近紅外光譜技術(shù)在青貯飼料品質(zhì)檢測中的研究進展

陳 菲， 李小梅， 倪奎奎， 楊富裕

（中國農(nóng)業(yè)大學草業(yè)科學與技術(shù)學院，北京 100193）

我國每年青貯飼料產(chǎn)量達28000 余萬t（農(nóng)業(yè)部畜牧業(yè)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(tài)， 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(chǎn)和健康有著重要意義。但當前我國青貯飼料質(zhì)量參差不齊，不科學的青貯方式不僅會降低飼草營養(yǎng)品質(zhì)， 甚至會導致飼草腐敗變質(zhì)， 真菌毒素及其衍生物對動物生產(chǎn)和健康有不利影響（Peles 等，2019）。因此，快速、 準確的青貯飼料質(zhì)量檢測技術(shù)與評定手段對于反芻動物養(yǎng)殖、 生產(chǎn)具有重要意義 （穆懷彬，2008）。 傳統(tǒng)方法檢測青貯品質(zhì)需要至少一周，極大降低了生產(chǎn)效率。要實現(xiàn)快速精準檢測，必須將經(jīng)典化學檢測轉(zhuǎn)向多元分析方法， 并且更加強調(diào)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(xiàn)代近紅外光譜（NIRS）分析技術(shù)是控制飼料工業(yè)中質(zhì)量和安全的有力工具， 已經(jīng)從農(nóng)副產(chǎn)品擴展到了工業(yè)、醫(yī)藥等領域，逐漸取代“濕化學”技術(shù)（王多加等，2004）。近紅外光譜技術(shù)檢測青貯品質(zhì)能提高生產(chǎn)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(shù)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(shù)標準、 取樣未實現(xiàn)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(shù)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(jù)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(chǎn)商包括FOSS、Carl Zeiss、Unity、BRUKER、POLYTEC、Thermo electron 等， 國內(nèi)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(chǎn)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(chuàng)英圖科技、南京中地儀器有限公司等。從近年來的產(chǎn)品迭代來看，NIR 光譜儀的發(fā)展方向為：（1）提高儀器的精準度和模型的穩(wěn)定性；（2）降低儀器成本，生產(chǎn)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(shù)據(jù)時代的到來，NIR光譜儀的發(fā)展要基于物聯(lián)網(wǎng)和云計算來實現(xiàn)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(nóng)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(shù)分析青貯品質(zhì)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(wěn)定性更好，但需要磨細烘干樣本進行分析，對于生產(chǎn)來說，便攜式儀器能夠?qū)崿F(xiàn)就地實時分析，會帶給牧場更高的效益。 因此， 商業(yè)上開發(fā)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(yōu)化

通過優(yōu)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(shù)要點。 近紅外光譜能獲取絕大部分有機物組成性質(zhì)以及分子結(jié)構(gòu)的有效信息（劉進，2020），生物制品在近紅外光照射下， 內(nèi)部各種化學成分和物理結(jié)構(gòu)會產(chǎn)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(qū)域的多重共線性強（嚴衍祿等，2005）?；瘜W計量學涵蓋了所有的多變量校準方法， 包括光譜數(shù)據(jù)預處理， 以及用于定性和定量分析的校準模型開發(fā)（Rego 等，2020），因此，化學計量技術(shù)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(tǒng)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(tài)變量轉(zhuǎn)化法（SNV）、一階導數(shù)/多元色散矯正法（1st Deriv. &MSC）等，回歸分析統(tǒng)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(tǒng)的建模方法存在一些缺陷，且青貯樣品的異質(zhì)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(tài)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(zhì)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(lián)網(wǎng)、 大數(shù)據(jù)分析的發(fā)展， 現(xiàn)代統(tǒng)計學有了新方法，可以彌補傳統(tǒng)光譜數(shù)據(jù)分析方法的缺點。 Almanjahie 等（2019）運用更適合的統(tǒng)計模型：函數(shù)非參數(shù)分位數(shù)回歸（FNQR）、泛函局部線性分位數(shù)回歸（FLLQR）等，得到了更穩(wěn)健的模型。 近年來，青貯飼料模型的轉(zhuǎn)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(xiàn)有的近紅外數(shù)據(jù)集轉(zhuǎn)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(zhuǎn)移到二極管陣列現(xiàn)場近紅外儀（Zeiss Corona），實現(xiàn)了將校準數(shù)據(jù)從在線近紅外儀器到現(xiàn)場近紅外儀器，傳輸牧草質(zhì)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(shù)的應用

3.1 青貯飼料營養(yǎng)品質(zhì) 近紅外光譜分析技術(shù)預測青貯飼料水分、粗蛋白質(zhì)（CP）、中性洗滌纖維（NDF）、酸性洗滌纖維（ADF）、干物質(zhì)（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(yǎng)組分近紅外光譜模型， 對多種營養(yǎng)成分均有較好的預測效果， 預測結(jié)果可以準確反映真實營養(yǎng)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(shù)R2以及外部驗證決定系數(shù)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(shù)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(fā)現(xiàn)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(chǎn)， 近紅外光譜技術(shù)能夠快速測定青貯飼料中的營養(yǎng)成分含量， 有利于及時處理動物健康問題以及提高畜產(chǎn)品質(zhì)量。

為了更高效地分析飼料的營養(yǎng)品質(zhì)， 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(yǎng)成分， 但濕近紅外方法分析樣品中可能存在更大的異質(zhì)性，預測結(jié)果具有不可靠性。干燥和研磨過程能消除樣品的異質(zhì)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(fā)現(xiàn)，使用濕近紅外光譜預測青貯飼料成分， 青貯飼料粗蛋白質(zhì)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(yǎng)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(zhì)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(gòu)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(gòu)建的模型預測結(jié)果較差。 Park 等（2016）用數(shù)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(shù)R2cv為0.77 ~ 0.91。

綜上所述， 當前對玉米青貯營養(yǎng)品質(zhì)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(fā)酵產(chǎn)物測定 近紅外光譜分析技術(shù)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(chǎn)中， 用濕料預測發(fā)酵產(chǎn)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(shù)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(shù)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(shù)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(jié)果表明，利用近紅外光譜法可以預測發(fā)酵品質(zhì)。 但劉賢等（2007）建立的發(fā)酵產(chǎn)物模型RPD 值都在2 以下，預測結(jié)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(jié)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(fā)酵產(chǎn)物分析模型，與Srensen（2004）的結(jié)果一致，狀態(tài)樣品對預測結(jié)果之間均差異不顯著（P > 0.05）。

3.3 青貯飼料生物活性物質(zhì)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(fā)展（褚小立等，2020）。近紅外光譜分析技術(shù)測定的項目已經(jīng)由常規(guī)養(yǎng)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(yōu)質(zhì)的飼草中除了富含蛋白質(zhì)和可溶性糖， 還含有維生素、 礦物質(zhì)、β-葡聚糖、硫胺素和葉酸等營養(yǎng)成分，這些營養(yǎng)物質(zhì)對動物健康和無抗養(yǎng)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(yǎng)物質(zhì)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(shù)能夠精準分析生物活性物質(zhì)，將極大提高工作效率，但有關于近紅外光譜技術(shù)分析青貯中的生物活性物質(zhì)的研究較少。

4 總結(jié)與展望

近年來，隨著大數(shù)據(jù)和物聯(lián)網(wǎng)的發(fā)展，NIR 光譜儀的發(fā)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(shù)的應用場景。 近紅外光譜分析技術(shù)已廣泛用于青貯飼料的品質(zhì)測定， 對青貯飼料的常規(guī)營養(yǎng)成分和發(fā)酵產(chǎn)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?qū)⑹抢媒t外光譜技術(shù)直接分析青貯飼料濕樣品質(zhì)。青貯種類、 加工以及儲存方式多樣。 為實現(xiàn)NIR在青貯品質(zhì)檢測精準應用，首先，應繼續(xù)擴大對代表性青貯樣本數(shù)據(jù)收集與分析， 拓寬近紅外光譜檢測技術(shù)在青貯飼料品質(zhì)分析領域， 加強對青貯樣品中活性物質(zhì)的研究。 其次，推進NIR 光譜儀的研發(fā)，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(tǒng)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(fā)揮現(xiàn)代技術(shù)作用， 讓近紅外光譜分析技術(shù)更好地用于青貯飼料品質(zhì)分析。