張雖栓，李延壘（河南質(zhì)量工程職業(yè)學(xué)院，河南 平頂山 467001）

葡萄酒釀造過程酒精度檢測(cè)方法研究

張雖栓，李延壘
（河南質(zhì)量工程職業(yè)學(xué)院，河南 平頂山 467001）

酒精度作為葡萄酒中的一項(xiàng)極其重要的指標(biāo)，對(duì)葡萄酒的品質(zhì)起著至關(guān)重要的作用。該實(shí)驗(yàn)以葡萄酒作為研究對(duì)象，引入紅外光譜分析技術(shù)對(duì)葡萄酒的酒精度進(jìn)行間接、無損的檢測(cè)研究。實(shí)驗(yàn)中對(duì)比分析了不同紅外光譜預(yù)處理方法以及建模方法在建立葡萄酒酒精度預(yù)測(cè)模型時(shí)的優(yōu)劣，發(fā)現(xiàn)采用多元散色校正和標(biāo)準(zhǔn)歸一化的去噪效果最優(yōu)，然后采用主成分分析法建立的模型最優(yōu)，預(yù)測(cè)相關(guān)系數(shù)（R）達(dá)0.942，標(biāo)正標(biāo)準(zhǔn)差（RMSEC）、預(yù)測(cè)標(biāo)準(zhǔn)差（RMSEP）、相對(duì)分析誤差（RPD）分別為0.154、0.149、2.96。最終對(duì)建立的模型進(jìn)行驗(yàn)證，發(fā)現(xiàn)采用紅外光譜分析技術(shù)能夠快速且較準(zhǔn)確的對(duì)葡萄酒酒精度進(jìn)行在線預(yù)測(cè)，為葡萄酒的釀造過程實(shí)時(shí)監(jiān)測(cè)酒精度提供了一種新方法。

近紅外光譜；葡萄酒；定量分析；檢測(cè)；釀造

葡萄酒的陳釀是指葡萄酒的成熟過程，目前比較常用的陳釀方法有不銹鋼罐和木桶陳釀兩種方法［1］。不同品牌的葡萄酒品質(zhì)不但與陳釀方法有關(guān)，而且與葡萄的品種、成熟度以及種植區(qū)域等有著密切的關(guān)系。不同品牌、不同陳釀的葡萄酒中氨基酸、微量元素、色調(diào)以及酸度等都有一定的差異，這種差異表現(xiàn)在葡萄酒品質(zhì)的差異［2］。酒精度的變化是葡萄酒釀造過程中的一項(xiàng)極其重要的指標(biāo)之一，因此如何獲取葡萄酒釀造過程中酒精度的實(shí)時(shí)變化參數(shù)對(duì)于葡萄酒的釀造有著極其重要的現(xiàn)實(shí)意義。

近紅外光譜（near-infrared spectroscopy，NIR）的信息源是分子內(nèi)部的原子的振動(dòng)的倍頻和合頻信息為主，波長(zhǎng)范圍在780～2 500 nm［3］。因?yàn)槠洳ㄩL(zhǎng)范圍介于中紅外譜區(qū)（m id infrared spectroscopy，M IR）及可見光譜區(qū)（visible spectral，VIS）之間，因此近紅外光譜的信息量非常豐富［4］，即具有中紅外譜區(qū)的特點(diǎn)同時(shí)也具備可見光譜區(qū)光譜信息容易獲得和處理等特點(diǎn)［5-7］。由于近紅外光譜主要反映樣品內(nèi)部C-H、N-H、O-H、S-H等含氫基團(tuán)的倍頻與合頻化學(xué)鍵的信息［8-9］，所以近紅外光譜可以反映樣品中有機(jī)物組成和分子結(jié)構(gòu)的信息，不同的含氫基團(tuán)或者相同含氫基團(tuán)在不同的組成結(jié)構(gòu)或化學(xué)環(huán)境中對(duì)近紅外光的吸收程度也有所不同［10］，近紅外光譜以此為基礎(chǔ)對(duì)有機(jī)物組成和性質(zhì)信息加以分析［11］。隨著計(jì)算機(jī)科學(xué)、化學(xué)計(jì)量學(xué)的迅猛發(fā)展，近紅外分析技術(shù)已成為目前發(fā)展最快速的獨(dú)立無損檢測(cè)分析技術(shù)［12］。偏最小二乘法（partial leastsquares，PLS）因其具有良好的抗干擾性能和穩(wěn)定性，已在近紅外光譜分析領(lǐng)域得到了廣泛的應(yīng)用，也是經(jīng)典的近紅外光譜建模方法之一。主成分分析法（principalcomponentanalysis，PCA）是一種數(shù)學(xué)變換的方法，它把給定的一組相關(guān)變量通過線性變換轉(zhuǎn)成另一組不相關(guān)的變量，這些新的變量按照方差依次遞減的順序排列。

本研究采用傅里葉變換近紅外光譜分析技術(shù)結(jié)合不同光譜預(yù)處理方法建立葡萄酒中酒精度含量的定量分析模型，經(jīng)過驗(yàn)證發(fā)現(xiàn)采用光譜分析技術(shù)間接對(duì)葡萄酒釀造過程中酒精度的變化進(jìn)行預(yù)測(cè)是可行的。該模型的建立為葡萄酒釀造過程中質(zhì)量的實(shí)時(shí)監(jiān)測(cè)提供了一種新的技術(shù)手段與參考。

1　材料與方法

1.1料與試劑

200個(gè)葡萄酒樣品：國(guó)產(chǎn)長(zhǎng)城牌葡萄酒公司。

1.2器與設(shè)備

NEXUS傅里葉變換光譜儀及其透射附件：美國(guó)熱電尼高力儀器公司。

1.3法

1.3.1譜采集

采用美國(guó)NEXUS傅里葉變換光譜儀及其透射附件完成采集工作。整個(gè)系統(tǒng)由光源、光譜采集部分、計(jì)算機(jī)處理單元（包括光譜預(yù)處理、模型的建立與優(yōu)化、預(yù)測(cè)等部分）、結(jié)果輸出與打印四部分構(gòu)成。光譜儀中使用的光源是60W的石英鹵素?zé)襞?，其光波長(zhǎng)為500～2 400 nm，并配備銦鎵砷檢測(cè)器件。光譜采集過程中參數(shù)設(shè)置為：光譜范圍800～2 200 nm，光譜分辨率設(shè)置為16 cm-1，掃描次數(shù)為32次。

1.3.2譜的預(yù)處理

采集到的葡萄酒近紅外透射光譜中除了包含葡萄酒樣本內(nèi)部的結(jié)構(gòu)信息外，同時(shí)也包含了一部分的噪聲信息，因此在建立預(yù)測(cè)模型之前，首先應(yīng)該對(duì)原始光譜進(jìn)行預(yù)處理，去除其中包含的噪聲信息，保留下有效信息。目前比較常用的光譜預(yù)處理方法有平滑、微分、歸一化（single nucleotide variant，SNV）和多元散色校正（multiplicative scatter correction，MSC）等方法。

在本次實(shí)驗(yàn)中用微分、平滑、標(biāo)準(zhǔn)歸一化（SNV）多元散射校正（MSC）的方法對(duì)葡萄酒的原始光譜進(jìn)行處理，去除在光譜采集過程中由于葡萄酒粘稠度較大對(duì)模型的影響。

1.3.3計(jì)分析

在本次實(shí)驗(yàn)中采用學(xué)生化殘差和樣本杠桿值的方法對(duì)異常樣本進(jìn)行判別與剔除的工作，將樣本的學(xué)生化殘差和杠桿值取平均后的三倍作為異常樣本判別的閾值，對(duì)樣本進(jìn)行異常判別與剔除。

1.3.4法解析

評(píng)價(jià)近紅外定量分析模型的預(yù)測(cè)精度和模型穩(wěn)定性，采用相關(guān)系數(shù)R、標(biāo)正標(biāo)準(zhǔn)差（rootmean square errorof calibration，RMSEC）、預(yù)測(cè)標(biāo)準(zhǔn)差（rootmean square error of prediction，RMSEP）、相對(duì)分析誤差（relative percent deviation，RPD）進(jìn)行綜合評(píng)價(jià)所建立的煤粉定量分析模型的預(yù)測(cè)精度和穩(wěn)定性。

1）RMSEC［13］評(píng)價(jià)模型擬合能力的計(jì)算

式中：n為模型樣本數(shù)；yi表示第i個(gè)樣本的預(yù)測(cè)值表示第i個(gè)樣本的真實(shí)值。該參數(shù)是比較校正模型內(nèi)部預(yù)測(cè)值和實(shí)際值而得出的，其值越小說明模型的擬合程度越高。

2）RMSEP［14］評(píng)價(jià)模型擬合能力的計(jì)算

式中：k為用于模型檢驗(yàn)的預(yù)測(cè)集樣品數(shù)。該參數(shù)越小，說明模型預(yù)測(cè)性能越好，與RMSEC越接近，則模型的穩(wěn)定性越好。

3）RPD的計(jì)算［15］

式中：yi表示預(yù)測(cè)集樣品的真實(shí)值；表示預(yù)測(cè)集樣品的預(yù)測(cè)值是真實(shí)值的平均值；I是預(yù)測(cè)集樣本數(shù)；m表示實(shí)驗(yàn)重復(fù)次數(shù)。

RPD用來驗(yàn)證模型的預(yù)測(cè)能力和穩(wěn)定性，一般情況下，當(dāng)RPD＞3，說明定量分析效果良好，預(yù)測(cè)精度高；如果2.5＜RPD＜3，表明采用近紅外光譜分析技術(shù)對(duì)待測(cè)樣品進(jìn)行定量分析是可行的，但預(yù)測(cè)精度有待提高；如果RPD＜2.5，則說明所建立的定量分析模型精度過低，需進(jìn)一步對(duì)模型進(jìn)行優(yōu)化。

4）相關(guān)系數(shù)R的計(jì)算

其中：xi表示第i個(gè)樣本的預(yù)測(cè)值表示預(yù)測(cè)集樣本的平均值；yi表示第i個(gè)樣本的真實(shí)值表示樣本真實(shí)值的平均值；n表示預(yù)測(cè)集樣本的數(shù)量。

2　結(jié)果與分析

2.1譜分析

采用傅里葉變換光譜儀采集到的部分葡萄酒樣本原始光譜圖及多元散色處理的光譜圖見圖1。由圖1A可知，光譜在波數(shù)1 000 cm-1附近有著顯著的強(qiáng)吸收峰，這主要是由于葡萄酒中包含大量的羥基所造成的。在波數(shù)2 300 cm-1附近有比較顯著的吸收峰，這是由于葡萄酒中大量的氧氫鍵吸收的結(jié)果。

由于葡萄酒的顏色較深，且黏稠度較大，對(duì)入射光會(huì)產(chǎn)生一定的散色作用，導(dǎo)致采集到的光譜存在一定的偏差，因此需要消除由于樣本自身物理原因引入的散色和基線漂移現(xiàn)象。由圖1B可知，采用多元散色校正的方法對(duì)采集到的葡萄酒原始光譜進(jìn)行處理，可以消除由于散色和基線漂移引入的干擾。

圖1　部分葡萄酒樣品原始光譜（A）及多元散色處理（B）后的光譜圖Fig．1 Spectrum of the w ine sam ples w ithout treatment（A）and a ftermu ltip le color processing（B）

2.2征波長(zhǎng)的選取

為了對(duì)模型進(jìn)行優(yōu)化，同時(shí)減少運(yùn)算量，需要確定最佳的建模區(qū)間。首先采用全光譜建模的方法對(duì)葡萄酒的酒精度進(jìn)行定量預(yù)測(cè)，然后逐步縮小光譜的范圍，在這一過程中如果預(yù)測(cè)結(jié)果的標(biāo)準(zhǔn)差增大，那么說明該區(qū)間包含較少的有效信息，同時(shí)包含著大量的噪聲信息，在建模過程中應(yīng)將其剔除。由原始光譜圖可以看出，原始光譜在900 nm和2 100 nm附近包含許多的毛刺，光譜中的噪聲較多，因此應(yīng)將該部分光譜剔除，最終確定葡萄酒酒精度定量分析模型的紅外光譜選擇波長(zhǎng)950～1 800 nm和2 200～2 300 nm區(qū)間進(jìn)行建模分析。

2.3品的統(tǒng)計(jì)結(jié)果

剔除異常樣本6個(gè)，異常光譜5個(gè)，共計(jì)剔除11個(gè)異常樣本，剩余189個(gè)樣本按照4∶1的比例將實(shí)驗(yàn)樣本分為校正集（calibration set，Cal）和預(yù)測(cè)集（prediction，Pre），其中校正集151個(gè)樣本，預(yù)測(cè)集38個(gè)樣本。統(tǒng)計(jì)結(jié)果如表1所示。校正集樣本用于模型的建立，預(yù)測(cè)集樣本用于對(duì)模型的驗(yàn)證。

表1 樣品的統(tǒng)計(jì)結(jié)果Table 1 Statistic results o f sam p les

2.4型的建立

實(shí)驗(yàn)過程中首先采用微分、平滑、歸一化和多元散色校正等預(yù)處理方法對(duì)光譜進(jìn)行預(yù)處理，然后分別采用偏最小二乘法（PLS）和主成分分析（PCA）法建立葡萄酒紅外光譜酒精度分析模型，建模結(jié)果如表2所示。

表2　葡萄酒酒精度建模結(jié)果Table 2 Modeling results of alcohol contentofw ine

由表2可以看出，采用多元散色校正和標(biāo)準(zhǔn)歸一化預(yù)處理后的光譜建立的模型的穩(wěn)定性比其他預(yù)處理方法好；縱向?qū)Ρ绕钚《朔ǎ≒LS）和主成分分析法（PCA）發(fā)現(xiàn)，采用主成分分析法建立的模型比偏最小二乘法效果要優(yōu)。

2.5型的驗(yàn)證

試驗(yàn)過程中采用事先準(zhǔn)備好的驗(yàn)證集葡萄酒樣本分別對(duì)已經(jīng)建立的標(biāo)準(zhǔn)歸一化預(yù)處理方法以及主成分分析法建立的模型進(jìn)行驗(yàn)證，驗(yàn)證結(jié)果見表3。

表3　葡萄酒酒精度模型驗(yàn)證結(jié)果Table 3 Validation results of alcoholcontentmodelofwine

由表3可知，采用主成分分析法建立的葡萄酒酒精度預(yù)測(cè)模型最優(yōu)，相關(guān)系數(shù)R為0.942，綜合前文結(jié)果可知，該方法的RMSEC、RMSEP、RPD值分別為0.154、0.149、2.96，可以滿足實(shí)際工作的需要。

3　結(jié)論

實(shí)驗(yàn)過程中首先分別采用微分、平滑、多元散色校正（MSC）和標(biāo)準(zhǔn)歸一化（SNV）等光譜預(yù)處理方法將采集到的葡萄酒原始光譜進(jìn)行預(yù)處理，然后分別采用偏最小二乘法和主成分分析法建立葡萄酒酒精度預(yù)測(cè)模型。結(jié)果表明采用近紅外光譜分析方法間接對(duì)葡萄酒酒精度進(jìn)行無損檢測(cè)具有較高的預(yù)測(cè)精度。橫向?qū)Ρ雀鞣N預(yù)處理方法發(fā)現(xiàn)采用多元散色校正的方法去噪效果最優(yōu)，采用平滑處理時(shí)選擇5點(diǎn)平滑去噪效果較好，但當(dāng)平滑點(diǎn)數(shù)增加到9點(diǎn)時(shí)，由于平滑效果增強(qiáng)，濾除掉了部分有效信息，導(dǎo)致建模結(jié)果變壞?？v向比較偏最小二乘法和主成分分析法的建模效果可以發(fā)現(xiàn)采用主成分分析法建立的葡萄酒酒精度預(yù)測(cè)模型普遍好于偏最小二乘法。采用標(biāo)準(zhǔn)歸一化的光譜預(yù)處理方法和主成分分析的方法建立的模型具有較好的預(yù)測(cè)精度與預(yù)測(cè)穩(wěn)定性，預(yù)測(cè)相關(guān)系數(shù)R達(dá)0.942，RMSEC、RMSEP、RPD值分別為0.154、0.149、2.96。采用紅外光譜檢測(cè)技術(shù)能夠?qū)ζ咸丫漆勗爝^程中酒精度含量的變化進(jìn)行實(shí)時(shí)監(jiān)測(cè)，對(duì)提高葡萄酒釀造質(zhì)量有著一定的現(xiàn)實(shí)意義。

［1］陶思嘉，李夢(mèng)華，李景明，等.紅外光譜及Bayes信息融合技術(shù)的葡萄酒鑒別研究［J］.分析化學(xué)，2014，42（2）：215-220.

［2］吳浩，靳保輝，陳波，等.葡萄酒產(chǎn)地溯源技術(shù)研究進(jìn)展［J］.食品科技，2014，35（21）：306-315.

［3］M ILLAN S，SAMPEDROM C，UNCETA N，etal.Simp le and rapid determination of biogenic amines in w ine by liquid chromatography-electrospray ionization ion trap mass spectrometry［J］.Anal Chim Acta，2007，584:145-152.

［4］MATO I，SUAREZ-LUQUE S，HUIDOBRO JF.Simp le determ ination ofmain organic acids in grape juice and w ine by using capillary zone electrophoresis w ith direct UV detection［J］.Food Chem，2007，102: 104-112.

［5］GOMEZ-MIGUEZM J，GOMEZ-M IGUEZM，VICARIO IM，etal.Assessment of color and aroma in white wines vinifications:Effects of grapematurity and soil type［J］.J Food Eng，2007，79:758-764.

［6］FANG F，LIJM，PAN Q H，etal.Determ ination of red w ine flavonoids by HPLC and effectofaging［J］.Food Chem，2007，101:428-433.

［7］BALEIRAS-COUTO M M，EIRAS-DIAS JE.Detection and identification ofgrape varietiesinmustandw ineusing nuclearand chloroplastmicrosatellitemarkers［J］.Anal Chim Acta，2006，563:283-291.

［8］CAMARA JS，ALVESM A，MARQUES JC.Multivariate analysis for the classification and differentiation of M adeiraw ines according tomain grape varieties［J］.Talanta，2006，68:1512-1521.

［9］陳斌，盧丙，陸道禮.基于微型近紅外光譜儀的油菜籽含油率模型參數(shù)優(yōu)化研究［J］.現(xiàn)代食品科技，2015，31（8）：286-292.

［10］羅華平，盧啟鵬，丁海泉，等.南疆紅棗品質(zhì)近紅外光譜在線模型參數(shù)的實(shí)驗(yàn)研究［J］.光譜學(xué)與光譜分析，2012，32（5）：1225-1229.

［11］王偉明，董大明，鄭文剛，等.梨果糖濃度近紅外漫反射光譜檢測(cè)的預(yù)處理方法研究［J］.光譜學(xué)與光譜分析，2013，33（2）：359-362.

［12］劉燕德，高榮杰，孫旭東.便攜式水果內(nèi)部品質(zhì)近紅外檢測(cè)儀研究進(jìn)展［J］.光譜學(xué)與光譜分析，2010，30（10）：2874-2878.

［13］張林.基于紅外圖像處理技術(shù)的柴油機(jī)故障診斷研究［J］.紅外，2015，36（10）：22-26.

［14］張林，陸輝山，閆宏偉，等.基于FPGA的老陳醋定量與定性分析系統(tǒng)設(shè)計(jì)［J］.中國(guó)釀造，2013，32（4）：126-128.

［15］楊海龍，周長(zhǎng)海，金永成，等.葡萄糖酸鈉對(duì)豬仔腸道內(nèi)乳酸菌增值及培養(yǎng)條件的研究［J］.中國(guó)釀造，2013，32（4）：100-103.

Determinationmethod ofalcoholcontentduringw ine fermentation

ZHANG Suishuan，LIYanlei
（Henan Institute ofQuality Po lytechinc，Pingdingshan 467001，China）

A lcohol content isa very im portant index in w ine，which playsan im portant role inw ine quality.The experimentusing w ine as research object，the alcohol contentwas determ ined indirectly and nondestructively by infrared spectral technology.The advantagesand disadvantages of different infrared spectral preprocessingmethods and modelingmethod in w ine alcohol content prediction was compared and analyzed.Results showed thatmultiplicativescatter correction and single nucleotide variantwere the optimalmethods for denoising，and principal componentanalysiswas the optimalmethod formodelestablishment，the correlation coefficient R was0.942，and the RMSEC，RMSEP，RPD was0.154，0.149，2.96，respectively.Finally through thevalidation testson themodel，the resultsshowed that the infrared spectral technology could onlinepredictw ine alcohol content rapidly and accurately，which could provide a new method forw ine brew ing processof real-timemonitoring of alcohol content.

near infrared spectrum；w ine；quantitative analysis；detection；brew ing

O657．63

0254-5071（2016）01-0161-04

10．11882/j．issn．0254-5071．2016．01．036

2015-10-21

河南省高等學(xué)校自然科學(xué)基金項(xiàng)目（14KJB140011）

張雖栓（1970-），男，副教授，碩士，主要從事食品與藥物化學(xué)的研究工作。