基于卷积神经网络和近红外光谱的酒醅酸度分析方法研究

快速、准确检测酒醅酸度,可显著提高白酒出酒率和成品酒品质。近红外光谱(NIR)提供了分子的倍频和合频,即有机物中含氢基团(C—H、 N—H、 O—H)的振动信息,通常用于样品中含氢化合物的定性和定量分析。采用NIR能简单、迅速的测定酒醅酸度,克服了传统化学分析方法检测周期长、试剂消耗大、人为误差等不足。由于NIR是一种间接分析技术,如何建立校正模型是准确检测酒醅酸度的关键。作为深度学习中的典型模型,卷积神经网络(CNN)具有局部区域连接,分享权值等优点,不仅能从复杂的光谱数据中提取关键特征,还能减少网络模型的复杂度。因此,提出基于CNN和NIR的酒醅酸度定量分析方法,以某酒企生产线中采集的545个酒醅样本光谱数据作为研究对象,采用标准正态变换(SNV)、 Savitzky-Golay (SG)滤波和一阶求导(1stD)三种算法相结合对原始光谱进行预处理;利用无信息变量消除法(UVE)选择光谱数据的特征波长;使用CNN建立酒醅酸度模型。结果表明:(1)对光谱数据进行预处理后,消除了原始光谱中的基线偏移,噪声等问题;经过预处理后的光谱数据模型相较于原始光谱建模,预测集决定系数提升了22.85%,预测集均方根误差降低了0.049 5,提高了酒醅酸度与光谱反射率的相关性。(2)对光谱数据进行波长筛选后所建立的模型相较于全波段建模,预测集决定系数提升了2.04%,预测集均方根误差降低了0.004 8。(3)基于CNN建立的酸度预测模型,预测集决定系数为0.955 5,预测集均方根误差为0.039 1。相较于偏最小二乘回归模型,预测集决定系数提升了1.03%,预测集均方根误差降低了0.097 6;相较于反向传播神经网络模型,预测集决定系数提升了1.16%,预测集均方根误差降低了0.099 4。该方法可实现对酒醅酸度的快速、准确测量,为后续酒醅酸度在线检测提供方法支撑。