近紅外光（NearInfrared，NIR）是指波長介于可見光（VIS）與中紅外光（IR）之間的電磁波，被定義在780～2526nm波長的光譜區(qū)（3960～12800cm^-1），主要測量含氫基團為主，包括C-H（甲基、亞甲基、甲氧基、羧基、芳基）、羥基O-H、巰基S-H、氨基N-H（伯胺、仲胺、叔胺和銨鹽）等。近紅外檢測技術(shù)當(dāng)前發(fā)展迅速，具有操作方便簡單、快速、檢測成本低、無損耗、分辨率高，可多成分同時分析等優(yōu)點，該技術(shù)目前廣泛應(yīng)用于食品、農(nóng)業(yè)、制藥、化工等領(lǐng)域。近紅外分析技術(shù)在糧食原料的產(chǎn)地區(qū)分、白酒真?zhèn)舞b別等方面也有著廣泛的應(yīng)用。

生麥曲是傳統(tǒng)紹興黃酒釀造中的重要原料之一，用量達到原料米的16%，被稱為“酒之骨”。生麥曲在傳統(tǒng)黃酒發(fā)酵過程中提供了豐富的酶系，主要包括淀粉酶、蛋白酶、脂肪酶等，這些酶將原料中所含的淀粉、蛋白質(zhì)、脂肪分解為微生物可利用的物質(zhì)。生麥曲中還含有豐富的代謝產(chǎn)物，賦予紹興黃酒特有的風(fēng)味，素有好曲出好酒的說法，因此麥曲的品質(zhì)對紹興黃酒的風(fēng)味有著重要的影響。品質(zhì)不佳的麥曲不僅會影響酒的風(fēng)味，還容易造成發(fā)酵過程異常，給發(fā)酵過程的控制帶來困難。

目前生麥曲的品質(zhì)判斷主要依靠人工判斷，對人的經(jīng)驗要求較高，常用的鑒定方法還有糖化力、淀粉酶活性進行測定，但此方法只起到輔助判斷的作用，無法作為*終的判別依據(jù)。而利用生麥曲作發(fā)酵試驗進行測試，有耗時長，影響因素過多的缺點。生麥曲的成分十分復(fù)雜，使用近紅外光譜將生麥曲樣品中每一種有機組分在近紅外譜區(qū)的多個波段的對應(yīng)信息進行掃描，使用化學(xué)計量學(xué)（Chemometrics）方法分析化學(xué)數(shù)據(jù)，對不同品質(zhì)的生麥曲進行分析建模，為當(dāng)前依靠經(jīng)驗判斷生麥曲品質(zhì)的方法提供更為詳細(xì)的數(shù)據(jù)評價。

麥曲樣品人工鑒別分組

人工判斷主要依據(jù)經(jīng)驗，邀請8名生產(chǎn)經(jīng)驗豐富且具有**釀酒師職稱的人員進行單獨評價，并取平均成績，盡量較真實的反應(yīng)樣品得分。

將抽取的66個生麥曲樣品，由釀酒師按表1進行評價評分，將分值≥60的樣品分為A組（參考組），分值＜60的樣品分為B組（待測組）。經(jīng)評價打分A組樣品44個，B組樣品22個，具體分值及標(biāo)準(zhǔn)差見表2。

近紅外光譜采集

將所有的生麥曲樣品進行預(yù)處理，使用配備IN312/C的旋轉(zhuǎn)臺和IN312-SH大口徑樣品杯的MPA Ⅱ型傅立葉變換近紅外光譜儀進行光譜采集，樣品顆粒的均勻有利于光譜的穩(wěn)定性，使用旋轉(zhuǎn)臺旋轉(zhuǎn)進行多位置掃描，同時將同一樣品進行兩次裝樣后采集光譜，利用軟件計算平均光譜來進行建模分析，可大幅度提高分析的**度。圖1為布魯克MPA Ⅱ型傅立葉變換近紅外光譜儀直接導(dǎo)出的66個生麥曲樣品原始近紅外圖譜，在波長數(shù)為4000～12000cm^-1光譜掃描范圍內(nèi)樣品譜圖平滑，不存在吸收飽和現(xiàn)象，無需剔除區(qū)域，直接選擇4000～12000cm^-1范圍內(nèi)全部圖譜進行計算和分析。兩組樣品均為生麥曲，相對差異較小，譜圖形狀基本相同，需要通過進一步處理和建模將樣品區(qū)分開。

近紅外模型的建立

數(shù)據(jù)預(yù)處理是建模的一個重要階段，采用合適的光譜預(yù)處理方式可以有效的消除背景噪音和特定的物理因素干擾，提高譜圖與化學(xué)成分之間相關(guān)性。分別使用一階導(dǎo)數(shù)、矢量歸一法、一階導(dǎo)數(shù)+矢量歸一化等預(yù)處理方法對生麥曲樣品近紅外圖譜進行預(yù)處理，經(jīng)比較，使用一階導(dǎo)數(shù)預(yù)處理后的參考光譜和測試光譜區(qū)分度較高。使用一階導(dǎo)數(shù)預(yù)處理方法，選取平滑點13個，選擇光譜交互范圍4000～11600cm^-1的評價區(qū)域。

使用布魯克OPUS計算軟件對參考光譜和測試光譜進行檢驗分析，計算參考光譜和檢驗光譜在每個波長點i處吸光度的平均值和標(biāo)準(zhǔn)偏差σ。通過計算，合格性模型見圖3。

圖3中一個點代表一個樣品，淺色點為分值≥60分的A組參考組樣品，深色點為分值＜60分的測試組樣品，A組合格樣品品質(zhì)較穩(wěn)定，CI范圍較小在1.7～3.7之間，B組不合格樣品缺陷各不相同，CI范圍較大，在4.1～9.2之間。在樣品分組時，60分臨界附近的樣品差異可能并不夠顯著，導(dǎo)致部分A組和B組樣品CI值差異不大，但是選擇CI值3.9可以將兩組樣品較好的區(qū)分開。

圖4為樣品的CI光譜，中間的橫線表示CI限度線。淺色表示44個人工評分分值≥60的合格麥曲樣本的CI光譜，深色為人工評分為40.8編號14的不合格麥曲樣本CI光譜，即單條光譜各個波長點處的CI值。從圖4可以看出，不合格麥曲光譜在多個波長點處的CI值超過CI限度線，可以通過CI值將兩種品質(zhì)的麥曲樣品進行區(qū)分。

模型驗證

將未經(jīng)掃描的盲樣生麥曲按表1進行人工評分，取平均值，挑選分值≥60和＜60的樣品各10塊，將生麥曲樣品進行預(yù)處理及光譜采集掃描。將采集好的光譜使用建立的模型進行檢測，檢測結(jié)果見表3。

用建立的模型檢測麥曲，分值≥60的10個樣品有9個結(jié)果均顯示合格，分值＜60的10個樣品結(jié)果均顯示不合格，模型檢測與人工評測結(jié)果不相符樣品評分為58.1分，離分界線60分較近，可能樣品特征性不夠顯著。模型與人工測評結(jié)果相符性達95%，可以用來對生麥曲的品質(zhì)進行評估。