黄酒发酵过程理化指标的近红外光谱快速检测方法研究

吕兴龙　刘强　孙国昌　彭海根　毛青钟　叶芙蓉

摘要：为提高黄酒发酵过程常规指标的检测效率，提出采用漫反射方式采集黄酒醪液的近红外光谱，并应用近红外技术结合偏最小二乘方法（PLS）建立一种能够同时测定黄酒醪液酒精度、总酸和总糖的定量分析模型。结果显示：优化后3种指标模型的决定系数（R）分别为0.99、0.91和0.98，交互验证标准偏差（RMSECV）分别为0.42、0.32和1.19;模型进行外部验证时，预测标准偏差（RMSEP）分别为0.45、0.35和2.01，预测平均相对偏差分别为3.37%、4.57%和4.66%，满足黄酒发酵过程中对样品分析检测精度的要求。研究结果表明该方法可以用于黄酒醪液常规指标的快速分析，对于解决黄酒自动化生產中指标检测问题具有积极意义。

关键词：近红外光谱;黄酒;醪液;快速检测

中图分类号：TP274.5

文献标志码：A

文章编号：1674–5124（2019）03–0075–05

Study on rapid detection of physiochemical index of Chinese rice wine fermentation process by near infrared spectroscopy

L? Xinglong1， LIU Qiang2， SUN Guochang1， PENG Haigen3， MAO Qingzhong1， YE Furong1

（1. Kuaijishan Shaoxing Wine Co.， Ltd.， Shaoxing 312030， China; 2. Sichuan Insitute of Product Quality Supervision and Inspection， Chengdu 610100， China; 3. Sichuan Vspec Technology Co.， Ltd.， Chengdu 610041， China）

Abstract： In order to improve the conventional indicators detection efficiency for Chinese rice wine fermentation process， collected the diffuse reflection spectrum and the quantitative analysis models were established that simultaneous determined the alcohol content， total acidity and total sugar of Chinese rice wine by near-infrared （NIR） spectroscopy with PLS method. The results showed that determination coefficient （R） of the models were 0.99， 0.91 and 0.98， root mean square error of cross validation （RMSECV） were 0.42， 0.32 and 1.19. When the models were externally validated， root mean square error of prediction （RMSEP） were 0.45， 0.35 and 2.01， and the average relative deviations were 3.37%， 4.57% and 4.66% respectively， which met the requirement of sample analysis and detection accuracy in Chinese rice wine fermentation. The method can be used for rapid analysis of routine index of Chinese rice wine mash， and has positive significance for solving the problem of physiochemical index detection in automatic production of rice wine.

Keywords： near-infrared （NIR）; Chinese rice wine; mash; rapid detection

0 引言

黄酒具有悠久的历史传统和深厚的文化底蕴，被誉为中国的“国粹”酒，与啤酒、葡萄酒并称世界三大古酒[1]。近年来，随着人们生活水平的提高和消费理念的转变，对酒的需求由“单纯嗜好”向“营养保健”转变，即高度、烈性的不良饮酒观念日益为人们所摒弃，黄酒的低度、营养、保健的优势逐渐显现，慢慢被人们接受。黄酒的产量也有逐年上升的趋势，国家统计局数据显示，黄酒在国内外市场具有广泛的发展空间，根据“十五”计划和2015年规划，黄酒行业的总产量从2000年到2015年要从145万吨增长至250～280万吨[2]。随着黄酒需求量的不断增长，以及计算机技术、自动化技术和信息技术的发展，黄酒企业在生产综合自动化方面进行了积极的尝试，并取得了长足进展，如会稽山黄酒股份有限公司在绍兴柯西建成了一条年产2万千升的黄酒自动化生产线;绍兴女儿红酒厂与江南大学合作，建立了可实现前酵过程自动化的自控系统等[3]。

黄酒产量的提高和生产综合自动化的实施对黄酒发酵过程醪液理化指标检测提出全新的要求。黄酒发酵过程中，酒精度、总酸和总糖3项指标影响黄酒的品质、风味和口感[4]，需要检测上述指标含量的变化，标准方法采用GBT13662—2008《黄酒》标准[5]，方法需要多种仪器和化学试剂，样品需要预处理，步骤繁琐、费时、费力，显然不能满足现代黄酒生产对黄酒醪液指标快速分析日益增长的需求。如会稽山绍兴酒股份有限公司实施自动化酿酒之后，发酵时间由传统的60～90天缩短到20～30天，发酵罐数量也较之前有所增加，因而每天样品检测量明显增多。因此，黄酒发酵过程中快速分析技术研究已引起行业的广泛关注。

近红外技术具有快速、准确和几乎不需要样品制备等优点[6]，非常适合快速分析黄酒发酵生产过程中常规指标的含量。蒋诗泉[7]、胡小邦[8]、周扬[9]、谢广发[10]，SHENF[11]等分别在黄酒近红外定性或定量分析进行了研究，但是上述研究主要应用透射技术于成品酒酒龄的识别或常规指标含量的检测。应用近红外技术快速检测黄酒发酵过程中醪液常规指标的研究尚未见报道。

本文提出采用积分球结合漫反射方式测定黄酒醪液光谱，研究应用近红外技术同时快速测定黄酒醪液酒精度、总酸和总糖常规指标含量，并对相关校正模型进行综合评价，以期解决目前黄酒发酵过程中常规指标检测中存在效率低的问题，为黄酒发酵过程中的黄酒质量快速检测提供准确的数据支撑，提高产品质量，具有重要的实际意义。

1 材料与方法

1.1 样品收集

黄酒发酵醪液样品由会稽山绍兴酒股份有限公司提供，生产日期为2018年1月-2018年6月，数量为711个。样品涵盖黄酒前发酵和后发酵整个发酵过程。为了保证样品状态的均匀性，取样时，使用纱布过滤后再装样，备用。

1.2性质测定常规方法测定性质前，先将样品进行离心，取上清液，采用GBT13662—2008《黄酒》标准分析方法对所有样品的酒精度、总酸和总糖性质进行测定。样品各理化指标的参考值统计结果见表1，通过统计分析，样品上述性质指标分布范围涵盖黄酒发酵过程中性质所有指标范围，具有代表性。

1.3 光谱采集

取样时，黄酒醪液样品采用纱布进行过滤，属于浆状物，与酸奶形态类似;祝义伟等[12]采用漫反射方法采集得到酸奶近红外光谱，并建立预测效果很好的非脂乳固体近红外校正模型，因而本文提出采用积分球结合漫反射方式采集黄酒醪液样品光谱的方法。光谱采集过程中，由于黄酒醪液中的酵母菌仍然处于活性状态，漫反射方法相较先将样品离心然后采用透射方式采集光谱的方法，明显缩短光谱采集时间，因而可以避免时间过长导致样品性质变化。

在美国Galaxy公司生产的QuasIR3000傅里叶变换近红外光谱仪上，采集黄酒发酵醪液的近红外光谱。仪器参数设置：1）光谱扫描范围：10000cm–1～4000cm–1;2）分辨率：16cm–1;3）光谱扫描次数：64次;4）采用积分球漫反射采集光谱，以仪器内置背景做参比。将黄酒醪液样品倒入样品杯中时，尽量不要产生气泡。

图1是黄酒半成品醪液样品漫反射吸光度光谱图，谱图平滑，吸光度处于正常范围内，且在近红外谱区合频区域和倍频区域都有明显的吸收峰，进一步表明本文采用积分球结合漫反射采集黄酒醪液样品的方法可行。

1.4 模型评价参数介绍

在应用近红外技术建立定量模型过程中，需要结合不同参数评价模型，主要包括如下：1）决定系数R决定系数主要用来判断定量校正模型与待测组分的线性关系，计算方法如下：

式中：yi，actual——第i个样品参考方法的测定值;

y?i，actual——校正集（或验证集）全部样品参考方法测定的平均值;

yi，predicted——校正集（或验证集）验证过程中第i个样品的预测值;

n——校正集（或验证集）的样品数量。

在样品化学成分范围相同的前提下，R越接近1，模型回归（或预测）结果越好。

2）交互验证标准偏差（RMSECV）和预测标准偏差（RMSEP）

建立近红外光谱定量校正模型时，样品分为校正集和验证集，校正集是用来建立定量校正模型，验证集是用来对模型进行验证，未参与校正模型的建立过程，通过比较参考值与模型预测值的差异，来判断模型预测能力的好坏。

建模过程中，可以通过交互验证的方法对模型进行验证。其原理为：模型验证过程中，每次从校正集中取出一个或多个样品作为临时验证样品，以其余的样品进行建模，然后对这一个或多个样品进行预测，如此循坏，则会分别得到每个样品的模型交叉预测值，最后，以交叉预测值与参考方法值误差平方和的均方根值为RMSECV，其计算公式如下：

式中：yi，actual——第i个样品参考方法的测量值;

yi，predicted——校正集交互验证中第i个样品的预测值;

n——校正集的样品个数。

预测标准偏差（RMSEP）是计算模型得出的预测值与参考值之间的误差平方和的均方根值，其计算公式如下：

式中：yi，actual——第i個样品参考方法的测量值;

yi，predicted——验证集预测过程中第i个样品的模型方法预测值;

m——验证集的样品个数。

本文采用交互验证和验证集验证相结合方法验证模型效果。对于同一批次样本，模型RMSECV和RMSEP值越小说明模型效果越好。

2 结果与分析

2.1 建立近红外定量分析模型

将黄酒醪液样品的近红外图谱和参考值数据一一对应，采用VSPEC公司开发VModel近红外建模软件分别建立酒精度、总酸、总糖的定量分析模型。

在近红外定量分析模型建立过程中，有必要对光谱数据进行光谱预处理。常规的光谱预处理方法包括多元散射校正（MSC）、标准正则变换（SNV）、一阶导数、二阶导数和平滑处理等。MSC和SNV具有消除颗粒分布不均匀及颗粒大小产生的散射影响，在固体漫反射和浆状物透（反）射光谱中应用较广泛[13];导数处理既可以消除基线偏移，还可以起到一定的放大和分离重叠信息的作用，由于噪声信号也被放大，因此通常在微分之前需要对光谱数据做平滑处理。

建模时，先将光谱全谱段平均分成10等分，采用不同的单个谱段分别建立不同校正模型，并采用交互验证方式结合上述评价参数对各个模型效果进行评价，确定最优模型的谱段范围，然后扩充谱段数量和谱段范围，重新建立校正模型并进行模型评价，直到找出最优的谱段或谱段组合。

偏最小二乘方法（PLS）在主成分分析（PCA）的基础上，对光谱矩阵和浓度矩阵同时进行分解，并在分解时考虑两者相互之间的关系，加强对应计算关系，从而保证获得最佳的校正模型。偏最小二乘方法（PLS）是多元线性回归、典型相关分析和主成分分析的完美结合，而且模型效果明显优于其他方法，这也是PLS在光谱多元校正分析中应用最为广泛的原因之一[13]。

综上所述，首先采用单个光谱预处理或预处理方法组合的方式对样品光谱进行预处理，结合上述建模谱段优选方法，采用偏最小二乘法（PLS），分别建立酒精度、总酸和总糖定量校正模型，并使用模型评价参数对各个模型进行评价，从而确定最优的预处理方法。经过优化后，黄酒醪液酒精度、总酸和总糖定量模型交互验证结果和相应的建模参数详见表2。

表2显示，模型决定系数R都大于0.90，即模型相关性很好，交互验证标准偏差（RMSECV）都很小，模型效果很好，且主因子数合理。

黄酒醪液酒精度、总酸和总糖定量模型校正集参考值和预测值的散点图如图2、图4和图6所示;主因子数与RMSECV的变化趋势图如图3、图5、图7所示。

2.2模型外部验证结果为了进一步验证模型效果，随机挑选30个具

有代表性的样品作为外部验证样品，并应用所建立的黄酒醪液酒精度、总酸和总糖定量模型预测样品上述指标的含量值，与标准分析方法值进行对比，结果如表3所示。

黄酒醪液酒精度、总酸和总糖定量模型验证集参考值和预测值的散点图如图8、图9和图10所示。

通过对表3和图8～图10分析，本文挑选的验证样品在各个指标浓度范围内分布均匀，即具有代表性，可以作为模型外部验证样品;模型预测标准偏差（RMSEP）分别为0.45、0.35和2.01，RMSEP和RMSECV相差很小，即模型的稳定性很好，且预测平均相对偏差分别为3.37%、4.57%和4.66%，与标准方法重复性要求5%相近，进一步说明本文建立的黄酒醪液酒精度、总酸和总糖近红外定量模型准确度满足生产过程中对样品分析检测误差的要求。

3 结束语

本文提出应用漫反射方式采集黄酒醪液光谱，结合近红外光谱分析技术快速测定黄酒发酵过程中酒精度、总酸和总糖指标含量的方法可行;黄酒醪液酒精度、总酸和总糖近红外定量模型经过优化后，R分别为0.99、0.91和0.98，RMSECV分别为0.42、0.32和1.19，且模型通过外部验证，方法精确度满足黄酒发酵过程中常规指标检测的要求，可以用于黄酒自动化发酵过程中醪液常规指标的快速分析，具有积极意义。

参考文献

[1]骆高远.绍兴黄酒文化与旅游[J].经济地理，2005（9）：749-752.

[2]杨国军.中国黄酒业调研报告[J].中国酿造，2005（4）：1-5.

[3]王培璇.中国黄酒出口竞争力研究[D].无锡：江南大学，2014.

[4]江超，林峰.陈年绍兴黄酒的成分分析与品质鉴定[J].食品与发酵工业，2009（10）：119-123.

[5]黄酒：GBT13662-2008[S].北京：中国标准出版社，2008.

[6]陆婉珍主编.现代近红外光谱分析技术[M].2版.北京：中国石化出版社，2006.

[7]蒋诗泉，周兴才，蒋诗平，等.基于PCA和LS-SVM的傅里叶变换近红外光谱的黄酒酒龄的鉴别模型[J].光谱实验室，2012，29（2）：806-811.

[8]胡小邦，吕进，刘辉军，等.基于近红外透射光谱的黄酒酒精度、酸度检测模型研究[J].光電工程，2010，37（10）：122-127.

[9]周扬，吕进，刘铁兵，等.小波域高斯混合模型方差估计近红外降噪方法[J].光电工程，2011，38（8）：96-100.

[10]谢广发，徐榕，樊阿萍，等.近红外技术在黄酒理化指标快速检测中的应用[J].中国酿造，2011，30（11）：182-185.

[11] SHEN F， NIU X Y， YANG D T， et al. Determination of amino acids in Chinese rice wine by fourier transform near-infrared spectroscopy[J]. Agric Food Chem， 2010， 58： 9809-9816.

[12]祝义伟，肖琳，费华熙，等.酸奶中非脂乳固体的近红外定量分析模型建立[J].中国乳品工业，2014，42（7）：39-41.

[13]褚小立主编.化学计量学方法和分子光谱分析技术[M].北京：化学工业出版社，2011：4.

（编辑：徐柳）