傅立叶变换近红外光谱仪在入池酒醅回复性中的应用研究

陈景宜，王卫东，王青松，陈 爽

（江苏洋河酒厂股份有限公司，江苏宿迁 223700）

入池酒醅的回复性是衡量酒醅在受到外界压力后恢复变形的能力，是酒醅骨力、手感揉实性和粘弹性的反映，与粮食蒸煮的熟烂程度、淀粉的糊化程度以及加浆水的使用量有较大关系，直接影响整个发酵过程及原酒品质和产量。以往都是由车间里经验丰富的老师傅试醅，但该种方法存在主观性较强的弊端。而质构仪可反映与机械性能相关的食品质构特性，它通过采用专用探头对样品进行准确量化，从而用定量指标对酒醅进行客观、全面的评价，避免人为因素对结果的主观影响，同时便捷性较高。我公司在行业内首创采用质构仪测量的方法对入池酒醅手感特征进行量化分级，其中回复性是衡量酒醅性状的一个重要指标。但质构仪的检测方法存在着耗时、费力、不适合大批量检测等缺点。

近红外光谱分析技术是一种快速高效的现代分析技术，在食品、化工、制药等领域得到了广泛的应用。近红外光谱仪适合分析与含H 基团有直接或间接关系的成分，回复性虽然是物理特性，但该指标的大小最终反映的还是物质本身化学特性的差异，如酒醅的疏松度、淀粉的糊化程度、水分含量等。本研究尝试利用近红外光谱分析技术应用于入池酒醅手感指标回复性的快速检测当中，提供一套高效、准确、快速的分析酒醅性状的方法。

1 材料与方法

1.1 材料、仪器

试验入池酒醅：洋河酒厂2020 年度酿酒周期的酒醅，取样方式为从镰上取三点，即左、右、中间，分布要均匀。每点取约200 g 样品，将三点样品混合均匀后，用四分法采用环刀(一种容器，可最大限度保持酒醅自然状态)取约200 g 样品，放入塑料杯中，并注明车间、组别及窖池编号。选取200～500个有代表性的样品建模。

仪器设备：瑞士BuChi 公司的NIRMaster 傅里叶变换近红外光谱仪（NIR）、上海保圣科技的TA.TOUCH质构仪。

1.2 试验方法

1.2.1 酒醅的回复性测定法

采用质构仪的全质构分析方法（TPA），即将待测酒醅样品装在环刀中，使用球形探头，按照厂家提供的参数设置，从起始位置开始先以一定速率下压待测样品，压缩到固定位移后，探头返回压缩的触发点，停顿一段时间后继续下压同样位移，而后返回。单个样品检测数值为3次测量均值。

1.2.2 测量参数

光谱谱区范围为4000～10000 cm-1；光谱分辨率为4 cm-1，扫描次数为32次，测量序列个数为3。

1.2.3 酒醅样品测量方法

提前打开NIR，预热30 min，将入池酒醅混匀后平铺于步琦培养皿上，样品量约占培养皿的2/3，样品应铺满整个培养皿底部，不可透光。然后将培养皿放置于测量池上进行测量，系统自动保存光谱信息。

1.2.4 光谱的赋值

将质构仪检测出的回复性数值赋值于相对应的扫描光谱上，保存待用。

2 结果与分析

2.1 样品的预处理方法及谱图分析

近红外光谱分析中主要的误差来源于环境噪音、基线漂移及样品的散射等。为了能够从谱图中充分提取有效特征信息，最大限度降低内外部干扰噪音，可通过对光谱做一些合适的预处理方法，如一阶导数、二阶导数和矢量归一化等，从而提高模型的适用性和准确性。利用傅里叶变换近红外光谱仪对酒醅样品进行光谱扫描，经预处理后结果如图1所示。

图1 酒醅回复性原始扫描光谱图

从谱图本身来看，信号较强，说明样品中可被采用的有效信息较多，可依据酒醅中水分、有机酸、淀粉含量的特征吸收，作为构建表观参数回复性模型的基础。

2.2 模型波段的选择分析

建模所选择的光谱宽度会直接影响模型的适用性和准确性，早期的光谱定量分析经常采用全波段响应，但每个波段提取样品的强度大小存在一定的差异性，波段选择不当，反而会增加运算强度，降低信噪比，影响模型的预测效果。因此在近红外光谱模型建模过程中，光谱区域的选择至关重要。利用NIR 对酒醅样品进行光谱扫描，通过化学计量学软件对所收集光谱进行拟合分析。结果如图2所示。

图2 酒醅回复性回归系数图

由模型的回归系数图（图2）可以看出，在波段4000～5000 cm-1光谱宽度内，NIR 对酒醅回复性的反射为零；而在5000～10000 cm-1光谱宽度内，NIR对酒醅回复性的反射存在不同程度的波动，说明不同酒醅样品中回复性有较大的差异性响应，有利于提取光谱有效信息，因此选择5000～10000 cm-1波段建立模型。

2.3 酒醅回复性近红外模型的内部验证

利用瑞士步琦公司开发的NIRCal5.2 对所吸收的光谱参数进行处理，同时采用数学处理法——偏最小二乘法来建立预测模型。本研究中，预测模型的质量采用校正模型、验证模型的相关系数（r）和预测均方根误差（RMSEP）作为评价参数。好的模型需要有较高的相关系数（r）和较低的预测均方根误差（RMSEP）。同时要求建模标准偏差SEC 要与预测标准偏差SEP 的比值接近1，以避免模型的过拟合。从所收集光谱中取240 组数据用于数学建模，86组数据作为模型的验证集。模型的内部验证结果如图3所示。

由图3 和表1 可以看出，回复性数值在400～600 范围内时，模型的光谱预测值与原始值线性较好，在大于600 时线性一致性降低，这可能与所收集的样品中回复性数值偏大的数量较少有关。总体上看，建模集的相关系数r 为0.8549，验证集的相关系数r 为0.8328；建模集标准差SEC 与验证集标准差SEP 的比值为1.026，已满足行业内对BUCHI近红外光谱分析仪使用标准的要求，说明该模型可以实现对入池酒醅回复性的快速无损检测，且模型未过拟合，稳定性较好。

图3 酒醅回复性模型内部验证结果图

表1 酒醅回复性模型参数

2.4 酒醅回复性近红外模型的外部验证

为验证酒醅回复性近红外模型在实际应用上的准确性，特对模型进行外部验证预测性实验。随机选取40 组酒醅样品分别进行TPA 检测和近红外模型检测，所得结果如图4所示。

图4 酒醅回复性TPA测定值与模型预测值对比图

由模型的外部验证结果可以看出，酒醅回复性TPA 测定值与近红外模型预测值的绝对偏差为16.78，平均相对误差为3.11%，RMSEP 为0.263，说明该近红外模型有较好的预测能力。本次实验对二者不同的检测方法进行比对（t 检验），结果显示在0.05 显著性水平下，两种方法差值的显著性为0.682（大于0.05)，表明不存在显著性差异，也再次验证了所建的模型预测能力已达到常规分析方法的精度要求，可以用于酒醅回复性的预测，实现了近红外光谱仪对物质物理指标的检测。

3 结论与讨论

本试验结合质构仪检测数据并采用近红外光谱技术建立了入池酒醅回复性的定量预测模型。通过对模型的预测结果与TPA 检测结果的对比分析可以看出，该模型的相关系数R 值都在0.8 以上，外部验证的RMSEP 为0.263，这些数据均表明近红外光谱的分析方法适用于酒醅回复性的定量分析，准确度能满足实际生产中对酒醅发酵程度的预判。

近红外检测技术作为一种高效、快速的检测技术，具有很多优点，如样品无需预处理、无需使用化学试剂等。其能为入窖前酒醅的感官指标提供数据支撑，便于酿酒师傅们及时调醅，使入池酒醅各项指标达到正常值，保证酒醅发酵前处于最佳状态，从而实现较高的出酒率和产酒质量，具有非常重要的生产意义。下一步将继续对模型在600 以上的数据段进行持续补充和优化光谱数据，逐步提高模型的预测准确性，更好地服务于酿酒生产。