具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

本文所提到的看花摘酒是白酒蒸馏过程中掌握酒度高低的传统技艺，沿用至今。“看花”即通过观察酒花大小、酒花滞留长短来得知馏出液的酒度高低；“摘酒”，是指在流酒时，流酒时间逐渐增长，酒精浓度由高逐渐降低，香味组分不断变化，根据酒体质量将基酒分段摘取存储。所以“看花摘酒”是指通过看花以便决定把中、高度酒与低浓度酒(酒尾或酒梢子)分离开的白酒蒸馏工艺的过程。原酒流出后，先掐去酒头，然后通过一闻、二看、三品，将原酒分出特优、优、优一级、优二级四个等级来。但凡香气浓郁、酒花较大、入口香甜，皆为优质酒。对于所摘基酒的分段主要凭经验去感官评判观察。

近红外光谱区与有机分子中含氢基团(O-H、N-H、C-H)振动的合频和各级倍频的吸收区一致，通过扫描样品的近红外光谱，可以得到样品中有机分子含氢基团的特征信息，而且利用近红外光谱技术分析样品具有方便、快速、高效、准确和成本较低，不破坏样品，不消耗化学试剂，不污染环境等优点，因此该技术受到越来越多人的青睐。本发明中采用近红外光谱仪能够对白酒基酒进行实时在线测量，并且成本低，检测迅速，不影响环境。

实施例1：请参阅图1至图3，本发明公开了一种白酒蒸馏的在线快速量质摘酒方法，包括以下步骤：S1：通过酒醅蒸馏和冷凝工艺获得白酒基酒；S2：通过光谱仪实时检测基酒的光谱数据；S3：对光谱数据进行滤波预处理；S4：对滤波预处理后的光谱数据进行特征提取，保留利于量质分段摘酒的特征信息；S5：依据基酒光谱数据的属性信息，建立多维分析空间，每一个维度代表一个属性信息；S6：在多维空间下对基酒光谱矩阵进行分析，获得不同摘酒段数基酒的特征波长；S7：利用特征波长，采用识别算法，建立基于摘酒段数的分类模型，实现在线快速无损量质摘酒方法。通过光谱仪对白酒基酒的在线实时测量，脱离人工经验操作，能够解决摘酒操作完全依靠经验的缺陷，并且降低工人的劳动强度，同时提高了工艺的智能化程度。能够实现依据基酒酒体中呈香呈味化合物协调作用的量质摘酒；同时提高分段摘酒的准确性和基酒酒体质量的一致性，实现摘酒过程在线摘酒的时效性。

实施例2：请参阅图1至图3，本实施例的摘酒段数包括酒头、中段酒和酒尾，所述中段酒可根据各酒企的要求进行二次分段。看花摘酒是基于不同浓度的酒精和水的混合液，在一定的压力和温度下，其表面张力不同，基酒落入盛酒器形成的泡沫大小、持留时间都不同的原理。酒精产生的泡沫，由于张力小而容易消散；在蒸馏过程中酒精浓度逐渐降低而酒精产生的泡沫的消散速度不断减慢，同时，混溶与酒精中的水的含量逐渐增多，水的相对密度大于酒精，张力大，泡沫的消散速度就慢。传统工艺中通过看花摘酒进行分段摘酒，但是对于工人的技艺要求较高，特别在分段段数较多，每一段的酒花差别非常细微的情况下，仅靠传统技艺是无法进行分辨的，而本申请的光谱分析通过智能化的仪器对整个过程的光谱数据进行准确测量，能够通过定量分析对摘酒段数进行区分和检测。

实施例3：请参阅图1至图3，本实施例的在步骤S2中，光谱仪包括近红外光谱仪，且近红外光谱仪的光谱波数范围为4000-12000cm^-1。白酒中呈香呈味化合物的含量非常低，很多化合物的含量低于常规分析检测仪器的最低检测限，且常规检测仪器的分析耗时长、需对被检测对象进行复杂的处理。近红外光谱恰恰能够解决以上问题，分析速度快、不需对样品进行处理，利用近红外光谱对被检测对象白酒中有机分子中含氢基团的综合性反映，诠释呈香呈味化合物的综合协调作用。还可以通过其他的光谱仪进行检测。本实施例的在步骤S2中，在白酒基酒流经近红外光谱仪的流通池检测探头时，对白酒基酒进行实时检测。

实施例4：请参阅图1至图3，本实施例的在步骤S3中，原始光谱数据中含有随机噪声、基线漂移等噪声信号，通过平滑、导数等算法，进行光谱数据的滤波预处理。本发明的分析方法不限于所述的特征提取、降维方法。本实施例的在步骤S3中，平滑窗口大小根据原始光谱的分辨率和噪声信号进行调节，平滑处理后滤除高频噪声，并保留光谱特征吸收峰，再通过一阶导数或二阶导数去除线性和非线性基线漂移。

实施例5：请参阅图1至图3，本实施例的在步骤S5中，所述属性信息至少包括基酒近红外光谱数据波长、基酒样品编号、基酒摘酒段数。依据基酒近红外光谱数据的属性信息，包括基酒近红外光谱数据波长、基酒样品编号、基酒摘酒段数等，建立多维分析空间，每一个维度代表一个属性信息。传统的光谱分析是建立在二维空间，忽略了检测对象在结构上的特征信息，将所有属性变换到二维空间，导致复杂的被检测对象分类模型的不准确性，而本方法的多维分析空间在数据结构上保留了基酒的属性信息，利于寻找不同摘酒段数基酒的差异光谱数据。

实施例6：请参阅图1至图3，本实施例的在步骤S6中，采用相关性算法在多维空间下对基酒光谱矩阵进行分析，获得光谱各波长的重要性得分系数矩阵，依据重要性得分系数的排序，获得不同摘酒段数基酒的特征波长。本实施例的在步骤S7中，包括采用神经网络和支持向量机等算法作为模式识别算法。本发明的分类建模方法不限于所述的模式识别方法。本实施例的由于近红外光谱数据属于高维数据，利用全光谱数据进行分析建模，计算量大、模型鲁棒性差，通过光谱数据的特征提取，降低光谱数据维度，并保留利于量质分段摘酒的特征信息。

实施例7：请参阅图1至图3，本实施例的操作步骤如下：

1)、通过酒醅蒸馏和冷凝工艺获得白酒基酒，摘酒段数可分为酒头、中段酒和酒尾，中段酒根据各酒企的要求可在进行分段；

2)、白酒基酒流经近红外光谱仪的流通池检测探头，实时获得基酒的近红外光谱数据，光谱波数范围4000-12000cm^-1；特别的，如图1所示，选用光谱波数范围为4500-12000cm^-1

3)、原始近红外光谱数据中含有随机噪声、基线漂移等噪声信号，通过平滑、导数等算法，进行光谱数据的滤波预处理；平滑窗口大小根据原始光谱的分辨率和噪声信号进行调节，平滑处理后滤除高频噪声，并保留光谱特征吸收峰，再通过一阶导数或二阶导数去除线性或非线性基线漂移。

4)、近红外光谱数据属于高维数据，利用全光谱数据进行分析建模，计算量大、模型鲁棒性差，通过光谱数据的特征提取，降低光谱数据维度，并保留利于量质分段摘酒的特征信息；

5)、依据基酒近红外光谱数据的属性信息，包括基酒近红外光谱数据波长、基酒样品编号、基酒摘酒段数等，建立多维分析空间，每一个维度代表一个属性信息。建立该多维分析空间的创新性在于：传统的光谱分析是建立在二维空间，忽略了检测对象在结构上的特征信息，将所有属性变换到二维空间，导致复杂的被检测对象分类模型的不准确性，而本方法的多维分析空间在数据结构上保留了基酒的属性信息，利于寻找不同摘酒段数基酒的差异光谱数据。

6)、采用相关性算法在多维空间下对基酒近红外光谱矩阵进行分析，获得光谱各波长的重要性得分系数矩阵，依据重要性得分系数的排序，获得依据不同摘酒段数的基酒特征波长。

7)、利用特征波长，采用神经网络、支持向量机等模式识别算法，建立基于摘酒段数的分类模型，实现在线快速无损量质摘酒方法。

本发明的优势在于：

1)、解决了摘酒操作完全依靠经验的缺陷，降低工人的劳动强度，提高智能化程度；

2)、实现依据基酒酒体中呈香呈味化合物协调作用的量质摘酒；

3)、提高分段摘酒的准确性和基酒酒体质量的一致性；

4)、实现摘酒过程在线摘酒的时效性。

以上公开的仅为本发明的几个具体实施例，但是本发明并非局限于此，专利所涉及的技术方法，也可应用于其他产品(不限于白酒)的质量分级、真伪鉴别等检测，均属于本专利的保护范围，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。