近紅外光譜技術在青貯飼料品質檢測中的研究進展

陳 菲， 李小梅， 倪奎奎， 楊富裕

（中國農業大學草業科學與技術學院，北京 100193）

我國每年青貯飼料產量達28000 余萬t（農業部畜牧業司，2018）。 青貯飼料在反芻動物日糧中占40%以上，能夠維持反芻動物良好的瘤胃功能狀態， 降低瘤胃酸中毒和皺胃移位等疾病的風險（Wilkinson 等，2018）， 提高消化性能和生長性能（李闖等，2020），對反芻動物的生產和健康有著重要意義。但當前我國青貯飼料質量參差不齊，不科學的青貯方式不僅會降低飼草營養品質， 甚至會導致飼草腐敗變質， 真菌毒素及其衍生物對動物生產和健康有不利影響（Peles 等，2019）。因此，快速、 準確的青貯飼料質量檢測技術與評定手段對于反芻動物養殖、 生產具有重要意義 （穆懷彬，2008）。 傳統方法檢測青貯品質需要至少一周，極大降低了生產效率。要實現快速精準檢測，必須將經典化學檢測轉向多元分析方法， 并且更加強調性能、靈敏度、可靠性、快速和易操作以及低成本（Beúc等，2020；Cheli 等，2012）。

現代近紅外光譜（NIRS）分析技術是控制飼料工業中質量和安全的有力工具， 已經從農副產品擴展到了工業、醫藥等領域，逐漸取代“濕化學”技術（王多加等，2004）。近紅外光譜技術檢測青貯品質能提高生產效率， 但由于青貯飼料具有含水量高和樣品不均一等特點， 使近紅外光譜技術檢測青貯飼料體系仍存在如何提高模型的精度、缺乏相關的技術標準、 取樣未實現標準化 （楊雪萍等，2020）等問題。 本文綜述了當前近紅外光譜檢測技術在青貯飼料上的研究進展， 旨在為青貯飼料的快速無損檢測提供一定的理論依據與參考。

1 NIR 光譜儀在青貯飼料無損檢測中的應用

當前國外主要的NIR 光譜儀生產商包括FOSS、Carl Zeiss、Unity、BRUKER、POLYTEC、Thermo electron 等， 國內起步較晚。 但近年來， 我國NIR 光譜儀也有了一定成績， 主要的生產廠家有北京英賢儀器有限公司、聚光科技股份有限公司、北京偉創英圖科技、南京中地儀器有限公司等。從近年來的產品迭代來看，NIR 光譜儀的發展方向為：（1）提高儀器的精準度和模型的穩定性；（2）降低儀器成本，生產更便攜，適用于在線分析的NIR光譜儀；（3）建立標準化儀器，增強儀器的通用性（褚小立等，2007）。 隨著大數據時代的到來，NIR光譜儀的發展要基于物聯網和云計算來實現通信（Wilkinson 等，2018）。

從表1 可以看出， 當前在青貯領域使用較多的儀器是FOSS NIRSystem 6500，在全株玉米、多年生黑麥草、 混合牧草等青貯飼料中都有較好的預測效果。FOSS 擁有上萬個農作物樣本組成的分析模型庫，在我國許多大型飼料廠都在使用FOSS的NIR 光譜儀。 從NIR 光譜儀的類型來看，近紅外光譜技術分析青貯品質的研究更多的是建立在實驗室NIR 光譜儀基礎之上，精準度高，模型穩定性更好，但需要磨細烘干樣本進行分析，對于生產來說，便攜式儀器能夠實現就地實時分析，會帶給牧場更高的效益。 因此， 商業上開發了很多微型、 便攜式近紅外儀器， 可以直接檢測青貯飼料（Evangelista 等，2021），比如 GRAINIT AURORA、AuNIR/AB Vista NIR4、ITPhotonics poliSPEC 等（張欣欣等，2020）。 但隨著儀器的小型化，其精度和光譜分辨率等性能會受到限制 （劉建學等，2019）。 因此除了要提升儀器硬件和軟件性能，還要加強與臺式近紅外光譜儀比較分析的可行性研究。

表1 NIR 光譜儀主要類型

2 青貯飼料無損檢測中化學計量學方法的選擇和優化

通過優化化學計量學軟件建立更高精確度的模型， 是當前提升青貯濕樣檢測精度的重大技術要點。 近紅外光譜能獲取絕大部分有機物組成性質以及分子結構的有效信息（劉進，2020），生物制品在近紅外光照射下， 內部各種化學成分和物理結構會產生特征的近紅外吸收光譜 （Karoui 等，2007）， 但這些信息不能直接從光譜中提取出來，并且該區域的多重共線性強（嚴衍祿等，2005）。化學計量學涵蓋了所有的多變量校準方法， 包括光譜數據預處理， 以及用于定性和定量分析的校準模型開發（Rego 等，2020），因此，化學計量技術對于可靠地提取相關信息至關重要。

當前建立青貯飼料預測模型使用的化學計量學方法以傳統的建模為主，光譜預處理方式包括：多元散射歸一化法（MSC）、標準正態變量轉化法（SNV）、一階導數/多元色散矯正法（1st Deriv. &MSC）等，回歸分析統計方法主要包括：最小偏二乘法（PLS）、主成分分析（PCA）、多元線性回歸（MLR）等。傳統的建模方法存在一些缺陷，且青貯樣品的異質性使近紅外光譜中的有效信息率低，影響預測精度。 比如， 玉米青貯的形態組成包括葉、穗軸、外殼、莖和籽粒，而苜蓿青貯通常是莖和葉異質性更小，與苜蓿青貯樣品相比，測量玉米青貯樣品的重復性較差（Donnelly 等，2018）。隨著物聯網、 大數據分析的發展， 現代統計學有了新方法，可以彌補傳統光譜數據分析方法的缺點。 Almanjahie 等（2019）運用更適合的統計模型：函數非參數分位數回歸（FNQR）、泛函局部線性分位數回歸（FLLQR）等，得到了更穩健的模型。 近年來，青貯飼料模型的轉移也開始受到關注。由于光學、 探測器和光源的差異以及儀器響應隨時間的變化等，導致當儀器類型不同時，得到的光譜有差異（Liu 等，2011），將現有的近紅外數據集轉移到其他儀器， 可以極大提高利用效率 （Yakubu 等，2020）。Soldado 等（2013）嘗試使用正交投影傳遞，將色散在線近紅外儀 （Foss NIR System 6500）轉移到二極管陣列現場近紅外儀（Zeiss Corona），實現了將校準數據從在線近紅外儀器到現場近紅外儀器，傳輸牧草質量預測提供了一種新的方法，克服了以往模型的缺陷。

3 青貯飼料無損檢測技術的應用

3.1 青貯飼料營養品質 近紅外光譜分析技術預測青貯飼料水分、粗蛋白質（CP）、中性洗滌纖維（NDF）、酸性洗滌纖維（ADF）、干物質（DM）、總灰分（TA）等效果較好，消化率、代謝能、粗脂肪（EE）、可溶性碳水化合物（WSC）等預測效果較差。劉娜（2019）、周昊杰（2020）等建立的全株玉米青貯飼料營養組分近紅外光譜模型， 對多種營養成分均有較好的預測效果， 預測結果可以準確反映真實營養成分。 楊中平（2010）建立青貯飼料近紅外模型也可以很好地測定捆包青貯樣品的pH、粗灰分（CA）和 CP 含量，pH、CP、CA 和 DM 的校正模型決定系數R2以及外部驗證決定系數R2v均大于0.85，但WSC 預測精度有待提高。（2009）使用近紅外光譜技術預測多年生黑麥草青貯 NDF、TA、CP、CF、ADF 含量和代謝能， 近紅外光譜預測值在 TA、CP、粗纖維（CF）、NDF 和 ADF含量方面的可靠性較高。 Park 等（2011）對多花黑麥草青貯進行了近紅外光譜分析， 發現臺式近紅外光譜對水分、pH、ADF、NDF、CP 有較好的預測效果，R2值分別為 0.96、0.82、0.96、0.97、0.82。 青貯飼料中的化學成分影響著動物健康和動物生產， 近紅外光譜技術能夠快速測定青貯飼料中的營養成分含量， 有利于及時處理動物健康問題以及提高畜產品質量。

為了更高效地分析飼料的營養品質， 更多的研究趨向于建立青貯濕樣近紅外光譜模型預測營養成分， 但濕近紅外方法分析樣品中可能存在更大的異質性，預測結果具有不可靠性。干燥和研磨過程能消除樣品的異質性， 干燥過程可能會改變牧草光譜， 因此用烘干青飼料光譜校正模型能應用于烘干青飼料和干草， 但不能應用于青貯樣品（Andueza 等，2016）。 Thomson（2018）研究了混合青貯中15 種化學成分，不能高精度預測許多關鍵化學成分， 只有 DM 能較好地預測，RPD 值為4.9。Davies（2012）也發現，使用濕近紅外光譜預測青貯飼料成分， 青貯飼料粗蛋白質被低估了22 g/kg DM。 但有研究表明，青貯濕樣近紅外光譜模型可以預測營養成分。 Cozzolino 等（2006）采集全株玉米青貯濕樣進行測定，CP、DM、ADF 可以用近紅外光譜分析， 有機質消化率、NDF、pH 則不能。王新基等（2021）建立全株玉米青貯近紅外預測模型， 構建的玉米青貯 DM、CP、ADF 和 CA 預測模型可以用于實際預測，EE 和NDF 含量構建的模型預測結果較差。 Park 等（2016）用數學變換提高了模型的精度， 近紅外光譜可以較準確地預測濕玉米青貯的化學成分， 交叉驗證相關系數R2cv為0.77 ~ 0.91。

綜上所述， 當前對玉米青貯營養品質的分析研究較多，對青貯樣品進行前處理（烘干、磨粉）后預測精度更高。

3.2 青貯飼料發酵產物測定 近紅外光譜分析技術能較好地預測青貯飼料中乳酸、NH3-N 含量，但乙酸、丙酸、丁酸、乙醇等含量的預測較差，在實際生產中， 用濕料預測發酵產物獲得的預測精度可能更低。 有學者利用近紅外光譜分析技術檢測意大利黑麥草青貯（Park 等，2011）、玉米青貯、 高粱和蘇丹草青貯 （Choi 等，2015；Park 等，2006）濕樣中的乳酸、pH，預測效果較好。Sinnaeve（1995）對黑麥草、貓尾草和紅三葉的混合青貯進行了分析，驗證樣品pH、NH3-N、乳酸和乙酸的最佳 R2值分別為 0.90、0.93、0.86 和 0.85。 陳鵬飛等（2008）用液氮冷凍制樣技術處理測定紫花苜蓿青貯樣品，所建模型NH3-N、乳酸、乙酸近紅外模型的交叉檢驗決定系數分別為 0.9257、0.9497、0.9124，交叉檢驗誤差分別為 0.16、3.78、2.27 g/kg FM。 以上研究結果表明，利用近紅外光譜法可以預測發酵品質。 但劉賢等（2007）建立的發酵產物模型RPD 值都在2 以下，預測結果較差。Srensen（2004）用干料分析，建立了近紅外光譜法測定牧草和玉米青貯中乳酸、乙酸、pH、NH3-N 和乙醇含量的預測模型。結果顯示，其中不受干燥影響的指標，濕樣精度低于干樣，比如CP 和乳酸，但干燥對乙酸影響較大， 濕物料的精度較好。 劉賢等（2007）對原樣進行了不同的前處理，建立了秸稈青貯飼料近紅外漫反射光譜定量發酵產物分析模型，與Srensen（2004）的結果一致，狀態樣品對預測結果之間均差異不顯著（P > 0.05）。

3.3 青貯飼料生物活性物質測定 近紅外光譜的應用研究已進入了新階段， 逐漸向細分應用領域發展（褚小立等，2020）。近紅外光譜分析技術測定的項目已經由常規養分到飼草中單寧、 生物堿等成分檢測 （任秀珍等，2009；Landau 等，2004；Goodchil 等，1998）。 優質的飼草中除了富含蛋白質和可溶性糖， 還含有維生素、 礦物質、β-葡聚糖、硫胺素和葉酸等營養成分，這些營養物質對動物健康和無抗養殖都有潛在價值。 除了對這些成分進行功能性研究，如何降低青貯中維生素、多不飽和脂肪酸等營養物質的損失也是當前的研究重點（Tian 等，2019；Jia 等，2019；Liu 等，2019）。脂肪酸、 維生素等的測定一般是采用高效液相色譜法（HPLC），如果利用近紅外光譜技術能夠精準分析生物活性物質，將極大提高工作效率，但有關于近紅外光譜技術分析青貯中的生物活性物質的研究較少。

4 總結與展望

近年來，隨著大數據和物聯網的發展，NIR 光譜儀的發展進入了新時代，通過對NIR 光譜儀軟件和硬件的改進， 不僅提升了模型預測效果而且拓寬了近紅外光譜技術的應用場景。 近紅外光譜分析技術已廣泛用于青貯飼料的品質測定， 對青貯飼料的常規營養成分和發酵產物都可以有較好的預測效果，但對預測樣品的前處理 仍然是一個關鍵的問題，如果能直接測量青貯濕樣，將極大提高檢測效率。

因此， 青貯無損檢測研究的主要方向將是利用近紅外光譜技術直接分析青貯飼料濕樣品質。青貯種類、 加工以及儲存方式多樣。 為實現NIR在青貯品質檢測精準應用，首先，應繼續擴大對代表性青貯樣本數據收集與分析， 拓寬近紅外光譜檢測技術在青貯飼料品質分析領域， 加強對青貯樣品中活性物質的研究。 其次，推進NIR 光譜儀的研發，尤其是提升便攜式光譜儀硬件性能，同時在軟件上，改進傳統建模方法，利用化學計量學的最新成果提高模型精度。 最重要的是要充分發揮現代技術作用， 讓近紅外光譜分析技術更好地用于青貯飼料品質分析。