近红外光谱技术在酱香型大曲糖化力快速检测中的应用

袁 颉，毛育志，姚翠萍，焦 富，罗汝叶，李巧玉，牟明月*

（1.贵州茅台酒股份有限公司，贵州仁怀 564500；2.贵州省酿酒工程技术研究中心，贵州仁怀 564500）

大曲是白酒酿造过程中重要的糖化发酵剂，素有“酒之骨”之称[1-2]。糖化力指大曲中具有糖化作用的微生物及酶，将淀粉分解为葡萄糖的能力，是衡量大曲糖化作用的重要理化指标，是大曲品质的重要考核指标。糖化力的高低与酒醅发酵及产酒量密切相关，糖化力的准确测定对指导生产起着关键作用[3-7]。由于独特的高温制曲工艺，酱香型大曲仓内发酵温度超过60 ℃，且高温持续时间较长，使得酱香型大曲糖化力较低，加上酿酒原料高粱中支链淀粉含量高等因素，共同保证了酱香型白酒出酒率呈现“两头低，中间高”的特点，确保酒质的稳定[8-9]。

目前大曲糖化力的测定主要采用斐林试剂滴定法，在一定的温度与时间下（35 ℃，1 h），利用待测样品对淀粉进行酶解，根据斐林试剂与还原糖的显色反应确定滴定终点，最后换算出样品的酶活力[10-12]。由于采取手工滴定，易带入操作误差，且每个样品需电炉加热及滴定，存在不安全因素，检测样本量大时此方法不适用。也可采用DNS 法，在碱性条件下，利用3,5-二硝基水杨酸（DNS）与还原糖共热后生成棕红色氨基化合物，在一定波长范围内，测定处理后样液吸光度，再换算出酶活力[13-14]。两种方法都需制备酶液，存在前处理过程繁琐、耗时较长、试剂消耗量大、测定残液待集中处理等问题。

偏最小二乘法是一种常见的化学计量学方法，综合主成分分析、典型相关分析、线性回归分析等优点，具有一定的消除非线性的能力，建模的同时实现数据结构的简化，在光谱分析中广泛应用[15-16]。近红外光谱分析技术具有无污染、测定速度快等优点，可根据有机物含氢基团X-H（X=C、N、O、S 等）振动的倍频及合频吸收的差异，区分不同物质并进行含量测定，涵盖食品、化工、制药等领域多种指标的快速检测。在白酒生产中，近红外检测技术已广泛应用于酿酒原料、酒醅、大曲、白酒的重要理化指标检测[17-19]。2018 年3 月，中国酒业协会发布的团体标准《固态发酵酒醅通用分析方法》T/CB J 004—2018，明确了利用近红外分析法检测酒醅水分、酸度、淀粉、糖分、酒精度、总酯等指标的基本要求，体现出对该方法在白酒检测中推广应用的政策支持。

本研究采用近红外光谱技术收集酱香型大曲近红外波长，结合偏最小二乘法建立酱香型大曲糖化力的定量模型，具有快速、可靠、无污染等优点，能有效提高大曲质量监控和分析研究效率。

1 材料与方法

1.1 材料、试剂及仪器

1.1.1 材料

试验所用材料为某酱香型白酒厂制曲车间大曲，定期选取具有代表性的大曲样品，共955 份，作为建模样品，另随机抽取51份样品作为检验样品。

1.1.2 仪器设备

DS2500 型近红外分析仪，瑞典FOSS 公司；ME204E 型分析天平，梅特勒-托利多公司(上海）；HH系列数显恒温水浴锅，江苏科析仪器有限公司；电炉，天津市泰斯特仪器有限公司。

1.2 实验方法

1.2.1 样品糖化力的化学法测定原理

大曲中糖化型淀粉酶能将淀粉水解生成葡萄糖。参照《酿酒大曲通用分析方法》QB/T 4257—2011，在一定条件下(pH4.6、温度35 ℃)，样品浸出液1 h 水解淀粉生成葡萄糖量的多少表示样品的糖化力。用斐林法测定生成的葡萄糖量，以此换算出样品糖化力。

1.2.2 样品的近红外光谱测量方法

将大曲样品充分混匀，平铺于干净的样品杯，装样量约占样品杯2/3，检查杯底无杂质后压实，确保无漏光或大空隙，然后将样品杯置于测量池中进行测量。

1.2.3 光谱采集

光谱波长范围：850～2450 nm，光谱分辨率：2 nm，扫描次数：2次。

1.2.4 模型建立

根据大曲中的C-H、N-H、O-H、C-O和S-H等化学键的泛频振动或转动，通过漫反射方式获得大曲糖化力组成基础化学键在近红外区的吸收光谱，结合偏最小二乘法建立大曲的近红外光谱与糖化力含量间的预测模型。

2 结果与分析

2.1 预测模型的建立

通过检测955 份大曲样品的近红外吸收峰，将收集到的光谱按糖化力化学测定值排序，并按1∶2比例分为验证集和校正集，建立的对比集散图如图1所示。

图1 对比集散图

利用WinISI 中的偏最小二乘法建立大曲样品的糖化力预测模型，所得各模型参数见表1。

表1 利用偏最小二乘法建立的大曲糖化力预测模型参数

模型的标准偏差SEC 为20.2366，模型交互验证标准偏差SECV为22.0057，模型交互验证标准偏差与标准偏差的比值为1.0874，小于1.2；模型交互验证相关系数1-VR=0.7812，定标样品集浓度的变化被78.12%的解释出来。初步说明该模型具有良好的适用性。

2.2 模型检验

（1）重复性：随机选取1 份大曲样品，利用表2中的近红外测定模型参数重复测定10 遍，糖化力分析结果如图2所示。

表2 近红外光谱测定大曲糖化力重复性对比

图2 同一大曲样品糖化力重复检测数据对比图

通过10 组重复性实验对比发现，利用表2 所述近红外模型预测实验样品糖化力的相对标准偏差为0.67%，说明该模型测定大曲糖化力具有较好的精密度。

（2）准确性：随机选取50 份不同大曲样品，利用表1 所述近红外模型参数测定大曲糖化力，并与采用斐林试剂滴定法测定的实验值进行对比，分析结果如图3所示。

图3 预测值与实验值对比集散图

上述50 份大曲样品糖化力近红外模型的预测值与实验值的平均相对误差为5.31%，说明该模型具有较好的预测能力，可用于酱香型大曲理化指标糖化力的检测。

2.3 方法对比

2.3.1 不同分析方法对比

从废液产生量、操作难易度、检测时间等方面，将本方法与其他分析方法对比，具体参数如表3所示。

表3 不同大曲糖化力检测方法比较

对比斐林试剂滴定法和3,5-二硝基水杨酸比色法，利用近红外光谱分析法测定大曲糖化力，无酶液制备过程、无化学试剂消耗、无检测残液产生，具有操作简单、检测效率高、无污染等优点。

2.3.2 不同近红外模型对比

从检测波长、检测范围、平均相对误差等方面，将本模型与其他模型对比，具体参数如表4所示。

表4 不同近红外模型检测大曲糖化力比较

两个模型平均相对误差均在10%以内，模型1的平均相对误差略低，但本方法用于大曲糖化力近红外建模的样本量更高，检测范围75～350 mg/g·h，更适用于糖化力偏低的酱香型大曲。

3 结论

本研究采用近红外光谱技术结合偏最小二乘法，建立酱香大曲糖化力的线性定量模型，相对于传统检测方法，具有高效、快速、无污染等优点，适用于高温大曲重要指标糖化力的快速、精准检测。为使模型更加稳定，还需在使用过程中不断扩充数据库，优化预测模型。

随着大数据、云计算、物联网等技术的兴起，利用近红外光谱技术，不断扩宽大曲检测指标，如大曲类别、液化力、发酵力等，构建更加智能化的大曲快速检测及评价系统，值得重点关注与深入研究。