准确率99%，一束“高光”如何看清白酒香气成分？

在风味物质研究领域，依靠传统依赖酿酒师感官判断的风味识别，正在被更具可重复性和客观性的技术手段所替代。

比如，电子鼻用于模拟人类嗅觉识别复杂香气模式，气相色谱-质谱联用技术（GC-MS）已成为香气成分分析的主流手段。

如今，一种兼具图像可视化与成分识别能力的技术——高光谱成像，闪亮登场。

近期，四川轻化工大学机械工程学院教授田建平团队在《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》（光谱化学学报A部分：分子与生物分子光谱学，IF：4.3，Q1）发表了一篇题为《Predicting the composition of aroma components in Baijiu using hyperspectral imaging combined with a replication allocation strategy-enhanced stacked ensemble learning model》（利用高光谱成像结合复制分配策略增强的堆叠集合学习模型预测白酒中的香气成分组成）的论文。

这项研究不仅展示了高光谱成像在风味物质可视化分析中的强大潜力，也为白酒行业的智能质控与风味标准化提供了新的技术路径。

什么是高光谱成像技术？

高光谱成像技术，正在悄悄改变我们判断食物新鲜程度、质量甚至风味的方式。

简单来说，它就像一台“能看穿东西”的相机，不仅能拍出物体的形状和颜色，还能识别它在不同波长光线下的反应。

因为，每种成分对光的吸收都有自己的“指纹”，这项技术就能捕捉这些独特的光谱图谱，从中分析出水分、糖分、蛋白质的含量，甚至判断是否已经腐烂、变质。

可以把它理解为一场“无创体检”，无需接触，也不破坏物体本身，只需拍照片，内部的化学信息就一目了然，且速度极快。

制图@好酒地理局

广西师范大学电子与信息工程学院——广西类脑计算与智能芯片重点实验室对不同包装（裸放、网袋、纸袋）下的苹果进行了光谱图像采集，分析了果实的颜色、硬度、甜度和香气变化。他们用AI算法提取最有效的波段特征，最终训练出准确率超过75%的模型，实现了苹果的“无损质检”。

宁夏大学食品科学与工程学院教授王松磊团队将近红外高光谱成像与数学建模方法结合，用来判断冰鲜牛肉的腐败程度。通过分析肉中的细菌分布变化，配合AI算法对不同菌群进行建模预测，模型的准确度超过90%——为冷链食品的保鲜与安全评估提供了全新路径。

农业领域同样受益于这项技术。围绕柑橘种植中的病害识别，研究者们构建了图像增强与AI神经网络结合的识别框架，对多种病害的识别准确率均超过94%——这意味着在果园中只需一扫图像，就能实现病害的早期预警，大幅降低损失。

图源@AI生成

如今，这项技术也走进了白酒的世界。

科学家正尝试用高光谱成像+AI，去“看懂”白酒的香气成分，不靠鼻子，不开瓶，仅凭一束光，就判断出酒中藏着多少“香”，准确率高达99%。

让酒香“有图可看”

高光谱成像获取的是连续的光谱数据，比如从900纳米到1700纳米之间，通常会有上百个甚至几百个“波段”（即不同波长的光）。

每一个波段都记录了样品在某个特定光线下的反应，就像一串“光的指纹”。但是有些波段对样品中的关键成分非常敏感，而有些波段几乎没有用，甚至可能带来噪音（干扰信息）。

所以，研究团队需要从海量波段中挑出“对香气预测最有帮助的那些”，这样能提高模型准确率、减少计算量、加快分析速度、避免“喂给AI太多无用信息”。

这就叫做波段选择，也叫特征选择。

怎么选？田建平团队采用的是“随机森林”法。

原理很简单，它是一种会自己“做选择题”的AI方法，其反复尝试哪些波段对预测准确率影响最大，然后给每个波段打一个“重要性评分”。

最终，团队根据评分，选出了酯类香气成分预测中最重要的46个波段、酸类香气成分预测中最重要的71个波段。

▎由算法识别出的不同波长带的重要性。红色虚线表示显著性阈值，其中重要性大于0.15的波段被选为特征波段。

减少冗余信息后，模型运行更高效，预测结果也更准确。

研究团队共采集了300个酱香型白酒样本，试验过程分为四个主要步骤：

首先是样品采集与成分测定。每瓶酒的酯类和酸类香气成分，先通过气相色谱-质谱联用技术（GC-MS）进行定量检测，作为后续AI学习的“标准答案”。

接下来，使用高光谱相机拍摄酒样，在900到1700纳米的波段范围内采集“光谱图像”。每张图不仅记录了酒的外观，还包含了丰富的光谱信息。

然后是数据处理阶段。由于部分香气成分在样本中分布不均，AI容易“偏向”数量多的成分，忽视少数重要成分。为此，团队设计了一个“复制分配策略”（RAS），通过复制并调整样本，使罕见成分在数据中出现更多次，帮助AI更公平地学习各种香气成分。同时，结合随机森林算法筛选有效波段，避免模型“看太多没用的信息”。

▎RAS-SEL模型的原理和结构

最后，在建模阶段，团队采用了一种叫“堆叠集成学习”的方法来构建预测模型。

简单来说，就是先用好几个不同的基础模型来做预测，然后把它们的预测结果再交给一个更高级的模型来综合判断。这个高级模型就像“总指挥”，根据前面那些模型给出的判断结果，做出更准确的最终预测。

试验结果显示，这种“高光谱成像+AI”的方法预测效果非常出色，模型不仅准确率高（超过98%），而且比传统方法更高效，且不耗样品——只需要一束光扫过酒样，AI就能告诉你：这瓶酒香不香、香在哪、香多少？

制图@好酒地理局

这种“用光识香”的方法不仅是一项科研突破，也具有很强的实际应用价值。

其未来可以用于酒厂生产线上的实时质控，让每一批酒的香气都可视化、数据化；还能辅助香型分类与调酒操作，建立起成分—风味的映射关系；甚至有望推出“个性化定制酒”，按照消费者各自的香味偏好，调出一瓶专属的风味白酒……

高光谱成像让白酒香气成分变得“看得见”，人工智能让“闻香识酒”变得可预测、可复制。这不仅是科技为传统酿造赋能的一次尝试，更可能是白酒行业走向数字化、智能化的重要一步。

给酒曲做“体检”

目前，在白酒及其酿造过程中，高光谱成像技术已经开始应用，主要集中在两个方面：原料的检测和大曲品质的监测。

在原料检测方面，比如谷物中的脂肪含量，过去常用的检测方法不仅步骤繁琐，还需要用到化学试剂，容易造成污染。而高光谱成像技术可以做到“无接触、无污染”，更环保也更高效。

有研究表明，它能准确预测谷物中的脂肪和脂肪酸含量。这些脂肪在发酵时会被微生物转化成风味物质，对白酒的口感影响很大。

为了进一步提升识别效率，高光谱图像常常和人工智能结合使用。尤其是近年来，深度学习的加入让它的表现更强。

图源@AI生成

有研究用这种方法准确识别了水稻、玉米等种子的品种，还找出了对分类最有用的光谱区间，比如1300到1400纳米这个范围。结合卷积神经网络（CNN）、循环神经网络（RNN）和LSTM等技术，甚至可以做到90%以上的识别准确率。

这些方法未来还能拓展到高粱、小麦、糯米等原料，不光能鉴别品种，还能检测虫害和主要成分含量，帮助提升酿酒原料的品质和适用性。

除了原料，白酒酿造中很关键的“大曲”也可以用高光谱技术来“体检”。

大曲的水分、酸度和还原糖含量等，都是判断它品质的关键指标。传统检测方法不仅慢，还容易受人为操作影响，而高光谱成像既快又干净，还能同时测出多个指标。

比如，有团队用它来监测大曲发酵过程中的水分变化，利用图像中提取的纹理信息快速预测含水量。有的研究还建立了专门的AI模型，实现了高精度的水分测量和分布图可视化。

▎利用高光谱成像技术预测大曲水分含量示意图。图源@参考文献[5]

还原糖含量是发酵时酵母生成酒精的“食物”，也是一个重要指标。通过图像分析方法，可以直观看到不同时期还原糖的变化趋势。

酸度也是判断微生物活性的重要依据，研究者通过建模，把每个像素点的酸度值转化成灰度图甚至云图，让酸度变化一目了然。

综合来看，随着发酵的推进，大曲中的水分、还原糖和酸度通常都会逐渐下降，从图像上表现为颜色从红变蓝。

通过高光谱成像技术，我们可以实时掌握大曲的发酵状态，不仅看得见，还能量化评估，为酿酒过程中的调控提供精准参考，从而提升优质大曲的产量和白酒的品质。

田建平团队的最新研究成果，进一步完善了高光谱成像技术在白酒全产业链中的应用，它提供了一种可被推广的“风味科学体系”，将传统酿造工艺用现代科技重新解释，并为未来的标准建设、产品创新、消费沟通提供了可能。

图源@AI生成

对白酒行业而言，这既是一次产业逻辑的重塑，也是一次面向未来的技术革命。

值得关注的是，在查阅资料的过程中，「#好酒地理局」看见了许许多多“数据科学与人工智能学院”“物理学院”“类脑计算与智能芯片重点实验室”等非传统酿酒学科的专家，纷纷投入白酒行业的研究。

这不仅是一种跨界，更是一种行业创新生态的重构。

他们带来了新工具、新视角、新标准，这是白酒行业面临新消费、新科技、新国际表达挑战下的必然结果。

这一束束光划过，白酒的未来，或许真的可以“看得更清楚”。

参考资料:

[1] 高成丽,何青海,李晓丽,等.高光谱技术在土壤成分检测中的应用研究进展[J].农业工程,2025,15(04):117-122.

[2] 唐彦嵩,徐锐豪,王夙加.机器视觉在食品无损检测中的应用研究进展[J].中国食品学报,2024,24(12):13-27.

[3] Hongyan Zhu, Shuai Qin, Shikai Liang, Min Su, Pengcheng Wang, Yong He,Hyperspectral imaging and machine learning for quality assessment of apples with different bagging types, Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, Volume 343, 2025, 126443, ISSN 1386-1425.

[4] Guanglei Wang, Yue Chen, Jiarui Cui, Zixin Song, Songlei Wang, Evaluation of the spoilage of chilled beef by hyperspectral imaging with entropy weighting versus established food spoilage indicators, Food Control, Volume 178, 2025, 111474, ISSN 0956-7135.

[5] Hu X, Chen P, Tian J, Huang D, Luo H, Huang D. Predicting the moisture content of Daqu with hyperspectral imaging. International Journal of Food Engineering. 2021;17(1): 37-47. 

[6] 唐佳代,赵益梅,冉光耀,等.光谱技术在白酒质量控制中的研究进展[J].食品工业科技,2023,44(04):506-514.