近红外光谱技术在青贮饲料品质检测中的研究进展

陈 菲， 李小梅， 倪奎奎， 杨富裕

（中国农业大学草业科学与技术学院，北京 100193）

我国每年青贮饲料产量达28000 余万t（农业部畜牧业司，2018）。 青贮饲料在反刍动物日粮中占40%以上，能够维持反刍动物良好的瘤胃功能状态， 降低瘤胃酸中毒和皱胃移位等疾病的风险（Wilkinson 等，2018）， 提高消化性能和生长性能（李闯等，2020），对反刍动物的生产和健康有着重要意义。但当前我国青贮饲料质量参差不齐，不科学的青贮方式不仅会降低饲草营养品质， 甚至会导致饲草腐败变质， 真菌毒素及其衍生物对动物生产和健康有不利影响（Peles 等，2019）。因此，快速、 准确的青贮饲料质量检测技术与评定手段对于反刍动物养殖、 生产具有重要意义 （穆怀彬，2008）。 传统方法检测青贮品质需要至少一周，极大降低了生产效率。要实现快速精准检测，必须将经典化学检测转向多元分析方法， 并且更加强调性能、灵敏度、可靠性、快速和易操作以及低成本（Beúc等，2020；Cheli 等，2012）。

现代近红外光谱（NIRS）分析技术是控制饲料工业中质量和安全的有力工具， 已经从农副产品扩展到了工业、医药等领域，逐渐取代“湿化学”技术（王多加等，2004）。近红外光谱技术检测青贮品质能提高生产效率， 但由于青贮饲料具有含水量高和样品不均一等特点， 使近红外光谱技术检测青贮饲料体系仍存在如何提高模型的精度、缺乏相关的技术标准、 取样未实现标准化 （杨雪萍等，2020）等问题。 本文综述了当前近红外光谱检测技术在青贮饲料上的研究进展， 旨在为青贮饲料的快速无损检测提供一定的理论依据与参考。

1 NIR 光谱仪在青贮饲料无损检测中的应用

当前国外主要的NIR 光谱仪生产商包括FOSS、Carl Zeiss、Unity、BRUKER、POLYTEC、Thermo electron 等， 国内起步较晚。 但近年来， 我国NIR 光谱仪也有了一定成绩， 主要的生产厂家有北京英贤仪器有限公司、聚光科技股份有限公司、北京伟创英图科技、南京中地仪器有限公司等。从近年来的产品迭代来看，NIR 光谱仪的发展方向为：（1）提高仪器的精准度和模型的稳定性；（2）降低仪器成本，生产更便携，适用于在线分析的NIR光谱仪；（3）建立标准化仪器，增强仪器的通用性（褚小立等，2007）。 随着大数据时代的到来，NIR光谱仪的发展要基于物联网和云计算来实现通信（Wilkinson 等，2018）。

从表1 可以看出， 当前在青贮领域使用较多的仪器是FOSS NIRSystem 6500，在全株玉米、多年生黑麦草、 混合牧草等青贮饲料中都有较好的预测效果。FOSS 拥有上万个农作物样本组成的分析模型库，在我国许多大型饲料厂都在使用FOSS的NIR 光谱仪。 从NIR 光谱仪的类型来看，近红外光谱技术分析青贮品质的研究更多的是建立在实验室NIR 光谱仪基础之上，精准度高，模型稳定性更好，但需要磨细烘干样本进行分析，对于生产来说，便携式仪器能够实现就地实时分析，会带给牧场更高的效益。 因此， 商业上开发了很多微型、 便携式近红外仪器， 可以直接检测青贮饲料（Evangelista 等，2021），比如 GRAINIT AURORA、AuNIR/AB Vista NIR4、ITPhotonics poliSPEC 等（张欣欣等，2020）。 但随着仪器的小型化，其精度和光谱分辨率等性能会受到限制 （刘建学等，2019）。 因此除了要提升仪器硬件和软件性能，还要加强与台式近红外光谱仪比较分析的可行性研究。

表1 NIR 光谱仪主要类型

2 青贮饲料无损检测中化学计量学方法的选择和优化

通过优化化学计量学软件建立更高精确度的模型， 是当前提升青贮湿样检测精度的重大技术要点。 近红外光谱能获取绝大部分有机物组成性质以及分子结构的有效信息（刘进，2020），生物制品在近红外光照射下， 内部各种化学成分和物理结构会产生特征的近红外吸收光谱 （Karoui 等，2007）， 但这些信息不能直接从光谱中提取出来，并且该区域的多重共线性强（严衍禄等，2005）。化学计量学涵盖了所有的多变量校准方法， 包括光谱数据预处理， 以及用于定性和定量分析的校准模型开发（Rego 等，2020），因此，化学计量技术对于可靠地提取相关信息至关重要。

当前建立青贮饲料预测模型使用的化学计量学方法以传统的建模为主，光谱预处理方式包括：多元散射归一化法（MSC）、标准正态变量转化法（SNV）、一阶导数/多元色散矫正法（1st Deriv. &MSC）等，回归分析统计方法主要包括：最小偏二乘法（PLS）、主成分分析（PCA）、多元线性回归（MLR）等。传统的建模方法存在一些缺陷，且青贮样品的异质性使近红外光谱中的有效信息率低，影响预测精度。 比如， 玉米青贮的形态组成包括叶、穗轴、外壳、茎和籽粒，而苜蓿青贮通常是茎和叶异质性更小，与苜蓿青贮样品相比，测量玉米青贮样品的重复性较差（Donnelly 等，2018）。随着物联网、 大数据分析的发展， 现代统计学有了新方法，可以弥补传统光谱数据分析方法的缺点。 Almanjahie 等（2019）运用更适合的统计模型：函数非参数分位数回归（FNQR）、泛函局部线性分位数回归（FLLQR）等，得到了更稳健的模型。 近年来，青贮饲料模型的转移也开始受到关注。由于光学、 探测器和光源的差异以及仪器响应随时间的变化等，导致当仪器类型不同时，得到的光谱有差异（Liu 等，2011），将现有的近红外数据集转移到其他仪器， 可以极大提高利用效率 （Yakubu 等，2020）。Soldado 等（2013）尝试使用正交投影传递，将色散在线近红外仪 （Foss NIR System 6500）转移到二极管阵列现场近红外仪（Zeiss Corona），实现了将校准数据从在线近红外仪器到现场近红外仪器，传输牧草质量预测提供了一种新的方法，克服了以往模型的缺陷。

3 青贮饲料无损检测技术的应用

3.1 青贮饲料营养品质 近红外光谱分析技术预测青贮饲料水分、粗蛋白质（CP）、中性洗涤纤维（NDF）、酸性洗涤纤维（ADF）、干物质（DM）、总灰分（TA）等效果较好，消化率、代谢能、粗脂肪（EE）、可溶性碳水化合物（WSC）等预测效果较差。刘娜（2019）、周昊杰（2020）等建立的全株玉米青贮饲料营养组分近红外光谱模型， 对多种营养成分均有较好的预测效果， 预测结果可以准确反映真实营养成分。 杨中平（2010）建立青贮饲料近红外模型也可以很好地测定捆包青贮样品的pH、粗灰分（CA）和 CP 含量，pH、CP、CA 和 DM 的校正模型决定系数R2以及外部验证决定系数R2v均大于0.85，但WSC 预测精度有待提高。（2009）使用近红外光谱技术预测多年生黑麦草青贮 NDF、TA、CP、CF、ADF 含量和代谢能， 近红外光谱预测值在 TA、CP、粗纤维（CF）、NDF 和 ADF含量方面的可靠性较高。 Park 等（2011）对多花黑麦草青贮进行了近红外光谱分析， 发现台式近红外光谱对水分、pH、ADF、NDF、CP 有较好的预测效果，R2值分别为 0.96、0.82、0.96、0.97、0.82。 青贮饲料中的化学成分影响着动物健康和动物生产， 近红外光谱技术能够快速测定青贮饲料中的营养成分含量， 有利于及时处理动物健康问题以及提高畜产品质量。

为了更高效地分析饲料的营养品质， 更多的研究趋向于建立青贮湿样近红外光谱模型预测营养成分， 但湿近红外方法分析样品中可能存在更大的异质性，预测结果具有不可靠性。干燥和研磨过程能消除样品的异质性， 干燥过程可能会改变牧草光谱， 因此用烘干青饲料光谱校正模型能应用于烘干青饲料和干草， 但不能应用于青贮样品（Andueza 等，2016）。 Thomson（2018）研究了混合青贮中15 种化学成分，不能高精度预测许多关键化学成分， 只有 DM 能较好地预测，RPD 值为4.9。Davies（2012）也发现，使用湿近红外光谱预测青贮饲料成分， 青贮饲料粗蛋白质被低估了22 g/kg DM。 但有研究表明，青贮湿样近红外光谱模型可以预测营养成分。 Cozzolino 等（2006）采集全株玉米青贮湿样进行测定，CP、DM、ADF 可以用近红外光谱分析， 有机质消化率、NDF、pH 则不能。王新基等（2021）建立全株玉米青贮近红外预测模型， 构建的玉米青贮 DM、CP、ADF 和 CA 预测模型可以用于实际预测，EE 和NDF 含量构建的模型预测结果较差。 Park 等（2016）用数学变换提高了模型的精度， 近红外光谱可以较准确地预测湿玉米青贮的化学成分， 交叉验证相关系数R2cv为0.77 ~ 0.91。

综上所述， 当前对玉米青贮营养品质的分析研究较多，对青贮样品进行前处理（烘干、磨粉）后预测精度更高。

3.2 青贮饲料发酵产物测定 近红外光谱分析技术能较好地预测青贮饲料中乳酸、NH3-N 含量，但乙酸、丙酸、丁酸、乙醇等含量的预测较差，在实际生产中， 用湿料预测发酵产物获得的预测精度可能更低。 有学者利用近红外光谱分析技术检测意大利黑麦草青贮（Park 等，2011）、玉米青贮、 高粱和苏丹草青贮 （Choi 等，2015；Park 等，2006）湿样中的乳酸、pH，预测效果较好。Sinnaeve（1995）对黑麦草、猫尾草和红三叶的混合青贮进行了分析，验证样品pH、NH3-N、乳酸和乙酸的最佳 R2值分别为 0.90、0.93、0.86 和 0.85。 陈鹏飞等（2008）用液氮冷冻制样技术处理测定紫花苜蓿青贮样品，所建模型NH3-N、乳酸、乙酸近红外模型的交叉检验决定系数分别为 0.9257、0.9497、0.9124，交叉检验误差分别为 0.16、3.78、2.27 g/kg FM。 以上研究结果表明，利用近红外光谱法可以预测发酵品质。 但刘贤等（2007）建立的发酵产物模型RPD 值都在2 以下，预测结果较差。Srensen（2004）用干料分析，建立了近红外光谱法测定牧草和玉米青贮中乳酸、乙酸、pH、NH3-N 和乙醇含量的预测模型。结果显示，其中不受干燥影响的指标，湿样精度低于干样，比如CP 和乳酸，但干燥对乙酸影响较大， 湿物料的精度较好。 刘贤等（2007）对原样进行了不同的前处理，建立了秸秆青贮饲料近红外漫反射光谱定量发酵产物分析模型，与Srensen（2004）的结果一致，状态样品对预测结果之间均差异不显著（P > 0.05）。

3.3 青贮饲料生物活性物质测定 近红外光谱的应用研究已进入了新阶段， 逐渐向细分应用领域发展（褚小立等，2020）。近红外光谱分析技术测定的项目已经由常规养分到饲草中单宁、 生物碱等成分检测 （任秀珍等，2009；Landau 等，2004；Goodchil 等，1998）。 优质的饲草中除了富含蛋白质和可溶性糖， 还含有维生素、 矿物质、β-葡聚糖、硫胺素和叶酸等营养成分，这些营养物质对动物健康和无抗养殖都有潜在价值。 除了对这些成分进行功能性研究，如何降低青贮中维生素、多不饱和脂肪酸等营养物质的损失也是当前的研究重点（Tian 等，2019；Jia 等，2019；Liu 等，2019）。脂肪酸、 维生素等的测定一般是采用高效液相色谱法（HPLC），如果利用近红外光谱技术能够精准分析生物活性物质，将极大提高工作效率，但有关于近红外光谱技术分析青贮中的生物活性物质的研究较少。

4 总结与展望

近年来，随着大数据和物联网的发展，NIR 光谱仪的发展进入了新时代，通过对NIR 光谱仪软件和硬件的改进， 不仅提升了模型预测效果而且拓宽了近红外光谱技术的应用场景。 近红外光谱分析技术已广泛用于青贮饲料的品质测定， 对青贮饲料的常规营养成分和发酵产物都可以有较好的预测效果，但对预测样品的前处理 仍然是一个关键的问题，如果能直接测量青贮湿样，将极大提高检测效率。

因此， 青贮无损检测研究的主要方向将是利用近红外光谱技术直接分析青贮饲料湿样品质。青贮种类、 加工以及储存方式多样。 为实现NIR在青贮品质检测精准应用，首先，应继续扩大对代表性青贮样本数据收集与分析， 拓宽近红外光谱检测技术在青贮饲料品质分析领域， 加强对青贮样品中活性物质的研究。 其次，推进NIR 光谱仪的研发，尤其是提升便携式光谱仪硬件性能，同时在软件上，改进传统建模方法，利用化学计量学的最新成果提高模型精度。 最重要的是要充分发挥现代技术作用， 让近红外光谱分析技术更好地用于青贮饲料品质分析。