基于高光譜成像技術的大曲酸度值預測及其可視化

孫婷，胡新軍*，田建平，王開鑄，黃丹，彭興輝

1(四川輕化工大學 機械工程學院，四川 宜賓，644000)2(四川輕化工大學 生物工程學院，四川 宜賓，644000)

大曲主要以生料小麥為原料，通過自然網羅制曲環境中的微生物接種發酵，微生物在曲坯中此消彼長， 自然積溫轉化并風干而成的一種多酶多菌的微生態制品[1]。這種多酶多菌的微生態制品提供了白酒發酵所需的糖化力、液化力和形成白酒復雜風味成分的前驅物質[2]，是影響白酒風格和酒質的重要物質基礎。因此自古就有“曲乃酒之骨”、“有好酒必有好曲”的精辟論斷[3]。

大曲質量檢測手段的不完善是制約傳統白酒生產進一步發展的一個重要原因[4]。目前衡量大曲質量的優劣主要是根據大曲的水分、酸度、淀粉、發酵力、酯化力、糖化力等理化指標， 再輔以感官綜合評判[5]。其中大曲酸度是一個重要指標，大曲酸度主要來源于生酸微生物進行有機酸代謝以及脂肪、淀粉和蛋白質的降解，可作為判斷曲香強弱的一個指標[6]。檢測酸度的傳統方法一般為pH電位法[7]，屬于破壞性檢測，其操作繁瑣且耗時長，不能及時指導培曲生產，因此建立一種快速準確、實時高效的大曲酸度檢測方法對于質量監控和分析研究具有重要意義。

近紅外光譜技術作為高效快速的現代分析技術已被成功應用于白酒真偽度的鑒別[8]，以及大曲的理化指標如水分[9]、糖化力[10]等的測定。但是近紅外光譜技術僅能根據光譜信息計算其內部含量，無法獲取圖像信息，更不能實現內部含量的可視化[11]。高光譜成像技術融合了物質的圖像信息和光譜信息的優點，通過圖像中的每個像素點記錄全光譜，可以實現物質內部組分的可視化分析[12]。因此被廣泛應用于農產品的品質檢測中[13-17]。但尚未見采用于大曲酸度檢測的研究報道。

本研究以發酵過程中的大曲為研究對象，利用高光譜成像技術的優勢挖掘光譜數據和酸度值之間的內在相關性，建立一種快速定量檢測大曲酸度值的方法，為改善乃至替代傳統檢測手段提供數據支撐和方法參考。

1 材料與方法

1.1 樣品準備

以四川宜賓某酒廠生產的大曲為樣本，大曲發酵周期為春季(2018年4月18日～5月15日)，共計28 d，在此期間經歷2次并房，并房時間分別為4月21日和5月2號，并房時間不采集數據。從大曲成型入庫到第2次并房期間，每天上午9時分別在2間曲房均勻分布的8個位置取樣，共計13 d，由于第2次并房到發酵結束期間理化指標變化緩慢，所以隔天取樣，共計7 d。取樣時間總計20 d，得到160個大曲樣本。

1.2 儀器與設備

高光譜圖像采集系統主要由FX17E型高光譜相機(Specim，芬蘭)2組功率為150 W的鹵素燈光源、高精度電控載物臺、裝有專用軟件(Lumo-scanner，芬蘭)的計算機及輔助支架等組成。高光譜成像系統的光譜采集范圍為900～1 700 nm，設定的曝光時間為4.02 ms，掃描速度為16.57 mm/s，工作時在樣品垂直方向作橫向掃描，由此得到包含224個波長分辨率為320×256的三維數據立方體。

1.3 高光譜圖像獲取

采集前高光譜成像系統預熱10 min，調整好系統參數，均勻打碎大曲樣本，篩分后填充至與培養皿邊緣齊平，放置在上述系統的載物臺上開始掃描樣品，得到160組大曲的原始高光譜數據。

為了消除相機的物理結構、背景光強度、以及培養皿形狀差異等產生的噪聲影響，需要對獲得的高光譜圖像進行黑白校正，以降低噪音提高信噪比[18]。采集反射率為99%的標準白色聚四氟乙烯校正板作為白平衡，再采集反射率為0%的鏡頭關閉圖像作為黑平衡，校正公式如公式(1)所示：

(1)

式中：I，校正后光譜反射率；I0，校正前Digital Number (DN)值數據；W，標準白板DN值數據；B，暗電流DN值數據。

校正后對高光譜圖像進行感興趣區域(region of interest，ROI)提取，每個樣本提取一個80×80像素的圓形區域，求得每個ROI內所有像素點的平均光譜，得到160組光譜數據。

1.4 大曲酸度含量測定

大曲酸度值根據GB/T 12456—2008中的pH電位法來測定，試樣的酸度值按公式(2)計算：

(2)

式中：X，酸度值，g/kg；c，NaOH標準溶液濃度，mol/L；VI，試樣溶液消耗NaOH的體積，mL；V0，空白溶液消耗NaOH的體積，mL；K，酸的換算系數；F，試樣稀釋倍數；m，試樣質量，g。在相同條件下，2次獨立測試結果的絕對值差不得超過算術平均值的5%。

2 數據分析方法

2.1 光譜數據預處理

光譜預處理可以有效減弱環境、高光譜系統自身所帶來的負面影響，提高預測模型精度，本文采用多元散射校正(multiplicative scatter correction，MSC)、標準正態變量校正(standard normal variable correction，SNV)和S-G卷積平滑后一階導(savitzky-golay smoothing first derivative，SGFD)3種預處理方法。其中，MSC用來校正由于樣品表面分布不均產生的光譜散射[19];SNV能高效地去除高頻噪音，防止基線變化，優化光譜信號[20];S-G平滑濾波在抑制或消除隨機噪聲的同時，盡可能保留數據中的有用信息，求導能突出顯示隱藏在光譜曲線中的不明顯曲線峰谷變化，得到突顯微弱影響因素的微分光譜曲線。

2.2 特征波長篩選

高光譜獲取的樣本數據量大，本文采集的900～1 700 nm內有224個波長，其中包含很多冗余和干擾信息，會影響模型的準確度，因此需要采用合適的方法篩選與表征指標高度相關的特征波長，以增加模型的魯棒性和泛化性。本文采用連續投影算法(successive projection algorithm，SPA)進行特征波長提取，SPA算法是一種使矢量空間共線性最小化的前向變量選擇算法，可以將有效的信息從大量的光譜數據中篩選出來，找到光譜變量之間共線性最小的特征波長，優化建模條件[21]。

2.3 數學模型建立

2.4 酸度值可視化分布

高光譜圖像數據上每一個像素點都有一條包括全波長的光譜反射率曲線[22]。將大曲樣本每個像素點的光譜數據代入以上最佳預測模型中，計算相應像素點的酸度值，得到灰度圖像，對其進行偽彩色處理，最終獲得大曲酸度值的可視化彩色分布圖。其中紅色代表高含量，藍色代表低含量，可以根據顏色直觀顯示出不同發酵時期的大曲酸度值及其分布情況。

3 結果與分析

3.1 大曲酸度值的變化

通過pH電位法測得不同發酵周期的160個大曲樣本酸度值，如表1所示，全部樣本的酸度值含量為3.35～10.76 g/kg，平均值為5.245 9 g/kg，方差為0.116 6。根據Kennard-Stone(KS)算法將樣本劃分為120個訓練集和40個測試集用于后續的建模。

表1 大曲樣品酸度值統計表Table 1 Statistics of acidity indicators for Daqu samples

3.2 大曲樣品的光譜特征

由于光譜曲線的首尾波長噪聲較大，為了保證數據的穩定性,去掉首尾10個波長的數據，圖1表示大曲樣本204個波段的原始平均反射率光譜和經過3種預處理方式后得到的光譜。在波長范圍內，原始光譜呈現均勻的階梯型變化，這是由于隨著發酵時間的進行，大曲水分逐漸散失導致反射率逐漸增大。MSC、SNV預處理的光譜特征整體變化趨勢基本一致，在1 200、1 470 nm處出現2個吸收峰，但吸收峰位置高低有一些差異，這與樣品成分中各種含氫基團物質的運動有關。而SGFD放大了原始光譜曲線的細節部分，凸顯出光譜變化的趨勢，可見大曲樣本對1 150、1 400 nm這2個波長的光非常敏感，這是由于有機酸的主要特征羧基官能團在此處產生較強吸收。

3.3 基于全波長光譜預測大曲酸度值結果

分別基于原始光譜和3種預處理的204個波長，建立PLSR和LS-SVM兩種酸度值預測模型，結果如表2所示。

由表2得知，基于原始光譜和3種預處理光譜建立的PLSR和LS-SVM模型預測大曲酸度值效果均良好，決定系數總體達到0.9以上，均方根誤差均較小。

a-原始光譜; b-MSC預處理光譜; c-SNV預處理光譜; d-SGFD預處理光譜圖1 不同預處理下的大曲光譜曲線Fig.1 Daqu spectral curve under different pretreatments

表2 PLSR和LS-SVM模型全光譜建模效果Table 2 Statistics of modeling effect of PLSR and LS-SVM models in full spectrum

從預測集精度綜合比較而言，LS-SVM模型比PLSR模型具有更好的預測精度和魯棒性，其中，SGFD預處理構建的LS-SVM模型表現效果最好，為0.929 6，RMSEP為0.011 2，因此可以作為基于全波長預測大曲酸度值的較好模型。

3.4 最優特征波長的選擇

采用SPA算法分別從原始光譜、MSC、SNV和SGFD預處理后的204個波長中篩選出最優波長，結果如表3所示。其中篩選出的波長數量在8～20之間，光譜減少量在91%～97%。

表3 最優波長篩選結果比較Table 3 Comparison of optimal wavelengths selected by SPA

3.5 基于特征波長光譜預測大曲酸度值結果

表4 PLSR和LS-SVM模型特征光譜建模效果Table 4 Statistics of modeling effect of PLSR and LS-SVM models in characteristic wavelengths

3.6 最優模型確定和酸度值可視化

綜合考慮表2和表4，在900～1 700 nm波長范圍內SNV預處理和SPA算法結合能有效選取特征波長，降低數據冗余，減少計算時間并能保證預測精度，最終確定SNV+SPA+LS-SVM為最優的大曲酸度值預測模型。

大曲發酵過程中，酸度值會隨著水分蒸發和微生物的生長代謝等因素發生變化，酒企會根據酸度值大小來推測發酵狀態以便及時地開關窗戶，調整曲房溫度。高光譜成像技術可以直觀展示酸度值二維分布狀況。均勻選擇發酵時間為4月18日、4月23日、4月29日、5月6日、5月10日和5月15日的大曲高光譜圖像，分別提取ROI內每個像素相應8個特征波長的光譜數據，將光譜數據代入到最優的SNV+SPA+LS-SVM模型中，計算每個像素點的酸度值形成灰度圖像，然后進行偽彩色處理得到可視化云圖，這樣可以非常直觀地感知酸度值變化,如圖2所示。

a-4月18日; b-4月23日; c-4月29日; d-5月6日; e-5月10日; f-5月15日圖2 不同時期大曲酸度可視化分布Fig.2 Visualization of Daqu acidity in different periods

由圖3可知，不同發酵時間的大曲酸度值明顯不同，隨著發酵時間的進行，酸度值不斷降低，顏色逐漸由紅變藍。4月18日中有部分紅色區域，因為發酵剛開始時，產酸量很少，酸度值較高；隨著發酵進行，4月23日測定的酸度值緩慢降低；4月29日中有少量紅色區域，產酸細菌大量生長，產酸量增加，酸度值降低較快；經過一段時間的發酵，5月6日酸度值下降得更為明顯；5月10日藍色區域逐漸增多，產酸菌大量繁殖，產酸量增多，酸度值進一步下降；5月15日天藍色顏色加深，但并不明顯，這是由于發酵后期產酸菌活性逐漸降低導致大曲的酸度變化不明顯。酸度值變化趨勢與這6 d的實際檢測值高度吻合，可以直觀顯示大曲酸度值分布，為判定大曲發酵狀態，調節曲房環境提供了依據。

4 結論