基于AI的啤酒质量评估新方法

发酵

利用涉及机器人技术、电子鼻和机器学习的人工智能评估啤酒质量的低成本方法

克劳迪娅·冈萨雷斯·维霍 * 和西格弗雷德·富恩特斯
数字农业、食品与葡萄酒科学小组，农业与食品学院，兽医与农业科学学部，墨尔本大学，澳大利亚墨尔本VIC 3010；sfuentes@unimelb.edu.au
*通讯作者：cgonzalez2@unimelb.edu.au

收到日期 ：2020年10月8日； 接受日期 ：2020年10月30日； 发表日期 ：2020年10月31日

摘要

由于消费者对啤酒的欣赏和可接受性具有复杂性，并且会随着影响原材料的气候变迁、消费者偏好以及不断提高的质量要求而动态变化，因此通过理化和感官分析来描述和评估啤酒质量是一个困难的概念。人工智能（AI）可能基于传感器技术、机器人技术和机器学习（ML）的数据分析集成，提供识别特定质量特征和工艺改进的独特能力，以生产高质量啤酒。本研究展示了基于低成本传感器网络的人工智能技术的集成与实施，该网络包括电子鼻（e-nose）、机器人技术和机器学习。

机器学习的结果显示，在基于电子鼻数据识别发酵类型方面具有高准确率（97%）（模型1）；基于近红外数据（模型2；R = 0.90）和电子鼻数据（模型3；R = 0.95）预测消费者可接受性，以及从电子鼻数据预测啤酒的理化特性和色度测定结果。将RoboBEER与电子鼻及人工智能结合使用，可为酿酒师提供一种经济实惠、用户友好且准确的方法，用于评估发酵过程、啤酒质量、缺陷检测、可追溯性和真实性验证。

关键词 ：传感器网络；自动化；啤酒可接受性；啤酒发酵；RoboBEER

引言

啤酒质量通常被视为一种主观概念，可以通过对啤酒进行理化分析和/或使用训练有素的评审小组或消费者测试进行感官分析，基于啤酒质量特征更客观地描述，后者用于感知质量。然而，仅凭参数和测试本身可能无法描述与啤酒总体喜好度以及消费者感知复杂性相关的特定质量特征。

根据最新研究，啤酒的理化分析主要基于精酿啤酒中的生物活性化合物、挥发性物质以及添加水果后的抗氧化特性，通常采用气相色谱/质谱联用（GC-MS）和高效液相色谱（HPLC）进行分析。许多其他研究在分析改变啤酒特性的工艺时，将这些质量特征分析与感官试验相结合，例如超声辅助热处理、通过天然添加剂增强抗氧化活性等，应用于甘薯啤酒和商业啤酒。至于传统消费者感官测试，往往具有主观性，需要配备符合特定要求的独立测试间的实验室；同时还需要招募大量参与者，通常需提供激励以鼓励参与，导致测试过程成本较高且耗时，数据分析也较为费时。因此，这些研究的转化成果难以在整个酿造行业中推广应用到每一个批次，因为它们依赖实验室仪器设备、专业人员以及操作、数据采集和分析所需的技能，可能既耗时又昂贵。

已提出多种非侵入式技术用于分析啤酒质量特性，例如结合传感器和计算机视觉功能的机器人技术，如RoboBEER[13]，类似方法也应用于起泡酒分析，即通过FIZZEyeRobot [14]但由于采用更常见的组件构建，这些系统更适合大型酿造公司，而非精酿啤酒企业。其他基于近红外光谱（NIR）的非侵入式技术也已应用于啤酒生产过程中的发酵分析 [15]并结合人工智能（AI）来预测商业啤酒的相对蛋白质含量 [16]，啤酒质量评估 [17]，超声处理对啤酒质量的影响 [18]以及人工智能中的许多其他应用 [19]。最近，一种集成气体传感器技术的应用促成了低成本电子鼻（e-nose）的发展，该设备可连接至机器人（例如RoboBEER），用于评估香气特征 [20]同时也采用了人工智能 [21]。

在食品科学领域，将电子鼻应用于啤酒研究并非新鲜事，它们已被用于评估咖啡酸度[22]，和烘焙程度预测[23]，、茶叶质量分级[24–26]，、草莓汁分类[24]，、葡萄酒烟熏污染检测[27]和酒精含量[28]，、啤酒质量分类与陈化[29–31]，、啤酒香气预测[20]，、肉类质量与保质期[32,33]，、橄榄油产地与质量 [33,34]，、牛奶变质[35]，以及大米虫害[36]，等产品的香气分析。然而，这些研究中使用的大多数电子鼻价格昂贵，且需要安装在实验室中，因其系统类似于气相色谱仪（GC），或虽相对于气相色谱仪（GC）被视为低成本设备，但仍需花费约30,000美元，并需要定期维护[37–39]。已有一些研究利用数据挖掘方法[40–43]，对啤酒进行分类，以评估酿造过程中的用水量[44]，、香气区分[45]，、酒精含量 [46]，，以及将挥发性化合物结果与气相色谱法进行比较[43]。然而，尚未有研究将这些电子鼻与低成本机器人技术相结合以实现均匀倒酒条件，或使用机器学习方法将结果与感官分析进行对比。本文提出一种集成的低成本人工智能系统，结合机器人技术（RoboBEER）、近红外光谱、新开发的电子鼻及感官分析，自动评估啤酒的发酵类型（模型1，基于电子鼻数据）、基于近红外数据的啤酒感官感知（模型2）和基于电子鼻数据的感官感知（模型3），以及基于电子鼻数据的啤酒起泡性参数（模型4）。

所有模型在预测前述啤酒目标时均表现出高准确率（R > 0.90）。

所提出的集成人工智能系统将基于机器人技术和与啤酒发酵类型相关的电子鼻数据，为酿酒师提供关键信息，有助于可追溯性和识别、消费者接受度分析以及啤酒气泡和物理泡沫特性的分析。这些信息可通过低成本的机器人技术和仪器设备实现，即使小型酿酒公司也能负担得起，从而为其提供可靠且关键的信息，以根据特定的消费者期望定制其啤酒。此外，所提出的电子鼻和人工智能系统具有多功能性的优势，可适应不同用途，例如评估葡萄酒和浆果中的烟熏污染[27]。

2. 材料与方法

2.1. 样品描述

总共分析了来自三种发酵类型的20种不同啤酒样品（七种上层发酵、六种底部发酵和七种自然发酵），每种样品均进行三重检测（每种三瓶；n= 60）。上层发酵样品包括修道院艾尔、波特啤酒、科隆啤酒、红艾尔、蒸汽艾尔、陈年艾尔和起泡艾尔风格的啤酒。底部发酵样品涉及淡色拉格、维也纳拉格和德国皮尔森等啤酒类型。而自然发酵样品则包含不同风味的兰比克以及野生 saison 风格的啤酒。有关具体样本的更多细节见补充材料（表S1）。

2.2. 电子鼻（E-鼻）

一种低成本且便携式的电子鼻（e-nose；图 1），由墨尔本大学（UoM）兽医与农业科学学院（FVAS）的数字农业食品与葡萄酒（DAFW）小组开发，被用于实验。该电子鼻包含九个不同的气体传感器（表 1），对与挥发性芳香化合物相关的不同气体具有敏感性。它以伏特为单位测量所有传感器的信号，从而使所有输出处于相同量级。读数时，将电子鼻放置于装有每瓶全部内容物的500 mL烧杯上方；电子鼻在倾倒样品过程中开始记录，并置于烧杯顶部持续采集数据3分钟 [20,27]。每次测量样本之间，电子鼻需校准1–2分钟，以确保无残留效应。所有样本均在冷藏温度（4°C）下测量，此温度即为消费温度，也与感官和理化分析所用温度相同。

表1. 集成到电子鼻中的传感器。

传感器（气体） *	标签/型号	灵敏度
酒精	MQ3	0.5–10 mg L⁻¹
甲烷	MQ4	200–10,000 ppm
一氧化碳	MQ7	20–2000 ppm
氢气	MQ8	100–10,000 ppm
氨气/酒精/苯	MQ135	10–300 ppm/10–300 ppm/10–1000 ppm
硫化氢	MQ136	1–100 ppm
氨	MQ137	5–200 ppm
苯/酒精/氨	MQ138	10–1000 ppm/10–1000 ppm/10–3000 ppm
二氧化碳	MG811	350–10,000 ppm

* 所有传感器均来自中国河南省河南汉威电子股份有限公司。

2.3. 感官：消费者接受度测试

一项感官测试在澳大利亚墨尔本大学（UoM）的教职员工和学生中招募的经常饮用啤酒者（n= 31）中进行。根据使用SAS® v. 9.4（SAS研究所，卡里，北卡罗来纳州，美国）进行的功效分析，参与人数足以发现显著差异（1–β> 0.99）。参与者被要求签署由FVAS–莫纳什大学人类伦理咨询小组（伦理编号：1545786.2）批准的知情同意书。测试在FVAS–莫纳什大学感官实验室的独立感官检测隔间内进行。样本以冷藏温度（4°C）倒入标准品酒杯中提供。样本按半随机顺序提供（分为两组啤酒）。每位参与者提供水和苏打饼干以清洁味觉，随后是在样本之间要求休息几分钟，以避免疲劳。问卷被显示（墨尔本大学，帕克维尔，维多利亚州，澳大利亚，[47]）。评估可接受性的感官属性及其所使用的评分标准如表2所示。

表2. 啤酒消费者测试中评估的感官属性。

属性	标签	规模
碳酸口感	Mcarb	9点喜好度
苦味	Tbitter	9点喜好度
香气	香气喜好	9点喜好度
风味	风味喜好	9点喜好度
总体喜好	总体喜好	9点喜好度

2.4. 近红外光谱

使用手持式近红外光谱仪MicroPHAZIRTM RX分析仪（赛默飞世尔科技，美国马萨诸塞州沃尔瑟姆）对样本进行分析，该设备可读取1596–2396纳米范围内的光谱。Gonzalez Viejo 等人[29]描述了将啤酒样品浸渍于滤纸后，使用近红外设备进行测量的方法。通过从浸有啤酒的滤纸读数中减去干燥滤纸的吸光值，获得液体的吸光值。

2.5. 物理参数

使用机器人倒酒装置RoboBEER（墨尔本大学，澳大利亚维多利亚州帕克维尔）对啤酒样品进行分析，如Gonzalez Viejo 等人[10]所述。每个啤酒瓶均由倒酒装置倾倒，以录制5分钟的视频，并进一步使用Matlab®R2020b（MathWorks公司，美国马萨诸塞州纳提克）中的计算机视觉算法进行分析，以获得与泡沫和颜色相关的物理参数（表3）。

表3. 使用RoboBEER分析的物理参数。

参数	标签
泡沫最大体积	MaxVol
泡沫总寿命	TLTF
泡沫寿命	LTF
泡沫排液	FDrain
颜色实验室标度	L, a 和 b
颜色RGB比例	R, G,和蓝
小气泡	SmBubb
中等气泡	MedBubb
大气泡	大气泡

2.6. 统计分析和机器学习建模

基于主成分分析（PCA）的多变量数据分析使用Matlab® R2020a编写的代码进行，以寻找来自电子鼻、RoboBEER和消费者测试响应数据之间的关系。此外，使用Matlab® R2020b开发了相关矩阵，以评估所有参数之间仅具有显著性的相关性（p< 0.05）。

对于机器学习模型1，使用了模式识别和人工神经网络（ANN）。该模型利用电子鼻各个传感器输出的最大值（Max）、均值和曲线下面积（AUC）值，将样本分类为三种发酵类型（上层发酵、下层发酵和自然发酵；图2a）。在Matlab® R2020a中通过编写代码循环测试了17种不同的训练算法，以根据欠拟合或过拟合情况最少、准确率最高和性能最佳（勒文伯格-马夸尔特算法）来确定最优模型。数据被随机划分为60%用于训练，20%用于验证，验证采用均方误差（MSE）性能算法，20%用于训练。使用3、5、7和10个神经元进行了神经元剪枝测试，其中10个神经元表现出最佳性能，且无欠拟合或过拟合迹象。

模型2–4使用回归人工神经网络开发，与模型1类似；测试了17种不同的训练算法，其中勒文伯格-马夸尔特算法在三个模型中均表现出最佳的性能和准确率。模型2使用全光谱（1596–2396 nm）的近红外吸收值作为输入，而模型3则使用电子鼻各传感器输出的最大值、平均值和曲线下面积值作为输入。对于这两个模型，五个属性的消费者测试响应（如表2中所示）被用作目标（图2b）。另一方面，模型4使用与模型3相同的电子鼻输入，但以RoboBEER输出（表3）作为目标（图2c）。采用随机数据划分方式，其中60%用于训练，20%用于验证（使用均方误差性能算法），20%用于测试。对于这些模型，还进行了剪枝练习，分别使用3、5、7和10个神经元，其中10个神经元表现出最佳性能，且无欠拟合或过拟合迹象。

3. 结果

3.1. 多变量数据分析

如图3a所示，主成分分析第一主成分（PC1）解释了总数据变异性 33.06%，而PC2占22.37%（总PC = 55.43%），接近60%的临界点[48]。根据因子载荷（FL），PC1主要由电子鼻传感器表示，MQ138（FL = 0.32）、MQ8（FL = 0.31）和MQ137（FL = 0.30）位于轴的正侧，而RGB颜色标尺中的B（FL = −0.19）位于负侧。另一方面，PC2主要由RGB颜色标尺中的G（FL = 0.36）和R（FL = 0.34），以及CIELab颜色标尺中的L（FL = 0.35）在轴的正侧表示，而CIELab颜色标尺中的 ‘a’（FL = −0.32）、中等（FL = −0.22）和大（FL = −0.23）气泡位于负侧。

电子鼻传感器与物理参数（如泡沫总寿命(TLTF)和最大体积(MaxVol)）以及所有感官属性的喜好度，尤其是香气的喜好度呈正相关。相比之下，电子鼻传感器与泡沫排液(FDrain)呈负相关。底部发酵的样本与电子鼻较低的电压以及泡沫排液(FDrain)相关。相比之下，大多数顶部发酵和三种自然发酵啤酒与电子鼻较高的电压以及感官属性的喜好度相关。另外四种自然发酵啤酒则更多地与气泡大小、泡沫寿命(LTF)以及CIELab颜色标尺中的‘a’和‘b’等物理参数相关。

的双标图，以及（b）仅展示电子鼻、RoboBEER物理参数和消费者感官反应数据中显著相关性（ p < 0.05）的相关矩阵。缩写见表1–3。)

图3b显示了所有物理参数、感官属性和电子鼻参数的相关矩阵。感官属性的喜好度与电子鼻传感器 MQ8、MQ136 和 MQ138 之间存在正向且显著的相关性（p< 0.05）。此外，物理参数如 LTF、颜色（‘a’、‘b’ 和 蓝）、MedBubb 与电子鼻数据之间也表现出正向且显著的相关性。如预期，啤酒泡沫排液(FDrain)与最大体积(MaxVol)及泡沫总寿命(TLTF)呈负相关。

3.2. 机器学习建模

在表4中可以看出，使用电子鼻输出的最大值、均值和AUC数据作为输入，在预测啤酒发酵类型时具有较高的总体准确率（97%）。此外，所有阶段的准确率均为>90%。与验证和测试相比，训练阶段的均方误差（MSE）值较低，且后两者的值相同，表明不存在欠拟合或过拟合现象。图4显示了受试者工作特征（ROC）曲线，描述了真阳性（灵敏度）和假阳性（特异性）率；可以观察到，三个类别具有 灵敏度 > 0.90。

表4。 模式识别人工神经网络模型1的统计数据，利用电子鼻输出作为输入将啤酒分类为不同发酵类型 （上层发酵、下层发酵和自然发酵）。性能基于均方误差（MSE）。

阶段	样本	准确率	误差	性能（均方误差）
Training	36	100%	0%	<0.01
验证	12	92%	8%	0.10
测试	12	92%	8%	0.10
总体	60	97%	3%	N/A

表 5 显示了回归模型的统计数据。可以看出，模型2在所有阶段均具有较高的总体相关系数（r= 0.90）和较高的斜率（>0.85）。训练均方误差值（MSE = 0.02）低于验证和测试阶段，表明没有出现欠拟合或过拟合现象；然而，验证（MSE = 0.12）和测试（MSE = 0.30）之间的值不够接近，可能表明存在一定程度的过拟合。模型3使用电子鼻输出来预测感官描述词的喜好度，其总体相关系数 （R = 0.95）高于使用近红外输入预测相同感官描述词的模型2。此外，模型3在所有阶段均具有较高的斜率值。训练性能均方误差低于验证和测试阶段，且后两者较为接近（验证 MSE = 0.15；训练 MSE = 0.13）；因此，无欠拟合或过拟合迹象。另一方面，模型3还使用电子鼻输出作为输入来预测通过RoboBEER获得的物理参数，同样表现出较高的总体准确率（r= 0.93），且斜率值为中等偏高。该模型在验证（MSE= 0.10）和测试(MSE = 0.20) 和训练阶段（MSE= 0.02）的均方误差值较为接近，且训练阶段的值更低，因此没有欠拟合或过拟合的迹象。

表5. 回归人工神经网络模型2–5的统计数据。性能基于均方误差（MSE）。缩写：R：相关系数。

阶段	样本	观测	相关系数R	斜率	性能（均方误差）
模型2（近红外输入/感官目标）
训练	36	180	0.98	0.96	0.02
验证	12	60	0.87	0.85	0.12
测试	12	60	0.80	1.00	0.30
总体	60	300	0.90	0.96	N/A
模型3（电子鼻输入/感官目标）
训练	36	180	0.99	1.00	<0.01
验证	12	60	0.95	0.94	0.15
测试	12	60	0.85	0.94	0.13
总体	60	300	0.95	0.97	N/A
模型3（电子鼻输入/RoboBEER目标）
训练	36	468	0.98	0.93	0.02
验证	12	156	0.90	0.80	0.10
测试	12	156	0.82	0.87	0.20
总体	60	780	0.93	0.89	N/A

模型2 使用近红外吸收值作为输入来预测消费者感官反应， ( b ) 模型3 使用电子鼻输出作为输入来预测消费者感官反应，以及 ( c ) Model4 使用电子 鼻输出作为输入来预测通过RoboBEER测量的物理参数。)

图 5 展示了各个回归模型及其相应的R值和回归方程。根据95%置信区间，模型2有5%（300次观察中的15次）离群值，而模型3有7%（300次观察中的21次）。另一方面，模型4有5.3%（780次观察中的41次）离群值。可以看出，在模型2中，风味喜好和碳酸口感是离群值数量最多的属性（各60次中的4次），而苦味和香气的离群值最少（各60次中的2次）。在模型3中，苦味的离群值最多（60次中的8次），香气最少（60次中的1次）。相反，在模型4中，“a”和FDrain的离群值最多（各60次中的7次），而小气泡没有出现任何离群值，MedBubb仅在60次中出现了1次离群值。

4. 讨论

4.1. 电子鼻与理化分析之间的关系

大多数下面发酵啤酒都聚集在与泡沫排液相关的向量附近，啤酒的FDrain以及红、绿、蓝颜色（RGB）和L；后者可能由此解释这些啤酒相比上层发酵和自然发酵的啤酒颜色更浅 [49]。此外，自然发酵啤酒主要聚集在气泡形成以及小、中、大尺寸（SmBubb、MedBubb和LgBubb）气泡分布的向量附近，这有助于更长的泡沫寿命(LTF)，此前已有研究在理化和感官数据中报告过类似结果[10,13,50,51]。另一方面，上层发酵啤酒主要聚集在所有气体传感器灵敏度附近，其起泡性和苦味的变化主要影响整体香气、风味喜好以及更高的啤酒碳酸口感（Mcarb）（图3a）。上层发酵啤酒在主成分分析(PCA)中分布较广的原因，主要可能是由于添加了不同类型和数量的啤酒花，导致其苦味和风味的变异性高于下面发酵和自然发酵啤酒异较大的啤酒花种类和用量差异[10,52,53]。

正如预期，电子鼻中的大多数气体传感器彼此相关。更重要的是，电子鼻传感器与倒酒时啤酒释放的二氧化碳带来的碳酸感和苦味之间存在统计学上显著的正相关关系，这与2啤酒花相关的香气赋予啤酒的苦味直接相关 [13,54]（图 2a 和 3b），这些因素直接影响了感官分析中的风味和总体喜好度。此外，电子鼻传感器与泡沫寿命以及CIELab中的蓝到黄色度（b）和RGB颜色模型中的蓝色（B）也存在显著的正相关关系（图 2b）。后者可以解释为，麦芽和啤酒花中存在的挥发性化合物如硫化氢 （MQ136）会影响啤酒的颜色 [49,55]。此外，发酵过程中会产生硫化氢（MQ136）、酒精（MQ3、MQ135、MQ138）和氢气，同时pH值下降，导致颜色强度发生变化 [49,56,57]。

小气泡（SmBubb）与喜好度之间存在显著相关性，这直接关系到啤酒的泡沫寿命（LTF）和泡沫保持性，从而减少倒出后气体的释放，这也解释了小气泡与电子鼻气体传感器之间缺乏相关性的原因。此外，研究发现LTF和SmBubb与CIELab色标中的‘a’值之间存在相关性；这可以通过其他研究结果来解释：颜色更红的啤酒和浆果含糖量更高[50,58]，同时糖类作为表面活性物质，能够增加啤酒的黏度，从而提高泡沫稳定性并减小气泡尺寸[13,17,59]。

4.2. 人工智能应用于啤酒质量评估

基于机器学习的模型1利用电子鼻数据，能够以极高的准确率（97%）将所研究的所有啤酒分类为上层、下层和自然发酵类型。该结果与本文展示的多变量数据分析结果（图2a,b）以及先前研究一致，那些研究使用RoboBEER的数据作为输入，对三种发酵类型的啤酒进行分类，报告的准确率也类似，为92.4%[13]。这些结果具有重要意义，因为对于这种与啤酒分类相关的特定应用而言，电子鼻的数据分析基于信号分析，而RoboBEER则需要实施更为复杂的计算机视觉算法。此外，电子鼻还能提供额外的气体分类能力，识别每个传感器所敏感的特定气体以及啤酒的香气特征[20,27,29,31,60]。

进一步的应用可集中在识别啤酒中的缺陷和蛋白质[16]以及利用新兴传感器技术实现可追溯性[61]。与近红外光谱方法相比，电子鼻的使用可能更高效、更具成本效益且用户友好，如本文所示结果，在评估消费者对啤酒的感官感知和可接受性方面，模型3（电子鼻）的准确率高于模型2（近红外）。最后，基于电子鼻输入的模型4在检测泡沫的物理参数方面表现出很高的准确率。

气泡的形成、排出、大小和分布以及啤酒的颜色评估，并与RoboBEER进行比较。这些结果与模型1一致时非常令人鼓舞，因为这使得RoboBEER可以像一个精确的倾倒装置一样，连接到电子鼻上，以获取所有必要的理化、比色和消费者感官感知参数，从而实现更准确、客观、经济高效且用户友好的啤酒质量评估系统。此外，电子鼻可作为独立设备安装在生产线的不同阶段，实时评估啤酒质量并检测任何缺陷，以便在最终产品完成前对加工线采取纠正措施。此处提出的新系统所获得的这些参数可与区块链集成，用于啤酒的可追溯性和真实性验证 [62,63]。

5. 结论

一种基于人工智能（AI）的新型系统已被提出，该系统结合机器人技术、电子传感器（电子鼻）和机器学习，以更客观地评估啤酒质量。本研究所提出的系统在识别啤酒发酵、消费者偏好与接受度，以及理化和比色分析方面具有高准确率。此外，该系统还可结合区块链技术，用于真实性验证和可追溯性，从而提高从原材料、酿造、质量保证、感官分析到商业化整个酿造链的透明度。最后，低成本技术与人工智能的结合使得这些新兴技术能够广泛应用于各类酿造工艺和酿酒企业，涵盖从精酿啤酒企业到最大啤酒酿造商的各个层面。