近紅外光譜技術(shù)預(yù)測(cè)胡麻餅營(yíng)養(yǎng)成分的定標(biāo)模型建立及驗(yàn)證

陳立業(yè)，年芳，李發(fā)弟，汝應(yīng)俊，唐德富

(1.甘肅農(nóng)業(yè)大學(xué)動(dòng)物科技學(xué)院，甘肅 蘭州　730070；2.甘肅農(nóng)業(yè)大學(xué)理學(xué)院，甘肅 蘭州　730070；3.丹尼斯克動(dòng)物營(yíng)養(yǎng)，新加坡　117525)

?

近紅外光譜技術(shù)預(yù)測(cè)胡麻餅營(yíng)養(yǎng)成分的定標(biāo)模型建立及驗(yàn)證

陳立業(yè)1，年芳2，李發(fā)弟1，汝應(yīng)俊3，唐德富1

(1.甘肅農(nóng)業(yè)大學(xué)動(dòng)物科技學(xué)院，甘肅 蘭州730070；2.甘肅農(nóng)業(yè)大學(xué)理學(xué)院，甘肅 蘭州730070；3.丹尼斯克動(dòng)物營(yíng)養(yǎng)，新加坡117525)

摘要：【目的】 探討近紅外光譜技術(shù)用于胡麻餅營(yíng)養(yǎng)價(jià)值評(píng)定的可行性.【方法】 以不同來(lái)源的胡麻餅為試驗(yàn)材料，在波長(zhǎng)400～2 498 nm，以改進(jìn)最小二乘法搭配不同光譜預(yù)處理建立胡麻餅水分、粗灰分、粗蛋白、粗脂肪和總能的近紅外定標(biāo)模型.【結(jié)果】 各指標(biāo)模型交叉驗(yàn)證相關(guān)系數(shù)(1-VR)均在0.88以上，內(nèi)部交叉驗(yàn)證集驗(yàn)標(biāo)決定系數(shù)(RSQ)值均在0.92以上，外部驗(yàn)證集驗(yàn)標(biāo)決定系數(shù)(RSQ)值均在0.85以上.【結(jié)論】 近紅外光譜技術(shù)能夠快速無(wú)損測(cè)定胡麻餅營(yíng)養(yǎng)成分，可以使胡麻餅更好地應(yīng)用于動(dòng)物飼料中.

關(guān)鍵詞：胡麻餅；近紅外光譜；定標(biāo)模型；內(nèi)部交叉驗(yàn)證；外部驗(yàn)證

胡麻是我國(guó)甘肅、寧夏、青海、新疆、河北等地區(qū)的特種油料作物，壓榨后的副產(chǎn)物為胡麻餅(粕)，胡麻餅粗蛋白含量為35%～38%，粗脂肪含量5%～13%，賴(lài)氨酸含量0.8%，低于大豆餅80%，蛋氨酸含量1%～5%，高出大豆餅一倍，其他氨基酸含量高于或等于大豆餅的含量，可見(jiàn)胡麻餅是西北及華北地區(qū)產(chǎn)量豐富的畜禽蛋白質(zhì)飼料[1].因胡麻種植地區(qū)的氣候、土壤肥力和品種不同胡麻餅(粕)的養(yǎng)分含量也有很大差異，又因其存在毒性問(wèn)題，限制了胡麻餅(粕)在畜禽生產(chǎn)中的應(yīng)用.因此，開(kāi)展胡麻餅飼料對(duì)畜禽營(yíng)養(yǎng)價(jià)值的研究，對(duì)精確配制畜禽飼糧有重大意義.

20世紀(jì)60年代，美國(guó)學(xué)者Norris等[2]首先開(kāi)始應(yīng)用近紅外光譜(near infrared spectroscopy，NIRS)技術(shù)測(cè)定了谷物中的水分、蛋白質(zhì)、脂肪等含量，并致力于其他農(nóng)產(chǎn)品品質(zhì)的研究.近年來(lái)，NIRS技術(shù)已經(jīng)成為飼草水分含量測(cè)定(moisture in forage，AOAC official method 991.01)、酸性洗滌纖維和粗蛋白含量分析(acid detergent fiber and crude protein in forage，AOAC official method 989.03)的標(biāo)準(zhǔn)方法[3]對(duì)大豆和小麥中水分和蛋白的分析也得到了美國(guó)谷物化學(xué)家學(xué)會(huì)(AACC)[4]和國(guó)際谷物協(xié)會(huì)(ICC)的認(rèn)可[5].以上研究表明，NIRS技術(shù)用于營(yíng)養(yǎng)成分預(yù)測(cè)具有極大潛力.目前尚未有對(duì)胡麻餅(粕)營(yíng)養(yǎng)成分進(jìn)行NIRS定標(biāo)及驗(yàn)證研究的報(bào)道.鑒于此，本試驗(yàn)采集不同來(lái)源胡麻餅樣品70個(gè)，分析常規(guī)化學(xué)成分變異度，建立50個(gè)樣品的粗蛋白、能量、水分、粗灰分、粗脂肪的近紅外定標(biāo)模型、內(nèi)部驗(yàn)證集及20個(gè)樣品的外部驗(yàn)證集，探討近紅外光譜技術(shù)用于胡麻餅營(yíng)養(yǎng)價(jià)值評(píng)定的可行性.

1材料與方法

1.1樣品采集與制備

采集甘肅、青海、寧夏不同來(lái)源胡麻餅樣品70個(gè)，樣品無(wú)霉變、發(fā)酵、結(jié)塊和異味，符合飼料衛(wèi)生標(biāo)準(zhǔn).每個(gè)樣品選取具有代表性胡麻餅25～30片，粉碎后充分混合并過(guò)0.45 mm孔篩，采用四分法取樣500 g左右，廣口瓶干燥密封，置于4 ℃冰柜中保存.

1.2測(cè)定指標(biāo)及方法

水分(Moisture)按照GB/T 6435-1986[6]測(cè)定，粗蛋白(CP)按照GB/T 6432-94[7]測(cè)定，粗脂肪(CF)按照GB/T 6433-94[8]測(cè)定，粗灰分按照GB/T 6438-1992[9]方法測(cè)定，總能(GE)采用IKA C2000全自動(dòng)氧彈儀測(cè)定.

1.3光譜采集

試驗(yàn)采用美國(guó) FOSS公司 XDS-RCA可見(jiàn)/近紅外光譜儀，隨機(jī)配備WinISI Ⅲ光譜采集軟件.設(shè)定參比掃描數(shù)量為32次，光譜掃描間隔2 cm-1，分辨率為8 cm-1.開(kāi)機(jī)自檢通過(guò)后采集樣品光譜，將樣品盡量用力壓實(shí)于樣品杯內(nèi)，在波長(zhǎng)400～2 498 nm進(jìn)行光譜掃描，每個(gè)樣品重復(fù)裝樣掃描3次，得到一條平均近紅外光譜圖.

1.4定標(biāo)模型的建立與驗(yàn)證

光譜分析采用FOSS公司ISIscan軟件，取GH(Global H)=10.0，NH(Neighborhood H)=3.0方法剔除超常樣品.50個(gè)胡麻餅樣品的全光譜信息，采用改進(jìn)最小二乘法(MPLS)配合不同光譜預(yù)處理方法建立近紅外定標(biāo)模型，并對(duì)模型的預(yù)測(cè)效果進(jìn)行內(nèi)部交叉驗(yàn)證，比較近紅外光譜模型分析得到的預(yù)測(cè)值和化學(xué)測(cè)定值的符合程度.用另外20個(gè)已知化學(xué)測(cè)定值的樣品，對(duì)定標(biāo)模型進(jìn)行外部驗(yàn)證，將預(yù)測(cè)值與化學(xué)測(cè)定值相比較，進(jìn)一步確定模型是否可用.

1.5定標(biāo)模型評(píng)價(jià)參數(shù)及評(píng)定標(biāo)準(zhǔn)

定標(biāo)模型采用交叉驗(yàn)證相關(guān)系數(shù)(1-VR)、交叉檢驗(yàn)標(biāo)準(zhǔn)偏差(SECV)、模型的交叉驗(yàn)證偏差(Bias)、定標(biāo)標(biāo)準(zhǔn)偏差(SEC)、定標(biāo)決定系數(shù)(RSQ)對(duì)模型的優(yōu)劣進(jìn)行綜合評(píng)定.1-VR值越大，SECV值越小即為最佳模型.

驗(yàn)證集采用預(yù)測(cè)值與化學(xué)測(cè)定值間的平均偏差(Bias)、驗(yàn)標(biāo)標(biāo)準(zhǔn)偏差(SEP)、驗(yàn)標(biāo)決定系數(shù)(RSQ)及實(shí)驗(yàn)室實(shí)測(cè)值和近紅外值進(jìn)行評(píng)定.RSQ值越大，同時(shí)驗(yàn)證集的預(yù)測(cè)值與化學(xué)測(cè)定值間的平均偏差(Bias)較小的模型，即為最佳模型.

2結(jié)果與分析

2.1胡麻餅化學(xué)成分的變異度分析

根據(jù)國(guó)家標(biāo)準(zhǔn)胡麻餅的水分含量不得超過(guò)12%.由表1可知，70個(gè)樣品中胡麻餅水分含量最大值為9.71%，樣品水分含量均符合國(guó)家規(guī)定范圍.在干物質(zhì)基礎(chǔ)上以粗蛋白和粗灰分為質(zhì)量控制指標(biāo)，按含量分為三級(jí)，粗蛋白(%)含量≥34.0%為一級(jí)、≥32.5%為二級(jí)、≥31.0%為三級(jí)，粗灰分(%)含量<7%為一級(jí)品、<8%為二級(jí)品、<9%為三級(jí)品.按以上的蛋白含量評(píng)定標(biāo)準(zhǔn)，試驗(yàn)所選樣品符合一級(jí)品的為62個(gè)，占樣品總數(shù)的88.57%，二級(jí)品8個(gè)占樣品總數(shù)的11.43%.在樣品中粗灰分含量<7%的共38個(gè)，一級(jí)品占總樣品數(shù)的54.29%，二級(jí)品23個(gè)，僅有9個(gè)樣品為三級(jí)品.70個(gè)樣品中胡麻餅脂肪含量最小值為3.84%，最大值為17.78%，粗脂肪含量在7%以上的樣品有40個(gè)，占總樣品數(shù)的57.14%，達(dá)到10%以上的18個(gè)樣品，占總數(shù)的25.71%，樣品變異度37.80%的數(shù)值較大，因?yàn)椴煌瑏?lái)源樣品的壓榨工藝不同所致.總能為17.89～20.05 MJ/kg，平均值為18.87 MJ/kg，極差為2.16 MJ/kg.結(jié)果顯示定標(biāo)樣品具有良好的連續(xù)性與代表性，滿(mǎn)足定標(biāo)條件的要求.

表1　不同來(lái)源胡麻餅化學(xué)成分含量分布(干物質(zhì)基礎(chǔ))

2.2胡麻餅樣品的近紅外光譜圖

圖1所示為70個(gè)樣品在400～2 498 nm近紅外漫反射光譜圖.近紅外光譜屬于分子振動(dòng)光譜，是基頻分子振動(dòng)的倍頻和組合頻，主要反映樣品中的C-H、O-H、N-H、S-H等含氫基團(tuán)的特征信息.近紅外漫反射光譜由于儀器狀態(tài)、樣品狀態(tài)與測(cè)量條件的差異，容易造成光譜的平移或偏轉(zhuǎn)，所以，在進(jìn)行定標(biāo)模型建立之前要對(duì)光譜進(jìn)行平滑濾噪和求導(dǎo)等數(shù)學(xué)預(yù)處理.

2.3胡麻餅化學(xué)成分NIRS定標(biāo)模型的建立與內(nèi)部驗(yàn)證

由表2可知，胡麻餅不同化學(xué)成分NIRS的定標(biāo)模型的建立以改進(jìn)偏最小二乘法為建模方法，但最優(yōu)模型建模時(shí)光譜數(shù)據(jù)的預(yù)處理方法不同，水分以MMSC處理，定標(biāo)模型交叉檢驗(yàn)結(jié)果SECV為0.236 7，1-VR為0.916 4；粗灰分以SNV處理，SECV為0.244 7，1-VR為0.957 1；粗蛋白以DET處理，SECV為0.424 1，1-VR為0.884 4；粗脂肪以SNV處理，SECV為0.672 3，1-VR為0.955 6；能量以None處理，SECV為0.119 9，1-VR為0.890 2.各項(xiàng)指標(biāo)最優(yōu)定標(biāo)模型SECV值均較小，1-VR值均在0.88以上.

胡麻餅營(yíng)養(yǎng)成分定標(biāo)模型的內(nèi)部交叉驗(yàn)證結(jié)果見(jiàn)表3.水分、粗灰分、粗蛋白、粗脂肪和總能的定標(biāo)決定系數(shù)RSQ值分別為0.938、0.972、0.921、0.983和0.932，各項(xiàng)指標(biāo)RSQ值均在0.92以上.

圖1　70個(gè)胡麻餅的近紅外光譜圖

指標(biāo)光譜預(yù)處理參數(shù)nSECRSQSECV1-VRBias水分MMSC2.4.4.1500.21350.93280.23670.9164-0.1420粗灰分SNV0.0.1.1470.20950.96870.24470.9571-0.1468粗蛋白DET0.0.1.1490.39210.90010.42410.8844-0.2545粗脂肪SNV0.0.1.1460.45180.98020.67230.9556-0.4034能量None1.4.4.1480.09990.92190.11990.8902-0.0719

SEC：實(shí)驗(yàn)室分析值和近紅外分析值的標(biāo)準(zhǔn)偏差；Bias：近紅外預(yù)測(cè)值與化學(xué)測(cè)定值間的平均偏差.

表3　不同來(lái)源胡麻餅化學(xué)成分定標(biāo)模型內(nèi)部驗(yàn)證

Bias：驗(yàn)證集的預(yù)測(cè)值與化學(xué)測(cè)定值間的平均偏差.

各營(yíng)養(yǎng)指標(biāo)驗(yàn)證的平均偏差(Bias)均小于0.6倍的定標(biāo)標(biāo)準(zhǔn)偏差(SEC)，而且預(yù)測(cè)標(biāo)準(zhǔn)偏差(SEP)值小于定標(biāo)標(biāo)準(zhǔn)偏差(SEC)值的1.3倍，均在驗(yàn)標(biāo)系統(tǒng)報(bào)警極限值以?xún)?nèi).

2.4胡麻餅化學(xué)成分NIRS定標(biāo)模型的外部驗(yàn)證

由表4可知，水分的NIRS預(yù)測(cè)結(jié)果與化學(xué)分析值的定標(biāo)決定系數(shù)RSQ為0.927；粗灰分RSQ為0.931；粗蛋白R(shí)SQ為0.888；粗脂肪RSQ為0.947；能量RSQ為0.855.各項(xiàng)指標(biāo)RSQ值均在0.85以上，驗(yàn)證集的預(yù)測(cè)值與化學(xué)測(cè)定值間的平均偏差(Bias)分別為0.019、0.140、-0.112、-0.084、0.120，按照飼料中水分、粗蛋白質(zhì)、粗脂肪、粗纖維、賴(lài)氨酸、蛋氨酸快速測(cè)定近紅外光譜法(GB18868-2002)[10]國(guó)家標(biāo)準(zhǔn)的要求，水分含量≤10%、25%≤CP≤40%、CF≥10%的飼料樣品的近紅外值與化學(xué)測(cè)定值之間的平均偏差分別要≤0.30%、≤0.50%、≤0.35%，上述營(yíng)養(yǎng)指標(biāo)的近紅外定標(biāo)模型均能很好地逼近化學(xué)測(cè)定值.

表4　不同來(lái)源胡麻餅化學(xué)成分定標(biāo)模型外部驗(yàn)證

*：測(cè)定結(jié)果；NIR：近紅外預(yù)測(cè)結(jié)果；Bias：驗(yàn)證集的預(yù)測(cè)值與測(cè)定值間的平均偏差.

3討論

Williams等[11]應(yīng)用NIRS測(cè)定了谷實(shí)類(lèi)、油料籽實(shí)的粗蛋白質(zhì)和水分含量.隨著NIRS技術(shù)的發(fā)展，Schaalje等[12]測(cè)定了大豆的氮含量.Fontaine等[13]完成了對(duì)魚(yú)和魚(yú)粉中油脂和蛋白質(zhì)含量的檢測(cè).到1978年加拿大和美國(guó)兩國(guó)的谷物協(xié)會(huì)已將近紅外光譜分析方法作為公用方法.國(guó)內(nèi)也有許多學(xué)者作了這方面的研究工作，盧利軍等[14]應(yīng)用近紅外分析儀(NIRS)快速測(cè)定黃豆粕中水分、蛋白質(zhì)和粗脂肪的含量.通過(guò)光譜掃描、統(tǒng)計(jì)分析，分別找出測(cè)量黃豆粕水分、蛋白質(zhì)、粗脂肪的波長(zhǎng)及校準(zhǔn)常數(shù)值.經(jīng)數(shù)理統(tǒng)計(jì)分析結(jié)果表明：近紅外法與常規(guī)水分測(cè)定法、經(jīng)典凱氏定氮法、索氏浸提法所測(cè)定的結(jié)果呈密切的線(xiàn)性相關(guān)，檢測(cè)結(jié)果令人滿(mǎn)意.唐紹清等[15]利用精米粉脂肪含量化學(xué)分析值及其近紅外反射光譜以建立分析精米中脂肪含量數(shù)學(xué)模型.選取3段譜區(qū)分別采用4種不同的預(yù)處理方法，對(duì)其結(jié)果進(jìn)行比較，發(fā)現(xiàn)選擇不同譜區(qū)和不同光譜預(yù)處理方法對(duì)所建模型有很大的影響，同時(shí)證明了利用近紅外光譜技術(shù)測(cè)定稻米脂肪含量的可行性.如朱文秀等[16]采集了12份不同的油菜種子樣品，分別采用兩種不同的測(cè)定方法，對(duì)樣品進(jìn)行了品質(zhì)參數(shù)的分析比較，結(jié)果表明，近紅外光譜值與化學(xué)方法的測(cè)定結(jié)果相似.

一個(gè)定標(biāo)模型的優(yōu)劣取絕于所建模型相關(guān)系數(shù)的高低及誤差的大小.即以交叉驗(yàn)證相關(guān)系數(shù)(1-VR)、交叉檢驗(yàn)標(biāo)準(zhǔn)偏差(SECV)、模型的交叉驗(yàn)證偏差(Bias)、定標(biāo)標(biāo)準(zhǔn)偏差(SEC)、定標(biāo)決定系數(shù)(RSQ)對(duì)模型的優(yōu)劣進(jìn)行綜合評(píng)定.1-VR值越大，SECV值越小即為最佳模型，本試驗(yàn)中胡麻餅的水分、粗灰分、粗蛋白、粗脂肪和總能的近紅外定標(biāo)模型的交叉驗(yàn)證相關(guān)系數(shù)(1-VR)值均在0.88以上，通常相關(guān)系數(shù)越接近于1，說(shuō)明定標(biāo)模型對(duì)定標(biāo)樣品集的變異描述的能力越強(qiáng)，所以好的模型的定標(biāo)決定系數(shù)(RSQ)一般均要求高于0.7，而本試驗(yàn)定標(biāo)決定系數(shù)(RSQ)值均在0.91以上，內(nèi)部交叉驗(yàn)標(biāo)決定系數(shù)(RSQ)值均在0.92以上，外部驗(yàn)證集驗(yàn)標(biāo)決定系數(shù)(RSQ)值均在0.85以上，都達(dá)到了實(shí)用的要求，說(shuō)明近紅外光譜技術(shù)用于測(cè)試胡麻餅營(yíng)養(yǎng)成分是可行的.

4結(jié)論

70個(gè)不同來(lái)源胡麻餅水分、粗蛋白、粗灰分、粗脂肪和能量的變化范圍分別為6.26%～9.71%、32.76%～38.56%、4.16%～8.99%、3.84%～17.78%和17.89%～20.05%，樣本基本符合正態(tài)分布，具有良好的連續(xù)性與代表性,滿(mǎn)足試驗(yàn)條件的要求.定標(biāo)模型各項(xiàng)指標(biāo)交叉驗(yàn)證相關(guān)系數(shù)(1-VR)值均在0.88以上，定標(biāo)決定系數(shù)(RSQ)值均在0.91以上，內(nèi)部交叉驗(yàn)標(biāo)決定系數(shù)(RSQ)值均在0.92以上，外部驗(yàn)證集驗(yàn)標(biāo)決定系數(shù)(RSQ)值均在0.85以上，驗(yàn)證集的預(yù)測(cè)值與化學(xué)測(cè)定值間的平均偏差(Bias)均較小.

在試驗(yàn)中，為了使模型達(dá)到理想的分析效果，減小試驗(yàn)誤差，采用平均光譜、平均化學(xué)值，運(yùn)用建模軟件的優(yōu)化手段，刪除異常值，選用多種預(yù)處理方法排除干擾信息，所建立定標(biāo)模型可用，對(duì)樣品的預(yù)測(cè)效果比較理想.

參考文獻(xiàn)

[1]武殿祥.要重視胡麻餅料的開(kāi)發(fā)和利用[J].飼料研究,1986(7):32

[2]Norris K H,Barnes R F,Moore J E,et al.Prediction forage quality by NIRS[J].Animal Science,1976,43(4):897-899

[3]Baur F J,Ensminger L G.The association of official analytical chemists[J].Bioscience kepports,2008,28(5):239-249

[4]Thompson B N.Influence of whole meal granularity on analysis of HRS wheat for protein and moisture by near in frared reflectance spectrospy[J].Cereal Chemistry,1978,55(6):1014-1037

[5]Consuel O M.Effects of late nitrogen fertilizer application on head rice yield,protein content,and grain quality of rice[J].Cereal Chem，73(5):556-560

[6]中國(guó)獸藥監(jiān)檢所.GB/T 6435-1986飼料水分的測(cè)定方法[S].北京:中國(guó)標(biāo)準(zhǔn)出版社,1994

[7]國(guó)家飼料質(zhì)量監(jiān)督檢驗(yàn)中心(北京).GB/T 6432-1994飼料中粗蛋白測(cè)定方法[S].北京:中國(guó)標(biāo)準(zhǔn)出版社,1994

[8]國(guó)家飼料質(zhì)檢中心(北京).GB/T 6433-1994飼料粗脂肪測(cè)定方法[S].北京:中國(guó)標(biāo)準(zhǔn)出版社,1994

[9]國(guó)家飼料質(zhì)量檢驗(yàn)中心(武漢).GB/T 6438-1992飼料中粗灰分的測(cè)定方法[S].武漢:中國(guó)標(biāo)準(zhǔn)出版社,1992

[10]國(guó)家飼料質(zhì)量監(jiān)督檢驗(yàn)中心(北京).GB18868-2002飼料中水分、粗蛋白質(zhì)、粗纖維、粗脂肪、賴(lài)氨酸、蛋氨酸快速測(cè)定近紅外光譜法[S].北京:中國(guó)標(biāo)準(zhǔn)出版社,2002

[11]Williams P C,Norris K H,Sobering D C.Determination of protein and moisture in wheat and barley by near infrared transmission[J].Journal of Agricultural Food Chemistry,1985,33:239-244

[12]Schaalje G B,Mundel H H.Use of residual maximum likelihood to evaluate accuracy of two NIRS calibration procedures,relative to Kjeldahl,for determining nitrogen concentration of soybeans[J].Plant Sci,1991,71:385-392

[13]Fontaine J H J,Sehirmer B.Near-infrared reflectance spectroscopy enables the fast and accurate prediction of the essential amino acid contents in soy,rapeseed meal,sunflower meal,peas,fishmeal,meat meal products and poultry meal[J].Agric Food Chem,2001,49(1):57-66

[14]盧利軍,莊樹(shù)華,李?lèi)?ài)軍,等.應(yīng)用近紅外技術(shù)測(cè)定黃豆粕中水分、蛋白質(zhì)和粗脂肪[J].分子科學(xué)學(xué)報(bào),2001,17(2)：115-120

[15]唐紹清,石春海,焦桂愛(ài),等.利用近紅外反射光譜技術(shù)測(cè)定稻米中脂肪含量的研究初報(bào)[J].中國(guó)水稻科學(xué),2004,18(6):563-566

[16]朱文秀,趙繼獻(xiàn),張品,等.近紅外光譜分析與化學(xué)方法檢測(cè)油菜種子品質(zhì)參數(shù)的比較[J].安徽農(nóng)學(xué)通報(bào),2010,16(17):182-183

(責(zé)任編輯趙曉倩)

Establishment and verification of predicting model in linseed cake nutrients by near infrared spectroscopy (NIRS)

CHEN Li-ye1，NIAN Fang2，LI Fa-di1，RU Ying-jun3，TANG De-fu1

(1.College of Animal Science and Technology,Gansu Agricultural University,Lanzhou 730070；2.College of Science，Gansu Agricultural University,Lanzhou 730070；3.Danisco Animal Nutrition,Singapore 117525)

Abstract：【Objective】To investigate the feasibility of near infrared spectroscopy linseed cake assessed for nutritional value.【Method】 A predicting model was built on moisture,ash,CP,fat and GE of linseed cake with wavelength in 400～2 498 nm,modified partial least square collocate different spectral preprocessing.【Result】 The model coefficient of determination for cross validation (1-VR) was above 0.88.Use internal validation and external validation confirmed the stability of the model.Regression squared (RSQ) values of internal validation set above 0.92.Regression squared (RSQ) values of external validation set above 0.85.【Conclusion】 Near infrared spectroscopy can fast nondestructively determine linseed cake nutrients,and make linseed cake better used in animal feed.

Key words：linseed cake；near infrared spectroscopy (NIRS)；calibration model；internal cross validation；external validation

通信作者：年芳，女，副教授，碩導(dǎo)，主要從事飼料營(yíng)養(yǎng)研究.E-mail：nianf@gsau.edu.cn

基金項(xiàng)目：甘肅省自然科學(xué)基金(1010RJ2A187).

收稿日期：2014-10-07；修回日期：2015-03-21

中圖分類(lèi)號(hào)：S 816

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1003-4315(2016)02-0016-05

第一作者：陳立業(yè)(1988-)，女，碩士研究生，研究方向?yàn)閯?dòng)物營(yíng)養(yǎng).E-mail：chenliye19880225@163.com