傅立叶变换近红外光谱技术快速测定玉米DDGS 营养成分

张 顺 ， 宋 涛 ， 郑一航 ， 郭丽君 ， 张凤枰

（1.四川威尔检测技术股份有限公司，四川成都 610041；2.通威股份有限公司水产畜禽营养与健康养殖农业农村部重点实验室，四川成都 610093；3.通威股份有限公司水产健康养殖四川省重点实验室，四川成都 610093）

玉米DDGS 是以玉米为原料， 由酵母发酵蒸馏提取酒精后， 将酒糟和剩余的残液中至少3/4以上的可溶固形物浓缩干燥后所得的产品（袁建敏等，2010）。由于微生物的作用，玉米DDGS 中蛋白质、 氨基酸和B 族维生素含量均比玉米高，且在发酵过程中生成一些未知的促生长因子， 对动物肠道健康有很大的积极作用。因此，玉米DDGS因具有高能、高蛋白、营养价值高等特点，且产量大、质优价廉，已在畜禽饲料中得到广泛应用（张桂凤，2017）。 但是受生产工艺、原料来源等影响，其质量参差不齐，影响实际应用效果。 因此，有必要对玉米DDGS 质量进行整体性的评价， 但是繁琐费时的全项湿化学检测不能满足饲料生产企业快速评估玉米DDGS 质量需求。 近红外反射光谱技术具有快速高效、成本低、无损等特点，已在饲料企业日常检测中广泛应用。 牛子青（2009）研究了豆粕、DDGS 常规化学成分近红外模型的建立，周良娟等（2011）应用近红外反射光谱法快速测定玉米DDGS 水分、粗蛋白质、粗脂肪和粗灰分等营养成分；张海棠等（2012）建立DDGS 粗蛋白质含量测定的近红外光谱分析定标模型； 姜昕竺（2016）利用近红外吸收光谱快速检测玉米干全酒精糟的水分、粗蛋白质、粗脂肪等主要成分。 上述研究使用的样品数量均在70 ～100 个，建立的模型对玉米DDGS 的营养成分均能较好地预测，但均未建立氨基酸预测模型。 随着原料种类及加工工艺的变化， 为确保实际应用时模型的适用性和准确性，需要尽量扩充样品数量和范围。本研究在全国范围内收集230 个玉米DDGS 样品开展湿化学检测，采集近红外光谱，并对光谱进行不同的预处理，旨在建立玉米DDGS 水分、粗蛋白质、粗脂肪、粗灰分和氨基酸组分预测模型，提高模型的适用性， 为饲料生产企业玉米DDGS 质量控制提供可靠的近红外预测模型。

1 材料与方法

1.1 仪器和样品 MPA 型傅立叶变换近红外光谱仪、积分球附件，德国 Bruker 公司；L-8900 全自动氨基酸分析仪， 日本HITACHI 公司；Kjeltec 2500 全自动定氮仪、Soxtec 2055 脂肪仪， 丹麦FOSS 公司；101-1AB 型电热鼓风干燥箱、FW100型高速万能粉碎机，北京中兴伟业仪器有限公司；箱式电阻炉，沈阳市通用电路厂。

收集 2018—2019 年不同产地国产玉米DDGS 样品230 个， 样品来自通威股份有限公司华东、华南、华西、华北、华中等地区饲料分子公司， 所有样品采用FW100 型高速万能粉碎机粉碎，过40 目筛，混合均匀，装入密闭容器中，置于2 ～4 ℃冰柜冷藏保存。其中215 个样品为定标集样本，15 个样品为外部验证集样本。

1.2 实验方法

1.2.1 玉米DDGS 常规组分和氨基酸的测定 玉米DDGS 水分、粗蛋白质、粗脂肪、粗灰分、氨基酸分别按照 GB/T 6435-2014 直接干燥法，GB/T 6432-2018、GB/T 6433-2006、GB/T 6438-2007 和GB/T 18246-2000 酸水解法测定。

1.2.2 光谱采集 将215 个玉米DDGS 样品在MPA 近红外仪器上使用OPUS LAB 进行扫描。 扫描方式为漫反射， 扫描附件为积分球。 扫描范围12500 ～ 3600 cm-1， 波长间隔 2 nm， 扫描次数为64 次，分辨率为16 cm-1，每个样品重复装样扫描2 次，取平均光谱作为样品的近红外光谱，每隔1 h 做一次背景测量（赵明明等，2018）。

1.2.3 NIRS 模型的建立 运用OPUS 7.8 软件的“定义分类/参考值”功能，将样品的湿化学检测值与光谱进行匹配。 然后再进行光谱预处理和筛选区间，采用偏最小二乘法（PLS）建立玉米DDGS水分、粗蛋白质、粗脂肪、粗灰分和氨基酸的近红外光谱定量分析模型。以校正决定系数（R2）、交互验证均方根误差 （RMSECV） 和相对分析误差（RPD）来评价定标模型的优劣。R2越大，RMSECV越小，模型的准确性就越高；RPD 越大越好，一般认为RPD＞3 时，定标效果理想，可用于实际检测分析（曹小华等，2018）。

2 结果与讨论

2.1 玉米DDGS 营养组分测定结果 玉米DDGS 全集、 校正集和验证集各组分测定结果见表1。 各组分含量分布范围较大，代表性较强，标准偏差也较小， 说明手工检测结果准确、 可信度高。 230 个玉米DDGS 样品的水分、粗蛋白质、粗脂肪和粗灰分的含量范围与已报道值基本相近（周良娟等，2011），但是就平均值来看，水分、粗脂肪和粗灰分含量偏高，粗蛋白质含量偏低。出现这些变化的原因可能是生产玉米DDGS 的原料来源与生产工艺正在发生细微改变 （宋增廷等，2015；国家统计局，2013）。面对原料发生的种种变化，需要对近红外预测模型进行扩充或新建， 以维持预测模型的准确性和稳定性。

2.2 校正集原始光谱 所有校正集样品无预处理的原始光谱图如图1。 在 4000 ～ 9000 cm-1，玉米DDGS 近红外漫反射曲线表现出较强的吸收特征， 主要是 C-H、O-H、N-H 与 C=O 等分子基团的特征信息（李路等，2017）。这为玉米DDGS 常规组分与氨基酸组分的近红外定量分析提供了丰富的光谱理论基础。

2.3 光谱预处理 OPUS 7.8 提供光谱预处理方法包括： 矢量归一化 （SNV）、 多元散射校正（MSC）、一阶导数、二阶导数、一阶导数+SNV、一阶导数+MSC 等。 根据不同组分物质在近红外光谱中的吸收不同， 对原始光谱选择不同的预处理方法和校正范围进行处理， 经过不同预处理方法后的光谱图如图2。 各组分光谱预处理表明，矢量归一化处理能都达到较好的预测效果， 但是对于不同组分最优的预处理方法不完全相同。

2.4 剔除异常值与建立定标方程 由于样品本身特性存在差异， 以及仪器测量和人为操作存在的误差，会出现一些偏离总体样本的数据，即为异常值。本实验主要通过马氏距离（MD）和真值与预测值间偏差对样本进行分析， 确定并删除离群的异常样品。 马氏距离是指样品光谱与校正集平均光谱之间的距离，MD＞1 的样品，其光谱与校正集样品的差异较大，该样品可判定为异常样品。光谱残差反映样品剩余信息的多少， 可用来检验光谱异常，尤其是光谱测量异常和特征峰异常。各常规组分真值与偏差如图3 所示， 并对于偏差较大的样品进行了适当剔除。

表1 玉米DDGS 各营养组分含量 %

图1 玉米DDGS 的近红外扫描原始光谱图

图2 不同方式的预处理后光谱图

根据最优的光谱预处理方法， 软件进行交互验证计算并自动优化定标方程，在计算过程中，使用预测值与真值比较， 剔除计算过程中产生的异常值，提高相关系数。如图4 所示，常规指标水分、粗蛋白质、粗脂肪和灰分的相关性都较好。说明各常规组分模型的相关性和稳定性均较好， 偏差在允许误差范围之内， 能够实际用于未知样品相关指标的含量预测。

图3 常规组分实测值VS 偏差（实测值-预测值）

经过交互检验计算和优化后选择最佳的定量模型。 使用相对分析误差RPD 评价模型的准确度和稳定性。由表2 可以看出，模型预测值与化学值之间的决定系数水分、粗蛋白质、粗脂肪和灰分分别达到了 0.91、0.92、0.95、0.81。 校正集的 RPD 中除灰分外，均大于3，说明水分、粗蛋白质、粗脂肪的模型具有较高的预测精度， 可以较准确地预测玉米DDGS 中相应组分的含量。 灰分的相关系数较低，因为灰分为无机物，近红外只能进行间接预测，但是玉米DDGS 灰分含量相对较低，变化范围也比较小，所以预测值的误差也较小。

图4 常规组分实测值VS 预测值

2.5 氨基酸组分定标模型的建立 按照同样的操作方法，选择最优的预处理方法和校正范围，进行交互验证计算得到相应的氨基酸组分定标方程。 各氨基酸组分定标参数与结果如表3 所示。

表2 各常规组分NIRS 定量分析模型的定标结果

2.6 模型的检验 将验证集中的15 个玉米DDGS 样品调用建立好的定标模型， 预测各组分的含量，并与湿化学检测值对比，结果统计如表4和表5 所示。可以看出，近红外预测值与湿化学检测值基本一致，偏差较小且均符合GB/T 18868 相关要求（杨曙明等，2002）。说明近红外光谱法用于玉米DDGS 常规指标的检测是准确可行的。

表3 氨基酸组分NIRS 定量分析模型的定标结果

表4 玉米DDGS 常规指标验证结果

表5 玉米DDGS 各氨基酸组分化学值与近红外预测值结果

3 结论

本实验运用傅立叶近红外光谱技术，建立了玉米DDGS 水分、粗蛋白质、粗脂肪、粗灰分和氨基酸组分含量的NIRS 定量分析模型。 所建模型均具有较好的相关性和准确率， 预测值偏差均满足GB/T 18868 要求，其中水分、粗蛋白质和粗脂肪的预测值与化学值之间的决定系数都在0.9 以上，相对分析误差均大于3。 该研究整体实现了对玉米DDGS常规指标和氨基酸组分的快速检测。

玉米DDGS 是常用的饲料生产原料， 及时准确地检测是生产饲料产品的基本保障， 对于常规指标的快速测定有利于提高生产效率， 降低生产成本。 由于玉米DDGS 是一种组成复杂的饲料原料， 来源与生产工艺会不断发生变化， 对应的NIRS 定标模型需要及时有效地扩充和新建，以确保实际使用中近红外模型预测值的准确与稳定。