程 斐，單之初，俞紅波，金 萍，沈亦雄，丁觀洋，潘興祥，周景旻

(1.浙江塔牌紹興酒有限公司，浙江紹興 312032；2.布魯克北京科技有限公司，北京 100192)

近紅外光（Near Infrared，NIR）是指波長介于可見光（VIS）與中紅外光（IR）之間的電磁波，被定義在780～2526 nm 波長的光譜區(qū)（3960～12800 cm-1）[1-2]，主要測量含氫基團(tuán)為主，包括C-H（甲基、亞甲基、甲氧基、羧基、芳基）、羥基O-H、巰基S-H、氨基N-H（伯胺、仲胺、叔胺和銨鹽）等。近紅外檢測技術(shù)當(dāng)前發(fā)展迅速，具有操作方便簡單、快速、檢測成本低、無損耗、分辨率高，可多成分同時(shí)分析等優(yōu)點(diǎn)，該技術(shù)目前廣泛應(yīng)用于食品、農(nóng)業(yè)、制藥、化工等領(lǐng)域[3-6]。近紅外分析技術(shù)在糧食原料的產(chǎn)地區(qū)分、白酒真?zhèn)舞b別等方面也有著廣泛的應(yīng)用[7-8]。

生麥曲是傳統(tǒng)紹興黃酒釀造中的重要原料之一，用量達(dá)到原料米的16%，被稱為“酒之骨”[9]。生麥曲在傳統(tǒng)黃酒發(fā)酵過程中提供了豐富的酶系，主要包括淀粉酶、蛋白酶、脂肪酶等，這些酶將原料中所含的淀粉、蛋白質(zhì)、脂肪分解為微生物可利用的物質(zhì)。生麥曲中還含有豐富的代謝產(chǎn)物，賦予紹興黃酒特有的風(fēng)味，素有好曲出好酒的說法[10-12]，因此麥曲的品質(zhì)對紹興黃酒的風(fēng)味有著重要的影響。品質(zhì)不佳的麥曲不僅會影響酒的風(fēng)味，還容易造成發(fā)酵過程異常，給發(fā)酵過程的控制帶來困難。目前生麥曲的品質(zhì)判斷主要依靠人工判斷，對人的經(jīng)驗(yàn)要求較高，常用的鑒定方法還有糖化力、淀粉酶活性進(jìn)行測定，但此方法只起到輔助判斷的作用[13]，無法作為最終的判別依據(jù)。而利用生麥曲作發(fā)酵試驗(yàn)進(jìn)行測試，有耗時(shí)長，影響因素過多的缺點(diǎn)。生麥曲的成分十分復(fù)雜，使用近紅外光譜將生麥曲樣品中每一種有機(jī)組分在近紅外譜區(qū)的多個(gè)波段的對應(yīng)信息進(jìn)行掃描，使用化學(xué)計(jì)量學(xué)（Chemometrics）方法分析化學(xué)數(shù)據(jù)，對不同品質(zhì)的生麥曲進(jìn)行分析建模，為當(dāng)前依靠經(jīng)驗(yàn)判斷生麥曲品質(zhì)的方法提供更為詳細(xì)的數(shù)據(jù)評價(jià)。

1 材料與方法

1.1 材料、儀器

生麥曲：浙江塔牌紹興酒有限公司生產(chǎn)。

儀器設(shè)備：MPAⅡ型傅立葉變換近紅外光譜儀，IN312/C 的旋轉(zhuǎn)臺，IN312-SH 樣品杯（直徑97 mm），德國布魯克公司；OPUS 近紅外數(shù)據(jù)分析軟件，德國布魯克公司；小型粉碎機(jī)。

1.2 試驗(yàn)方法

1.2.1 樣品的收集和分組

按照隨機(jī)抽樣原則，從浙江塔牌紹興酒有限公司不同的生產(chǎn)小組抽取生麥曲66 塊，由8 位具有高級釀酒師職稱的高級技師根據(jù)生產(chǎn)經(jīng)驗(yàn)從顏色、氣味、菌絲外觀分布、松脆度等幾個(gè)方面對抽取的樣品打分，計(jì)算平均值后，將分值≥60 的樣品記為A組，分值＜60的樣品記為B組。

1.2.2 樣品的預(yù)處理

麥曲生產(chǎn)過程中，小麥經(jīng)粉碎機(jī)粗粉碎至2～3瓣后踏曲培養(yǎng)而成，其顆粒大小不均勻，使用漫反射方式采集的近紅外光譜時(shí)，作用光進(jìn)行入樣品內(nèi)部后，經(jīng)過多次反射、折射、衍射、吸收后返回，這種分析光負(fù)載了樣品的結(jié)構(gòu)和組成信息，漫反射過程中樣品與光存在多種作用形式，除樣品的組成外，其粒徑大小及分布均對漫反射光的強(qiáng)度產(chǎn)生一定影響，所以需對樣品進(jìn)行預(yù)處理，保證樣品顆粒一致。取每個(gè)生麥曲樣品的四角和中心塊共5 塊總計(jì)約300 g，放入小型粉碎機(jī)中粉碎3 min，粉碎后顆粒的粒度在0.5 mm 左右，將粉碎后的樣品過40目篩，取篩下的樣品進(jìn)行測試。

1.2.3 近紅外光譜采集

選擇漫反射積分球，光譜范圍為4000～12000 cm-1，掃描次數(shù)64 次，掃描背景為空氣，將過篩后的生麥曲粉末裝入樣品杯中，樣品量為2/3樣品杯，樣品鋪平，用布魯克OPUS 軟件對生麥曲樣品進(jìn)行光譜采集及分析，且每個(gè)樣品倒出混勻后再重復(fù)測定一次，采集兩張平行光譜，最終取平均光譜圖作為最終分析圖譜。

1.2.4 近紅外模型建立

使用布魯克公司的OPUS 軟件對光譜進(jìn)行預(yù)處理，數(shù)據(jù)預(yù)處理是建模的一個(gè)重要階段，使用數(shù)學(xué)方法降低噪音信號的影響，來提高建立模型的準(zhǔn)確性。在OPUS 中提供了線性補(bǔ)償差減法、直線差減法、矢量歸一法、最小-最大歸一法、多元散射校正法、一階導(dǎo)數(shù)法、二階導(dǎo)數(shù)法等預(yù)處理方法。

將分值≥60 的A 組樣品進(jìn)行掃描，得到參考光譜，計(jì)算參考光譜在每個(gè)波長點(diǎn)i 處吸光度的平均值和標(biāo)準(zhǔn)偏差σ；待測光譜在該波長點(diǎn)處的吸光度與平均值的差值除以標(biāo)準(zhǔn)偏差σ，得到的就是合格性指數(shù)（Conformity Index：CI）。待測光譜的CI 與設(shè)定的CI 限度（CI limit）進(jìn)行比較，快速判斷待測光譜與參考光譜是否具有一致性。

合格性指數(shù)CI 的計(jì)算公式如示：

2 結(jié)果與分析

2.1 麥曲樣品人工鑒別分組

人工判斷主要依據(jù)經(jīng)驗(yàn)，邀請8 名生產(chǎn)經(jīng)驗(yàn)豐富且具有高級釀酒師職稱的人員進(jìn)行單獨(dú)評價(jià)，并取平均成績，盡量較真實(shí)的反應(yīng)樣品得分。

將抽取的66 個(gè)生麥曲樣品，由釀酒師按表1 進(jìn)行評價(jià)評分，將分值≥60 的樣品分為A 組（參考組），分值＜60 的樣品分為B 組（待測組）。經(jīng)評價(jià)打分A 組樣品44 個(gè)，B 組樣品22 個(gè)，具體分值及標(biāo)準(zhǔn)差見表2。

表1 生麥曲評分表

表2 生麥曲分值表

2.2 近紅外光譜采集（圖1）

將所有的生麥曲樣品按1.2.2 方法進(jìn)行預(yù)處理，使用配備IN312/C 的旋轉(zhuǎn)臺和IN312-SH 大口徑樣品杯的MPAⅡ型傅立葉變換近紅外光譜儀進(jìn)行光譜采集，樣品顆粒的均勻有利于光譜的穩(wěn)定性，使用旋轉(zhuǎn)臺旋轉(zhuǎn)進(jìn)行多位置掃描，同時(shí)將同一樣品進(jìn)行兩次裝樣后采集光譜，利用軟件計(jì)算平均光譜來進(jìn)行建模分析，可大幅度提高分析的精確度。圖1 為布魯克MPAⅡ型傅立葉變換近紅外光譜儀直接導(dǎo)出的66 個(gè)生麥曲樣品原始近紅外圖譜，在波長數(shù)為4000～12000 cm-1光譜掃描范圍內(nèi)樣品譜圖平滑，不存在吸收飽和現(xiàn)象，無需剔除區(qū)域，直接選擇4000～12000 cm-1范圍內(nèi)全部圖譜進(jìn)行計(jì)算和分析。兩組樣品均為生麥曲，相對差異較小，譜圖形狀基本相同，需要通過進(jìn)一步處理和建模將樣品區(qū)分開。

圖1 生麥曲樣品原始近紅外圖譜

2.3 近紅外模型的建立（圖2）

圖2 光譜一階導(dǎo)數(shù)預(yù)處理光譜

數(shù)據(jù)預(yù)處理是建模的一個(gè)重要階段，采用合適的光譜預(yù)處理方式可以有效的消除背景噪音和特定的物理因素干擾，提高譜圖與化學(xué)成分之間相關(guān)性。分別使用一階導(dǎo)數(shù)、矢量歸一法、一階導(dǎo)數(shù)+矢量歸一化等預(yù)處理方法對生麥曲樣品近紅外圖譜進(jìn)行預(yù)處理，經(jīng)比較，使用一階導(dǎo)數(shù)預(yù)處理后的參考光譜和測試光譜區(qū)分度較高。使用一階導(dǎo)數(shù)預(yù)處理方法，選取平滑點(diǎn)13 個(gè)，選擇光譜交互范圍4000～11600 cm-1的評價(jià)區(qū)域。

使用布魯克OPUS 計(jì)算軟件對參考光譜和測試光譜進(jìn)行檢驗(yàn)分析，計(jì)算參考光譜和檢驗(yàn)光譜在每個(gè)波長點(diǎn)i 處吸光度的平均值和標(biāo)準(zhǔn)偏差σ。通過1.2.4 所述計(jì)算方法進(jìn)行計(jì)算，合格性模型見圖3。

圖3 最大合格性索引圖

圖3 中一個(gè)點(diǎn)代表一個(gè)樣品，淺色點(diǎn)為分值≥60 分的A 組參考組樣品，深色點(diǎn)為分值＜60 分的測試組樣品，A 組合格樣品品質(zhì)較穩(wěn)定，CI 范圍較小在1.7～3.7 之間，B組不合格樣品缺陷各不相同，CI 范圍較大，在4.1～9.2 之間。在樣品分組時(shí)，60分臨界附近的樣品差異可能并不夠顯著，導(dǎo)致部分A 組和B 組樣品CI 值差異不大，但是選擇CI 值3.9可以將兩組樣品較好的區(qū)分開。

圖4 為樣品的CI 光譜，中間的橫線表示CI 限度線。淺色表示44 個(gè)人工評分分值≥60 的合格麥曲樣本的CI 光譜，深色為人工評分為40.8 編號14的不合格麥曲樣本CI 光譜，即單條光譜各個(gè)波長點(diǎn)處的CI 值。從圖4 可以看出，不合格麥曲光譜在多個(gè)波長點(diǎn)處的CI 值超過CI 限度線，可以通過CI值將兩種品質(zhì)的麥曲樣品進(jìn)行區(qū)分。

圖4 CI光譜圖

2.4 模型驗(yàn)證

將未經(jīng)掃描的盲樣生麥曲按表1 進(jìn)行人工評分，取平均值，挑選分值≥60 和＜60 的樣品各10塊，將生麥曲樣品按1.2.2 和1.2.3 進(jìn)行預(yù)處理及光譜采集掃描。將采集好的光譜使用建立的模型進(jìn)行檢測，檢測結(jié)果見表3。

表3 生麥曲使用模型檢測結(jié)果

用建立的模型檢測麥曲，分值≥60的10個(gè)樣品有9個(gè)結(jié)果均顯示合格，分值＜60的10個(gè)樣品結(jié)果均顯示不合格，模型檢測與人工評測結(jié)果不相符樣品評分為58.1 分，離分界線60 分較近，可能樣品特征性不夠顯著。模型與人工測評結(jié)果相符性達(dá)95%，可以用來對生麥曲的品質(zhì)進(jìn)行評估。

3 結(jié)論

人工挑選出有品質(zhì)差異的兩組生麥曲樣品，使用布魯克公司的OPUS 軟件對光譜進(jìn)行收集和處理，以參考組和測試組光譜圖建立模型，使用該模型對20 個(gè)樣品進(jìn)行檢測，檢測結(jié)果與人工判斷一致性達(dá)95%。此方法快速、有效，使用近紅外光譜技術(shù)能夠快速的對黃酒生麥曲品質(zhì)進(jìn)行鑒別。