用户速递|近红外光谱结合深度学习实现青稞酒糖化煮沸过程麦汁度数与总黄酮的无损监测

2025/11/12 14:21 I 阅读：34

四川轻化工大学宗绪岩教授团队采用近红外光谱（NIRS）结合深度学习，对青稞酒在蒸煮过程中麦汁度数和黄酮含量进行快速定量检测，解决传统方法耗费时间的痛点，为精酿啤酒在生成过程中的质量控制提供了新的思路。研究成果以 “Quantitative modelling of Plato and total flavonoids in Qingke wort at mashing and boiling stages based on FT-IR combined with deep learning and chemometrics” 为题发表于中科院一区TOP期刊《Food Chemistry: X》上，四川轻化工大学为该论文第一单位，周咸江为第一作者，现为大家简要介绍该研究成果，希望对您的学术研究提供帮助。

应用方向：啤酒酿造、近红外光谱、深度学习、无损质量监测

青稞酒作为一种具有独特风味的精酿啤酒，其酿造过程中麦汁的柏拉图度（°P，反映可溶性固形物含量）和总黄酮含量（TFC，反映抗氧化能力）是决定成品酒品质的关键指标。传统检测方法耗时费力，难以满足精酿啤酒生产中对过程实时监控的需求。傅里叶变换近红外光谱技术以其快速、无损的优势，结合化学计量学或深度学习算法，为食品质量监测提供了新途径。

实验流程概述图

针对青稞啤酒酿造过程中糖化和煮沸阶段关键指标实时监测的难题，本研究采用近红外光谱结合深度学习技术，对青稞麦汁度数和总黄酮含量进行定量建模分析，并与传统化学计量学方法进行效果比较。研究团队设计了三种不同的糖化工艺（传统粉碎、部分粉末化、全粉末化）以拓宽样本分布范围，增强模型稳健性。在糖化（50°C，65°C）和煮沸阶段，共采集了228个糖化阶段样本和96个煮沸阶段样本的近红外光谱（波长范围833-2500 nm，分辨率8 cm⁻¹）

不同阶段的样品的原始近红外光谱图

研究首先利用蒙特卡洛交叉验证（MCCV）剔除异常样本。随后，针对不同指标和阶段，系统比较了平滑（SM）、一阶导数（DE1）、二阶导数（DE2）、多元散射校正（MSC）、标准正态变量变换（SNV）及其组合等多种预处理方法的效果，最终根据R2和RMSECV确定了最优预处理方案。为减少冗余信息并提升模型效率，采用竞争性自适应重加权采样（CARS）算法筛选特征波长，显著降低了建模变量维度。

深度学习网络的优化构建 (a) CNN; (b) LSTM

通过构建卷积神经网络（CNN）和长短期记忆网络（LSTM）建立不同模型。其中CNN结合CARS算法筛选的58-139个特征波长，显著提升抗噪能力。在青稞啤酒煮沸阶段监测中，其全特征模型对麦汁度数预测RMSEP为0.6217，虽弱于LSTM，但对突发光谱扰动的稳健性更强，为实时质量异常检测提供技术基础。而LSTM依托门控机制动态建模酿造过程的时序演化规律，成功解析温度快速变化引发的成分非线性变化。经CARS优化后，该模型以RMSEP为0.4503和RPD>2.9的优越性能，成为煮沸阶段无损监测的最优解，预测速度也是所有算法模型中最快的，实现工艺终点的分钟级精准预警。

本研究证实了近红外光谱结合深度学习用于青稞酒糖化和煮沸过程麦汁度与总黄酮含量无损、实时监测的可行性。该方法为精酿啤酒生产中的过程质量控制提供了高效、低成本的新方法和新思路，有助于保证产品品质的一致性和提升市场竞争力。深度学习在光谱分析中的应用潜力巨大，值得进一步研究和探索。

Master10-pro傅里叶变换近红外光谱仪-在线8通道

该研究提及的傅里叶变换近红外光谱仪是采用荧飒光学生产的MASTER10-Pro在线傅里叶变换近红外光谱：

• 多通道循环检测：支持最多8通道同步测量，可对生产线不同设备、同一工艺的不同深度等多测点循环检测，提升光谱仪主机利用率，适配酿酒连续生产中连续监测和终点判断等场景需求；

  
  

• 在线软件S-Online：自动完成光谱采集、多通道任务切换、模型调用及结果输出，主界面实时呈现多种监测物质含量的动态变化趋势，并支持与 DCS 系统数据交互，可定制成分阈值报警、仪器状态反馈，实现产线“质量动态闭环控制”；

  
  

• 动态模型切换：对于同一个检测位点，在实际生产中可能对应不同工艺或产品的加工与生产，可通过模型切换和调整，避免探头的频繁拆装和移动，满足用户多种产品的检测需求。