Application of Near Infrared Spectroscopy Combined with Machine Learning in Original Liquor Rapid Grade of Light-Flavor Baijiu
HU Chunhong, DU Yanhong, AN Kaiyuan, et al. Application of near infrared spectroscopy combined with machine learning in original liquor rapid grade of light-flavor Baijiu[J]. China Brewing, 2026, 45(6): 282-290. (in Chinese with English abstract)DOI: 10.11882/j.issn.0254-5071.2026.06.036. http://www.chinabrewing.net.cn
中国白酒是世界6大蒸馏酒之一，其起源可追溯至夏初，距今已有4 000余年的历史。白酒以谷物类为基本原料，通过高温大曲、中温大曲、低温大曲、麸曲及酶制剂等促进淀粉转化和乙醇发酵[1]。根据原料、工艺和风味特点， 白酒被划分为12种香型，包括酱香型、浓香型、清香型、凤香型、董香型、米香型、芝麻香型、豉香型、特香型、老白干香型、兼香型和馥郁香型[2]。清香型白酒作为4大基础香型之一，2024年其产能规模达到约170万 kL，实现销售收入1 000亿元，利润约350亿元，在中国白酒市场中占据重要地位。地缸发酵、清蒸清烧和清蒸二次清的工艺特点造就其“清、净、柔”的卓越口感，使其成为备受年轻消费者青睐的“轻负担白酒”。依据品质消费需求，匹配不同消费层次的酒体设计已成为众多企业研究的重点课题。
蒸馏工艺能够将不同沸点和溶解度的微量挥发性风味物质分段蒸出，是决定酒体质量的关键环节，在白酒行业素有“提香靠蒸馏”的说法[3]。因此，科研人员将研究重点聚焦于蒸馏工艺，致力于将其过程精细化划分，为酒体勾调提供不同等级的原酒资源。研究表明，光谱仪、传感器及图像识别等技术能够实现精细化和自动化摘酒[4-6]。张东跃等[7]通过实时在线检测馏分乙醇体积分数控制管道阀门开合，将景芝白酒分为酒头、特级酒、优级酒、二级酒和酒尾。冷嘉洁等[8]利用音叉式液体密度传感器实现自动摘酒、自动分流和自动称量。周海龙等[9]利用超声波乙醇含量检测技术实现了酱香型白酒的自动化摘酒。刘智萍[10]基于深度学习的酒花实时检测算法实现了不同等级原酒的划分。韩云翠[11]利用近红外光谱技术在线监测浓香型白酒中关键呈香呈味物质质量浓度，可为智能分级模型提供数据支持。此外，已有研究依托近红外光谱技术成功建立乙醇、己酸、乙酸、己酸乙酯、乙酸乙酯、丁酸乙酯、总酸、总酯等重要指标的快速定量分析模型[12-13]。
近红外光谱技术由于其快速、高效、低成本及无损等特点成为新型分析及鉴定技术，被广泛应用于白酒生产线相关指标的定量分析。同时，遗传算法-反向传播神经网络（genetic algorithm-back propagation neural network，GA-BP）、逻辑回归、支持向量机、决策树、梯度增强和偏最小二乘（partial least squares，PLS）等机器学习方法，在光谱数据分类与回归拟合中均具备较高预测精度与分析效率。因此，本研究旨在通过正交偏最小二乘判别分析（orthogonal partial least squaresdiscriminant analysis，OPLS-DA）划分原酒等级，并利用近红外光谱技术结合机器学习建立其快速分类模型，以期为原酒快速分级提供理论参考。
大曲清香型大茬酒（DC）和二茬酒（EC）样品取自北京红星股份有限公司。掐除酒头后，每隔1 min采集一次酒样，直至酒尾结束，最终共采集18个DC样品和13个EC样品，编号为DC-1～18、EC-1～13。
甲醇、仲丁醇、正丙醇、异丁醇、正丁醇、2-甲基-1-丁醇、异戊醇、戊醇、己醇、左旋-2,3-丁二醇、内消旋-2,3-丁二醇、1,2-丙二醇、糠醇、β-苯乙醇、乙醛、异丁醛、乙缩醛、异戊醛、糠醛、乙酸、丙酸、异丁酸、丁酸、异戊酸、戊酸、己酸、辛酸、甲酸乙酯、乙酸乙酯、丁酸乙酯、乙酸异戊酯、己酸乙酯、乳酸乙酯、辛酸乙酯、癸酸乙酯、琥珀酸二乙酯、月桂酸乙酯、棕榈酸乙酯、油酸乙酯、亚油酸乙酯、丙酮、2-戊酮、3-羟基-2-丁酮、叔戊醇、乙酸正戊酯、2-乙基丁酸（均为色谱纯） 上海麦克林生化科技有限公司。
2010ProAF气相色谱仪 日本岛津公司；MPA I型近红外光谱仪 德国Bruker公司。
1.3.1 挥发性风味物质测定
取酒样10 mL，加入100 μL混合内标（叔戊醇 197.218 mg/L、乙酸正戊酯197.128 mg/L、2-乙基丁酸197.693 mg/L），混匀后取1.5 mL注入进样瓶。
色谱条件：DB-WAXUI毛细管柱（30 m×0.25 mm，0.5 μm）；升温程序：35 ℃保持4 min，以5 ℃/min速率升至100 ℃，再以10 ℃/min速率升至230 ℃，保持13 min；载气为氦气，流速1.0 mL/min，进样量0.5 µL；分流比为30∶1[14]。
1.3.2 香气活性值（odor activity value，OAV）计算
OAV是量化挥发性化合物对整体香气贡献的核心指标，能精确揭示化合物在嗅觉感知中的相对重要性。OAV＜1表示该成分浓度未达感知阈值，不参与香气构成，1≤OAV＜10表示该物质呈现明确嗅觉特征， OAV＞10时则认为主导整体香气轮廓[15]。OAV按下式计算：
式中：Oi为白酒中挥发性风味物质质量浓度/（mg/L）；Ci为物质在乙醇溶液中的阈值/（mg/L）。
1.3.3 近红外光谱扫描
样品经玻璃棒匀速搅拌后均质分装，不经前处理直接扫描以保留原始基质信息。光谱采集以空气为背景校正，参数设置为分辨率16 cm-1、扫描间隔8 cm-1，每个样品得到2 074个扫描值。近红外光谱采集时环境温度控制为（20±2）℃，空气相对湿度小于80%。
1.3.4 GA-BP分类模型建立
采用分层抽样将全部样本按7∶3划分为训练集与测试集，以确保数据分布的均衡性。在特征选择阶段，引入自适应L1正则化技术以自动筛选最具判别性的特征子集。为增强模型泛化能力，系统整合L2权重衰减与Dropout双重正则化机制，有效抑制过拟合现象。模型优化方面，采用贝叶斯优化算法进行超参数自动搜索，该方法通过构建高斯过程代理模型，高效探索学习率、L2正则化系数、Dropout概率及训练周期等关键参数的最优组合空间。性能评估阶段，构建多维度评价体系，包括准确率、精确率、召回率、F1值和受试者工作特征（receiver operating characteristic，ROC）曲线下面积（area under curve，AUC）等指标，全面量化模型分类效能。为提升模型可解释性，应用沙普利加性解释（Shapley additive explanation，SHAP）值分析方法，通过计算特征对预测结果的边际贡献，定量揭示各特征变量的全局重要性排序。
1.3.5 PLS回归模型建立
使用固体探头采集大茬酒和二茬酒不同馏分在12 000～4 000 cm-1波段范围内的近红外原始光谱，每个样品制备3组样本，总样本数为93组。以各波数吸光度为自变量，挥发性风味物质的质量浓度为响应值，采用10折交叉验证方式建立PLS回归模型[16]，考察模型交叉验证决定系数（determination coefficient of cross-validation，
）、交叉验证均方根误差（root mean square error of cross-validation，RMSECV）。为提升模型预测精度与稳健性，采用间隔偏最小二乘（interval PLS，iPLS）、无信息变量消除（uninformative variable elimination，UVE）、蒙特卡罗-无信息变量消除（Monte Carlo-uninformative variable elimination，MC-UVE）及竞争自适应重加权采样（competitive adaptive reweighted sampling，CARS）方法进行特征波段筛选[17]。同时，为消除物理与化学干扰因素，采用多重预处理如一阶导数（first derivative，FD）、多元散射校正（multiplicative scatter correction，MSC）、矢量归一化（vector normalization，VN）、标准正态变量变化（standard normal variate transformation，SNV）、去趋势（Detrend）及其组合策略等[18]。选取最优模型预测测试集样本中挥发性风味物质质量浓度，并与气相色谱法所测数据相比对，考察预测模型决定系数（R2）、预测标准误差（standard error of prediction，SEP）及预测标准差与SEP比值（ratio of standard deviation of the validation set to standard error of prediction，RPD）。
本研究利用Excel 2016进行数据处理与标准化；利用SIMCA 16.0进行OPLS-DA；使用OPUS 8.5进行近红外光谱图扫描；利用Matlab 2024a进行分类模型建立；利用Origin 2024进行光谱图绘制和特征峰标注。
2.1.1 大茬和二茬酒不同馏分等级划分
利用气相色谱法从样品中共检出43种化合物，其中包括5种醛类、13种酯类、14种醇类、3种酮类和8种酸类。由图1a、b可知，清香型大茬和二茬酒不同馏分的挥发性风味物质种类相似，但在含量上存在差异。在原酒蒸馏过程中，大茬酒以酯类、醇类和酸类为主要挥发性风味物质，质量浓度分别为（91.66±0.11）、（22.26±0.12）、（6.15±0.12）g/L，占比分别为73.20%、17.78%、4.02%；二茬酒则以酯类、醇类和醛类为主，质量浓度分别为（27.12±0.62）、（14.79±0.11）、（10.88±0.35）g/L，占比分别为53.34%、23.46%、17.26%。以大茬和二茬酒不同馏分挥发性风味物质质量浓度作为因变量，蒸馏时间作为自变量，进行OPLS-DA聚类，从而确定馏分等级。由图1c 可知，OPLS-DA能够有效区分等级。随着蒸馏时间延长，酒样散点均向负半轴方向推移，且相对集中。其中，大茬酒中1～3、4～13、14～18 min分别聚为一类，等级分别编号为DC-A、DC-B、DC-C；二茬酒中1～2、3～11、12～13 min分别聚为一类，等级分别编号为EC-A、EC-B、EC-C。由图1d可知，通过200次置换实验，大茬和二茬酒挥发性风味物质模型未出现过拟合现象，可进行后续差异分析。为探索不同等级馏分间挥发性化合物的差异，采用变量投影重要性（variable importance in projection，VIP）量化变量对分组的贡献度，从而筛选重要特征物质。由图1e可知，以VIP＞1、P＜0.05为标准，确定对大茬酒和二茬酒不同馏分中具有重要等级区分贡献的挥发性风味物质均为14种， 其中大茬酒中为亚油酸乙酯、油酸乙酯、棕榈酸乙酯、正丁醇、丙酸、异丁醛、异戊醛、异戊醇、 2-甲基-1-丁醇、甲酸乙酯、丙酮、乙醛、乙酸乙酯、2,3-丁二醇；二茬酒中为亚油酸乙酯、油酸乙酯、棕榈酸乙酯、异戊醛、甲酸乙酯、乙醛、乙酸乙酯、2-戊酮、乙酸异戊酯、丙酮、丁酸乙酯、乙缩醛、乙酸、正丁醇。
图1 大茬和二茬原酒不同馏分等级划分和差异物质筛选
Fig.1 Classification of different fraction grades and screening of differential substances in Dacha and Ercha originalliquors
2.1.2 大茬酒和二茬酒不同等级馏分挥发性风味物质分析
白酒中醇类物质具有重要地位，可增加酒体的醇厚度、绵柔感和回甜感，也能掩盖苦涩味和其他杂味。少量高级醇可增加白酒特殊香味，并烘托酯香[19]。由表1 可知，大茬酒和二茬酒中异戊醇、异丁醇、正丙醇在馏酒前期含量较高。适宜含量的醛类物质可增加酒体芳香和爽口感，过量则会造成刺激性和辛辣。醛类与酒的品质关系较大，在生产过程中应严格控制[20]。各种醛类物质的生成途径也有所不同，如糠醛伴随乙醇发酵产生，是由原料中的多缩戊糖经过水解再失水形成；乙缩醛是乙醛和乙醇失水形成的带有青草味和果香的缩醛[21]。大茬酒和二茬酒中乙醛和乙缩醛由于沸点较低，集中存在于馏酒前期，并随着蒸馏的进行而下降。酸类物质主要是微生物在发酵过程中产生的，其次是醇类和醛类物质的氧化，能给酒体带来爽快的感觉，可使酒体醇厚、丰满。在蒸馏前期乙醇含量较高，酒醅温度较低，酸类物质难以从酒醅中扩散出来；随着乙醇含量的下降，水蒸气相对含量增加，酒醅温度上升，其含量呈现逐渐升高的趋势。乙酸是馏酒过程中的主要的挥发性有机酸，具有水溶性强，沸点较高的特 点[22]。随着蒸馏的进行，其含量增加并集中存在馏酒后期。酯类物质主要由酯化酶催化产生，具有水果香、花香和甜香，能够增加酒体放香、爽口度，对风味特征的形成有重要作用[23]。乙酸乙酯和乳酸乙酯是清香型白酒中主要的酯类物质。不同馏分中酯类物质的分布规律主要受其物理化学性质的影响。乙酸乙酯（沸点77.2 ℃）作为低极性酯类（介电常数为6.02），其溶解度呈现显著的水-乙醇体系依赖性。这种特性导致乙酸乙酯在馏酒前期大量共沸馏出，在大茬酒和二茬酒中分别为（5 320.58±1 152.22）、（4 444.71±1 052.44）mg/L； 但随着体系乙醇含量降低，其溶解度急剧下降，馏出效率显著减弱。同时，乳酸乙酯（沸点154 ℃）作为高极性酯类（介电常数13.3），蒸馏后期体系含水量升高，水分子极性效应增强，使其更易馏出；该物质在大茬和二茬酒中的质量浓度分别为（5 211.37±430.33）、（729.88±107.66）mg/L。此外，大茬酒各馏分的乙酸乙酯和乳酸乙酯含量整体上高于二茬酒。
表1 不同等级馏分中主要挥发性风味物质
Table1 Major volatileflavor substances in fractions of different grades mg/L
种类化合物DC-ADC-BDC-CEC-AEC-BEC-C正丙醇217.92±2.49185.55±17.17147.49±9.90184.90±2.00157.50±15.68108.49±9.19醇类异丁醇288.45±12.39195.93±33.86133.23±11.49309.97±10.06176.96±42.2883.43±9.49异戊醇460.65±19.61455.61±40.37358.11±25.56489.26±20.10421.82±47.38284.68±27.86乙醛128.63±11.3267.20±9.9360.51±1.27566.70±133.20175.74±35.72104.38±5.06醛类乙缩醛455.87±64.54156.95±55.5480.99±11.911 736.76±282.59451.82±250.45122.10±28.17酸类乙酸187.14±7.26294.60±75.13502.43±44.49257.21±32.47237.16±42.28417.99±48.89酯类乙酸乙酯5 320.58±1 152.221 508.10±599.03706.00±98.754 444.71±1 052.441 388.92±720.35234.74±45.29乳酸乙酯567.39±117.902 781.42±1 138.285 211.37±430.33240.80±177.89253.70±138.15729.88±107.66
大茬和二茬酒中风味复杂、成分众多，各物质具有不同香气贡献。由表2可知，大茬酒中OAV＞1、OAV＞10的挥发性风味物质分别有23、10种，二茬酒中分别为20、12种。其中大茬酒中的乳酸乙酯、乙酸、乙酸乙酯；二茬酒中的乙醛、乙酸被认为对香气特征具有重要作用。同时，乙缩醛、乳酸乙酯和油酸乙酯在大茬酒和二茬酒中的OAV具有一定差异，可作为区分两者酒体风味特征的重要依据。
表2 大茬和二茬原酒中挥发性风味物质OAV分析
Table2 Odor activity value analysis of volatileflavor substances in Dacha and Ercha originalliquors
正丙醇720.00[24]180.37±27.61154.18±27.050.250.21乙醛1.20[24]75.58±25.93224.91±167.1862.98187.42丁酸3.40[24]1.36±0.831.97±1.210.400.58酸类异戊酸0.75[24]1.70±0.941.50±0.852.272.00戊酸0.50[24]0.60±0.740.42±0.771.190.84乙酸乙酯17.00[24]1 920.71±1 709.511 681.47±1 597.36112.9898.91酯类种类化合物名称阈值/质量浓度/（mg/L）OAV（mg/L）DCECDCEC甲醇100.00[24]173.58±8.44129.15±23.921.741.29仲丁醇10.00[24]0.14±0.221.22±0.630.010.12异丁醇7.50[24]193.93±57.61183.03±77.9125.8624.40正丁醇5.00[24]10.15±1.078.73±0.902.031.75醇类2-甲基-1-丁醇24.00[25]119.54±16.93115.96±24.214.984.83异戊醇6.50[24]429.37±55.97411.09±74.8466.0663.25正戊醇37.37[24]71.78±4.1865.45±8.821.921.75正己醇5.20[24]4.29±4.193.37±0.870.830.65糠醇54.67[24]32.49±4.1636.92±12.460.590.68β-苯乙醇28.92[24]5.28±3.567.99±5.690.180.28异丁醛1.00[24]6.29±2.595.20±2.746.295.20醛类乙缩醛50.00[24]185.67±136.93598.78±564.33.7111.98异戊醛0.10[24]5.02±2.935.11±2.9350.1951.12糠醛44.03[26]7.09±4.472.67±3.170.160.06乙酸2.60[24]334.42±128.54268.07±76.81128.62103.10丙酸20.00[24]0.96±0.421.98±0.650.050.10异丁酸8.20[24]1.07±0.631.14±0.760.130.14己酸8.60[24]0.84±0.580.56±0.450.100.07辛酸15.00[24]0.89±0.441.34±0.680.060.09甲酸乙酯150.00[24]6.64±4.459.76±10.640.040.07丁酸乙酯0.15[24]4.21±3.177.95±7.0428.0453.03乙酸异戊酯0.23[24]2.65±1.473.24±2.5811.5014.07
续表2
种类化合物名称阈值/质量浓度/（mg/L）OAV（mg/L）DCECDCEC己酸乙酯0.08[24]0.33±0.654.35乳酸乙酯14.00[24]3 087.4±1 798.26324.97±221.88220.5323.21辛酸乙酯0.24[24]0.70±0.812.92癸酸乙酯1.10[24]0.07±0.290.69±2.480.060.62酯类丁二酸二乙酯353.19[26]24.82±16.078.77±7.460.070.02月桂酸乙酯0.10[24]0.12±0.080.11±0.101.181.09棕榈酸乙酯14.00[24]20.41±8.1821.28±9.201.461.52油酸乙酯1.00[24]9.08±4.4111.37±5.649.0811.37亚油酸乙酯37.84[24]15.13±6.6016.81±9.470.400.44丙酮200.00[24]2.71±1.463.31±2.490.010.02酮类2-戊酮2.30[25]0.93±0.660.67±0.710.400.293-羟基-2-丁酮0.26[27]2.79±2.007.33±4.8810.7828.31
2.3.1 不同馏分白酒样品近红外光谱
由图2a可知，样品在8 428、6 839、5 894、5 767、5 671、5 165、4 837、4 405、4 336、4 251、4 062 cm-1 等附近呈现明显的特征吸收峰，包含大量基团吸收信息。白酒的主要成分为水和乙醇，水分子O—H伸缩振动的一级倍频出现在6 839 cm-1附近，合频位于5 165 cm-1附近；4 837 cm-1附近为C—O—H合频吸收；4 405～4 251 cm-1附近为C—H和O—H的弯曲和伸缩振动，4 405、4 336、4 251 cm-1分别是CH、CH2、CH3的合频吸收。由图2b可知，各样品光谱图的趋势基本一致，但吸光度大小存在明显区别，表明所含化学成分种类相似，但含量有所差异；不同馏分样品的近红外光谱图谱重叠度高，直观图谱难以清晰表征组分差异，因此需结合化学计量学方法对光谱数据进行预处理与信息挖掘，有效提取有效特征光谱信息。
图2 不同馏分样品近红外光谱
Fig.2 Near-infrared spectra of different fraction samples
2.3.2 不同馏分等级GA-BP分类模型建立
基于L1正则化特征选择方法建立GA-BP分类模型。由图3可知，从初始2 074个光谱点中筛选出15个与白酒馏分等级显著相关的特征波数，有效降低了数据维度并提升了模型解释性。通过贝叶斯优化算法确定了神经网络的最优超参数组合：隐藏层节点数36、学习率0.089 5、训练周期381次迭代、L2正则化系数0.014 2、Dropout概率0.365 4，针对不同类别的L1正则化强度分别为0.005 9（G-A）、0.014 2（G-B）和0.018 6（G-C）。基于此构建的15-36-3神经网络架构在测试集上表现出卓越的分类性能，准确率达到96.30%、召回率95.24%、F1值0.962 9、AUC 0.997 6，表明模型具有优异的判别能力和稳健性。SHAP特征重要性分析揭示了关键光谱特征与馏分等级的定量关系。其中，波数11 958、11 954、5 917、5 909、5 311、4 428、4 424、4 420、4 293、4 289 cm-1 10个特征点对模型预测贡献显著。特别是4 289 cm-1处的吸收峰对G-B和G-C类别的SHAP贡献值分别为0.234 4和0.787 8，表明该分子振动特征在区分这2个等级时起决定性作用，而4 428 cm-1处的光谱特征则对G-A等级表现出特异性贡献（SHAP值为0.316 4）。
图3 不同馏分等级的GA-BP分类模型建立
Fig.3 Establishment of the GA-BP classification model for different fraction grades
2.3.3 馏分挥发性风味物质含量PLS回归模型建立与优化
与预测准确性呈正相关，其值越接近1表明回归效果越好；而RMSECV则与预测准确性呈负相关，其值越小表明所建模型预测能力越强。在模型性能评价参数中，当0.82＜R2＜0.90时，表示模型良好且可接受；R2＞0.90意味着该模型优异。由图4可知，PLS回归模型对糠醛、丁酸、异丁酸、甲酸乙酯、乙酸异戊酯、丙酮质量浓度预测能力良好，R2分别为0.97、0.96、0.97、0.99、0.98、0.97，RMSECV分别为0.97、0.22、0.12、0.72、0.26、0.33。同时，采用4种波段选择和9种预处理方法提高模型预测精度与稳健性。其中，糠醛经CARS和SVN+Detrend处理后，
分别提高1.69%和1.09%，RMSECV分别下降27.66%、16.78%；丁酸经iPLS和VN处理后，
分别提高2.77%和0.16%，RMSECV分别下降41.29%、1.90%；异丁酸经iPLS和MSC处理后，
分别提高1.37%和0.07%，RMSECV分别下降20.64%、3.77%；甲酸乙酯经CARS、SVN+Detrend处理后，
分别提高0.68%和0.12%，RMSECV分别下降46.20%、6.49%；乙酸异戊酯经UVE、SVN+Detrend处理后，
分别提高0.87%和0.18%，RMSECV分别下降28.13%、5.22%；丙酮经iPLS、MSC处理后，
分别提高1.60%和0.58%，RMSECV分别下降29.97%、9.67%。因此，将iPLS、UVE、CARS，SVN+Detrend、VN、MSC作为对应指标的最优波段选择与预处理方法，应用于挥发性风味物质快速定量模型优化。
图4 不同馏分挥发性风味物质含量PLS回归模型建立与优化
Fig.4 Establishment and optimization of PLS regression model for volatileflavor substance contents in different fractions
以优化后挥发性风味物质含量PLS回归模型对测试集样品进行外部验证。以R2反映近红外预测值与实测值数据之间的拟合程度，以SEP表征近红外预测结果与实测结果差异的标准差，以RPD体现近红外定量模型的准确性。R2越接近1，SEP越接近0，RPD越高，模型预测准确度越高。由表3可知，糠醛、丁酸、异丁酸、甲酸乙酯、乙酸异戊酯和丙酮预测结果中R2较高，分别为0.981 0、0.968 1、0.960 1、0.996 3、0.990 5、0.979 6，均大于0.960 0；SEP较小，分别为0.537 4、0.124 2、0.109 7、0.466 5、0.196 6、0.281 64，表明所建立的模型具有良好的可靠性和可行性。同时，甲酸乙酯和乙酸异戊酯的RPD均超过10，分别为17.104 0、10.269 7，表示模型预测能力优秀。
表3 挥发性风味物质含量PLS回归模型预测结果统计
Table3 Statistical prediction results of PLS regression models for volatileflavor substance contents
指标预处理波段选择R2PRDSEP糠醛含量SVN+DetrendCARS0.981 07.348 50.537 4丁酸含量VNiPLS0.968 15.596 40.124 2异丁酸含量MSCiPLS0.960 15.081 20.109 7甲酸乙酯含量SVN+DetrendCARS0.996 317.104 00.466 5乙酸异戊酯含量SVN+DetrendUVE0.990 510.269 70.196 6丙酮含量MSCiPLS0.979 67.012 40.281 6
利用近红外光谱、气相色谱结合机器学习建立馏分等级区分方式、GA-BP分类模型及挥发性风味物质含量PLS回归模型，实现对原酒的快速分级。OPLS-DA将大茬酒和二茬酒划分为3个等级。其中，大茬酒1～3、4～13、14～18 min馏分分别为DC-A、DC-B、DC-C；二茬酒中1～2、3～11、12～13 min馏分分别为EC-A、EC-B、EC-C。以VIP＞1、P＜0.05筛选出对大茬和二茬酒不同馏分具有重要等级区分贡献的挥发性风味物质各14种，包括亚油酸乙酯、油酸乙酯、棕榈酸乙酯等。GA-BP模型对测试集样品展现出优异的分类性能，准确率达96.30%。波数11 958、11 954、5 917、5 909、5 311、4 428、4 424、4 420、4 293、4 289 cm-1对模型输出SHAP贡献值较高，被确定为预测馏分等级的关键光谱点。PLS回归模型对糠醛、丁酸、异丁酸、甲酸乙酯、乙酸异戊酯和丙酮含量预测能力良好。然而由于清香型白酒酿造受多种因素影响，因此后续还需进一步扩充实验样本量，并深入探究差异风味物质在不同等级原酒中的含量阈值与质量标准区间，为原酒快速分级提供多维技术指标。
[1] ZONG X, WEN L, MOU T T, et al. Effects of multiple cycles of sorghum starch gelatinization and fermentation on production of Chinese strong flavor Baijiu[J]. Journal of Cereal Science, 2022, 108: 103561. DOI:10.1016/j.jcs.2022.103561.
[2] XU H, QIU S, DAI Y, et al. Distribution and quantification of lactic acid enantiomers in Baijiu[J]. Foods, 2022, 11(17): 2607.DOI:10.3390/foods11172607.
[3] 刘永峰, 王强. 汾酒蒸馏过程中各馏分主要成分变化规律及感官差异[J]. 酿酒, 2022, 49(3): 82-86. DOI:10.3969/j.issn.1002-8110.2022.03.024.
[4] ANJOS O, SANTOS R, ESTEVINHO L M, et al. FT-RAMAN methodology for the monitoring of honeys spirit distillation processs[J].Food Chemistry, 2020, 305: 125511. DOI:10.1016/j.foodchem.2019.125511.
[5] SONG L M, LIU L W, YANG Y G. Online detection of distilled spirit quality based on laser Raman spectroscopy[J]. Journal of the Institute of Brewing, 2017, 123(1): 121-129. DOI:10.1002/jib.399.
[6] 瞿驰. 基于镧系纳米荧光传感器用于白酒中酒精度检测[D]. 天津:天津科技大学, 2020. DOI:10.27359/d.cnki.gtqgu.2020.000346.
[7] 张东跃, 赵德义, 刘选成, 等. 流酒自动分级系统在景芝浓香型白酒酿造生产中的应用[J]. 酿酒科技, 2023(6): 84-87. DOI:10.13746/j.njkj.2022229.
[8] 冷嘉洁, 舒俊, 陈万文, 等. 自动摘酒技术在酱香型白酒中的应用研究[J]. 酿酒科技, 2025(6): 85-88. DOI:10.13746/j.njkj.2024179.
[9] 周海龙, 刘勇, 杨甲平, 等. 基于超声波酒精浓度检测的酱香型自动摘酒系统设计[J]. 自动化应用, 2024, 65(6): 62-65; 69.DOI:10.19769/j.zdhy.2024.06.022.
[10] 刘智萍. 基于深度学习的白酒摘酒算法研究与应用[D]. 北京: 华北电力大学, 2023. DOI:10.27139/d.cnki.ghbdu.2023.001014.
[11] 韩云翠. 浓香型基酒香气模型构建与自动化摘酒研究[D]. 济南:齐鲁工业大学, 2023. DOI:10.27278/d.cnki.gsdqc.2023.000888.
[12] 刘建学, 张卫卫, 韩四海, 等. 白酒基酒中己酸、乙酸的近红外快速检测[J]. 食品科学, 2016, 37(4): 181-185. DOI:10.7506/spkx1002-6630-201604032.
[13] 韩四海, 郭玉姗, 李璇, 等. 基于近红外光谱技术检测白酒基酒中乙醇质量浓度的研究[J]. 中国酿造, 2018, 37(9): 158-161. DOI:10.11882/j.issn.0254-5071.2018.09.031.
[14] 杜艳红, 谭昊, 聂建光, 等. 运用多工艺融合技术提升清香型白酒产品品质的研究[J]. 酿酒科技, 2022(10): 65-70. DOI:10.13746/j.njkj.2022224.
[15] ZHENG X X, HONG X, JIN Y L, et al. Characterization of key aroma compounds and relationship between aroma compounds and sensory attributes in different aroma types of Fu brick tea[J]. Food Chemistry:X, 2022, 13: 100248. DOI:10.1016/j.fochx.2022.100248.
[16] MOHANTA Y K, NAYAK D, MISHRA A K, et al. Green synthesis of endolichenic fungi functionalized silver nanoparticles: the role in antimicrobial, anti-cancer, and mosquitocidal activities[J]. International Journal of Molecular Sciences, 2022, 23(18): 10626. DOI:10.3390/ijms231810626.
[17] YU F H, FENG S, DU W, et al. A study of nitrogen deficiency inversion in rice leaves based on the hyperspectral reflectance differential[J]. Frontiers in Plant Science, 2020, 11: 573272.DOI:10.3389/fpls.2020.573272.
[18] WEI L F, ZHANG Y X, ZHANG Y, et al. Development of visible/near-infrared hyperspectral imaging for the prediction of total arsenic concentration in soil[J]. Applied Sciences, 2020, 10(8): 2941.DOI:10.3390/app10082941.
[19] CUI D Y, WEI Y N, LIN L C, et al. Increasing yield of 2,3,5,6-tetramethylpyrazine in Baijiu through Saccharomyces cerevisiae metabolic engineering[J]. Frontiers in Microbiology, 2020, 11: 596306. DOI:10.3389/fmicb.2020.596306.
[20] LI R R, XU M, ZHENG J, et al. Application potential of Baijiu non-Saccharomyces yeast in winemaking through sequential fermentation with Saccharomyces cerevisiae[J]. Frontiers in Microbiology, 2022, 13: 902597. DOI:10.3389/fmicb.2022.902597.
[21] ZHANG L X, XI G Y, CHEN Z, et al. Highly selective conversion of glucose into furfural over modified zeolites[J]. Chemical Engineering Journal, 2017, 307: 868-876. DOI:10.1016/j.cej.2016.09.001.
[22] WOO H C, KIM Y H. Eco-efficient recovery of bio-based volatile C2–6 fatty acids[J]. Biotechnology for Biofuels, 2019, 12(1): 92.DOI:10.1186/s13068-019-1433-8.
[23] ZHANG H, TAN Y, WEI J, et al. Fungal interactions strengthen the diversity-functioning relationship of solid-state fermentation systems[J]. mSystems, 2022, 7(4): 401-422. DOI:10.1128/msystems.00401-22.
[24] 赵金松. 白酒品评与勾调[M]. 北京: 中国轻工业出版社, 2019:26-27.
[25] 尤宇漫. 馥合香型白酒风味物质研究[D]. 无锡: 江南大学, 2023.DOI:10.27169/d.cnki.gwqgu.2023.000198.
[26] 范文来, 徐岩. 白酒79个风味化合物嗅觉阈值测定[J]. 酿酒, 2011,38(4): 80-84. DOI:10.3969/j.issn.1002-8110.2011.04.034.
[27] FAN H, FAN W, XU Y. Characterization of key odorants in Chinese Chixiang aroma-type liquor by gas chromatography-olfactometry,quantitative measurements, aroma recombination, and omission studies[J]. Journal of Agricultural and Food Chemistry, 2015, 63(14):3660-3668. DOI:10.1021/jf506238f.