張豐川，劉建學，2，3，韓四海，2，3，李佩艷，2，3，郭金英，2，3，羅登林，2，3

（1.河南科技大學食品與生物工程學院，河南 洛陽 471023；2.河南省食品原料工程技術研究中心，河南 洛陽 471023；3.食品加工與安全國家級實驗教學示范中心，河南 洛陽 471023）

0 引言

濃香型白酒的出窖酒醅是由高粱、大米、稻殼、酒曲和續(xù)糟等輔料組成的固態(tài)混合物[1]，其發(fā)酵過程非常復雜，需要多種微生物和酶的共同作用。淀粉是發(fā)酵過程中的最初能源，大多數(shù)的微生物不能將淀粉直接利用，淀粉必須經過糊化、糖化等化學變化變成單糖或雙糖后，才能被微生物直接利用。即只有淀粉變成可發(fā)酵性糖，才有可能保證出酒率的穩(wěn)定，才有可能提高酒的質量[2]；發(fā)酵過程中，淀粉含量過高，酒醅發(fā)酵不完全，過早出窖造成原料浪費。白酒生產中，酸度是白酒質量的關鍵決定因素之一，酒醅的酸度不僅影響發(fā)酵過程，還會對酒的質量產生重要影響[3]。酒醅中適當?shù)乃岫瓤梢杂行У匾种瓢l(fā)酵過程中有害雜菌的生長繁殖，減少有害物質的產生，從而保證酒的質量。此外，適當?shù)乃岫饶艽龠M呈香呈味物質的形成，參與酯化過程，使酒具有更好的香氣和口感。然而，如果酒醅中的酸度過高，酒醅發(fā)酵緩慢，產酒率降低，從而影響酒的品質[4]。在發(fā)酵過程中，由于發(fā)酵菌的數(shù)量較少，糖化的過程進行得較快，酒醅中還原糖的含量會先快速增長至最大值，隨著發(fā)酵時間的延長，酵母菌等微生物的數(shù)量趨于穩(wěn)定，發(fā)酵力增強，還原糖的含量呈下降趨勢，而到了發(fā)酵后期，還原糖的含量不再發(fā)生變化。因此，酒醅中還原糖含量反映出糖化與發(fā)酵之間的平衡關系[2]。還原糖含量偏高，說明窖池中的微生物含量變少；還原糖含量偏低，表明糖化與發(fā)酵的平衡程度比較好，最終產出的白酒品質也就會更優(yōu)良。因此，出窖酒醅中淀粉、酸度和還原糖的含量是控制酒醅發(fā)酵質量的關鍵指標，也決定著最終出酒的品質。

傳統(tǒng)酒醅檢測技術有樣品前處理復雜、對樣品有損害、檢測時間長、效率低等缺點，不能對酒醅中淀粉、酸度和還原糖進行現(xiàn)場檢測[5-6]，同時難以對發(fā)酵階段進行評價，難以保證發(fā)酵進程的統(tǒng)一性[7]。近紅外光譜分析（Near infrared spectroscopy，NIS） 技術以其檢測速度快、操作簡單、環(huán)保、無損等特點[8-10]，可以彌補傳統(tǒng)方法檢測滯后等缺點，實現(xiàn)快速在線及多指標測量，滿足自動化、智能化等現(xiàn)代工業(yè)化釀酒生產[11-12]。目前，近紅外光譜技術已被廣泛應用于化工、食品、農業(yè)、藥物等領域[13-16]。

利用近紅外光譜分析技術建立濃香型出窖酒醅中淀粉、酸度、還原糖的快速定量分析模型，為白酒企業(yè)生產提供固態(tài)發(fā)酵酒醅關鍵指標的快速檢測方法。

1 材料與方法

1.1 試驗材料與儀器設備

酒醅，取自河南某釀酒企業(yè)的不同發(fā)酵池。

試驗儀器：德國布魯克公司生產的VECTOR33型傅里葉變換近紅外光譜儀（FT-NIR）。

檢測器：硫化鉛（PBS） 檢測器。

1.2 出窖酒醅理化指標測量方法

淀粉含量的化學值測定：按照《GB 5009.9—2016》國標中酸水解法進行測定；酸度值的化學值測定：按照《GB5009.239—2016》 國標中酚酞指示劑法進行測定；還原糖含量的化學值測定：按照《GB5009.7—-2016》國標中直接滴定法進行測定。

1.3 光譜采集

試驗所用的出窖酒醅屬于固體樣品，考慮到酒醅顆粒大小、形態(tài)等因素，選擇漫反射的測樣方式即積分球，可以提高反射光的收集率。波長范圍設定為10 000~4 000 cm-1，儀器分辨率為16 cm-1，掃描次數(shù)64 次[17]。

1.4 光譜預處理

近紅外儀器采集的光譜數(shù)據(jù)中會包含與出窖酒醅中淀粉、酸度、還原糖無關的信息，此外還會受到測量環(huán)境、樣品分布的影響，會對模型的質量有所影響，為了使建立的模型更加準確地在實際生產過程中應用，需要對采集的原始光譜進行預處理[18]。預處理的常用方法有光譜歸一化、平滑處理、線性補償減差法、標準正態(tài)變量（SNV）、多元散射校正（MSC）、一階導數(shù)法（1 d）、二階導數(shù)法（2 d）、一階導數(shù)+ 減去一條直線、最小- 最大歸一化等[19]。對光譜預處理是選擇一種或者多種處理方法組合的方式，使得測到的光譜數(shù)據(jù)與所測的化學值更好的關聯(lián)，達到更好的建模效果。

2 結果與分析

2.1 化學值測量結果

化學值測定結果見表1。

表1 化學值測定結果

選取180 個不同窖池的出窖酒醅樣品，對其淀粉含量、酸度、還原糖含量進行分析研究，從結果來看每個樣品的淀粉含量、酸度、還原糖含量會有所差異。由表1 可知，出窖酒醅淀粉含量最小值為9.21 g/100 g，最大值為17.32 g/100 g，平均值為13.02；酸度的最小值為0.55 mmol/10 g，最大值為7.33 mmol/10 g，平均值為3.99 mmol/10 g；還原糖含量最小值為0.05 g/100 g，最大值為1.033 g/100 g，平均值為0.399 g/100 g，所測樣品淀粉、乙醇、酸度和還原糖的極差較大，含量范圍較廣，能夠滿足下一步建立模型的要求。

2.1.1 光譜數(shù)據(jù)分析

出窖酒醅近紅外光譜圖見圖1。

圖1 出窖酒醅近紅外光譜圖

圖1（a） 是出窖酒醅近紅外光譜的原始光譜圖，可以看出樣品光譜圖的趨勢大致相似，但是出現(xiàn)個別圖譜存在較大差異的情況，這是因為測定過程中出現(xiàn)的不確定因素的影響。圖1（b） 是原始光譜經過標準正態(tài)變量（SNV） 處理之后的光譜圖，標準正態(tài)變量處理之后的光譜圖趨勢更加緊密。圖1（c）是原始光譜圖經過一階導數(shù)加標準正態(tài)變量處理后的光譜圖，一階導數(shù)處理之后的光譜圖光譜輪廓更加明顯，光線的基線漂移現(xiàn)象也能夠得到消除，吸收峰變陡，可以使較小的吸收峰顯現(xiàn)出來。由圖1（b） 和圖1（c） 2 個經過預處理之后的光譜圖可知，圖譜基線漂移的現(xiàn)象得到了消除，特征譜帶得到加強，光譜差異更加明顯，從而達到了優(yōu)化模型的效果。

2.1.2 出窖酒醅淀粉含量模型建立

出窖酒醅的建模過程是將近紅外技術與國家標準方法測得的化學值結果相結合的過程[20]，以國家標準方法所測得的結果為基礎，模型的準確性依賴于化學值測定的精確性，要求在理化試驗階段要嚴格按照國標進行檢測。考慮到模型精度、穩(wěn)定性的檢驗及樣品化學值含量的代表性，采用濃度梯度法以3∶1 的比例將樣品集劃分為校正集和驗證集樣品。

利用線性定量分析方法來建立模型，主要選擇偏最小二乘方法（PLS） 建立模型。

出窖酒醅淀粉模型參數(shù)見表2，出窖酒醅酸度模型參數(shù)見表3，出窖酒醅還原糖模型參數(shù)見表4，酒醅模型校正集和檢驗集的決定系數(shù)和標準偏差見表5。

表2 出窖酒醅淀粉、酸度和還原糖的模型參數(shù)

表3 出窖酒醅酸度模型參數(shù)

表4 出窖酒醅還原糖模型參數(shù)

表5 酒醅模型校正集和檢驗集的決定系數(shù)和標準偏差

由表2 可知，淀粉無預處理光譜數(shù)據(jù)所建的PLS模型中，校正集決定系數(shù)（R2） 為0.933，校正均方根誤差為0.746 g/100 g，驗證集R2為0.851 7，預測均方根誤差為0.926 g/100 g，但經多元散射校正等4種方法預處理后，模型精確度有所提高，使用一階導數(shù)+標準正態(tài)變量（SNV） 方法所建立的酒醅淀粉模型為最佳模型，校正集R2為0.952 9，校正均方根誤差為0.547 g/100 g，驗證集R2為0.909 2，預測均方根誤差為0.732 g/100 g，與無預處理光譜數(shù)據(jù)所建模型相比，具有更高的決定系數(shù)和更低的均方根誤差，模型預測能力明顯提高。

由表3 可知，酸度無預處理光譜數(shù)據(jù)所建的PLS模型中，校正集R2為0.933，校正均方根誤差為0.323 mmol/10 g，驗證集R2為0.893 5，預測均方根誤差為0.481 mmol/10 g，模型有較高的R2和較低的均方根誤差，表明模型預測值與真實值差距較小，近紅外光譜能夠滿足酒醅酸度的定量分析要求，經一階導數(shù)等五種方法預處理后，模型精確度有所提高，使用一階導數(shù)+減去一條直線方法所建立的酒醅淀粉模型為最佳模型，校正集R2為0.9485 ，校正均方根誤差為0.308 mmol/10 g，驗證集R2為0.912 1，預測均方根誤差為0.453 mmol/10 g，模型預測能力明顯提高。

由表4 可知，還原糖無預處理光譜數(shù)據(jù)所建的PLS 模型中，校正集R2為0.949 4，校正均方根誤差為0.034 7 g/100 g，驗證集R2為0.924 4，預測均方根誤差為0.0347 g/100 g，模型有較高的R2和較低的均方根誤差，表明模型預測值與真實值差距較小，近紅外光譜能夠滿足酒醅還原糖的定量分析要求，經多元散射校正等五種方法預處理后，模型精確度有所提高，使用最小-最大歸一化方法所建立的酒醅還原糖模型為最佳模型，校正集R2為0.967 5，校正均方根誤差為0.026 9 mg/100 g，驗證集R2為0.941 6，預測均方根誤差為0.037 5 mg/100 g，模型預測能力明顯提高。

酒醅模型校正集和檢驗集的預測值-化學值的相關圖見圖2。

圖2 酒醅模型校正集和檢驗集的預測值-化學值的相關圖

由圖2 可知，出窖酒醅淀粉、酸度和還原糖的樣品散點分布在回歸線兩側，較為密集，模型預測值與真實值十分接近；由表2 ~表4 可知，酒醅3 個指標的標準偏差較小，淀粉、酸度和還原糖模型校正集的標準偏差分別為1.655 0，0.367 1，0.045 1，驗證集的標準偏差分別為1.942 5，0.384 4，0.036 4。表明國標法測出的化學值與近紅外方法測得預測值有良好的相關性，所建立的模型具有良好的預測效果，可以用于出窖酒醅淀粉、酸度、還原糖指標的快速檢測。

2.2 近紅外模型精度檢驗

為進一步驗證出窖酒醅模型的精確度，選取一定比例的未測樣品進行檢驗。用已經建好的模型分別進行3 次重復試驗進行檢測，并計算出每個測量值的平均值、相對誤差和標準偏差。經計算，淀粉模型平均相對誤差和標準偏差為0.68%和9.33%，酸度模型平均相對誤差和標準偏差為1.19%和9.11%，還原糖模型平均相對誤差和標準偏差為1.48%和1.97%。表明模型的精度良好，具備快速檢測出窖酒醅指標的能力。樣本量越大，所建立的模型越好，后期可以不斷增加樣本個數(shù)，達到更好的快速檢測結果。

3 結論

利用近紅外光譜分析技術，對出窖酒醅3 個指標的化學數(shù)據(jù)和光譜數(shù)據(jù)進行關聯(lián)，建立了出窖酒醅淀粉、酸度和還原糖的快速檢測模型，原始光譜經過不同方法預處理之后，預測能力有明顯改善，淀粉、酸度和還原糖指標最佳預處理方法分別為一階導數(shù)+標準正態(tài)變量、一階導數(shù)+減去一條直線和最小-最大歸一化，校正集的R2分別為0.952 9，0.948 5，0.967 5，驗證集的R2分別為0.908 2，0.932 0，0.941 6。經過模型精度檢驗，證明模型預測能力良好，具備快速檢測酒醅指標的能力。近紅外光譜分析技術具有檢測速度快、操作簡單等特點，可以同時分析一個樣品的多項指標，通過快速檢測白酒酒醅的指標數(shù)據(jù)，可以為白酒生產過程提供指導作用。但是模型的準確性依賴于化學值測量的準確性，在測量過程中要求要個按照國標方法操作，同時增加樣本數(shù)量，有利于建立預測精度更好的模型。