论文部分内容阅读
啤酒是一种经过发酵酿制而成的饮料，其具有营养丰富、口感醇厚、香味浓郁等特点，因此受到广大消费者的喜爱。随着科技与生产力的提升，啤酒的生产方式日渐现代化，传统的啤酒品质检测方法如感官评定法和理化指标检测无法快速大批量地进行检测，因此需要新的方法对啤酒品质进行智能化的快速无损检测。本文以便携式近红外光谱技术以及嗅觉可视化技术联合化学计量学对8种不同类型的啤酒(青岛黑啤、青岛白啤、青岛纯生、青岛奥古特、青岛皮尔森、青岛1903、青岛IPA、青岛Strong)进行区分并建立了啤酒中理化指标(酒精度、原麦汁浓度、双乙酰)的快速预测模型；同时将这两种技术融合获得了更好的实验结果，为啤酒品质的快速无损检测方法提供了一种新的思路。主要研究内容如下：
1.啤酒理化指标的检测。按照国标《GBT4928-2008》中的方法对120个啤酒样品(8类啤酒每类15个样品)中的酒精度、原麦汁浓度和双乙酰含量进行检测，每个样品检测3次，用3次测量值的平均值作为最终测量值。8种啤酒的酒精度范围为3.02~9.27％，平均值为4.85％；原麦汁浓度范围为7.15~22.09g/100g，平均值为13.98g/100g；双乙酰含量的范围是0.01~0.12mg/L，平均值为0.06mg/L。
2.基于便携式近红外光谱的啤酒品质检测研究。首先使用便携式近红外光谱仪采集了啤酒样品的近红外光谱，然后使用了6种光谱预处理方法对原始光谱进行预处理，最后分别建立了啤酒种类的判别模型以及啤酒品质指标(酒精度、原麦汁浓度、双乙酰含量)的预测模型。啤酒判别模型中反向传播人工神经网络模型(Back Propagation Artificial Neural Network，BP-ANN)的识别率最高，校正集和预测集分别为100%和98％；啤酒中三种理化指标的预测模型中，预测效果最好的都为反向区间偏最小二乘模型(Backward Interval Partial Least Squares， BiPLS)，对应的预测集相关系数(Correlation Coefficient Of Calibration，rp)分别为0.9162、0.8382和0.8385，预测均方根误差(Root Mean Square Error Of Prediction， RMSEP)分别为0.612、2.32和0.0277。结果表明，便携式近红外光谱技术能够鉴别不同种类的啤酒并且对啤酒中的理化指标进行快速预测。
3.基于嗅觉可视化技术的啤酒品质检测研究。首先构建了由16种不同的色敏材料组成的传感器阵列并检测了8种不同种类的啤酒，然后分别建立了啤酒种类的判别模型和啤酒品质指标(酒精度、原麦汁浓度和双乙酰含量)的预测模型。啤酒种类判别模型中识别效果最好的是线性判别分析(Linear Discriminant Analysis，LDA)，校正集和预测集的识别率都为100％；啤酒中酒精度、原麦汁浓度和双乙酰含量的预测模型，对应的rp分别为0.8979、0.8669和0.8328，RMSEP分别为0.715、1.84和0.0207。结果表明：嗅觉可视化技术结合化学计量学能够区分啤酒种类并快速预测啤酒中理化指标。
4.基于便携式近红外光谱和嗅觉可视化技术融合的啤酒品质检测研究。首先将两种技术的数据进行归一化处理并将其融合，然后基于融合后的数据建立不同种类啤酒的判别模型以及啤酒中理化指标的预测模型。融合后的数据建立的4种判别模型的校正集和预测集的识别率都达到了100％；啤酒中理化指标的定量模型中，酒精度、原麦汁浓度和双乙酰含量的PLS预测模型其rp分别为0.9753、0.9711和0.8385，RMSEP分别为0.379、0.816和0.0213。结果表明，使用融合数据建立的模型比使用单一数据建立的模型具有更好的识别率和模型预测效果。
综上所述，便携式近红外光谱技术和嗅觉可视化技术都可以运用在啤酒的品质检测中，此外融合两种技术对啤酒的品质进行快速检测比单一技术检测啤酒更加准确与全面。
1.啤酒理化指标的检测。按照国标《GBT4928-2008》中的方法对120个啤酒样品(8类啤酒每类15个样品)中的酒精度、原麦汁浓度和双乙酰含量进行检测，每个样品检测3次，用3次测量值的平均值作为最终测量值。8种啤酒的酒精度范围为3.02~9.27％，平均值为4.85％；原麦汁浓度范围为7.15~22.09g/100g，平均值为13.98g/100g；双乙酰含量的范围是0.01~0.12mg/L，平均值为0.06mg/L。
2.基于便携式近红外光谱的啤酒品质检测研究。首先使用便携式近红外光谱仪采集了啤酒样品的近红外光谱，然后使用了6种光谱预处理方法对原始光谱进行预处理，最后分别建立了啤酒种类的判别模型以及啤酒品质指标(酒精度、原麦汁浓度、双乙酰含量)的预测模型。啤酒判别模型中反向传播人工神经网络模型(Back Propagation Artificial Neural Network，BP-ANN)的识别率最高，校正集和预测集分别为100%和98％；啤酒中三种理化指标的预测模型中，预测效果最好的都为反向区间偏最小二乘模型(Backward Interval Partial Least Squares， BiPLS)，对应的预测集相关系数(Correlation Coefficient Of Calibration，rp)分别为0.9162、0.8382和0.8385，预测均方根误差(Root Mean Square Error Of Prediction， RMSEP)分别为0.612、2.32和0.0277。结果表明，便携式近红外光谱技术能够鉴别不同种类的啤酒并且对啤酒中的理化指标进行快速预测。
3.基于嗅觉可视化技术的啤酒品质检测研究。首先构建了由16种不同的色敏材料组成的传感器阵列并检测了8种不同种类的啤酒，然后分别建立了啤酒种类的判别模型和啤酒品质指标(酒精度、原麦汁浓度和双乙酰含量)的预测模型。啤酒种类判别模型中识别效果最好的是线性判别分析(Linear Discriminant Analysis，LDA)，校正集和预测集的识别率都为100％；啤酒中酒精度、原麦汁浓度和双乙酰含量的预测模型，对应的rp分别为0.8979、0.8669和0.8328，RMSEP分别为0.715、1.84和0.0207。结果表明：嗅觉可视化技术结合化学计量学能够区分啤酒种类并快速预测啤酒中理化指标。
4.基于便携式近红外光谱和嗅觉可视化技术融合的啤酒品质检测研究。首先将两种技术的数据进行归一化处理并将其融合，然后基于融合后的数据建立不同种类啤酒的判别模型以及啤酒中理化指标的预测模型。融合后的数据建立的4种判别模型的校正集和预测集的识别率都达到了100％；啤酒中理化指标的定量模型中，酒精度、原麦汁浓度和双乙酰含量的PLS预测模型其rp分别为0.9753、0.9711和0.8385，RMSEP分别为0.379、0.816和0.0213。结果表明，使用融合数据建立的模型比使用单一数据建立的模型具有更好的识别率和模型预测效果。
综上所述，便携式近红外光谱技术和嗅觉可视化技术都可以运用在啤酒的品质检测中，此外融合两种技术对啤酒的品质进行快速检测比单一技术检测啤酒更加准确与全面。