《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Synergistic fusion of NIRS and HSI for cigar fermentation monitoring via gated attention MLP and deep multi-constraint feature selection
编辑推荐：
•近红外光谱（NIRS）与高光谱成像（HSI）协同融合识别雪茄发酵阶段。•GAM 网络实现自适应特征级融合以达到高精度。•DMCH 算法解耦预处理噪声以实现稳健的特征选择。•模型在保持高性能的同时减少了 80% 的参数和浮点运算量。引言作为高附加值农产品，雪茄质量直接影响市场
- •
近红外光谱（NIRS）与高光谱成像（HSI）协同融合识别雪茄发酵阶段。
- •
GAM 网络实现自适应特征级融合以达到高精度。
- •
DMCH 算法解耦预处理噪声以实现稳健的特征选择。
- •
模型在保持高性能的同时减少了 80% 的参数和浮点运算量。
引言
作为高附加值农产品，雪茄质量直接影响市场价值和消费者接受度。与烤烟不同，雪茄的特征风味和香气主要在发酵过程中形成，该过程涉及复杂的微生物活动以及蛋白质和淀粉等大分子向香气前体的生化转化 [1], [2]。目前，工业界仍主要依靠经验丰富的技术人员通过感官评价来评估发酵成熟度。然而，这种传统方法主观性强，易受评估者疲劳影响，且具有破坏性，难以满足现代标准化生产的要求 [3]。雪茄叶发酵是一个动态的、多因素驱动的过程。温度、湿度、堆码条件和原料异质性共同影响大分子的生化转化，而烟叶的外部外观和内部化学成分并不总是同步变化，这使得准确的阶段判别特别具有挑战性 [4], [5]。此外，传统评估方法具有破坏性、间歇性，且难以实施在线连续监测。因此，开发一种快速、无损且客观的分析技术来监测雪茄填充物的发酵状态，是烟草行业的迫切需求。
近年来，光学无损检测技术在农产品质量评估中得到广泛应用。近红外光谱（NIRS）对 C-H、O-H 和 N-H 键等含氢官能团高度敏感，并已被证明可有效定量检测尼古丁和总糖等化学成分 [6]。相比之下，高光谱成像（HSI）整合了空间和光谱信息，在表征烟叶颜色、质感和水分分布等外部表型特征方面具有明显优势 [7], [8]。然而，大多数现有研究仍依赖于单一传感模式。NIRS 通常提供点测量，无法反映烟叶的空间异质性，而 HSI 的光谱分辨率和波长范围通常低于 NIRS。因此，单一数据源无法全面捕捉雪茄发酵过程中内部化学成分和外部感官特征的并发变化。
最近，几种深度学习算法被应用于烟草相关的监测和识别任务。代表性例子包括用于烟叶成熟度识别的轻量级卷积神经网络 [9]、用于成熟度判别的近红外光谱耦合深度学习模型 [10]、用于烟叶识别和分级的特定任务网络如 TobaccoNet [11]，以及用于自动叶片分级的视觉 Transformer 与深度卷积网络结合 [12]。这些研究展示了深度学习在烟草分析中自动特征提取和非线性分类方面的价值。然而，它们仍主要关注静态任务，如成熟度识别和叶片分级，而非基于异构光谱输入的动态发酵阶段监测。
为了克服单传感器分析的局限性，多源光谱融合成为一种有前景的策略。通过将 NIRS 提供的内部化学指纹与 HSI 捕捉的外部视觉和纹理信息相结合，可以更全面地表征样品 [13], [14]。然而，许多现有融合研究仍依赖于数据级融合，即直接连接不同模态的原始变量。虽然实施简单，但该策略会引入高维噪声，忽略模态间的语义异质性，并加剧维度灾难 [15]。同时，广泛用于光谱分析的传统机器学习算法，如偏最小二乘判别分析（PLS-DA）和支持向量机（SVM），本质上是浅层线性或准线性模型，使其难以捕捉动态雪茄发酵中涉及的复杂非线性关系。虽然深度学习（DL）在光谱分析中展现了强大的特征提取能力 [16]，但全谱数据仍然高度冗余且计算成本高昂，这阻碍了其在便携式或嵌入式设备上的部署。此外，常用的特征选择算法，如竞争性自适应加权抽样（CARS）和连续投影算法（SPA），对光谱预处理（尤其是导数变换）放大的噪声敏感，从而导致模型性能不稳定。这些局限性表明需要一个统一的框架，能够同时处理异构融合、非线性建模和稳健的轻量级特征选择。
为了应对这些挑战，本研究提出了一种新的雪茄发酵阶段分类框架。首先，设计了一种基于门控注意力机制（GAM）的双流网络用于特征级融合（FL），实现对 NIRS 和 HSI 特征的自适应加权。其次，为了提高特征选择的稳健性，开发了一种深度多约束混合（DMCH）算法，该算法集成了基于深度学习的扰动评估与物理约束。在此基础上，我们系统地比较了不同的融合策略，并从准确性、稳健性和计算效率方面评估了所提出的框架。所得方法为雪茄发酵的数字化和智能化监测提供了理论依据和实践解决方案。
章节摘录
样品与数据收集
'云雪 1 号'雪茄填充叶于 2024 年 11 月 14 日置于设定为 30°C 和 75% 湿度的恒温恒湿箱中。随后，每 5 天采集一次样品 [17]，共 5 次，具体时间为 11 月 19 日、11 月 24 日、11 月 29 日、12 月 4 日和 12 月 9 日。样品信息如表 1 所示。各发酵阶段雪茄烟叶的代表性图像如图 1 所示。
五个采样批次被标记为
光谱解释
图 7 显示了 1000 至 400 nm 和 1680 至 950 nm 范围内的原始光谱，包括来自 5 个不同发酵阶段的 2322 个雪茄烟叶样品数据集。光谱表现出明显的峰值形状，表明不同发酵阶段的雪茄烟叶在化学成分上存在差异。这些差异可能源于雪茄烟叶化学含量的变化。例如，680 nm 处的波谷可能与叶绿素 a 有关。范围
结论
本研究证明了 NIRS 和 HSI 的协同融合提高了雪茄填充物发酵阶段的无损鉴别能力。所提出的基于特征级融合的 GAM 模型始终优于单模态模型和数据级融合方法，在原始光谱上达到 91.29% 的准确率，在导数预处理后高达 99.17%。结果表明，单次导数预处理步骤（1D 或 2D）足以带来分类
论文撰写过程中生成式人工智能及人工智能辅助技术的使用声明
在本工作准备期间，作者仅使用 DeepSeek 和 ChatGPT 进行语言润色和可读性增强，没有使用任何 AI 生成的科学内容。作者对输出结果进行了审查和编辑，并对已发表文章的内容承担全部责任。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系，这些关系可能影响本文报告的工作。
致谢
本工作部分得到安徽省自然科学基金资助（项目号：2308085MF206 和 2208085QF213），部分得到国家自然科学基金资助（项目号：52473256 和 62305097），部分得到中央高校基本科研业务费资助（项目号：JZ2024HGTB0233）。
王新阳|姜艳新|吴洋|张翔|王丽|王燕|吴春艳|方群岭|梁凤霞|罗林宝
