傅立葉變換近紅外光譜技術快速測定玉米DDGS 營養成分

張 順 ， 宋 濤 ， 鄭一航 ， 郭麗君 ， 張鳳枰

（1.四川威爾檢測技術股份有限公司，四川成都 610041；2.通威股份有限公司水產畜禽營養與健康養殖農業農村部重點實驗室，四川成都 610093；3.通威股份有限公司水產健康養殖四川省重點實驗室，四川成都 610093）

玉米DDGS 是以玉米為原料， 由酵母發酵蒸餾提取酒精后， 將酒糟和剩余的殘液中至少3/4以上的可溶固形物濃縮干燥后所得的產品（袁建敏等，2010）。由于微生物的作用，玉米DDGS 中蛋白質、 氨基酸和B 族維生素含量均比玉米高，且在發酵過程中生成一些未知的促生長因子， 對動物腸道健康有很大的積極作用。因此，玉米DDGS因具有高能、高蛋白、營養價值高等特點，且產量大、質優價廉，已在畜禽飼料中得到廣泛應用（張桂鳳，2017）。 但是受生產工藝、原料來源等影響，其質量參差不齊，影響實際應用效果。 因此，有必要對玉米DDGS 質量進行整體性的評價， 但是繁瑣費時的全項濕化學檢測不能滿足飼料生產企業快速評估玉米DDGS 質量需求。 近紅外反射光譜技術具有快速高效、成本低、無損等特點，已在飼料企業日常檢測中廣泛應用。 牛子青（2009）研究了豆粕、DDGS 常規化學成分近紅外模型的建立，周良娟等（2011）應用近紅外反射光譜法快速測定玉米DDGS 水分、粗蛋白質、粗脂肪和粗灰分等營養成分；張海棠等（2012）建立DDGS 粗蛋白質含量測定的近紅外光譜分析定標模型； 姜昕竺（2016）利用近紅外吸收光譜快速檢測玉米干全酒精糟的水分、粗蛋白質、粗脂肪等主要成分。 上述研究使用的樣品數量均在70 ～100 個，建立的模型對玉米DDGS 的營養成分均能較好地預測，但均未建立氨基酸預測模型。 隨著原料種類及加工工藝的變化， 為確保實際應用時模型的適用性和準確性，需要盡量擴充樣品數量和范圍。本研究在全國范圍內收集230 個玉米DDGS 樣品開展濕化學檢測，采集近紅外光譜，并對光譜進行不同的預處理，旨在建立玉米DDGS 水分、粗蛋白質、粗脂肪、粗灰分和氨基酸組分預測模型，提高模型的適用性， 為飼料生產企業玉米DDGS 質量控制提供可靠的近紅外預測模型。

1 材料與方法

1.1 儀器和樣品 MPA 型傅立葉變換近紅外光譜儀、積分球附件，德國 Bruker 公司；L-8900 全自動氨基酸分析儀， 日本HITACHI 公司；Kjeltec 2500 全自動定氮儀、Soxtec 2055 脂肪儀， 丹麥FOSS 公司；101-1AB 型電熱鼓風干燥箱、FW100型高速萬能粉碎機，北京中興偉業儀器有限公司；箱式電阻爐，沈陽市通用電路廠。

收集 2018—2019 年不同產地國產玉米DDGS 樣品230 個， 樣品來自通威股份有限公司華東、華南、華西、華北、華中等地區飼料分子公司， 所有樣品采用FW100 型高速萬能粉碎機粉碎，過40 目篩，混合均勻，裝入密閉容器中，置于2 ～4 ℃冰柜冷藏保存。其中215 個樣品為定標集樣本，15 個樣品為外部驗證集樣本。

1.2 實驗方法

1.2.1 玉米DDGS 常規組分和氨基酸的測定 玉米DDGS 水分、粗蛋白質、粗脂肪、粗灰分、氨基酸分別按照 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 酸水解法測定。

1.2.2 光譜采集 將215 個玉米DDGS 樣品在MPA 近紅外儀器上使用OPUS LAB 進行掃描。 掃描方式為漫反射， 掃描附件為積分球。 掃描范圍12500 ～ 3600 cm-1， 波長間隔 2 nm， 掃描次數為64 次，分辨率為16 cm-1，每個樣品重復裝樣掃描2 次，取平均光譜作為樣品的近紅外光譜，每隔1 h 做一次背景測量（趙明明等，2018）。

1.2.3 NIRS 模型的建立 運用OPUS 7.8 軟件的“定義分類/參考值”功能，將樣品的濕化學檢測值與光譜進行匹配。 然后再進行光譜預處理和篩選區間，采用偏最小二乘法（PLS）建立玉米DDGS水分、粗蛋白質、粗脂肪、粗灰分和氨基酸的近紅外光譜定量分析模型。以校正決定系數（R2）、交互驗證均方根誤差 （RMSECV） 和相對分析誤差（RPD）來評價定標模型的優劣。R2越大，RMSECV越小，模型的準確性就越高；RPD 越大越好，一般認為RPD＞3 時，定標效果理想，可用于實際檢測分析（曹小華等，2018）。

2 結果與討論

2.1 玉米DDGS 營養組分測定結果 玉米DDGS 全集、 校正集和驗證集各組分測定結果見表1。 各組分含量分布范圍較大，代表性較強，標準偏差也較小， 說明手工檢測結果準確、 可信度高。 230 個玉米DDGS 樣品的水分、粗蛋白質、粗脂肪和粗灰分的含量范圍與已報道值基本相近（周良娟等，2011），但是就平均值來看，水分、粗脂肪和粗灰分含量偏高，粗蛋白質含量偏低。出現這些變化的原因可能是生產玉米DDGS 的原料來源與生產工藝正在發生細微改變 （宋增廷等，2015；國家統計局，2013）。面對原料發生的種種變化，需要對近紅外預測模型進行擴充或新建， 以維持預測模型的準確性和穩定性。

2.2 校正集原始光譜 所有校正集樣品無預處理的原始光譜圖如圖1。 在 4000 ～ 9000 cm-1，玉米DDGS 近紅外漫反射曲線表現出較強的吸收特征， 主要是 C-H、O-H、N-H 與 C=O 等分子基團的特征信息（李路等，2017）。這為玉米DDGS 常規組分與氨基酸組分的近紅外定量分析提供了豐富的光譜理論基礎。

2.3 光譜預處理 OPUS 7.8 提供光譜預處理方法包括： 矢量歸一化 （SNV）、 多元散射校正（MSC）、一階導數、二階導數、一階導數+SNV、一階導數+MSC 等。 根據不同組分物質在近紅外光譜中的吸收不同， 對原始光譜選擇不同的預處理方法和校正范圍進行處理， 經過不同預處理方法后的光譜圖如圖2。 各組分光譜預處理表明，矢量歸一化處理能都達到較好的預測效果， 但是對于不同組分最優的預處理方法不完全相同。

2.4 剔除異常值與建立定標方程 由于樣品本身特性存在差異， 以及儀器測量和人為操作存在的誤差，會出現一些偏離總體樣本的數據，即為異常值。本實驗主要通過馬氏距離（MD）和真值與預測值間偏差對樣本進行分析， 確定并刪除離群的異常樣品。 馬氏距離是指樣品光譜與校正集平均光譜之間的距離，MD＞1 的樣品，其光譜與校正集樣品的差異較大，該樣品可判定為異常樣品。光譜殘差反映樣品剩余信息的多少， 可用來檢驗光譜異常，尤其是光譜測量異常和特征峰異常。各常規組分真值與偏差如圖3 所示， 并對于偏差較大的樣品進行了適當剔除。

表1 玉米DDGS 各營養組分含量 %

圖1 玉米DDGS 的近紅外掃描原始光譜圖

圖2 不同方式的預處理后光譜圖

根據最優的光譜預處理方法， 軟件進行交互驗證計算并自動優化定標方程，在計算過程中，使用預測值與真值比較， 剔除計算過程中產生的異常值，提高相關系數。如圖4 所示，常規指標水分、粗蛋白質、粗脂肪和灰分的相關性都較好。說明各常規組分模型的相關性和穩定性均較好， 偏差在允許誤差范圍之內， 能夠實際用于未知樣品相關指標的含量預測。

圖3 常規組分實測值VS 偏差（實測值-預測值）

經過交互檢驗計算和優化后選擇最佳的定量模型。 使用相對分析誤差RPD 評價模型的準確度和穩定性。由表2 可以看出，模型預測值與化學值之間的決定系數水分、粗蛋白質、粗脂肪和灰分分別達到了 0.91、0.92、0.95、0.81。 校正集的 RPD 中除灰分外，均大于3，說明水分、粗蛋白質、粗脂肪的模型具有較高的預測精度， 可以較準確地預測玉米DDGS 中相應組分的含量。 灰分的相關系數較低，因為灰分為無機物，近紅外只能進行間接預測，但是玉米DDGS 灰分含量相對較低，變化范圍也比較小，所以預測值的誤差也較小。

圖4 常規組分實測值VS 預測值

2.5 氨基酸組分定標模型的建立 按照同樣的操作方法，選擇最優的預處理方法和校正范圍，進行交互驗證計算得到相應的氨基酸組分定標方程。 各氨基酸組分定標參數與結果如表3 所示。

表2 各常規組分NIRS 定量分析模型的定標結果

2.6 模型的檢驗 將驗證集中的15 個玉米DDGS 樣品調用建立好的定標模型， 預測各組分的含量，并與濕化學檢測值對比，結果統計如表4和表5 所示。可以看出，近紅外預測值與濕化學檢測值基本一致，偏差較小且均符合GB/T 18868 相關要求（楊曙明等，2002）。說明近紅外光譜法用于玉米DDGS 常規指標的檢測是準確可行的。

表3 氨基酸組分NIRS 定量分析模型的定標結果

表4 玉米DDGS 常規指標驗證結果

表5 玉米DDGS 各氨基酸組分化學值與近紅外預測值結果

3 結論

本實驗運用傅立葉近紅外光譜技術，建立了玉米DDGS 水分、粗蛋白質、粗脂肪、粗灰分和氨基酸組分含量的NIRS 定量分析模型。 所建模型均具有較好的相關性和準確率， 預測值偏差均滿足GB/T 18868 要求，其中水分、粗蛋白質和粗脂肪的預測值與化學值之間的決定系數都在0.9 以上，相對分析誤差均大于3。 該研究整體實現了對玉米DDGS常規指標和氨基酸組分的快速檢測。

玉米DDGS 是常用的飼料生產原料， 及時準確地檢測是生產飼料產品的基本保障， 對于常規指標的快速測定有利于提高生產效率， 降低生產成本。 由于玉米DDGS 是一種組成復雜的飼料原料， 來源與生產工藝會不斷發生變化， 對應的NIRS 定標模型需要及時有效地擴充和新建，以確保實際使用中近紅外模型預測值的準確與穩定。