快速檢測(cè)物質(zhì)的成分，但是該技術(shù)只能根據(jù)光譜信息預(yù)測(cè)其內(nèi)部成分含量，既無(wú)法獲取物質(zhì)表面的圖像信息，也不能實(shí)現(xiàn)成分含量的可視化[4]。圖像處理技術(shù)依據(jù)人的視覺(jué)原理，借助計(jì)算機(jī)圖像處理方法提取物質(zhì)的顏色、紋理等信息特征檢測(cè)成分含量，但這種方法的穩(wěn)定性和檢測(cè)精度不高[5]。然而，高光譜成像技術(shù)（hyperspectral imaging，HSI）是圖像處理技術(shù)與光譜技術(shù)有機(jī)結(jié)合，可以同時(shí)獲取待測(cè)樣本的圖像信息和光譜信息，能夠?qū)Υ龣z測(cè)物進(jìn)行快速、無(wú)損的定量及定性分析[6]。高光譜成像技術(shù)與化學(xué)計(jì)量學(xué)結(jié)合的方法，被廣泛用于各種物質(zhì)含量檢測(cè)及可視化[7]，如羊肉中棕櫚酸和油酸含量，豬肉中脂肪含量，橡膠葉中氮含量，芹菜貯藏期內(nèi)不溶性和可溶性膳食纖維含量，牛肉的pH值，桑果果膠含糖量等[8-13]。以上對(duì)物質(zhì)含量檢測(cè)方面的研究均取得了較好的結(jié)果，為使用高光譜成像技術(shù)檢測(cè)窖泥總氮含量提供了可行性。

本實(shí)驗(yàn)以各窖池不同層位的窖泥為研究對(duì)象，對(duì)樣本的原始光譜數(shù)據(jù)進(jìn)行預(yù)處理，采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)（competitive adapative reweighted sampling，CARS）算法，連續(xù)投影（successive projections algorithm，SPA）算法和CARS與SPA（CARS-SPA）聯(lián)用策略方法提取特征波長(zhǎng)，基于全波長(zhǎng)和特征波長(zhǎng)分別建立偏最小二乘回歸（partial least squares regression，PLSR）和最小二乘支持向量機(jī)（least squares-support vector machine，LS-SVM）模型，并基于最優(yōu)模型實(shí)現(xiàn)可視化。旨在為窖泥中總氮含量的檢測(cè)提供新方法。

1 材料與方法

1.1 材料與試劑

窖泥（取自窖帽、黃水、窖底不同層位）：四川宜賓某酒業(yè)有限公司；氫氧化鈉、濃鹽酸、濃硫酸、硫酸銅、硫酸鉀、硼酸、碳酸鈉、乙醇（均為分析純）：成都市科龍化工試劑廠；甲基紅（分析純）：天津科密歐化學(xué)試劑有限公司。

1.2 儀器與設(shè)備

CP214電子天平：奧豪斯儀器上海有限公司；78HW-1恒溫磁力攪拌器：金壇市醫(yī)療儀器廠；Kjeltec 8400全自動(dòng)凱氏定氮儀：瑞典FOSS公司；ZDJ-5B型自動(dòng)滴定儀：廣州市深華生物技術(shù)有限公司。

高光譜成像系統(tǒng)（主要包括：FX10E型高光譜相機(jī)（配備精密電控載物臺(tái)））：芬蘭SPECIM公司；裝有高光譜采集軟件的計(jì)算機(jī)：美國(guó)DELL公司；Y型光纖鹵素?zé)簦?60 W）：美國(guó)DolanJenner Industries公司。

1.3 實(shí)驗(yàn)方法

1.3.1 高光譜圖像采集、校正及光譜提取

本實(shí)驗(yàn)使用高光譜成像系統(tǒng)采集可見光和短波近紅外區(qū)域（400～1 000 nm）內(nèi)448個(gè)波長(zhǎng)的窖泥樣本的高光譜圖像。采集方式為推掃式，分辨率640×180像素，采樣曝光時(shí)間4.02 ms，掃描速度16.42 mm/s。在完成系統(tǒng)的參數(shù)設(shè)定后，使用該系統(tǒng)采集120個(gè)窖泥樣本的高光譜圖像。

由于采集時(shí)存在環(huán)境光及暗電流的影響，窖泥樣本的高光譜圖像中包含了樣本信息、暗電流信息及高頻噪聲，因此必須對(duì)高光譜圖像進(jìn)行黑白校正，以消除相機(jī)中暗電流所引起的噪音和光源強(qiáng)度在各波長(zhǎng)條件下的分布不均勻性[14]。校正后的樣本光譜圖像由公式（1）得到：

式中：Ir是校正前的光譜圖像；Iw是白板的參考光譜圖像；Id是暗電流的光譜圖像。

校正后在樣本中心手動(dòng)選取感興趣區(qū)域（region of in terest，ROI）[15]，將樣本的RGB圖像中的ROI區(qū)域與背景分離，提取ROI內(nèi)所有像素點(diǎn)的光譜數(shù)據(jù)，并在每個(gè)波長(zhǎng)處取平均值作為每個(gè)樣本的光譜反射率數(shù)據(jù)。在光譜區(qū)域內(nèi)，可以得到120個(gè)窖泥樣本的光譜反射率數(shù)據(jù)，并用于后續(xù)的研究中。窖泥樣本的ROI選取及光譜反射率提取如圖1所示。

圖1 樣本ROI的平均光譜反射率圖Fig.1 Average spectral reflectance map of sample ROI

1.3.2 窖泥總氮含量測(cè)定

窖泥樣本的高光譜圖像采集完成后，參照GB/T609—2018《化學(xué)試劑總氮含量測(cè)定通用方法》測(cè)定窖泥樣本的總氮含量。具體操作步驟為稱取0.5 g烘干至質(zhì)量恒定的窖泥樣品于消化管中，再加入硫酸銅與硫酸鉀的混合試劑（比例1∶12）4 g于消化管中，最后加入10 mL 濃硫酸（體積分?jǐn)?shù)98%），稍搖勻后，450 ℃消化70 min，放入凱氏定氮儀，由儀器自動(dòng)加蒸餾水、NaOH溶液和硼酸。反應(yīng)結(jié)束后，向接收瓶中滴加1滴（甲基紅乙醇溶液）指示劑。然后用HCl溶液（用碳酸鈉標(biāo)定）滴定接收瓶中的回收溶液，至粉紅色時(shí)結(jié)束滴定，記錄HCl用量。再根據(jù)所取窖泥量（除去水分含量），計(jì)算總氮含量。窖泥樣本的總氮含量按式（2）計(jì)算：

式中：X為窖泥樣本的總氮含量，g/100 g；V1為窖泥樣本中消耗酸的標(biāo)準(zhǔn)液的體積，mL；V2為試劑空白消耗酸標(biāo)準(zhǔn)溶液的體積，mL；N為鹽酸或硫酸標(biāo)準(zhǔn)溶液的當(dāng)量濃度，mol/L；0.014為1.0 mL硫酸或鹽酸標(biāo)準(zhǔn)滴定溶液消耗氮的當(dāng)量，g/mol；m為窖泥樣本的質(zhì)量，g。

1.3.3 數(shù)據(jù)處理

（1）光譜數(shù)據(jù)預(yù)處理

窖泥樣本的光譜數(shù)據(jù)經(jīng)黑白校正后，依然存在著光譜信息復(fù)雜、吸收強(qiáng)度弱和信噪比低等問(wèn)題，使光譜數(shù)據(jù)中的有效信息降低[16]。因此，需要采用預(yù)處理方法降低光譜噪聲，去除或減少無(wú)關(guān)信息的影響[17]。本研究將采用標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variate transformation，SNV）、多元散射校正（multiplicative scatter correction，MSC）和卷積平滑（savitzky-golay，SG）3種方法對(duì)窖泥樣本的光譜數(shù)據(jù)進(jìn)行預(yù)處理。

（2）特征波長(zhǎng)提取

在光譜區(qū)域內(nèi)，窖泥樣本的高光譜圖像包含了大量的波長(zhǎng)光譜反射率數(shù)據(jù)，其存在大量的冗余和共線性信息，使得模型的精度和運(yùn)算速度降低[18]。為了減少冗余信息，簡(jiǎn)化模型的復(fù)雜度，需要對(duì)全波長(zhǎng)進(jìn)行特征波長(zhǎng)的篩選，然后提取特征波長(zhǎng)對(duì)應(yīng)的光譜反射率數(shù)據(jù)。采用CARS算法、SPA算法以及CARS-SPA聯(lián)用策略算法進(jìn)行特征波長(zhǎng)提取。

CARS是一種PLSR模型回歸系數(shù)的波長(zhǎng)選擇方法。使用蒙特卡洛采樣建立PLSR模型，以獲得PLSR模型的回歸系數(shù)的絕對(duì)值。計(jì)算每個(gè)波長(zhǎng)的絕對(duì)回歸系數(shù)的權(quán)重，并根據(jù)指數(shù)遞減函數(shù)刪除權(quán)重小的波長(zhǎng)，選擇與具有最小交叉驗(yàn)證均方差（rootmeansquareerrorofcrossvalidation，RMSECV）的PLSR模型相對(duì)應(yīng)的候選子集[19]，即為最優(yōu)的波長(zhǎng)組合。

SPA算法是一種變量的正向選擇算法，將候選的特征波長(zhǎng)正交投影到已選波長(zhǎng)上，利用最大投影值來(lái)依次選擇候選的特征波長(zhǎng)。算法依據(jù)該原則對(duì)原始波長(zhǎng)進(jìn)行重新組合，通過(guò)不斷迭代得到一個(gè)按投影值最大的順序排列的特征波長(zhǎng)組合的集合。然后對(duì)特征波長(zhǎng)組合建立多元回歸模型，通過(guò)均方根誤差（RMSE）對(duì)特征波長(zhǎng)組合進(jìn)行評(píng)估，最佳波長(zhǎng)組合由最小的RMSE值確定[20]。

CARS-SPA聯(lián)用策略算法是使用CARS算法提取光譜區(qū)域內(nèi)數(shù)據(jù)中具有豐富信息含量的重要波長(zhǎng)，在此基礎(chǔ)上，再使用SPA算法剔除重要波長(zhǎng)中的共線性波長(zhǎng)，以簡(jiǎn)化后續(xù)所建模型的復(fù)雜度。使用CARS-SPA算法提取特征波長(zhǎng)能夠減少特征波長(zhǎng)的數(shù)量，構(gòu)建更穩(wěn)定、更簡(jiǎn)易的總氮含量預(yù)測(cè)模型。

（3）模型的建立與評(píng)估

PLSR作為一種經(jīng)典的線性算法，廣泛應(yīng)用于構(gòu)建快速、在線的食品質(zhì)量安全評(píng)價(jià)[21]。PLSR算法從自變量集（光譜數(shù)據(jù)）中提取潛在變量（latent variables，LVs），LVs可以解釋光譜數(shù)據(jù)的方差，降低光譜數(shù)據(jù)的維數(shù)；然后采用均方根誤差（RMSE）最小值優(yōu)化LVs的數(shù)量，避免模型欠擬合或過(guò)擬合；最后依據(jù)最佳潛在變量個(gè)數(shù)建立光譜數(shù)據(jù)與總氮含量的回歸模型[22]。

LS-SVM是支持向量機(jī)的擴(kuò)展。算法原理是把訓(xùn)練集數(shù)據(jù)從輸入空間非線性地映射到一個(gè)多維度的特征空間，然后在多維度的特征空間中通過(guò)最小化某種損失函數(shù)獲得一個(gè)線性的擬合空間，尋找新的最優(yōu)分類面作為決策面，實(shí)現(xiàn)不同數(shù)據(jù)的分離，不同之處在于LS-SVM使用了最小二乘代價(jià)函數(shù)，得到多個(gè)線性方程組，以此代替了二次規(guī)劃，從而降低了計(jì)算復(fù)雜度[23-24]。

基于全波長(zhǎng)和特征波長(zhǎng)的光譜數(shù)據(jù)分別建立預(yù)測(cè)總氮含量的PLSR、LS-SVM模型，通過(guò)校正集決定系數(shù)（determination coefficient of calibration set，Rc2），校正均方根誤差（root mean square error of calibration，RMSEC），預(yù)測(cè)集決定系數(shù)（determination coefficient of prediction set，Rp2），預(yù)測(cè)均方根誤差（root mean square error of prediction，RMSEP）進(jìn)行綜合評(píng)價(jià)模型的性能[25]，比較分析后得到最優(yōu)模型。通常RMSEC、RMSEP值越接近0，Rc2、Rp2值越接近1，模型的預(yù)測(cè)效果越好[26]。評(píng)價(jià)參數(shù)的計(jì)算公式如下：

式中：y^i和yi分別為第i個(gè)窖泥樣本預(yù)測(cè)和測(cè)定的總氮含量；yc和yp分別為校正集和預(yù)測(cè)集中窖泥樣本的平均含量；nc和np分別為校正集和預(yù)測(cè)集中窖泥樣本的個(gè)數(shù)。

（4）窖泥總氮含量的可視化

將窖泥樣本ROI中的總氮含量可視化，有助于研究人員可以直觀地了解不同窖池各層位的窖泥總氮含量分布情況。首先利用圖像處理技術(shù)中的形態(tài)學(xué)方法劃分ROI區(qū)域，并提取樣本ROI區(qū)域內(nèi)各像素點(diǎn)的光譜反射率數(shù)據(jù)；然后把像素點(diǎn)的光譜反射率數(shù)據(jù)作為最優(yōu)模型的輸入，計(jì)算出各像素點(diǎn)的總氮含量值，將值映射到0～255的灰度區(qū)間，得到灰度圖像；最后，對(duì)灰度圖像進(jìn)行偽彩色處理得到窖泥總氮含量的可視化圖像。窖泥總氮含量分布的偽彩色圖像以線性色階表示，不同的色階與不同的窖泥總氮含量相匹配，這種匹配關(guān)系可用于分析窖泥總氮含量的變化[27-28]。

2 結(jié)果與分析

2.1 窖泥總氮含量的統(tǒng)計(jì)結(jié)果

窖泥總氮含量統(tǒng)計(jì)結(jié)果見表1。為了提高模型的預(yù)測(cè)精度和泛化性能，利用Kennard-Stone（KS）[29]算法將120個(gè)窖泥樣本按4∶1的比例劃分為校正集（總氮含量1.060 9～

表1 窖泥樣本中總氮含量測(cè)定結(jié)果統(tǒng)計(jì)Table 1 Statistic of determination results of total nitrogen content in pit mud samples

1.3888g/100 g）和預(yù)測(cè)集（總氮含量1.0604～1.380 1g/100 g）。校正集用于訓(xùn)練模型，預(yù)測(cè)集用于測(cè)試模型的效果。由表1可知，預(yù)測(cè)集樣本的總氮含量分布幾乎都位于校正集樣本的總氮含量范圍之內(nèi)，說(shuō)明用KS算法劃分是合理的，有利于后續(xù)總氮含量預(yù)測(cè)模型的建立。

2.2 窖泥的光譜特征分析

120個(gè)窖泥樣本的平均光譜曲線見圖2。由圖2可知，光譜區(qū)域內(nèi)窖泥樣本的反射率曲線均未出現(xiàn)明顯的吸收峰，但不同波段下的反射率值存在略微不同。這是因?yàn)榭梢姽鈪^(qū)域的光譜主要反映樣本的顏色信息，說(shuō)明120個(gè)窖泥樣本的顏色特征存在細(xì)微的差異。

圖2 窖泥平均光譜曲線Fig.2 Average spectral curves of pit mud

2.3 基于全波長(zhǎng)建立PLSR模型

在本研究中，使用SNV、SG、MSC對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，利用原始（Raw）和預(yù)處理后的光譜數(shù)據(jù)建立PLSR模型預(yù)測(cè)窖泥總氮含量。與原始光譜建立的PLSR模型相比，預(yù)處理后的光譜數(shù)據(jù)建立的PLSR模型精度均有所提高，說(shuō)明預(yù)處理方法可以有效地消除或降低光譜數(shù)據(jù)中的噪聲。模型預(yù)測(cè)總氮含量的性能見表2。

表2 不同預(yù)處理方法偏最小二乘回歸模型評(píng)估結(jié)果Table 2 Evaluation results of partial least squares regression model by different preprocessing methods

由表2可以看出，SNV預(yù)處理后的光譜數(shù)據(jù)建立的PLSR模型預(yù)測(cè)總氮含量的精度最高（校正集決定系數(shù)Rc2=0.946 5，RMSEC=0.028 3，預(yù)測(cè)集決定系數(shù)Rp2=0.903 7，RMSEP=0.035 8）。使用SNV方法預(yù)處理后的光譜數(shù)據(jù)建立的模型效果好，這可能是因?yàn)榻涯鄻颖镜墓庾V圖像在采集過(guò)程中，樣本表面不平整，光照在各個(gè)位置的分布不均勻，導(dǎo)致存在著大量的噪聲，而SNV預(yù)處理方法有消除樣本散射或光程引起的樣本光譜誤差的作用[30]。根據(jù)以上分析結(jié)果，故選擇SNV方法預(yù)處理后的光譜數(shù)據(jù)進(jìn)行后續(xù)的研究。

2.4 特征波長(zhǎng)提取

2.4.1 CARS算法提取特征波長(zhǎng)

CARS算法提取特征波長(zhǎng)的結(jié)果見圖3。由圖3（a）可知，隨著采樣次數(shù)的不斷增加，采樣變量逐漸減小，前30次速度減小較快，隨后逐漸減緩，說(shuō)明該算法篩選特征時(shí)有粗選和精選過(guò)程。由圖3（b）可知，隨著采樣次數(shù)的增加，PLSR交叉驗(yàn)證RMSECV值先降低隨后又增加，在采樣次數(shù)達(dá)到9次時(shí)值最?。≧MSECV=0.016 6），表明在采集前9次，光譜中不能預(yù)測(cè)成分含量的無(wú)關(guān)信息被剔除，在采集32次以后，RMSECV值呈現(xiàn)階梯型增加，表明剔除了光譜中能夠預(yù)測(cè)成分含量的信息，導(dǎo)致模型的性能逐漸變差。由圖3（c）可知，RMSECV值最小時(shí)對(duì)應(yīng)的采樣次數(shù)為9，其對(duì)應(yīng)包含了106個(gè)最優(yōu)波長(zhǎng)。

圖3 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣算法選擇特征波長(zhǎng)Fig.3 Selection of characteristic wavelength by competitive adapative reweighted sampling algorithm

2.4.2 SPA算法提取特征波長(zhǎng)

采用SPA算法提取特征波長(zhǎng)的結(jié)果見圖4。由圖4可知，當(dāng)特征波長(zhǎng)數(shù)為347個(gè)，RMSE值達(dá)到最?。≧MSE=0.003 3），表明此時(shí)模型精度最高；隨著特征波長(zhǎng)數(shù)增加，RMSE值逐漸變大，說(shuō)明模型效果變差。因此，當(dāng)波長(zhǎng)數(shù)為347個(gè)，RMSE達(dá)到最小值時(shí)，所選擇的波長(zhǎng)組合為特征波長(zhǎng)。

圖4 連續(xù)投影算法選擇特征波長(zhǎng)Fig.4 Selection of characteristic wavelength by successive projections algorithm

2.4.3 CARS-SPA聯(lián)用策略算法提取特征波長(zhǎng)

在使用CARS算法提取光譜區(qū)域中重要波長(zhǎng)的基礎(chǔ)上，再使用SPA算法剔除重要波長(zhǎng)中的共線性波長(zhǎng)。采用CARS-SPA聯(lián)用策略算法提取特征波長(zhǎng)的結(jié)果見圖5。由圖5（a）可知，當(dāng)波長(zhǎng)數(shù)量為38個(gè)，RMSE值達(dá)到最?。≧MSE=0.045 6），表明此時(shí)模型精度最高；隨著波長(zhǎng)數(shù)量增加，RMSE值逐漸變大，說(shuō)明模型效果變差。因此，當(dāng)波長(zhǎng)數(shù)為38個(gè)，RMSE達(dá)到最小值時(shí)，所選擇的波長(zhǎng)組合為特征波長(zhǎng)。為清晰地展示CARS-SPA聯(lián)用策略算法提取特征波長(zhǎng)的結(jié)果，繪制特征波長(zhǎng)與樣本平均光譜反射率曲線的對(duì)應(yīng)關(guān)系，如圖5（b）所示。由圖5（b）可知，提取的特征波長(zhǎng)零散分布在400 nm、500 nm、800 nm、900 nm、1 000 nm附近。

圖5 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣-連續(xù)投影算法聯(lián)用策略方法選擇特征波長(zhǎng)Fig.5 Selection of characteristic wavelength by competitive adapative reweighted sampling-successive projections algorithm combined strategy method

2.5 多元模型分析

2.5.1 PLSR模型

利用全波長(zhǎng)和特征波長(zhǎng)的光譜數(shù)據(jù)建立PLSR模型性能如表3所示。由表3可知，使用特征波長(zhǎng)建立的PLSR模型效果，不僅提高模型精度，而且降低波長(zhǎng)數(shù)量。與全波長(zhǎng)相比，CARS、SPA、CARS-SPA聯(lián)合策略方法建立的PLSR模型的預(yù)測(cè)集決定系數(shù)Rp2分別提高0.074 3、0.072 3、0.078 8，RMSEP分別降低0.016 8、0.015 0、0.016 8，波長(zhǎng)比數(shù)量也分別降低76%、23%、92%。其中使用CARS-SPA聯(lián)合策略方法提取特征波長(zhǎng)建立的PLSR模型性能最好，校正集和預(yù)測(cè)集決定系數(shù)Rc2、Rp2分別為0.996 2和0.982 5，校正集和預(yù)測(cè)集均方根誤差（RMSEP）分別為0.007 0 g/100 g和0.019 0 g/100 g。

表3 利用不同的波長(zhǎng)選擇方法對(duì)偏最小二乘回歸模型進(jìn)行性能分析Table 3 Performance of partial least squares regression model analyzed by different wavelength selection methods

2.5.2 LS-SVM模型

利用全波長(zhǎng)和特征波長(zhǎng)的光譜數(shù)據(jù)建立LS-SVM模型性能見表4。由表4可知，與全波長(zhǎng)的建模效果相比，特征波長(zhǎng)建模略微提升模型預(yù)測(cè)總氮含量的精度，但波長(zhǎng)數(shù)量有所減少，降低模型的復(fù)雜程度。在特征波長(zhǎng)的提取方法中，同樣是使用CARS-SPA聯(lián)合策略方法建立的LS-SVM模型性能最好，校正集和預(yù)測(cè)集決定系數(shù)為Rc2、Rp2分別為0.999 2和0.987 6，校正集和預(yù)測(cè)集均方根誤差（RMSEP）分別為0.003 2 g/100 g和0.013 8 g/100 g；波長(zhǎng)數(shù)量從448個(gè)減少至38個(gè)。

表4 利用不同的波長(zhǎng)選擇方法對(duì)最小二乘支持向量機(jī)模型進(jìn)行性能分析Table 4 Performance of least squares support vector machine model analyzed by different wavelength selection methods

2.5.3 對(duì)比結(jié)果分析

由于全波長(zhǎng)的光譜數(shù)據(jù)存在過(guò)多的冗余信息，導(dǎo)致不能準(zhǔn)確建立預(yù)測(cè)窖泥總氮含量的模型；故使用不同方法提取特征波長(zhǎng)建立了PLSR和LS-SVM模型，并與全波長(zhǎng)的建模效果進(jìn)行了對(duì)比。由表3、表4可知，發(fā)現(xiàn)使用特征波長(zhǎng)建立的PLSR和LS-SVM模型都能很好的解釋光譜信息與總氮含量之間的對(duì)應(yīng)關(guān)系。在兩種模型中，使用CARS-SPA聯(lián)合策略方法建立的模型都達(dá)到了最好效果。表明CARS-SPA聯(lián)合策略方法提取特征波長(zhǎng)的有效性和魯棒性。綜合對(duì)比結(jié)果，發(fā)現(xiàn)最優(yōu)模型為使用CARS-SPA聯(lián)合策略方法提取的特征光譜建立的LS-SVM模型，該模型可以減少波長(zhǎng)數(shù)量提高模型的檢測(cè)精度和運(yùn)算速度，實(shí)現(xiàn)對(duì)窖泥總氮含量的高精度檢測(cè)。

2.6 窖泥總氮含量的可視化

通過(guò)上述分析確定了最優(yōu)模型為SNV+CARS-SPA+LS-SVM，選取兩個(gè)窖池不同層位的窖泥樣本作為可視化對(duì)象進(jìn)行比較，結(jié)果見圖6。由圖6可知，同一窖池的窖帽、黃水中、窖底的窖泥總氮含量分布呈逐漸降低的趨勢(shì)，窖帽和黃水中的窖泥總氮含量無(wú)明顯差異，窖底的窖泥總氮含量略低于窖帽和黃水中的窖泥總氮含量。

圖6 不同層位窖泥總氮含量分布圖Fig.6 Distribution map of total nitrogen content in pit mud at different levels

3 結(jié)論

本研究探討了高光譜成像技術(shù)在窖泥總氮含量的快速無(wú)損檢測(cè)中的應(yīng)用，結(jié)果表明，高光譜成像技術(shù)能夠準(zhǔn)確地檢測(cè)窖泥的總氮含量。利用原始和不同預(yù)處理方法（SNV、MSC、SG）處理后的光譜數(shù)據(jù)建立PLSR模型預(yù)測(cè)窖泥總氮含量，發(fā)現(xiàn)SNV方法可以提高模型預(yù)測(cè)的精度（預(yù)測(cè)集決定系數(shù)Rp2=0.903 7，RMSEP=0.035 8 g/100 g）。基于全波長(zhǎng)和不同方法提取的特征波長(zhǎng)建立PLSR、LS-SVM模型預(yù)測(cè)總氮含量，發(fā)現(xiàn)用CARS-SPA聯(lián)合策略方法提取的特征波長(zhǎng)建立的LS-SVM模型最優(yōu)（預(yù)測(cè)集決定系數(shù)Rp2=0.987 6、RMSEP=0.013 8 g/100 g），有效降低了模型的復(fù)雜度，提高了窖泥總氮含量的預(yù)測(cè)精度。最后，利用最優(yōu)模型（SNV+CARS-SPA+LS-SVM）對(duì)窖泥樣本的總氮含量進(jìn)行可視化，直觀反映了不同窖池各層位的窖泥總氮含量的變化情況?？傮w研究結(jié)果表明，高光譜技術(shù)有潛力為窖泥質(zhì)量評(píng)估快速檢測(cè)提供一種新的方法，同時(shí)也可以為白酒固態(tài)發(fā)酵過(guò)程中的工藝參數(shù)調(diào)整提供指導(dǎo)。