基于拉曼光谱的大曲质量快速鉴定方法与流程

1.本发明涉及质量管控技术领域，特别涉及基于拉曼光谱的大曲质量快速鉴定方法。


背景技术：

2.大曲作为一种多酶多菌复合型活性制剂在酿酒中起到糖化、发酵、投粮和生香的作用，通常是由原料小麦、大麦和豌豆经过接种发酵、自然升降温后风干而成，制成的大曲需要进行存储。储存后的大曲在白酒发酵过程中直接参与酿酒发酵，其微生物数量、种类及酶活情况通过在窖池中的“二次制曲”对酿酒生产的产酒率和优级率起到决定性作用。
3.大曲质量控制通常需要经评价后将其分为优级曲、一级曲、二级曲、不合格曲。现有的对大曲质量的评价依靠一线技术人结合数十年工作经验，通过结合大曲的香味、断面、皮厚、外表、发酵是否透彻和培菌是否良好来进行判断，存在人为误差，导致大曲质量的鉴别速度慢，准确度低。


技术实现要素：

4.本发明所解决的技术问题：提供三种基于拉曼光谱的大曲质量快速鉴定方法，解决现有技术对大曲质量的鉴别速度慢，准确度低的问题。
5.本发明解决上述技术问题采用的技术方案：第一种，基于拉曼光谱的大曲质量快速鉴定方法，包括以下步骤：
6.s01、对待测大曲进行采样，并研磨成粉末状；
7.s02、加入无菌水，并使得粉末状大曲与所述无菌水均匀混合，得到混合液；
8.s03、对混合液进行第一次离心，第一次离心后的沉淀物为大曲的待测物质样本，并对上清液进行第二次离心，第二次离心后的沉淀物为大曲的待测微生物群落样本；
9.s04、分别对待测物质样本和待测微生物群落样本进行拉曼光谱检测；
10.s05、对检测到的拉曼光谱进行去噪处理；
11.s06、利用大曲物质拉曼模型对待测物质样本进行分类，获得待测物质样本属于每种质量类别的概率，利用大曲微生物群落模型对待测微生物群落样本进行分类，获得待测微生物样本属于每种质量类别的概率；
12.s07、针对待测物质样本属于每种质量类别的概率和待测微生物样本属于每种质量类别的概率，利用软投票法获得待测大曲的质量类别。
13.第二种，基于拉曼光谱的大曲质量快速鉴定方法，包括以下步骤：
14.s101、对待测大曲进行采样，并研磨成粉末状；
15.s102、加入无菌水，并使得粉末状大曲与所述无菌水均匀混合，得到混合液；
16.s103、对混合液进行第一次离心，第一次离心后的沉淀物为大曲的待测物质样本；
17.s104、对待测物质样本进行拉曼光谱检测；
18.s105、对检测到的拉曼光谱进行去噪处理；
19.s106、利用大曲物质拉曼模型对待测物质样本进行分类，获得待测大曲的质量类别。
20.第三种，基于拉曼光谱的大曲质量快速鉴定方法，包括以下步骤：
21.s201、对待测大曲进行采样，并研磨成粉末状；
22.s202、加入无菌水，并使得粉末状大曲与所述无菌水均匀混合，得到混合液；
23.s203、对混合液进行第一次离心，并对上清液进行第二次离心，第二次离心后的沉淀物为大曲的待测微生物群落样本；
24.s204、对待测微生物群落样本进行拉曼光谱检测；
25.s205、对检测到的拉曼光谱进行去噪处理；
26.s206、利用大曲微生物群落模型对待测微生物群落样本进行分类，获得待测大曲的质量类别。
27.进一步的，通过五点取样法对待测大曲进行采样。
28.进一步的，均匀混合通过均质机或旋涡仪实现。
29.进一步的，第一次离心的转速为300-500rpm。
30.进一步的，第二次离心的转速不低于7000rpm。
31.进一步的，所述去噪处理包括去除宇宙射线、基线校正、savitzky-golay平滑和归一化处理中的一种或多种。
32.进一步的，所述大曲物质拉曼模型利用机器学习支持向量机对输入带质量类别的大曲物质样本光谱数据进行训练获得。
33.进一步的，所述大曲微生物群落模型利用深度学习2d-cnn对带有质量类别的大曲待测微生物群落样本光谱数据进行训练获得。
34.本发明的有益效果：本发明基于拉曼光谱的大曲质量快速鉴定方法，通过提取大曲的物质样本和微生物群落样本，并进行拉曼光谱检测，并利用机器学习支持向量机对输入带质量类别的大曲物质样本光谱数据进行训练，获得大曲物质拉曼模型，利用深度学习2d-cnn对带有质量类别的大曲待测微生物群落样本进行训练获得大曲微生物群落模型，通过大曲物质拉曼模型对待测大曲的待测物质样本进行分类，获得待测物质样本属于每种质量类别的概率，通过大曲微生物群落模型对待测大曲的微生物群落样本进行分类，获得待测微生物样本属于每种质量类别的概率，利用软投票法获得待测大曲的质量类别，解决了现有技术对大曲质量的鉴别速度慢，准确度低的问题。本发明相比于现有技术，综合了大曲的物质本和微生物，使得准确度更高，利用模型运算速度更快。
附图说明
35.附图1是本发明基于拉曼光谱的大曲质量快速鉴定方法的流程示意图。
具体实施方式
36.本发明第一种基于拉曼光谱的大曲质量快速鉴定方法，如附图1所示，包括以下步骤：
37.s01、对待测大曲进行采样，并研磨成粉末状；
38.具体的，通过五点取样法对待测大曲进行采样，并研磨成粉末状，这样方便提取物
质样本和微生物群落样本。
39.s02、加入无菌水，并使得粉末状大曲与所述无菌水均匀混合，得到混合液；
40.具体的，使用均质机旋转不低于10min,速度3～12次/秒，或使用涡旋仪涡旋震荡不低于15min，使粉末状大曲和无菌水均匀混合，从而使得微生物充分悬于无菌水中。
41.s03、对混合液进行第一次离心，第一次离心后的沉淀物为大曲的待测物质样本，并对上清液进行第二次离心，第二次离心后的沉淀物为大曲的待测微生物群落样本；
42.具体的，利用离心机对混合液进行离心，对混合液进行第一次离心的目的是将微生物和大曲的原料进行分离，因此，第一次离心的转速不能过高，通常采用的转速为300-500rpm，也可以采用其他转速，只需要将微生物和大曲的原理进行分离即可，由此，第一次离心后的沉淀物即为大曲的待测物质样本，上清液为悬有微生物群落的菌悬液，将上清液进行第二次离心，目的是将微生物群落进行沉淀，因此，第二次离心转速要高，通常转速不低于7000rpm，但是可以根据实际情况选择转速，转速也可以低于7000rpm，只要能将微生物群落沉淀即可，第二次离心后的沉淀物即为大曲的待测微生物群落样本，特别的，对于待测微生物群落样本，可以反复清洗，去除杂质。
43.s04、分别对待测物质样本和待测微生物群落样本进行拉曼光谱检测；
44.具体的，取一定量的待测物质样本装在石英比色皿放置在载物台上，并使用拉曼光谱仪捕获待测物质样本的拉曼光谱，拉曼光谱激发光波长785nm，扫描光谱范围500～3750cm-1，激光功率范围5mw，扫描时间10s；取一定量的待测微生物群落样本于载玻片，吹干，使用拉曼光谱仪采集微生物群落样本中的单细胞拉曼光谱，激发光波长532nm，扫描光谱范围500～3750cm-1，激光功率范围3mw，扫描时间5s，将n个单细胞拉曼光谱组合成二维矩阵，二维矩阵的行表示单细胞的拉曼光谱数据，列表示拉曼波段，所述n不低于300，二维矩阵即为微生物群落样本的拉曼光谱。
45.s05、对检测到的拉曼光谱进行去噪处理；
46.具体的，去噪处理包括去除宇宙射线、基线校正、savitzky-golay平滑和归一化处理中的一种或多种，基线校正中包含迭代自适应加权惩罚最小二乘法和最小二乘多项式拟合。
47.s06、利用大曲物质拉曼模型对待测物质样本进行分类，获得待测物质样本属于每种质量类别的概率，利用大曲微生物群落模型对待测微生物群落样本进行分类，获得待测微生物样本属于每种质量类别的概率；
48.具体的，大曲物质拉曼模型利用机器学习支持向量机对输入带质量类别的大曲物质样本光谱数据进行训练获得，如，取500个已知质量类别的大曲，按照s01-s05进行操作，获得500个大曲的物质样本的拉曼光谱，将500个大曲的物质样本的拉曼光谱分成训练集和验证集，利用训练集进行训练，验证集进行验证，获得能够准确鉴别出验证集中大曲的物质样本的质量类别，即完成模型的训练，获得大曲物质拉曼模型，大曲物质拉曼模型的输出为每种质量类别的概率，如大曲分为四种质量类别，即优级曲、一级曲、二级曲和不合格曲，则大曲物质拉曼模型对待测物质的拉曼光谱分类后的输出为：优级曲a1、一级曲a2、二级曲a3、不合格曲a4；
49.大曲微生物群落模型利用深度学习2d-cnn对带有质量类别的大曲待测微生物群落样本进行训练获得，如，取不同质量类别的大曲的微生物群落单细胞各30000个，每300个
单细胞拉曼光谱组合成二维矩阵，则，对于同一质量类别的大曲就有100个二维矩阵，利用深度学习2d-cnn进行学习，可以采用resnet50，设定49个卷积层、一个全连接层，分类交叉熵作为损失函数，标准参数初始学习率为0.001，每训练1个epoch，更新一次参数，更新乘法因子为0.95，adam作为优化器，最后分类器输出每种质量类别概率，如优级曲b1、一级曲b2、二级曲b3、不合格曲b4。
50.s07、针对待测物质样本属于每种质量类别的概率和待测微生物样本属于每种质量类别的概率，利用软投票法获得待测大曲的质量类别。
51.具体的，软投票法可采用voting实现，其原理为：分别计算两个模型输出结果中，每种质量类别概率的平均值，平均值最大的对应的质量类别为大曲的质量类别。如，优级曲概率平均值为：(a1+b1)/2；一级曲概率平均值为：(a2+b2)/2；二级曲概率平均值为：(a3+b3)/2；不合格曲概率平均值为：(a4+b4)/2；比较这四个值的大小，如果(a2+b2)/2最大，则待测大曲为一级曲，如果(a4+b4)/2最大，则待测大曲为不合格曲。
52.本发明第二种基于拉曼光谱的大曲质量快速鉴定方法，包括以下步骤：
53.s101、对待测大曲进行采样，并研磨成粉末状；
54.s102、加入无菌水，并使得粉末状大曲与所述无菌水均匀混合，得到混合液；
55.s103、对混合液进行第一次离心，第一次离心后的沉淀物为大曲的待测物质样本；
56.s104、对待测物质样本进行拉曼光谱检测；
57.s105、对检测到的拉曼光谱进行去噪处理；
58.s106、利用大曲物质拉曼模型对待测物质样本进行分类，获得待测大曲的质量类别。
59.具体的，本发明第二种基于拉曼光谱的大曲质量快速鉴定方法，只是在第一种基于拉曼光谱的大曲质量快速鉴定方法中，去掉了对微生物群落的考量，仅由大曲物质拉曼模型对待测大曲的物质样本进行分类，得到待测物质样本属于每种质量类别的概率，将概率最高的作为待测大曲的质量类别，对于模型的训练、样本数据的采集均与第一种基于拉曼光谱的大曲质量快速鉴定方法中的大曲物质拉曼模型一致。
60.本发明第三种基于拉曼光谱的大曲质量快速鉴定方法，包括以下步骤：
61.s201、对待测大曲进行采样，并研磨成粉末状；
62.s202、加入无菌水，并使得粉末状大曲与所述无菌水均匀混合，得到混合液；
63.s203、对混合液进行第一次离心，并对上清液进行第二次离心，第二次离心后的沉淀物为大曲的待测微生物群落样本；
64.s204、对待测微生物群落样本进行拉曼光谱检测；
65.s205、对检测到的拉曼光谱进行去噪处理；
66.s206、利用大曲微生物群落模型对待测微生物群落样本进行分类，获得待测大曲的质量类别。
67.具体的，本发明第三种基于拉曼光谱的大曲质量快速鉴定方法，只是在第一种基于拉曼光谱的大曲质量快速鉴定方法中，去掉了对大曲物质的考量，仅由大曲微生物群落拉曼模型对待测大曲的微生物群落样本进行分类，得到待测物质样本属于每种质量类别的概率，将概率最高的作为待测大曲的质量类别，对于模型的训练、样本数据的采集均与第一种基于拉曼光谱的大曲质量快速鉴定方法中的大曲微生物群落模型一致。