白酒糟醅中酸度值的高光譜檢測(cè)方法

鞠杰，田建平*，胡新軍，黃丹，黃浩平，彭興輝，羅惠波

1(四川輕化工大學(xué) 機(jī)械工程學(xué)院，四川 宜賓，644000)2(四川輕化工大學(xué) 生物工程學(xué)院，四川 宜賓，644000) 3(釀酒生物技術(shù)及應(yīng)用四川省重點(diǎn)實(shí)驗(yàn)室，四川 宜賓，644000)

白酒糟醅作為大曲和窖泥中微生物代謝的基質(zhì)，其成分含量對(duì)于白酒產(chǎn)量和品質(zhì)有著重要的影響。因此在糟醅入窖和出窖時(shí)均需對(duì)其主要成分含量(酸度、還原糖、水分、pH值)進(jìn)行檢測(cè)，為下一批次糟醅的配料和入窖條件提供參考依據(jù)。其中酸度是糟醅質(zhì)量評(píng)價(jià)的重要檢測(cè)指標(biāo)之一，檢測(cè)糟醅中酸度含量可以充分了解發(fā)酵池中微生物的代謝和生長(zhǎng)情況。當(dāng)前，糟醅理化指標(biāo)的檢測(cè)方法主要包括高效液相色譜(HPLC)、氣相色譜(GC)、質(zhì)譜(MS)以及這些技術(shù)的組合[1-2]。然而上述檢測(cè)方法具有操作過(guò)程繁瑣和檢測(cè)周期長(zhǎng)的特點(diǎn)，無(wú)法實(shí)現(xiàn)糟醅理化指標(biāo)的快速檢測(cè)，具有滯后性。盡管已有采用近紅外光譜(near infrared spectroscopy，NIR)檢測(cè)糟醅中水分、酸度、淀粉等的研究[3]，但NIR技術(shù)只能進(jìn)行單點(diǎn)檢測(cè)[4-5]，不能獲取被檢測(cè)成分的分布情況。因此，急需一種快速無(wú)損的方法檢測(cè)糟醅中的酸度。

高光譜技術(shù)是一種將成像技術(shù)和光譜技術(shù)相結(jié)合的多維信息獲取技術(shù)，具有數(shù)據(jù)量大、光譜分辨率高、波段多等特點(diǎn)，近年來(lái)已廣泛應(yīng)用于食品、農(nóng)產(chǎn)品等領(lǐng)域的成分檢測(cè)。陳彩虹等[6]使用高光譜技術(shù)建立核桃殼、核桃仁、分心木的最小二乘支持向量機(jī)(least squares-support vector machine，LS-SVM)判別模型，其準(zhǔn)確率分別達(dá)到了100%、100%、99%。吳龍國(guó)等[7]使用高光譜技術(shù)建立的多元回歸(multiple linear regression，MLR)模型檢測(cè)土壤含水率，其決定系數(shù)和均方根誤差分別為0.979和0.763%。韓仲志等[8]使用高光譜技術(shù)對(duì)花生中黃曲霉素B1的含量進(jìn)行建模和分析，建立的支持向量機(jī)回歸(support vector regression，SVR)模型訓(xùn)練集誤差只有0.89%。陳李品等[9]使用高光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)檢測(cè)牡蠣干制加工過(guò)程中的水分含量，建立的BP神經(jīng)網(wǎng)絡(luò)模型得到較好的預(yù)測(cè)結(jié)果，其預(yù)測(cè)集決定系數(shù)達(dá)到0.981 7，預(yù)測(cè)集均方根誤差(root mean square error prediction，RMSEP)達(dá)到3.006 3%。上述研究表明高光譜技術(shù)適合于食品和農(nóng)產(chǎn)品的質(zhì)量檢測(cè)和安全性研究，但結(jié)合高光譜成像技術(shù)對(duì)糟醅酸度值的檢測(cè)卻鮮有報(bào)道。

本研究為實(shí)現(xiàn)糟醅發(fā)酵過(guò)程中酸度值的快速、高精度檢測(cè)。本文基于不同的預(yù)處理算法建立偏最小二乘回歸(partial least-squares regression，PLSR)模型，確定最優(yōu)的預(yù)處理方法。同時(shí)為了提高模型的運(yùn)算速度，采用競(jìng)爭(zhēng)自適應(yīng)加權(quán)抽樣(competitive adaptive reweight sampling，CARS)算法提取特征波段對(duì)模型進(jìn)行了必要的簡(jiǎn)化。基于全波長(zhǎng)和特征波長(zhǎng)分別建立PLSR和LS-SVM模型進(jìn)行酸度值的預(yù)測(cè)，并得出最優(yōu)的模型。

1 材料與方法

1.1 樣本準(zhǔn)備

糟醅樣本，四川宜賓某酒廠，該批樣本出窖時(shí)間為3月15日，窖內(nèi)發(fā)酵30 d左右。由于酸度含量在不同窖池及其不同位置均存在較大的差異性，故隨機(jī)選取了14個(gè)不同窖池，以及同一窖池的不同位置進(jìn)行取樣。采用旋轉(zhuǎn)式取樣器采集不同窖池的上、中、下層糟醅樣品(分別距窖池平窖處的高度0.6、1.1、2 m)。每一層隨機(jī)采集3個(gè)樣本點(diǎn)，并標(biāo)注采集的窖池號(hào)和采集樣本層號(hào)放入無(wú)菌密封袋中，共采集126個(gè)樣本。

1.2 糟醅酸度含量測(cè)定

糟醅酸度值根據(jù)GB/T 12456—2008中的pH電位來(lái)測(cè)定，其方法是根據(jù)酸堿中和原理，用堿液滴定試管中的酸，以酚酞為指示劑滴定終點(diǎn)。式樣的酸度值計(jì)算如公式(1)所示：

(1)

式中：X，酸度值，g/kg；c，NaOH濃度，mol/L；V，NaOH滴定體積，mL；K，酸的換算系數(shù)；F，試液的稀釋倍數(shù)；m，式樣的質(zhì)量數(shù)值，g。

1.3 儀器設(shè)置與光譜采集

高光譜采集系統(tǒng)由FX17e型高光譜(Specim，芬蘭)、一組功率為150 W的鹵素?zé)艄庠?、裝有專(zhuān)用軟件(Lumo-scanner，芬蘭)的計(jì)算機(jī)、載物臺(tái)以及輔助支架等組成。相機(jī)參數(shù)：光譜采集范圍900～1 700 nm，光譜波段為224個(gè)，波段間隔為3.5 nm。參數(shù)設(shè)置：曝光時(shí)間為4.02 ms，數(shù)據(jù)采集頻率為50 Hz，平臺(tái)移動(dòng)速度為16.57 mm/s。

為獲得穩(wěn)定光譜數(shù)據(jù)，預(yù)熱采集系統(tǒng)10 min，并調(diào)整系統(tǒng)參數(shù)。將糟醅均勻填充至與培養(yǎng)皿邊緣齊平，放置在采集系統(tǒng)的載物臺(tái)上開(kāi)始光譜數(shù)據(jù)采集，得到126組糟醅原始光譜數(shù)據(jù)。

為消除鏡頭中暗電流、光強(qiáng)度變化等對(duì)采集數(shù)據(jù)的影響，在采集數(shù)據(jù)前進(jìn)行黑白校正以提高信噪比。先采集標(biāo)準(zhǔn)白色聚四氟乙烯(反射率為99%)校正板作為白板，再采集鏡頭關(guān)閉圖像(反射率為0%)作為黑板，光譜反射率計(jì)算如公式(2)所示：

(2)

式中：I，校正后光譜反射率；I0，原始高光譜圖像；B，全黑的標(biāo)定圖像；W，全白的標(biāo)定圖像。

校正后選取糟醅樣本的感興趣區(qū)域(region of interest，ROI)，將ROI中的光譜進(jìn)行平均處理后作為糟醅樣本的原始光譜數(shù)據(jù)，得到126組光譜數(shù)。

1.4 數(shù)據(jù)分析方法

1.4.1 光譜數(shù)據(jù)預(yù)處理

由于暗電流、環(huán)境光等因素的影響，采集的原始光譜中摻雜了與樣本無(wú)關(guān)的信息。采用合適的光譜預(yù)處理算法可以有效減弱各種因素對(duì)酸度原始光譜數(shù)據(jù)的影響，提高預(yù)測(cè)模型的穩(wěn)定性和預(yù)測(cè)能力。本文采用3種預(yù)處理算法：多元散射校正(multiplicative scatter correction，MSC)[10]、卷積平滑(savitzky-golay，SG)[11]、標(biāo)準(zhǔn)正態(tài)變換(standard normal distribution，SNV)[12]分別對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理。

1.4.2 特征波長(zhǎng)篩選

獲取的高光譜數(shù)據(jù)量大，各個(gè)波段的相關(guān)性大，其中包含很多冗余信息和干擾信息，影響建模的效率。因此采用合適的方法篩選與表征指標(biāo)相關(guān)的特征波長(zhǎng)，提高建模效率。相比于迭代保留信息變量 (iteratively retain information variables，IRIV) 算法和連續(xù)投影算法(successive projections algorithm，SPA)，CARS算法[13]具有更好的效果，該算法可以去除無(wú)關(guān)變量并降低變量的共線性，因此將CARS作為優(yōu)化算法提取特征波長(zhǎng)。

1.4.3 數(shù)學(xué)模型的建立與評(píng)價(jià)

LS-SVM[14]是在支持向量機(jī)的基礎(chǔ)上進(jìn)行了優(yōu)化，以減少計(jì)算量提升建模的效率，可以解決小樣本、局部最小點(diǎn)、非線性等問(wèn)題。PLSR[15-16]是一種多對(duì)多的線性回歸建模方法，可以有效簡(jiǎn)化數(shù)據(jù)結(jié)構(gòu)，解決多個(gè)變量間高度線性相關(guān)的問(wèn)題。

1.4.4 酸度值可視化

糟醅酸度值的可視化彩色分布圖直觀地顯示出酸度值的二維分布情況，可以更好觀察不同層糟醅酸度值的含量及其分布情況[17]，掌握糟醅酸度分布及其差異性的均一性。

2 結(jié)果與分析

2.1 糟醅酸度值變化

采用光譜-理化共生距離(sample set partitioning based on joint x-y distance，SPXY)分類(lèi)算法將采用pH電位法測(cè)定的糟醅酸度值按約5∶1的比例將樣本劃分為訓(xùn)練集和預(yù)測(cè)集，見(jiàn)表1。

2.2 糟醅樣本的光譜特征

高光譜具有豐富的信息，實(shí)驗(yàn)中高光譜的采集范圍為900～1 700 nm，共有224個(gè)波段。圖1顯示了糟醅樣本的原始光譜，可以看出隨著波長(zhǎng)的增加，反射率呈下降趨勢(shì)。不同層糟醅樣本的酸度值不同，因此光譜的吸收存在差異，這主要由于有機(jī)酸中羧基團(tuán)在此處產(chǎn)生較強(qiáng)的吸收。反射率曲線的吸收峰大約在1 200、1 430 nm，這表明有機(jī)酸中的羧基團(tuán)的吸收帶主要存在于1 200、1 430 nm附近[18]。

表1 糟醅酸度值訓(xùn)練集和預(yù)測(cè)集的真實(shí)分布Table 1 True distribution of acidity training set and prediction set of grains

圖1 原始光譜圖Fig.1 Original spectrogram

2.3 光譜預(yù)處理

表2 不同預(yù)處理下的PLSR建模效果Table 2 PLSR modeling effect under different pretreatments

圖2 MSC預(yù)處理效果Fig.2 Pretreatment effect of MSC

2.4 模型優(yōu)化

光譜數(shù)據(jù)信息量大且數(shù)據(jù)冗余，全波段建模效率較低。在保證建模精度的基礎(chǔ)上簡(jiǎn)化模型；降低計(jì)算復(fù)雜度；提升建模效率。采用CARS作為優(yōu)化方法提取特征波段，設(shè)定蒙特卡羅采樣次數(shù)N=50，隨機(jī)選取80%的樣本作為校準(zhǔn)集，其與不同算法的建模效果見(jiàn)表3。

表3 不同波段數(shù)建模效果Table 3 modeling effect of different band numbers

圖3 CARS提取特征波段分布Fig.3 Distribution of characteristic bands extracted by CARS

a-采樣變量數(shù)；b-交叉驗(yàn)證均方根；c-回歸系數(shù)路徑圖4 CARS特征波段篩選過(guò)程Fig.4 Selection process of CARS characteristic bands

圖3中藍(lán)色光譜曲線為126個(gè)糟醅樣本的平均光譜反射率曲線，紅色標(biāo)記點(diǎn)對(duì)應(yīng)選擇的波段位置。糟醅酸度值含量的特征波長(zhǎng)主要分布在光譜曲線的波峰波谷附近。從圖4-a可以看出，隨著采樣次數(shù)的增加，保留波長(zhǎng)的數(shù)量會(huì)快速地減少，而后減少得較慢，最后不發(fā)生變化，這表明CARS對(duì)波長(zhǎng)變量的選擇是一個(gè)從粗略選擇到精細(xì)選擇的過(guò)程。從圖4-b中可以看出，當(dāng)采樣次數(shù)為1～16次時(shí)，RMSECV的值逐漸變??；當(dāng)采樣次數(shù)為16次時(shí)，RMSECV的值最小為0.163 4；當(dāng)采樣次數(shù)>16次后，RMSEC的值逐漸增加。上述過(guò)程表明，當(dāng)采樣次數(shù)<16次時(shí)，CARS算法濾除與糟醅酸度無(wú)關(guān)的光譜信息。圖4-c中“*”所示位置是當(dāng)采樣次數(shù)為16次時(shí)RMSECV的值最小，在該采樣次數(shù)保留下的變量即為所提取的特征波長(zhǎng)，共38個(gè)。

將21個(gè)未參與建模的樣本導(dǎo)入MSC-CARS-LS-SVM預(yù)測(cè)模型中進(jìn)行模型驗(yàn)證，其預(yù)測(cè)集建模效果見(jiàn)圖5。真實(shí)值與預(yù)測(cè)值無(wú)明顯差異，說(shuō)明模型的預(yù)測(cè)結(jié)果較為準(zhǔn)確。

圖5 樣本預(yù)測(cè)集建模效果Fig.5 Modeling effect of sample prediction set

2.5 糟醅酸度值可視化

提取糟醅樣本高光譜圖像每個(gè)像元的光譜反射率，依據(jù)預(yù)測(cè)模型計(jì)算酸度值的形成灰度圖像，最后對(duì)灰度圖像進(jìn)行偽彩色處理，得到酸度值的可視化彩色分布圖。選擇同一發(fā)酵池中下層、中層、上層相同取樣點(diǎn)的糟醅樣本高光譜圖像，提取每個(gè)像素的光譜反射率導(dǎo)入到LS-SVM模型中，計(jì)算每個(gè)像素點(diǎn)的酸度值形成灰度圖像，然后進(jìn)行偽彩色處理得到酸度值的可視化云圖，如圖6所示。

a-下層糟醅；b-中層糟醅；c-上層糟醅圖6 糟醅酸度值可視化云圖Fig.6 Visible cloud diagram of acidity value of fermented grains

由圖6可知，下層糟醅酸度值主要在12.256 3～13.435 6 g/kg，中層糟醅酸度值主要在11.077 0～12.256 3 g/kg，上層糟醅酸度只要在9.897 7～11.077 0 g/kg。由此可見(jiàn)不同層糟醅的酸度含量是不同的，其中下層酸度含量最大，上層含量最小，這是因?yàn)椴煌瑢哟卧沲呐淞?大曲、原料等)的配比不同造成上、中、下層糟醅的酸度值差異較大[19]。同時(shí)在酸度值高的地方不利于微生物的生長(zhǎng)與繁殖，不利于糟醅的發(fā)酵。因此可以調(diào)整不同層糟醅的配料配比減少不同層糟醅的差異性從而減少其酸度值的含量，使微生物的生長(zhǎng)環(huán)境得到改善,有利發(fā)酵的進(jìn)行[20]。

3 討論

4 結(jié)論