近紅外光譜技術結合波段篩選用于白酒基酒總酯定量分析

高 暢，張宇飛，辛 穎，李艷敏，魏金旺，朱婷婷 *，李子文，孫海波

（1.北京順鑫農業股份有限公司牛欄山酒廠，北京 101301；2.中國食品發酵工業研究院有限公司，北京 100015）

白酒是以淀粉質原料或糖質原料，加入糖化發酵劑，經固態、半固態或液態發酵、蒸餾、貯存、勾兌而制成的蒸餾酒。發酵后的酒醅經過蒸餾后得到基酒，基酒經過存儲陳化處理后進行勾兌得到成品酒。不同酒廠成品酒勾兌的方法不同，但基酒組分分析是必不可少的，總酯作為基酒品質的關鍵指標，用國家標準所規定的化學滴定法，存在操作過程復雜、工作量大，消耗大量化學試劑、耗時長以及對環境產生污染的缺點[1]，且對化驗人員的技術水平有一定要求，無法滿足基酒快速分析的需求。因此，為了滿足釀酒生產需要、降低實驗成本、保護環境，開發一種快速、精準、高效的分析技術來檢測釀酒生產中的關鍵性指標顯得尤為重要。

近紅外光譜（near-infrared spectroscopy，NIRS）法具有檢測快速、樣品無損耗、操作簡單、分析效率高，無需前處理且無污染，可同時對樣品的多項指標進行檢測等優點[2-4]，已被廣泛應用于酒類行業中原料、半成品及成品酒質量檢測中[5-7]。薛磊等[8]用近紅外光譜技術對黃酒風格進行判別。謝廣發等[9]建立了能夠同時定量分析黃酒中酒精度、總酸以及氨基酸態氮的校正模型。熊雅婷等[10]利用近紅外光譜技術對白酒酒醅主要成分進行定量分析，通過偏最小二乘法建立分析模型，實現對白酒酒醅主要成分的快速檢測。盧中明等[11]對白酒酒醅近紅外模型進行分析研究，酒醅中低含量組分測定時存在的數據差異進行了說明，并找到了影響數據準確性的因素。劉建學等[12-14]將基酒中酸類、醇類、醛類物質含量用氣相色譜法與近紅外光譜進行關聯，建立了快速準確的檢測方法。買書魁等[15-16]應用近紅外光譜技術對高粱中直鏈淀粉和支鏈淀粉含量進行定量分析，通過建立模型能夠快速、準確地測定釀酒原料高粱中直鏈淀粉和支鏈淀粉含量；并且研究了近紅外光譜技術在白酒原酒中分析與應用。何超等[17]針對等級酒近紅外模型建立的可靠性上進行了初步探索。田育紅等[18]以近紅外光譜分析技術為基礎，采用偏最小二乘法（partial least squares，PLS）分別建立酒精度、總酸、總酯的定量檢測模型，為快速測定白酒中重要指標提供參考。以上研究均表明近紅外光譜分析技術可應用于白酒釀造生產中，但目前對于基酒品質指標的近紅外分析研究仍較少，往往大部分只停留理論研究，未將深入優化的模型應用于白酒實際釀造過程的分析檢測中。

針對白酒基酒中的重要品質指標總酯含量進行快速分析研究，采用向后間隔偏最小二乘法（backward interval PLS，BiPLS）對基酒光譜的整個譜區進行波段篩選，探究光譜波段選擇對白酒總酯指標建模分析的影響，并結合偏最小二乘法（PLS）[19-20]構建快速分析模型，為白酒基酒品質的快速分析提供一定參考依據。

1 材料與方法

1.1 材料與試劑

基酒樣品（共743個，涵蓋不同季節、排次以一年為周期的基酒）：牛欄山酒廠釀酒生產車間。

氫氧化鈉（分析純）：國藥集團化學試劑有限公司；硫酸（分析純）：天津光復科技發展有限公司；酚酞：北京化工廠。

1.2 儀器與設備

N500傅里葉變換近紅外光譜儀（光源為鹵鎢燈，檢測器為溫控InGaAs，配有固體測量池及透反射蓋）：瑞士步琦有限公司。

1.3 實驗方法

1.3.1 總酯含量測定方法

基酒總酯含量根據國標GB/T 10345—2007《白酒分析方法》中的指示劑法測定。

1.3.2 近紅外光譜采集

將基酒樣品倒入配套的測量池中，壓上透反射蓋，從測量池底部檢查無氣泡。利用配套軟件NIRWare Operator采集白酒基酒樣品的近紅外光譜信息，光譜范圍為10 000～4 000 cm-1，分辨率為8 cm-1，掃描次數為32次。采用透反射方式掃描采集近紅外光譜，標準正態變量變換（standard normal variate transform，SNV）方法對光譜進行預處理。

1.3.3 校正集與驗證集的劃分

在剔除掉5個異常點的基礎上，以2∶1的比例對剩余738個基酒樣品進行校正集和驗證集劃分。本實驗采取Kennard-Stone（K-S）法[21]進行建模樣品劃分。最終分別選擇了校正集及驗證集樣本492個、246個。校正集與驗證集基酒樣品的總酯含量統計如表1所示。

表1 校正集與驗證集統計結果Table 1 Statistical results of calibration set and validation set

1.3.4 光譜變量選擇

本實驗擬采用后向間隔偏最小二乘法（BiPLS）[22]對全光譜1501個變量進行選擇，該方法的特點是將參與運算篩選的譜區劃分為一定數量的間隔（子區間），然后分別計算各子區間的交叉驗證均方差（root mean square error of cross validation，RMSECV）值，每次剔除最大值所對應的區間，在剩余區間上建立PLS模型并給出相應的RMSECV值，如此循環，直至剩下單一子區間建立PLS模型，在此一一排除過程中，各PLS模型RMSECV值最小時所對應的多個區間即為所優化出的最佳建模組合區間。

1.3.5 數據處理與分析

BiPLS程序在MATLAB環境下運行，偏最小二乘計算應用UnscramblerX10.3光譜分析軟件（挪威CAMO公司）實現，模型的精確度與穩定性通過決定系數R2、校正均方根誤差（RMSEC）、預測均方根誤差（RMSEP）來評價，R2越接近1，RMSEP越接近0，RMSEC與RMSEP越接近，表明模型效果越好[23-24]。

2 結果與分析

2.1 光譜波段優選

在運用后向間隔偏最小二乘法（BiPLS）優選譜曲波段時，如果間隔數量過少容易遺漏細節信息，過多時則會導致最后的結果過于復雜[25]。因此在考慮到區間分割數對選擇結果及模型的影響后，本研究將白酒基酒全光譜數據共1 501個波數點等分為k個子區間（k=10～40，間隔5），在每種分割情況下運行BiPLS程序，采用留一法來計算RMSECV值。如表2所示，當分割數為20時，BiPLS所得RMSECV值最小為0.177 1，入選子區間為[7，2]，所對應的信息區間分別是波數4 304～4 600 cm-1和5 804～6 100 cm-1，BiPLS共選擇了150個波長點，占全譜的10.0%。

表2 20個區間數的后向間隔偏最小二乘法優化結果Table 2 BiPLS optimization results of 20 intervals

續表

2.2 偏最小二乘法分析模型的建立與評價

在上述波段篩選的基礎上，建立白酒基酒總酯含量指標的全光譜-PLS及BiPLS-PLS，定量分析模型，并通過對決定系數R2、校正標準偏差RMSEC和預測標準偏差RMSEP進行分析對比，從整體上來對模型效果進行評價，具體模型各指標效果見表3。

表3 基酒總酯指標的不同偏最小二乘法模型及性能評價結果Table 3 Different PLS models and performance evaluation results of total esters in base liquor

由表3可知，白酒基酒的總酯模型在使用全光譜進行建立時，效果并不理想，RMSEC與RMSEP值分別達到0.490及0.476，而決定系數（R2）僅有0.484，代表模型整體的相關線性效果并不理想，預測誤差較大，難以滿足基酒實際生產中的快速分析使用。而在經BiPLS的系統篩選波段后，模型效果有了顯著的提升，決定系數R2提升至0.937，為全光譜建模時決定系數（R2）的194.6%，近乎成倍的增長提升，同時RMSEC及RMSEP值分別下降至0.172和0.177，分別為原先的35.1%及37.2%，代表模型的預測精度有了非常顯著的提升，變量數也從1 501個降低至150個，充分說明了波段篩選能夠有效地對白酒關鍵指標模型進行優化，在保留關鍵波長信息的同時，降低了模型復雜程度，加快模型計算速度，顯著提升模型預測效果。

BiPLS方法篩選的變量在白酒基酒完整光譜中的分布情況見圖1。由圖1可知，白酒基酒的吸收全譜在波數為5 164 cm-1及6 884 cm-1處能夠看出明顯的吸收峰，這兩處是吸收峰分別是白酒中水分O-H伸縮和HOH彎曲的組合頻，以及O-H伸縮的一級倍頻吸收[26]，經波段篩選后，并未選用以上兩組波數所在的譜段，有效避免了在使用全譜區建立模型時水分的強吸收對于總酯含量分析的干擾。圖1中紅色譜段為BiPLS方法篩選出的特征譜段，與C-H、C=O等主要官能團的基頻與組合頻振動吸收峰位置相對應，如波數4 504 cm-1處C-H伸縮振動和C=O伸縮振動的組合頻吸收，波數4 514 cm-1處C-H彎曲振動和羰基伸縮振動的組合頻吸收以及波數5 960 cm-1處羰基相連甲基的C-H吸收等[27]，體現出了白酒基酒樣品中總酯成分的特征吸收。

圖1 后向間隔偏最小二乘法選擇的變量分布情況Fig.1 Distribution diagram of variables selected by BiPLS

2.3 模型驗證

將優化后的白酒總酯模型導入儀器，獲取實際生產中50個基酒樣品的光譜進行模型驗證并繪制模型對比圖見圖2。由圖2可知，白酒基酒樣品的總酯實測值與模型預測值點呈對角線分布，且經成對t檢驗，各項指標預測值與實測值無明顯差異（P＞0.05）。經驗證，驗證數據R2為0.939，RMSEP為0.176；說明模型預測結果較為準確。

圖2 基酒總酯后向間隔偏最小二乘法模型理化值與預測值分布Fig.2 Distribution idealized value and predicted value of total esters in base liquor by BiPLS model

3 結論

本研究采用近紅外光譜技術結合向后間隔偏最小二乘法（BiPLS）對白酒基酒的總酯指標進行了定量分析，分析速度快，無需樣本預處理，克服了傳統檢測方法費時費力的缺點。

經波段優化篩選后，采用特征波段所建模型效果相比全譜區所建模型獲得了改善，不僅剔除了譜圖中的無用信息，減輕了模型的復雜程度，也提升了模型的準確性與穩定性，充分說明了優化波段對建模分析的重要性，表明了BiPLS算法結合偏最小二乘法建模在白酒品質分析應用的巨大潛力，BiPLS方法所建立的基酒總酯定量分析模型，經實際生產驗證，具有快速、穩定、準確的特點，可實現對基酒總酯含量的快速無損檢測，也可以用于生產過程中的實時在線監測。