基于可見光/近紅外高光譜技術的窖泥總酸的分布

朱敏，孫婷，白直真，羅惠波，田建平，黃丹*

1(四川輕化工大學 生物工程學院，四川 宜賓，644000)2(四川輕化工大學 機械工程學院，四川 宜賓，644000)

被譽為世界六大蒸餾酒之一的中國白酒[1]，根據(jù)生產工藝的差異可分為4種基本香型，包括濃香型、醬香型、清香型及米香型，其中濃香型白酒的產量及市場份額占據(jù)整個白酒行業(yè)的70%以上[2]。宜賓五糧液、瀘州老窖作為濃香型白酒的典型代表，以其芳香濃郁、綿柔甘洌、香味協(xié)調、入口甜、落口綿、尾凈余長等風格特點深受消費者喜愛。入窖發(fā)酵是整個白酒生產工藝中的關鍵工序，窖池中大量生香產酯微生物之間復雜的相互作用關系，使得最終形成以己酸乙酯為風味主體的濃香型大曲酒。趙東等[3]利用氣質聯(lián)用技術研究了五糧液不同空間層次的出窖糟醅與窖泥之間的關系，結果表明窖邊糟的香氣成分明顯高于中心糟，且與窖泥優(yōu)勢成分具有高度的相似性。此外，據(jù)相關報道，窖泥來源的微生物占據(jù)糟醅總微生物的14%以上，并且多數(shù)屬于厭氧菌[4]。說明沒有好的窖泥，就不能生產上乘的濃香型優(yōu)質大曲酒。然而窖泥長期面臨酸化、老化等諸多問題[5]，給人工養(yǎng)護窖泥帶來重大挑戰(zhàn)。窖泥老化的一個重要原因就是累積發(fā)酵帶來的酸度偏大，嚴重影響己酸菌、丁酸菌等有益微生物的生長代謝活動，從而使得窖泥穩(wěn)定的微生物體系被打破，造成窖泥質量的下降。而適當?shù)乃岫炔粌H可以促進酒精發(fā)酵，還可以促進風味及前體物質的合成。因此窖泥總酸的快速檢測是評估窖泥質量的一項重要指標，對防止窖泥酸化具有重要意義。目前的窖泥總酸測定普遍采用酸堿中和法或者pH電位法，此方法耗時耗力，破壞性強，屬于單點檢測，不能直觀展示指標含量的二維分布狀況，并且檢測結果往往滯后于實際生產，不能對相關工作起到根本性的指導作用。

高光譜成像技術是一種新興的、非破壞性的、先進的光學技術。它將機械視覺與光譜技術相結合，探測目標對象的二維空間和一維光譜信息，從而獲取高分辨率的圖像和光譜數(shù)據(jù)。這種技術能夠實施大規(guī)?？焖贆z測，同時也能夠最大程度上保留物體對象的完整性，已經廣泛應用于天文學[6]、法醫(yī)檢驗[7-8]、犯罪現(xiàn)場勘察[9-10]、文物保護[11-12]、醫(yī)學[13-14]、植物和水源保護[15-16]，遙感測繪[17]等方面。ZHU等[18]應用高光譜技術，快速辨別醋醅在發(fā)酵過程中表征指標的分布情況，有利于及時發(fā)現(xiàn)問題，快速調整生產工藝，保證產品品質。說明將高光譜圖像技術應用于固態(tài)發(fā)酵過程中表征指標的快速檢測是可行的。目前，國內外還沒有將高光譜圖像技術應用于濃香型白酒領域快速檢測的相關報道。因此，本文研究一種基于高光譜成像技術的窖泥總酸的檢測方法，實現(xiàn)對酸度的在線無損監(jiān)測，幫助白酒企業(yè)快速發(fā)現(xiàn)問題，及時調整工藝，防止窖泥酸化和老化現(xiàn)象的發(fā)生。

1 材料與方法

1.1 實驗材料

1.1.1 樣品來源

窖泥樣品采自四川省宜賓市某知名酒廠(位于四川省中南部，北緯26°03′～34°19′，東經97°21′～108°31′)，窖泥樣品分別來自5個不同的窖齡(6、12、15、23、30)，每個窖齡對應4口窖池，同一窖齡中產酒質量較好的窖池作為每口窖池的選擇依據(jù)。采樣時工人用鐵鏟刨開遺漏的酒糟，以黃水為分界線，收集來自同一窖池四周的窖泥，將其混勻用取樣袋封好即成1個樣本，同一窖池的采樣部位包括窖帽、窖中和窖底泥3層，共3個樣。以此方式獲得不同窖齡的窖泥總計60份。采樣完畢后，放置于冰盒運回實驗室并迅速開展試驗。

1.1.2 試劑與儀器

NaOH，酚酞(分析純)，成都市科龍化工試劑廠；鄰苯二甲酸氫鉀(分析純)，天津市科密歐化學試劑開發(fā)中心。

CP214電子天平、pH計，奧豪斯儀器上海有限公司；78HW-1恒溫磁力攪拌器，金壇市醫(yī)療儀器廠；101定性濾紙，撫順市民政濾紙廠。

FX系列高光譜相機，精密電控載物臺，計算機軟硬件，芬蘭SPECIM公司；160W的Y型光纖鹵素燈，美國DolanJenner Industries公司；高光譜采集系統(tǒng)。

1.2 實驗方法

1.2.1 試驗方法

本文的方法分為試驗方法和數(shù)據(jù)分析方法兩部分，試驗方法包括參數(shù)的標定、高光譜數(shù)據(jù)的采集、提取感興趣區(qū)域(region of interest，ROI)以及黑白校正處理、窖泥總酸的檢測，數(shù)據(jù)處理包括預處理、特征變量篩選、建模以及可視化等，具體的試驗設計流程如圖1所示。

圖1 試驗設計流程圖Fig.1 A flow chart of experimental design注：ROI，感興趣區(qū)域；SNV，標準正態(tài)變量；SPA，連續(xù)投影算法；PLSR，偏最小二乘回歸；LS-SVM，最小二乘支持向量機；R2，決定系數(shù)；RMSE，均方根誤差

1.2.1.1 參數(shù)設置

為使樣品運行速率與相機的采集頻率和曝光時間相匹配，保證圖像信息的完整性，因此針對窖泥樣品，本研究的具體參數(shù)標定如表1所示。

表1 高光譜相機參數(shù)設置Table 1 Parameter setting of hyperspectral camera

1.2.1.2 高光譜數(shù)據(jù)采集

用勺子舀取一定量窖泥樣品于石英器皿中，填充至與邊緣齊平的位置。將裝好窖泥樣品并鋪平的石英器皿放置于載物臺中心位置，樣品跟隨載物臺從預設的起始位置移動到終止位置，這時樣品數(shù)據(jù)采集完畢，電控載物臺又迅速回歸到初始位置，等待下一個樣的采集。為最大程度保證數(shù)據(jù)采集的準確性，事先準備10個規(guī)格一致的石英器皿，1個樣品平行采集10次，待10次采集完畢后取出，用紙巾擦拭器皿中殘留的窖泥，以此保證石英器皿的清潔，用同樣的方式采集下一個樣品的高光譜數(shù)據(jù)。以此類推，最終分別獲得600份近紅外區(qū)域下(900～1 700 nm)大小為143 pixel×640 pixel×224 pixel以及可見光區(qū)域下(400～1 000 nm)大小為216 pixel×1 024 pixel×448 pixel的窖泥高光譜圖像數(shù)據(jù)塊。

采用Kennard-Stone(K-S)算法，將60份樣品按照5∶1的比例隨機劃分為訓練集和測試集。由于每個樣品平行采集10次，因此將50份樣品對應的500個數(shù)據(jù)作為訓練集，用于模型的訓練，其余10個樣品對應的100個數(shù)據(jù)作為測試集，用于檢驗模型的預測性能，根據(jù)性能好壞篩選最優(yōu)模型。

1.2.1.3 黑白校正

利用ENVI5.2手動提取ROI(100×100)的平均光譜信息，獲得一條全波段下的平均光譜曲線。進行系統(tǒng)黑白校正，得到相對穩(wěn)定的光譜反射率曲線。具體的校正計算如公式(1)所示：

(1)

式中：R，光譜反射率；I，校正前的光譜數(shù)據(jù)；D，暗電流數(shù)據(jù)；W，標定板數(shù)據(jù)。

1.2.1.4 窖泥總酸的測定

窖泥總酸的測定部位與ROI一致，可以提高后期建模的精度以及預測性能。因此選擇ROI(100×100)內的樣品進行總酸度的測定。測定方法參考GB/T 12456—2008中pH電位法。具體步驟為稱取10 g(精確至0.001 g)不同窖齡的窖泥樣品，放入裝有100 mL蒸餾水的250 mL燒杯中。將溶液間歇攪拌并在室溫下浸出30 min。接著，過濾后收集25 mL濾液于150 mL燒杯中，加入25 mL蒸餾水。用0.1 mol/L NaOH標準溶液進行滴定，當pH計讀數(shù)顯示為8.2，停止滴定，并記錄標液消耗的體積(V1)，同時做空白實驗，記錄體積(V2)。試樣中的總酸含量(X)計算如公式(2)所示：

(2)

式中：X，總酸含量，g/kg；c，NaOH標準溶液的濃度，mol/L；V1，為樣品溶液消耗NaOH的體積，mL；V2，空白溶液消耗NaOH的體積，mL；K，酸的換算系數(shù)；F，樣品的稀釋倍數(shù)；m，樣品的質量，g；1 000，單位換算系數(shù)。計算結果保留到小數(shù)點后兩位。精密度為同一樣品兩次測定結果之差，不能超過算術平均值的2%。

1.2.2 數(shù)據(jù)分析方法

1.2.2.1 預處理

數(shù)據(jù)采集過程中產生的噪聲、基線漂移等不相關因素的光譜信號會降低數(shù)據(jù)采集的準確度。因此需要對ROI內的平均光譜反射率曲線進行預處理來消除這方面的影響。由于標準正態(tài)變量變換(standard normal variable correction，SNV)能高效地去除高頻噪音，防止基線變化，優(yōu)化光譜信號[19-20]。因此本研究選用的預處理方法是SNV，即通過樣品間的平均值和方差來校正光譜信息，從而消除基線變化的影響。

1.2.2.2 特征變量篩選

不同分子結構式所含的基團對不同波長光的吸收具有選擇性，而獲得的數(shù)據(jù)信息可能是來自于多種化學物質光譜信號重疊的結果，為了提高模型的魯棒性和泛化性能，保證模型的準確度，因此需要通過一些變量篩選方法篩選與表征指標密切相關的特征波段，消除不相關波段的影響。本文采用連續(xù)投影算法(successive projection algorithm，SPA)進行窖泥指標特征變量的篩選，同時做全光譜對照。

1.2.2.3 模型的建立

通過機器學習算法將提取出來的光譜信息結合前期的基礎數(shù)據(jù)建立一種自變量與因變量之間的函數(shù)關系，以便后期對未知樣品進行快速預測分析。常用的數(shù)學建模方法有偏最小二乘回歸(partial least squares regression，PLSR)、最小二乘支持向量機(least squares-support vector machine，LS-SVM)、反向傳播人工神經網絡(back propagation-artificial neural network，BP-ANN)。本文選取前兩種方法用于窖泥總酸模型的構建。

1.2.2.4 模型的評價方法

模型常用的評價方法是比較訓練集和測試集的決定系數(shù)(R2)以及均方根誤差(root mean square error，RMSE)的大小，當決定系數(shù)越接近于1，均方根誤差越接近于0，說明所建訓練集樣本模型的精度越高，預測性能越好[21]。本文通過對比分析模型在訓練集和測試集數(shù)據(jù)上的表現(xiàn)性能，篩選出窖泥總酸預測的最優(yōu)模型。

1.2.2.5 可視化分布圖

將ROI內每個像素點的平均光譜數(shù)據(jù)帶入以上獲得的最佳模型，得到每個像素點的總酸預測值，將其拉伸到0～255灰度值以獲得與總酸含量值相對應的灰度值，再通過云圖進行偽彩色處理，最終獲得窖泥總酸指標的可視化分布圖，直觀顯示出總酸含量的二維分布情況，從而實現(xiàn)對窖泥總酸分布均一性的快速判定。

2 結果與分析

2.1 窖泥總酸的變化

窖泥中的總酸物質主要包括己酸、乳酸、丁酸等，酸類物質的含量變化是窖泥中產酸菌共同作用的結果，酸性環(huán)境的改變又反作用于窖泥中生香產酯微生物的生長代謝活動，對窖泥復雜的微生態(tài)體系起到重要的調節(jié)作用。本文參照GB/T 12456—2008中pH電位法測得的不同窖齡窖泥總酸度的統(tǒng)計量，如表2所示。

由表2可知，每個窖齡4口窖池不同層次的12份窖泥按照5∶1隨機劃分給訓練集和測試集，由此得到50份樣品用于訓練，10份用于預測。此外，窖泥總酸含量維持在1.05～2.01 g/kg，隨著窖齡的增長，老窖泥的總酸含量略高于新窖泥，但變化較小。窖泥總酸實測值為后續(xù)模型的訓練以及性能評估提供基礎數(shù)據(jù)。

表2 不同窖齡窖泥總酸含量統(tǒng)計表Table 2 Statistical table of total acid in pit mud of different ages

2.2 窖泥樣品光譜特征

利用ENVI5.2提取ROI內像素點的平均光譜信息，通過黑白校正將其轉換成平均光譜反射率，從而分別得到600條近紅外以及可見光區(qū)域下的全波段光譜反射率曲線，F(xiàn)X17型號相機采集的光譜波段范圍為近紅外光譜波段(900～1 700 nm)，一共有224個波長。FX10型號所采用的光譜波段范圍為可見光波段(400～1 000 nm)，一共有448個波長。如圖2所示。

A-近紅外下的原始圖像；B-近紅外下的原始光譜；C-近紅外下的預處理光譜；D-可見光下的原始圖像；E-可見光下的原始光譜；F-可見光下的預處理光譜圖2 原始光譜的提取和預處理Fig.2 Extraction and pretreatment of primary spectrum

為方便觀察，本文以2個窖池的窖泥為例，闡述不同窖齡窖泥在近紅外和可見光波段下光譜反射率曲線的差異，選取了6條分別包含近紅外全波段(224個波長)以及可見光全波段(448個波長)的光譜反射率曲線，如圖3所示。

圖3中一個是6年新窖池的上中下層窖泥，一個是23年老窖的上中下層窖泥，23年的窖泥光譜反射率普遍高于6年的光譜反射率，不同層級的窖泥光譜反射率曲線也明顯不同，說明高光譜技術對不同年份不同層級的窖泥進行快速識別是可行的。

A-近紅外波段；B-可見光波段圖3 近紅外和可見光波段下的窖泥光譜反射率曲線Fig.3 Spectral reflectivity curves of pit mud in near-infrared and visible wavebands

2.3 基于SPA的特征變量篩選

運用SPA算法分別從近紅外以及可見光波段下篩選出與總酸緊密相關的特征波段，經過SPA算法處理后，分別從近紅外全光譜中得到166個特征波段，可見光全光譜下得到345個特征波段。盡管篩選后的特征波段數(shù)仍較多，但可以避免重要信息的遺漏，在保證模型精度的條件下，減少數(shù)據(jù)處理過程中的計算量，提高工作效率?？偹崽卣魑展庾V的產生主要來源于羧酸所帶分子鍵以及含氫基團(C—H、O—H等)合頻和倍頻的伸縮、彎曲振動[22]，在所有能產生特征吸收的分子鍵中，X—H鍵的活性較高，產生的吸收較強。

2.4 近紅外光譜下的模型建立

通過機器學習算法，結合訓練集樣本的窖泥總酸實測值，建立近紅外光譜下(900～1 700 nm)的全波段以及特征波段的定量預測模型(PLSR、LS-SVM)，共計4種模型如表3所示。

表3 近紅外光譜下的模型性能統(tǒng)計表Table 3 Statistical table of model performance in near-infrared spectroscopy

由表3可知，無論是從模型的魯棒性還是預測性能來看，SVM模型都優(yōu)于PLSR，因此被認為是一種相對較好的訓練模型。其次，在SVM模型的基礎上比較全光譜和特征光譜的建模效果，從表中可以看出，盡管全光譜略優(yōu)于特征光譜，但兩者的模型精度和對未知樣品的預測能力都相對較高，在保證模型精度的前提下，采用特征變量建模，可以減少計算量，提高工作效率。因此在近紅外波段下的SNV-SPA-SVM被視為窖泥總酸的優(yōu)選模型。

2.5 可見光光譜下的模型建立

接下來遵循同樣的方法，建立可見光光譜下(400～1 000 nm)的全波段以及特征波段的定量預測模型(PLSR、LS-SVM)，共計4種模型如表4所示。

表4 近紅外光譜下的模型性能統(tǒng)計表Table 4 Statistical table of model performance in visible spectroscopy

由表4可知，SVM模型的穩(wěn)健性和泛化性能還是要優(yōu)于PLSR。其次，基于SVM模型比較分析全光譜和特征光譜的建模效果，基于全波段的SVM模型，在訓練集和測試集上的樣本預測值與實測值之間的相關程度均很高，但相比特征光譜模型，均方根誤差也比較大，因此判定可能出現(xiàn)過擬合現(xiàn)象。相對而言，特征光譜建立的SVM模型具有較好的穩(wěn)定性和預測能力。因此可見光波段下的SNV-SPA-SVM被視為相對較好的模型。

2.6 窖泥總酸最優(yōu)模型的確定以及可視化

近紅外和可見光隸屬于2個不同的區(qū)域范圍，根據(jù)特征光譜產生機理，化學組分對不同波段的光譜吸收能力存在明顯的差異，因此接下來對比分析窖泥總酸指標在兩個波段下的模型性能，優(yōu)選出適用于窖泥總酸快速檢測的最佳模型。對比表3和表4的結果，可以得出，可見光波段下的SNV-SPA-SVM模型泛化性能更強，更適合于對新鮮樣本的預測，且預測值與實測值之間的誤差較小。該模型在訓練集和測試集上的擬合效果如圖4所示。

A-訓練集；B-測試集圖4 模型在訓練集和測試集上的擬合效果圖Fig.4 Fitting effect of the model on calibration and prediction set

將ROI中每個像素點的光譜數(shù)據(jù)帶入到最優(yōu)模型中，計算出窖泥總酸含量的預測值，然后進行偽彩色處理，得到可視化分布圖，仍以兩個窖齡的窖泥為例，如圖5所示。

A-6年的窖帽泥；B-6年的窖中泥；C-6年的窖底泥；D-23年的窖帽泥；E-23年的窖中泥；F-23年的窖底泥圖5 不同窖齡窖泥的總酸分布圖Fig.5 The distribution map of total acid in pit mud of different years

由圖5可知，同一窖池上中下層窖泥的總酸含量存在明顯不同，中層含酸量略高于上層和池底，而上層又高于窖池底部。此外，23年的窖泥總酸含量普遍略高于6年，且分布較為均勻，可能是由于窖池內特殊的生長環(huán)境使微生物群落不斷演替，經過長期的自然篩選，最終得以馴化，大部分有利于發(fā)酵的酵母以及產酸菌幸存下來，使得整個窖池空間內的微生物群落結構更加穩(wěn)定，從而代謝物分布更加均勻。

3 結論

本文通過搭建高光譜采集平臺，探討了窖泥樣品在近紅外以及可見光下的光譜特征，并對總酸含量分布進行了可視化，說明高光譜技術對窖泥總酸分布的快速評估是可行的，本研究為窖泥質量在線檢測平臺的搭建奠定了理論基礎，為白酒機械化、智能化的升級提供了技術支撐。但也有不足之處，希望在后期研究中加以改進。一方面，由于精力有限，訓練的樣本量較少，希望后期加大樣本量，提高對數(shù)據(jù)預測的準確率。另一方面，涉及到光譜解析，通過算法篩選出的特征波段對應的光譜信息不一定全部來自于該表征指標，可能是多種化學組分的重疊，如何剔除其他組分引起的干擾信號，達到優(yōu)化特征光譜的目的是接下來的一個重要研究方向。