基于多模态传感与机器学习的山西老陈醋熏醅阶段无损品质监测技术研究

为解决传统感官评价主观性强、化学分析破坏样本等问题，研究人员融合计算机视觉(CV)、电子鼻(E-nose)和近红外光谱(NIRS)技术，结合支持向量机分类(SVC)和偏最小二乘回归(PLSR)算法，实现了山西老陈醋熏醅阶段100%准确判别及关键成分(水分、总酸等)的高精度预测，为食品工业智能化质控提供新范式。

　　

在中华饮食文化中，山西老陈醋以其独特的固态发酵工艺占据重要地位，其中熏醅阶段的高温烟熏过程直接决定了最终产品的色香味品质。然而传统质控手段面临两大痛点：老师傅的感官评价虽能反映消费者体验，但严重依赖经验且难以标准化；实验室化学分析虽精确却需破坏样本、耗时耗力，无法满足现代化生产的实时监控需求。这种"经验依赖"与"检测滞后"的矛盾，成为制约传统食醋产业升级的关键瓶颈。

为解决这一难题，来自江苏高校的研究团队创新性地将多模态传感技术与机器学习相结合，在《Journal of Food Composition and Analysis》发表的研究中构建了一套智能化的熏醅品质监控体系。研究采集了3个生产批次共120个熏醅样本（涵盖1-5天不同阶段），通过计算机视觉(CV)捕捉色泽纹理特征、电子鼻(E-nose)获取挥发性物质指纹、近红外光谱(NIRS)解析分子振动信息，结合支持向量机分类(SVC)和偏最小二乘回归(PLSR)等算法建立预测模型。

样本收集
研究严格遵循工业化生产标准，从山西晋中某老牌醋厂获取3批次熏醅样本，每批按1-5天划分5个阶段，各阶段取8个样本，确保数据代表性和统计效力。

化学组成分析
针对熏醅过程中非酶褐变反应的关键指标，建立水分、总酸、氨基态氮和还原糖的国标检测方法作为建模基准，其中水分蒸发直接影响褐变速率，而总酸含量与醋酸菌代谢活性密切相关。

结论
多技术融合展现出显著优势：CV+E-nose数据经SVC算法实现熏醅阶段100%准确判别，较单一技术提升15%以上；NIRS结合PLSR对水分(R²
=0.9711)、总酸(0.9596)等指标的预测性能接近理化分析水平。该研究首次建立熏醅过程的多维度质量评价体系，其创新性体现在三方面：突破传统感官评价的主观局限，实现色泽-气味-成分的同步客观检测；将实验室分析转为在线监测，单样本检测时间从小时级缩短至分钟级；为发酵食品智能制造提供可复用的技术框架。

讨论
研究团队特别指出，CV对褐变程度的量化、E-nose对吡嗪类风味物质的响应、NIRS对氢键变化的敏感形成技术互补，这种多模态策略可推广至其他发酵食品质量控制。未来通过嵌入工业物联网系统，该技术有望实现熏醅工艺的自适应调控，推动传统酿造业向数字化转型升级。值得注意的是，氨基态氮预测精度(0.8390)相对较低，可能与含氮化合物复杂的分子间相互作用有关，这为后续研究指明了优化方向。