段 學(xué)，趙小波，2，鄒勝瓊，田 敏，鄧 波，2，周 軍，2，張宿義，2，3

（1.瀘州老窖股份有限公司，四川瀘州 646000；2.國家固態(tài)釀造工程技術(shù)研究中心，四川瀘州 646000；3.釀酒生物技術(shù)及應(yīng)用四川省重點實驗室，四川瀘州 646000）

我國從20 世紀80 年代開始進行近紅外（NIR）技術(shù)的研究，主要側(cè)重于農(nóng)產(chǎn)品[1-2]的分析研究，發(fā)展至今，此項技術(shù)已經(jīng)應(yīng)用于石化[3-4]、制藥[5-6]、食品[7-8]、紡織品[9-10]等領(lǐng)域。近紅外光譜分析方法是指通過分析待測樣品近紅外光譜中所呈現(xiàn)出的官能團信息，比較待測樣品與已知或標準樣品的近紅外光譜從而確定待測樣品含量的一種方法，該方法屬于二次檢測方法。

白酒基酒即基礎(chǔ)酒，是糧食發(fā)酵后的酒糟經(jīng)蒸餾后得到的未經(jīng)勾兌的原酒，白酒基酒精度一般在60%vol～70%vol之間[11]。不同的基酒除酒精度不同之外，影響口味的其他成分如總酯、總酸、乙酸乙酯、乳酸乙酯、己酸乙酯等都不同[12]?，F(xiàn)階段酒精度常規(guī)采用酒精計進行測定，相對簡單；總酸、總酯采用指示劑法，相對復(fù)雜；其他含量較低的成分采用氣相色譜進行測定，檢測時間長[13]。近紅外分析方法作為一種快速、高效、無損和現(xiàn)場分析的方法，具有檢測方便，樣品無需預(yù)處理，適合在線分析等特點，因此非常適合白酒快速定性、定量分析。陳林等[14]建立了基酒中甲酸的近紅外預(yù)測模型，驗證集樣品的決定系數(shù)為0.98，校正集樣品的決定系數(shù)為0.99，所建的模型效果良好，能滿足白酒生產(chǎn)中甲酸的快速檢測需求。劉建學(xué)等[15]建立了基酒中己酸、乙酸的快速檢測方法，預(yù)處理方法與波段分別采用：一階導(dǎo)數(shù)＋減去一條直線、一階導(dǎo)數(shù)＋矢量歸一化預(yù)處理光譜；譜區(qū)選擇6101.7～5446 cm-1和11998.9～7501.7 cm-1，6101.7～5449.8 cm-1和11998.9～7497.9 cm-1；己酸、乙酸校正集樣品的決定系數(shù)分別為0.997、0.97；己酸和乙酸模型驗證集的決定系數(shù)分別為0.994、0.96，檢測效果較好。

本項目以瀘州老窖基酒為研究對象，采用近紅外分析技術(shù)對其進行快速檢測，采用不同的預(yù)處理方法，比較全波段和特征波段對建模效果的影響，不斷優(yōu)化模型，建立基酒總酯的近紅外檢測模型，為基酒實現(xiàn)在線檢測提供技術(shù)支持。

1 材料與方法

1.1 材料、試劑及儀器

基酒樣品：基酒樣由瀘州老窖股份有限公司提供。采集了釀酒生產(chǎn)基酒樣，選擇一部分為校正集，剩余為驗證集，校正集中的基酒樣品必須包含驗證集樣品檢測項目所有可能測定范圍，并且盡可能均勻分布。此外再隨機抽取未知基酒樣進行外部驗證，以最終評價所建模型的穩(wěn)定性、準確度。

儀器設(shè)備：BUCHI 公司的近紅外NIR Master。光譜儀光源為高強度鹵鎢燈，配有玻璃樣品檢測皿，光譜范圍為4000～10000 cm-1，掃描次數(shù)為32次，分辨率為8 cm-1。利用近紅外光譜儀采集基酒光譜，利用BUCHI 公司自帶建模軟件建立定量基酒總酯模型，最后再用NIR Ware Management Console操作軟件測定未知基酒樣。

理化檢測設(shè)備與試劑：水浴鍋（溫控100 ℃），全玻璃回流裝置，全玻璃蒸餾器，50 mL 堿式滴定管，50 mL 酸式滴定管。酚酞指示劑（10 g/L）：按GB/T 603—2002 配制；氫氧化鈉標準滴定溶液(c(NaOH)=0.1 mol/L)：按GB/T 601—2016 配制與標定；硫酸標準滴定溶液(c（1/2H2SO4）=0.1 mol/L)：按GB/T 601—2016 配制與標定；體積分數(shù)為40 %乙醇溶液：量取95%乙醇600 mL 于1000 mL 回流瓶中，加入3.5 mol/L 氫氧化鈉標準溶液5 mL，加熱回流皂化1 h。然后移入蒸餾器中重蒸，再配成40%乙醇溶液[13]。

1.2 試驗方法

數(shù)據(jù)采集：采用透反射方式掃描采集基酒樣品，掃描32次取平均，每個基酒樣做2個平行樣，對獲得基酒樣光譜進行預(yù)處理，舍去異常光譜，最終獲得建模用的光譜。建模酒樣總酯實測值測定：采用GB/T 10345—2007[13]《白酒分析方法》中的指示劑法。

1.3 樣本集劃分

樣品集劃分方法有擇3留1、Random Sam-pling(RS)、Kennard-Stone(KS)[16-17]等方法，本實驗采用擇2 留1 方法來進行樣本集劃分，去除異常樣，最終得到樣品光譜，其中一部分基酒樣品為校正集作為建模使用，另一部分為驗證集以最終評價模型的穩(wěn)定性和準確度，并調(diào)整模型，消除常規(guī)化學(xué)分析法測量的誤差。之后抽取50 個白酒樣品不參與建模分析，作為預(yù)測集樣品，用于預(yù)測模型效果。

為提高模型的準確性，需對所采集的光譜進行預(yù)處理，以選擇合適的譜區(qū)來建立模型。本實驗通過BUCHI 自帶NIR Cal 建模軟件對光譜經(jīng)Ncl(趨近歸一化)、Mma（最大歸一化）、N01（0～1 間歸一化）、Nle（單位長度歸一化）、Db1（一階導(dǎo)數(shù)）、Db2（二階導(dǎo)數(shù)）、Snv（標準歸一化）、Msc（多元散射校正）等光譜預(yù)處理后，選出最佳預(yù)處理方法，利用PLS 偏最小二乘法建立基酒總酯模型，探討全波段和特征波段所建模型的預(yù)測效果，所建模型用決定系數(shù)R2、交叉驗證誤差均方根RMSECV 評價。R2越大，RMSECV 越小，模型預(yù)測性能越好。其計算公式如下：

式中：yi為實測數(shù)據(jù)，fi為預(yù)測數(shù)據(jù)，fp為實測平均值，N為樣品個數(shù)。

2 結(jié)果與分析

2.1 光譜掃描及光譜數(shù)據(jù)分析與處理

在原定的測定條件下，掃描采集到492 個基酒光譜。同時采用GB/T 10345—2007 中規(guī)定的方法測量基酒總酯的含量為輸入的手工值，為建立定標模型提供手工標準值。對基酒樣品按擇2 留1 方法來進行樣本集劃分，最終得到352 個基酒樣本為校正集，140個驗證集樣品集。其校正集、驗證集樣品基本信息見表1，校正集樣品完全包含了驗證集，且校正集的偏差比驗證集的偏差相差較小，符合近紅外光譜檢測要求。

表1 校正集、驗證集樣品基本信息

對所采集的原始光譜進行數(shù)學(xué)處理后，各個樣品的原始光譜圖和處理光譜圖見圖1、圖2。由圖1、圖2 可知，通過預(yù)處理方法處理后，光譜更加光滑，樣品之間的差異性更加明顯，Q 值有較為明顯的改善，這樣處理有利于定標過程中對光譜信息的進一步選擇。

2.2 全波段、特征波段比較

圖1 基酒樣品原始光譜圖

在原始光譜4000～10000 cm-1共采集到1501個光譜點，因為間隔數(shù)量會對模型有影響，通過MATLAB 軟件Si-PLS 組合間隔偏最小二乘法[18]將原始光譜分割為均勻等份，得到區(qū)間組合為（2,6,10,12），對應(yīng)的波段為（4300～4600，5500～5800，6700～7000，7300～7600）。將此特征波段與全波段進行比較，結(jié)果見表2。由表2 可知，在特征波段條件下所建立的總酯模型校正集的決定系數(shù)R2C為0.95，校正集的均方根誤差RMSEC 為0.17%；預(yù)測集的決定系數(shù)R2P為0.93、預(yù)測集的均方根誤差RMSEP 為0.19%，特征波段的模型的校正集、驗證集精度高，RMSEC 和RMSEP 都比全波段小，R2C、R2P都比全波段高，模型預(yù)測精度顯著提高，因此本文選擇特征波段進行建模。

2.3 模型外部驗證

為驗證基酒樣品總酯模型的準確性，另取50個基酒樣品，利用特征波段所建模型對樣品中總酯含量進行兩次預(yù)測，將兩次預(yù)測結(jié)果取平均值后與手工值進行比較，結(jié)果見圖3。

從圖3 可看出，基酒總酯含量的實測值與預(yù)測值線性相關(guān)較好，都在y=x 直線附近，通過計算得出R2為0.97，其中相對誤差小于5%高達90.12%，說明總酯模型的預(yù)測效果較好。由此可見，所建模型可適用于基酒總酯的實際檢測。

表2 特征波段與全波段模型比較

圖3 外部驗證樣品的線性回歸

3 結(jié)論

隨著白酒生產(chǎn)過程對先進檢測技術(shù)要求的不斷提高，而利用近紅外光譜技術(shù)建立基酒總酯檢測方法是一種無需制樣，只用基酒潤洗檢測皿極大的簡化了分析流程的方法。本文分析比較了全波段和特征波段建立的基酒總酯模型效果，發(fā)現(xiàn)特征波段的模型的校正集、驗證集精度高，RMSEC 和RMSEP 都比全波段小，模型預(yù)測精度顯著提高，因此選擇特征波段進行建模。之后，通過外部驗證，得到基酒總酯含量的實測值與預(yù)測值線性相關(guān)較好。由此可見，所建模型可以用于快速檢測基酒總酯的含量，為更好的揭示總酯與白酒風味的關(guān)系提供了數(shù)據(jù)支持，對推動白酒行業(yè)實現(xiàn)智能化摘酒具有重要意義。