出窖酒醅淀粉酸度和还原糖一样多测的快速检测方法

张丰川，刘建学，2，3，韩四海，2，3，李佩艳，2，3，郭金英，2，3，罗登林，2，3

（1.河南科技大学食品与生物工程学院，河南 洛阳 471023；2.河南省食品原料工程技术研究中心，河南 洛阳 471023；3.食品加工与安全国家级实验教学示范中心，河南 洛阳 471023）

0 引言

浓香型白酒的出窖酒醅是由高粱、大米、稻壳、酒曲和续糟等辅料组成的固态混合物[1]，其发酵过程非常复杂，需要多种微生物和酶的共同作用。淀粉是发酵过程中的最初能源，大多数的微生物不能将淀粉直接利用，淀粉必须经过糊化、糖化等化学变化变成单糖或双糖后，才能被微生物直接利用。即只有淀粉变成可发酵性糖，才有可能保证出酒率的稳定，才有可能提高酒的质量[2]；发酵过程中，淀粉含量过高，酒醅发酵不完全，过早出窖造成原料浪费。白酒生产中，酸度是白酒质量的关键决定因素之一，酒醅的酸度不仅影响发酵过程，还会对酒的质量产生重要影响[3]。酒醅中适当的酸度可以有效地抑制发酵过程中有害杂菌的生长繁殖，减少有害物质的产生，从而保证酒的质量。此外，适当的酸度能促进呈香呈味物质的形成，参与酯化过程，使酒具有更好的香气和口感。然而，如果酒醅中的酸度过高，酒醅发酵缓慢，产酒率降低，从而影响酒的品质[4]。在发酵过程中，由于发酵菌的数量较少，糖化的过程进行得较快，酒醅中还原糖的含量会先快速增长至最大值，随着发酵时间的延长，酵母菌等微生物的数量趋于稳定，发酵力增强，还原糖的含量呈下降趋势，而到了发酵后期，还原糖的含量不再发生变化。因此，酒醅中还原糖含量反映出糖化与发酵之间的平衡关系[2]。还原糖含量偏高，说明窖池中的微生物含量变少；还原糖含量偏低，表明糖化与发酵的平衡程度比较好，最终产出的白酒品质也就会更优良。因此，出窖酒醅中淀粉、酸度和还原糖的含量是控制酒醅发酵质量的关键指标，也决定着最终出酒的品质。

传统酒醅检测技术有样品前处理复杂、对样品有损害、检测时间长、效率低等缺点，不能对酒醅中淀粉、酸度和还原糖进行现场检测[5-6]，同时难以对发酵阶段进行评价，难以保证发酵进程的统一性[7]。近红外光谱分析（Near infrared spectroscopy，NIS） 技术以其检测速度快、操作简单、环保、无损等特点[8-10]，可以弥补传统方法检测滞后等缺点，实现快速在线及多指标测量，满足自动化、智能化等现代工业化酿酒生产[11-12]。目前，近红外光谱技术已被广泛应用于化工、食品、农业、药物等领域[13-16]。

利用近红外光谱分析技术建立浓香型出窖酒醅中淀粉、酸度、还原糖的快速定量分析模型，为白酒企业生产提供固态发酵酒醅关键指标的快速检测方法。

1 材料与方法

1.1 试验材料与仪器设备

酒醅，取自河南某酿酒企业的不同发酵池。

试验仪器：德国布鲁克公司生产的VECTOR33型傅里叶变换近红外光谱仪（FT-NIR）。

检测器：硫化铅（PBS） 检测器。

1.2 出窖酒醅理化指标测量方法

淀粉含量的化学值测定：按照《GB 5009.9—2016》国标中酸水解法进行测定；酸度值的化学值测定：按照《GB5009.239—2016》 国标中酚酞指示剂法进行测定；还原糖含量的化学值测定：按照《GB5009.7—-2016》国标中直接滴定法进行测定。

1.3 光谱采集

试验所用的出窖酒醅属于固体样品，考虑到酒醅颗粒大小、形态等因素，选择漫反射的测样方式即积分球，可以提高反射光的收集率。波长范围设定为10 000~4 000 cm-1，仪器分辨率为16 cm-1，扫描次数64 次[17]。

1.4 光谱预处理

近红外仪器采集的光谱数据中会包含与出窖酒醅中淀粉、酸度、还原糖无关的信息，此外还会受到测量环境、样品分布的影响，会对模型的质量有所影响，为了使建立的模型更加准确地在实际生产过程中应用，需要对采集的原始光谱进行预处理[18]。预处理的常用方法有光谱归一化、平滑处理、线性补偿减差法、标准正态变量（SNV）、多元散射校正（MSC）、一阶导数法（1 d）、二阶导数法（2 d）、一阶导数+ 减去一条直线、最小- 最大归一化等[19]。对光谱预处理是选择一种或者多种处理方法组合的方式，使得测到的光谱数据与所测的化学值更好的关联，达到更好的建模效果。

2 结果与分析

2.1 化学值测量结果

化学值测定结果见表1。

表1 化学值测定结果

选取180 个不同窖池的出窖酒醅样品，对其淀粉含量、酸度、还原糖含量进行分析研究，从结果来看每个样品的淀粉含量、酸度、还原糖含量会有所差异。由表1 可知，出窖酒醅淀粉含量最小值为9.21 g/100 g，最大值为17.32 g/100 g，平均值为13.02；酸度的最小值为0.55 mmol/10 g，最大值为7.33 mmol/10 g，平均值为3.99 mmol/10 g；还原糖含量最小值为0.05 g/100 g，最大值为1.033 g/100 g，平均值为0.399 g/100 g，所测样品淀粉、乙醇、酸度和还原糖的极差较大，含量范围较广，能够满足下一步建立模型的要求。

2.1.1 光谱数据分析

出窖酒醅近红外光谱图见图1。

图1 出窖酒醅近红外光谱图

图1（a） 是出窖酒醅近红外光谱的原始光谱图，可以看出样品光谱图的趋势大致相似，但是出现个别图谱存在较大差异的情况，这是因为测定过程中出现的不确定因素的影响。图1（b） 是原始光谱经过标准正态变量（SNV） 处理之后的光谱图，标准正态变量处理之后的光谱图趋势更加紧密。图1（c）是原始光谱图经过一阶导数加标准正态变量处理后的光谱图，一阶导数处理之后的光谱图光谱轮廓更加明显，光线的基线漂移现象也能够得到消除，吸收峰变陡，可以使较小的吸收峰显现出来。由图1（b） 和图1（c） 2 个经过预处理之后的光谱图可知，图谱基线漂移的现象得到了消除，特征谱带得到加强，光谱差异更加明显，从而达到了优化模型的效果。

2.1.2 出窖酒醅淀粉含量模型建立

出窖酒醅的建模过程是将近红外技术与国家标准方法测得的化学值结果相结合的过程[20]，以国家标准方法所测得的结果为基础，模型的准确性依赖于化学值测定的精确性，要求在理化试验阶段要严格按照国标进行检测。考虑到模型精度、稳定性的检验及样品化学值含量的代表性，采用浓度梯度法以3∶1 的比例将样品集划分为校正集和验证集样品。

利用线性定量分析方法来建立模型，主要选择偏最小二乘方法（PLS） 建立模型。

出窖酒醅淀粉模型参数见表2，出窖酒醅酸度模型参数见表3，出窖酒醅还原糖模型参数见表4，酒醅模型校正集和检验集的决定系数和标准偏差见表5。

表2 出窖酒醅淀粉、酸度和还原糖的模型参数

表3 出窖酒醅酸度模型参数

表4 出窖酒醅还原糖模型参数

表5 酒醅模型校正集和检验集的决定系数和标准偏差

由表2 可知，淀粉无预处理光谱数据所建的PLS模型中，校正集决定系数（R2） 为0.933，校正均方根误差为0.746 g/100 g，验证集R2为0.851 7，预测均方根误差为0.926 g/100 g，但经多元散射校正等4种方法预处理后，模型精确度有所提高，使用一阶导数+标准正态变量（SNV） 方法所建立的酒醅淀粉模型为最佳模型，校正集R2为0.952 9，校正均方根误差为0.547 g/100 g，验证集R2为0.909 2，预测均方根误差为0.732 g/100 g，与无预处理光谱数据所建模型相比，具有更高的决定系数和更低的均方根误差，模型预测能力明显提高。

由表3 可知，酸度无预处理光谱数据所建的PLS模型中，校正集R2为0.933，校正均方根误差为0.323 mmol/10 g，验证集R2为0.893 5，预测均方根误差为0.481 mmol/10 g，模型有较高的R2和较低的均方根误差，表明模型预测值与真实值差距较小，近红外光谱能够满足酒醅酸度的定量分析要求，经一阶导数等五种方法预处理后，模型精确度有所提高，使用一阶导数+减去一条直线方法所建立的酒醅淀粉模型为最佳模型，校正集R2为0.9485 ，校正均方根误差为0.308 mmol/10 g，验证集R2为0.912 1，预测均方根误差为0.453 mmol/10 g，模型预测能力明显提高。

由表4 可知，还原糖无预处理光谱数据所建的PLS 模型中，校正集R2为0.949 4，校正均方根误差为0.034 7 g/100 g，验证集R2为0.924 4，预测均方根误差为0.0347 g/100 g，模型有较高的R2和较低的均方根误差，表明模型预测值与真实值差距较小，近红外光谱能够满足酒醅还原糖的定量分析要求，经多元散射校正等五种方法预处理后，模型精确度有所提高，使用最小-最大归一化方法所建立的酒醅还原糖模型为最佳模型，校正集R2为0.967 5，校正均方根误差为0.026 9 mg/100 g，验证集R2为0.941 6，预测均方根误差为0.037 5 mg/100 g，模型预测能力明显提高。

酒醅模型校正集和检验集的预测值-化学值的相关图见图2。

图2 酒醅模型校正集和检验集的预测值-化学值的相关图

由图2 可知，出窖酒醅淀粉、酸度和还原糖的样品散点分布在回归线两侧，较为密集，模型预测值与真实值十分接近；由表2 ~表4 可知，酒醅3 个指标的标准偏差较小，淀粉、酸度和还原糖模型校正集的标准偏差分别为1.655 0，0.367 1，0.045 1，验证集的标准偏差分别为1.942 5，0.384 4，0.036 4。表明国标法测出的化学值与近红外方法测得预测值有良好的相关性，所建立的模型具有良好的预测效果，可以用于出窖酒醅淀粉、酸度、还原糖指标的快速检测。

2.2 近红外模型精度检验

为进一步验证出窖酒醅模型的精确度，选取一定比例的未测样品进行检验。用已经建好的模型分别进行3 次重复试验进行检测，并计算出每个测量值的平均值、相对误差和标准偏差。经计算，淀粉模型平均相对误差和标准偏差为0.68%和9.33%，酸度模型平均相对误差和标准偏差为1.19%和9.11%，还原糖模型平均相对误差和标准偏差为1.48%和1.97%。表明模型的精度良好，具备快速检测出窖酒醅指标的能力。样本量越大，所建立的模型越好，后期可以不断增加样本个数，达到更好的快速检测结果。

3 结论

利用近红外光谱分析技术，对出窖酒醅3 个指标的化学数据和光谱数据进行关联，建立了出窖酒醅淀粉、酸度和还原糖的快速检测模型，原始光谱经过不同方法预处理之后，预测能力有明显改善，淀粉、酸度和还原糖指标最佳预处理方法分别为一阶导数+标准正态变量、一阶导数+减去一条直线和最小-最大归一化，校正集的R2分别为0.952 9，0.948 5，0.967 5，验证集的R2分别为0.908 2，0.932 0，0.941 6。经过模型精度检验，证明模型预测能力良好，具备快速检测酒醅指标的能力。近红外光谱分析技术具有检测速度快、操作简单等特点，可以同时分析一个样品的多项指标，通过快速检测白酒酒醅的指标数据，可以为白酒生产过程提供指导作用。但是模型的准确性依赖于化学值测量的准确性，在测量过程中要求要个按照国标方法操作，同时增加样本数量，有利于建立预测精度更好的模型。