釀酒特需高粱真實性無損快速鑒別研究

劉亞超，陳小雪，程 偉，周 艷，韓北忠，李永玉*

（1.中國農業大學工學院，國家農產品加工技術裝備研發分中心，北京 100083；2.中國農業大學食品科學與營養工程學院，北京 100083；3.四川郎酒集團有限責任公司，四川 瀘州 510500）

高粱作為醬香型白酒生產的重要原料，其品質的優劣在釀酒過程中起著決定性的作用，并直接影響成品酒的質量[1-7]。多數酒企為了保證白酒發酵品質，除了特有的釀造工藝和流程，同時還需要符合企業特需的高粱作原料。然而一些中間商為了獲取更多利益，將其他品種的高粱混入特需高粱售于酒企，這會對酒品質造成一定的隱患，因此對特需高粱的真實性把控顯得尤為重要。目前主要通過感官評價（外觀色澤、蒸煮等）來檢測高粱是否為所需品種，也有使用限制性片段長度多態性聚合酶鏈反應（polymerase chain reaction-restriction fragment length polymorphism，PCRRFLP）鑒別需求高粱的真實性[8]。雖然這些方法成熟，但是需要有大量經驗的人進行操作，不宜大范圍推廣。同時這些方法存在主觀性、檢測速度較慢等問題。因此，如何能夠快速、有效的檢驗特需高粱的真實性是目前酒企急需解決的問題。

近紅外光譜是一種快速、有效、綠色的分析方法，主要反映的是物質成分中含氫基團在近紅外區域的特性[9]。近紅外光譜是一種綜合信息，包括物質內部成分和外部信息，其在各領域中的定量或定性分析方面已取得豐富的成果[10-15]。在高粱檢測方面，近紅外光譜分析主要用于高粱內部成分的定量分析[1，16-19]，通常需要將高粱進行粉碎進行測定?；诮t外光譜的特需高粱無損鑒別而言，獲取樣品池內特需高粱和摻假高粱在內的所有樣品的完整信息是保證判別結果準確性的基礎。然而，高粱顆粒透光性較差，加上檢測器探頭有效探測面積有限，難以獲取特需高粱和摻假高粱顆粒全部的樣品信息。

本實驗以實現特需高粱真實性的快速無損鑒別為目的，針對高粱透光性差，近紅外探頭有效探測面積有限，難以有效獲取樣品池中特需高粱和摻假高粱的整體樣品信息等問題，改良樣品杯直徑和檢測窗口直徑的匹配關系，優化樣品在樣品杯的填充方式，解決無法采集樣品池中整體樣品信息等問題，有效獲取包括摻假高粱顆粒的整體樣品信息，并結合化學計量學方法優化模型建立，最終實現特需高粱真實性快速無損實時鑒別，為今后開發便攜式特需高粱真實性鑒別設備提供了技術支撐。

1 材料與方法

1.1 高粱樣品

特需高粱、紅茂粱、金糯粱：由四川郎酒集團有限責任公司品質研究院提供；三種高粱大小較為相似，其中金糯粱與特需高粱無法通過外觀直接區分，紅茂粱相比特需高粱顏色偏黃。

1.2 儀器與設備

Antaris II傅里葉變換近紅外光譜儀（有效探測范圍為4 000～10 000 cm-1（1 000～2 500 nm），分辨率為4 cm-1）：美國賽默飛公司。

根據前期實驗的成果，定制一款符合本研究的環形樣品杯，其內徑略大于檢測窗口直徑的2倍，通過上下移動載臺，即保證檢測器可以有效獲取樣品信息，又保證了樣品量。并且，樣品杯還備有上蓋，保證光譜采集過程中不受外界光干擾。

1.3 樣品制備及填充

1.3.1 方法

由于高粱樣品的透光性較差，為了保證采集樣品信息的有效性，基于前期實驗結果對樣品填充方式及樣品盤直徑進行了優化。將樣品平鋪于樣品杯底部，層數為一層，保證檢測器可以采集樣品的全部信息。

根據實際高粱混合情況，分別將金糯粱和紅茂粱與特需高粱按照不同混合比例一對一混合制備樣品（見表1）。摻入樣品的量由每次填充樣品杯的顆粒數量乘以混合比例決定，需求樣品和混合樣品總共制備210個樣。為了驗證實驗方案的可行性，從210個樣品隨機抽取30個樣品作為獨立驗證集，剩余樣品為訓練集用于建立高粱近紅外判別模型。

表1 需求樣品和混合樣品混合比例Table 1 Mixing ratio of demend sample and mixed sample

1.3.2 數據分析及模型評價

在采集樣品光譜數據時，由于受儀器穩定性、環境等因素的影響，光譜數據除了包含樣品的有效信息也包括一些噪聲，因此需要對光譜數據進行預處理以獲取更有效的信息。在本文中使用多元散射校正（multiplicative scatter correction，MSC），標準正態變量變換結合去趨勢（standard normal variate transformation+D，SNV+D），一階卷積求導（1st Der.（S-G））和二階卷積求導（2nd Der.（S-G））等算法對光譜數據進行預處理[20-21]。預處理后的數據結合偏最小二乘判別算法（partial least squares discriminant analysis，PLS-DA）建立高粱近紅外判別模型[22-23]。模型的性能由最終判別結果的準確率決定，準確率越高，模型性能越好，判別準確率可由以下公式計算：

式中：A代表判別結果的準確率，N代表樣品總數量，Nright代表判別正確的樣品數量，Nwrong代表判別錯誤的樣品數量，以上計算均在Matlab（R2014a）中完成。

2 結果與分析

2.1 高粱近紅外光譜分析

所有高粱樣品的近紅外光譜見圖1。由圖1可知，在1000～2 500 nm波長范圍內存在6個吸收峰。根據已有研究[24-25]，其中波長1 206 nm附近的吸收峰與-CH3中的C-H鍵對稱拉伸的二級倍頻有關，波長1 463 nm附近吸收峰與淀粉O-H鍵反對稱和對稱拉伸有關，在波長1 933 nm附近的吸收峰與淀粉的O-H鍵拉伸和彎曲結合有關，波長2 127 nm附近的吸收峰為N-H伸縮振動與酰胺Ⅲ的組合頻有關。波長2 313 nm和2 353 nm處存在弱的吸收峰，均與-CH2中C-H鍵的伸縮和彎曲振動有關。由此可見，高粱在1 000～2 500 nm之間的近紅外光譜信號主要由淀粉、蛋白質及其他碳水化合物的近紅外信號組成。除此之外，需求高粱的光譜與混合高粱的光譜沒有明顯的差異，并且混合高粱的光譜將需求高粱的光譜完全覆蓋。

圖1 高粱樣品近紅外光譜圖Fig. 1 Near infrared spectroscopy of sorghum samples

2.2 高粱判別模型建立

為減少高粱光譜數據中非目標信息的干擾，提高光譜特征信號的分辨率，對原始光譜進行了不同數據預處理，消除其他因素對圖譜信息的影響，預處理結果如圖2所示。其中MSC預處理消除光散射對光譜的數據的影響；S-G預處理通過平滑消除光譜數據的噪聲；SNV+D主要用于消除顆粒大小，表面散射，基線漂移對光譜的影響；1st Der.（S-G）可以消除基線及其他背景的干擾，分辨重疊峰，提高分辨率；2nd Der.（S-G）在1st Der.（S-G）的基礎進行二次求導。需要注意的是，在使用一階卷積求導和二階卷積求導預處理時雖然消除了基線和背景的干擾，但同時也會放大某些噪聲，這些噪聲對模型產生何種影響還需要通過最終的模型結果進行評定。

圖2 不同預處理方法的高粱樣品近紅外光譜Fig. 2 Near infrared spectroscopy of sorghum samples with different pretreatment methods

在建立模型前，先將訓練集數據按照3∶1分為校正集和預測集，使用不同預處理數據結合PLS-DA建立的高粱鑒別模型結果如表2所示。

表2 不同預處理方法的高粱樣品鑒別近紅外光譜模型結果Table 2 Near infrared spectroscopy model results for identification of sorghum samples with different pretreatment methods

從表2可以看出，使用原始光譜和經S-G預處理后的光譜分別建立的高粱近紅外判別模型性能較好，校正集和預測集的判別結果均為100%，使用其他預處理方法建立模型的判別準確率略低于前者。使用其他預處理建立模型的校正集判別結果準確率均在99.3%，然而使用1st Der.（S-G）和2nd Der.（S-G）預處理建立的模型預測集判別結果較差，分別為95.6%和93.3%。正如前面所述，使用導數預處理雖然可以提高光譜分辨率和消除基線漂移，但是在預處理過程也放大了某些噪聲，表2中的結果證明了這些噪聲對模型的性能產生負面影響。

基于表2的結果，本研究提出的實驗方案是可行，其中使用原始光譜和S-G預處理后的光譜建立的模型判別結果均為100%。

2.3 高粱判別模型驗證

為了進一步驗證模型的可行性，將隨機抽取的30個樣品用于外部獨立驗證，對光譜數據按照相同的流程進行預處理并導入對應的模型進行驗證，結果如表3所示。

表3 不同預處理方法的高粱樣品鑒別近紅外光譜模型驗證結果Table 3 Near infrared spectroscopy model validation results for identification of sorghum samples with different pretreatment methods

從表3可以看出，其中原始數據、MSC預處理、S-G預處理的驗證集判別準確率均為96.7%，其判錯的樣品混合比例為10%（特需高粱-紅茂粱），其余預處理的驗證集判別結果準確率均高于90%，這再次表明本文提出的實驗方案是具有可行的，可以用于鑒別需求高粱的真實性。需要注意的是，經SNV+D預處理的驗證集判錯兩個真實樣品和一個混合樣品，結合表2結果，表明該預處理方法不適用于高粱鑒別判別。

2.4 結果分析

基于表2和表3的結果，使用原始數據和S-G預處理建立的模型性能最好，兩者的判別結果見圖3。由圖3可知，兩者的判別結果相同，校正集、預測集和驗證集的判別準確率分別為100%、100%和96.7%。

從圖3可以發現，使用原始數據和S-G預處理數據分別建立的模型結果非常相似，這主要是因為S-G處理只是對光譜數據進行平滑，并沒有明顯改變光譜特征（圖2）。雖然結果相似，但實際預測的結果還是存在微小差異，如圖3C和圖3F中同一樣品的預測結果分別為0.522 7和0.524 7。使用其他預處理的校正集結果雖然與圖3中的結果相差不大，但預測集和驗證集的判別結果卻不如圖3中對應集合的判別結果。這主要是因為預處理雖然可以消除大量的噪聲，改善光譜的分辨率，但是不恰當的預處理反而會降低模型的性能，如1st Der.（S-G）和2nd Der.（S-G）（表3）。

圖3 高粱樣品鑒別近紅外光譜模型校正集、預測集、驗證集判別結果Fig. 3 Discrimination results of NIR model calibration set, prediction set, validation set for sorghum samples identification

3 結論

本實驗將近紅外光譜分析技術首次用于特需釀酒高粱真實性鑒別，彌補了該方面研究的空白。通過優化樣品填充方式，改良樣品杯與檢測窗口的匹配度，確保了檢測器可以采集更多的樣品有效信息，從而解決了近紅外光譜技術在鑒別特需高粱方面存在的問題。在樣品光譜采集后，將光譜數據與化學計量學結合建立高粱近紅外鑒別模型，其結果表明使用原始數據和S-G預處理建立的模型性能最好，且兩者的判別結果相同，校正集、預測集和驗證集的判別準確率分別為100%、100%和96.7%?；趯嶒灲Y果，表明了近紅外光譜技術結合化學計量學可以實現快速、無損的鑒別高粱的真實性。同時，也為今后開發便攜式特需釀酒高粱真實性鑒別儀提供了數據參考。