根据GB/T 17204—2021《饮料酒术语和分类》,白酒被定义为以粮谷为主要原料,以大曲、小曲、麸曲、酶制剂及酵母等为糖化发酵剂,经蒸煮、糖化、发酵、蒸馏、陈酿、贮存、勾调而成的蒸馏酒。近年来,中国酒业协会和政府相关部门相继出台一系列政策推动白酒行业向自动化、信息化、数字化、智能化方向发展。中国酒业协会[1]先后推出了169计划、158计划,计划的核心在于对酿造行业,尤其是白酒行业的机械化、自动化、信息化方面进行积极探索。在国家政策的积极推动下,众多国内白酒企业在坚守传统酿造精髓的同时,勇于探索生产模式的转型升级之路,并取得了丰硕的研究成果与产业化实践,白酒行业智能酿造车间与数字化管理平台先后落地(2016年今世缘智能化酿造车间,2018年景芝酒业数字化酿造工艺管理系统,2019年泸州老窖、2021年洋河酒业自动化、智能化生产线,2023年国台酒业智能制造示范工厂,2024年习酒智能酿造车间)。在这一转型过程中,传统的依赖老师傅经验判断与离线实验室分析的白酒生产过程质量控制模式存在严重滞后性,无法对动态变化的发酵、蒸馏等核心工序进行有效干预,快速检测技术的集成应用已成为驱动白酒智能酿造的核心力量。
近红外光谱(near-infrared spectroscopy,NIRS)技术作为一门新兴的检测技术,自20世纪60年代以来,随着光学、电子、计算机等学科的快速发展而逐渐成熟。NIRS技术[2][3]是利用物质的分子结构(如O-H、N-H、C-H键)对NIRS的选择性吸收来进行分子结构分析及对各种具有吸收区的化合物的定性和定量分析的一种分析方法。通过分析物质的光谱信息,实现对物质成分、结构、性质等方面的快速、无损检测。因其快速、无损、环保等优势,在白酒原料、酒醅发酵及成品酒质量检测中得到广泛应用[4]。该技术不仅提高了检测效率,也为生产过程中的实时监控提供了技术支持,有助于提升产品质量和生产智能化水平[5]。随着仪器科学的不断进步,该技术正逐步与其他先进技术融合,为白酒生产提供更加智能化的解决方案。因此,深入研究NIRS技术在白酒生产中的应用,对于促进白酒产业的可持续发展具有重要意义。
本文聚焦于近5年NIRS在白酒生产质量控制中的应用进展,通过解析该技术的基本原理,结合白酒酿造工序,分析其在关键生产环节中的适用性,为构建无损、快速检测方法提供理论支撑。大量的研究表明,NIRS技术已在白酒原料成分分析、酒醅发酵过程监测、酒精度与风味物质检测、包装材料识别及生产质量控制等方面展现出良好应用前景[6][7][8][9][10][11]。但NIRS在白酒行业的应用面临不同白酒香型建模方法不统一,酒醅等中间产物成分复杂,白酒风味物质微量成分检测灵敏度等诸多挑战和应用瓶颈,现阶段部分检测指标的准确性还不高,用于白酒行业的红外建模新方法和新策略还在不断发展。为此,本文系统总结了NIRS技术在白酒行业应用进展,分析了存在的问题,展望了今后的发展趋势,以期提升NIRS技术在白酒行业的应用深度与广度,为白酒生产智能化转型提供参考。
1 近红外光谱技术及在白酒生产中的适用性
NIRS技术凭借其高效、无损及多组分同步分析的技术优势,在白酒生产的全流程质量控制中展现出显著的适用性[12][13][14][15],其基本技术框架和应用场景如图1所示。
1.1 近红外光谱技术简介
NIRS技术是一种基于物质分子对近红外光吸收特性进行定性和定量分析的光谱技术。其原理主要基于分子振动和转动能级跃迁。在NIRS区域,分子中的O-H、N-H、C-H等基团会发生特征振动,这些振动对应着特定的波长,从而产生特征吸收峰。通过分析这些特征吸收峰,结合模式识别方法和化学计量学方法可以实现对物质成分的定性和定量分析。
NIRS数据通常包含噪声和干扰因素,因此需要通过一系列的光谱数据处理方法提升数据质量。基线校正(baseline correction,BC)旨在消除仪器噪声和光源波动对光谱信号的影响,使数据更加稳定;MSC则用于处理样品散射引起的背景噪声,通过建立校正模型降低散射效应;S-G平滑法则利用移动平均或高斯滤波等方法减少随机噪声,从而提升光谱分辨率[16]。由于白酒酿造中间产物(如酒醅是多种物料混合)复杂,在实际应用中,各种预处理方法常被组合使用以应对复杂的光谱干扰,如先进行光谱平滑去除高频随机噪声,接着进行基线校正消除基线漂移,然后使用MSC或SNV消除散射影响,最后再进行导数处理以增强谱带特征并进一步消除基线倾斜。
图1 NIRS技术在白酒行业中的应用
Fig.1 Application of NIRS technology in the Baijiu industry
注:标准正态变量变换(standard normal variable transformation,SNV);多元散射校正(multiplicative scatter correction,MSC);Savitzky-Golay平滑法(S-G平滑法);主成分分析(principal component analysis,PCA);线性判别分析(linear discriminant analysis,LDA);精确变量选择(precise variable selection,PVS);偏最小二乘法(partial least squares,PLS);支持向量机(support vector machine,SVM);人工神经网络(artificial neural network,ANN);多元线性回归(multiple linear regression,MLR)。
在完成光谱数据预处理后,下一步是特征选择与模型构建。PCA常用于降维处理,提取对目标变量影响显著的主要成分;LDA则通过寻找最优投影方向,增强类别间的可分性;而PVS方法则基于变量重要性评估,筛选出关键变量。模型构建方面,PLS广泛用于建立变量间的线性关系,SVM适用于分类任务,ANN则因其非线性映射能力,在提升预测精度方面表现出色[17]。
构建模型后,还需进行验证与优化。通常采用内部交叉验证和外部验证相结合的方式,通过比较预测值与实际值评估模型性能。优化策略包括调整模型参数、优化预处理方法以及改进特征选择过程,以提升模型的预测能力和稳定性[18]。
1.2 近红外光谱技术在白酒生产中的适用性分析
如图1所示,在原辅料质量快速检测环节,该技术可实现高粱、小麦等原料中水分、淀粉及蛋白质等关键指标的快速筛查,克服传统方法耗时耗力的瓶颈,为原料验收与配比提供即时数据支撑。在发酵参数监控方面,NIRS技术通过对酒醅中水分、酸度、淀粉和还原糖等参数的动态监测,为发酵进程判断与工艺调整提供科学依据,有效提升发酵过程的可控性。
在成品酒质量评价体系中,NIRS技术不仅可实现酒精度、总酸、总酯等基础指标的快速测定,也能实现基酒分级、酒龄与风格鉴别等定性分析,为产品勾调与质量稳定性控制提供关键技术手段。在智能酿造发展背景下,发展在线近红外分析技术尤为关键,通过在生产线上实现实时质量监控,为“量质摘酒”等精准操作提供数据驱动决策支持,推动传统酿造向智能化制造转型。
尽管NIRS技术在白酒检测中具有诸多优势,但在实际应用中仍面临一定挑战。例如,不同品牌、批次或年份的白酒其光谱特征可能存在差异,需针对具体产品建立定量模型。此外,样品的均匀性、水分含量等因素也可能影响检测结果的准确性,因此对样品预处理提出了较高要求。在标准化工作方面,由于白酒香型众多,工艺复杂,NIRS技术在白酒行业的应用还未形成国家层面的标准规范,但在地方和行业内部已有一定的标准化工作探索。随着相关地方、团体标准的制定与完善,NIRS技术有望在白酒生产质量控制的标准化、规范化进程中发挥更重要的作用,为行业高质量发展提供技术保障。
2 近红外光谱技术在白酒生产中的应用
2.1 原辅料质量快速检测
白酒作为中国传统的蒸馏酒,其品质高度依赖于高粱、小麦、大米、糯米、玉米等原辅料的质量。比如酱香型白酒酿造用的“红缨子高粱”,其淀粉含量占比65%以上,且支链淀粉含量占总淀粉含量的88%～93%。窖泥在白酒生产过程复杂的物质代谢过程中提供丰富的风味物质,如丁酸、己酸和己酸乙酯等,这些微量风味成分的形成及比例关系一定程度上决定了白酒的酿造质量和品质。传统上,对原料质量的检测主要依赖化学分析法和色谱法,这些方法虽然准确度高,但存在流程烦琐、耗时耗力、需要使用化学试剂、无法满足现场快速筛查需求等明显短板。在现代白酒规模化、标准化生产的背景下,对原料质量控制环节的效率和实时性提出了更高要求。通过NIRS技术,可以快速测定玉米、高粱等原料中的水分、蛋白质、淀粉和脂肪含量,为原料采购和储存提供科学依据。
NIRS技术在白酒生产原辅料检测方面的应用如表1所示。王勇生等[19]基于NIRS技术建立了高粱中粗脂肪含量的定量模型,但是粗纤维和灰分预测精度不够。针对高粱中的直链和支链淀粉,买书魁等[20]等通过UVE-GA筛选出近红外特征波长建立定量模型,模型精确度和鲁棒性均有所提高(相较于无光谱筛选)。张北举等[21]加大建模的样本量,通过马氏距离筛选了932 nm和972 nm处吸光度有较大区别的高粱籽样品,构建了不同散射处理方法定标模型,并通过交叉验证方法确定最优模型,其研究表明样本质量对模型的精确度有较大影响。在高粱单宁含量检测上,文献 [22]的结果表明,使用MCCV结合GPR建立的定量模型,全面优于PLS和SVM回归模型。除此之外,NIRS技术还在高粱农药残留、小麦不完善粒检测以及窖泥水分总酸检测中均有应用。
表1 NIRS技术在白酒生产原辅料快速检测中的应用
Table 1 Application of NIRS technology in the rapid detection of raw and auxiliary materials in Baijiu production
总体来说,NIRS技术在白酒原辅料检测中的建模方法主要以PLS和改进型PLS (improved PLS,iPLS)方法为主,光谱预处理方法以SNV,1st Der和MSC的出现频次较高,主要是由于它们能有效消除高粱颗粒物大小、表面散射和光程变化引起的光谱散射干扰的问题。特征波长的选择对模型性能的影响较大,多数文献均筛选了特定波长的光谱进行建模。波长选择算法有UVE、CARS、PCA、GA等算法。对于模型的评价,主要采用交叉验证均方根误差(root mean square error of cross validation,RMSECV)、预测均方根误差(root mean square error of prediction,RMSEP)、R2等,还用到了SECV、预测标准偏差(standard error of prediction,SEP)、交互验证相对分析误差(residual prediction deviation of cross validation,RPDCV)等。
2.2 发酵参数快速检测
发酵过程中酒醅理化指标的快速、原位检测和数据的快速反馈,对白酒酿造生产工艺的控制非常重要。NIRS技术已实现对不同香型发酵酒醅水分、酸度、淀粉、糖分、酒精度、总酯的快速测定,已发表的相关研究成果见表2。
从表2中可以看出,不同研究建立的酒醅同类指标模型的参数差异较大,如酸度指标的模型R2值从0.79到0.951,这可能与样本差异(数量、筛选方法)、建模方法以及酒醅的处理方式相关(多数文献未给出)。酒醅是多种物料混合的黏性固体,其均匀性和颗粒大小都对模型性能有较大影响,不同香型不同工艺阶段的酒醅形态也有差异,这导致建立的酒醅近红外分析模型的通用性不足。
酸度、还原糖等理化指标可以用来监测白酒固态发酵过程中的物质变化与酒醅发酵质量。如酒醅入窖酸度通过影响酒醅理化指标和微生物群落的变化来推动发酵进行,适宜的起始酸度可提高原料的淀粉出酒率和提升白酒风味[35]。对于用窖泥封闭的窖池发酵过程进行实时监控是不可能的,因此目前对发酵参数的监控几乎都是对入窖和出窖糟醅进行取样离线检测。
尽管前景广阔,NIRS在白酒发酵监控的实际应用中仍面临挑战:(1)酒醅颗粒大小、紧实度、水分分布不均,导致光谱重复采集困难和代表性偏差。(2)模型稳健性与适应性。模型易受原料批次、季节变化、工艺微调、不同窖池/窖龄、仪器状态漂移等因素影响,导致预测精度下降。(3)水分与温度干扰。发酵过程水分变化剧烈,且是强NIR吸收型,易掩盖其他组分信号,发酵产热导致温度变化也会影响光谱。(4)深层信息获取与微生物活性的关联。当前主要监测化学组分变化,对直接反映微生物群落活性与相互作用的信息提取仍较薄弱。
表2 NIRS技术在酒醅发酵参数快速检测方面的应用
Table 2 Application of NIRS technology in rapid detection of fermentation parameters of fermented grains
注:-表示文献中未说明。
因此,为了实现NIRS对白酒发酵过程的实时监测,主要有两个发展方向:(1)发展更优的离线检测技术,如开发更鲁棒的探头和先进的光谱预处理方法(如空间偏移光谱);研究自适应、迁移学习或通用性更强的模型策略(温度补偿技术和水分背景扣除算法等);结合宏基因组、代谢组等多组学数据,探索NIRS光谱信息与微生物生态的直接关联模型。(2)发展NIRS在线监测技术,在对发酵容器进行革新(从“地下”改为“地上”,从“固定”改为“移动”)[36]的基础上,不断探索针对气-液-固三相发酵体系的NIR在线检测技术[37]。
2.3 成品酒质量评价
白酒质量评价是一个多维度、综合性的体系,涉及酒精度、总酸、总酯、固形物、特定风味物质(如己酸乙酯、乙酸乙酯、乳酸乙酯等)等指标的定量检测,以及感官风格(香型、口感、风味协调性)、真伪、产地、年份等的定性判别。
利用NIRS结合化学计量学方法[以PLS最常用,辅以SVM、ANN、极限学习机(extreme learning machine,ELM)等]建立定量校正模型实现了成品白酒中多种参数的定量分析。酒精度(乙醇含量)作为白酒核心指标,利用不同的红外光谱仪器实现了白酒酒精度的准确测量[38][39][40][41][42],预测精度高(R2通常>0.95,RMSEP<0.5%vol),是替代传统蒸馏-密度法的首选快速方法。针对总酸和总酯含量,研究者分别利用NIRS技术建立了定量检测模型对清香型白酒[43]和浓香型白酒[44]进行了预测,可满足日常质量控制要求。贵州国台酒业集团研究院[45][46]的研究人员在酱香型白酒的NIRS技术检测研究中做了较多工作,利用NIRS技术结合PLS建立了酱香型白酒中6种醇类物质的分析模型,以及白酒中7种关键成分(乙酸、丙酸、乙酸乙酯、乳酸乙酯、糠醛、乙酸异戊酯、总酸)的分析模型,交叉验证R2为0.8542～0.9638,RMSECV为0.0038～0.5158。张云霞等[47]构建了馥郁香型白酒基酒中4种主要有机酸(乙酸、正丁酸、正戊酸、正己酸)检测模型。余松柏等[48]建立了白酒中乳酸和乙酸含量的近红外快速检测模型,其测试集RMSEP分别为6.37 mg/100 mL和5.95 mg/100 mL。董新罗等[49]用NIRS技术建立了白酒基酒中酮类物质(2,3-丁二酮和3-羟基-2-丁酮)快速检测模型,最佳光谱区间分别为9403.2～7497.9 cm–1和9403.2～7497.9 cm–1+6101.7～5449.8 cm–1,RMSEP分别为0.40 mg/100 mL、0.24 mg/100 mL。
在定性判别方面,NIRS结合模式识别方法成功实现了白酒香型[50]的区分。NIRS技术建立基酒等级分类模型的关键是对光谱信息的预处理方法[51],如王怡博等[52]使用改进的主成分分析(improved principal component analysis,imPCA)对选取的区间进行波点筛选,最后建立极端梯度提升树(established extreme gradient boosting,XGBoost)分类模型。张磊等[53]最终筛选出了32个特征波点建模,并指出波数为4798、6245、5936和7080 cm–1的特征光谱点对于模型输出的沙普利可加解释(SHapley additive exPlanations,SHAP)贡献值较高,这些光谱点主要反映了基酒中羟基、羰基化合物的特征信息。此外,NIRS技术在白酒酒龄分析[54]、产地溯源[55]、白酒真实性[56]、芳香物质检测[57]、基酒分级[58]中的研究均有报道。
2.4 智能酿造在线检测
NIRS设备根据使用场景的不同可以分为实验室台式、便携式、在线式等设备形式,其中在线式又逐渐发展出了光纤式、自动导引运输式等形式[59],以上的工作大多是采用台式的NIRS设备完成。随着白酒智能酿造的发展,智能化的摘酒系统、智能上甑系统需要在线、原位、实时的参数检测,新型红外光谱仪器的研发将朝着小型化、在线化和智能化的趋势发展。周新奇等[60]开发了一套在线NIRS监测系统,实时在线检测出窖酒醅配粮前的水分、淀粉及酸度,相比台式近红外分析结果,在线结果的平均误差及SEP均有所放大,但在线分析的准确度能满足酒醅在线配粮控制的精度要求。李晨阳等[61]基于近红外偏最小二乘法(near-infrared partial least squares,NIR-PLS)开发了一种NIRS技术快速检测模型,利用自适应权重算法(adaptive weights,AW)建立了一种快速量化评价清蒸高粱糊化度的方法,用于白酒上甑。
在摘酒系统中,需要对馏分进行分段收集,依据酒精度与风味特征将白酒划分为不同等级的产品。NIRS技术在线酒精度的测量已有零星报道,如王添等[62]设计了基于NIRS的酒精浓度测量系统,范明明[63]开发了以酒精浓度为指标的自动摘酒技术,并在摘酒在线检测模拟试验台上模拟摘酒。由于风味成分在馏分中含量很低,基于风味特征的量质摘酒技术还处在模型探索阶段。如韩云翠[64]通过热图分析总结馏分中风味物质成分含量变化规律,结合SVM构建基酒质量等级判断模型,利用傅里叶变换近红外光谱技术结合PLS构建基酒中8种化合物的定量检测模型。廖丽等[65]检测了不同等级原酒(酒头、中段酒、尾酒)中的挥发性风味物质,通过傅里叶变换近红外光谱获取光谱,对其进行光谱预处理及波长筛选,结合主成分建立回归预测模型,并采用随机森林(random forest,RF)算法构建量质摘酒模型。张贵宇[66]采用小波变换挖掘基酒质量差异特征光谱,构建了基于基酒NIR指纹图谱的量质摘酒模型。基于在线酒精度测量的智能摘酒系统已经应用于一些酒厂,但这种方法忽略了风味成分。未来应进一步关注结合酒精浓度与风味成分的在线摘酒模型的建立,以及发展高维NIRS成像技术,实现对“酒花”的化学成分与空间结构的同步解析[67]。
2.5 标准化
目前,NIRS技术在白酒行业的应用已经从研究探索阶段过渡到产业应用阶段。虽然还未形成国家层面的标准规范,但已有相关的地方标准和团体标准发布实施。安徽省制定了地方标准DB34/T 3561—2019《酿酒原料常规指标的快速测定方法近红外法》。该标准规范了酿酒原料(如高粱、小麦等)中水分、淀粉等关键指标的快速测定方法,有利于NIRS技术在白酒产业的实际应用。中国酒业协会2025年新发布并实施的两项团体标准指出了NIRS技术在白酒智能化生产中的主要应用方向。其中,T/CBJ 2212—2024《白酒智能酿造量质摘酒红外光谱法应用指南》聚焦于“量质摘酒”环节,为分析和判断蒸馏出的原酒的品质提供了统一的操作规范和方法指南。T/CBJ 2213—2024《白酒智能酿造基酒分级入库红外光谱法应用指南》则应用于“基酒分级入库”环节,指导利用NIRS技术快速对基酒进行定级,为后续的勾调与储存提供决策依据。T/CBJ 2208—2024《白酒智能酿造过程质量监控通用要求》提出了关键工艺过程质量监控数字化要求,将指导白酒的智能化转型,促进NIRS技术等快速无损检测技术的发展。
3 结束语
NIRS技术已成为白酒生产质量控制领域极具价值的研究热点和应用工具。其在酒精度、总酸总酯等关键理化指标的快速定量分析上已接近或达到实用化水平;在香型风格鉴别、真伪判别方面展现出高效准确的优势;在产地溯源、年份鉴定等挑战性领域也取得了积极进展。为进一步推动该技术的实际应用,还需在多个方面持续发力。首先是数据库的建设,一个系统完善的NIRS数据库将为模型构建和优化提供坚实的数据支撑。在建模方法上,近年来深度学习方法在NIRS建模中展现了强大的技术潜力,尤其在处理非线性特征提取与高维数据上[67]。因此,利用高光谱成像等其他分析技术与NIRS信息的多模态融合,结合深度学习方法的特征提取技术,将推动NIRS分析技术向更精准、更智能、更可靠方向发展。此外,标准化与规范化建设也不可忽视。制定统一的技术应用标准和检测流程,有助于提升检测结果的可比性和可用性。相信随着光谱仪微型化、化学计量学算法(尤其是深度学习)的不断突破、多技术融合应用的深入以及标准化工作的推进,未来,结合人工智能与大数据分析,该技术有望在白酒生产过程中发挥更深远的作用,推动行业向高效、绿色、智能化方向迈进。