《Microchemical Journal》：Continual monitoring of tea wine fermentation parameters using near-infrared spectroscopy coupled with incremental learning
编辑推荐：
•使用近红外光谱（NIRS）技术实现了对发酵过程参数的实时监测。•提出了一种任务增量回归方法，用于持续监测发酵参数。•增量学习方法能够在保持旧任务性能的同时学习新任务。•该方法为相关研究场景提供了技术参考。引言发酵工程是一种利用微生物进行物质转化和合成的生物制造技术，被视为提升下
- •
使用近红外光谱（NIRS）技术实现了对发酵过程参数的实时监测。
- •
提出了一种任务增量回归方法，用于持续监测发酵参数。
- •
增量学习方法能够在保持旧任务性能的同时学习新任务。
- •
该方法为相关研究场景提供了技术参考。
引言
发酵工程是一种利用微生物进行物质转化和合成的生物制造技术，被视为提升下一代生产能力的关键途径[1]、[2]。其核心在于对微生物代谢活动的大规模和精准调控。然而，发酵本质上是一个复杂的动态过程，其中物理、化学和生物状态相互交织并不断演变，表现出明显的非线性和时变特性[3]、[4]。因此，实时准确地监测关键过程参数对于理解发酵进程、优化工艺路线以及确保产品质量至关重要。这也标志着发酵制造从经验驱动的操作向数据驱动的智能化控制的转变[5]、[6]。
传统的分析方法，如色谱和质谱技术，因可靠性和准确性而得到工业界的广泛认可[7]、[8]、[9]。然而，这些方法通常需要复杂的样品制备，并且通常在远离工业生产的环境中进行。因此，它们耗时且劳动密集，难以整合到快速或在线的过程监控系统中。近红外光谱（NIRS）作为一种快速、无损且无需试剂的分析技术，在发酵监测和食品质量评估中显示出巨大潜力[10]。通过捕获与样品中化学和物理变化相关的光谱响应，NIRS无需复杂的样品制备即可有效获取与过程相关的信息[11]、[12]。近年来，由于其易于集成性，NIRS越来越多地应用于发酵过程中的状态分析，无论是离线检测还是在线监测[13]。
近红外光谱（NIR）与发酵参数之间的关系通常是间接且复杂的。NIR光谱包含宽泛、重叠且高度共线的吸收信息，这使得直接解释原始光谱信号或将其与特定参考值关联变得困难[14]、[15]。因此，需要化学计量和机器学习方法从光谱数据中提取有用信息，并建立光谱响应与测量参数之间的定量关系。传统的化学计量方法，如偏最小二乘回归、支持向量回归和集成学习算法，已被广泛用于光谱校准[16]、[17]、[18]。近年来，深度学习通过自动学习层次化的光谱表示并捕捉光谱输入与目标参数之间的非线性关系，提供了一种有前景的替代方案[19]、[20]。多任务学习进一步提供了一种便捷策略，通过使用共享的光谱表示和多个特定于任务的输出同时预测多个分析参数[21]。然而，将深度学习技术与发酵工程相结合仍需进一步探索，特别是在适应工业环境方面。
大多数现有的基于NIR的发酵预测模型都是建立在目标参数在模型开发前就已预先定义的假设之上的[22]。然而，在实际的发酵监测中，检测任务在初期并不一定是固定的。由于工艺优化、质量控制要求、实验设计或对发酵机制的更深入了解，可能会逐步引入新的生化或质量相关参数。当检测任务依次出现时，必须更新模型以适应新的输出。直接的顺序更新可能会干扰先前学习到的光谱表示，降低旧任务的预测准确性，导致灾难性遗忘[23]、[24]。因此，最初为单一参数开发的模型应该能够扩展到新添加的参数，而无需从头开始重建，同时保持对先前学习参数的检测性能。这仍然是一个需要进一步研究的重要问题。
增量学习为解决这些挑战提供了一种有前景的方法。它使模型能够从新到来的数据或任务中持续学习，同时保留先前获得的知识[25]、[26]。近年来，增量学习在光谱分析领域开始受到关注。在高光谱和近红外相关研究中，已经在类增量高光谱图像分类、开放世界种子品种识别和光谱模型更新方面进行了探索性工作[27]。这些研究表明了增量学习在构建自适应光谱分析模型方面的潜力。然而，与分类任务和领域或模型更新场景相比，用于发酵过程监测的任务增量回归研究尚显不足。
为了解决这个问题，引入了一种基于NIR的任务增量回归框架，用于监测茶酒发酵过程。在该框架中，发酵相关的目标标签在不同的学习阶段逐步引入。开发了一种多层次表示和输出蒸馏策略，以支持在新回归任务出现时扩展模型。具体来说，通过为新引入的参数添加特定于任务的输出部分来更新模型，同时通过基于蒸馏的约束保留先前阶段获得的知识。本研究的主要贡献如下：(1) 建立了一个用于茶酒发酵监测的基于NIR的任务增量回归框架，在该框架中，使用固定的光谱样本池模拟了物理化学检测任务的逐步出现；(2) 研究了依次引入的发酵检测任务对新任务学习、旧任务保留和灾难性遗忘的影响；(3) 将所提出的方法与传统的增量学习策略和联合训练方法进行比较，以评估其在任务增量光谱回归中的有效性。
章节摘录
茶酒发酵实验和样品收集
实验使用普洱茶作为原料。根据1:50的茶水比例称取茶叶样本。加入沸水后，将混合物在90°C的水浴中提取15分钟。提取完成后，通过过滤去除茶叶残渣，然后将茶汁自然冷却至室温。随后，加入15%的糖作为发酵底物。将茶汁分装到250毫升的容器中
NIR光谱特征
图2显示了实验过程中测量的发酵样品的原始光谱。从图中可以看出，所有样品的光谱模式相似，表明在相同的工艺条件下，发酵样品的成分相对接近[38]。在整个发酵过程中观察到的光谱变化可能与发酵相关成分的动态变化有关。
增量学习的性能分析
NIR能够快速且无损地捕获发酵过程中的化学信息，已成为发酵过程监测的重要分析工具。近年来，基于NIR光谱和机器学习的发酵过程分析在发酵食品的质量评估、过程跟踪和智能控制方面受到了越来越多的关注。这一趋势表明，发酵监测正在逐渐从离线方式
结论
本研究提出了一种基于NIR的任务增量回归方法，用于监测发酵参数。通过依次引入总糖含量、酒精含量和酸值，模拟了发酵分析过程中检测任务的逐步出现。所提出的方法结合了输出蒸馏和Conv2特征蒸馏，以减少顺序任务学习过程中的遗忘。与微调、EWC、LwF、EWC+LwF、参数隔离和联合方法相比
CRediT作者贡献声明
邓继红：撰写——审稿与编辑，撰写——初稿。梅 Congli：验证。蒋辉：资金获取。
遵守伦理要求
所有作者声明论文中的材料尚未在其他地方发表或正在考虑发表。
本文不包含任何涉及人类或动物的研究。
利益冲突声明
作者声明他们没有已知的可能会影响本文所报道工作的财务利益或个人关系。
致谢
作者衷心感谢中国国家重点研发计划（项目编号2017YFC1600603）提供的财务支持。
邓继红|梅 Congli|蒋辉
