白酒酿造过程中,基酒等级划分的准确性决定摘酒工序的成败,但酿酒工人利用“看花摘酒”的传统经验方法很难做到基酒不同等级馏分的准确摘取。研究者们从酒精度检测模型[1-2]、红外光谱快速检测技术[3]、酒花图像特征[4-8]等方面,通过研究酒精度、红外光谱、酒花图像与基酒等级之间的关系,结合偏最小二乘法(partial least square, PLS)、聚类分析、线性判别、支持向量机、反向神经网络等大数据分析手段建立了基酒分级模型,探索了自动化摘酒的可行性和准确性。白酒生产环境是半敞开式的,冬季严寒、夏季酷暑,基酒温度可从4 ℃升高到30 ℃,巨大的环境温差变化会影响酒精度、红外光谱吸收、酒花特征图的稳定性,降低分级模型的准确度。通过检测基酒中关键风味物质含量并解决环境温差对检测的干扰是实现自动化量质摘酒的一种有效方式。

浓香型白酒中的风味物质包括醇类、酯类、酸类、醛酮类、酚类及其他微量成分。醇类化合物使酒体醇和绵甜,是酯类化合物的前体物质[9],传统“看花摘酒”即是看的乙醇含量,乙醇含量越高,酒花越大;己酸乙酯、丁酸乙酯、乙酸乙酯、乳酸乙酯是浓香型白酒中含量最大、最有代表性的酯类,其中己酸乙酯有明显的窖香是浓香型白酒中最重要的风味物质之一[10];酸类化合物有呈味助香作用,可以降低酒的苦味和杂味,提高白酒协调度,乳酸、己酸、乙酸、丁酸是浓香型白酒中含量最多的酸类,其中己酸可促进窖香风味物质成分的生成[11]。张竞一等[12]研究了不同季节各段馏分的含量变化,二段酒中己酸乙酯以及乙酸乙酯、乙酸丁酯等酯类含量更高,乳酸乙酯、乙酸、苯乙酸乙酯等在三段酒中含量更高。倪书干等[13]利用层次聚类热图分析将34种馏分按照风味物质将基酒分为4类,利用正交偏最小二乘法判别分析找到丁酸乙酯、乙醛、己酸乙酯、正丁醇、乙酸乙酯5种骨架成分。乙醇、乙酸乙酯、己酸乙酯、乳酸乙酯、丁酸乙酯、乙酸、己酸、丁酸8种风味物质在酒中含量高[9-16],是影响量质摘酒的关键呈香呈味物质。

傅立叶变换红外光谱技术无需样品制备,在基酒分类、定量酒体风味组分的研究中展现出极大优势,与光纤传感技术的联用将是未来实现工业自动化控制的发展趋势[17]。目前,关于酒中微量成分快速检测方面仅刘建学等[18]利用近红外光谱与PLS结合建立了乙酸、己酸定量分析模型;孙宗保等[19]利用傅立叶变换中红外光谱结合区间PLS检测过己酸乙酯、乙酸乙酯、丁酸乙酯、乳酸乙酯。利用傅立叶变换中红外快检技术同时检测浓香型基酒中乙醇、乙酸乙酯、己酸乙酯、乳酸乙酯、丁酸乙酯、乙酸、己酸、丁酸8种成分的研究尚未有相关报道。此外,溶液中分子振动与转动易受温度影响,对温度波动范围大的样品的红外吸收光谱进行修正是十分必要的。朱余等[20]通过反演算法分温度区间给出修正系数来改善温度导致的系统误差。付庆波等[21]利用直接校正、全局校正、正交信号处理、广义最小二乘加权法4种方法校正了温度变化导致乙醇水溶液短波近红外光谱吸收误差大的问题。本研究以企业实际生产应用为出发点,结合仪器检测能力与量质摘酒需求,对基酒中8种关键风味物质建立定量分析模型并通过温度补偿全局校正的方法降低环境温度变化对模型预测准确性的影响,为实现中红外在线自动化量质摘酒提供了一种实践方法。

1 材料与方法

1.1 材料与试剂

无水乙醇(色谱纯),福晨化学试剂有限公司;叔戊醇、乙酸正戊酯、2-乙基丁酸(色谱纯),天津市津科精细化工研究所;标准物质混合溶液,北京食品发酵工业研究院;纯水,优普超纯水系统制造。

浓香型基酒样品:取山东济南某公司生产车间摘酒工艺过程中的浓香型基酒,从正常流酒开始,每隔1 min取1个基酒样品,直至流酒结束,共取了90个样品。

1.2 仪器与设备

FTATR-600傅立叶在线红外分析仪,津九光科技发展有限责任公司;7890B气相色谱仪,美国Agilent科技有限公司;UPR-11-10T优普超纯水系统,四川优普超纯科技有限公司。

1.3 实验方法

1.3.1 样品化学值测定

酒精度的测定:按照GB 5009.225—2016 《食品安全国家标准 酒中乙醇浓度的测定》中规定的酒精计法测定,用酒精计测得酒精体积分数示值,按照标准中附录B进行温度校正,折算成20 ℃时乙醇含量的体积分数即为酒精度(%vol)。

气相色谱条件:色谱柱为 CP-Wax 57 CB(50 m×0.25 mm,0.2 μm),检测器为火焰离子化检测器(flame ionization detector,FID),温度为250 ℃,高纯N2(≥99.999%)为载气,空气流量400 mL/min,H2流量30 mL/min,进样量1 μL,分流进样方式,分流比40∶1;进样口温度250 ℃;色谱柱流量1 mL/min,升温程序:初温35 ℃,保持4 min,以4 ℃/min升温至60 ℃,再以10 ℃/min升温到130 ℃,再以15 ℃/min 升温至210 ℃,210 ℃保持20 min。

标准样品、基酒样品的配制:用100 μL移液器准确吸取100 μL内标混合溶液(用体积分数为50%乙醇溶液配制,叔戊醇含量161.7 mg/L为醇类化合物的内标,乙酸正戊酯含量182.6 mg/L为酯类化合物的内标,2-乙基丁酸含量184.1 mg/L为酸类化合物的内标)于样品瓶中,再用1 000 μL移液器准确吸取1 mL标准样品或基酒样品于样品瓶中,拧紧样品瓶瓶塞,混匀后放入样品盘中,由自动进样器进样后检测。

1.3.2 基酒样品中红外光谱信息采集

使用Unsb软件进行光谱采集和数据分析,室温23～26 ℃,以纯水的光谱作为背景,将50 mL基酒样品置于烧杯中进行光谱采集。光谱扫描范围800～5 000 cm-1,仪器分辨率2 cm-1,信噪比45 000∶1,波数精度0.01 cm-1,干涉仪为免维护角镜干涉仪,光源灯为长寿命碳化硅光源,检测器为电制冷MCT,采用金刚石ATR探头,衰减全反射2次。

将90个基酒样品按化学值从低到高均分成3份,从每份样品中均匀选出22个作为测试集,3个作为验证级,5个作为温度校正测试样品,按照表1采集基酒样品中红外光谱信息。

2 结果与分析

2.1 浓香型基酒样品化学值测定

2.1.1 气相色谱图分析

从图1可知,4种酯类化合物的峰形是标准的尖窄峰,3种酸类化合物的峰形会有拖尾,这与酸的极性大有关系。7种化合物的分离比均大于1.5,可以完全分离,成分分析时不受相邻化合物干扰。

2.1.2 绘制标准曲线

试验采用内标法计算化合物含量,以基酒样品中乙酸乙酯、丁酸乙酯、己酸乙酯、乳酸乙酯、乙酸、己酸、丁酸7种化合物的质量浓度与相应内标物质的含量比值为横坐标X,以化合物的面积与对应内标物质的面积比值为Y,做线性回归方程,由表2可知,7种化合物的标准曲线相关系数均大于0.999,表明7种化合物的峰面积与质量浓度之间有很好的线性关系。

2.2 浓香型基酒中红外模型建立与优化

2.2.1 基酒样品中红外光谱

浓香型基酒中主要成分是乙醇和水,乙醇体积分数约占50%～78%,水体积分数约占20%～48%,香味物质成分体积占比在2%以内。实验以纯水为背景做基线校准,由图2可知,3 000 cm-1后面为噪声,化合物的特征吸收在900～3 000 cm-1,乙醇特征吸收在1 050 cm-1左右,乙酸乙酯、丁酸乙酯、己酸乙酯、乳酸乙酯、乙酸、己酸、丁酸的特征吸收在1 100～3 000 cm-1。

2.2.2 光谱信息预处理和模型参数优化

试验采集了测试集光谱66条,温度补偿校正光谱174条,重复性实验光谱12条,温度验证光谱54条。将测试集样品66条光谱与温度校正样本的15条室温时采集的光谱合并,这81条光谱结合PLS参与建立8种化合物中红外基酒定量分析模型1;将66条测试集光谱与174条温度校正光谱合并,共240条光谱结合PLS建立中红外温度补偿基酒检测模型2。

建模过程中,为平缓背景和基线漂移引起的干扰,分辨重叠峰,提高分辨率,对光谱信息进行一阶导数处理,以找到建模最优光谱区。使用Unsb软件分析筛选出回归系数最优的光谱区,乙醇最优建模波谱区为980～1 118 cm-1,乙酸乙酯、丁酸乙酯、己酸乙酯、乳酸乙酯、乙酸、己酸、丁酸最优建模波谱区为1 120～1 792 cm-1。这与化合物官能团的特征吸收有关,乙醇在980～1 118 cm-1和3 000～3 650 cm-1有强吸收,980～1 118 cm-1是碳氧官能团的强吸收区;3 000～3 650 cm-1是醇羟基和水羟基的强吸收区,水羟基对醇羟基产生严重干扰,经过优化,980～1 118 cm-1是建立酒精度检测模型的最优波谱区。酯类化合物和酸类化合物中都包含羰基、烷基,二者光谱吸收区会相近,但酯类中羰基与—OR相连,酸中羰基与—OH相连,二者光谱吸收区域又有明显区别,经过优化,1 120～1 792 cm-1是酸类化合物和酯类化合物的特征吸收光谱区。

样品光谱采集过程中,可能出现采集误差,为减少误差光谱对模型整体效果的干扰,采用蒙特卡罗交叉验证法[22]通过残差对光谱异常的样本进行分析,校准残差大的样品属于需剔除的离群样本,剔除的样本数不可超过总样品数的5%,以免影响样本建模的整体性。异常数据剔除结果见图3,剔除了酒精度预测模型2中4个残差值较大的数据,模型的R2提高了0.53。

为研究温度对中红外光谱采集的影响,建立了定量分析模型1和温度校正检测模型2,由表3可知,都采用一阶导数求导处理光谱信息,且建模光谱区一致时,随着模型2基酒样品温度信息的加入,8种化合物影响模型拟合度的因子数增加了1～3个,表明样品温度的变化使化合物的吸收光谱信息更复杂,构建模型需要的影响因素更多。

2.2.3 模型1与模型2模型拟合度分析

利用PLS建立含量预测模型,采用校正集(图4中蓝色点)和验证集(图4中红色点)留一交叉验证法检验模型效果,由均方根误差(root mean square error, RMSE)和相关系数R2评估模型效果,RMSE越小,R2越接近1,验证集与校正集的参数越接近,模型的拟合效果越好。

由图4和表4可知,与模型1相比,模型2的酒精度、乙酸乙酯、丁酸乙酯、己酸乙酯、乳酸乙酯、乙酸、己酸验证集的R2下降了0.003～0.043,丁酸验证集的R2提高了0.103;RMSE有增有减,RMSE差别均≤0.194,说明温度光谱信息的加入稍降低了模型预测值与化学值的相关性,但对模型预测能力的影响很小。模型2中,酒精度、乙酸乙酯、乳酸乙酯验证集的R2可达到0.99,己酸乙酯的R2为0.95,这4种化合物模型拟合度高,预测结果准确性好;丁酸乙酯、乙酸、己酸的R2约为0.90左右,模型拟合度较好,可以满足自动化摘酒的生产检测需求。丁酸的R2为0.79,表明丁酸乙酯预测值和化学值间存在线性关系,但由于基酒中丁酸含量只有0.06～0.14 g/L,含量低,含量范围窄,导致中红外光谱采集信息有限,预测结果较差。酒精度、乙酸乙酯、乳酸乙酯、己酸乙酯、乙酸、己酸、丁酸乙酯、丁酸的含量范围依次降低,模型预测决定系数也依次降低,表明基酒的红外光谱吸收与化合物含量之间存在良好的线性关系,当化合物含量范围越宽,含量分布越均匀时,模型拟合效果越好,预测结果准确性越高;反之,则模型拟合效果越差,预测结果准确性越低。

2.2.4 模型预测稳定性和精密度

从验证集9个基酒样品中,选择4个样品,尽量均匀覆盖8种待测化合物的化学值范围。实验室温度下每个样品重复采集4次光谱,用检测模型2预测8种成分的含量。由表5可知,4个样品4次重复性实验预测结果与化学值的平均绝对偏差,酒精度、乙酸乙酯、己酸乙酯、乳酸乙酯≤3%,丁酸乙酯、乙酸、己酸≤7%,己酸≤12%,除己酸外,其他7种化合物的测量偏差均较小;酒精度相差范围≤0.70%vol,其他7种化合物的相差范围均≤0.15 g/L,相差范围小,模型精密度较高,稳定性好。

2.3 温度对中红外定量分析模型的影响

同一温度校正集样品在4、10、15、20、25、30 ℃下采集光谱如图5所示。

由图5可知,同一样品不同温度下,红外光谱吸收峰高和峰谷差异明显,这是由于不同温度下分子振动跃迁所需的光谱辐射能量不同导致的。由图5-a可知,温度导致酒精度两个关键吸收峰共同增加或减少,但2个峰增减的量不一样。由图5-b可知,酯类、酸类特征谱区的吸收峰在1 120～1 496 cm-1,30 ℃吸收光谱在上,4 ℃吸收光谱在下,而1 588～1 792 cm-1二者顺序相反,表现出温度影响化合物不同波段吸收的差异性。

由图6可知,酒精度模型2的偏差≤2%,模型1达到了6%;乙酸乙酯、己酸乙酯、乳酸乙酯模型2预测结果绝对偏差均≤10%,而模型1的偏差可达到32%;丁酸乙酯、乙酸、己酸、丁酸模型2的偏差在15%以内,模型1的偏差达到了42%。模型1与模型2在20、25 ℃时预测结果比较接近且预测结果偏差小;在4、10、15 ℃时预测结果偏差相对较大,尤其是模型1在低温时预测结果偏差比模型2大0.8～3.9倍。综上可知,模型2的测量偏差可以满足在线检测酒中8种化合物的需求,温度补偿全局校正方法能够减少温度对定量分析模型的干扰,是解决环境温差导致定量分析模型系统偏差大的一种有效方法。

3 总结

在工业4.0的背景下,智能化酿造是白酒行业转型升级的热点,在线检测基酒中关键风味物质含量,实现自动划分基酒馏分质量等级是智能酿造的关键一环。利用傅立叶变换中红外光谱建立酒精度、乙酸乙酯、丁酸乙酯、己酸乙酯、乳酸乙酯、乙酸、己酸预测模型的R2≥0.90,重复性实验偏差在10%以内,准确性和系统稳定性都满足在线检测需求。丁酸预测模型的R2仅为0.79,由于其含量小且范围窄,对摘酒分级影响小;如果基酒中丁酸含量大,鉴于检测模型的R2与待测化合物含量呈正相关,只需补充高含量丁酸样品的光谱信息完善丁酸检测模型即可。此外,温度补偿全局校正方法解决了环境温度变化引起的检测系统偏差大的问题,为傅里叶变换中红外在线检测仪的实际应用提供了数据支持。

参考文献

[1] 陈林, 庹先国, 张贵宇, 等.基于酒精度重建模型的摘酒技术研究[J].中国酿造, 2019, 38(3):23-27.

CHEN L, TUO X G, ZHANG G Y, et al.Research of liquor-receiving technology based on model reconstruction of alcohol content[J].China Brewing, 2019, 38(3):23-27.

[2] 张建华, 商建伟, 王唱, 等.基于LSTM和IGA-BP的酒精度预测模型[J].食品与机械, 2022, 38(5):71-77.

ZHANG J H, SHANG J W, WANG C, et al.Research on alcohol prediction model based on LSTM and IGA-BP[J].Food &Machinery, 2022, 38(5):71-77.

[3] 范明明. 基于近红外技术的白酒摘酒在线检测装置开发[D].镇江:江苏大学, 2019.

FAN M M.Development of on-line detection device for liquor picking based on near-infrared technology[D].Zhenjiang:Jiangsu University, 2019.

[4] 余锴鑫. 基于图像分类算法的自动化摘酒方法研究[D].杭州:浙江大学, 2019.

YU K X.Research on automatic wine picking method based on image classification algorithm[D].Hangzhou:Zhejiang University, 2019.

[5] 潘斌, 陈圩钦, 姚娅川.图像分类算法在酒花图像分类中的研究[J].自动化与仪器仪表, 2021(2):186-191.

PAN B, CHEN W Q, YAO Y C.Study on image classification algorithm in hops image classification[J].Automation &Instrumentation, 2021(2):186-191.

[6] 薛原. 基于白酒酒花图像分类的摘酒设备研究[D].天津:河北工业大学, 2021.

XUE Y.Research on Chinese Baijiu picking equipment based on image classification of hops[D].Tianjin:Hebei University of Technology, 2021.

[7] 杨静娴, 任小洪.基于多纹理特征的白酒摘酒酒花图像分类识别[J].包装与食品机械, 2021, 39(4):38-45.

YANG J X, REN X H.Classification and recognition of liquor receiving hops images based on multiple texture feature extraction[J].Packaging and Food Machinery, 2021, 39(4):38-45.

[8] 林慧, 张宿义, 秦辉, 等.浓香型白酒看花摘酒工艺的可视化分析[J].食品与发酵工业, 2022, 48(18):183-190.

LIN H, ZHANG S Y, QIN H, et al.Visualization analysis of “liquor picking by flowers” process in Luzhou-flavor Baijiu[J].Food and Fermentation Industries, 2022, 48(18):183-190.

[9] 侯雅馨, 王俊山, 武亚帅, 等.浓香型白酒微量成分的研究进展[J].食品研究与开发, 2022, 43(20):194-205.

HOU Y X, WANG J S, WU Y S, et al.Research progress on the trace components of strong-aroma Baijiu[J].Food Research and Development, 2022, 43(20):194-205.

[10] XU Y Q, ZHAO J R, LIU X, et al.Flavor mystery of Chinese traditional fermented Baijiu:The great contribution of ester compounds[J].Food Chemistry, 2022, 369:130920.

[11] WU Q, ZHU Y, FANG C, et al.Can we control microbiota in spontaneous food fermentation?—Chinese liquor as a case example[J].Trends in Food Science &Technology, 2021, 110:321-331.

[12] 张竞一, 柴丽娟, 高涛, 等.不同季节浓香型白酒基酒风味物质差异分析[J].食品科学, 2023, 44 (12):164-171.

ZHANG J Y, CHAI L J, GAO T, et al.Seasonal variation of flavor substances in Chinese strong-flavor Baijiu base liquor [J].Food Science, 2023, 44 (12):164-171.

[13] 倪书干, 罗高建, 朱美玲, 等.现代工艺浓香型白酒蒸馏过程中不同馏分风味物质的变化特性[J].食品与发酵工业, 2023, 49(13):85-92.

NI S G, LUO G J, ZHU M L, et al.Characteristics of flavor substances in the different distillation fractions of strong-flavor Baijiu brewed by modern technology[J].Food and Fermentation Industries, 2023, 49(13):85-92.

[14] WANG M Y, ZHANG Q, YANG J G, et al.Volatile compounds of Chinese Luzhou flavoured liquor distilled from grains fermented in 100 to 300 year-old cellars[J].Journal of the Institute of Brewing, 2019, 126(1):116-130.

[15] 张琦, 沈才洪, 孙啸涛, 等.浓香型白酒蒸馏过程中挥发性风味物质的变化规律[J].现代食品科技, 2018, 34(6):244-254.

ZHANG Q, SHEN C H, SUN X T, et al.Variation regularity of volatile substances in Luzhou flavor liquor during distillation process[J].Modern Food Science and Technology, 2018, 34(6):244-254.

[16] HE F, DUAN J W, ZHAO J W, et al.Different distillation stages Baijiu classification by temperature-programmed headspace-gas chromatography-ion mobility spectrometry and gas chromatography-olfactometry-mass spectrometry combined with chemometric strategies[J].Food Chemistry, 2021, 365:130430.

[17] 林慧, 张宿义, 张炼, 等.现代检测技术在白酒自动化摘酒中的研究现状[J].食品与机械, 2022, 38(10):235-240.

LIN H, ZHANG S Y, ZHANG L, et al.Research status of modern detection technology in automatic liquor picking of Chinese Baijiu[J].Food &Machinery, 2022, 38(10):235-240.

[18] 刘建学, 张卫卫, 韩四海, 等.白酒基酒中己酸、乙酸的近红外快速检测[J].食品科学, 2016, 37(4):181-185.

LIU J X, ZHANG W W, HAN S H, et al.Rapid detection of caproic acid and acetic acid in liquor base based on Fourier transform near-infrared spectroscopy[J].Food Science, 2016, 37(4):181-185.

[19] 孙宗保, 辛新, 邹小波, 等.傅里叶变换红外光谱结合化学计量学方法对白酒基酒的快速定性和定量分析[J].光谱学与光谱分析, 2017, 37(9):2756-2762.

SUN Z B, XIN X, ZOU X B, et al.Rapid qualitative and quantitative analysis of base liquor using FTIR combined with chemometrics[J].Spectroscopy and Spectral Analysis, 2017, 37(9):2756-2762.

[20] 朱余, 魏桢, 张劲松.傅里叶变换红外吸收光谱的温度修正方法研究[J].大气与环境光学学报, 2016, 11(3):191-196.

ZHU Y, WEI Z, ZHANG J S.Temperature correction method of absorption spectrum with FTIR[J].Journal of Atmospheric and Environmental Optics, 2016, 11(3):191-196.

[21] 付庆波, 索辉, 贺馨平, 等.温度影响下短波近红外酒精度检测的传递校正[J].光谱学与光谱分析, 2012, 32(8):2080-2084.

FU Q B, SUO H, HE X P, et al.Transfer calibration for alcohol determination using temperature-induced shortwave near infrared spectra[J].Spectroscopy and Spectral Analysis, 2012, 32(8):2080-2084.

[22] 罗林, 庹先国, 张贵宇, 等.基于异常样品剔除的酒醅近红外定量分析模型的精度提升[J].食品安全质量检测学报, 2022, 13(9):3017-3025.

LUO L, TUO X G, ZHANG G Y, et al.Accuracy improvement of near infrared quantitative analysis model for fermented grains based on abnormal sample removal[J].Journal of Food Safety &Quality, 2022, 13(9):3017-3025.

Research on rapid detection of strong-flavor base Baijiu by Fourier transform mid-infrared spectroscopy

HAN Yuncui1,2, LYU Zhiyuan2, LIU Yutao2, ZHANG Mengmeng2, ZHANG Chenxi2, LU Chunling2, QIU Zhenqing2, WANG Junqing1*

1(Bio-engineering Institute, Qilu University of Technology, Jinan 250353, China) 2(Jinan Baotuquan Brewery Co. Ltd., Jinan 250115, China)

ABSTRACT To monitor the quality of different distillates in the brewing process of strong-flavor Baijiu online, rapid detection models of eight compounds from strong-flavor base Baijiu in the process of picking were established through Fourier transform mid-infrared spectroscopy combined with partial least square method. The eight compounds include ethanol, ethyl acetate, ethyl butyrate, ethyl caproate, ethyl lactate, acetic acid, caproic acid and butyrate. The determination coefficients R2 of the prediction model of alcohol content, ethyl acetate and ethyl lactate were 0.99, that of ethyl caproate was 0.95, that of ethyl butyrate, acetic acid caproic acid are about 0.90, and that of butyrate was 0.79. The predicted results of infrared spectra on eight compounds had good linear correlation with chemical values, and the wider range of compound content, the more uniform content distribution, the better fitting degree of the model. The temperature difference in different seasons caused the fluctuation of infrared absorption spectrum of base Baijiu, which will reduce the accuracy of model detection. The detection model established by the method of temperature compensation global correction can solve this problem and provide a feasible scheme for realizing automatic online Baijiu picking.

Key words Fourier transform mid-infrared spectroscopy; partial least square method; strong-flavor base Baijiu; temperature compensation global correction; detection model

DOI：10.13995/j.cnki.11-1802/ts.035300

引用格式：韩云翠,吕志远,刘玉涛,等.基于傅立叶变换中红外光谱技术的浓香型基酒快速检测[J].食品与发酵工业,2024,50(1):272-278;285.HAN Yuncui, LYU Zhiyuan, LIU Yutao, et al.Research on rapid detection of strong-flavor base Baijiu by Fourier transform mid-infrared spectroscopy[J].Food and Fermentation Industries,2024,50(1):272-278;285.

第一作者：硕士,中级工程师(汪俊卿副教授为通信作者,E-mail:wjqtt.6082@163.com)

基金项目：山东省重点研发计划(重大科技创新工程)项目(2022CXGC020206);齐鲁工业大学(山东省科学院)科教产重大创新专项(2022JBZ01-06)

收稿日期：2023-02-28,改回日期:2023-04-23