葡萄酒釀造過程酒精度檢測方法研究

張雖栓，李延壘（河南質量工程職業學院，河南 平頂山 467001）

葡萄酒釀造過程酒精度檢測方法研究

張雖栓，李延壘
（河南質量工程職業學院，河南 平頂山 467001）

酒精度作為葡萄酒中的一項極其重要的指標，對葡萄酒的品質起著至關重要的作用。該實驗以葡萄酒作為研究對象，引入紅外光譜分析技術對葡萄酒的酒精度進行間接、無損的檢測研究。實驗中對比分析了不同紅外光譜預處理方法以及建模方法在建立葡萄酒酒精度預測模型時的優劣，發現采用多元散色校正和標準歸一化的去噪效果最優，然后采用主成分分析法建立的模型最優，預測相關系數（R）達0.942，標正標準差（RMSEC）、預測標準差（RMSEP）、相對分析誤差（RPD）分別為0.154、0.149、2.96。最終對建立的模型進行驗證，發現采用紅外光譜分析技術能夠快速且較準確的對葡萄酒酒精度進行在線預測，為葡萄酒的釀造過程實時監測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；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不但與陳釀方法有關，而且與葡萄的品種、成熟度以及種植區域等有著密切的關系。不同品牌、不同陳釀的葡萄酒中氨基酸、微量元素、色調以及酸度等都有一定的差異，這種差異表現在葡萄酒品質的差異［2］。酒精度的變化是葡萄酒釀造過程中的一項極其重要的指標之一，因此如何獲取葡萄酒釀造過程中酒精度的實時變化參數對于葡萄酒的釀造有著極其重要的現實意義。

近紅外光譜（near-infrared spectroscopy，NIR）的信息源是分子內部的原子的振動的倍頻和合頻信息為主，波長范圍在780～2 500 nm［3］。因為其波長范圍介于中紅外譜區（m id infrared spectroscopy，M IR）及可見光譜區（visible spectral，VIS）之間，因此近紅外光譜的信息量非常豐富［4］，即具有中紅外譜區的特點同時也具備可見光譜區光譜信息容易獲得和處理等特點［5-7］。由于近紅外光譜主要反映樣品內部C-H、N-H、O-H、S-H等含氫基團的倍頻與合頻化學鍵的信息［8-9］，所以近紅外光譜可以反映樣品中有機物組成和分子結構的信息，不同的含氫基團或者相同含氫基團在不同的組成結構或化學環境中對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對有機物組成和性質信息加以分析［11］。隨著計算機科學、化學計量學的迅猛發展，近紅外分析技術已成為目前發展最快速的獨立無損檢測分析技術［12］。偏最小二乘法（partial leastsquares，PLS）因其具有良好的抗干擾性能和穩定性，已在近紅外光譜分析領域得到了廣泛的應用，也是經典的近紅外光譜建模方法之一。主成分分析法（principalcomponentanalysis，PCA）是一種數學變換的方法，它把給定的一組相關變量通過線性變換轉成另一組不相關的變量，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結合不同光譜預處理方法建立葡萄酒中酒精度含量的定量分析模型，經過驗證發現采用光譜分析技術間接對葡萄酒釀造過程中酒精度的變化進行預測是可行的。該模型的建立為葡萄酒釀造過程中質量的實時監測提供了一種新的技術手段與參考。

1　材料與方法

1.1料與試劑

200個葡萄酒樣品：國產長城牌葡萄酒公司。

1.2器與設備

NEXUS傅里葉變換光譜儀及其透射附件：美國熱電尼高力儀器公司。

1.3法

1.3.1譜采集

采用美國NEXUS傅里葉變換光譜儀及其透射附件完成采集工作。整個系統由光源、光譜采集部分、計算機處理單元（包括光譜預處理、模型的建立與優化、預測等部分）、結果輸出與打印四部分構成。光譜儀中使用的光源是60W的石英鹵素燈泡，其光波長為500～2 400 nm，并配備銦鎵砷檢測器件。光譜采集過程中參數設置為：光譜范圍800～2 200 nm，光譜分辨率設置為16 cm-1，掃描次數為32次。

1.3.2譜的預處理

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部的結構信息外，同時也包含了一部分的噪聲信息，因此在建立預測模型之前，首先應該對原始光譜進行預處理，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。

在本次實驗中用微分、平滑、標準歸一化（SNV）多元散射校正（MSC）的方法對葡萄酒的原始光譜進行處理，去除在光譜采集過程中由于葡萄酒粘稠度較大對模型的影響。

1.3.3計分析

在本次實驗中采用學生化殘差和樣本杠桿值的方法對異常樣本進行判別與剔除的工作，將樣本的學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，對樣本進行異常判別與剔除。

1.3.4法解析

評價近紅外定量分析模型的預測精度和模型穩定性，采用相關系數R、標正標準差（rootmean square errorof calibration，RMSEC）、預測標準差（rootmean square error of prediction，RMSEP）、相對分析誤差（relative percent deviation，RPD）進行綜合評價所建立的煤粉定量分析模型的預測精度和穩定性。

1）RMSEC［13］評價模型擬合能力的計算

式中：n為模型樣本數；yi表示第i個樣本的預測值表示第i個樣本的真實值。該參數是比較校正模型內部預測值和實際值而得出的，其值越小說明模型的擬合程度越高。

2）RMSEP［14］評價模型擬合能力的計算

式中：k為用于模型檢驗的預測集樣品數。該參數越小，說明模型預測性能越好，與RMSEC越接近，則模型的穩定性越好。

3）RPD的計算［15］

式中：yi表示預測集樣品的真實值；表示預測集樣品的預測值是真實值的平均值；I是預測集樣本數；m表示實驗重復次數。

RPD用來驗證模型的預測能力和穩定性，一般情況下，當RPD＞3，說明定量分析效果良好，預測精度高；如果2.5＜RPD＜3，表明采用近紅外光譜分析技術對待測樣品進行定量分析是可行的，但預測精度有待提高；如果RPD＜2.5，則說明所建立的定量分析模型精度過低，需進一步對模型進行優化。

4）相關系數R的計算

其中：xi表示第i個樣本的預測值表示預測集樣本的平均值；yi表示第i個樣本的真實值表示樣本真實值的平均值；n表示預測集樣本的數量。

2　結果與分析

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1 000 cm-1附近有著顯著的強吸收峰，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果。

由于葡萄酒的顏色較深，且黏稠度較大，對入射光會產生一定的散色作用，導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象。由圖1B可知，采用多元散色校正的方法對采集到的葡萄酒原始光譜進行處理，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征波長的選取

為了對模型進行優化，同時減少運算量，需要確定最佳的建模區間。首先采用全光譜建模的方法對葡萄酒的酒精度進行定量預測，然后逐步縮小光譜的范圍，在這一過程中如果預測結果的標準差增大，那么說明該區間包含較少的有效信息，同時包含著大量的噪聲信息，在建模過程中應將其剔除。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950～1 800 nm和2 200～2 300 nm區間進行建模分析。

2.3品的統計結果

剔除異常樣本6個，異常光譜5個，共計剔除11個異常樣本，剩余189個樣本按照4∶1的比例將實驗樣本分為校正集（calibration set，Cal）和預測集（prediction，Pre），其中校正集151個樣本，預測集38個樣本。統計結果如表1所示。校正集樣本用于模型的建立，預測集樣本用于對模型的驗證。

表1 樣品的統計結果Table 1 Statistic results o f sam p les

2.4型的建立

實驗過程中首先采用微分、平滑、歸一化和多元散色校正等預處理方法對光譜進行預處理，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，建模結果如表2所示。

表2　葡萄酒酒精度建模結果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準歸一化預處理后的光譜建立的模型的穩定性比其他預處理方法好；縱向對比偏最小二乘法（PLS）和主成分分析法（PCA）發現，采用主成分分析法建立的模型比偏最小二乘法效果要優。

2.5型的驗證

試驗過程中采用事先準備好的驗證集葡萄酒樣本分別對已經建立的標準歸一化預處理方法以及主成分分析法建立的模型進行驗證，驗證結果見表3。

表3　葡萄酒酒精度模型驗證結果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測模型最優，相關系數R為0.942，綜合前文結果可知，該方法的RMSEC、RMSEP、RPD值分別為0.154、0.149、2.96，可以滿足實際工作的需要。

3　結論

實驗過程中首先分別采用微分、平滑、多元散色校正（MSC）和標準歸一化（SNV）等光譜預處理方法將采集到的葡萄酒原始光譜進行預處理，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測模型。結果表明采用近紅外光譜分析方法間接對葡萄酒酒精度進行無損檢測具有較高的預測精度。橫向對比各種預處理方法發現采用多元散色校正的方法去噪效果最優，采用平滑處理時選擇5點平滑去噪效果較好，但當平滑點數增加到9點時，由于平滑效果增強，濾除掉了部分有效信息，導致建模結果變壞。縱向比較偏最小二乘法和主成分分析法的建模效果可以發現采用主成分分析法建立的葡萄酒酒精度預測模型普遍好于偏最小二乘法。采用標準歸一化的光譜預處理方法和主成分分析的方法建立的模型具有較好的預測精度與預測穩定性，預測相關系數R達0.942，RMSEC、RMSEP、RPD值分別為0.154、0.149、2.96。采用紅外光譜檢測技術能夠對葡萄酒釀造過程中酒精度含量的變化進行實時監測，對提高葡萄酒釀造質量有著一定的現實意義。

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

［2］吳浩，靳保輝，陳波，等.葡萄酒產地溯源技術研究進展［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優化研究［J］.現代食品科技，2015，31（8）：286-292.

［10］羅華平，盧啟鵬，丁海泉，等.南疆紅棗品質近紅外光譜在線模型參數的實驗研究［J］.光譜學與光譜分析，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的預處理方法研究［J］.光譜學與光譜分析，2013，33（2）：359-362.

［12］劉燕德，高榮杰，孫旭東.便攜式水果內部品質近紅外檢測儀研究進展［J］.光譜學與光譜分析，2010，30（10）：2874-2878.

［13］張林.基于紅外圖像處理技術的柴油機故障診斷研究［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設計［J］.中國釀造，2013，32（4）：126-128.

［15］楊海龍，周長海，金永成，等.葡萄糖酸鈉對豬仔腸道內乳酸菌增值及培養條件的研究［J］.中國釀造，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

河南省高等學校自然科學基金項目（14KJB140011）

張雖栓（1970-），男，副教授，碩士，主要從事食品與藥物化學的研究工作。