利用近红外光纤分析技术检测饲料中粗纤维含量

王旭峰，马冰峰，石 磊，邓丹雯，*，耿 响

（1.南昌大学生命科学与食品工程学院，江西南昌 330047；2.江西省产品质量监督检测院，江西南昌330029；3.江西出入境检验检疫局，江西南昌 330002）

近几十年来，对于饲料的营养和品质研究已经相当深入，比如饲料中的常规成分、磷、氨基酸、总能等的检测[1-3]。由于目前饲料是以植物性饲料为主，其中的粗纤维成分含量高、变异大，会引发不同的问题。因此，粗纤维含量是评价饲料质量的一个很重要的指标。通常，对饲料中粗纤维的含量是采用GB 6434-2006以过滤法测定。该方法复杂费时、效率低、成本高[4]。随着近红外光谱分析技术（NIRS）的准确性和精确性大大提高，将NIRS用于饲料品质分析，具有快速、准确、低成本、无污染的特点，便于对饲料品质进行即时监测，提高饲喂质量[5]。光纤在通讯领域的应用引起了通讯技术的革命。光纤具有化学和热稳定性、对电磁干扰不敏感、传输信号能量集中、灵敏度高、价格低廉等优点[6]，使得光纤在近红外光谱分析技术中得以应用，不但大大减少分析仪器的光学零件，降低光学系统调整难度，便于分析装置的小型化，且实现了生产过程的快速在线监测。吴拥军等[7]已经利用光纤结合近红外漫反射光谱技术，通过非侵入方式获得植物内在成分信息，应用系统聚类分析方法获得分类结果。与传统的植物学分类比较一致。González-Martín I等[8]结合使用光纤探头，使测定未经任何处理的饲料中维生素的检测方法成为可能，较好的控制了因加工条件引起的维生素破坏。本研究收集具有代表性的饲料样品，利用近红外光谱分析结合光纤技术，建立饲料中粗纤维含量的定量分析模型，以实现粗纤维含量的快速、无损分析和饲料品质的在线监测，为近红外光纤技术的应用提供依据。

1 材料与方法

1.1 材料与仪器

实验材料 收集2011～2012年不同厂家不同时期生产的猪饲料产品126个，涵盖乳猪料、小猪料和中大猪料，利用高速万能粉碎机将饲料粉碎过40目筛，混匀备用。

NIRFlex N-500型傅里叶近红外光谱仪、近红外光纤探头 瑞士步琪（Buchi）公司；FW135型高速万能粉碎机，表面皿。

1.2 实验方法

1.2.1 化学值测定 采用GB 6434-2006所规定的方法测定猪饲料中粗纤维的含量。

1.2.2 光谱采集 将饲料装入表面皿，压实后高度约4mm，利用近红外光纤探头直接对饲料样品进行图谱采集，扫描范围为4000～10000cm-1，扫描次数32次，分辨率为8cm-1，重新装样两次，分别扫描，共得到3条近红外光谱，取其平均光谱建模。

1.3 异常样品的剔除

采用光谱杠杆值（Leverage）和学生残差（Residuals），作为判断异常样品的统计量。光谱杠杆值的阈值设为各样本平均影响值的2倍，如果大于该阈值，则可判断该样本光谱异常。学生残差的阈值设为样本平均值的3倍，大于该阈值意味着该样本化学值异常。光谱和化学值均异常的样本为“特异”样本，从样本集中剔除[9]。

1.4 近红外定标模型的建立与验证

利用偏最小二乘法建立饲料中粗纤维的定量模型。通过通过独立的验证集对建立的定标模型进行检验。运用校正决定系数（Rc2）、验证决定系数（Rv2）、定标标准分析误差（SEC）、验证标准分析误差（SEP）和相对分析误差（RPD）来评价定标模型的优劣[10]。Rc2与Rv2越大，SEC与SEP越小，模型精度越高；SEC与SEP越接近，模型稳定性越好；RPD越大越好，当RPD大于3时，认为定标效果良好，可用于实际的检测分析。

1.5 数据处理

采用NIRCal 5.2及SPSS 18.0软件。

2 结果与分析

2.1 样本的近红外反射光谱图

在4000～10000cm-1谱区范围内，饲料样本近红外反射光谱曲线各区段表现出独特吸收特征（如图1所示），这为粗纤维的NIRS定量分析提供了丰富的光谱信息基础。

2.2 异常样品的剔除

利用NIRCal软件计算出样本粗纤维的光谱杠杆值和学生残差，结果如图2所示，由图2可知，102#样品光谱杠杆值和学生残差均异常，属于异常样本，应从样本集中剔除。因此，用于饲料中粗纤维含量定量分析的样本为125个。

图1 所有饲料样本的近红外光谱谱图Fig.1 NIRS original spectra of 126 forage samples

图2 异常样品检查结果Fig.2 Results of outlier test

2.3 模型定标

异常值剔除后，将剩下的125个样本，根据各个样品粗纤维含量的化学值，按照排序法裁定定标集和验证集，建模定标集样本为87份，验证集样本为38份。

图3 样本前两个主成分得分情况Fig.3 Plot of principal component score

图3为全部样品前两个主成分得分情况，由图3可知，所选取的87个定标集样品基本能涵盖全部125个样品的信息。定标集和验证集饲料样本粗纤维含量统计结果，如表1所示。

表1 定标集和验证集粗纤维含量（%）Table 1 Crude fiber content of the calibration set and validation set（%）

2.4 光谱预处理和模型的建立

对原始光谱图进行分析，去除基本观察不到明显特征吸收峰的波段，选取9000～4180cm-1区段作为建立定量模型的光谱区域。采用偏最小二乘法建立定标模型，分别对光谱进行附加散射校正（MSC）、变量标准化（SNV）、一阶导数（（First derivative）和平滑（Smoothing）处理，选择最佳定量模型。定标结果见表2。

表2 光谱不同预处理的定标结果Table 2 Calibration results of different spectral pretreatments

从表2中可以看出，原始光谱虽然只经过一阶倒数处理所得到的校正决定系数Rc2最大，但其验证决定系数Rv2不够理想。因此，综合考虑模型的准确性，在9000～4180cm-1波数范围内选取附加散射校正（MSC full）+一阶导数+9点平滑处理作为最佳处理方法，此时模型该谱区NIRS定标模型的校正决定系数为0.9698，验证决定系数0.9402，均达到很好的效果；SEC与SEP均相对较小且较为接近，模型具有很好的精度和稳定性。

为了对定量分析模型的预测精度和可靠性进行进一步评价，应用相对分析误差RPD作为统计参数，对38个验证集样本中粗纤维进行预测饲料中粗纤维含量定量分析模型的定标和验证结果见表3。

从表3中可以看出，无论是定标集还是验证集，饲料中粗纤维含量的真实值和定标模型预测值间的决定系数都在0.90以上，具有很好的线性相关性；标准分析误差较为接近，具有很好的稳定性；相对分析误差RPD均大于3，具有很高的预测精度。结果表明，所建立的NIRS定量分析模型可以较准确地预测饲料中粗纤维的含量。

采用一元线性回归方法，分别得到定标集和验证集样品中粗纤维含量的真实值与NIRS定标模型预测值的线性相关关系，如图4、图5所示。

从图4和图5可以直观地看出，粗纤维含量的化学测量值和模型预测值之间的有很好的线性相关性，说明取得了较好的定标效果。

3 结论

图4 定标集样品粗纤维含量化学值与NIR预测值相关关系（定标集）Fig.4 Relationship between the actual values and predicted values for calidation set

图5 验证集样品粗纤维含量化学值与NIR预测值相关关系（验证集）Fig.5 Relationship between the actual values and predicted values for validation set

本研究通过利用近红外光谱技术结合光纤探头对饲料样品进行分析，直接接触样品，对样品无破坏、无污染，大大简化了分析检测过程；建立起饲料中粗纤维含量的NIRS定标分析模型，模型预测值与化学值之间的决定系数达0.90以上，具有很好的相关性；标准分析误差较为接近，具有很好的稳定性；相对分析误差大于3，具有准确的预测精度。为近红外光纤技术在饲料粗纤维含量检测中的应用和饲料品质的在线监测提供了依据。

[1]牛智友，韩鲁佳.反刍动物饲料中总磷的近红外反射光谱分析研究[J].饲料工业，2008，29（3）：42-44.

[2]Prediction of chemical composition of ruminant feeds by near infrared reflectance spectroscopy（NIR）in Uruguay[J].Revista Argentina de Production Animal，2002，22（2）：81-86.

[3]Theo van Kempen，Jean-Christophe Bodin.Near-infrared reflectance spectroscopy（NIRS）appearstobesuperiorto nitrogen-based regression as a rapid tool in predict-ing the poultry digestible amino acid.contentofcommonly used feedstuffs[J].Animal Feed Science and Technology，1998，76：139-147.

[4]陈邵苹.近红外漫反射光谱测定饲料中粗纤维[J].饲料工业，1996，17（6）：32-33.

表3 NIRS定量分析模型的定标与验证结果Table 3 Calibration and validation results of quantitative analysis model

[5]尚晨，张月学，李炎，等.紫花苜蓿粗蛋白和粗纤维近红外分析模型的建立[J].光谱学与光谱分析，2009，29（12）：3250-3252.

[6]吴利刚，王煊军，樊瑞军.光纤技术在近红外光谱仪中的应用[J].光学技术，2006，32：144-147.

[7]吴拥军，李伟，相秉仁，等.光纤近红外漫反射光谱技术在前胡族植物分类中的应用探讨[J].计算机与应用化学，2000，17（2）：111-112.

[8]González-Martín I， González-Cabrera J M， Bustamante-Rangel M，et al.Near infrared reflectance spectroscopy（NIRS）technology for determination of tocopherols in animal feeds[J].Analytica Chimica Acta，2006，558（1，2）：132-136.

[9]闵顺耕，李宁，张明祥.近红外光谱分析中异常值的判别与定量模型优化[J]. 光谱学与光谱分析，2004，24（10）：1205-1209.

[10]Huang Guangqun，Wang Xiaoyan，Han Lujia.Near infrared reflectance spectroscopy for total nutrient analysis in organic fertilizer using linear support vector machine[J].Transactions of the Chinese Society for Agricultural Machinery，2010，41（2）：93-96.