基于高光谱成像与SPA-GA-CPO-SVR优化模型的窖泥总氮含量快速检测技术研究

为解决白酒窖泥土壤质量实时监测难题，研究人员创新性地将高光谱成像(HSI)技术与优化机器学习算法相结合。通过连续投影算法-遗传算法(SPA-GA)筛选特征波长，并采用冠豪猪优化算法(CPO)改进支持向量回归(SVR)模型，成功建立窖泥总氮含量(TNC)预测体系。最优CPO-SVR模型特征波长减少86.16%，预测相关系数提升至0.9958，RMSEP降至0.0073 g/100g，为白酒酿造质量控制提供了高效无损检测新方法。

　　

窖泥作为白酒发酵的关键载体，其富含的微生物群落与理化成分直接影响酒醅品质。其中总氮含量(TNC)是评估土壤肥力的核心指标，传统检测方法存在耗时长、破坏样本等缺陷。研究团队另辟蹊径，将高光谱成像(HSI)技术与智能算法深度融合：

首先采用连续投影算法(SPA)与遗传算法(GA)联用，从全波段光谱中精准筛选出13.84%的特征波长，既大幅降低数据维度，又保留关键信息。随后引入自然界启发的冠豪猪优化算法(CPO)，对支持向量回归(SVR)的惩罚系数和核函数参数进行全局寻优，构建出预测性能卓越的CPO-SVR模型。

该创新方案展现出三大突破：1) 特征波长提取能力提升，模型决定系数R²较全波段模型提高0.3014；2) 预测误差显著降低，均方根误差(RMSEP)减少0.0566 g/100g；3) 克服人工调参的随机性，模型稳定性增强。实验数据表明，优化后的模型对窖泥TNC预测精度高达99.58%，为酿酒行业质量控制提供了"光谱眼+AI脑"的智能检测新范式。

这项研究不仅为白酒酿造过程监控提供技术支撑，其HSI结合智能算法的技术路线，还可拓展应用于土壤有机质、重金属等成分的快速检测，在农业监测和食品安全领域具有广阔应用前景。