孫婷，胡新軍*，田建平，王開鑄，黃丹，彭興輝

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

大曲主要以生料小麥為原料，通過自然網(wǎng)羅制曲環(huán)境中的微生物接種發(fā)酵，微生物在曲坯中此消彼長， 自然積溫轉(zhuǎn)化并風干而成的一種多酶多菌的微生態(tài)制品[1]。這種多酶多菌的微生態(tài)制品提供了白酒發(fā)酵所需的糖化力、液化力和形成白酒復(fù)雜風味成分的前驅(qū)物質(zhì)[2]，是影響白酒風格和酒質(zhì)的重要物質(zhì)基礎(chǔ)。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(zhì)量檢測手段的不完善是制約傳統(tǒng)白酒生產(chǎn)進一步發(fā)展的一個重要原因[4]。目前衡量大曲質(zhì)量的優(yōu)劣主要是根據(jù)大曲的水分、酸度、淀粉、發(fā)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(zhì)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(tǒng)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(dǎo)培曲生產(chǎn)，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(zhì)量監(jiān)控和分析研究具有重要意義。

近紅外光譜技術(shù)作為高效快速的現(xiàn)代分析技術(shù)已被成功應(yīng)用于白酒真?zhèn)味鹊蔫b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(shù)僅能根據(jù)光譜信息計算其內(nèi)部含量，無法獲取圖像信息，更不能實現(xiàn)內(nèi)部含量的可視化[11]。高光譜成像技術(shù)融合了物質(zhì)的圖像信息和光譜信息的優(yōu)點，通過圖像中的每個像素點記錄全光譜，可以實現(xiàn)物質(zhì)內(nèi)部組分的可視化分析[12]。因此被廣泛應(yīng)用于農(nóng)產(chǎn)品的品質(zhì)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(fā)酵過程中的大曲為研究對象，利用高光譜成像技術(shù)的優(yōu)勢挖掘光譜數(shù)據(jù)和酸度值之間的內(nèi)在相關(guān)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(tǒng)檢測手段提供數(shù)據(jù)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(chǎn)的大曲為樣本，大曲發(fā)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(jīng)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(shù)據(jù)。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(fā)酵結(jié)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(shè)備

高光譜圖像采集系統(tǒng)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(tǒng)的光譜采集范圍為900～1 700 nm，設(shè)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(shù)據(jù)立方體。

1.3 高光譜圖像獲取

采集前高光譜成像系統(tǒng)預(yù)熱10 min，調(diào)整好系統(tǒng)參數(shù)，均勻打碎大曲樣本，篩分后填充至與培養(yǎng)皿邊緣齊平，放置在上述系統(tǒng)的載物臺上開始掃描樣品，得到160組大曲的原始高光譜數(shù)據(jù)。

為了消除相機的物理結(jié)構(gòu)、背景光強度、以及培養(yǎng)皿形狀差異等產(chǎn)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(guān)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(shù)據(jù)；W，標準白板DN值數(shù)據(jù)；B，暗電流DN值數(shù)據(jù)。

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

1.4 大曲酸度含量測定

大曲酸度值根據(jù)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(shù)；F，試樣稀釋倍數(shù)；m，試樣質(zhì)量，g。在相同條件下，2次獨立測試結(jié)果的絕對值差不得超過算術(shù)平均值的5%。

2 數(shù)據(jù)分析方法

2.1 光譜數(shù)據(jù)預(yù)處理

光譜預(yù)處理可以有效減弱環(huán)境、高光譜系統(tǒng)自身所帶來的負面影響，提高預(yù)測模型精度，本文采用多元散射校正(multiplicative scatter correction，MSC)、標準正態(tài)變量校正(standard normal variable correction，SNV)和S-G卷積平滑后一階導(dǎo)(savitzky-golay smoothing first derivative，SGFD)3種預(yù)處理方法。其中，MSC用來校正由于樣品表面分布不均產(chǎn)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(yōu)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(shù)據(jù)中的有用信息，求導(dǎo)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(shù)據(jù)量大，本文采集的900～1 700 nm內(nèi)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(guān)的特征波長，以增加模型的魯棒性和泛化性。本文采用連續(xù)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(shù)據(jù)中篩選出來，找到光譜變量之間共線性最小的特征波長，優(yōu)化建模條件[21]。

2.3 數(shù)學(xué)模型建立

2.4 酸度值可視化分布

高光譜圖像數(shù)據(jù)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(shù)據(jù)代入以上最佳預(yù)測模型中，計算相應(yīng)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(jù)顏色直觀顯示出不同發(fā)酵時期的大曲酸度值及其分布情況。

3 結(jié)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(fā)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(jù)Kennard-Stone(KS)算法將樣本劃分為120個訓(xùn)練集和40個測試集用于后續(xù)的建模。

表1 大曲樣品酸度值統(tǒng)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(shù)據(jù)的穩(wěn)定性,去掉首尾10個波長的數(shù)據(jù)，圖1表示大曲樣本204個波段的原始平均反射率光譜和經(jīng)過3種預(yù)處理方式后得到的光譜。在波長范圍內(nèi)，原始光譜呈現(xiàn)均勻的階梯型變化，這是由于隨著發(fā)酵時間的進行，大曲水分逐漸散失導(dǎo)致反射率逐漸增大。MSC、SNV預(yù)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(xiàn)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(zhì)的運動有關(guān)。而SGFD放大了原始光譜曲線的細節(jié)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(chǎn)生較強吸收。

3.3 基于全波長光譜預(yù)測大曲酸度值結(jié)果

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

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

a-原始光譜; b-MSC預(yù)處理光譜; c-SNV預(yù)處理光譜; d-SGFD預(yù)處理光譜圖1 不同預(yù)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(yù)測集精度綜合比較而言，LS-SVM模型比PLSR模型具有更好的預(yù)測精度和魯棒性，其中，SGFD預(yù)處理構(gòu)建的LS-SVM模型表現(xiàn)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(yù)測大曲酸度值的較好模型。

3.4 最優(yōu)特征波長的選擇

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

表3 最優(yōu)波長篩選結(jié)果比較Table 3 Comparison of optimal wavelengths selected by SPA

3.5 基于特征波長光譜預(yù)測大曲酸度值結(jié)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(yōu)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(nèi)SNV預(yù)處理和SPA算法結(jié)合能有效選取特征波長，降低數(shù)據(jù)冗余，減少計算時間并能保證預(yù)測精度，最終確定SNV+SPA+LS-SVM為最優(yōu)的大曲酸度值預(yù)測模型。

大曲發(fā)酵過程中，酸度值會隨著水分蒸發(fā)和微生物的生長代謝等因素發(fā)生變化，酒企會根據(jù)酸度值大小來推測發(fā)酵狀態(tài)以便及時地開關(guān)窗戶，調(diào)整曲房溫度。高光譜成像技術(shù)可以直觀展示酸度值二維分布狀況。均勻選擇發(fā)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(nèi)每個像素相應(yīng)8個特征波長的光譜數(shù)據(jù)，將光譜數(shù)據(jù)代入到最優(yōu)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(fā)酵時間的大曲酸度值明顯不同，隨著發(fā)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(qū)域，因為發(fā)酵剛開始時，產(chǎn)酸量很少，酸度值較高；隨著發(fā)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(qū)域，產(chǎn)酸細菌大量生長，產(chǎn)酸量增加，酸度值降低較快；經(jīng)過一段時間的發(fā)酵，5月6日酸度值下降得更為明顯；5月10日藍色區(qū)域逐漸增多，產(chǎn)酸菌大量繁殖，產(chǎn)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(fā)酵后期產(chǎn)酸菌活性逐漸降低導(dǎo)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(fā)酵狀態(tài)，調(diào)節(jié)曲房環(huán)境提供了依據(jù)。

4 結(jié)論