青稞酒作為一種具有獨特風味的精釀啤酒，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）是決定成品酒品質的關鍵指標。傳統(tǒng)檢測方法耗時費力，難以滿足精釀啤酒生產中對過程實時監(jiān)控的需求。傅里葉變換近紅外光譜技術以其快速、無損的優(yōu)勢，結合化學計量學或深度學習算法，為食品質量監(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鍵指標實時監(jiān)測的難題，本研究采用近紅外光譜結合深度學習技術，對青稞麥汁度數(shù)和總黃酮含量進行定量建模分析，并與傳統(tǒng)化學計量學方法進行效果比較。研究團隊設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

▲深度學習網絡的優(yōu)化構建 (a) CNN; (b) LSTM

通過構建卷積神經網絡（CNN）和長短期記憶網絡（LSTM）建立不同模型。其中CNN結合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，為實時質量異常檢測提供技術基礎。而LSTM依托門控機制動態(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，預測速度也是所有算法模型中最快的，實現(xiàn)工藝終點的分鐘級精準預警。

本研究證實了近紅外光譜結合深度學習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中的過程質量控制提供了高效、低成本的新方法和新思路，有助于保證產品品質的一致性和提升市場競爭力。深度學習在光譜分析中的應用潛力巨大，值得進一步研究和探索。

▲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生產的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，可對生產線不同設備、同一工藝的不同深度等多測點循環(huán)檢測，提升光譜儀主機利用率，適配釀酒連續(xù)生產中連續(xù)監(jiān)測和終點判斷等場景需求；

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

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