可見(jiàn)一近紅外光譜法異位發(fā)酵床墊料水分快速檢測(cè)

中圖分類號(hào)：X713；X76 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-5553（2025）07-0281-

DOI：10.13733/j.jcam.issn.2095-5553.2025.07.040

Abstract：Toaddresstheneedforrapid moisturedetectioninectopicfermentationbedding materials，thisstudyexploredthe feasibilityofdevelopingamoisturepredictionmodelusingvisible-nearinfraredspectroscopy（Vis-NIR）technology.Overaperiod of 4-5 months，samplesofbedding materials werecolected，and spectraldata ranging from40Onm to990nm wereobtained using aspectrometer.Key characteristicwavelengths wereselectedusing the Competitive AdaptiveReweighted Sampling （CARS）algorithm.Subsequently，a Backpropagation（BP） neural network modelwas thenconstructedandoptimizedusing three optimization algorithms：Grey Wolf Algorithm（GWO），Haris Hawk Algorithm（HHO），and the Guanhao Pig Algorithm （CPO）.Among these，theCPOalgorithm demonstrated the bestoptimization performance.To further enhance modelacuracy， theParticle Swarm Optimization（PSO）algorithmwas improved by integrating Chebyshevchaoticmapping，resulting inthe CARS—ICPO model． The final model achieved R² values of O.993 5 and O.995 6 on the validation and prediction sets， respectively，withcorresponding RMSEvaluesofO.O1landO.O09，indicating excellentpredictiveaccuracyand generalizationcapability.ThesefindingsconfirmedthefeasibilityofVis-NIRspectroscopycombinedwithadvancedmachine learningtechniquesformoisturecontrolpredictioninectopicfermentationbeddingmaterials，oferinganovelaproachand technical support for rapid detection and intelligent management of fermentation systems.

Keywords：ectopic fermentation bed；padding material；visible near infraredspectroscopy；moisture content detection;neural network;algorithm optimization

0 引言

隨著我國(guó)畜禽養(yǎng)殖規(guī)模不斷擴(kuò)大，畜禽糞污類廢棄物大量產(chǎn)生[]。異位發(fā)酵床技術(shù)作為一種高效的畜禽糞污處理方式，得到廣泛推廣，并在同步實(shí)現(xiàn)糞污消納和肥料化利用方面發(fā)揮重要作用。研究表明，該技術(shù)在高濕熱季節(jié)仍能保持良好的養(yǎng)殖效果，有效解決了傳統(tǒng)糞污處理中的環(huán)境問(wèn)題[2]。異位發(fā)酵床結(jié)合翻拋機(jī)等設(shè)備進(jìn)一步提高了糞污處理的效率和均勻性[3]。在生豬養(yǎng)殖廢棄物處理中，微生物異位發(fā)酵床技術(shù)表現(xiàn)出顯著的環(huán)境效益，能夠有效降解有機(jī)質(zhì)并減少污染物排放[4。此外，與原位發(fā)酵床相比，異位發(fā)酵床在控制養(yǎng)殖廢棄物污染方面具有更高的穩(wěn)定性和適應(yīng)性[5]。近年來(lái)，異位發(fā)酵床技術(shù)在養(yǎng)殖糞污處理中的應(yīng)用機(jī)制不斷被深入研究，其在減少溫室氣體排放、提高資源利用率等方面的潛力也得到了進(jìn)一步驗(yàn)證。在發(fā)酵進(jìn)程中，墊料水分是發(fā)酵床控制的重要參數(shù)之一[6]。過(guò)低的墊料水分會(huì)抑制發(fā)酵菌種的活性，使發(fā)酵進(jìn)程變慢，影響糞污的消納；過(guò)高的墊料水分則會(huì)影響發(fā)酵床中的氧氣含量，使得發(fā)酵菌種無(wú)法正常活動(dòng)，嚴(yán)重時(shí)會(huì)造成死床[7，8]。因此，對(duì)墊料水分進(jìn)行快速檢測(cè)并準(zhǔn)確調(diào)控，可以加速糞污發(fā)酵進(jìn)程并且一定程度上避免死床發(fā)生，對(duì)異位發(fā)酵床的運(yùn)行有著重要作用。

目前，異位發(fā)酵床墊料水分的測(cè)量方法主要參考其他質(zhì)地相近的農(nóng)業(yè)物料，相關(guān)的國(guó)內(nèi)外研究較少。烘干法是物料水分檢測(cè)的標(biāo)準(zhǔn)方法，但存在操作復(fù)雜、測(cè)量時(shí)間過(guò)長(zhǎng)等問(wèn)題，無(wú)法快速測(cè)量出墊料水分。韓志恒等°建立了基于介電特性的異位發(fā)酵床墊料水分檢測(cè)模型。但檢測(cè)過(guò)程中對(duì)墊料的壓實(shí)程度有具體要求，并且墊料具有強(qiáng)腐蝕性，極易腐蝕銅制的電極，導(dǎo)致儀器損壞，難以應(yīng)用于實(shí)際檢測(cè)工作。由于可見(jiàn)一近紅外光譜具有快速分析、無(wú)損檢測(cè)、關(guān)鍵元件不與物料接觸等特點(diǎn)，基于物料的光譜特性，測(cè)定物料特征波段光譜數(shù)據(jù)用于組分的精準(zhǔn)反演，在物料組分含量檢測(cè)上大受青睞。

在農(nóng)業(yè)、生物等領(lǐng)域，可見(jiàn)一近紅外光譜技術(shù)的應(yīng)用研究不斷深入，為物質(zhì)成分檢測(cè)帶來(lái)了新的思路與方法。周宏等[1°運(yùn)用浸入式可見(jiàn)一近紅外光譜技術(shù)對(duì)雨生紅球藻葉綠素含量展開(kāi)研究，成功探索出利用該光譜技術(shù)檢測(cè)雨生紅球藻葉綠素含量的有效方法。蔣璐璐等[1]利用可見(jiàn)—近紅外光譜實(shí)現(xiàn)了對(duì)螺旋藻生長(zhǎng)品質(zhì)指標(biāo)的快速無(wú)損檢測(cè)。唐永生等將先進(jìn)的神經(jīng)網(wǎng)絡(luò)算法與光譜技術(shù)相結(jié)合，提高了土壤含氮量檢測(cè)的準(zhǔn)確性和智能化程度。Kim等[13]借助近紅外光譜技術(shù)測(cè)量闊葉凋落物的水分含量，證明了該技術(shù)在凋落物水分檢測(cè)方面的有效性，為生態(tài)環(huán)境研究中相關(guān)指標(biāo)的監(jiān)測(cè)提供了新的方法。Chen等[14通過(guò)近紅外高光譜成像技術(shù)實(shí)現(xiàn)了對(duì)不同類型土壤氮的快速檢測(cè)。Tan等[15重點(diǎn)探討了不同光譜預(yù)處理方法對(duì)模型性能的影響，并優(yōu)化了特征波長(zhǎng)選擇算法以提高檢測(cè)精度。He等[16]提出了一種基于近紅外傳感器的土壤氮含量檢測(cè)方法，并通過(guò)優(yōu)化水分含量范圍提高了檢測(cè)的準(zhǔn)確性和穩(wěn)定性。

盡管可見(jiàn)一近紅外光譜技術(shù)在多個(gè)領(lǐng)域已取得顯著成果，但在異位發(fā)酵床墊料水分檢測(cè)方面的研究仍顯不足。考慮到該技術(shù)在快速分析、無(wú)損檢測(cè)和非接觸測(cè)量等方面的獨(dú)特優(yōu)勢(shì)，其在墊料水分檢測(cè)中具有廣闊的應(yīng)用前景。基于此，本文在利用可見(jiàn)一近紅外光譜技術(shù)，采集異位發(fā)酵床墊料樣本光譜數(shù)據(jù)，通過(guò)多種數(shù)據(jù)處理方法，建立墊料水分預(yù)測(cè)模型，探索該技術(shù)在異位發(fā)酵床墊料水分檢測(cè)中的可行性，為異位發(fā)酵床的智能化管理提供技術(shù)支持。

1 材料與方法

1.1材料選取與制取

選取使用 4～5 個(gè)月的異位發(fā)酵床墊料，樣本于2023年9月取自莆田市某農(nóng)牧合作社。異位發(fā)酵床墊料是由谷殼、鋸末以及豬糞混合發(fā)酵而成。將取回的墊料樣本用恒溫干燥箱在 105^°C 下干燥 12h ，干燥至恒重后用10目墊料篩過(guò)篩。向過(guò)篩后的墊料加入不同質(zhì)量的水，獲得5個(gè)梯度水分的墊料，靜置一周待到墊料與水充分混合，將墊料放入鋁盒中，每個(gè)梯度配置6份樣本，共30份樣本。

1. 2 儀器與設(shè)備

電熱恒溫鼓風(fēng)干燥箱（型號(hào)為DG一9140A），控溫范圍為室溫 +3^°C 至 250°C ；光譜儀（型號(hào)為 QEPro ，采集范圍為 197～990nm ，分辨率為 1.1nm ；鹵鎢燈光源（型號(hào)為HL1000型）、 VIS-NIR 分叉光纖；天平（型號(hào)為YJ—DTF—200），測(cè)量范圍在 0～250g ，精度為 0.01g 鋁盒尺寸（直徑 × 長(zhǎng)度）為 60mm×30mm ;干燥皿的直徑為 40cm ，容量為 18L 。

1.3光譜數(shù)據(jù)采集與水分測(cè)定

使用光譜儀采集不同水分下的墊料光譜數(shù)據(jù)，使用前進(jìn)行白板校正，再通過(guò)鹵鎢燈光源配合VIS一NIR分叉光纖進(jìn)行試驗(yàn)。試驗(yàn)時(shí)，將表面刮平的墊料樣本迅速放至光譜儀光纖探頭下，以減輕樣本表面水分散失對(duì)采集結(jié)果的影響。采集每份樣本中20個(gè)點(diǎn)的墊料反射光譜，共獲得5個(gè)水平的墊料水分，通過(guò)烘干法確定水分分布在 32%、42%、52%、63%、70% 左右以及600個(gè)墊料水分的反射光譜數(shù)據(jù)。其中樣本光譜反射率計(jì)算如式（1）所示。

式中： R ——光譜反射率；I original 原始光譜， μW/（cm²?nm） ：Iwhite 白板光譜， μW/（cm²?nm） ：

I_dark 暗電流， μW/（cm²?nm） 。

1.4數(shù)據(jù)預(yù)處理與特征波段選取

相比于土壤、谷物等農(nóng)業(yè)物料，異位發(fā)酵床墊料水分高，且考慮到探頭與墊料表面距離無(wú)法絕對(duì)穩(wěn)定，測(cè)定易出現(xiàn)誤差。為提高水分預(yù)測(cè)模型的精度，借助馬氏距離法（MahalanobisDistance）剔除異常樣本。馬氏距離計(jì)算如式（2）所示。

式中： d_m —馬氏距離；

x_i 一 第 i 個(gè)訓(xùn)練樣本光譜在主成分空間上的投影；

y_j —第 j 個(gè)測(cè)試樣本光譜在主成分空間上的投影；

S 訓(xùn)練集的協(xié)方差。

原始光譜數(shù)據(jù)存在散射和隨機(jī)噪聲，使用卷積平滑（SG一平滑）、標(biāo)準(zhǔn)正態(tài)變量變換（SNV）、多元散射校正（MSC）和歸一化（NOR）對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理以改善原始光譜質(zhì)量。為增加樣本的差異性和代表性，采用SPXY算法劃分模型校正集和預(yù)測(cè)集來(lái)增加樣本的差異性和代表性。

競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（CARS）利用回歸系數(shù)的絕對(duì)值作為權(quán)重，通過(guò)不斷地迭代調(diào)整優(yōu)化保存對(duì)模型預(yù)測(cè)最有貢獻(xiàn)的波段。CARS算法因出色的穩(wěn)定性和魯棒性備受推崇，其能夠有效地增強(qiáng)模型的預(yù)測(cè)準(zhǔn)確性。此外，該算法還能有效地降低數(shù)據(jù)的維度和減少計(jì)算的復(fù)雜性。在化學(xué)計(jì)量學(xué)、食品安全檢測(cè)和環(huán)境監(jiān)測(cè)等涉及光譜分析的領(lǐng)域中，CARS算法得到廣泛應(yīng)用。因此選用CARS選擇光譜數(shù)據(jù)中的特征波段點(diǎn)。

1.5模型構(gòu)建優(yōu)化與評(píng)價(jià)方法

BP神經(jīng)網(wǎng)絡(luò)是一種多層的前饋型神經(jīng)網(wǎng)絡(luò)，其利用誤差反向傳播，通過(guò)學(xué)習(xí)率和梯度不斷更新隱含層與輸出層的權(quán)重與偏置，使實(shí)際輸出值與預(yù)測(cè)值之間誤差最小。

灰狼優(yōu)化算法（GWO）由Mirjalili等[1于2014年開(kāi)發(fā)，其設(shè)計(jì)靈感源自灰狼的社會(huì)層級(jí)和捕獵習(xí)性。在這個(gè)算法框架下，每個(gè)可能的解決方案都被比作一只狼，通過(guò)模仿狼群捕獵的方式來(lái)探索問(wèn)題的最優(yōu)解。算法初始時(shí)會(huì)隨機(jī)生成一群狼，隨后通過(guò)迭代，每只狼根據(jù)狼群中的領(lǐng)袖 α 、副領(lǐng)袖 β 和獵手 δ 的位置來(lái)調(diào)整自己的位置，逐步接近最優(yōu)解。

哈里斯鷹算法（HHO）由Heidari等[18]在2019年提出，其創(chuàng)意源自哈里斯鷹的捕食行為。在HHO中，每只鷹代表一個(gè)解決方案，算法通過(guò)模擬鷹群協(xié)作捕獵的方式來(lái)探索最優(yōu)解。該算法的核心在于模擬鷹群的2種捕食模式：?jiǎn)为?dú)捕食和群體捕食。在單獨(dú)捕食模式下，每只鷹獨(dú)自尋找獵物；而在群體捕食模式下，鷹群協(xié)同作戰(zhàn)，共同捕獲獵物。結(jié)合這2種模式，算法不斷更新鷹的位置，以逼近最優(yōu)解。

冠豪豬優(yōu)化算法（CPO）是一種較新的優(yōu)化算法，由Mohamed等[19在2024年提出，其設(shè)計(jì)靈感來(lái)自冠豪豬的防御機(jī)制。在CPO算法中，每個(gè)解決方案被比作一只豪豬，算法通過(guò)模擬豪豬群體的防御行為來(lái)尋找最優(yōu)解。CPO算法中，豪豬的位置更新不僅受到當(dāng)前最優(yōu)解（即“領(lǐng)導(dǎo)者”的影響，還受到群體中其他豪豬的影響。算法通過(guò)模擬豪豬的群體行為和防御策略來(lái)調(diào)整豪豬的位置，逐步逼近最優(yōu)解。

GWO模擬的是狼群的等級(jí)和狩獵行為，HHO模擬的是鷹群的集體狩獵行為，而CPO模擬的是豪豬的群體防御行為。GWO的參數(shù)較少，易于實(shí)現(xiàn)，HHO和CPO的參數(shù)相對(duì)較多，可能需要進(jìn)行更多的調(diào)參工作。CPO通過(guò)模擬豪豬的防御行為，可能在探索新解和開(kāi)發(fā)已知解之間有更好的平衡。

Chebyshev混沌映射[20]因其在區(qū)間［-1，1]的遍歷性和隨機(jī)性，被用于設(shè)計(jì)一種新型的混沌粒子群優(yōu)化算法（CPSO）。通過(guò)混沌映射生成隨機(jī)數(shù)序列，用來(lái)更新每個(gè)粒子的速度和位置，增加算法的隨機(jī)性和多樣性，從而更好地探索搜索空間。

對(duì)預(yù)處理和特征選取后的數(shù)據(jù)建立單一BP神經(jīng)網(wǎng)絡(luò)模型。為進(jìn)一步提高預(yù)測(cè)模型的準(zhǔn)確度，在原BP模型的基礎(chǔ)上分別引入灰狼算法（GWO）、哈里斯鷹算法（HHO）、冠豪豬算法（CPO）進(jìn)行比較，再以CPO算法為基礎(chǔ)引入Chebyshev混沌映射，分別獲得基于各優(yōu)化方法建模后的BP神經(jīng)網(wǎng)絡(luò)模型決定系數(shù) R_C² 、均方根誤差 RMSE_c 、預(yù)測(cè)決定系數(shù) R_p² 和預(yù)測(cè)均方根誤差 。決定系數(shù)越接近1，代表墊料光譜數(shù)據(jù)對(duì)水分的解釋效果越好，均方根誤差越小，代表模型預(yù)測(cè)墊料水分?jǐn)?shù)據(jù)與真實(shí)值差距越小，其構(gòu)建的模型效果也就越好， R_c² 和 R_p² 以及 RMSE_c 和 RMSE_P 越接近，表示所構(gòu)建的模型越穩(wěn)定[21]

2 結(jié)果與分析

2.1異常樣本剔除

考慮到探頭與發(fā)酵墊料表面的距離不能絕對(duì)的穩(wěn)定以及發(fā)酵墊料各采集點(diǎn)的組分不能保證絕對(duì)均勻，需要對(duì)獲得的光譜數(shù)據(jù)進(jìn)行剔除異常值處理。采用馬氏距離法對(duì)異常樣本值進(jìn)行篩選，經(jīng)過(guò)采樣計(jì)算后，樣本的馬氏距離分布如圖1所示。直線下方表示正常樣本所在的區(qū)間，直線以上為異常值予以剔除，剔除后有效數(shù)據(jù)由600條變?yōu)?39條。

2.2光譜預(yù)處理與特征波段選取

由于低于 400nm 的波長(zhǎng)不屬于可見(jiàn)近紅外波段，因此只采用波段為 400～990nm 的光譜數(shù)據(jù)進(jìn)行分析，該波段包含784個(gè)波長(zhǎng)點(diǎn)。用SPXY算法以 3：7 的比例劃分樣本的訓(xùn)練集和測(cè)試集，由于初步提取的特征集維度較高，包含了許多冗余的特征。為減少光譜曲線噪聲，提高建模的準(zhǔn)確性，分別采用MSC、SNV、SG、NOR四種預(yù)處理方法進(jìn)行比較，以尋求最佳預(yù)處理方法，分別獲得了基于不同預(yù)處理方法建模后的BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)果。

從表1可以看出，采用4種預(yù)處理方法建立的模型中，NOR平滑法建模的 R² 均小于0.8，說(shuō)明此方法不適合用于發(fā)酵墊料反射光譜數(shù)據(jù)的BP模型建模中。而SG平滑法和MSC平滑法建模的 R² 均大于0.9，說(shuō)明通過(guò)這2種預(yù)處理方法后的BP模型對(duì)發(fā)酵墊料水分的解釋效果好，預(yù)測(cè)能力強(qiáng)。其中SG平滑法建模的各項(xiàng)評(píng)價(jià)指標(biāo)均為最優(yōu)。因此，采用SG平滑法對(duì)不同梯度的發(fā)酵墊料水分光譜數(shù)據(jù)進(jìn)行預(yù)處理。

表1不同預(yù)處理方法的建模結(jié)果Tab.1 Comparison of preprocessing methods

圖2為SG平滑預(yù)處理后的數(shù)據(jù)結(jié)合CARS算法的BP模型進(jìn)行特征波長(zhǎng)提取的過(guò)程。其中，圖2（a）表示采樣變量個(gè)數(shù)隨采樣次數(shù)增加的變化過(guò)程，圖2（b）表示采樣次數(shù)與均方根誤差的關(guān)系，可以看出交叉驗(yàn)證均方根誤差 RMSE_cv 先減小后增大，圖2（c表示所有變量回歸系數(shù)在每次采樣中的路徑變化。對(duì)SG預(yù)處理后的數(shù)據(jù)進(jìn)行特征提取，提取結(jié)果如圖3所示，當(dāng) RMSE_cv 最低為 0.030 128 1 時(shí)，對(duì)應(yīng)的采樣次數(shù)為57，此時(shí)對(duì)應(yīng)的特征波長(zhǎng)變量數(shù)為27。因此將原本784個(gè)特征的數(shù)據(jù)提取為27個(gè)波長(zhǎng)點(diǎn)，分別位于 540nm，700nm，740nm 760nm，820nm，900nm，940nm，970nm 附近。

由圖4可以看出，基于CARS特征波段篩選法選出的27個(gè)特征變量所建立的BP模型訓(xùn)練集和預(yù)測(cè)集的 R² 分別為0.96705、0.9617，均高于根據(jù)全波段數(shù)據(jù)所建模型，且根據(jù)特征波段數(shù)據(jù)建立模型的訓(xùn)練集和預(yù)測(cè)集的均方根誤差也略低于根據(jù)全波段建立的模型，比較結(jié)果如表2所示。由于多數(shù)波段對(duì)模型的訓(xùn)練和泛化能力貢獻(xiàn)不大，它們的存在反而可能削弱模型的整體性能。高維度的特征集合不僅會(huì)提高計(jì)算和存儲(chǔ)的需求，還有可能引發(fā)維度災(zāi)難和過(guò)擬合的風(fēng)險(xiǎn)。通過(guò)實(shí)施特征選擇，可以降低數(shù)據(jù)集的復(fù)雜性，從而提升模型訓(xùn)練的效率、穩(wěn)定性和泛化能力。

表2基于CARS方法與全波段數(shù)據(jù)模型比較 Tab.2 Comparison between CARS method and full band data model

此外，篩選出的關(guān)鍵特征有助于深入理解模型的預(yù)測(cè)結(jié)果，并為這些結(jié)果提供更加合理的解釋。同時(shí)，這也說(shuō)明CARS方法所選擇的27個(gè)特征波長(zhǎng)不僅包含了發(fā)酵墊料大部分的樣本信息，同時(shí)也減少了數(shù)據(jù)量，進(jìn)一步去除了不必要的干擾信息，并且簡(jiǎn)化了回歸預(yù)測(cè)模型的計(jì)算量。

2.3 模型構(gòu)建與優(yōu)化

為進(jìn)一步提高預(yù)測(cè)模型的準(zhǔn)確度，在原BP模型的基礎(chǔ)上分別引人灰狼算法（GWO）、哈里斯鷹算法（HHO）、冠豪豬算法（CPO）對(duì)原有模型的建模參數(shù)進(jìn)行尋優(yōu)。從圖5可以看出，灰狼算法優(yōu)化后的BP模型訓(xùn)練集和預(yù)測(cè)集的 R² 分別為0.9823、0.9817，均方根誤差分別為 0.017843.0.017709. ，且由圖6可知，模型在迭代次數(shù)為2時(shí)，函數(shù)迅速收斂，并在第3次迭代時(shí)獲得模型最優(yōu)參數(shù)。這是因?yàn)镚WO算法具有較強(qiáng)的全局搜索能力，它在搜索過(guò)程中綜合考慮了模型的多種信息，對(duì)于不同類型的優(yōu)化問(wèn)題都有良好的適應(yīng)性和魯棒性。

如圖7所示，哈里斯鷹算法（HHO）優(yōu)化后的BP模型訓(xùn)練集和預(yù)測(cè)集的 R² 分別為0.98434、0.98596，均方根誤差分別為0.016638、0.015698，且由圖8可知，模型在迭代次數(shù)為1時(shí)，函數(shù)迅速收斂，并在第2次時(shí)獲得模型最優(yōu)參數(shù)。可以看出，在引人HHO優(yōu)化算法后，BP模型精度相比于GWO優(yōu)化算法有著一定的提升。這是因?yàn)镠HO優(yōu)化算法在全局收斂性、尋優(yōu)性能提升、魯棒性以及適應(yīng)性等方面相比于GWO優(yōu)化算法有一定優(yōu)勢(shì)。

從圖9可以看出，冠豪豬算法（CPO）優(yōu)化后的BP模型訓(xùn)練集和預(yù)測(cè)集的 R² 分別為0.98919、0.98942，均方根誤差分別為 0.013641.0.014273 ，且從圖10可知，冠豪豬算法經(jīng)歷了多次收斂速度的改變，最終在迭代次數(shù)為14時(shí)獲得模型最優(yōu)參數(shù)。這說(shuō)明CPO優(yōu)化算法作為一種較新的算法，有較好的全局搜索能力和解的多樣性。

為進(jìn)一步提高CARS—CPO—BP模型的精度和穩(wěn)定性，引人Chebyshev混沌映射初始化粒子對(duì)CPO算法進(jìn)行改進(jìn)，形成ICPO優(yōu)化算法對(duì)BP模型進(jìn)行優(yōu)化。從圖11和圖12可以看出，ICPO優(yōu)化算法在執(zhí)行到13次時(shí)獲得模型最佳參數(shù)，并且訓(xùn)練集和測(cè)試集的R² 均達(dá)到0.99以上，且均方根誤差約為0.01。證明模型具有高精度和良好的預(yù)測(cè)能力，且相比于CPO優(yōu)化算法更加穩(wěn)定，說(shuō)明ICPO的優(yōu)化效果十分顯著。

為基于光譜技術(shù)快速檢測(cè)異位發(fā)酵床墊料水分提供理論基礎(chǔ)，為后續(xù)開(kāi)發(fā)相應(yīng)的檢測(cè)儀器奠定基礎(chǔ)。未來(lái)可結(jié)合物聯(lián)網(wǎng)技術(shù)，開(kāi)發(fā)實(shí)時(shí)在線監(jiān)測(cè)系統(tǒng)，為異位發(fā)酵床的智能化管理提供技術(shù)支持。

3 討論

應(yīng)用可見(jiàn)一近紅外光譜技術(shù)成功開(kāi)發(fā)異位發(fā)酵床墊料水分的預(yù)測(cè)模型。相比于傳統(tǒng)烘干法，該方法操作簡(jiǎn)便快捷，適合現(xiàn)場(chǎng)快速檢測(cè)；在進(jìn)行數(shù)據(jù)預(yù)處理和特征波段的選取后，通過(guò)特征優(yōu)化進(jìn)一步優(yōu)化預(yù)測(cè)模型的性能，預(yù)測(cè)結(jié)果準(zhǔn)確可靠。

在實(shí)際應(yīng)用中，墊料表面水分的散失可能會(huì)影響光譜數(shù)據(jù)的采集，從而影響預(yù)測(cè)結(jié)果的準(zhǔn)確性。并且，雖然通過(guò)控制墊料在鋁盒中的體積和質(zhì)量來(lái)保持密度和厚度一致的方法，在一定程度上可以保證試驗(yàn)的可重復(fù)性和準(zhǔn)確性，但與實(shí)際生產(chǎn)仍存在一定差距。需要綜合考慮實(shí)際生產(chǎn)中墊料的復(fù)雜性、動(dòng)態(tài)變化、環(huán)境因素和使用狀態(tài)等因素，通過(guò)增加樣本多樣性、動(dòng)態(tài)監(jiān)測(cè)、環(huán)境因素控制和結(jié)合實(shí)際應(yīng)用需求等方法，更準(zhǔn)確地評(píng)估墊料的含水率及其在實(shí)際生產(chǎn)中的應(yīng)用效果。未來(lái)可進(jìn)一步探索如何降低這些因素的干擾，提高模型在實(shí)際生產(chǎn)中的穩(wěn)定性和可靠性。

4結(jié)論

1）通過(guò)系統(tǒng)化的光譜數(shù)據(jù)預(yù)處理和基于競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣（CARS）的特征波段篩選策略，顯著提升模型的預(yù)測(cè)性能，驗(yàn)證集和預(yù)測(cè)集的決定系數(shù)分別達(dá)到0.9935、0.99559。

2）在灰狼算法（GWO）、哈里斯鷹算法（HHO）與冠豪豬算法（CPO）的系統(tǒng)對(duì)比中，發(fā)現(xiàn)CPO算法具有更優(yōu)的參數(shù)尋優(yōu)能力和收斂速度。基于此提出的CARS—ICPO融合模型展現(xiàn)出卓越的工程應(yīng)用價(jià)值，其均方根誤差RMSE在驗(yàn)證集和預(yù)測(cè)集上分別降至0.010658、0.0090561。

3）驗(yàn)證可見(jiàn)一近紅外光譜用于墊料水分檢測(cè)的可行性，通過(guò)特征波段縮減（從784個(gè)降至28個(gè)）為后續(xù)開(kāi)發(fā)墊料水分檢測(cè)儀提供理論基礎(chǔ)。

參考文獻(xiàn)

[1]Li Y，LiL，LiuX，et al. Treatment of piggery waste in anectopic microbial fermentation system and safety evaluationofgenerated organic fertilizer [J].Journal of ChemicalTechnologyamp;.Biotechnology，2022，97（5）：1336-1344.

[2]朱洪，常志州，葉小梅，等．基于畜禽廢棄物管理的發(fā)酵床技術(shù)研究：Ⅲ高濕熱季節(jié)養(yǎng)殖效果評(píng)價(jià)[J].農(nóng)業(yè)環(huán)境科學(xué)報(bào)，2008（1）：354—358.Zhu Hong，Chang Zhizhou，Ye Xiaomei， et al.Studyon deep litter system for management of livestock manure：Evaluation on effects of deep litter system onpiggrowth in high temperature and RH season[J]. Journal ofAgro-Environment Science，2008（1）：354-358.

[3]張林，何金成.畜禽糞污發(fā)酵翻拋機(jī)的研究現(xiàn)狀與發(fā)展趨勢(shì)[J].湖北農(nóng)業(yè)科學(xué)，2018，57（S2）：191-195.ZhangLin，HeJincheng. Research statusand developmenttrendsoffermentationandflippingmachinesforlivestock and poultry manure [J]. Hubei AgriculturalSciences，2018，57（S2）：191—195.

[4]董立婷，朱昌雄，張麗，等．微生物異位發(fā)酵床技術(shù)在生豬養(yǎng)殖廢棄物處理中的應(yīng)用研究[J].農(nóng)業(yè)資源與環(huán)境學(xué)報(bào)，2016，33（6）：540-546.Dong Liting， Zhu Changxiong， ZhangLi， etal.Researchandapplication ofectopic microbialfermentation system in processing piggery waste [J].Journalof Agricultural Resources and Environment，2016，33（6）：540-546.

[5]李路瑤，王漢清，李艷苓，等．原位和異位發(fā)酵床控制生豬養(yǎng)殖廢棄物污染對(duì)比[J]：農(nóng)業(yè)環(huán)境科學(xué)學(xué)報(bào)，2021，40（10）：2208-2216.LiLuyao，WangHanqing，LiYanling，etal.Comparative studyof in situ andectopicfermentationsystems in piggery waste control [J]. Journal of Agro-Environment Science，2021，40（10）：2208—2216.

[6]孫宏，吳逸飛，沈琦，等．異位發(fā)酵床技術(shù)在養(yǎng)殖糞污處理中的應(yīng)用及其影響機(jī)制的研究進(jìn)展[J]．中國(guó)畜牧雜志，2023，59（1）：70—76.Sun Hong，Wu Yifei，Shen Qi，et al.Advances in theperformanceandregulationmechanismofectopicfermentation system in the treatment of livestock andpoultry wastes [J]. Chinese Journal of Animal Science，2023，59（1）：70—76.

[7]Mohammad N， Alam M Z， Kabbashi N A，et al.Effective composting of oil palm industrial waste byfilamentousfungi： A review [J]. Resources，Conservation and Recycling，2012，58：69-78.

[8]Kim E，LeeD， WonS，etal.Evaluationofoptimum moisture content for composting ofbeefmanure and bedding material mixtures using oxygenuptake measurement [J]. Asian-Australasian Journal ofAnimal Sciences，2015，29（5）：753.

[9]韓志恒，陶志影，曾育寧，等．基于介電特性的異位發(fā)酵床稻谷殼含水率的檢測(cè)[J]．河南農(nóng)業(yè)科學(xué)，2021，50（5）：173—180.Han Zhiheng， Tao Zhiying， ZengYuning， etal.Moisture contentprediction ofrice husk in ectopicfermentation bed based on dielectric property [J]. Journalof Henan Agricultural Sciences，2021，50（5）：173—180.

[10]周宏，方蕙，潘健，等．浸人式可見(jiàn)/近紅外光譜的雨生紅球藻葉綠素含量研究［J]．光譜學(xué)與光譜分析，2017，37（11）：3375-3378.Zhou Hong，F(xiàn)angHui，Pan Jian，etal．Chlorophyllcontent research of haematococcus pluvial is based on immersedvisible/near-infrared spectroscopy [J].SpectroscopyandSpectral Analysis，2017，37（11）：3375—3378.

[11]蔣璐璐，魏萱，謝傳奇，等．可見(jiàn)一近紅外光譜的螺旋藻生長(zhǎng)品質(zhì)指標(biāo)快速無(wú)損檢測(cè)[J]．光譜學(xué)與光譜分析，2018，38（8）：2493-2497.Jiang Lulu， Wei Xuan， Xie Chuanqi，et al.Non-destructive determination of growth quality indicators ofSpirulinasp.usingVis/NIRspectroscopy[J].Spectroscopy and Spectral Analysis，2018，38（8）：2495-2491

[12]唐永生，陳爭(zhēng)光.基于卷積神經(jīng)網(wǎng)絡(luò)與可見(jiàn)近紅外光譜的土壤含氮量檢測(cè)[J]．黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào)，2021，33（3）：93-99.Tang Yongsheng， Chen Zhengguang. Detectionofsoil nitrogen content based on convolution neuralnetwork and visible-near infraredspectroscopy [J].Journal of Heilongjiang Bayi Agricultural University，2021，33（3）：93-99.

[13] Kim G，Hong S，Lee A，et al. Moisture contentmeasurementofbroadleaflittersusingnear-infrared spectroscopy technique [J]. Remote Sensing，2017，9（12）：1212.

[14]Chen Z，RenS，QinR，etal.Rapid detection of differenttypesofsoilnitrogenusingnear-infraredhyperspectral imaging [J]. Molecules，2022，27（6）：2017.

[15] Tan B， You W， Tian S， et al.Soil nitrogencontent detection based on near-infrared spectroscopy [J].Sensors，2022，22（20）：8013.

[16] HeY，Xiao S，Nie P，et al. Research on the optimumwater content of detecting soil nitrogen using nearinfrared sensor[J].Sensors，2017，17（9）：2045.

[17] MirjaliliS， Mirjalili S M，LewisA.Greywolfoptimizer [J]. Advances in Engineering Software，2014，69：46-61.

[18]HeidariAA，MirjaliliS，F(xiàn)arisH，etal.Harrishawksoptimization：Algorithm and applications [J]. FutureGenerations Computer Systems（FGCS）， 2019， 97：849-872.

[19] Mohamed A，Reda M，Mohamed A. Crested porcupineoptimizer：A new nature-inspired meta heuristic [J].Knowledge-Based Systems，2024，284：111257.

[20]沈孟龍．一種基于Chebyshev 映射的改進(jìn)型混沌序列生成算法[D]．昆明：云南大學(xué)，2015.ShenMenglong.Animprovedchaotic sequencegeneration algorithm based on Chebyshev mapping [D].Kunming：Yunnan University，2015.

[21]金慧凝，張新樂(lè)，劉煥軍，等．基于光譜吸收特征的土壤含水量預(yù)測(cè)模型研究[J]．土壤學(xué)報(bào)，2016，53（3）：627—635.Jin Huining，Zhang Xinle，Liu Huanjun，et al.Soilmoisturepredictingmodel based on spectralabsorption characteristics of the soil [J]. Acta PedologicaSinica，2016，53（3）：627-635.