青稞酒作為一種具有獨(dú)特風(fēng)味的精釀啤酒，其釀造過程中麥汁的柏拉圖度（°P，反映可溶性固形物含量）和總黃酮含量（TFC，反映抗氧化能力）是決定成品酒品質(zhì)的關(guān)鍵指標(biāo)。傳統(tǒng)檢測方法耗時費(fèi)力，難以滿足精釀啤酒生產(chǎn)中對過程實時監(jiān)控的需求。傅里葉變換近紅外光譜技術(shù)以其快速、無損的優(yōu)勢，結(jié)合化學(xué)計量學(xué)或深度學(xué)習(xí)算法，為食品質(zhì)量監(jiān)測提供了新途徑。

▲實驗流程概述圖

針對青稞啤酒釀造過程中糖化和煮沸階段關(guān)鍵指標(biāo)實時監(jiān)測的難題，本研究采用近紅外光譜結(jié)合深度學(xué)習(xí)技術(shù)，對青稞麥汁度數(shù)和總黃酮含量進(jìn)行定量建模分析，并與傳統(tǒng)化學(xué)計量學(xué)方法進(jìn)行效果比較。研究團(tuán)隊設(shè)計了三種不同的糖化工藝（傳統(tǒng)粉碎、部分粉末化、全粉末化）以拓寬樣本分布范圍，增強(qiáng)模型穩(wěn)健性。在糖化（50°C，65°C）和煮沸階段，共采集了228個糖化階段樣本和96個煮沸階段樣本的近紅外光譜（波長范圍833-2500 nm，分辨率8 cm?¹）

▲不同階段樣品的原始近紅外光譜圖

▲深度學(xué)習(xí)網(wǎng)絡(luò)的優(yōu)化構(gòu)建 (a) CNN; (b) LSTM

通過構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長短期記憶網(wǎng)絡(luò)（LSTM）建立不同模型。其中CNN結(jié)合CARS算法篩選的58-139個特征波長，顯著提升抗噪能力。在青稞啤酒煮沸階段監(jiān)測中，其全特征模型對麥汁度數(shù)預(yù)測RMSEP為0.6217，雖弱于LSTM，但對突發(fā)光譜擾動的穩(wěn)健性更強(qiáng)，為實時質(zhì)量異常檢測提供技術(shù)基礎(chǔ)。而LSTM依托門控機(jī)制動態(tài)建模釀造過程的時序演化規(guī)律，成功解析溫度快速變化引發(fā)的成分非線性變化。經(jīng)CARS優(yōu)化后，該模型以RMSEP為0.4503和RPD>2.9的優(yōu)越性能，成為煮沸階段無損監(jiān)測的最優(yōu)解，預(yù)測速度也是所有算法模型中最快的，實現(xiàn)工藝終點(diǎn)的分鐘級精準(zhǔn)預(yù)警。

本研究證實了近紅外光譜結(jié)合深度學(xué)習(xí)用于青稞酒糖化和煮沸過程麥汁度與總黃酮含量無損、實時監(jiān)測的可行性。該方法為精釀啤酒生產(chǎn)中的過程質(zhì)量控制提供了高效、低成本的新方法和新思路，有助于保證產(chǎn)品品質(zhì)的一致性和提升市場競爭力。深度學(xué)習(xí)在光譜分析中的應(yīng)用潛力巨大，值得進(jìn)一步研究和探索。

▲Master10-pro傅里葉變換近紅外光譜儀-在線8通道

該研究提及的傅里葉變換近紅外光譜儀是采用熒颯光學(xué)生產(chǎn)的MASTER10-Pro在線傅里葉變換近紅外光譜：

• 多通道循環(huán)檢測：支持最多8通道同步測量，可對生產(chǎn)線不同設(shè)備、同一工藝的不同深度等多測點(diǎn)循環(huán)檢測，提升光譜儀主機(jī)利用率，適配釀酒連續(xù)生產(chǎn)中連續(xù)監(jiān)測和終點(diǎn)判斷等場景需求；

• 在線軟件S-Online：自動完成光譜采集、多通道任務(wù)切換、模型調(diào)用及結(jié)果輸出，主界面實時呈現(xiàn)多種監(jiān)測物質(zhì)含量的動態(tài)變化趨勢，并支持與 DCS 系統(tǒng)數(shù)據(jù)交互，可定制成分閾值報警、儀器狀態(tài)反饋，實現(xiàn)產(chǎn)線“質(zhì)量動態(tài)閉環(huán)控制”；

• 動態(tài)模型切換：對于同一個檢測位點(diǎn)，在實際生產(chǎn)中可能對應(yīng)不同工藝或產(chǎn)品的加工與生產(chǎn)，可通過模型切換和調(diào)整，避免探頭的頻繁拆裝和移動，滿足用戶多種產(chǎn)品的檢測需求。