气体表征模式引导的自适应建模算法：基于比色传感器阵列的青贮饲料质量无损检测方法及其机制

《Computers and Electronics in Agriculture》：Gas characterization pattern-guided adaptive modeling algorithm: Method and mechanism for non-destructive detection of silage quality using a colorimetric sensor array

　　

**要点总结**

- 交叉响应信号被解耦为显色敏感材料组合。
- 所提算法自适应地挖掘显色敏感材料组合。
- 所提算法提升了跨品质特征的泛化能力与鲁棒性。
- 酸类、酯类、硫醇、酚类和氨是pH值的表征标记物。
- 二氧化碳是乳酸的表征标记物。

---

## 引言

青贮玉米营养丰富、分布广泛、产量高，是全球反刍动物饲养的主饲料（Klopfenstein等，2013；Zhao等，2022）。其品质直接影响产奶量、肉质以及动物健康，包括适口性和消化率（Bandla等，2024；Ponnampalam等，2024）。在描述青贮发酵品质的指标中，pH值和乳酸含量是关键标记（Okoye等，2023；Tharangani等，2021）。因此，快速、准确地检测这两项指标对科学评价青贮品质具有重要意义。检测方法可分为实验室检测和快速检测两大类。实验室方法精度较高，pH值检测采用电位法，乳酸检测采用高效液相色谱法（HPLC），但操作步骤复杂、耗时长，无法在工业生产中实时使用（Golder和Lean，2024；Liu等，2024b）。快速检测方法是极具前景的替代方案，包括可见-近红外光谱（VIS-NIRS）、高光谱成像（HSI）和显色传感器阵列（CSA）（Yu等，2024；Zhao等，2025c，Zhao等，2025d）。其中，CSA通过与挥发性化合物发生显色反应来获取品质信息（Johnson等，2025）。它具有成本低、便携、可直接读数等优点，使其成为现场青贮检测的诱人选择。初步研究已证实基于CSA检测pH值和乳酸是可行的（Xue等，2024；Zhao等，2025e）。

青贮品质在同一农场内不同批次之间存在波动，而日粮配方必须每天基于这些青贮料进行（St-Pierre和Weiss，2015）。因此，CSA必须能够跨越不同品质特征检测青贮饲料。青贮的品质特征容易同时受多种因素影响，挥发性化合物尤为敏感（Liu等，2024b）。品种、收获期、贮藏方式和贮藏时间均会影响这些化合物的组成（Kung等，2018）。现有的CSA青贮研究尚未涵盖这种变异。其样本均来自同一品种、同一地块和同一收获期，仅通过好氧暴露来扩展品质范围（Guan等，2026；Zhao等，2025d）。在少数进行跨条件外部测试的研究中，性能退化明显。在肉类新鲜度检测中，CSA结合机器学习算法应用于改变贮藏条件后的实际样本，其相对预测偏差（RPD）从4.98降至3.08（Lin等，2023）。原因在于CSA表征品质的间接性——它通过显色敏感材料与挥发性化合物之间的颜色反应来间接反映品质特征。这是挥发性化合物、传感器响应和品质指标之间的映射关系，以下称为"化合物-响应-品质映射"。当品质特征跨度变大时，挥发性化合物的谱图会随样本条件变化而改变，该映射关系随之偏移，不再适用于所有样本。目前尚不清楚该映射如何跨品质特征表征pH值和乳酸。

CSA的交叉响应使每种挥发性化合物都具有独特的颜色响应指纹，从而将化合物类型和含量的信息编码其中（Johnson等，2025）。得益于这一特性，品质表征的关键信息包含在化合物-响应-品质映射中。难点在于该映射无法直接解析。交叉响应行为使得显色敏感材料与挥发性化合物之间形成多对多的耦合关系：一种材料可响应多种化合物（Zhao等，2025e）；一种化合物也可作用于多种材料（Ma等，2022）。然而，传统算法将整个响应块作为同质输入处理。主成分分析（PCA）对所有变量取线性组合，聚类和回归同样将响应向量作为整体操作（Hemmateenejad等，2023）。单一响应通道的化学归因尚未完全解析，品质表征信息也未被深度挖掘。将领域知识转化为算法约束是一种新型建模范式，可同时提高精度并降低预测不确定性（Liu等，2024a）。知识引导的模型设计将先验知识写入训练目标，效果优于传统建模方法（Zhang和Yang，2024）。对于CSA而言，这一映射关系就是可用的领域知识。明确挥发性化合物与响应信息之间的对应关系是实现转化的前提。目前，各响应通道的化合物归因和品质归因均未被量化，这一转化在CSA领域尚未尝试。

领域知识需通过算法才能发挥作用，其嵌入方式或在输入特征信息层面，或在模型结构层面（Liu等，2024a）。深度学习已被用于自动提取牛肉新鲜度响应特征，避免了手工特征的认知偏差（Lin等，2024）。四种深度卷积网络被比较并用作显色模式的特征提取器，在鸡肉新鲜度判别中达到98.95%的准确率（Ma等，2022）。在模型层面，代表性方法是集成学习，用基学习器的组合替代单一模型。这些学习者对特征信息进行多样化拟合，从而嵌入领域知识。该方法在VIS-NIRS青贮pH预测中取得了14.98的RPD，比单一支持向量机（SVM）高6.80%（Zhao等，2025c）。

化合物-响应-品质映射在上述两个层面均有落点。按化合物归因分组的响应信息是可分组的输入，因此最适合在特征层面嵌入。将响应信息与品质指标关联的权重是信息组合的方式，因此最适合在模型层面嵌入。然而，对于跨品质特征的表征，两个落点均非固定。信息分组和权重都随样本的品质特征而变化。因此嵌入必须动态调整，但现有嵌入是静态的。在特征层面，仅寻找单一的全局最优子集，不同归因的通道无法分别探索。在模型层面，集成通常构建于单一输入之上，且通常依赖于选择异构学习器（Li等，2022）。在其他领域，将特征表示与自适应模型相结合的混合架构已被证明有效（Kukker等，2024）。对于CSA，映射知识已经可用，缺少的是一种自适应的载体。目前没有现有方法能自适应地耦合这两个层面。

阐明基于CSA的品质表征机制是减少跨品质特征预测性能损失的基础。早期工作已通过多元统计方法分离了多种胺类气体，并通过特征可视化解释了判别依据（Lin等，2024）。但响应信息与品质特征之间的定量表征尚未建立。此外，该机制仅在一定的响应范围内有效，该范围即为适用域。当红外光谱与神经网络结合时，边界需通过建模集的马氏距离和光谱重构误差来设定（Rodríguez-Barrios等，2024）。当近红外光谱预测水果干物质含量时，分布外样本会导致模型失效，移除这些样本后可显著降低误差（Chen等，2023）。这些案例表明适用域由建模集的响应分布所限定，超出该范围的样本预测不再可靠。CSA响应随品质特征变化，跨品质特征时部分样本的响应可能超出该范围。跨品质特征的机制尚未解释，其适用域也未被界定。

为克服上述局限，本研究开发了一种领域知识引导的自适应学习架构，称为自适应多色显色传感器信息耦合建模（AMCSICM）算法。该算法基于黏菌算法，自适应地将化合物-响应-品质映射解耦为若干信息组，并提取CSA的关键特征。结合Stacking集成架构，自适应地配置这些信息组的基学习器和元学习器，并动态调整模型。该自适应策略将特征层面与模型层面耦合起来，使映射关系被深度嵌入算法中，从而提升了跨品质特征的预测性能。该算法能够自适应地解耦映射并将其嵌入预测模型，具有较广的适用域，可准确预测本研究中青贮的pH值和乳酸。本研究为基于CSA的青贮品质无损检测提供了理论依据和技术支撑。研究按五个步骤进行：制备具有不同品质特征的青贮样本并获取其CSA响应信息；分析并验证化合物-响应-品质表征模式；将该模式嵌入构建AMCSICM算法；构建并评估pH值和乳酸的预测模型；最后验证并解释基于CSA的表征机制。

---

## 各节摘要

**青贮样本制备**

青贮制备流程如图1A所示。为收集具有代表性和多样性的样本集，本研究采用了包含三个品质特征、八个采样地点和六次重复的实验设计，共获得144个样本。工作流程涵盖原料采集、厌氧发酵、好氧劣化和子样保存。禾康696（品质特征1）和龙1217（品质特征2）全株玉米于2023年9月在……

**好氧劣化过程中CSA响应信息对品质特征的表征模式**

青贮好氧劣化依赖微生物对碳水化合物的消耗。根据耗氧速率和品质特征差异，该过程分为三个阶段：好氧稳定期（阶段I）、好氧不稳定期（阶段II）和厌氧恢复期（阶段III）（Sun等，2025）。图3A和3B展示了好氧劣化过程中pH值和乳酸含量的变化模式。在阶段I（第0–1天……

**AMCSICM模型的应用前景与实施策略**

AMCSICM模型能够准确预测pH值和乳酸，具有实际部署潜力。其训练耗时约10,000至23,000秒，而单次预测仅需数十秒。两者差距悬殊，因此训练成为部署的主要瓶颈。实际部署因此结合离线配置与在线预测：耗时的建模计算在离线阶段完成，在线阶段仅调用已配置好的模型，因此运行……

---

## 结论

本研究将CSA与AMCSICM算法相结合，对青贮pH值和乳酸进行了无损检测。主要结论如下。首先，显色敏感材料能敏感地捕获驱动pH值和乳酸变化的标记信息，从而间接反映这两项品质指标的变化。挥发性化合物与显色敏感材料之间的映射关系本质上是挥发性化合物与……

---

**CRediT作者贡献声明**

Kai Zhao：撰写——初稿，概念构思。Haiqing Tian：撰写——审稿与编辑，监督指导，项目管理，获取经费。Jue Zhang：撰写——审稿与编辑，可视化，获取经费。Xinglu Zheng：可视化，数据管理。Chunxiang Zhuo：撰写——初稿，概念构思。Hui Ai：撰写——审稿与编辑，软件。

**利益冲突声明**

作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

**致谢**

本工作得到了国家自然科学基金[52365035]、内蒙古自治区科技计划项目[2025YFDZ0032]、内蒙古自治区一流学科研究专项[YLXKZX-NND-046]、内蒙古自治区自然科学基金[2024MS03019]、[2023LHMS03066]的资助。

Kai Zhao | Haiqing Tian | Jue Zhang | Xinglu Zheng | Chunxiang Zhuo | Hui Ai