快速、 准确检测酒醅酸度, 可显著提高白酒出酒率和成品酒品质。 近红外光谱(NIR)提供了分子的倍频和合频, 即有机物中含氢基团(C-H、 N-H、 O-H)的振动信息, 通常用于样品中含氢化合物的定性和定量分析。 采用NIR能简单、 迅速的测定酒醅酸度, 克服了传统化学分析方法检测周期长、 试剂消耗大、 人为误差等不足。 由于NIR是一种间接分析技术, 如何建立校正模型是准确检测酒醅酸度的关键。 作为深度学习中的典型模型, 卷积神经网络(CNN)具有局部区域连接, 分享权值等优点, 不仅能从复杂的光谱数据中提取关键特征, 还能减少网络模型的复杂度。 因此, 提出基于CNN和NIR的酒醅酸度定量分析方法, 以某酒企生产线中采集的545个酒醅样本光谱数据作为研究对象, 采用标准正态变换(SNV)、 Savitzky-Golay (SG）滤波和一阶求导（1stD）三种算法相结合对原始光谱进行预处理; 利用无信息变量消除法(UVE)选择光谱数据的特征波长; 使用CNN建立酒醅酸度模型。 结果表明: (1)对光谱数据进行预处理后, 消除了原始光谱中的基线偏移, 噪声等问题; 经过预处理后的光谱数据模型相较于原始光谱建模, 预测集决定系数提升了22.85%, 预测集均方根误差降低了0.049 5, 提高了酒醅酸度与光谱反射率的相关性。 (2)对光谱数据进行波长筛选后所建立的模型相较于全波段建模, 预测集决定系数提升了2.04%, 预测集均方根误差降低了0.004 8。 (3)基于CNN建立的酸度预测模型, 预测集决定系数为0.955 5, 预测集均方根误差为0.039 1。 相较于偏最小二乘回归模型, 预测集决定系数提升了1.03%, 预测集均方根误差降低了0.097 6; 相较于反向传播神经网络模型, 预测集决定系数提升了1.16%, 预测集均方根误差降低了0.099 4。 该方法可实现对酒醅酸度的快速、 准确测量, 为后续酒醅酸度在线检测提供方法支撑。