葡萄酒酿造过程酒精度检测方法研究

张虽栓，李延垒（河南质量工程职业学院，河南 平顶山 467001）

葡萄酒酿造过程酒精度检测方法研究

张虽栓，李延垒
（河南质量工程职业学院，河南 平顶山 467001）

酒精度作为葡萄酒中的一项极其重要的指标，对葡萄酒的品质起着至关重要的作用。该实验以葡萄酒作为研究对象，引入红外光谱分析技术对葡萄酒的酒精度进行间接、无损的检测研究。实验中对比分析了不同红外光谱预处理方法以及建模方法在建立葡萄酒酒精度预测模型时的优劣，发现采用多元散色校正和标准归一化的去噪效果最优，然后采用主成分分析法建立的模型最优，预测相关系数（R）达0.942，标正标准差（RMSEC）、预测标准差（RMSEP）、相对分析误差（RPD）分别为0.154、0.149、2.96。最终对建立的模型进行验证，发现采用红外光谱分析技术能够快速且较准确的对葡萄酒酒精度进行在线预测，为葡萄酒的酿造过程实时监测酒精度提供了一种新方法。

近红外光谱；葡萄酒；定量分析；检测；酿造

葡萄酒的陈酿是指葡萄酒的成熟过程，目前比较常用的陈酿方法有不锈钢罐和木桶陈酿两种方法［1］。不同品牌的葡萄酒品质不但与陈酿方法有关，而且与葡萄的品种、成熟度以及种植区域等有着密切的关系。不同品牌、不同陈酿的葡萄酒中氨基酸、微量元素、色调以及酸度等都有一定的差异，这种差异表现在葡萄酒品质的差异［2］。酒精度的变化是葡萄酒酿造过程中的一项极其重要的指标之一，因此如何获取葡萄酒酿造过程中酒精度的实时变化参数对于葡萄酒的酿造有着极其重要的现实意义。

近红外光谱（near-infrared spectroscopy，NIR）的信息源是分子内部的原子的振动的倍频和合频信息为主，波长范围在780～2 500 nm［3］。因为其波长范围介于中红外谱区（m id infrared spectroscopy，M IR）及可见光谱区（visible spectral，VIS）之间，因此近红外光谱的信息量非常丰富［4］，即具有中红外谱区的特点同时也具备可见光谱区光谱信息容易获得和处理等特点［5-7］。由于近红外光谱主要反映样品内部C-H、N-H、O-H、S-H等含氢基团的倍频与合频化学键的信息［8-9］，所以近红外光谱可以反映样品中有机物组成和分子结构的信息，不同的含氢基团或者相同含氢基团在不同的组成结构或化学环境中对近红外光的吸收程度也有所不同［10］，近红外光谱以此为基础对有机物组成和性质信息加以分析［11］。随着计算机科学、化学计量学的迅猛发展，近红外分析技术已成为目前发展最快速的独立无损检测分析技术［12］。偏最小二乘法（partial leastsquares，PLS）因其具有良好的抗干扰性能和稳定性，已在近红外光谱分析领域得到了广泛的应用，也是经典的近红外光谱建模方法之一。主成分分析法（principalcomponentanalysis，PCA）是一种数学变换的方法，它把给定的一组相关变量通过线性变换转成另一组不相关的变量，这些新的变量按照方差依次递减的顺序排列。

本研究采用傅里叶变换近红外光谱分析技术结合不同光谱预处理方法建立葡萄酒中酒精度含量的定量分析模型，经过验证发现采用光谱分析技术间接对葡萄酒酿造过程中酒精度的变化进行预测是可行的。该模型的建立为葡萄酒酿造过程中质量的实时监测提供了一种新的技术手段与参考。

1　材料与方法

1.1料与试剂

200个葡萄酒样品：国产长城牌葡萄酒公司。

1.2器与设备

NEXUS傅里叶变换光谱仪及其透射附件：美国热电尼高力仪器公司。

1.3法

1.3.1谱采集

采用美国NEXUS傅里叶变换光谱仪及其透射附件完成采集工作。整个系统由光源、光谱采集部分、计算机处理单元（包括光谱预处理、模型的建立与优化、预测等部分）、结果输出与打印四部分构成。光谱仪中使用的光源是60W的石英卤素灯泡，其光波长为500～2 400 nm，并配备铟镓砷检测器件。光谱采集过程中参数设置为：光谱范围800～2 200 nm，光谱分辨率设置为16 cm-1，扫描次数为32次。

1.3.2谱的预处理

采集到的葡萄酒近红外透射光谱中除了包含葡萄酒样本内部的结构信息外，同时也包含了一部分的噪声信息，因此在建立预测模型之前，首先应该对原始光谱进行预处理，去除其中包含的噪声信息，保留下有效信息。目前比较常用的光谱预处理方法有平滑、微分、归一化（single nucleotide variant，SNV）和多元散色校正（multiplicative scatter correction，MSC）等方法。

在本次实验中用微分、平滑、标准归一化（SNV）多元散射校正（MSC）的方法对葡萄酒的原始光谱进行处理，去除在光谱采集过程中由于葡萄酒粘稠度较大对模型的影响。

1.3.3计分析

在本次实验中采用学生化残差和样本杠杆值的方法对异常样本进行判别与剔除的工作，将样本的学生化残差和杠杆值取平均后的三倍作为异常样本判别的阈值，对样本进行异常判别与剔除。

1.3.4法解析

评价近红外定量分析模型的预测精度和模型稳定性，采用相关系数R、标正标准差（rootmean square errorof calibration，RMSEC）、预测标准差（rootmean square error of prediction，RMSEP）、相对分析误差（relative percent deviation，RPD）进行综合评价所建立的煤粉定量分析模型的预测精度和稳定性。

1）RMSEC［13］评价模型拟合能力的计算

式中：n为模型样本数；yi表示第i个样本的预测值表示第i个样本的真实值。该参数是比较校正模型内部预测值和实际值而得出的，其值越小说明模型的拟合程度越高。

2）RMSEP［14］评价模型拟合能力的计算

式中：k为用于模型检验的预测集样品数。该参数越小，说明模型预测性能越好，与RMSEC越接近，则模型的稳定性越好。

3）RPD的计算［15］

式中：yi表示预测集样品的真实值；表示预测集样品的预测值是真实值的平均值；I是预测集样本数；m表示实验重复次数。

RPD用来验证模型的预测能力和稳定性，一般情况下，当RPD＞3，说明定量分析效果良好，预测精度高；如果2.5＜RPD＜3，表明采用近红外光谱分析技术对待测样品进行定量分析是可行的，但预测精度有待提高；如果RPD＜2.5，则说明所建立的定量分析模型精度过低，需进一步对模型进行优化。

4）相关系数R的计算

其中：xi表示第i个样本的预测值表示预测集样本的平均值；yi表示第i个样本的真实值表示样本真实值的平均值；n表示预测集样本的数量。

2　结果与分析

2.1谱分析

采用傅里叶变换光谱仪采集到的部分葡萄酒样本原始光谱图及多元散色处理的光谱图见图1。由图1A可知，光谱在波数1 000 cm-1附近有着显著的强吸收峰，这主要是由于葡萄酒中包含大量的羟基所造成的。在波数2 300 cm-1附近有比较显著的吸收峰，这是由于葡萄酒中大量的氧氢键吸收的结果。

由于葡萄酒的颜色较深，且黏稠度较大，对入射光会产生一定的散色作用，导致采集到的光谱存在一定的偏差，因此需要消除由于样本自身物理原因引入的散色和基线漂移现象。由图1B可知，采用多元散色校正的方法对采集到的葡萄酒原始光谱进行处理，可以消除由于散色和基线漂移引入的干扰。

图1　部分葡萄酒样品原始光谱（A）及多元散色处理（B）后的光谱图Fig．1 Spectrum of the w ine sam ples w ithout treatment（A）and a ftermu ltip le color processing（B）

2.2征波长的选取

为了对模型进行优化，同时减少运算量，需要确定最佳的建模区间。首先采用全光谱建模的方法对葡萄酒的酒精度进行定量预测，然后逐步缩小光谱的范围，在这一过程中如果预测结果的标准差增大，那么说明该区间包含较少的有效信息，同时包含着大量的噪声信息，在建模过程中应将其剔除。由原始光谱图可以看出，原始光谱在900 nm和2 100 nm附近包含许多的毛刺，光谱中的噪声较多，因此应将该部分光谱剔除，最终确定葡萄酒酒精度定量分析模型的红外光谱选择波长950～1 800 nm和2 200～2 300 nm区间进行建模分析。

2.3品的统计结果

剔除异常样本6个，异常光谱5个，共计剔除11个异常样本，剩余189个样本按照4∶1的比例将实验样本分为校正集（calibration set，Cal）和预测集（prediction，Pre），其中校正集151个样本，预测集38个样本。统计结果如表1所示。校正集样本用于模型的建立，预测集样本用于对模型的验证。

表1 样品的统计结果Table 1 Statistic results o f sam p les

2.4型的建立

实验过程中首先采用微分、平滑、归一化和多元散色校正等预处理方法对光谱进行预处理，然后分别采用偏最小二乘法（PLS）和主成分分析（PCA）法建立葡萄酒红外光谱酒精度分析模型，建模结果如表2所示。

表2　葡萄酒酒精度建模结果Table 2 Modeling results of alcohol contentofw ine

由表2可以看出，采用多元散色校正和标准归一化预处理后的光谱建立的模型的稳定性比其他预处理方法好；纵向对比偏最小二乘法（PLS）和主成分分析法（PCA）发现，采用主成分分析法建立的模型比偏最小二乘法效果要优。

2.5型的验证

试验过程中采用事先准备好的验证集葡萄酒样本分别对已经建立的标准归一化预处理方法以及主成分分析法建立的模型进行验证，验证结果见表3。

表3　葡萄酒酒精度模型验证结果Table 3 Validation results of alcoholcontentmodelofwine

由表3可知，采用主成分分析法建立的葡萄酒酒精度预测模型最优，相关系数R为0.942，综合前文结果可知，该方法的RMSEC、RMSEP、RPD值分别为0.154、0.149、2.96，可以满足实际工作的需要。

3　结论

实验过程中首先分别采用微分、平滑、多元散色校正（MSC）和标准归一化（SNV）等光谱预处理方法将采集到的葡萄酒原始光谱进行预处理，然后分别采用偏最小二乘法和主成分分析法建立葡萄酒酒精度预测模型。结果表明采用近红外光谱分析方法间接对葡萄酒酒精度进行无损检测具有较高的预测精度。横向对比各种预处理方法发现采用多元散色校正的方法去噪效果最优，采用平滑处理时选择5点平滑去噪效果较好，但当平滑点数增加到9点时，由于平滑效果增强，滤除掉了部分有效信息，导致建模结果变坏。纵向比较偏最小二乘法和主成分分析法的建模效果可以发现采用主成分分析法建立的葡萄酒酒精度预测模型普遍好于偏最小二乘法。采用标准归一化的光谱预处理方法和主成分分析的方法建立的模型具有较好的预测精度与预测稳定性，预测相关系数R达0.942，RMSEC、RMSEP、RPD值分别为0.154、0.149、2.96。采用红外光谱检测技术能够对葡萄酒酿造过程中酒精度含量的变化进行实时监测，对提高葡萄酒酿造质量有着一定的现实意义。

［1］陶思嘉，李梦华，李景明，等.红外光谱及Bayes信息融合技术的葡萄酒鉴别研究［J］.分析化学，2014，42（2）：215-220.

［2］吴浩，靳保辉，陈波，等.葡萄酒产地溯源技术研究进展［J］.食品科技，2014，35（21）：306-315.

［3］M ILLAN S，SAMPEDROM C，UNCETA N，etal.Simp le and rapid determination of biogenic amines in w ine by liquid chromatography-electrospray ionization ion trap mass spectrometry［J］.Anal Chim Acta，2007，584:145-152.

［4］MATO I，SUAREZ-LUQUE S，HUIDOBRO JF.Simp le determ ination ofmain organic acids in grape juice and w ine by using capillary zone electrophoresis w ith direct UV detection［J］.Food Chem，2007，102: 104-112.

［5］GOMEZ-MIGUEZM J，GOMEZ-M IGUEZM，VICARIO IM，etal.Assessment of color and aroma in white wines vinifications:Effects of grapematurity and soil type［J］.J Food Eng，2007，79:758-764.

［6］FANG F，LIJM，PAN Q H，etal.Determ ination of red w ine flavonoids by HPLC and effectofaging［J］.Food Chem，2007，101:428-433.

［7］BALEIRAS-COUTO M M，EIRAS-DIAS JE.Detection and identification ofgrape varietiesinmustandw ineusing nuclearand chloroplastmicrosatellitemarkers［J］.Anal Chim Acta，2006，563:283-291.

［8］CAMARA JS，ALVESM A，MARQUES JC.Multivariate analysis for the classification and differentiation of M adeiraw ines according tomain grape varieties［J］.Talanta，2006，68:1512-1521.

［9］陈斌，卢丙，陆道礼.基于微型近红外光谱仪的油菜籽含油率模型参数优化研究［J］.现代食品科技，2015，31（8）：286-292.

［10］罗华平，卢启鹏，丁海泉，等.南疆红枣品质近红外光谱在线模型参数的实验研究［J］.光谱学与光谱分析，2012，32（5）：1225-1229.

［11］王伟明，董大明，郑文刚，等.梨果糖浓度近红外漫反射光谱检测的预处理方法研究［J］.光谱学与光谱分析，2013，33（2）：359-362.

［12］刘燕德，高荣杰，孙旭东.便携式水果内部品质近红外检测仪研究进展［J］.光谱学与光谱分析，2010，30（10）：2874-2878.

［13］张林.基于红外图像处理技术的柴油机故障诊断研究［J］.红外，2015，36（10）：22-26.

［14］张林，陆辉山，闫宏伟，等.基于FPGA的老陈醋定量与定性分析系统设计［J］.中国酿造，2013，32（4）：126-128.

［15］杨海龙，周长海，金永成，等.葡萄糖酸钠对猪仔肠道内乳酸菌增值及培养条件的研究［J］.中国酿造，2013，32（4）：100-103.

Determinationmethod ofalcoholcontentduringw ine fermentation

ZHANG Suishuan，LIYanlei
（Henan Institute ofQuality Po lytechinc，Pingdingshan 467001，China）

A lcohol content isa very im portant index in w ine，which playsan im portant role inw ine quality.The experimentusing w ine as research object，the alcohol contentwas determ ined indirectly and nondestructively by infrared spectral technology.The advantagesand disadvantages of different infrared spectral preprocessingmethods and modelingmethod in w ine alcohol content prediction was compared and analyzed.Results showed thatmultiplicativescatter correction and single nucleotide variantwere the optimalmethods for denoising，and principal componentanalysiswas the optimalmethod formodelestablishment，the correlation coefficient R was0.942，and the RMSEC，RMSEP，RPD was0.154，0.149，2.96，respectively.Finally through thevalidation testson themodel，the resultsshowed that the infrared spectral technology could onlinepredictw ine alcohol content rapidly and accurately，which could provide a new method forw ine brew ing processof real-timemonitoring of alcohol content.

near infrared spectrum；w ine；quantitative analysis；detection；brew ing

O657．63

0254-5071（2016）01-0161-04

10．11882/j．issn．0254-5071．2016．01．036

2015-10-21

河南省高等学校自然科学基金项目（14KJB140011）

张虽栓（1970-），男，副教授，硕士，主要从事食品与药物化学的研究工作。