结合机器学习的酿酒过程中乙醇与微塑料的同步检测方法与流程

背景技术：

1、酿酒过程对乙醇含量的精确控制是成品品质与安全的决定性环节之一，乙醇含量既影响酒体的风味口感，也涉及产品合规与消费者安全。与此同时，酿酒原料、加工容器及管路中的塑料部件在使用过程中可能释放微塑料颗粒，微塑料随原料清洗、发酵、陈酿与灌装环节进入酒液，其残留问题日益受到关注。对酿酒过程中的乙醇含量与微塑料污染开展同步监测，是酿酒品质控制与食品安全保障的重要前提。

2、现有乙醇检测手段大体可分为化学、电子与光学三类。基于化学的方法，包括电化学传感、色谱与质谱等，灵敏度与准确度较高，但通常需要复杂的样品前处理与专业的数据解释，难以满足在线快速检测需求。电子传感平台操作便利、易于集成，但灵敏度和准确性有限。光谱检测技术，如拉曼、荧光与吸收光谱，具有无标记、实时等优点，然而常规光谱信号强度不足，对低浓度组分的适应能力有限，且乙醇在近红外区域的指纹谱带拥挤、各光谱变量之间存在显著多重共线性，弱信号易被背景吸收与噪声掩盖。

3、对于微塑料，现有检测多依赖显微镜观察、热分析或离线光谱鉴定，需要取样与前处理，无法与乙醇含量实现同一测量体系下的同步检测。近红外光谱仪器与含水体系兼容、成本较低且易于集成，但常规近红外检测难以直接区分谱带严重重叠的组分，对低浓度微塑料的响应亦偏弱。

4、近年来，超材料增强光谱学与人工智能驱动数据分析相结合，在传感领域展现出良好性能。支持表面晶格共振的超表面能够将电磁场局域在纳米尺度内，增强分析物与光的相互作用，从而放大分子的弱指纹信号。深度学习作为有效的数据处理方法，在光谱识别与定量方面表现突出。然而，将超表面增强近红外光谱与深度学习相结合、用于酿酒过程中乙醇与微塑料的同步检测，目前仍处于空白。

5、综上，现有技术难以在同一测量体系内实现对酿酒过程中乙醇含量与微塑料污染的同步、快速、高灵敏检测，亟需开发适配酿酒场景的一体化智能检测技术。

技术实现思路

1、本申请主要解决现有酿酒检测技术无法对乙醇含量与微塑料污染进行同步、快速、高灵敏检测的技术问题，具体包括：常规近红外光谱下乙醇指纹信号弱且谱带拥挤、微塑料缺乏同一体系下的同步检测手段、现有方法需复杂前处理难以一体化集成。

2、一方面，本申请提出一种结合机器学习的酿酒过程中乙醇与微塑料的同步检测方法：先制备支持表面晶格共振的金属纳米孔阵列超表面并置于样品池中形成增强光谱采集通道；再以近红外光源照射样品池，采集空样品池透过率光谱作为参考光谱，采集样品透过率光谱并以参考光谱归一化，获得归一化近红外光谱；随后制备不同乙醇浓度与不同尺度微塑料的样本，为每个样本标注乙醇浓度标签与微塑料信息标签，构建带双标签的光谱样本集；进而构建卷积神经网络与transformer混合检测模型，卷积神经网络分支提取光谱的局部特征，transformer分支建模光谱的长程依赖关系，两分支特征经门控融合后通过多层感知机输出乙醇浓度与微塑料信息，并利用带双标签的光谱样本集监督训练；最后将酿酒过程中待测样品的归一化近红外光谱输入训练好的模型，同步输出乙醇浓度与微塑料信息。

3、在一种实施方式中，所述微塑料信息包括微塑料的存在性、尺度与含量中的至少一种。

4、在一种实施方式中，所述金属纳米孔阵列超表面为银纳米孔阵列超表面，其晶格常数为1100nm、孔径为250nm、银膜厚度为100nm，由纳米球光刻法制备，能够产生表面晶格共振模式以增强待测样品在近红外波段的指纹特征。

5、在一种实施方式中，以空气中超表面的透过率光谱作为参考光谱进行归一化，消除光源波动与背景吸收的影响。

6、在一种实施方式中，所述卷积神经网络分支包含级联的卷积层与池化层，每个卷积层后设有挤压激励模块；所述transformer分支包含多头注意力子层与前馈网络子层，子层之间设有残差连接与层归一化。

7、在一种实施方式中，所述门控融合将两分支输出的特征向量分别经激活函数映射为门控权重系数，再按两门控权重系数的归一化比例对两分支特征向量加权求和，获得融合特征向量。

8、在一种实施方式中，所述酿酒过程中的待测样品为酿造过程的发酵液、醪液或成品酒样。

9、在一种实施方式中，还包括预警步骤：当输出的微塑料含量或乙醇浓度超过预设阈值时，发出预警信号。

10、另一方面，本申请提出一种结合机器学习的酿酒过程中乙醇与微塑料的同步检测系统，包括：超表面增强光谱采集单元，包含样品池、设置于样品池内的金属纳米孔阵列超表面、近红外光源与近红外光谱仪，用于获取待测样品的归一化近红外光谱；数据处理单元，内置包含卷积神经网络分支与transformer分支的混合检测模型，用于接收归一化近红外光谱并同步输出乙醇浓度与微塑料信息；输出显示单元，用于显示乙醇浓度与微塑料信息。

11、在一种实施方式中，所述近红外光谱仪的工作波长范围为900nm～1700nm，采用ingaas阵列探测器；所述近红外光源为宽带光源；所述样品池内设有聚二甲基硅氧烷框架，超表面嵌入该框架中。

12、在一种实施方式中，所述混合检测模型经量化压缩处理后部署于嵌入式边缘计算设备中，实现酿酒过程的在线同步检测。

13、本申请的有益效果包括：第一，本申请通过支持表面晶格共振的超表面增强待测样品的近红外指纹特征，能够放大乙醇与微塑料的弱信号，提高检测灵敏度；不同尺度微塑料的透过率光谱在近红外区表现出可区分的特征，有利于实现对微塑料尺度的识别。第二，本申请以卷积神经网络与transformer混合模型分别提取光谱的局部特征与长程依赖，并通过门控融合实现两类特征的联合利用，能够从单一光谱中同步输出乙醇浓度与微塑料信息，省去多次前处理与多次检测，有利于提高酿酒检测的集成度与效率。第三，本申请将检测系统部署于嵌入式边缘计算设备，能够实现在线同步检测，有利于酿酒过程的实时品质监控与污染预警。下面通过附图和实施例，对本发明的技术方法做进一步的详细描述。

1.一种结合机器学习的酿酒过程中乙醇与微塑料的同步检测方法，其特征在于，包括以下步骤：s1、构建超表面增强近红外光谱采集体系：制备支持表面晶格共振的金属纳米孔阵列超表面，将所述超表面置于样品池中，形成增强光谱采集通道；s2、以近红外光源照射样品池，采集空样品池的透过率光谱作为参考光谱，再采集装有待测样品的样品池透过率光谱，以所述参考光谱为基准对样品透过率光谱进行归一化，获得归一化近红外光谱；s3、制备不同乙醇浓度与不同尺度微塑料的样本，采集各样本的归一化近红外光谱，为每个样本标注乙醇浓度标签与微塑料信息标签，构建带双标签的光谱样本集；s4、构建混合检测模型：所述模型包含卷积神经网络分支与transformer分支，所述卷积神经网络分支提取光谱的局部特征，所述transformer分支建模光谱的长程依赖关系，两分支特征经门控融合后通过多层感知机输出乙醇浓度与微塑料信息；利用带双标签的光谱样本集对所述模型进行监督训练；s5、采集酿酒过程中待测样品的归一化近红外光谱，输入训练好的混合检测模型，同步输出待测样品中的乙醇浓度与微塑料信息。

2.根据权利要求1所述的结合机器学习的酿酒过程中乙醇与微塑料的同步检测方法，其特征在于，所述微塑料信息包括微塑料的存在性、尺度与含量中的至少一种。

3.根据权利要求1所述的结合机器学习的酿酒过程中乙醇与微塑料的同步检测方法，其特征在于，所述金属纳米孔阵列超表面为银纳米孔阵列超表面，其晶格常数为1100nm、孔径为250nm、银膜厚度为100nm，所述超表面由纳米球光刻法制备，能够产生表面晶格共振模式以增强待测样品在近红外波段的指纹特征。

4.根据权利要求1所述的结合机器学习的酿酒过程中乙醇与微塑料的同步检测方法，其特征在于，所述步骤s2中，以空气中超表面的透过率光谱作为参考光谱进行归一化，消除光源波动与背景吸收的影响。

5.根据权利要求1所述的结合机器学习的酿酒过程中乙醇与微塑料的同步检测方法，其特征在于，所述卷积神经网络分支包含级联的卷积层与池化层，每个卷积层后设有挤压激励模块，用于自适应重分配光谱特征通道的响应权重；所述transformer分支包含多头注意力子层与前馈网络子层，子层之间设有残差连接与层归一化。

6.根据权利要求1所述的结合机器学习的酿酒过程中乙醇与微塑料的同步检测方法，其特征在于，所述步骤s4中，所述门控融合将卷积神经网络分支输出的特征向量与transformer分支输出的特征向量分别经激活函数映射为各自的门控权重系数，再以两门控权重系数的归一化比例对两分支特征向量加权求和，获得融合特征向量。

7.根据权利要求1所述的结合机器学习的酿酒过程中乙醇与微塑料的同步检测方法，其特征在于，所述酿酒过程中的待测样品为酿造过程的发酵液、醪液或成品酒样。

8.根据权利要求1所述的结合机器学习的酿酒过程中乙醇与微塑料的同步检测方法，其特征在于，还包括预警步骤：当输出的微塑料含量或乙醇浓度超过预设阈值时，发出预警信号。

9.一种结合机器学习的酿酒过程中乙醇与微塑料的同步检测系统，其特征在于，包括：超表面增强光谱采集单元：包含样品池、设置于样品池内的金属纳米孔阵列超表面、近红外光源与近红外光谱仪，用于获取待测样品的归一化近红外光谱；数据处理单元：内置混合检测模型，所述混合检测模型包含卷积神经网络分支与transformer分支，所述模型根据权利要求1至8任一项所述方法训练得到，用于接收归一化近红外光谱并同步输出乙醇浓度与微塑料信息；输出显示单元：用于显示乙醇浓度与微塑料信息。

10.根据权利要求9所述的结合机器学习的酿酒过程中乙醇与微塑料的同步检测系统，其特征在于，所述近红外光谱仪的工作波长范围为900nm～1700nm，采用ingaas阵列探测器，所述近红外光源为宽带光源，所述样品池内设有聚二甲基硅氧烷框架，所述超表面嵌入所述框架中；所述混合检测模型经量化压缩处理后部署于嵌入式边缘计算设备中，实现酿酒过程的在线同步检测。