一种葡萄酒苹乳发酵进程的检测方法和装置制造方法及图纸

本发明专利技术公开了一种葡萄酒苹乳发酵进程的检测方法和装置。本发明专利技术检测方法主要包括：采集葡萄酒发酵液样品，获取样品的光谱数据，利用AI技术将光谱数据进行处理，建立目标物质含量的预测模型；采集待测发酵液的光谱数据，将数据输入所建立的预测模型计算得到发酵液中目标物质的含量。本发明专利技术将近红外光谱法与AI技术相结合，实现葡萄酒苹乳发酵进程中苹果酸和/或乳酸含量的检测，具有近红外光谱法的优点。本发明专利技术的检测装置主要包括样品仓、光源模块、数据采集模块、数据分析模块。本发明专利技术的装置体积小、方便携带，测定速度快，可以应用于现场检测，并且十分经济，有望被推广应用。有望被推广应用。有望被推广应用。

A method and device for detecting the fermentation process of grape milk in wine

【技术实现步骤摘要】
一种葡萄酒苹乳发酵进程的检测方法和装置


[0001]本专利技术属于物质检测
，具体涉及一种葡萄酒苹乳发酵进程的检测方法和装置。

技术介绍

[0002]苹果酸
‑
乳酸发酵(Malolactic fermentation，MLF)简称苹乳发酵，是指苹果酸(Malic Acid)在乳酸菌的作用下被分解成乳酸(Lactic Acid)和二氧化碳的过程。葡萄酒的酒精发酵结束后，苹乳发酵就会自然而然地进行。苹乳发酵对葡萄酒的品质和感官特性具有积极作用，它可以将酸味尖刻、粗硬的苹果酸转化为酸味柔和的乳酸，降低葡萄酒的酸度和涩度，改善葡萄酒的口感，进行风味修饰并增加风味的复杂性，还可以提高葡萄酒的生物稳定性。苹乳发酵对大部分红葡萄酒、一些白葡萄酒和汽酒最终的质量有重要影响，而自发进行的苹乳发酵结果往往难以预测，甚至引起葡萄酒的腐败。因而，以苹果酸的含量作为指标监测和控制苹乳发酵进程具有重要的现实意义。
[0003]目前苹果酸的检测方法主要有纸层析法、液相色谱法和酶法。纸层析法主要是依据苹果酸等有机酸在展开剂中的移动速度来判断，通过观察滤纸上苹果酸显色斑点的大小可以直观判断苹乳发酵进程，但是该方法耗时较长，且平行性、定量性较差，对生产会造成一定延误，而且所用的有机溶剂等常具有挥发性，并有一定毒性。液相色谱检测方法具有自动化程度高，重现性好、快速、灵敏等优点，但对于实验设备的要求也较高。酶法检测主要是通过酶反应原理测定苹果酸的含量，测定快速、简便、特异性良好，在国外已得到广泛应用，但在国内尚未被广泛采用。
[0004]近红外光(NIR)是指介于可见光和中红外光之间的电磁波，波长范围是780～2526nm，一般有机物在该区的近红外光谱吸收主要是含氢基团(OH、CH、NH、SH、PH等)的倍频和合频吸收。光谱法与上述检测方法相比，具有测速快、易操作、分析样品不被破坏、污染小等优势。美国FOSS公司的葡萄酒全分析仪WineScan Flex采用了FTIR傅里叶变换红外光谱技术，可以快速分析出葡萄酒中的多项指标，包括酒精度、还原糖、葡萄糖、果糖、总酸、挥发酸、pH、苹果酸、乳酸等指标。但该仪器一台的单价近一百万元人民币，价格十分的昂贵。

技术实现思路

[0005]为解决现有技术的缺点和不足之处，本专利技术的目的在于提供一种葡萄酒苹乳发酵进程的检测方法。
[0006]本专利技术的另一目的在于提供一种葡萄酒苹乳发酵进程的检测装置。
[0007]本专利技术目的通过以下技术方案实现：
[0008]一种葡萄酒苹乳发酵进程的检测方法，包括以下步骤：
[0009]S1、采集N组不同时段苹乳发酵过程中的发酵液样品；
[0010]S2、用不同波长的红外光对发酵液样品进行照射；
[0011]S3、采集穿过发酵液样品后的不同波长的光的强度，得到N组光谱数据；
[0012]S4、利用N组光谱数据建立目标物质含量的预测模型；
[0013]S5、采集待测发酵液按照步骤S2、S3的方法得到光谱数据，将数据输入步骤S4建立的预测模型计算得到发酵液中目标物质的含量。
[0014]进一步地，步骤S1、S5中的发酵液样品取澄清液，避免发酵液中的固体物质影响检测的准确性。近红外由于合频与倍频的吸收强度很弱，因此杂质峰的干扰也大大减弱，使得近红外测量可以避免对样品进行复杂的预处理，但除去固体杂质的干扰仍有助于提高所建立预测模型的可靠性。
[0015]进一步地，N为大于等于50的正整数，优选为大于100的正整数。在建立预测模型时，除了样本的代表性外，样本量也是很重要的一个参数，分析目标物质含量不同的样本量越多，越接近真实情况下目标物质含量在样本中的分布情况。
[0016]进一步地，步骤S2中所述红外光为波长800～2500nm的近红外光。由于几乎所有的有机物的一些主要结构和组成都可以在它们的近红外光谱中找到信号，而且谱图稳定，获取光谱容易，本专利技术采取结合近红外光谱法和AI技术实现苹乳发酵进程的检测。
[0017]进一步地，步骤S4中所述预测模型的建立方法包括以下步骤：
[0018]S41、利用BERT预训练模型中的Denoising Auto
‑
Encoder方法将N组光谱数据进行处理，得到N*N维的光谱数据；
[0019]S42、以历史的N*N维的光谱数据为ResNet34模型的输入层训练样本，以历史的发酵液样品目标物质含量为ResNet34模型的输出层训练样本进行训练，得到所述预测模型。
[0020]预训练模型属于AI技术，是在一个原始任务上预先训练一个初始模型，然后在目标任务上使用该模型，针对目标任务的特性，对该初始模型进行精调，从而达到提高目标任务的目的。在本质上，这是一种迁移学习的方法，在自己的目标任务上使用别人训练好的模型。
[0021]ResNet34模型中的卷积模块能很好的提取局部特征，然后堆叠的卷积模块可以组合局部特征然后学习出宏观的更抽象的特征。将N组光谱数据进行处理得到N*N维的光谱数据，目的是为了更好适配先用的卷积模型，其次N*N维是为了更好的把不相邻的光谱能够放在一起去学习关系和特征，卷积堆叠能把局部特征组合学习全局特征，因为光谱的不同位置不一定只有相邻位置才有关系特征，所以这样能尽可能把所有可能的组合特征学习到。
[0022]由于ResNet一般是二维的，所以把N组一维的光谱数据复制很多份，每一份都是记录下来的一种打乱的排列，目的是在ResNet34模型中进行卷积的时候能尽可能让所有的波段之间能做到交互，然后层层递进(因为是深层次的卷积网络)，逐步再把小区域的信息再聚合抽出更宏观的特征，到最后就能很好的把每个波段光谱相互的关系以及它们组合后的特征进一步学习和挖掘，从而能很好的找到光谱数据中真正对目标物质含量指标的影响。
[0023]ResNet34是一个经典的深度卷积网络，它深能学更抽象的特征，特别是在图像领域；并且它利用了残差模块，目的是为了在网络太深的情况下，能很好的进行梯度传递，避免梯度消失，使得网络学习更稳定，更容易收敛。所以ResNet34模型能更进一步挖掘更深层次的关系和特征。
[0024]进一步地，步骤S4、S5中所述目标物质为苹果酸和/或乳酸。
[0025]一种葡萄酒苹乳发酵进程的检测装置，主要包括：
[0026]样品仓：存放采集的发酵液样品；
[0027]光源模块：发出不同波长的红外光对样品仓中的发酵液样品进行照射；
[0028]数据采集模块：采集穿过发酵液样品后的不同波长的光的强度，得到光谱数据；
[0029]数据分析模块：内置预先建立的目标物质含量预测模型，根据数据采集模块得到的光谱数据计算出目标物质的含量。
[0030]进一步地，所述检测装置还包括数据显示模块，用于显示数据分析模块所计算得到的数据。显示模块可以使目标物质对应的含量一目了然，从而让使用者按其酿酒的需求即时做出是否中止苹乳发酵过程的决定。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种葡萄酒苹乳发酵进程的检测方法，其特征在于，包括以下步骤：S1、采集N组不同时段苹乳发酵过程中的发酵液样品；S2、用不同波长的红外光对发酵液样品进行照射；S3、采集穿过发酵液样品后的不同波长的光的强度，得到N组光谱数据；S4、利用N组光谱数据建立目标物质含量的预测模型；S5、采集待测发酵液按照步骤S2、S3的方法得到光谱数据，将数据输入步骤S4建立的预测模型计算得到发酵液中目标物质的含量。2.根据权利要求1所述的一种葡萄酒苹乳发酵进程的检测方法，其特征在于，N为大于等于50的正整数。3.根据权利要求1所述的一种葡萄酒苹乳发酵进程的检测方法，其特征在于，步骤S2中所述红外光为波长800～2500nm的近红外光。4.根据权利要求1所述的一种葡萄酒苹乳发酵进程的检测方法，其特征在于，步骤S4中所述预测模型的建立方法包括以下步骤：S41、利用BERT预训练模型中的Denoising Auto
‑
Encoder方法将N组光谱数据进行处理，得到N*N维的光谱数据；S42、以历史的N*N维的光谱数据为ResNet34模型的输入层训练样本，以历史的发酵液样品目标物质含量为ResN...

【专利技术属性】
技术研发人员：熊晓林，
申请(专利权)人：学林苑深圳葡萄酒文化有限公司，
类型：发明
国别省市：