熊雅婷，李宗朋，王 健，張 英，王淑軍，尹建軍，宋全厚

中國食品發(fā)酵工業(yè)研究院，北京 100015

近紅外光譜波段優(yōu)化在白酒酒醅成分分析中的應(yīng)用

熊雅婷，李宗朋，王 健*，張 英，王淑軍，尹建軍，宋全厚

中國食品發(fā)酵工業(yè)研究院，北京 100015

為了提高白酒酒醅主要成分的快速檢測技術(shù)水平，利用近紅外光譜法對白酒酒醅中的水份、淀粉、酸度和酒精度進行定量分析，通過PLS建立酒醅成分定量分析模型，同時采用CARS、間隔偏最小二乘變量選擇法(iPLS)和無信息變量消除法(UVE)，實現(xiàn)光譜特征波段選擇，并利用多元散射校正(MSC)、導數(shù)以及標準正態(tài)變量變換(SNV)等預(yù)處理方法進行模型優(yōu)化。用決定系數(shù)(R2)、預(yù)測標準偏差(RMSEP)以及最佳主因子數(shù)對模型進行評價，確定最佳建模方法。結(jié)果表明：波段篩選能夠?qū)δＰ推鸬絻?yōu)化作用，并提高模型運算速度，其中CARS優(yōu)化效果最為明顯，酒醅水份、淀粉、酸度和酒精度的R2分別達到0.885，0.915，0.951，0.954；RMSEP分別為0.630，0.519，0.228，0.234，有效地提高了模型的穩(wěn)定性與準確度。經(jīng)過優(yōu)化，所建模型預(yù)測效果好，能夠滿足白酒酒醅主要成分的快速檢測要求，在實際應(yīng)用中有一定的參考價值。

白酒酒醅；近紅外光譜技術(shù)；定量分析；預(yù)處理方法；波段篩選

引 言

酒醅發(fā)酵過程伴隨著水份，淀粉，以及酸度等主要成分含量的變化，影響白酒釀造的產(chǎn)量、質(zhì)量與風味，因此，對酒醅中主要物質(zhì)及時檢測是控制白酒生產(chǎn)品質(zhì)的保障。目前傳統(tǒng)化學檢測方法存在操作繁雜，檢測結(jié)果延遲，準確性差，污染環(huán)境，難以實現(xiàn)大批量快速定量檢測等缺點[1]。尋找一種快速、高效、清潔的檢測方法尤為重要。

近紅外光能夠穿透到酒醅樣品內(nèi)部，攜帶樣品內(nèi)部信息，所以可以采用漫反射技術(shù)對樣品直接測定。近紅外光譜(near infrared spectroscopy，NIR)技術(shù)操作簡單、樣品無需前處理、易于實現(xiàn)快速分析，已經(jīng)在食品、藥品、石油化工、農(nóng)牧等領(lǐng)域廣泛應(yīng)用[2]。

目前，在白酒酒醅檢測方面，郝建國等[3]采用偏最小二乘回歸法(PLS)建立了汾酒酒醅中淀粉、酒精度、酸度、水份的定量分析模型，趙東等[4]分別對五糧液入窖、出窖酒醅的多種理化指標進行了建模與驗證。以上研究結(jié)果均表明了近紅外光譜技術(shù)對單一香型白酒酒醅的快速檢測具有可行性，建立的模型具有較高預(yù)測能力。但是這些研究并未對模型進行深入優(yōu)化。

實驗綜合了濃香型，白干型和芝麻香型等多種香型的白酒酒醅，通過比較全光譜、CARS變量選擇法、間隔偏最小二乘變量選擇法(iPLS)和無信息變量消除法(UVE)，深入探討光譜波段篩選方法對酒醅中淀粉、水份、酸度、酒精度指標建模的影響，并通過對比確定最佳波段選擇方法及預(yù)處理方法，以此來降低模型復雜程度，提高模型運算速度、穩(wěn)定性、準確性以及模型預(yù)測能力，為快速評價酒醅質(zhì)量提供一定參考。

1 實驗部分

1.1 儀器設(shè)備

實驗使用QC-leader傅里葉變換近紅外光譜儀(北京中安信達科技有限公司)。光譜儀光源為鹵鎢燈，檢測器為溫控InGaAs，配有固體測量池。光譜范圍為10 000～4000 cm-1，分辨率為8 cm-1，掃描次數(shù)為32；利用配套軟件 NIRWare Operator 采集樣品的近紅外光譜信息，采用UnscramblerX10.3光譜分析軟件(挪威CAMO公司)進行光譜預(yù)處理、偏最小二乘計算，CARS, iPLS, UVE等程序均在MATLAB環(huán)境下運行。

1.2 材料

實驗所用濃香型，白干型和芝麻香型酒醅樣品共855個，由某白酒企業(yè)提供。為保證實驗可靠性及模型準確性，對酒醅樣品進行三次采樣，采用漫反射方式掃描采集酒醅近紅外光譜，并對光譜進行平均。酒醅水份、淀粉、酸度實測值分別根據(jù)直接干燥法[中華人民共和國國家標準GB5009.3-2010]、酶水解法[中華人民共和國國家標準GB/T5009.9-2008]、[中華人民共和國國家標準GB/T5517-2010]測得。

1.3 光譜處理

1.3.1 校正集與驗證集的劃分

采用Kennard-Stone(K-S)法[5]進行樣本集劃分，基于變量之間的歐氏距離在特征空間中均勻選取樣本，可以直接采用光譜作為特征變量，也可以將光譜進行主成分分析后，選用主成分得分為特征變量選擇樣本。

最終選擇了600個酒醅樣品作為校正集，255個樣品作為驗證集，表1為校正集與驗證集的統(tǒng)計信息。

Table 1 Statistical results of calibration set and validation set

1.3.2 光譜變量選擇

為了剔除無用變量，降低模型復雜度，提高模型準確度，分別采用CARS[6]、間隔偏最小二乘(iPLS)[7]以及無信息變量消除法(UVE)[8]將進行光譜優(yōu)選，根據(jù)決定系數(shù)R2、預(yù)測標準偏差RMSEP以及最佳主成分數(shù)得出最適合的光譜變量選擇方法[9]。在選定的主成分數(shù)下，R2越接近1，RMSEP越接近0，表明模型效果越好[10]。

1.3.3 光譜預(yù)處理

改革后的“X+1+X”運營模式，增加了用戶選擇權(quán)，提高了管道服務(wù)質(zhì)量，推動了定價機制市場化，改革后多個供應(yīng)商、銷售商與用戶談判博弈，價格由市場決定，價格更趨合理。

近紅外原始光譜包含許多干擾因素，影響模型效果。為了消除顆粒分布不均，減弱基線漂移以及噪音的影響[11]，選用多元散射校正(MSC)、標準正態(tài)變量變換(SNV)以及導數(shù)等預(yù)處理方法對光譜進行預(yù)處理，以提高模型準確性和可靠性。

2 結(jié)果與討論

2.1 光譜波段優(yōu)選

2.1.1 CARS(competitive adaptive reweighted sampling)波段選擇法

Table 2 Results of CARS band filtering

Fig.1 Variable selection with CARS

2.1.2 間隔偏最小二乘波段選擇法(interval PLS，iPLS)

將樣品數(shù)據(jù)分割成15個等距波段進行PLS計算并交互驗證，其波段篩選結(jié)果如圖2所示。其中，縱坐標表示了各個波段交互驗證均方差(RMSECV)，虛線(M)表示全光譜區(qū)間建模時的交互驗證均方差[14]。本實驗選擇位于虛線以下的波段進行建模，酒精度建模波段為1，2，5，12號波段；淀粉為2號、5號波段；水分為2，4，5號波段；酸度為2，5，12號波段。

Fig.2 iPLS variable screening results

(a)：Alcohol；(b)：Starch；(c)：Moisture；(d): Acidity

2.1.3 無信息變量消除法(elimination of uninformative variables, UVE)

UVE是一種基于回歸系數(shù)穩(wěn)定性分析的變量選擇方法，對全光譜采用UVE方法進行變量優(yōu)選，變量穩(wěn)定性分析結(jié)果如圖3所示。豎直實線左邊是波長變量，右邊為引入的系統(tǒng)噪音變量。虛線表示變量穩(wěn)定性的上下閾值，處于兩閾值之間的變量可認為是無關(guān)的信息量，超出閾值的部分為有用信息波長變量[15]，因此實驗選擇超出虛線閾值的光譜波段建模。

Fig.3 UVE variable stability analysis results

(a)：Alcohol；(b)：Starch；(c)：Moisture；(d): Acidity

在上述各變量篩選方法的基礎(chǔ)上，分別建立酒醅4個指標的全光譜-PLS，CARS-PLS，UVE-PLS，iPLS-PLS定量模型，并計算得出最佳主因子數(shù)，同時比較決定系數(shù)R2和預(yù)測標準偏差RMSEP，以此來評價模型效果，模型計算結(jié)果如表3所示。

Table 3 Quantitative model validation results of Fermented grains

從表3可以看出，各項指標經(jīng)光譜波段選擇之后，變量數(shù)顯著減少，R2普遍較全光譜增大，同時RMSEP相對減小，主成分數(shù)有不同程度的減少，模型運算速度均有不同程度的提高，說明波段篩選能夠有效優(yōu)化模型。

比較三種波段選擇方法，iPLS-PLS方法因等間距劃分波長導致波長點選擇不夠精準，但是有效地減少了主成分數(shù)量，有利于提高模型預(yù)測能力。UVE-PLS法篩選的變量數(shù)過多，導致模型預(yù)測性、準確度不夠，在酒精度測量結(jié)果中雖然R2、RMSEP優(yōu)于其他方法，但是主成分數(shù)過多，可能引入噪音，在酸度測量中R2、RMSEP結(jié)果較差，模型穩(wěn)定性和準確度有待提高。相比之下CARS-PLS法表現(xiàn)出更大的優(yōu)勢，經(jīng)過篩選，變量數(shù)極大減少，有效保留了關(guān)鍵特征波長，降低了模型的復雜程度，加快了運算速度，R2較原光譜增大1%以上，同時 RMSEP減少，最佳主成分數(shù)合理，四種理化指標的模型穩(wěn)定性和準確性均有較大的提高?？傊?，CARS-PLS法是最合適的白酒酒醅變量篩選法，能有效篩選出數(shù)量更少且合理的波長變量。

2.3 光譜預(yù)處理

導數(shù)光譜可有效的消除基線和其他背景干擾，提高分辨率和靈敏度，與S-G平滑結(jié)合使用能有效的降低噪聲[16]。SNV與MSC的目的主要是消除顆粒分布不均勻及顆粒大小產(chǎn)生的散射影響。對CARS法波段選擇結(jié)果用多元散射校正(MSC)、一階、二階導數(shù)結(jié)合9點Savitzky-Golay平滑以及SNV的方法分別對光譜進行預(yù)處理，并對酒醅指標進行PLS建模，結(jié)果如表4所示。

Table 4 Results of fermented grains preprocessing analysis

由表4數(shù)據(jù)可見，在CARS法已選擇的波段范圍內(nèi)，對于水份和酸度，二階9點S-G平滑法相比于原光譜有明顯優(yōu)化效果，決定系數(shù)R2分別達到0.901和0.952，RMSEP分別達到0.618和0.218；對于淀粉，MSC及SNV均表現(xiàn)出了良好的預(yù)處理效果，R2達到0.921，預(yù)測標準偏差RMSEP為0.509；對于酒精度，一階9點S-G平滑效果最好，R2為0.955，RMSEP為0.225。

結(jié)果表明，合理地使用預(yù)處理方法能有效的提高模型穩(wěn)健性，模型的各項指標均有所改善。但是大部分光譜預(yù)處理方法在運算過程中，會引入或放大噪聲，或者減少光譜真正的樣品信息，最終導致光譜信噪比下降，因此，有時會出現(xiàn)部分預(yù)處理后光譜模型質(zhì)量下降，效果差于原光譜的現(xiàn)象。

2.4 模型驗證

將60個未參與建模的樣品光譜帶入經(jīng)CARS及相應(yīng)預(yù)處理方法優(yōu)化的模型中進行驗證，由圖4可以看到，各理化指標的實測值與預(yù)測值點呈對角線分布，且經(jīng)成對t檢驗，各項指標預(yù)測值與實測值無明顯差異。經(jīng)驗證，酒精度R2為0.950 2，RMSEP為0.243 8；淀粉R2為0.907 8，RMSEP為0.536 2；水份R2為0.876 9，RMSEP為0.661 7；酸度R2為0.943 3，RMSEP為0.273 1；說明，模型的預(yù)測結(jié)果較為準確。

3 結(jié) 論

采用近紅外光譜法對白酒酒醅的淀粉、水份、酸度和酒精度指標進行了定量檢測，通過對光譜特征波長選取，提高了模型的預(yù)測精度和穩(wěn)定性，證實了波段優(yōu)化對建模分析的重要性。此外，通過多種預(yù)處理方法比較發(fā)現(xiàn)，不同樣品組分對預(yù)處理的需求不同，只有選擇合適的預(yù)處理方法，才能最大限度的消除噪聲及干擾因素，建立最優(yōu)數(shù)學模型。

研究結(jié)果表明，CARS，iPLS，UVE三種波段篩選方法均能在不同程度上減少建模所用變量數(shù)，有助于模型優(yōu)化。其中，CARS篩選變量的PLS建模效果更為理想，經(jīng)CARS篩選后，建模波段明顯減少，R2和RMSEP也表現(xiàn)出了較好精度，所得變量包含了成分中C—H，C—O，O—H等官能團的主要吸收峰所在區(qū)域，既保留了酒醅各項成分的特征波長，又有效地剔除了大部分無信息變量，實現(xiàn)了波長選擇的目標，說明該方法可能更適用于白酒酒醅的定量檢測。同時，針對酒醅不同指標進行適當光譜預(yù)處理，能顯著提高模型預(yù)測能力。通過對建模波段以及預(yù)處理方法進行合理篩選，為實時、準確監(jiān)控多香型白酒酒醅主要指標含量變化，以及科學優(yōu)化近紅外光譜模型提供了一定的參考依據(jù)。

Fig.4 Quantitative model of the measured values and near infrared prediction

[1] HAO Jian-guo, REN Jing-jing (郝建國, 任晶婧). Liquor-Making Science & Technology(釀酒科技), 2011, 5: 106.

[2] LI Zong-peng, WANG Jian, ZHANG Xiao-lei, et al(李宗朋, 王 健, 張曉磊, 等). China Oils and Fats(中國油脂), 2014, 39(2): 57.

[3] ZHAO Dong, LI Yang-hua, LAN Shi-rong, et al(趙 東, 李楊華, 蘭世榮, 等). Liquor-Making Science & Technology (釀酒科技), 2004, 1: 72.

[4] ZHAO Dong, LI Yang-hua, ZHOU Xue-qiu, et al(趙 東, 李楊華, 周學秋, 等). Chinese Journal of Spectroscopy Laboratory(光譜實驗室), 2003, 20(4): 614.

[5] CHU Xiao-li(褚小立). Molecular Spectroscopy Analytical Technology Combined with Chemometrics and its Applications (化學計量學方法與分子光譜分析技術(shù)). Beijing: Chemical Industry Press(北京：化學工業(yè)出版社), 2011. 4.

[6] Li Hongdong, Liang Yizeng, Xu Qingsong. Analytica Chimica Acta, 2009, 648: 77.

[7] LIU Yan-yun, HU Chang-qin(柳艷云，胡昌勤). Chinese Journal of Pharmaceutical Analysis(藥物分析雜志), 2010, 30(5): 968.

[8] LI Qian-qian, TIAN Kuang-da, LI Zu-hong, et al(李倩倩, 田曠達, 李祖紅, 等). Analytical Chemistry(分析化學研究報告), 2013, 41(6): 917.

[9] HUANG Fu-rong, LI Shi-ping, YU Jian-hui, et al(黃富榮, 李仕萍, 余健輝, 等).Chinese Journal of Spectroscopy Laboratory(光譜實驗室), 2011, 28(6): 2774.

[10] ZHANG Hua-xiu, LI Xiao-ning, FAN Wei, et al(張華秀, 李曉寧, 范 偉, 等). Journal of Instrumental Analysis(分析測試學報), 2010, 29(5): 430.

[11] LI Shui-fang, SHAN Yang, FAN Wei, et al. (李水芳, 單 楊, 范 偉, 等). Food Science(食品科學), 2011, 32(8): 182.

[12] Lü Qiang, HE Shao-lan, LIU Bin, et al(呂 強, 何紹蘭, 劉 斌, 等). Transactions of the Chinese Society for Agricultural Machinery(農(nóng)業(yè)機械學報), 2012, 10(43): 211.

[13] WEN Zhen-cai, SUN Tong, GENG Xiang, et al(溫珍才, 孫 通, 耿 響, 等). Spectroscopy and Spectral Analysis(光譜學與光譜分析), 2013, 33(9): 2354.

[14] Chen Huazhou, Tao Pan, Chen Jiemei, et al. Chemometrics and Intelligent Laboratory Systems, 2011, 107: 139.

[15] He Kaixun, Cheng Hui, Du Wenli, et al. Chemometrics and Intelligent Laboratory Systems, 2014, 134: 79.

[16] TANG Li(唐 利). Liquor-Making Science & Technology(釀酒科技), 2012, (4): 65.

*Corresponding author

The Near Infrared Spectral Bands Optimal Selection in the Application of Liquor Fermented Grains Composition Analysis

XIONG Ya-ting，LI Zong-peng，WANG Jian*，ZHANG Ying，WANG Shu-jun，YIN Jian-jun，SONG Quan-hou

China National Research Institute of Food and Fermentation Industries，Beijing 100015, China

In order to improve the technical level of the rapid detection of liquor fermented grains, in this paper, use near infrared spectroscopy technology to quantitative analysis moisture, starch, acidity and alcohol of liquor fermented grains. Using CARS, iPLS and no information variable elimination method (UVE), realize the characteristics of spectral band selection. And use the multiple scattering correction (MSC), derivative and standard normal variable transformation (SNV) pretreatment method to optimize the models. Establish models of quantitative analysis of fermented grains by PLS, and in order to select the best modeling method, usingR2, RMSEP and optimal number of main factors to evaluate models. The results showed that the band selection is vital to optimize the model and CARS is the best optimization of the most significant effect. The calculation results showed thatR2of moisture，starch，acidity and alcohol were 0.885, 0.915, 0.951, 0.885 respectively and RMSEP of moisture，starch，acidity and alcohol were 0.630, 0.519, 0.228, 0.234 respectively. After optimization, the model prediction effect is good, the models can satisfy the requirement of the rapid detection of liquor fermented grains, which has certain reference value in the practical.

Liquor fermented grains; Near infrared spectroscopy; Quantitative analysis; Pretreatment method; Band selection

Sep. 1, 2014; accepted Dec. 15, 2014)

2014-09-01，

2014-12-15

科研院所技術(shù)開發(fā)研究專項項目(2013EG111212)資助

熊雅婷，1990年生，中國食品發(fā)酵工業(yè)研究院碩士研究生 e-mail：xiongyating1130@163.com *通訊聯(lián)系人 e-mail：onlykissjohn@hotmail.com

O657.3

A

10.3964/j.issn.1000-0593(2016)01-0084-07