利用近紅外光纖分析技術檢測飼料中粗纖維含量

王旭峰，馬冰峰，石 磊，鄧丹雯，*，耿 響

（1.南昌大學生命科學與食品工程學院，江西南昌 330047；2.江西省產品質量監督檢測院，江西南昌330029；3.江西出入境檢驗檢疫局，江西南昌 330002）

近幾十年來，對于飼料的營養和品質研究已經相當深入，比如飼料中的常規成分、磷、氨基酸、總能等的檢測[1-3]。由于目前飼料是以植物性飼料為主，其中的粗纖維成分含量高、變異大，會引發不同的問題。因此，粗纖維含量是評價飼料質量的一個很重要的指標。通常，對飼料中粗纖維的含量是采用GB 6434-2006以過濾法測定。該方法復雜費時、效率低、成本高[4]。隨著近紅外光譜分析技術（NIRS）的準確性和精確性大大提高，將NIRS用于飼料品質分析，具有快速、準確、低成本、無污染的特點，便于對飼料品質進行即時監測，提高飼喂質量[5]。光纖在通訊領域的應用引起了通訊技術的革命。光纖具有化學和熱穩定性、對電磁干擾不敏感、傳輸信號能量集中、靈敏度高、價格低廉等優點[6]，使得光纖在近紅外光譜分析技術中得以應用，不但大大減少分析儀器的光學零件，降低光學系統調整難度，便于分析裝置的小型化，且實現了生產過程的快速在線監測。吳擁軍等[7]已經利用光纖結合近紅外漫反射光譜技術，通過非侵入方式獲得植物內在成分信息，應用系統聚類分析方法獲得分類結果。與傳統的植物學分類比較一致。González-Martín I等[8]結合使用光纖探頭，使測定未經任何處理的飼料中維生素的檢測方法成為可能，較好的控制了因加工條件引起的維生素破壞。本研究收集具有代表性的飼料樣品，利用近紅外光譜分析結合光纖技術，建立飼料中粗纖維含量的定量分析模型，以實現粗纖維含量的快速、無損分析和飼料品質的在線監測，為近紅外光纖技術的應用提供依據。

1 材料與方法

1.1 材料與儀器

實驗材料 收集2011～2012年不同廠家不同時期生產的豬飼料產品126個，涵蓋乳豬料、小豬料和中大豬料，利用高速萬能粉碎機將飼料粉碎過40目篩，混勻備用。

NIRFlex N-500型傅里葉近紅外光譜儀、近紅外光纖探頭 瑞士步琪（Buchi）公司；FW135型高速萬能粉碎機，表面皿。

1.2 實驗方法

1.2.1 化學值測定 采用GB 6434-2006所規定的方法測定豬飼料中粗纖維的含量。

1.2.2 光譜采集 將飼料裝入表面皿，壓實后高度約4mm，利用近紅外光纖探頭直接對飼料樣品進行圖譜采集，掃描范圍為4000～10000cm-1，掃描次數32次，分辨率為8cm-1，重新裝樣兩次，分別掃描，共得到3條近紅外光譜，取其平均光譜建模。

1.3 異常樣品的剔除

采用光譜杠桿值（Leverage）和學生殘差（Residuals），作為判斷異常樣品的統計量。光譜杠桿值的閾值設為各樣本平均影響值的2倍，如果大于該閾值，則可判斷該樣本光譜異常。學生殘差的閾值設為樣本平均值的3倍，大于該閾值意味著該樣本化學值異常。光譜和化學值均異常的樣本為“特異”樣本，從樣本集中剔除[9]。

1.4 近紅外定標模型的建立與驗證

利用偏最小二乘法建立飼料中粗纖維的定量模型。通過通過獨立的驗證集對建立的定標模型進行檢驗。運用校正決定系數（Rc2）、驗證決定系數（Rv2）、定標標準分析誤差（SEC）、驗證標準分析誤差（SEP）和相對分析誤差（RPD）來評價定標模型的優劣[10]。Rc2與Rv2越大，SEC與SEP越小，模型精度越高；SEC與SEP越接近，模型穩定性越好；RPD越大越好，當RPD大于3時，認為定標效果良好，可用于實際的檢測分析。

1.5 數據處理

采用NIRCal 5.2及SPSS 18.0軟件。

2 結果與分析

2.1 樣本的近紅外反射光譜圖

在4000～10000cm-1譜區范圍內，飼料樣本近紅外反射光譜曲線各區段表現出獨特吸收特征（如圖1所示），這為粗纖維的NIRS定量分析提供了豐富的光譜信息基礎。

2.2 異常樣品的剔除

利用NIRCal軟件計算出樣本粗纖維的光譜杠桿值和學生殘差，結果如圖2所示，由圖2可知，102#樣品光譜杠桿值和學生殘差均異常，屬于異常樣本，應從樣本集中剔除。因此，用于飼料中粗纖維含量定量分析的樣本為125個。

圖1 所有飼料樣本的近紅外光譜譜圖Fig.1 NIRS original spectra of 126 forage samples

圖2 異常樣品檢查結果Fig.2 Results of outlier test

2.3 模型定標

異常值剔除后，將剩下的125個樣本，根據各個樣品粗纖維含量的化學值，按照排序法裁定定標集和驗證集，建模定標集樣本為87份，驗證集樣本為38份。

圖3 樣本前兩個主成分得分情況Fig.3 Plot of principal component score

圖3為全部樣品前兩個主成分得分情況，由圖3可知，所選取的87個定標集樣品基本能涵蓋全部125個樣品的信息。定標集和驗證集飼料樣本粗纖維含量統計結果，如表1所示。

表1 定標集和驗證集粗纖維含量（%）Table 1 Crude fiber content of the calibration set and validation set（%）

2.4 光譜預處理和模型的建立

對原始光譜圖進行分析，去除基本觀察不到明顯特征吸收峰的波段，選取9000～4180cm-1區段作為建立定量模型的光譜區域。采用偏最小二乘法建立定標模型，分別對光譜進行附加散射校正（MSC）、變量標準化（SNV）、一階導數（（First derivative）和平滑（Smoothing）處理，選擇最佳定量模型。定標結果見表2。

表2 光譜不同預處理的定標結果Table 2 Calibration results of different spectral pretreatments

從表2中可以看出，原始光譜雖然只經過一階倒數處理所得到的校正決定系數Rc2最大，但其驗證決定系數Rv2不夠理想。因此，綜合考慮模型的準確性，在9000～4180cm-1波數范圍內選取附加散射校正（MSC full）+一階導數+9點平滑處理作為最佳處理方法，此時模型該譜區NIRS定標模型的校正決定系數為0.9698，驗證決定系數0.9402，均達到很好的效果；SEC與SEP均相對較小且較為接近，模型具有很好的精度和穩定性。

為了對定量分析模型的預測精度和可靠性進行進一步評價，應用相對分析誤差RPD作為統計參數，對38個驗證集樣本中粗纖維進行預測飼料中粗纖維含量定量分析模型的定標和驗證結果見表3。

從表3中可以看出，無論是定標集還是驗證集，飼料中粗纖維含量的真實值和定標模型預測值間的決定系數都在0.90以上，具有很好的線性相關性；標準分析誤差較為接近，具有很好的穩定性；相對分析誤差RPD均大于3，具有很高的預測精度。結果表明，所建立的NIRS定量分析模型可以較準確地預測飼料中粗纖維的含量。

采用一元線性回歸方法，分別得到定標集和驗證集樣品中粗纖維含量的真實值與NIRS定標模型預測值的線性相關關系，如圖4、圖5所示。

從圖4和圖5可以直觀地看出，粗纖維含量的化學測量值和模型預測值之間的有很好的線性相關性，說明取得了較好的定標效果。

3 結論

圖4 定標集樣品粗纖維含量化學值與NIR預測值相關關系（定標集）Fig.4 Relationship between the actual values and predicted values for calidation set

圖5 驗證集樣品粗纖維含量化學值與NIR預測值相關關系（驗證集）Fig.5 Relationship between the actual values and predicted values for validation set

本研究通過利用近紅外光譜技術結合光纖探頭對飼料樣品進行分析，直接接觸樣品，對樣品無破壞、無污染，大大簡化了分析檢測過程；建立起飼料中粗纖維含量的NIRS定標分析模型，模型預測值與化學值之間的決定系數達0.90以上，具有很好的相關性；標準分析誤差較為接近，具有很好的穩定性；相對分析誤差大于3，具有準確的預測精度。為近紅外光纖技術在飼料粗纖維含量檢測中的應用和飼料品質的在線監測提供了依據。

[1]牛智友，韓魯佳.反芻動物飼料中總磷的近紅外反射光譜分析研究[J].飼料工業，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]陳邵蘋.近紅外漫反射光譜測定飼料中粗纖維[J].飼料工業，1996，17（6）：32-33.

表3 NIRS定量分析模型的定標與驗證結果Table 3 Calibration and validation results of quantitative analysis model

[5]尚晨，張月學，李炎，等.紫花苜蓿粗蛋白和粗纖維近紅外分析模型的建立[J].光譜學與光譜分析，2009，29（12）：3250-3252.

[6]吳利剛，王煊軍，樊瑞軍.光纖技術在近紅外光譜儀中的應用[J].光學技術，2006，32：144-147.

[7]吳擁軍，李偉，相秉仁，等.光纖近紅外漫反射光譜技術在前胡族植物分類中的應用探討[J].計算機與應用化學，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]閔順耕，李寧，張明祥.近紅外光譜分析中異常值的判別與定量模型優化[J]. 光譜學與光譜分析，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.