現代檢測技術在白酒自動化摘酒中的研究現狀

林 慧 張宿義,,3 張 煉 張立強,3 鄭昌寧

白酒是中國特有的固態發酵蒸餾酒，是以淀粉質谷物為原料，曲藥或酒母為糖化發酵劑，經蒸煮、糖化、發酵、蒸餾、陳釀、勾調等一系列工藝釀制而成的酒精飲料[1]。白酒釀造作為中國傳統手工產業，其釀制工藝復雜、生產周期較長。隨著社會的發展，原料、勞動力等生產成本持續增加，提高生產效率、提升產品質量和促進產業技術轉型是企業生存的根本途徑。近年來，中國白酒行業呈現出規?；a、產業轉型升級的景象，建設產業園區，打造機械化釀造生產線，如智能化制曲生產線[2]、智能勾調系統[3]、智能包裝生產線以及由機械臂、配料輸送機、自動上甑系統、攤晾加曲機、自動蒸餾系統、自動儲酒系統等組成的智能釀造生產線[4]，實現了中國白酒傳統釀造方式的轉型升級。

在白酒行業全面機械化、自動化生產轉型的大環境下，自動化摘酒是必然趨勢。但白酒風味組分微量且復雜，且餾出受到糟醅發酵情況、蒸餾參數設置等多方面影響，給自動化摘酒帶來了很大的挑戰。實現自動化的摘酒，不僅依賴基酒品質的數據化分析，還與在線檢測分析技術密切相關。近年來，在線檢測技術在摘酒環節得到大力發展，除了應用相對成熟的乙醇傳感器，光譜技術、圖像識別技術也被開發用于在線檢測、分析基酒質量。文章擬綜述相關檢測技術在白酒自動化摘酒中的研究現狀，并對檢測技術的發展趨勢進行預測，同時還對相關影響摘酒質量因素的研究成果進行概述，以期為早日實現白酒自動化摘酒提供研究思路和參考。

1 摘酒方法及其影響因素

1.1 摘酒方法

在白酒蒸餾過程中，白酒餾分會在蒸餾的不同時段出現明顯差異[5]。對流酒初期形成的刺激、有害物質和流酒后期有異雜味的酒掐頭去尾，同時對掐頭去尾部分的酒依據酒精度和風味特征劃分成不同等級的過程叫做摘酒。最早的摘酒方法采用三段式摘酒，粗略地將基礎酒分為酒頭、酒身和酒尾。隨著實踐探索，酒身被細化分成多個等級，針對濃香型白酒，有研究[6]提出四段式摘酒，應用看花摘酒將酒身劃分為兩個段次，分別作為不同質量基酒分開貯藏，具體的摘酒方法和物質特征如表1所示。

表1 濃香型白酒四段式摘酒方法Table 1 Four-stage liquor-picking method for luzhou-flavor liquor

1.2 摘酒質量影響因素

研究[7]發現，甑桶的大小及高徑比會影響蒸餾效率，較大的甑桶高徑比可有效提升酒質，增大醇溶性風味物質的提取量。此外，上甑技術、蒸汽壓(裝甑汽壓和流酒汽壓)、流酒速度、流酒溫度都對基酒品質具有一定影響，在上甑過程中，要求工人細致謹慎，做到“輕撒勻鋪、探汽上甑”，操作看似簡單，卻能極大地影響基酒質量和產量[8]，行業內現已實現智能探汽上甑的應用[9-10]。

蒸餾過程中緩火蒸酒結合低溫流酒方式，有利于對微量成分提取，使香味物質充分餾出，并在流酒后期加大蒸汽進行蒸糧，使糧食充分糊化并降低酸度[11]。同時，流酒溫度、流酒速度對基礎酒質量也有很大的影響[12-14]，若流酒溫度太高，會降低基礎酒中酸類、酯類及醇類物質含量；若溫度過低，會導致過多的醛類等低沸點雜質進入酒體，造成雜味。流酒速度過快，酒的香味成分含量減少，酒質較差；流酒速度過慢，又會影響出酒率同時還會使酒中乙醛等物質含量過高，所以摘酒過程應合理控制流酒溫度和速度，確?；瀑|量。程平言等[15]研究發現，適當降低濃香型白酒的摘酒濃度，可提高有機酸含量，緩解酯類水解反應，有利于低度酒產品的開發及保持貨架期產品質量的穩定。

2 白酒自動化摘酒技術研究進展

根據不同的分段標準，結合相應的檢測技術建立穩定的、高效率的、智能的摘酒系統是實現白酒自動化摘酒的最終追求。目前，中國自動化摘酒技術的研究按照檢測原理主要分為三類：基于光譜儀器分析的自動化摘酒技術、基于傳感器的自動化摘酒技術以及基于圖像識別的自動化摘酒技術。

2.1 基于光譜儀分析的自動化摘酒技術

光譜技術是利用物質的吸收光譜、反射光譜或散射光譜數據的差異，實現對物質的快速檢測和分類。該技術具有操作簡單、無損耗、無污染、重復性好等優點，更重要的是光譜技術具有的光纖傳輸特性，可使儀器遠離生產現場實現工業在線分析，是實現自動化摘酒具有廣闊應用前景的分析技術。光譜技術在自動化摘酒中的研究可分為兩類，一類是基于光譜數據建立等級基酒分類模型；一類是建立風味組分的定量分析模型。目前，光譜技術用于白酒等級分類研究的主要是近紅外光譜、拉曼光譜和中紅外光譜技術。

2.1.1 近紅外光譜技術 近紅外光譜技術基于有機物含氫基團X—H(如CH、NH、OH)吸收光譜位置和強度實現被測物的結構鑒定及定量分析，在酒類檢測中被廣泛應用于等級基酒分類研究和組分定量分析。等級基酒分類研究通過對大量不同等級的基酒樣本進行有監督分類模式的訓練，結合化學計量學方法建立特征光譜的分類模型。楊國迪[16]21-34對采集的4個不同等級杜康白酒(240個樣品)基酒樣品的近紅外光譜數據進行主成分(PCA)分析，并結合判別分析、判別偏最小二乘法(PLS-DA)和反向傳播人工神經網絡(BP-ANN)分別建立等級分類模型。結果表明，PCA結合BP-ANN模型的預測準確率達100%。

相比之下，近紅外光譜技術近年來被更多地研究于酒體中風味組分的快速定量。結合對酒體中微量成分的定性、定量檢測技術，如氣相色譜(gas chromatography，GC)、氣相色譜—質譜聯用(gas chromatograph-mass spectrometry，GC-MS)等，建立特定風味組分與光譜數據的定量模型，實現掃描光譜數據即可快速定量風味組分的應用。如楊國迪[16]35-45以GC測量酒體中庚酸乙酯、正戊醇、丁酸、正戊酸和糠醛的含量，應用偏最小二乘法(PLS)分別建立5種風味物質與光譜數據的預測模型。結果顯示，訓練集與驗證集的決定系數(R2)≥0.928(共120個樣本)，模型具有良好的精密度和準確度。董新羅[17]建立基酒中辛酸乙酯、β-苯乙醇、異戊醛、2,3-丁二酮和3-羥基-2-丁酮5種物質(200個樣品)的近紅外定量分析模型，結果表明PLS所建模型優于主成分回歸法(PCR)，校正集和驗證集的決定系數(R2)>0.924。同樣地，大量研究[18-21]基于近紅外光譜還建立了乙醇、己酸、乙酸、己酸乙酯、乙酸乙酯、丁酸乙酯、總酸、總酯等重要指標的定量分析模型?？焖俣匡L味組分，結合相應的摘酒標準，便能實現白酒在線摘酒的應用。

除此之外，光譜技術也被用于其他酒類的定量檢測，Ouyang等[22]開發了一種便攜式紫外—可見光和近紅外光譜相結合的多元光譜分析系統，采用PLS法構建模型定量分析黃酒發酵過程中總糖、酒精含量和pH值的變化。Grassi等[23]采用傅立葉變換近紅外光譜技術定量啤酒發酵過程中工藝參數的變化，建立了光譜數據與目標參數的預測模型。由于發酵酒的密度和渾濁度影響，光譜技術在檢測、分析時往往需要對樣品進行過濾和離心預處理。

近紅外光譜技術，因光譜特征性強，其鑒別能力極好；同時適用性廣，固態、液態或氣態樣品都能應用。但該方法不太適用于分析含水樣品，因水中的羥基對測定有干擾；同時吸收強度弱，靈敏度相對較低，定量分析往往需要借助化學計量學建立光譜與待測參數之間的分析模型，所以定量結果的準確性與模型質量有很大關系。

2.1.2 拉曼光譜技術 拉曼光譜，一種分子散射光譜，利用物質分子對入射光頻率改變發生散射的現象實現分子結構分析。隨著拉曼光譜學的發展，傳統的激光拉曼光譜已發展成傅立葉變換拉曼光譜(FT-Raman spectroscopy)、表面增強拉曼光譜和激光共振拉曼光譜等多種技術，被廣泛應用于生物、材料、化工、石油、高分子等領域。拉曼位移的大小、強度及峰面積常作為鑒定化學鍵、官能團的重要手段，拉曼光譜在酒類檢測中的應用主要是開發便攜式儀器和乙醇含量的定量分析。

傳統的拉曼光譜儀，體積龐大，應用受到一定限制，便攜式的拉曼光譜儀在食品檢測中得到發展[24]?；谔卣鞴庾V波段，不同的乙醇濃度其光譜特征峰強度具有差異性，Song等[25]選取特定波段采用高斯擬合法結合最小二乘法建立峰面積定量乙醇濃度的預測模型，并利用拉曼光譜對分子結構敏感、可實現微量甚至痕量分析的特點，利用差譜法在1 074.6 cm-1波數附近建立痕量甲醇的預測模型。結果表明，酒精度和甲醇預測模型的相關系數分別為0.998 7和0.999 0，實現了對白酒中酒精度和痕量甲醇的在線檢測。試驗環境、雜光干擾等噪聲信號使得光譜數據存在誤差，因此，合適的光譜預處理方法和建模算法決定了模型的穩定性和可靠性，同樣是基于特征峰強度，楊旭寧[26]3-5對采集的3種不同酒精度的白酒樣本的拉曼光譜數據采用不同的預處理方法建立偏最小二乘判別分析模型，結果表明標準正態變量變換(SNV)預處理方法建立的PLS-DA模型效果最好，相關指數為0.936 4。然后比較了拉曼光譜數據在PCA和連續投影算法兩種降維處理方法下，分別結合K最近鄰分類算法(KNN)和BP神經網絡算法建立的乙醇濃度的分類模型，結果表明，連續投影算法(SPA)結合BP-神經網絡模型的分類效果最好，訓練集和預測集正確率分別為93.86% 和94.44%，并建立了該模型的白酒酒精度在線檢測平臺。針對熒光背景的干擾，FT-Raman可通過多次累加信號提高信噪比，減弱熒光干擾，在非破壞性結構分析方面展現優勢。Anjos等[27]應用傅里葉拉曼光譜對蜂蜜酒蒸餾過程中摘取的頭、身、尾3個階段的酒樣光譜采集，利用特征譜區的譜峰差異實現不同階段酒樣的識別分類。另外，基于納米結構的表面增強拉曼和針尖增強拉曼光譜技術在高靈敏度檢測方面取得重大進展，推動拉曼光譜的分子檢測水平，可實現低濃度、微量甚至痕量樣品的檢測[28]。

拉曼光譜基于各種技術的延伸發展，具有高靈敏度、高分辨率、測定速度快等特點，同時因為水的拉曼散射微弱，拉曼光譜也被認為是水溶液樣品分析的理想方法[26]7，其技術的高質量發展和優勢性也將進一步推動白酒領域實現在線檢測、定量分析的應用和發展。

2.1.3 中紅外光譜技術 中紅外光譜技術(又稱紅外光譜技術)，其發展歷史比近紅外和拉曼光譜要早很多。區分于近紅外光譜主要是波段范圍和光譜攜帶信息，近紅外主要是分子的倍頻、合頻信息，而中紅外光譜為基頻信號，幾乎所有的有機物在該波段內都會出峰，譜峰信息豐富，所以中紅外光譜技術的應用非常成熟，被廣泛應用在石油化學、環境監測等領域[29]。

紅外光譜技術在酒類中的研究也包括建立等級基礎酒分類模型和酒體中風味物質的定量分析兩種形式。孫宗保等[30]采用傅里葉變換衰減全反射紅外光譜(ATR-FTIR)技術采集4個等級(60個樣本)白酒基酒樣本的光譜數據，采用線性判別(LDA)和BP-ANN建立等級酒分類模型，線性判別分析訓練集和測試集識別率均達到100%，BP-ANN分析訓練集和測試集識別率均在95%以上。另外，以GC定量酯類物質含量，采用區間偏最小二乘法(siPLS)建立白酒中4種主要酯類化合物(己酸乙酯、乳酸乙酯、乙酸乙酯和丁酸乙酯)的定量分析模型，訓練集(40個樣本)模型相關系數>0.95，測試集(20個樣本)模型的相關系數>0.80。辛新[31]比較了不同等級濃香型白酒基酒的近紅外光譜、中紅外光譜、紫外—可見光譜、拉曼光譜4種光譜數據，分別結合PCA、LDA、BP-ANN 3種化學計量學方法建立等級基酒判別模型，結果表明，中紅外光譜的LDA和BP-ANN模型效果最好，訓練集和測試集識別率均達到100%。同時，采用GC定量酯類化合物含量，分別與4種光譜建立聯合區間偏最小二乘(SiPLS)定量模型。結果表明，中紅外光譜技術對白酒基酒中己酸乙酯、乳酸乙酯、乙酸乙酯3種酯類的定量模型效果最好，訓練集和測試集的相關系數≥0.984 7。近紅外光譜技術對丁酸乙酯的定量模型效果最好，其訓練集和測試集的相關系數為0.926 2和0.970 7，實現了對白酒中主要酯類化合物的快速定量分析。

相比傳統的色譜、質譜檢測技術，光譜技術無需樣品制備在基酒分類、定量酒體風味組分的研究中展現出極大優勢，與光纖傳感技術的聯用將是未來實現工業自動化控制的發展趨勢。當然，光譜技術作為一種間接分析技術，實現對未知樣品的定量檢測往往需要建立校正模型，模型的建立、儀器的性能指標等決定了測試結果的準確性，在不斷的實踐中有針對性地優化性能將進一步提升光譜技術的應用空間。

2.2 基于傳感器的自動化摘酒技術

在線檢測儀直接測量參數變化的摘酒，具有應用方便、操作簡單等優點，同時也對傳感器的測量精度、靈敏度以及環境耐受力有著很高要求。

白酒中乙醇含量常作為衡量白酒質量的一項重要指標，溶液密度作為一項基本物理量，被大量研究用以建立乙醇含量的定量模型。陳林等[32]使用音叉密度計測量基礎酒的密度，集成溫度檢測元件，以最小二乘法建立基礎酒密度、溫度與酒精濃度三者數據間的定量模型，結果表明，預測集30個樣本的酒精度預測平均差≤2.84%vol。此外，壓力傳感器[33]、在線測量液位高度、重量的采集裝置[34]等傳感器方式也被用于建立基于溶液密度的乙醇含量檢測系統。除了溶液密度，基于乙醇濃度與介電常數之間的關系，余航等[35]設計了乙醇含量檢測系統，結合流酒速度的控制，實現基礎酒的分段采集。另外熒光顯色法的乙醇傳感器也有相關研究[36-37]，為乙醇傳感器的開發提供了更多的思路。

隨著技術的發展，相信在未來，快速、靈敏、易維護的傳感器檢測方式會是實現白酒自動化摘酒應用的最終形式。在線檢測酒精含量是一種有效的檢測方法，應用也相對簡單、成熟，但這種方法忽略了風味組分，仍然需要更全面的摘酒標準。隨著光譜技術快速定量風味組分研究的深入和成熟，未來實現酒精度和風味組分共同指導的在線摘酒方式將普及開來。同時可以預見，由于半導體工業帶來的微型化變革，光譜儀將向著更便攜、功能更強大的趨勢發展。

2.3 基于圖像識別的自動化摘酒技術

隨著人工智能的興起，圖像識別技術作為人工智能的一個重要領域，已被廣泛應用于各個領域，如智能安防監控、醫療影像診斷、產品瑕疵檢測等等。酒花圖像識別技術基于傳統的“看花摘酒”工藝，由攝相機獲取酒花圖像，經圖像處理、特征提取進而實現段次分類，具有無損、實時、分段標準統一等優點。

酒花形態作為一種表面特征，人眼可觀察得到，在流酒過程中其直徑會發生改變。早期有研究[38]通過在酒花槽上方安裝攝像頭實時獲取酒花圖像，根據酒花直徑大小實現分段摘酒。隨著人工智能的發展，深度學習和卷積神經網絡算法成為熱門研究方向。在圖像識別領域，通過將人工標注的不同類別的圖像作為算法輸入，卷積神經網絡從圖像中自主地學習，實現對圖像的深層次特征提取并判斷分類，該技術的圖像分類能力往往超過人工水平。余鍇鑫[39]將深度學習應用于酒花圖像識別，通過對上萬個數據集進行訓練和驗證，設計了基于酒花圖像處理和卷積神經網絡(CNN)的自動摘酒系統，算法分類準確率達97.9%。基于上述研究，田子宸[40]結合企業實際生產線的應用，優化了酒花分類算法，提高了算法檢測速率和酒花分類準確率，實現了智能“看花摘酒”的應用。

圖像識別技術在白酒酒花識別上的應用比較創新和智能化，但在實際的生產應用中，要特別注意，酒花圖像的識別依賴于酒花形態的穩定性，需穩定控制流酒溫度和蒸汽壓大小，保持酒花的最佳形態，同時還需考慮鏡頭的防霧性能和現場環境光線等問題。目前，國內外關于酒花圖像分類的研究還比較少，該技術在對酒花的特征提取上還有很大的探索空間。

3 展望

總的來說，不同等級的白酒基礎酒的分類研究和快速定量白酒組分的檢測技術已取得了一定進展，但全面實現自動化摘酒應用還有很長的路要走，仍面臨如下挑戰：

(1) “看花摘酒”方式一直沿用至今，對其的智能化研究還處于起步階段。大數據分析手段往往依賴于大的樣本數據，現有的研究都存在樣本數據量不足的問題。另外，酒液成分對酒花特征的影響機理也值得進一步探究。

(2) 在線檢測技術在白酒自動化摘酒進程中已取得一定進展，進一步探究風味物質與基酒質量、感官評價之間的定量關系，實現風味組分的可視化、數據化分析，建立酒精度與風味物質相結合的摘酒標準，是行業面臨的又一大挑戰。

(3) 在未來，使用傳感器在線監測物質組分的變化會是實現自動化摘酒的終極方式。目前，傳感器的應用主要是乙醇傳感器，進一步實現光譜技術定量分析風味物質的摘酒應用，并向著傳感器、便攜式的趨勢發展，將大大提升行業自動化水平。