GLBNet：一种轻量级的并行网络，结合了高光谱技术，用于在高温大麻中无损检测香气成分

《Microchemical Journal》：GLBNet: A lightweight parallel network combining hyperspectral technology for non-destructive detection of aroma in high-temperature Daqu

　　周一飞|田建平|黄丹|夏圆圆|胡新军|杨海丽|谢亮亮|黄月香
四川科技工程大学机械工程学院，宜宾644000，中国

**摘要**
高温大曲的香气与酱香型白酒的风味和质量密切相关。酯类和吡嗪类化合物赋予了大曲特有的果香和烘焙香气，并直接影响酿造酒的最终风味。本研究旨在利用高光谱成像技术（HSI）在高温大曲发酵过程中无损检测这些香气化合物。通过将轻量级卷积神经网络与长短期记忆网络相结合，提出了一种名为GLBNet的并行轻量级深度学习模型。采用多种光谱预处理技术来比较和评估模型性能，结果表明GLBNet在酯类和吡嗪类的预测准确性方面表现更优。Spearman相关性分析确定了关键化合物，并将这些化合物与高光谱数据结合构建相关模型。最终获得的酯类和吡嗪类的Rp2值分别为0.9717和0.9967，相应的RMSEP值分别为2.7705和1.3032 mg/L。

**引言**
白酒是一种具有超过2000年酿造历史的传统中国蒸馏酒[24]。它通常以谷物（主要原料）和通过固态发酵生产的糖化发酵启动剂大曲为原料制成[5]。根据最大发酵温度的不同，大曲被分为高温型、中温型和低温型。其中，高温大曲对于形成酱香型白酒的独特风味至关重要。在发酵过程中，大曲引入了多种微生物和酶[49]。这些微生物的代谢活动产生了关键香气化合物（如酯类、醇类、酸类、吡嗪类和芳香物质），从而塑造了白酒的风味[27]。其中，酯类主导了大曲的香气特征，赋予其果香、甜味和花香；而吡嗪类则赋予其烘焙和坚果般的特性。及时检测这些挥发性化合物对于评估和优化高温大曲的质量至关重要[39]，最终影响酱香型白酒的品质和独特性。

随着技术的进步，香气分析方法已从主观感官评价发展为基于仪器的定量方法，如气相色谱（GC）、质谱（MS）及其组合。尽管这些方法准确，但通常需要熟练的技术人员，且会对样品造成破坏，同时涉及复杂且耗时的程序，因此不适用于大规模或实时样品检测。此外，使用化学试剂还存在环境风险[4]。因此，迫切需要一种高效、无损且环保的方法来检测高温大曲中的香气化合物。
高光谱成像（HSI）是一种结合成像和光谱技术的无损检测方法，能够同时捕获样品的空间和光谱信息。最近的研究已成功将HSI与机器学习算法结合用于食品质量评估和香气预测[11][18][26]。虽然此前没有研究将HSI应用于大曲的香气检测，但它在其他食品产品的香气分析中显示出潜力。例如，黄等人[21][22]将HSI与集成学习算法结合，预测酱香型白酒中的酯类化合物，准确率达到0.99。Caporaso等人[3]利用HSI和偏最小二乘回归对咖啡豆中的关键香气化合物进行建模，对吡嗪类的预测性能良好（Rp2 = 0.8，RPD = 1.9）。朱等人[53]应用HSI和随机森林（RF）模型预测苹果中的醛类和酮类含量（醛类Rp2 = 0.84；酮类Rp2 = 0.86）。

然而，传统的机器学习模型通常需要大量的预处理工作，包括光谱噪声去除和特征波长选择，以降低原始光谱数据的复杂性。这一过程耗时且劳动密集，需要反复实验，显著增加了工作量和难度。随着深度学习模型的不断优化和进步（包括基于HSI的模型），现在可以准确且稳定地检测物质浓度[1][46]。例如，胡等人[16]开发了一种端到端的深度学习模型，利用HSI预测高粱中的蛋白质和水分含量，其预测准确率高于需要复杂处理的机器学习模型。胡等人[15]将HSI与带有梯度惩罚的Wasserstein生成对抗网络（GAN）深度学习模型结合，用于预测葛根中的淀粉含量。在所有生成的样品数量中，该模型的准确率均优于机器学习方法。这些研究为将HSI与深度学习模型结合，用于农业和食品系统中复杂生物化学化合物的准确无损分析提供了重要的科学基础。

本研究重点是通过将HSI技术与深度学习算法相结合，检测高温大曲中的酯类和吡嗪类香气化合物，建立一种高效准确的香气成分检测方法。主要研究目标如下：（1）系统比较不同光谱预处理技术对模型性能的影响，确定最佳方法；（2）通过结合卷积神经网络（GCNN）和长短期记忆（LSTM）网络，开发一种新型并行融合轻量级深度学习模型（GLBNet），并与其单一和串联模型进行性能比较；（3）将Spearman相关性分析与HSI数据结合，通过纳入相关性最高的单个化合物来提高模型预测准确性；（4）利用优化的GLBNet模型可视化高温大曲中酯类和吡嗪类香气化合物的空间分布。

**样本制备**
本研究使用的大曲样本由四川省泸州市的一家酱香型白酒酒厂提供。收集的大曲样本来自5个发酵室，总发酵周期为42天。采样分为4批进行：第一批在发酵第1天进行，第二批在发酵第14天进行，第三批在发酵第28天进行，第四批在发酵第42天进行。每批从每个发酵室选取15个样本，这些样本来自5个不同的位置。

**酯类和吡嗪类化合物含量统计**
通过GC–MS分析共鉴定出30种酯类和29种吡嗪类香气化合物。为了表征大曲样本的整体香气特征，汇总了这些化合物的总浓度（表S2）。酯类和吡嗪类化合物在样本中的分布情况见图S3。

**光谱分析**
大曲样本的原始反射光谱和平均反射光谱如图3所示。虽然平均光谱反射曲线在样本间显示出相似的趋势，但仍有细微差异……

**结论**
本研究通过将高光谱成像（HSI）技术与并行轻量级深度学习模型GLBNet相结合，开发了一种用于检测高温大曲中酯类和吡嗪类香气化合物的无损检测方法。该模型结合了轻量级卷积神经网络（GCNN）和长短期记忆网络（LSTM）架构，并通过Spearman相关性分析识别出高度相关的化合物（乙酸乙酯和2,3,5-三甲基吡嗪），从而提高了模型预测准确性。

**作者贡献声明**
周一飞：撰写——审稿与编辑，撰写——初稿。
田建平：监督。
黄丹：资源提供。
夏圆圆：资源提供。
胡新军：监督。
杨海丽：监督。
谢亮亮：资源提供。
黄月香：资源提供。

**资助**
作者感谢四川省科技计划（2024NSFSC2064）和四川省白酒制造生物技术及应用重点实验室（NJ2022–04）的支持。本研究还得到了四川省工艺装备与控制重点实验室（GK202306）和四川科技工程大学研究生创新基金（Y2024019）的支持。同时，感谢田建平在理论和资金方面的支持。

**利益冲突声明**
作者声明没有已知的财务利益冲突或个人关系可能影响本文所述的工作。