作者姓名：于海燕

论文题目：黄酒品质和酒龄的近红外光谱分析方法研究

中  文  摘  要

农产品/食品质量与安全是关乎民生的大事，国家“十一五”规划中明确提出：“从解决人民群众最关心的问题入手，解决食品安全等影响社会和谐发展的因素”。 近年来，伴随着我国经济的飞速发展和人民生活水平的不断提高，我国黄酒市场蓬勃发展。然而，由于缺乏相应的检测技术和装备，我国黄酒行业的发展中仍存在一些不健康因素，假冒伪劣、虚报酒龄等现象不断出现。这一系列问题直接威胁消费者的身体健康和消费权益，进而损害行业声誉与国际形象。本文立足于浙江特色且也是稻米深加工产品的绍兴黄酒，围绕如下关键科学问题进行了深入和系统研究：利用傅里叶变换近红外光谱分析技术和化学计量学方法，开展黄酒品质检测和酒龄鉴别的基础研究，为研制出快速、实时品质检测和酒龄鉴别装备奠定技术基础；利用可见/近红外光谱分析技术结合光纤传感技术构建瓶装黄酒品质和酒龄实时、不开瓶检测装置，为实现瓶装黄酒的实时、不开瓶检测提供新的技术手段和装备。

1．基于傅里叶变换近红外光谱分析技术的黄酒品质检测和酒龄鉴别。

（1）探索了不同光谱采集参数（仪器信号能量、参比材料、光程长度、光谱采集分辨率和扫描次数）对分析结果的影响，得出了进行黄酒品质分析的优化匹配参数：仪器信号能量为5 V、参比材料为石英比色皿、光程为1 mm、扫描分辨率为16 cm-1、扫描次数为32次。实验证明该匹配参数能够满足基于傅里叶变换近红外光谱的黄酒品质检测和酒龄鉴别的要求。

（2）研究了基于Dixon检验和杠杆值与学生残差T检验进行异常样品剔除的判别原则，并将其应用到黄酒品质分析建模样品集的优化中。先利用Dixon检验和杠杆值与学生残差T检验进行初步筛选，再通过逐一回收比较确定各品质指标定量分析中的异常样品。通过逐一回收异常样品所建模型的性能比较表明：学生残差值在异常样品剔除中的作用较大，学生残差差异显著的样品可直接剔除。

（3）对比分析了全波段800~2500 nm、短波近红外区800~1100 nm、长波近红外区1100~2500 nm，以及两个主要吸收峰所在区域1300~1650 nm和2200~2400 nm对酒精度、糖度、pH值和总酸检测模型性能的影响，分析结果表明：基于全波段范围所建酒精度、糖度、pH值和总酸模型的性能最优。并且研究得出：偏最小二乘回归结合原始光谱用于酒精度、糖度、pH值和总酸检测分析的结果最优。其中，校正分析相关系数分别为0.969、0.992、0.969和0.979，预测分析相关系数分别为0.966、0.986、0.955和0.970，校正标准差分别为0.106 %(V/V)、0.049 %、0.014和0.058 g/L，预测标准差分别为0.112 %(V/V)、0.061 %、0.017和0.068 g/L。由数据分析可得，上述4个模型性能稳健，说明傅里叶变换近红外光谱分析技术可用于黄酒中酒精度、糖度、pH值和总酸的快速、准确分析。

（4）对比分析了判别分析、簇类的软模式分类法和判别偏最小二乘法结合不同波段范围以及不同光谱预处理方法所建酒龄鉴别模型的性能，分析结果表明：判别分析结合原始光谱的长波近红外区所建酒龄鉴别模型的性能最优，校正集和预测集的样品正确分类的百分比均为100 %。簇类的软模式分类法结合5点平滑光谱所建酒龄鉴别模型校正集和预测集样品正确分类的百分比分别为99.4 %和98.8 %。判别偏最小二乘法结合原始光谱所建鉴别模型的校正集和预测集样品正确分类的百分比分别为98.2 %和93.8 %。

2．基于可见/近红外光谱分析技术的瓶装黄酒品质和酒龄实时、不开瓶检测。

（1）分别构建了方瓶装、圆瓶装黄酒品质和酒龄实时、不开瓶检测试验装置。① 方瓶装黄酒品质指标和酒龄实时、不开瓶检测试验装置采用透射方式进行光谱采集。试验装置选用线性方式布置光源，光源为钨卤光源。光谱仪为即插即用微型光纤光谱仪，采用固定光路的光栅分光系统和基于CCD阵列的Si检测器，波长范围为600~1200 nm。② 圆瓶装黄酒品质指标和酒龄的实时、不开瓶检测试验装置采用环形光、漫透射方式进行光谱采集，包括光照箱、检测支架、接收透镜、接收光纤、光纤光谱仪和电脑6部分。两套检测系统无移动部件，检测速度快，为后续实际应用奠定了基础。

（2）建立了方瓶装黄酒酒精度、糖度、pH值和总酸的偏最小二乘回归和多元线性回归模型。研究得出：① 偏最小二乘回归结合原始光谱用于酒精度、糖度和总酸分析的校正分析相关系数分别为0.933、0.902和0.859，校正标准差分别为0.127 %(V/V)、0.218 %和0.106 g/L，预测分析相关系数分别为0.922、0.908和0.840，预测标准差分别为0.147 %(V/V)、0.215%和0.112 g/L；权重偏最小二乘回归结合原始光谱用于pH值分析的模型最优，校正分析和预测分析相关系数分别为0.834和0.767，校正标准差和预测标准差分别为0.024和0.028。② 多元线性回归模型中，多元线性回归结合原始光谱的7个波段组合用于酒精度分析的结果最优，校正分析和预测分析相关系数分别为0.925和0.808，校正标准差和预测标准差分别为0.135 %(V/V)和0.217 %(V/V)；结合13点平滑光谱的7个波段组合所建糖度模型性能最优，校正分析相关系数为0.908，预测分析相关系数为0.1，校正标准差为0.210 %，预测标准差为0.233 %；结合标准归一化处理光谱的12个波段组合所建pH模型的性能优于权重偏最小二乘所建模型，校正分析和预测分析相关系数分别为0.856和0.787，校正标准差和预测标准差分别为0.023和0.027；结合5点平滑光谱的7个波段组合用于总酸分析结果最优，校正分析和预测分析相关系数分别为0.839和0.723，校正标准差和预测标准差分别为0.113 g/L和0.148 g/L。偏最小二乘回归所建立的各模型分析精度较高，但其模型复杂、不易理解。多元线性回归所建立的模型具有结构简单、计算速度快的优点，可用于方瓶装黄酒品质的实时、不开瓶检测。

建立了圆瓶装黄酒酒精度、糖度、pH值和总酸的偏最小二乘回归和多元线性回归模型。偏最小二乘回归结合原始光谱用于酒精度、pH值和总酸分析的校正分析相关系数分别为0.901、0.838和0.8，校正标准差分别为0.178 %(V/V)、0.036和0.160 g/L，预测分析相关系数分别为0.8、0.833和0.848，预测标准差分别为0.187 %(V/V)、0.037和0.176 g/L。偏最小二乘回归结合标准归一化处理光谱所建糖度的模型性能最优，校正分析和预测分析相关系数分别为0.806和0.794，校正标准差和预测标准差分别为0.155 %和0.154 %。建立了圆瓶装黄酒品质指标的多元线性回归模型，其性能（除糖度）明显差于基于偏最小二乘回归所建模型的性能。多元线性回归结合标准归一化处理光谱的7个波段组合用于酒精度分析的结果为：校正分析相关系数为0.723，校正标准差为0.284 %(V/V)，预测分析相关系数为0.559，预测标准差为0.341 %(V/V)；结合标准归一化处理光谱的6个波段组合所建糖度模型的校正集和预测分析相关系数分别为0.858和0.823，校正标准差和预测标准差分别为0.134 %和0.143 %；结合原始光谱的6个波段组合用于pH值分析的结果为：校正分析相关系数为0.827，校正标准差为0.037，预测分析相关系数为0.803，预测标准差为0.040；结合一阶微分光谱的7个波段组合用于总酸分析的结果为：校正分析相关系数为0.840，校正标准差为0.172 g/L，预测分析相关系数为0.724，预测标准差为0.216 g/L。

（3）对比分析了判别分析、簇类的软模式分类法和判别偏最小二乘法结合不同光谱预处理方法所建的方瓶装和圆瓶装黄酒酒龄鉴别模型的性能。分析结果表明：判别分析结合原始光谱和簇类的软模式分类法结合25点平滑光谱所建方瓶装黄酒酒龄鉴别模型最优，1、2、3、4、5年陈样品集的校正集和预测集正确分类的百分比均为100 %。判别分析结合原始光谱、簇类的软模式分类法结合21点平滑光谱所建圆瓶装酒龄鉴别模型最优，预测集中1、2、3、4、5年陈样品集的样品正确分类的百分比均为100 %。

Methods for Quality and Wine Age Determination of Chinese Rice Wine Based on Near Infrared Spectroscopy

Yu Haiyan

ABSTRACT

To ensure the quality and the safety of agricultural products and food is a major event in relation to people's livelihood. The “Eleventh Five Year Plan” stated that the disharmony factors in the social development such as food safety must be resolved. In recent years, the Chinese rice wine industry has been developing in a high speed. Meanwhile, for the lack of detection technique and equipment, there are some unhealthy factors, such as counterfeit wine, in the development of the Chinese rice wine industry. The disharmony factors have already threatened the rights and interests of the consumers’. Further, the reputation of the Chinese rice wine industry was impaired. In this research, Fourier transform near infrared (FT-NIR) spectroscopy and visible and near infrared (Vis-NIR) spectroscopy together with chemometrics were applied to determine Chinese rice wine quality and to discriminate wine age, respectively.

1. Chinese rice wine quality determination and wine age discrimination based on FT-NIR.

(1)    The influences of spectra collection parameters on FT-NIR analysis were analyzed. Through the comparison analysis, the parameters for Chinese rice wine spectra collection were chosen. The energy of signal energy was 5V, the reference spectrum was collected in a 1 mm path-length rectangular quartz cuvette with air as reference, and resolution and the number of scan was 16cm-1 and 32, respectively. 

(2)    The principles for sample outlier analysis, which were based on Dixon test, as well as leverage and studentized residual test, were studied. Firstly, Dixon test, as well as leverage and studentized residual test were applied to the whole sample set. If Mahalanobis distance, leverage value or studentized residual value of some sample was noticeably different from those of the others, the sample was considered as an outlier in the first-round analysis. And they would be removed from the sample set. In the second-round analysis, the samples considered as outliers were reclaimed one by one in order to differentiate whether they provided any useful information or they must be removed. The results demonstrated that studentized residual value had the highest influence on the sample outlier analysis. It was concluded that if some sample had a noticeably different studentized residual value; it should be removed without further analysis.

(3)    The performances of models for alcohol content, sugar content, pH and total acid established by different wavelength ranges (full wavelength range 800~2500 nm, short wavelength range 800~1100 nm, long wavelength range 1100~2500 nm, and two absorption band 1300~1650 nm, 2200~2400), different spectra preprocessing methods, and different mathematical methods were compared in this research. The results showed that the best models for alcohol content, sugar content, pH and total acid were developed by partial least squares regression (PLSR) together with full wavelength range of raw spectra, with correlation coefficient of calibration (rcal) of 0.969, 0.992, 0.969 and 0.979, correlation coefficient of validation (rval) of 0.966, 0.986, 0.955 and 0.970, root mean standard error of calibration (RMSEC) of 0.106 %(V/V), 0.049 %, 0.014 and 0.058 g/L, root mean standard error of validation (RMSEP) of 0.112 %(V/V), 0.061 %, 0.017 and 0.068 g/L, respectively.

(4)    The prediction performance of wine age discrimination models developed by discriminant analysis (DA), soft independent modeling of class analogy (SIMCA), discriminant partial least squares (DPLS) together with different wavelength range and different preprocessing methods were compared. The results demonstrated that DA together with long wavelength range of raw spectra gave the best wine age discrimination result. The percentage of sample correctly classified was 100 % for the calibration and validation sample set, respectively. The percentage of sample correctly classified for the calibration and validation models developed by SIMCA together with 5-point smoothed spectra were 99.4 % and 98.8 %, respectively. And those for the model established by DPLS were 98.2 % and 93.8 %, respectively.

2. Quality determination and wine age discrimination of bottled Chinese rice wine by Vis-NIR spectroscopy.

(1)    Fiber spectroscopic equipments for square bottled and round bottled Chinese rice wine samples were set up. For square bottled Chinese rice wine samples, transmission spectra of Chinese rice wine were collected by a line-light fiber spectroscopic equipment which consisted of a light source (tungsten halogen lamp, 20 W), a sample holder, two adjustable collimating lens, a fiber spectrometer, two pieces of optics fiber, and a computer. The spectrometer was equipped with a 2048-element linear silicon CCD array detector. The wavelength range was 600~1200 nm. For round bottled Chinese rice wine samples, reflectance transmission spectra were collected by a circle-light fiber spectrometer equipment which was composed of light source, a sample holder, two adjustable collimating lens, a fiber spectrometer, a piece of optics fiber, and a computer. The two equipments established foundation for the practicalities.

(2)    The PLSR and multi linear regression (MLR) models for alcohol content, sugar content, pH and total acid of square bottled Chinese rice wine samples were established. ① The alcohol content, sugar content and total acid models developed by PLSR together with raw spectra was the best. For the three models, rcal was 0.933, 0.902 and 0.859, RMSEC was 0.127 %(V/V), 0.218 % and 0.106 g/L, rval was 0.922, 0.908 and 0.840, and RMSEP was 0.147 %(V/V), 0.215% and 0.112 g/L, respectively. The best model of pH was developed by weighted partial least squares regression (WPLSR), rcal and rval was 0.834 and 0.767, and RMSEC and RMSEP was 0.024 and 0.028, respectively. ② For MLR models, 7 wave bands of raw spectra gave the best results for alcohol content analysis, rcal and rval was 0.925 and 0.808, and RMSEC and RMSEP was 0.135 %(V/V) and 0.217 %(V/V), respectively; 7 wave bands of 13-point smoothed spectra gave the best results for sugar content analysis, rcal and rval was 0.908 and 0.819, and RMSEC and RMSEP was 0.210 % and 0.233 %, respectively; 12 wave bands of standard normal variate (SNV) spectra gave the best results for pH analysis, rcal and rval was 0.856 and 0.787, and RMSEC and RMSEP was 0.023 and 0.027, respectively, which were better than those for PLSR model; 7 wave bands of 5-point smoothed spectra gave the best results for total analysis, rcal and rval was 0.839 and 0.723, and RMSEC and RMSEP was 0.113 g/L and 0.148 g/L, respectively. In conclusion, the performance of PLSR models was better. While MLR models were simple and adapt to on-line analysis.

The PLSR and MLR models for round bottled Chinese rice wine samples were also established. The performance of alcohol content, pH and total acid models developed by PLSR together with raw spectra were the best, rcal was 0.901, 0.838 and 0.8, RMSEC was 0.178 %(V/V), 0.036 and 0.160 g/L, rval was 0.8, 0.833 and 0.848, RMSEP was 0.187 %(V/V), 0.037 and 0.176 g/L, respectively. The performance of sugar content model developed by PLS together with SNV spectra was the best, rcal and rval was 0.806 and 0.794, and RMSEC and RMSEP was 0.155 % and 0.154 %, respectively. The performance of MLR models (except sugar content) was worse than that of PLR models. The results for alcohol content (MLR together with 7 wave bands of SNV spectra) were: rcal=0.723, RMSEC=0.284 %(V/V), rval=0.559, RMSEP=0.341 %(V/V); the results for sugar content (6 wave bands of SNV spectra) were: rcal=0.858, RMSEC=0.134 %, rval=0.823, RMSEP=0.143 %; the results for pH (6 wave bands of raw spectra) were: rcal=0.827, RMSEC=0.037, rval=0.803, RMSEP=0.040; and the results for total acid (7 wave bands of first derivative spectra) were: rcal=0.840, RMSEC=0.172 g/L, rval=0.724, RMSEP=0.216 g/L.

(3)    The prediction performance of wine age discrimination models for square and round bottled Chinese rice wine samples developed by DA, SIMCA, DPLS together with different preprocessing methods were studied. The best models for square bottled Chinese rice wine samples were developed by DA together with raw spectra, as well as SIMCA together with 25-point smoothed spectra. The percentage of samples correctly classified was 100 % for the 1-, 2-, 3-, 4- and 5-year-old sample groups, respectively. The best models for round bottled Chinese rice wine samples were developed by DA together with raw spectra, as well as SIMCA together with 21-point smoothed spectra, the 1-, 2-, 3-, 4- and 5-year-old sample groups were all correctly classified.