[发明专利]一种葡萄酒近红外光谱检测方法

说明书

本发明涉及一种葡萄酒近红外光谱检测方法，属于葡萄酒品质检测技术领域。本发明主要步骤：(1)使用酒精计法测定不同品种的葡萄酒样品的酒精度，使用近红外光谱仪采集葡萄酒样品的近红外光谱；(2)将样本随机分为训练集和预测集，使用MC‑UVE和GA算法对变量进行筛选，进行PPLS分析，建立酒精度回归模型，根据模型的校正均方根误差(RMSEC)值判断模型的可靠性；(3)对预测集样本的酒精度进行预测，计算预测集样本预测值和实测值的相关性(R²)以及预测集的预测均方根误差(RMSEP)，以此来判断模型的预测性能。本发明将MC‑UVE、GA算法和PPLS分析方法结合，提供了一种葡萄酒成分快速定量检测的方法，预处理简单，操作简便，快速无损，使得在线检测更高效。

技术领域

本发明涉及一种葡萄酒近红外光谱检测方法，属于葡萄酒品质检测技术领域。

背景技术

葡萄酒是一种营养价值较高的含酒精饮品，适量饮用对身体有益。近年来，随着我国人民生活水平的提高，葡萄酒的进口量也随之增长。不同产地的气候、土壤、采摘条件、酿酒技术造成了葡萄酒特有的风味以及葡萄酒品种的多元化，葡萄酒品质主要体现在组成成分及含量上，如酚类物质主要决定酒的香味和色泽，糖类主要决定酒精含量，果胶酶决定甲醇含量等。因此优质的葡萄含有较高的糖分、矿质元素、维生素及果胶酶等，发酵的葡萄酒品质也是上乘。因此对葡萄酒中的成分进行快速定量检测，以满足葡萄酒在线品质检测及品质鉴定的需求。

根据已报道的文献可知，葡萄酒成分快速定量检测主要是利用红外光谱、色谱技术等结合化学计量学方法。利用色谱技术对葡萄酒进行定量检测，样品预处理步骤繁琐，检测过程耗时，无法实现在线快速检测。与高效液相色谱法和气相色谱法相比，红外光谱技术更为快速简便，更能满足葡萄酒在线快速检测的要求。

利用红外光谱技术对葡萄酒进行检测主要是基于分子中化学键或者官能团对红外光的吸收的位置和强度不同，从而获得分子组成、含量和结构信息。然而，红外光谱技术受外界环境干扰较大，所以红外光谱信息中包含有许多与样本信息无关的噪声，在使用红外光谱全谱建模时，会影响建模的效率以及模型的预测性能。因此，有必要对红外光谱中的变量进行筛选，选择对模型贡献较大的变量，从而简化模型、提高建模效率，以便为葡萄酒快速检测提供一条新途径。

发明内容

为了解决上述问题，本发明提供了一种基于蒙特卡罗无信息变量消除法(MC-UVE)和遗传算法(GA)的近红外光谱变量筛选方法，并进一步进行概率偏最小二乘(PPLS)分析，建立回归模型的方法，以实现葡萄酒在线快速定量检测的要求，促进我国葡萄酒市场的规范性，维护消费者的合法权益。

本发明的创新性在于基于MC-UVE和GA算法对近红外波长进行选择，区别于传统的使用全波长进行建模，使用被选择的特征波长建模能够有效的去除外部环境、仪器状态等因素造成的干扰信息，从而提高建模效率以及模型的预测性。同时对特征波长进行PPLS分析建立回归模型，PPLS分析能够改善PLS分析方法所忽略的误差和主元的概率分布情况。

本发明对葡萄酒进行检测的方法，是先选择若干个不同产地的葡萄酒样品，使用国标法对其主要成分进行检测，同时采集葡萄酒样本的近红外光谱。然后将样品随机分为训练集和预测集，对训练集样本的近红外光谱使用蒙特卡罗无信息变量消除法(MC-UVE)和遗传算法(GA)进行变量选择，筛选出特征波长，进行概率偏最小二乘分析(PPLS)，建立回归模型。利用预测集样本进行预测，比较预测值和实测值的相关性。

为了实现上述目的，本发明提供了如下技术方案：

本发明的第一个目的是提供一种近红外检测葡萄酒成分的方法，所述方法是利用近红外光谱仪采集多个葡萄酒样品的近红外光谱，使用蒙特卡罗无信息变量消除法和遗传算法对变量进行筛选，选出的特征波长进行概率偏最小二乘分析，建立MC-UVE-GA-PPLS模型；当检测未知葡萄酒样品时，先得到待测样品的红外光谱，再将最优变量下的吸光值输入MC-UVE-GA-PPLS模型，既能得到待检测葡萄酒样品成分含量。