高光谱驱动PSO-SVM与优化CNN-LSTM-Attention融合网络用于浓香型白酒掺假的定性与定量无损检测

为解决白酒掺假危害消费者健康及市场秩序的问题，研究人员结合高光谱成像（HSI）与深度学习技术，开发了PSO-SVM定性分类模型（准确率97.62?±?1.15?%）及新型GLSNet定量预测网络（RP 2 ?=?0.9569?±?0.0145），较传统PLSR提升效率3.55倍，为白酒质量控制提供了高效无损检测方案。

　　

浓香型白酒（SAB）因其独特的窖香风味占据中国白酒市场70%份额，但工业酒精掺假导致的甲醇等有害物质威胁消费者健康，传统检测方法如感官评价主观性强，色谱技术（GC-FID）耗时耗材。高光谱成像（HSI）技术能同时获取样品空间与光谱信息，但此前未应用于白酒掺假检测。

四川省科技计划支持的研究团队针对这一空白，设计了两阶段实验：定性检测中，通过17种光谱预处理组合优化，筛选出SNV算法提升信噪比，结合粒子群优化支持向量机（PSO-SVM）实现掺假样本97.62%准确分类；定量分析中，创新性提出Ghost-LSTM-缩放点积注意力网络（GLSNet），其预测性能（R_P
²
?=?0.9569）显著优于偏最小二乘回归（PLSR）和传统CNN-LSTM（CLNet），推理效率提升3.55倍。外部验证中，热图可视化直观呈现掺假分布，证实该方法兼具高效性与实用性。

关键技术包括：1）HSI采集201个浓度梯度（0-100%工业酒精）的603个样本光谱；2）PSO优化SVM核函数参数；3）GLSNet融合卷积神经网络（CNN）的局部特征提取、长短期记忆网络（LSTM）的时序分析及注意力机制（Scaled Dot-Product）的权重分配。

样本制备
研究使用宜宾企业提供的正宗白酒，将工业酒精稀释至53度后按0.5%间隔配制201个梯度，每个梯度3个平行样本。

光谱分析
原始光谱在960nm（O-H键二级倍频）、1130nm（C-H键）和1200nm（酸/醛类C-H键）处特征峰与白酒成分相关，预处理后SNV算法显著提升模型区分度。

结论
该研究首次将HSI与GLSNet结合应用于白酒掺假检测，定性定量结果均显示优异性能。GLSNet的结构设计为深度学习模型效率优化提供新思路，而热图可视化技术为市场监管提供直观工具。成果发表于《Food Chemistry》，为食品无损检测领域树立了新范式，尤其对甲醇等有毒掺假物的快速筛查具有重要公共卫生意义。

（注：全文细节均基于原文，专业术语如SNV为标准正态变量变换、PSO为粒子群优化等均在首次出现时标注，作者单位及资助信息保留原文表述。）