浓香型白酒酿造过程中，酒醅的酸度、淀粉及水分是影响酒醅发酵和基酒品质的关键指标[1]。理化指标检测可将酒醅状态数据化、量化，从而客观反映酒醅发酵情况，相较于感官判断更为清晰明了，同时更加标准化。此外，出窖糟理化数据的检测可为下排酒醅的生产配料提供依据，适宜的入窖淀粉含量、酸度、水分也是确保酒醅发酵正常的关键因素[2]。因此，白酒酒醅理化状态快速检测对优化工艺参数及保障产品质量具有决定性作用。然而，传统检测方法依赖实验室化学分析，需经过取样、预处理、烘干、滴定等繁琐步骤，耗时长达数小时甚至数日[3-5]。这种滞后性导致检测结果无法及时反馈至生产车间，难以满足现代酿造工业对实时性与智能化的需求[6-7]。此外，传统方法需消耗大量化学试剂并产生废液，存在环境污染风险，且重复性受人为操作影响显著[8]。
近年来，近红外光谱技术凭借其快速、无损、多参数同步检测的优势，在食品、农业及制药领域得到广泛应用[9-10]，其基于含氢基团（C—H、O—H、N—H）在近红外区的倍频与合频振动吸收特性，通过化学计量学模型建立光谱信号与目标成分的定量关系[11]。在白酒行业，已有研究验证了近红外光谱技术在酱香型、浓酱兼香型酒醅检测中的可行性。例如，刘富光等[12]采用偏最小二乘（partial least squares，PLS）法建立了水分、酸度等指标的预测模型，检测时间缩短至2 min，重复性误差低于0.3%；邓丽娟等[13]通过优化光谱预处理方法，实现浓酱兼香型酒醅淀粉与还原糖的高精度预测（决定系数≥0.916）。这些成果表明，近红外光谱技术能够显著提升检测效率并降低人工成本，为酿造过程的数字化升级提供了技术支撑。
然而，现有研究多聚焦于实验室离线检测场景，实际生产中的在线监测仍面临多重挑战[14-15]。首先，酒醅基质复杂，包含粮食残渣、微生物菌群及代谢产物[16]，易导致光谱信号受颗粒度、温度及湿度干扰[17]。其次，传统近红外设备需取样后装杯检测，无法实现酿酒车间的实时分析[18]。因此，开发一种适应复杂工业环境、支持动态校正的在线检测系统，成为推动白酒酿造智能化的关键突破口。
针对上述问题，本研究提出一种插入式近红外光谱在线检测技术，以四川泸州某酒厂生产车间的浓香型白酒酒醅为研究对象，设计抗干扰光谱采集模块，通过优化抗干扰探头结构和自动化执行机构，以期实现酒醅光谱的实时、原位采集与理化参数的在线检测。
1 材料与方法
1.1 材料与试剂
酒醅样品均来自四川泸州某酒厂酿酒生产车间的出窖糟。
1.2 仪器与设备
BPG-9056A液晶电热恒温鼓风干燥箱 上海一恒科学仪器有限公司。
在线检测系统：本系统核心为Q2000A2插入式近红外光谱仪（四川威斯派克科技有限公司），由泸州智通自动化设备有限公司完成自动化执行机构集成定制。光谱仪关键参数：光谱范围4 000～12 000 cm-1，分辨率4 cm-1，信噪比10 000∶1，采用二级电子制冷InGaAs检测器，插入检测探头（1 000 mm×25 mm×10 mm）。自动化执行机构控制探头以0.1 m/s的速率垂直插入酒醅，插入深度可调（0～0.6 m），单点扫描时间22 s。建模软件为V-model。
1.3 方法
1.3.1 取样方法
由于窖池内不同层次出窖酒醅所处空间位置存在差异，其发酵状态各不相同。为确保窖池酒醅数据具有代表性及均衡性，酒醅取样时将每个窖池酒醅分为上、中、下层3个层次。整个过程共取出窖酒醅样品2 000个。
1.3.2 在线检测系统设计
在线检测系统安装于酒糟输送线上，其核心工作流程如下：当装载酒醅的料斗到位并触发光电传感器后，控制系统发出指令，自动化执行机构驱动插入式探头以0.1 m/s垂直下行，插入酒醅内部0.4 m深处，并在此位置稳定停留。探头内置的光源发出近红外光，与酒醅相互作用后，由检测器收集漫反射光谱。单个测量点的光谱采集时间为22 s。采集完成后，系统自动将光谱数据上传至建模软件，并将实时预测结果显示在可编程逻辑控制器控制面板。在线检测示意图如图1所示。
图1 在线检测系统示意图
Fig.1 Schematic diagram of the online detection system
1.3.3 酒醅理化分析
为获取建模所需参考值，在近红外光谱采集点的正上方，由经过培训的操作人员使用专用取样器人工取样，样品随即被送往理化分析室，采用湿化学分析方法测定酒醅酸度、淀粉与水分含量[19]。
1.3.4 光谱采集
在正式在线检测前，通过模拟实验优化检测参数。针对生产线高湿度、振动等干扰，优化探头插入深度与移动速率，确保光谱质量。光谱采集参数：分辨率4 cm-1，扫描次数32次，积分时间根据信号强度自动优化。
共对1 800个出窖糟醅样品进行在线扫样。为消除样品不均匀性带来的影响，每个酒醅样品扫描2次，以其平均光谱作为其代表光谱。光谱平均处理前，采用主成分分析-马氏距离法（principal component analysis-Mahalanobis distance，PCA-MD）进行异常光谱剔除，将MD临界阈值设为3（即MD值超过3倍标准差的样本视为异常），以此剔除因设备短暂波动或异物干扰导致的异常光谱。在此阈值下，共剔除异常光谱42条（占总扫描次数的0.7%），最终用于建模的平均光谱均基于有效光谱计算获得。为消除基线漂移、光散射等噪声影响，对原始光谱进行预处理。经V-model软件自动寻优比较，确定最佳预处理组合为一阶导数（first derivative，FD）+标准正态变量变换（standard normal variate，SNV）+竞争性自适应重加权采样（competitive adaptive reweighted sampling，CARS）。其中，CARS主要用于后续分析中的变量重要性评估，本研究的最终建模策略仍为保留所有波数点的全光谱建模。
1.3.5 样本集划分与预测模型建立
采用SPXY算法将全部2 000个样品按9∶1划分为校正集和外部验证集，校正集包含1 800个样品，用于模型建立和内部交叉验证；外部验证集包含200个样品，用于独立评估模型的预测性能。
将校正集样品的平均光谱与对应的湿化学分析值进行关联，基于全光谱范围（4 000～12 000 cm-1）建立偏最小二乘回归（partial least squares regression，PLSR）预测模型。以外部验证集决定系数（
）、交叉验证均方根误差（root mean square error of cross-validation，RMSECV）和相对分析误差（residual predictive deviation，RPD）作为模型内部性能评价指标。其中，
越接近1，模型相关性越强；RMSECV越小，模型精度越高；RPD＞2.0表示模型具有极佳的预测能力，1.5＜RPD＜2.0表示模型预测能力尚可。
2 结果与分析
2.1 酒醅理化指标
酒醅理化指标检测数据由酒厂理化分析室提供，酒醅样品的酸度及淀粉、水分质量分数分别为1.54～3.38 mmol/10 g、7.69%～13.58%、59.47%～68.56%，平均值分别为2.46 mmol/10 g、9.80%、63.34%，标准差分别为1.51 mmol/10 g、0.92%、0.48%。通过查阅文献，结合该酒厂记录的历史数据，出窖时的酒醅水分质量分数为61%～67%，出窖淀粉质量分数为9%～14%，酸度为1.3～4.0 mmol/10 g，本研究中由酒厂所提供的数据均能较好体现出窖酒醅的理化指标含量，对于酒醅水分、淀粉、酸度而言，其理化指标值均在正常范围内波动，因此该理化指标对于近红外光谱模型建立具有较好的代表性[20]。
2.2 在线检测光谱
由图2可知，在10 000～4 000 cm-1范围内，酒醅样品光谱在7 000～6 500 cm-1处存在水分子中O—H键伸缩与弯曲振动组合频吸收峰，强度与含水量呈正相关[21]；4 800～4 200 cm-1处为淀粉分子C—H键伸缩与弯曲振动组合频吸收，反映淀粉含量[22]；6 500～6 000 cm-1处的吸收与有机酸羧基O—H伸缩振动一级泛频相关[23]，间接体现酸度。光谱波形具有规律性，但因受颗粒度、光散射等干扰存在基线漂移。经自动组合导数处理、多元散射校正等预处理后，直接基于全光谱通过PLSR建立定量模型，实现光谱与水分、淀粉、酸度指标的关联分析，为模型构建奠定基础[24]。
图2 在线检测原始光谱图
Fig.2 Raw spectra of the online detection system
2.3 预测模型建立
2.3.1 模型性能优化
经异常样本剔除后的光谱虽具备较高可靠性，但受基线漂移、样品粒径不均、表面散射等因素干扰，仅依靠光谱图谱直观观察，难以分辨各样品之间的组分差异[25]。因此，建模前需考察不同预处理算法对光谱的优化效果。借助内部交叉验证，利用V-model建模软件筛选最优光谱预处理算法；随后采用SPXY算法完成样本集划分，并结合PLS进行全光谱建模，分别建立酒醅在线检测样品水分、淀粉及酸度的近红外光谱最优定量分析模型。由表1可知，水分模型的
为0.909，RMSECV为0.564%，表明模型对水分含量的拟合程度高，内部交叉验证误差小，预测能力优秀，能满足在线检测需求；淀粉模
为0.855，RMSECV为0.453%，说明模型对淀粉的拟合效果较好，预测能力基本满足要求，还可进一步优化；酸度模
为0.850，RMSECV为0.193 mmol/10 g，拟合程度尚可，初步认为水分模型预测能力优秀，淀粉、酸度模型基本可用，但仍需进一步改进[26]。
表1 最优算法下的PLSR模型性能（校正集，n＝1 800）
Table1 Performance of PLSR models under the optimal algorithm (calibration set, n = 1 800)
理化指标预处理主因子数Rp2RMSECVRPD酸度FD+SNV110.8500.193 mmol/10 g2.52淀粉FD+SNV80.8550.453%2.05水分FD+SNV100.9090.564%2.23
2.3.2 模型内部性能分析
酒醅水分、淀粉、酸度预测模型散点图如图3所示，
均大于0.8，表明模型对样本数据的拟合程度较好[27]；RMSECV均处于较低水平，说明模型在内部交叉验证中的预测误差较小。酒醅样品的水分、淀粉、酸度的RPD分别为2.23、2.05、2.52，均大于2，表明模型预测误差较小，预测结果可靠[28]。
图3 出窖酒醅酸度（a）、淀粉（b）及水分（c）预测模型散点图
Fig.3 Scatter plots of prediction models for acidity (a), starch (b), and moisture (c) of unloading fermented grains
2.3.3 模型外部验证
使用未参与建模的200个外部验证集样本对模型的预测性能进行独立评估，以验证该模型在实际生产过程中的在线检测效果，得到预测值与真实值的误差分布情况，如图4所示。
图4 出窖酒醅酸度（a）、淀粉（b）及水分（c）预测模型外部验证集预测散点图
Fig.4 Scatter plots of external validation set predictions for the acidity (a),starch (b), and moisture (c) prediction models of unloading fermented grains
预测模型关键统计指标如表2所示。水分预测偏差全部落在±1.0%区间内，平均绝对偏差为0.54%，预测均方根误差（root mean square error of prediction ，RMSEP）为0.61%；淀粉预测偏差全部落在±1.5%区间内，平均绝对偏差0.67%，RMSEP为0.72%；酸度预测偏差全部落在±0.3 mmol/10 g范围内，平均绝对偏差0.13 mmol/10 g，RMSEP为0.21 mmol/10 g。外部验证的RMSEP结果与内部交叉验证的RMSECV接近，且均符合企业生产工艺允差要求（水分±1.0%、淀粉±1.5%、酸度±0.3 mmol/10 g），证明模型具有良好的稳健性和预测准确性[29]。
表2 出窖酒醅酸度、淀粉及水分预测模型外部验证关键统计指标
Table2 Key statistical indicators of external validation for the acidity, starch, and moisture prediction models of unloading fermented grains
理指化标偏（差工控艺制要求范围）符占合比偏/%差平偏均绝差对RMSEP水分±1.0%1000.54%0.61%淀粉±1.5%1000.67%0.72%酸度±0.3 mmol/10 g1000.13 mmol/10 g0.21 mmol/10 g
总体而言，该在线检测模型已初步实现对酒醅水分、淀粉、酸度的定量预测，其中水分检测精度达到生产要求，淀粉、酸度检测满足基础工艺需求，仍需进一步优化，但受限于建模样本量、工业环境干扰等因素，模型在复杂场景下的鲁棒性有待提升，通过后续持续优化改进，其在酒醅成分预测上有着较大的提升空间，有望达到更好的预测效果。
3 结 论
基于插入式近红外光谱仪搭建的酒醅在线检测平台可实现该酒厂自动化生产线上的出窖酒醅水分、淀粉、酸度检测。与刘富光等[12]提出的离线检测（检测时间2 min）相比，本系统的单斗检测总时长显著缩短，且实现了原位、免取样检测，效率优势明显。与邓丽娟等[13]的浓酱兼香型酒醅模型（决定系数≥0.916）相比，本研究中淀粉和酸度模型的
分别为0.855和0.850，性能稍低，这可能是由于在线检测环境干扰更大所致，如检测环境光照、温湿度以及糟醅排布，均可能影响检测结果。未来可通过增加样本量、引入更先进的预处理和变量选择算法（如深度学习）进一步提升模型在复杂场景下的鲁棒性。
本研究基于全光谱建立的PLSR预测模型表现出良好的预测性能和较高的准确度，出窖酒醅水分、淀粉、酸度预测模型的
分别为0.909、0.855、0.850，RMSECV分别为0.564%、0.453%、0.193 mmol/10 g。根据该酒厂的生产工艺特征以及酒醅常规指标检测的一般要求，在线检测结果的置信区间为：水分±1.0%、淀粉±1.5%、 酸度±0.3 mmol/10 g，误差分布情况显示该设备能满足在线检测精度要求，检测用时少于1 min。
综上所述，针对白酒酿造中酒醅理化特性检测的痛点，本研究开发的在线监测平台成功解决了自动化产线中核心指标的实时获取难题。系统输出的实时数据流为配料工艺的闭环反馈控制提供了坚实依据，同时也验证了该方案在浓香型白酒智能车间中的工程适用性与可靠性。随着该技术的进一步优化与广泛部署，将为突破传统酿造技艺的智能化瓶颈提供关键技术支撑，加速我国白酒行业的智能制造升级。
[1] 常勇勇, 方晶晶, 丁力杰, 等. 浓香型白酒新、老窖池发酵过程中黄水与糟醅质量相关性研究[J/OL]. 中国酿造, 1-16[2026-08-20].https://link.cnki.net/urlid/11.1818.TS.20260626.1744.006.
[2] 赵东, 李杨华, 周学秋, 等. 傅里叶变换近红外光谱仪在酒醅分析中的应用[J]. 光谱实验室, 2003, 20(4): 614-616. DOI:10.3969/j.issn.1004-8138.2003.04.041.
[3] 王启, 马辉峰, 蔡建波, 等. 近红外光谱技术在北方浓香型白酒酿造糟醅理化指标快速检测中的应用[J]. 中国酿造, 2023, 42(12): 161-164. DOI:10.11882/j.issn.0254-5071.2023.12.025.
[4] 李良, 董孝元, 吴昊, 等. 基于偏最小二乘法建立白酒酒醅近红外分析模型[J]. 酿酒, 2018, 45(3): 57-60. DOI:10.3969/j.issn.1002-8110.2018.03.020.
[5] 唐苏冰, 袁奇, 杨亚娇, 等. 基于近红外光谱及定量建模技术分析浓香型白酒原酒酒精度[J]. 中国酿造, 2025, 44(11): 259-265.DOI:10.11882/j.issn.0254-5071.2025.11.038.
[6] 雷磊. 基于智能酿造浓香型白酒入窖水分调控方法的研究[D].重庆: 重庆大学, 2023. DOI:10.27670/d.cnki.gcqdu.2023.004822.
[7] 林房, 吴宏萍, 薛锡佳, 等. 近红外光谱快速分析白酒酒醅指标的研究[J]. 酿酒, 2017, 44(6): 80-84. DOI:10.3969/j.issn.1002-8110.2017.06.024.
[8] 钟敏, 张健, 路虎. 近红外光谱技术在白酒生产过程中的应用进展[J]. 酿酒科技, 2022(4): 106-110. DOI:10.13746/j.njkj.2022023.
[9] Dong Wei, Guo Ruonan, Sun Xiaotao, et al. Assessment of phthalate ester residues and distribution patterns in Baijiu raw materials and Baijiu[J]. Food Chemistry, 2019, 283: 508-516. DOI:10.1016/j.foodchem.2019.01.069.
[10] 邓波, 沈才洪, 丁海龙, 等. 红外光谱分析技术在白酒行业中的应用进展[J]. 中国酿造, 2020, 39(9): 13-17. DOI:10.11882/j.issn.0254-5071.2020.09.003.
[11] 王秋云, 朱建猛, 胡胜祥, 等. 近红外在酱香白酒酒醅检测中的应用[J]. 酿酒科技, 2019(10): 91-93. DOI:10.13746/j.njkj.2019261.
[12] 刘富光, 何晓莉, 吕芳, 等. 近红外光谱仪在白酒酒醅检测中的研究与应用[J]. 酿酒科技, 2024(9): 43-47. DOI:10.13746/j.njkj.2023253.
[13] 邓丽娟, 邹小月, 熊笠君, 等. 近红外光谱仪在浓酱兼香型白酒酒醅检测中的应用研究[J]. 酿酒科技, 2022(5): 128-132. DOI:10.13746/j.njkj.2021294.
[14] 余松柏, 赵小波, 田敏, 等. 近红外光谱技术在快速检测白酒酒醅中的应用[J]. 酿酒科技, 2021(2): 59-64. DOI:10.13746/j.njkj.2020195.
[15] 林慧, 范奇高, 程平言, 等. 白酒中风险成分的检测及控制方法研究进展[J]. 中国酿造, 2022, 41(8): 12-17. DOI:10.11882/j.issn.0254-5071.2022.08.003.
[16] Peng Xiaowei, Chen Hongzhang. Rapid estimation of single cell oil content of solid-state fermented mass using near-infrared spectroscopy[J]. Bioresource Technology, 2008, 99(18): 8869-8872.DOI:10.1016/j.biortech.2008.04.055.
[17] 余松柏, 黄张君, 赵兴蓉, 等. 红外光谱技术及其在白酒酿造过程中快速检测与分析的研究进展[J]. 分析测试学报, 2025, 44(3): 544-561. DOI:10.12452/j.fxcsxb.240725254.
[18] 方程, 梅婕, 张温清, 等. 近红外快速分析徽派酱香型白酒糟醅关键理化指标[J]. 酿酒科技, 2026(3): 135-139; 144. DOI:10.13746/j.njkj.2025120.
[19] 徐鑫, 张红艳, 杨成英, 等. 近红外光谱快速检测技术在酱香型白酒糟醅中的应用[J]. 酿酒科技, 2025(11): 134-137; 141. DOI:10.13746/j.njkj.2024311.
[20] 杨健美, 陈帆, 文尚瑜, 等. 不同入窖方式对酱香型糟醅及基酒感官的影响分析[J]. 酿酒科技, 2025(11): 59-64. DOI:10.13746/j.njkj.2024326.
[21] Yang Jiangang, Wang Mingyao, Liu Lu, et al. Different brands of strong-flavor Baijiu identified using gas chromatography-mass spectrometry and near-infrared spectroscopy[J]. Journal of the American Society of Brewing Chemists, 2025, 83(3): 352-363. DOI: 10.1080/03610470.2025.2485621.
[22] Jiang Xinyue, Xie Yuqun, Wan Duanji, et al. GUITAR-enhanced facile discrimination of aged Chinese Baijiu using electrochemical impedance spectroscopy[J]. Analytica Chimica Acta, 2019, 1059: 36-41. DOI:10.1016/j.aca.2019.01.050.
[23] 赵玉霞, 王茹, 张世芝, 等. 机器算法结合光谱主成分特征融合对青稞酒的判别研究[J]. 食品与发酵工业, 2025, 51(24): 75-85.DOI:10.13995/j.cnki.11-1802/ts.041311.
[24] 胡爱琴, 袁洪福, 宋春风, 等. 近红外离散波长光谱基线漂移校正方法研究[J]. 光谱学与光谱分析, 2014, 34(10): 2606-2611.DOI:10.3964/j.issn.1000-0593(2014)10-2606-06.
[25] Szymanska-Chargot M, Chylinska M, Kruk B, et al. Combining FT-IR spectroscopy and multivariate analysis for qualitative and quantitative analysis of the cell wall composition changes during apples development[J]. Carbohydrate Polymers, 2015, 115: 93-103.DOI:10.1016/j.carbpol.2014.08.039.
[26] 纪淑娟, 李东华, 重藤和明. 南果梨糖、酸度近红外光谱无损检测模型建立定标参数的确定[J]. 食品科学, 2008, 29(10): 512-516.DOI:10.3321/j.issn:1002-6630.2008.10.122.
[27] 赵玉霞. 基于紫外-近红外光谱结合化学计量学对青稞酒的鉴别研究[D]. 西宁: 青海师范大学, 2025. DOI:10.27778/d.cnki.gqhzy.2025.000944.
[28] 王凡, 张文娟, 李国辉, 等. 近红外光谱技术用于酱香型白酒基酒关键成分的快速定量分析[J]. 现代食品科技, 2026, 42(2): 322-330.DOI:10.13982/j.mfst.1673-9078.2026.2.1673.
[29] Iñón F A, Garrigues S, La Guardia M D. Combination of mid- and near-infrared spectroscopy for the determination of the quality properties of beers[J]. Analytica Chimica Acta, 2006, 571(2): 167-174.DOI:10.1016/j.aca.2006.04.070.