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。

浅析酒醅中酸度的测定

本文首先通过几个现有检测酸度的手段来选择目前最符合测定酒醅酸度的方法——用氢氧化钠消耗量来表示酒醅酸度。酒醅中酸分固定酸和挥发性酸,由于部分挥发酸的挥发性较大,使得在用氢氧化钠滴定试液之前就已经挥发,不能表示酒醅中所有酸的酸度,只能表示固定酸和部分难挥发性酸的酸度。挥发性较强的那部分酸只能用感官检测的方法判断,但它对所酿造出来的酒酒质却有明显影响。