黃酒發(fā)酵過程理化指標的近紅外光譜快速檢測方法研究

呂興龍　劉強　孫國昌　彭海根　毛青鐘　葉芙蓉

摘要：為提高黃酒發(fā)酵過程常規(guī)指標的檢測效率，提出采用漫反射方式采集黃酒醪液的近紅外光譜，并應用近紅外技術(shù)結(jié)合偏最小二乘方法（PLS）建立一種能夠同時測定黃酒醪液酒精度、總酸和總糖的定量分析模型。結(jié)果顯示：優(yōu)化后3種指標模型的決定系數(shù)（R）分別為0.99、0.91和0.98，交互驗證標準偏差（RMSECV）分別為0.42、0.32和1.19;模型進行外部驗證時，預測標準偏差（RMSEP）分別為0.45、0.35和2.01，預測平均相對偏差分別為3.37%、4.57%和4.66%，滿足黃酒發(fā)酵過程中對樣品分析檢測精度的要求。研究結(jié)果表明該方法可以用于黃酒醪液常規(guī)指標的快速分析，對于解決黃酒自動化生產(chǎn)中指標檢測問題具有積極意義。

關(guān)鍵詞：近紅外光譜;黃酒;醪液;快速檢測

中圖分類號：TP274.5

文獻標志碼：A

文章編號：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

黃酒具有悠久的歷史傳統(tǒng)和深厚的文化底蘊，被譽為中國的“國粹”酒，與啤酒、葡萄酒并稱世界三大古酒[1]。近年來，隨著人們生活水平的提高和消費理念的轉(zhuǎn)變，對酒的需求由“單純嗜好”向“營養(yǎng)保健”轉(zhuǎn)變，即高度、烈性的不良飲酒觀念日益為人們所摒棄，黃酒的低度、營養(yǎng)、保健的優(yōu)勢逐漸顯現(xiàn)，慢慢被人們接受。黃酒的產(chǎn)量也有逐年上升的趨勢，國家統(tǒng)計局數(shù)據(jù)顯示，黃酒在國內(nèi)外市場具有廣泛的發(fā)展空間，根據(jù)“十五”計劃和2015年規(guī)劃，黃酒行業(yè)的總產(chǎn)量從2000年到2015年要從145萬噸增長至250～280萬噸[2]。隨著黃酒需求量的不斷增長，以及計算機技術(shù)、自動化技術(shù)和信息技術(shù)的發(fā)展，黃酒企業(yè)在生產(chǎn)綜合自動化方面進行了積極的嘗試，并取得了長足進展，如會稽山黃酒股份有限公司在紹興柯西建成了一條年產(chǎn)2萬千升的黃酒自動化生產(chǎn)線;紹興女兒紅酒廠與江南大學合作，建立了可實現(xiàn)前酵過程自動化的自控系統(tǒng)等[3]。

黃酒產(chǎn)量的提高和生產(chǎn)綜合自動化的實施對黃酒發(fā)酵過程醪液理化指標檢測提出全新的要求。黃酒發(fā)酵過程中，酒精度、總酸和總糖3項指標影響黃酒的品質(zhì)、風味和口感[4]，需要檢測上述指標含量的變化，標準方法采用GBT13662—2008《黃酒》標準[5]，方法需要多種儀器和化學試劑，樣品需要預處理，步驟繁瑣、費時、費力，顯然不能滿足現(xiàn)代黃酒生產(chǎn)對黃酒醪液指標快速分析日益增長的需求。如會稽山紹興酒股份有限公司實施自動化釀酒之后，發(fā)酵時間由傳統(tǒng)的60～90天縮短到20～30天，發(fā)酵罐數(shù)量也較之前有所增加，因而每天樣品檢測量明顯增多。因此，黃酒發(fā)酵過程中快速分析技術(shù)研究已引起行業(yè)的廣泛關(guān)注。

近紅外技術(shù)具有快速、準確和幾乎不需要樣品制備等優(yōu)點[6]，非常適合快速分析黃酒發(fā)酵生產(chǎn)過程中常規(guī)指標的含量。蔣詩泉[7]、胡小邦[8]、周揚[9]、謝廣發(fā)[10]，SHENF[11]等分別在黃酒近紅外定性或定量分析進行了研究，但是上述研究主要應用透射技術(shù)于成品酒酒齡的識別或常規(guī)指標含量的檢測。應用近紅外技術(shù)快速檢測黃酒發(fā)酵過程中醪液常規(guī)指標的研究尚未見報道。

本文提出采用積分球結(jié)合漫反射方式測定黃酒醪液光譜，研究應用近紅外技術(shù)同時快速測定黃酒醪液酒精度、總酸和總糖常規(guī)指標含量，并對相關(guān)校正模型進行綜合評價，以期解決目前黃酒發(fā)酵過程中常規(guī)指標檢測中存在效率低的問題，為黃酒發(fā)酵過程中的黃酒質(zhì)量快速檢測提供準確的數(shù)據(jù)支撐，提高產(chǎn)品質(zhì)量，具有重要的實際意義。

1 材料與方法

1.1 樣品收集

黃酒發(fā)酵醪液樣品由會稽山紹興酒股份有限公司提供，生產(chǎn)日期為2018年1月-2018年6月，數(shù)量為711個。樣品涵蓋黃酒前發(fā)酵和后發(fā)酵整個發(fā)酵過程。為了保證樣品狀態(tài)的均勻性，取樣時，使用紗布過濾后再裝樣，備用。

1.2性質(zhì)測定常規(guī)方法測定性質(zhì)前，先將樣品進行離心，取上清液，采用GBT13662—2008《黃酒》標準分析方法對所有樣品的酒精度、總酸和總糖性質(zhì)進行測定。樣品各理化指標的參考值統(tǒng)計結(jié)果見表1，通過統(tǒng)計分析，樣品上述性質(zhì)指標分布范圍涵蓋黃酒發(fā)酵過程中性質(zhì)所有指標范圍，具有代表性。

1.3 光譜采集

取樣時，黃酒醪液樣品采用紗布進行過濾，屬于漿狀物，與酸奶形態(tài)類似;祝義偉等[12]采用漫反射方法采集得到酸奶近紅外光譜，并建立預測效果很好的非脂乳固體近紅外校正模型，因而本文提出采用積分球結(jié)合漫反射方式采集黃酒醪液樣品光譜的方法。光譜采集過程中，由于黃酒醪液中的酵母菌仍然處于活性狀態(tài)，漫反射方法相較先將樣品離心然后采用透射方式采集光譜的方法，明顯縮短光譜采集時間，因而可以避免時間過長導致樣品性質(zhì)變化。

在美國Galaxy公司生產(chǎn)的QuasIR3000傅里葉變換近紅外光譜儀上，采集黃酒發(fā)酵醪液的近紅外光譜。儀器參數(shù)設置：1）光譜掃描范圍：10000cm–1～4000cm–1;2）分辨率：16cm–1;3）光譜掃描次數(shù)：64次;4）采用積分球漫反射采集光譜，以儀器內(nèi)置背景做參比。將黃酒醪液樣品倒入樣品杯中時，盡量不要產(chǎn)生氣泡。

圖1是黃酒半成品醪液樣品漫反射吸光度光譜圖，譜圖平滑，吸光度處于正常范圍內(nèi)，且在近紅外譜區(qū)合頻區(qū)域和倍頻區(qū)域都有明顯的吸收峰，進一步表明本文采用積分球結(jié)合漫反射采集黃酒醪液樣品的方法可行。

1.4 模型評價參數(shù)介紹

在應用近紅外技術(shù)建立定量模型過程中，需要結(jié)合不同參數(shù)評價模型，主要包括如下：1）決定系數(shù)R決定系數(shù)主要用來判斷定量校正模型與待測組分的線性關(guān)系，計算方法如下：

式中：yi，actual——第i個樣品參考方法的測定值;

y?i，actual——校正集（或驗證集）全部樣品參考方法測定的平均值;

yi，predicted——校正集（或驗證集）驗證過程中第i個樣品的預測值;

n——校正集（或驗證集）的樣品數(shù)量。

在樣品化學成分范圍相同的前提下，R越接近1，模型回歸（或預測）結(jié)果越好。

2）交互驗證標準偏差（RMSECV）和預測標準偏差（RMSEP）

建立近紅外光譜定量校正模型時，樣品分為校正集和驗證集，校正集是用來建立定量校正模型，驗證集是用來對模型進行驗證，未參與校正模型的建立過程，通過比較參考值與模型預測值的差異，來判斷模型預測能力的好壞。

建模過程中，可以通過交互驗證的方法對模型進行驗證。其原理為：模型驗證過程中，每次從校正集中取出一個或多個樣品作為臨時驗證樣品，以其余的樣品進行建模，然后對這一個或多個樣品進行預測，如此循壞，則會分別得到每個樣品的模型交叉預測值，最后，以交叉預測值與參考方法值誤差平方和的均方根值為RMSECV，其計算公式如下：

式中：yi，actual——第i個樣品參考方法的測量值;

yi，predicted——校正集交互驗證中第i個樣品的預測值;

n——校正集的樣品個數(shù)。

預測標準偏差（RMSEP）是計算模型得出的預測值與參考值之間的誤差平方和的均方根值，其計算公式如下：

式中：yi，actual——第i個樣品參考方法的測量值;

yi，predicted——驗證集預測過程中第i個樣品的模型方法預測值;

m——驗證集的樣品個數(shù)。

本文采用交互驗證和驗證集驗證相結(jié)合方法驗證模型效果。對于同一批次樣本，模型RMSECV和RMSEP值越小說明模型效果越好。

2 結(jié)果與分析

2.1 建立近紅外定量分析模型

將黃酒醪液樣品的近紅外圖譜和參考值數(shù)據(jù)一一對應，采用VSPEC公司開發(fā)VModel近紅外建模軟件分別建立酒精度、總酸、總糖的定量分析模型。

在近紅外定量分析模型建立過程中，有必要對光譜數(shù)據(jù)進行光譜預處理。常規(guī)的光譜預處理方法包括多元散射校正（MSC）、標準正則變換（SNV）、一階導數(shù)、二階導數(shù)和平滑處理等。MSC和SNV具有消除顆粒分布不均勻及顆粒大小產(chǎn)生的散射影響，在固體漫反射和漿狀物透（反）射光譜中應用較廣泛[13];導數(shù)處理既可以消除基線偏移，還可以起到一定的放大和分離重疊信息的作用，由于噪聲信號也被放大，因此通常在微分之前需要對光譜數(shù)據(jù)做平滑處理。

建模時，先將光譜全譜段平均分成10等分，采用不同的單個譜段分別建立不同校正模型，并采用交互驗證方式結(jié)合上述評價參數(shù)對各個模型效果進行評價，確定最優(yōu)模型的譜段范圍，然后擴充譜段數(shù)量和譜段范圍，重新建立校正模型并進行模型評價，直到找出最優(yōu)的譜段或譜段組合。

偏最小二乘方法（PLS）在主成分分析（PCA）的基礎(chǔ)上，對光譜矩陣和濃度矩陣同時進行分解，并在分解時考慮兩者相互之間的關(guān)系，加強對應計算關(guān)系，從而保證獲得最佳的校正模型。偏最小二乘方法（PLS）是多元線性回歸、典型相關(guān)分析和主成分分析的完美結(jié)合，而且模型效果明顯優(yōu)于其他方法，這也是PLS在光譜多元校正分析中應用最為廣泛的原因之一[13]。

綜上所述，首先采用單個光譜預處理或預處理方法組合的方式對樣品光譜進行預處理，結(jié)合上述建模譜段優(yōu)選方法，采用偏最小二乘法（PLS），分別建立酒精度、總酸和總糖定量校正模型，并使用模型評價參數(shù)對各個模型進行評價，從而確定最優(yōu)的預處理方法。經(jīng)過優(yōu)化后，黃酒醪液酒精度、總酸和總糖定量模型交互驗證結(jié)果和相應的建模參數(shù)詳見表2。

表2顯示，模型決定系數(shù)R都大于0.90，即模型相關(guān)性很好，交互驗證標準偏差（RMSECV）都很小，模型效果很好，且主因子數(shù)合理。

黃酒醪液酒精度、總酸和總糖定量模型校正集參考值和預測值的散點圖如圖2、圖4和圖6所示;主因子數(shù)與RMSECV的變化趨勢圖如圖3、圖5、圖7所示。

2.2模型外部驗證結(jié)果為了進一步驗證模型效果，隨機挑選30個具

有代表性的樣品作為外部驗證樣品，并應用所建立的黃酒醪液酒精度、總酸和總糖定量模型預測樣品上述指標的含量值，與標準分析方法值進行對比，結(jié)果如表3所示。

黃酒醪液酒精度、總酸和總糖定量模型驗證集參考值和預測值的散點圖如圖8、圖9和圖10所示。

通過對表3和圖8～圖10分析，本文挑選的驗證樣品在各個指標濃度范圍內(nèi)分布均勻，即具有代表性，可以作為模型外部驗證樣品;模型預測標準偏差（RMSEP）分別為0.45、0.35和2.01，RMSEP和RMSECV相差很小，即模型的穩(wěn)定性很好，且預測平均相對偏差分別為3.37%、4.57%和4.66%，與標準方法重復性要求5%相近，進一步說明本文建立的黃酒醪液酒精度、總酸和總糖近紅外定量模型準確度滿足生產(chǎn)過程中對樣品分析檢測誤差的要求。

3 結(jié)束語

本文提出應用漫反射方式采集黃酒醪液光譜，結(jié)合近紅外光譜分析技術(shù)快速測定黃酒發(fā)酵過程中酒精度、總酸和總糖指標含量的方法可行;黃酒醪液酒精度、總酸和總糖近紅外定量模型經(jīng)過優(yōu)化后，R分別為0.99、0.91和0.98，RMSECV分別為0.42、0.32和1.19，且模型通過外部驗證，方法精確度滿足黃酒發(fā)酵過程中常規(guī)指標檢測的要求，可以用于黃酒自動化發(fā)酵過程中醪液常規(guī)指標的快速分析，具有積極意義。

參考文獻

[1]駱高遠.紹興黃酒文化與旅游[J].經(jīng)濟地理，2005（9）：749-752.

[2]楊國軍.中國黃酒業(yè)調(diào)研報告[J].中國釀造，2005（4）：1-5.

[3]王培璇.中國黃酒出口競爭力研究[D].無錫：江南大學，2014.

[4]江超，林峰.陳年紹興黃酒的成分分析與品質(zhì)鑒定[J].食品與發(fā)酵工業(yè)，2009（10）：119-123.

[5]黃酒：GBT13662-2008[S].北京：中國標準出版社，2008.

[6]陸婉珍主編.現(xiàn)代近紅外光譜分析技術(shù)[M].2版.北京：中國石化出版社，2006.

[7]蔣詩泉，周興才，蔣詩平，等.基于PCA和LS-SVM的傅里葉變換近紅外光譜的黃酒酒齡的鑒別模型[J].光譜實驗室，2012，29（2）：806-811.

[8]胡小邦，呂進，劉輝軍，等.基于近紅外透射光譜的黃酒酒精度、酸度檢測模型研究[J].光電工程，2010，37（10）：122-127.

[9]周揚，呂進，劉鐵兵，等.小波域高斯混合模型方差估計近紅外降噪方法[J].光電工程，2011，38（8）：96-100.

[10]謝廣發(fā)，徐榕，樊阿萍，等.近紅外技術(shù)在黃酒理化指標快速檢測中的應用[J].中國釀造，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]祝義偉，肖琳，費華熙，等.酸奶中非脂乳固體的近紅外定量分析模型建立[J].中國乳品工業(yè)，2014，42（7）：39-41.

[13]褚小立主編.化學計量學方法和分子光譜分析技術(shù)[M].北京：化學工業(yè)出版社，2011：4.

（編輯：徐柳）